J.Vis.Commun.Image R.58（2019）119–129
Contents lists available at ScienceDirect
J. Vis. Commun. Image R.
journal homepage: www. elsevier.com/locate/ jvci
基于图像和WiFi检测的城市轨道交通车站客流状态识别
丁晓兵，刘志刚，徐海波
上海工程科学大学城市轨道交通学院，中国上海
B华南理工大学自动化科学与工程学院，中国广州
文章信息
文章历史:
2018年10月23日收到
2018年11月19日修订
2018年11月19日接受
2018年11月20日可在线查阅
关键词:
轨道交通车站安全
车站应急预警的客流识别与限制器
摘要
高峰时段，一些繁忙的地铁线路客流集中度较高，如果不能及时采取措施，可能会发生更严重的事故从而影响社会形象。目前，重点车站的客流情况主要靠工作人员的经验判断，再采取相应措施，误差的可能性较大，急需进行相关技术研究解决。我们首先设计的是一台名为'客流采集精灵'的数据采集设备,集成了高清摄像头图像采集设备和WiFi探头技术，可用于采集地铁站拥堵点的原始客流数据；其次，设计了基于深度学习的卷积神经网络客流识别算法，用于估计台站的P0流量；然后，由于视频图像识别算法存在误差，又设计了WiFi探头数据采集方案，并建立了WiFi数据处理的SQL预处理组件，对WiFi探针的噪声进行预处理，得到基于WiFi探针的P5流量，再定义P0和P5之间的差异，并计算P0和P5之间的差异程度，从而得到最终的客流P6；最后以上海地铁9号线松江大学堂站为实验分析对象，现场设置高清摄像头和WiFi探头，同步采集客流视频数据和WiFi数据，从而对车站内部位置的实时客流进行估计，并对其精度进行修正，同时得到车站位置的客流预警，提出了基于客流预警等级的应急预案，并绘制了松江大学堂站内客流密度流程图。该设备平台的搭建和客流识别与修正方法具有较好的实际指导意义，以确保地铁安全运行。
copy;2018，Elsevier Inc.出版
1.导言
近年来，轨道交通高速发展，旅客数量急剧增加[6]。聚集程度高，高峰期旅客间相互拥挤，成为车站的重大安全隐患。如果不及早进行预判和采取措施，客流将通过进站通道反馈到站厅和闸机，这将影响车站的工作效率，甚至产生严重问题或其他安全事故。
智能车站的建设是近年来的新思路。这一思路可以将客流状况、交通组织运输和客运方案，实现全站多源数据的实时交互，全线全网[14]。智能车站的首要任务是实现对车站客流的实时识别。轨道交通客流面临着环境光照等多种因素的干扰。面部表情、背景混淆、图像质量、遮挡等。如果图像中存在噪声、背景和目标特征，则部分目标被遮挡。为了提高人脸识别的准确率，需要设计相关的算法来减少干扰。
本文是TIUSM特刊的一部分。
电子邮箱:201510101991@mail.scut.edu.cn（H.Xu）。
随着轨道交通网络化趋势的持续增加，车站客流的集中性越来越明显，一旦乘客通过闸机，客流就会从四面八方涌向车站。
但车站不同区域的客流情况无法准确获取或监测，这为一些客流量较大的车站埋下了隐患。
目前，地铁运营方的客流识别方式有两类:
(1)通过读取车站闸机5分钟的客流数据，可以估算出整个车站的客流情况，但误差较大，无法了解站点各部分的客流聚集程度。特别是在大型转运站，风险系数较高；(2)根据车站固定摄像头的摄录视频的主观观察判断来估算客流。监控室受早期摄像机布局位置的影响更为明显，这与监控者的主观意识和经验密切相关。
为了准确获取客流的集中程度，需要准确获取各个关键地点的客流情况。本文设计了一种用于客流预测的识别设备，集成了数据采集硬件和算法软件，从视频图像识别的采集，运用深度学习的最新研究成果，对客流进行识别，并利用WiFi探针设备对视频传输流量的误差进行校正，从而监测特大城市早晚高峰时段和地铁车站关键位置的客流情况，减少了站内突发事件和运行间隔，降低了突发事件。
