城市轨道交通视频监控系统云边协同技术应用研究

周 超 ，林 湛 ，李 樊 ，杜呈欣 ，王志飞 ，吴 卉

ZHOU Chao1, 3, LIN Zhan2, 3, LI Fan1, 3, DU Chengxin1, 3, WANG Zhifei1, 3, WU Hui1, 3

（1.中国铁道科学研究院集团有限公司 电子计算技术研究所，北京 100081；2.中国铁道科学研究院集团有限公司 通信信号研究所，北京 100081；3.中国铁道科学研究院集团有限公司 轨道交通系统测试国家工程实验室，北京 100081)

(1.Institute of Computing Technology, China Academy of Railway Sciences Corporation Limited, Beijing 100081, China; 2.Signal & Communication Research Institute, China Academy of Railway Sciences Corporation Limited, Beijing 100081, China; 3.National Engineering Laboratory of Rail Transit System Testing, China Academy of Railway Sciences Corporation Limited, Beijing 100081, China )

城市轨道交通视频监控系统是基于计算机、图像识别、网络通信、信息处理等技术，由中心控制设备、车站控制设备、图像摄取及显示、视频信号传输等设备组成，可实现为控制中心调度员、各车站值班员、列车司机等提供监控区域视觉信息功能的安防系统，对保障城市轨道交通安全运营和优质服务起到了十分重要的作用[1]。随着城市轨道交通线路、车站的日益增加，监控场景、监控对象类型复杂多样，数量庞大且分布广泛，对视频监控系统在智能化、网络化、实时性、运维管理等方面提出了更高的要求[2]。城市轨道交通视频监控系统已经从模拟视频监控系统向模数结合的视频监控系统、数字视频监控系统向现在的智能视频监控系统不断发展。城市轨道交通视频监控系统的研究主要集中在高清转播技术、智能分析技术、方案优化等方面[3]，云边协同技术是一种新兴的智能分析方法[4]，目前针对城市轨道交通视频监控领域还缺少更加明确的云边协同架构、云边协同方法等。因此，围绕城市轨道交通特点和应用需求，深入研究城市轨道交通视频监控系统云边协同技术应用，可以为提升城市轨道交通视频监控系统的实时性能和智能化水平提供技术支撑。

1 城市轨道交通视频监控系统云边协同技术应用架构设计

1.1 现状分析

城市轨道视频监控系统主要部署在车站、停车场、车辆段，将本线路的视频图像传输至城市轨道控制中心进行监控，成为保障城市轨道交通行车组织安全，维护车站乘车秩序和乘客安全的重要手段。截至2019年底，我国40个城市开通了城市轨道交通运营线路208条，运营线路总长度6 736.2 km[5]。随着城市轨道交通线路不断延伸，智慧发展理念不断加深，以智能技术提升城市轨道交通安全、效率、效益和服务水平，城市轨道视频监控系统也在不断地得到优化和广泛应用[6]。但是，由于城市轨道视频监控系统受本身架构和新技术应用不足所限，在进一步升级优化时出现了一些问题，甚至对支撑城市轨道交通安全保障产生了一定程度的制约。现有应用的城市轨道交通视频监控系统属于中心集中处理式架构，通过集中计算资源对监控对象进行分析处理，主要存在以下问题。①在系统架构方面，海量视频数据均传输至云计算中心处理，由于传输链路复杂、冗长，而且短时间会占用大量云中心宽带、计算资源等，致使终端数据分析与响应产生时延性，同时也对准确性产生一定影响，当出现高风险级别如打架斗殴、拥挤踩踏、跌落轨道等事件时，可能会因系统反馈不及时而导致工作人员处置延迟，给车站的运营安全保障带来巨大挑战。②在系统功能方面，传统的城市轨道交通视频监控系统由于前端摄像设备主要是采集和传输视频图像数据，边缘端设备智能分析能力较弱，一般不具备行为检测、大件物品遗留检测、站台乘降人数统计分析等功能，车站只能通过系统中心分析反馈和工作人员实现车站安全巡检，存在安全运营管理效率较低、管理不及时、灵活性差的问题。③在系统资源利用方面，由于在日常使用中视频监控系统对各类场景均无差别采集和存储，边缘端视频采集设备产生海量的冗余无效或价值较低的视频数据，所有视频数据均传输至云计算中心，中心服务器常态下的资源利用率较低，高峰期负载较大，随着监控设备的不断部署，仅靠简单重复的增加中心服务器数量和提升性能参数以满足需求，增加了新系统建设、旧系统改造和应用的资源及成本。

