智能视频客流监测技术在轨道交通中的应用

廖宇杰 东北大学计算机科学与工程学院

1、 引言

随着城市经济的快速发展，带动了城市轨道交通的发展。目前，越来越多的人在出行时选择轨道交通，因此，保障轨道交通的出行安全是十分必要的。城市轨道交通的安全防护系统针对因客流聚集而容易发生意外事故这一情况，采取了利用智能视频客流监测技术进行预测这一预防措施。智能视频客流监测技术的应用可以对突发事件进行预防，提升了现场的管理水平，减少突发事件为轨道交通的运输带来的影响。因此，智能视频客流监测技术的研究，对于城市轨道交通有着重要的意义。

2、 客流监测技术的应用现状

掌握实时客流情况，预测未来客流规模，对于避免大规模旅客滞留具有重要意义。然而，传统的客流监测技术存在设备安装和维护困难，数据存储量大，监测范围不完整等问题。

目前，更主流的客流监测技术包括：多传感器协同监测方法，基于计算机视觉的视频监测方法，基于移动通信网络信令数据的监测方法，以及WiFi 嗅探监测方法。当人数较少时，多传感器协同监控更准确，一旦人群拥挤，就很难发挥作用。基于计算机视觉的视频监控范围有限，需要大量摄像机覆盖所有目标区域。而且，由于摄像机视角的影响，近处和远处的检测率将不可避免地逐渐降低或甚至不可识别。该方法适合作为关键区域的辅助判断手段。基于移动通信网络的信令数据的监控要求三大通信运营商公开用户移动电话的实时数据信息，由于隐私和商业秘密而难以实现。同时，由于无法区分室内和室外，这种方法不适合监测建筑物的内部客流。

3、 基于智能视频客流监测技术的人群计数方法

现行的人群计数的方法主要包括：基于检测的方法，基于回归的方法，以及基于深度学习的方法。这些方法都有着一些缺点导致其检测效果不尽如意。现行轨道交通客流状态监测多采用单一视频监测，单一视频监测客流信息存在较大误差，存在信息遗漏、信息重叠等问题。本项目综合采用视频监控、WiFi 嗅探、闸机刷卡多元数据收集分析手段，力求得到更为详实可靠的客流信息数据。

3.1 基于检测的方法

早期的人群研究主要聚焦于基于检测的方法。基于检测的方法主要分为两大类：一种是基于整体的检测方法，主要训练一个分类器，利用从行人全身提取的小波，HOG，边缘等特征去检测行人。基于整体检测的方法主要适用于稀疏的人群计数，随着人群密度的提升，人与人之间的遮挡变得越来越严重；另一种是基于部分身体检测的方法，被用来处理人群计数问题。其主要通过检测身体的部分结构，例如头、肩膀等去统计人群的数量。这种方法比之基于整体的检测，在效果上有略微的提升。

3.2 基于回归的方法

无论何种基于检测的方法，都很难处理人群之间严重的遮挡问题。所以，基于回归的方法逐渐被用来解决人群计数的问题。

基于回归的方法，主要思想是通过学习一种特征到人群数量的映射。这类方法步骤主要分为两步：

第一步提取低级的特征，例如前景特征，边缘特征，纹理和梯度特征；

第二步是学习一个回归模型，例如线性回归，分段线性回归，岭回归和高斯过程回归等方法学习一个低级特征到人群数的映射关系。

优点在于对高密度人群图像来说，其效果是比基于目标检测方法的好，但缺点是没有精确的定位。

3.3 基于深度学习的方法

深度学习技术始于2006 年Hinton 等人在Science 发表的文 章“Reducing the Dimensionality of Data with Neural Networks”。近些年来，DL 被广泛应用于各个研究领域（计算机视觉，自然语言处理等）。 DL 凭借其出色的特征学习能力，同样被研究人员用于人群计数的研究中。近年来所提出的方法主要 有：MCNN(CVPR 2016)，CP-CNN(CVPR 2017)，Switch-CNN(CVPR 2017)，CSRNet(CVPR2018)，ic-CNN(ECC V2018)，SANet(ECCV 2018)。上述各种模型有的是提取多尺度特征，有的是逐步细化密度图，但无论哪种模型，目前最困难的问题仍然是：在人群密集的区域，如何让模型更精细的区分出人的特征（如人头重叠）；如何教会模型“聚焦”，即在一幅人群密度分布广泛的图像中对较小尺度的局部特征能“看”得更清晰。

