城市轨道交通列车客流检测模型算法及其 优化研究

郝勇，赵健

1.中铁二院工程集团有限责任公司，四川成都，610031 2.深圳市赛为智能股份有限公司，广东深圳，518100

0 引言

近年来，随着我国城市化进程的加快，城市面临的交通压力也与日俱增，城市轨道交通作为缓解压力的重要出行方式，也是国民经济的重要构成部分。2020年3月，中国城市轨道交通协会发布了《中国城市轨道交通智慧城轨发展纲要》，从顶层设计的角度对城市轨道交通的智慧化发展做了规划和指导，已成为城市轨道交通企业制定智能智慧化发展的指导性文件；各地城市轨道交通业主和装备供应商纷纷编制发展规划、实施意见或行动方案，智慧车站也正在部分城市建设。智慧城轨建设将对今后城市轨道交通技术发展产生深远影响[1]。

城市轨道交通承担的运输任务越来越多，积极探索人工智能+轨道交通成为社会发展进步的必然，综合运用人工智能技术研究轨道交通客流信息统计分析系统成为重要的研究课题。目前，轨道交通一般是基于售票检票系统的刷卡数据来统计客流信息，不能有效掌握关键区域（如：通道、站厅、站台和列车）的实时客流信息，从而难以安全、舒适地为乘客提供出行服务，以及科学、合理地为列车运营管理提供指挥调度。这也是本文研究的主要背景。

1 城市轨道交通列车客流检测研究的必要性

当前，很多一、二线城市投入运营的线路逐渐增多，网络化运营模式成为城市轨道交通的发展现状，这也给业主单位的运营管理带来了新的挑战。随着城市人口密度不断攀升，城市轨道交通系统日益变得错综复杂，随着时间的推移，人们面临着越来越多的潜在风险。例如，在上下班高峰期，地铁运营会出现客流量激增的情况，而在公共场所，人群拥挤可能导致踩踏事件的发生。除人身安全之外，乘客对城市轨道交通列车拥挤程度的直观感受也是衡量运营单位服务水平的一个重要标准，因此，如何打造更加舒适的乘车环境至关重要。地铁车辆拥挤度能够反映城市轨道交通线网服务水平与运营效益，对车厢拥挤度进行实时检测可以真实地反映线网客流状态，提供更全面的断面客流信息，为城市轨道交通实时调度与客流控制提供依据[2]。

总体来说，对城市轨道交通列车客流情况的检测研究，具有一系列重要的作用。首先，能够根据客流统计情况，为各节车厢空间资源的科学分配提供依据。城市轨道交通设站较多，乘客频繁上车、下车，流动性比较大，很容易产生拥堵现象，且拥堵还很容易带来潜在的安全问题，客流的有效检测统计能够为空间资源科学分配带来有效的参考价值，尤其在早高峰和晚高峰期间，能够有效提升乘客满意度。其次，一旦发生灾害事故，有人员被困时，真实科学的人员数量及分布将是救灾方案制定的重要参考数据，这也是客流检测的重要意义所在。最后，它能够为城市轨道交通业主管理和运营单位提供精准决策的重要支撑，有利于更高效地管理和组织工作，对智能交通系统的运作和运行效益有直接影响。

2 基于智能视频分析的客流量检测算法

伴随轨道交通安防技术的广泛应用，以及人工智能技术在轨道交通领域的探索实施，基于视频监控的客流量智能检测及分析算法被认为是未来最好的客流检测方法之一。

2.1 基于检测的方法

该方法主要归纳为两类：其一是基于整体检测的检测；其二是基于人物局部的检测。传统的行人检测方法通常采用支持向量机（SVM）检测器、提升算法以及随机森林矩阵等，以训练一个高效的分类器。在这个过程中，需要先提取行人全身的小波特征、HOG特征、边缘特征以及纹理特征等关键信息，从而为后续的行人检测打下基础。整体检测方法在稀疏人群计数方面具有一定的适用性，但随着人群密度的不断增加，人与人之间的遮挡问题日益凸显，相关检测工作的难度也有所提升。局部检测的方法主要借助对身体的部分结构，例如头部、肩膀等加以统计，以估算人群数量。相较于基于整体的检测方法，这种策略在效果方面略显优势。

2.2 基于回归的方法

该方法的主要目标是研究一种从特定特征到其对应人群数量的映射方法。首先，通过提取诸如前景特征、边缘特征、纹理以及梯度特征等低级视觉元素，为这一过程奠定基础。其次，研究一种先进的回归模型，例如线性回归、分段线性回归、岭回归以及高斯过程回归或者神经网络等方法，去学习并构建一种从低级特征到人群数量的精准映射。此方法主要依赖前景分割，生成固定背景模型。然而，它对光照变化的敏感度极高，每当场景发生转变时，均需重新训练模型，不仅消耗大量的时间，且计算成本也相对较高。