云计算和边缘计算是近年发展快速的前沿技术，云计算侧重于大数据、大计算量、实时性要求不高的业务场景，边缘计算侧重于低时延、快速响应的业务处理和分析，云计算技术和边缘计算技术并不冲突，二者是紧密协作、互补协同的关系。为解决目前城市轨道交通视频监控系统存在问题，城市轨道交通视频监控系统云边协同技术主要是研究在云计算中心或者中心集中服务器与边缘端视频计算节点包括在资源、数据、智能、业务管理和应用服务等方面的协同方法[4]，更好地实现云计算中心与边缘计算的应用，以适应城市轨道交通视频监控多种场景的智能化分析和实时性响应的业务应用需求。

1.2 架构设计

为充分发挥云计算的超大规模、虚拟化、高可靠特点和边缘计算的实时性强、效率高的优势，结合城市轨道交通视频监控系统业务需求及特点，设计以视频监控系统云计算中心层和边缘节点层为核心的云边协同应用架构，在视频监控系统中心层主要以云计算技术为基础实现资源虚拟化、视频图像目标识别、监控场景分级、监控大数据分析等功能，在边缘节点层主要以边缘计算技术为基础实现视频图像数据预处理、监控场景预判别等功能，并通过智能协同算法和协同架构设计实现视频监控系统云计算中心层和边缘节点层的全面协同，发挥视频监控系统整体性和全局性效能。城市轨道交通视频监控系统云边协同技术应用架构如图1所示。

城市轨道交通视频监控系统云边协同技术应用架构包括数据感知层、边缘节点层、网络传输层、云计算中心层和业务应用层。数据感知层一般包括枪机、红外摄像机、一体化摄像机、网络摄像机、智能摄像头等，线路依据运营、公安等部门需求，在车站关键位置设置摄像机点位，用于原始监控区域如客流密度、人员行为、上下车秩序等视频图像采集与感知；边缘节点层一般由多个具备AI计算能力的控制盒组成，控制盒含有与资源调度、目标识别、场景分析和业务编排有关的智能硬件、软件、模型，可在边缘端实现视频图像数据预处理、预分析，并对感知层的设备进行统一管理；网络传输层具有信息传输功能，通过传输网络将物理分散的控制中心、车站、车辆段等区域监控设备实现了监控数据和信息的互联互通；云计算中心层主要实现了系统资源的虚拟化，并对海量视频监控数据进行集中存储和智能分析，如人脸图像识别、异常行为分析、人员轨迹跟踪等，同时对边缘节点进行协同管控，与边缘节点层实现视频监控系统在资源、数据、智能分析、应用服务方面的全面协同；业务应用层集成了城市轨道交通视频监控系统包括区域徘徊逗留检测、乘降人数统计、人环境异常监控、人员识别、站台越界报警、两端入侵监控等的各类场景智能化识别分析功能和与其他安防子系统的协同联动功能等。

图1 城市轨道交通视频监控系统云边协同技术应用架构Fig.1 Application architecture of cloud-edge collaboration technology of CCTV system for urban rail