4、 智能视频客流监测技术在轨道交通应用中的优化分析

4.1 优化采样角度

不同角度拍摄所得的样本的监测效果相差非常大，因此一个优化方向就是采样相机的摆放角度。在基于深度学习的人群计数方法中，不同距离的特征提取和重叠部分的特征提取仍是难点。对于轨道交通这一个特定的应用场景，可以很容易想到通过将摄像头垂直放置采样，这样就避免了遮挡和距离不同的问题，基本控制了目标特征的一致性。这样不论是深度学习的方法，还是基于监测的方法，都可以比较容易地提升效果。

4.2 优化采样方法

通常的行人检测采样中，往往只从一个角度获取视频信息。采用多组摄像头组合采样，可以减弱遮挡、明暗对视频处理的影响。此外，在传统的行人检测方法中，研究人员只能通过图像像素反映出的基本特征来完成行人检测，不能有效利用景深信息。深度摄像头除了能够获取平面图像以外还可以获得拍摄对象的深度信息。可以通过景深构建技术解决行人遮挡问题，辅助行人检测算法对行人信息进行更快速、准确地提取。

4.3 优化检测模型

行人统计的关键在于寻找含有行人的区域并提取其特征。由于人群分布的随意性使得特定时间段内场景中人群不规律聚集，稠密度不均。在不同稠密度的场景下分别使用不同的特征提取方法：在人数密集的场景下，人和人之间存在遮挡，人群呈团块区域状分布，此时采用基于特征回归的方法，如提取区域纹理、密度分布特征来估计行人数量。在人群稀少的场景中，使用统计回归方法来估 计人数误差会很大，此时采用基于目标检测的方法可以简单快捷的来统计人数。因此，可以将检测模型优化为行人识别和特征回归两部分以应对不同复杂度的人群场景。

4.4 WiFi 嗅探人流统计

单单靠视频分析存在许多缺陷。引进WiFi 嗅探技术作为补充，可较好地解决地铁网络客流分布和乘客个体出行路径的高精度识别问题。WiFi 嗅探数据是探针设备(AF)与WiFi 设备(如手机、平板电脑等)的交互信息数据，可以实现对携带WiFi 设备对象的动态跟踪，从而解决视频检测难以追踪对象的问题。同时，其具有检测范围相对集中、检测速度快、采样率高、实时性强等特点，可实现乘客出行时空轨迹的精准化识别。

4.5 闸机刷卡数据辅助统计

闸机刷卡数据也可作为视频分析的补充。轨道交通站点大多设有闸机进行放行管理。闸机的结构组成中包含了计数模块，用于记录通行人数；作为一种通道管理设备，其最本质的功能是通过拦阻和放行实现一次只通过一人。闸机的工作模式使其在客流量统计上具有很强的准确性。通过获取闸机刷卡数据辅助客流量统计，可以充分发挥轨道交通站点设有闸机设备的优势，弥补视频分析的不足。

5、 结论

综上所述，城市轨道的发展满足人们的出行需求，但是密集的客流量导致事故的频繁发生，而智能视频客流监测技术的应用保障了轨道交通的安全。智能视频客流监测技术可以通过高效的计数方法，可以对人流量进行精确控制，并进行实时危险预警，最大程度减小事故的发生。获取各个客流通道的客流相关数据，可以以此为依据对客流通道进行优化，提高通行效率。获取大量的客流数据可以为其他相关的研究提供数据。可对目标行人进行路径规划，优化轨道交通资源配置。