2.3 基于深度学习的方法

此方法一般采用卷积神经网络来提取行人特征，并借助估计人群密度概率图以实现人群计数。人群密度概率图能够揭示人群在图像中的分布情况。

因此，本文主要针对轨道交通车厢内特定环境进行客流量检测与统计，使用视频图像处理技术来检测车厢内的乘客拥挤度，主要解决高峰期车厢内乘客密度高、车厢内物件对乘客身体存在遮挡、乘客身体之间互相遮挡、车厢内监控摄像头画面的透视效应明显、乘客身体在画面中的尺度差异大等主要问题[3]。

3 目标检测模型算法及其优化

3.1 密度图模型

本文主要目标是基于前沿的算法技术和算法模型，提高车厢乘客计数算法的精度，采用密度图检测模型。密度图模型（如图1）估计乘客密度示意图的左上角是原图，右上角是人体头部为中心点生成的Ground truth密度图，左下角和右下角分别是用mcnn和csr-net生成的估计密度图。

图1 密度图模型估计乘客密度示意图

为了实现提高车厢乘客计数算法的精度这一总体目标：一是需要提高目标检测模型对于部分遮挡目标的检测能力；二是提高密度图模型对于尺度大小不同目标的检测能力；三是通过数据融合方法，综合利用图像信息和重力感应数据，弥补单一检测方式的精度不足。

3.2 提高目标检测模型对于部分遮挡目标的检测能力

基于目标检测的人数累加算法的基本思路是利用各类目标检测算法检测出人体躯干或者头肩区域，然后据此统计人数。随着以卷积神经网络为代表的各类深度学习目标检测算法的出现，由于其在准确性和稳定性上相对于传统的基于手工特征算法的优势，使其在各个领域都得到了广泛的应用。在人群计数这个领域也不例外。虽然在一般性的场景下，以YOLO和Faster RCNN为代表的深度学习目标检测算法可以给出较准确的计数，但是，这些通用模型没有专门考虑检测目标被遮挡的应用场景，如果出现了遮挡现象，检测准确率就会受到显著影响。可在以下两个方面开展对车厢内乘客遮挡问题的研究。一是研究数据增广方式，通过生成高质量的遮挡训练样本来提高模型对这类情况的识别能力；二是研究在模型中引入新的模块，监督模型加强对于人体局部特征的学习。增加新的监督分支，引入头部mask区域作为人体检测的额外监督信息。

3.3 对检测不同尺度目标的密度图模型的研究

密度图模型通常使用卷积神经网络作为特征提取层，然后基于特征直接生成密度图。在目标检测模型中，某些局部被遮挡的人体目标或者较小的人体目标，可能由于较低的检测置信度而被过滤掉，但是，在密度图模型中，这类目标仍会为总计数贡献权重。密度图算法虽然较目标检测算法更加适用于高密度群体的计数应用，但是，在应用于车厢乘客计数时，仍然存在问题。车厢内的摄像头具有明显的透视效应（近大远小），这和密度图算法中的图像中每个像素所代表的实际物理尺寸相同的假定相违背。因此，需要对密度图算法做进一步的设计才能解决透视效应带来的计数误差问题。可在以下几个方面开展对车厢监控画面中乘客图像尺度差异问题的研究。一是研究使用新的方法来生成更高质量的Groud truth密度图；二是研究使用图像金字塔策略来增加模型对于不同尺度目标的感受能力；三是研究引入注意力机制，使得模型自适应地给予不同尺度的目标以相应大小的密度权重[4]。

3.4 对数据融合方法的研究

基于图像数据可以通过两种算法模型分别得出车厢乘客计数值，基于重力感应数据也可以根据车厢轴重差值和平均人体体重值粗略地估算出车厢内乘客的人数。通过合理地融合这三种乘客计数值的数据来源，有可能减少单一数据来源的偶然误差。因此，分别给予三种数据来源不同的数据权重，评估在不同的权重组合下融合的预测值的准确性，最后以准确性为依据，选出较好的一组权重值。此外，针对某些概率性较高的现象，比如人员车厢内、跨车厢的移动等问题，为保证系统检测数据的合理性，本研究方案汇总车身载重等数据进行融合换算处理，从空载重量到负荷重量，进行相应的数据换算，根据换算结果和视频检测数据结果，利用数据算法，进行大数据分析后，得出相应更为准确的结果，为车站的智慧运营提供可靠的数据保障[5]。

4 效果及验证

本文通过利用改进的人工智能算法，利用既有车载乘客信息系统既有资源，针对车载视频监控系统提供的视频图像信息，以及列车控制管理系统提供的重力感应数据，通过所搭建的数据模型获得相对精准的客流统计数据，并生成客流密度信息。系统面向地铁车厢场景，利用人工智能深度学习算法，突破了高峰期乘客密度高、遮挡度高、摄像头透射效应等问题，实现了乘客目标的高精准度捕获、客流计数和客流密度的准确分析，数据处理延时低于1秒。

因此，基于对车厢客流数据的准确、快速分析，该系统可提供客流诱导、客流管制、紧急疏散等服务，并为运维人员的应急指挥方案制定、值班安排、列车调度提供了科学数据支撑，达到了预期目标。且经过车试，采用该算法的系统准确性高、功耗低，不增加列车的视频负担，满足轨道交通日常运维需求，可持续助力轨道智能调度、交通运力、线网规划的持续优化。