2 城市轨道交通视频监控系统云边协同技术应用分析

2.1 资源协同

城市轨道交通视频监控系统对如客流拥挤、乘客异常行为、站台越界等各类业务场景进行智能分析时需要消耗各类计算机资源，传统的视频监控系统通常是对业务场景通过中心服务器集中式分析，消耗大量资源、而且效率较低。资源协同是指系统可自动对云计算中心层和边缘节点层的资源进行全局性的动态调整，为每个边缘监控设备准确高效的分配其视频图像智能分析所需要的计算、存储、网络、虚拟化资源，实现系统整体资源的最优匹配和负载均衡。当边缘节点层接收到来自数据感知层视频监控设备高并发的数据计算请求或者是处于高优先级的业务场景时，资源协同可以更好发挥系统整体性能，有效提高视频监控业务场景分析的实时性和资源利用率。资源协同首先采用软件定义网络(SDN) /网络功能虚拟化(NFV)技术和Docker等轻量化容器技术对各类虚拟化资源进行端到端的逻辑拆分和封装，然后将不同运营场景下的视频监控需求映射为资源的性能指标，如将流畅的高清监控视频、清晰的监控语音、实时的乘客行为分析或物品目标检测等需求映射为网络资源的平均峰值带宽、时延，计算资源的计算节点数量等指标[7]，过程中利用深度报文检测(DPI)技术建立资源需求预测模型，当再次遇到类似的视频监控场景分析需求后，可以更加快速精准的匹配资源，资源协同技术主要包括拍卖算法、蚁群算法、粒子群算法、多目标优化方法等。

2.2 数据协同

城市轨道交通视频监控系统在云边协同技术应用过程中会产生大量视频图像数据，传统的视频监控系统对采集的视频图像数据过滤较少，对重复性监控场景数据无差别存储，因而在中心服务器产生了大量冗余无效数据，不仅浪费系统存储资源，也增加了系统对数据处理的复杂性和计算量。数据协同是指在边缘节点层对采集的视频图像数据进行预处理，通过视频关键帧提取和图像识别技术从视频流数据中准确筛选出与安全有关的如打架斗殴、拥挤踩踏、电梯摔倒等关键事件，减少存储和传输大量重复无用的视频帧数据，提高系统的资源利用率，降低云中心的建设规模，在云计算中心层接收大量车站不同监控位置、具有不同监控视角采集的视频图像数据。因此，可以通过跨区域的多维时空数据融合及协同分析，实现对监控对象在车站不同活动区域的连续追踪。当出现传输网络不稳定情况时，边缘节点层还可以对部分关键视频数据进行缓存，待网络稳定后再将缓存数据输出至云计算中心层，同时对于关键数据和高优先级场景的数据可在边缘端实时存储，并在云计算中心备份，一方面可提升关键视频数据的安全性，另一方面有利于视频数据的实时处理和分析，方便系统后期统一关联和检索可疑场景或事件的视频信息数据，常用的视频数据筛选方法包括基于运动特征分析的方法、视频数据聚类分析的方法、多特征融合的关键帧提取方法等。数据协同的传输方式可以采用包括物联网(IOT)、互联网(Internet)、无线局域网(Wlan)、5G、长期演进技术(LTE)等，使用时需考虑视频监控系统的带宽、功率、互操作性、安全性和可靠性等需求。

2.3 智能分析协同

城市轨道交通视频监控系统可通过智能分析算法实现业务场景的自动识别和报警，传统的视频监控系统主要是在中心服务器对采集到的视频图像数据进行集中分析，分析出结果后在后台进行信息显示或报警提示，边缘节点设备不具备或仅具备简单的智能分析能力，易受监控角度、光线、环境干扰，准确率不高，反应较慢。智能分析协同是指将包括人脸识别分析、轨迹跟踪、行为识别、语音解析等各类智能分析算法模型以及不同厂家针对同一场景的智能分析算法集成到云计算中心的平台服务层进行统一管理，根据边缘节点本身性能限制和应用需求，周期性选取最优的分析模型以功能函数、容器镜像、微服务、应用程序的形式部署至边缘节点。在日常运营中，云计算中心根据实际监控应用效果通过深度神经网络、专家系统、机器学习等人工智能技术对应用模型进行闭环反馈和迭代训练升级，通过这种自学习使系统对于各类业务场景的适应性和智能分析能力不断提升，边缘节点设备也同时具备了较强的智能分析能力和较快的输出响应能力，当中心服务器出现宕机或者网络传输出现中断时，不会影响车站视频监控系统智能分析和异常事件报警提示等功能的正常使用，有效保证对车站各个区域的不间断监控，防止突发事件或关键视频信息的遗漏，加快站务人员对突发事件和风险事件的应急响应。

2.4 服务协同

城市轨道交通视频监控系统应能够为车站管理人员提供一定的辅助管理功能，传统的视频监控系统在应用时对各类业务场景缺少分级识别和业务编排服务，灵活性不足，也导致了对突发事件和风险事件的应急响应及时性不够、处置方式合理性不足。服务协同主要是实现监控场景分级、业务编排、任务管理等方面的协同，也同时预留与其他专业的服务协同接口以及本身业务新功能的拓展接口，为车站人员提供定制化、流程化、智能化的视频监控辅助管理服务，帮助站务工作人员及时掌握和应对影响正常安全运营的各类事件。按照《城市轨道交通运营安全风险分级管控和隐患排查治理管理办法》规定，客运组织类风险主要包括车站作业、客流疏导和乘客行为等方面的风险[8]，客流疏导和乘客行为风险主要包括翻越站台门、故意跳入轨道、乘客拥挤踩踏、个人极端行为等。因此，按照管理办法规定和运营单位的实际需求对监控事件进行场景分级和相应的业务流程编排，发生风险事件时，对于高安全风险的视频业务场景可自动匹配在系统云边协同的层面上进行业务分析处理，同时提示联动其他系统的信息供工作人员进行确认及应对，对于一般风险等级的视频业务场景直接在边缘节点层或云计算中心层进行处理分析。发生风险事件后，将不同区域、不同点位的监控视频图像数据实时融合拼接到车站三维实景模型中并进行数据关联分析，通过虚拟现实的融合可更直观反映车站监控区域的实时全景状态和风险事件的过程状态，实现视频监控立体化、跨区域、跨系统的服务协同，提升车站对风险事件的整体应急管理水平。

2.5 业务应用协同

通过云边协同技术在城市轨道交通视频监控系统业务方面的应用，一方面提升了视频监控系统的智能分析及分析响应能力，另一方面加强了与城市轨道交通其他安防子系统的协同联动功能，同时也提高了相关业务管理效率。

（1）在业务功能方面，视频监控系统可根据场景定义各类异常事件，不需通过中心服务器，可直接在边缘端通过AI硬件实现需求较为迫切的区域徘徊逗留检测、站台越界和两端入侵报警、重点人员识别及追踪、电梯/楼梯摔倒、站台区域乘降人数统计、大件物品遗留检测等功能，另外还可根据运营管理需求增加包括烟雾火灾图像分析、工作人员动作规范识别、工作人员与非工作人员区分等定制化智能分析功能，有效缩短了异常事件下的系统响应时间，降低工作人员安全管控压力。

（2）在业务协同方面，通过云边协同技术的应用可使系统发挥更佳的整体效能，能够更加快速的实现视频监控系统与其他安防子系统的报警协同联动功能，当接收到如安全检查及探测系统、异物入侵报警系统、电子围栏系统、出入口控制系统等因特定危险事件发出的触发信号时，视频监控系统画面可自动切换至相应的报警区域，并发出报警信息供车站工作人员进行确认和处理，防止事态进一步发展而导致失控。

（3）在业务管理方面，云边协同技术的应用不仅可以实现系统对业务场景的快速分级预判及流程处置报警，还可使中心系统更加快速、全面的协同分析多个视频监控节点，不同监控角度的视频数据，并将重要业务场景、关键视频数据自动标记与关联，通过预置的关键词语及场景定义对视频实现基于内容特征的高效检索和浏览，极大提高了工作人员对重要事件和场景的查询效率。

3 结束语

云计算和边缘计算协同技术的研究和应用是智慧城市轨道交通领域大规模部署云计算基础设施后的必然发展趋势，具有较为迫切的应用需求和良好的市场前景。通过研究云边协同技术在城市轨道交通视频监控系统中应用总体架构和功能应用，能够较好地满足城市轨道交通领域的场景应用需求，有效提升视频监控系统的智能化、网络化、实时性水平，对提升城市轨道交通的安全保障能力、提高车站运营管理效率、降低系统建设及维护成本有重要作用，有助于促进新一代智慧型城市轨道交通安防领域的发展。