2.文献综述
在国外，智能视频监控系统的研究起步较早。近年来，国内对公共安全的需求空前高涨，而安防监控系统的效益也成为人们关注的焦点。实时监控、快速反应，最大限度地及时预防危险事件的发生。地铁客流视频有其自身的特点:背景相对静止，摄像机相对固定。且客流较为密集。
为了适应站内研究对象的进出运动变化、ESCA-LATOR的周期性运动、开关闸机变化、指示灯等光线的变化，需要研究基于图像背景更新机制的客流识别。然而，视频识别也会产生误差，在这种情况下，需要使用WiFi信号检测和数据处理来纠正过往的流量数据。
目前，视频识别客流、通过WiFi信号修改客流数据的研究主要涉及以下几个方面:
2.1.基于视频图像的运动目标识别
近年来，国内外学者对视频图像中的运动目标检测进行了研究。常用的运动目标检测方法有:光流场法、帧差法、背景差分法和统计学习方法。
Meyer等人[8]提出了一种基于计算机位移矢量光流场初始化的轮廓跟踪算法，可以有效地提取和跟踪运动目标。Sasa等人[12]提出了一种简单静止背景下基于光流运动信息的目标分割方法。Zhang等人[15]研究了光流合并技术。
在复杂运动背景下采用场分割和Canny边缘算子，采集运动目标的局部特征，然后根据算法计算出运动目标的完整轮廓。
这类算法的优点是，即使目标的某一部分被遮挡，只要有一部分特征能被看到，跟踪任务就可以完成了。难点在于如何针对移动目标确定其独有的特征集，如果特征过多，会降低系统效率，容易产生误差。这些方法虽然能够检测出运动过程中独立运动的目标，该算法需要遍历所有帧的所有像素，计算量大，算法复杂耗时。该算法的噪声敏感性和抗噪性能较差，并对光流场算法进行了大量的改进研究，应用领域进一步扩大。
在背景差异识别中，Stauffer和Grimso[13]建立了自适应混合高斯背景模型，并通过在线估计更新模型，以应对光照变化和背景混合运动干扰的影响。基于统计学习的方法是国际上在客运量估算方面的新研究成果，不需要时间机制的参与。它可以实现人脸、文本、运动跟踪、车辆聚集等检测任务。在运动目标检测的应用中，Okuma等人提出了一种新的运动目标检测方法，[11]通过该系统采用混合粒子滤波和组合方法训练分类器，实现对目标的检测和跟踪。
一般来说，这种方法检测出的运动目标较为准确。但由于视频中运动的复杂性和差异性，基于统计和学习的方法很难用统一的概率分布模型来描述不同的运动，但是像素群要用学习的方法遍历图像的所有位置，会造成训练样本过大，计算复杂，计算量大，一般情况下不适合实时处理。
2.2.WiFi客流监测
利用Musa[10]等道路周围的无线热点作为监测器，跟踪道路上车辆发送的WiFi检测包，并利用隐式马尔可夫模型估计车辆运行轨迹。实验结果表明，利用WiFi进行车辆轨迹检测是可行的。Lu[7]首先利用WiFi指纹识别算法对车辆进行定位，然后利用粒子滤波对车辆进行跟踪。
Marcus Handte[5]在马德里公交车上安装WiFi数据包捕获工具，对乘客的WiFi检测数据包进行捕获，然后上传到服务器，对公交乘客信息进行分析预测，通过网络将信息传递给乘客作为反馈。Mik-Kelsen等人[9]介绍了公交车采集乘客WiFi无线检测数据系统的组成和构建，并对公交车上采集到的WiFi检测数据包的处理方法进行了研究。对WiFi的研究主要从检测数据的单一维度进行，因此在精度测试方面没有合理的验证方案。
综上所述，目前对人流密集场所的客流监测主要依靠经验决策，而一些辅助设备，如红外探测、视频识别、计数器等仅从单一角度获取，难免存在误差。在用于监控或决策时，具有很大的安全隐患。因此需要探索融合多种方法和技术手段的新技术。
如果能将视频识别与WiFi信号探头技术相结合，合理设置客流识别方案，就能获得较为准确的轨道交通站内实时客流情况，从视频和WiFi探头两个角度，深入研究地铁站内客流精细化识别方案。
3.基于位置的地铁车站客流识别算法
目前基于视频识别的产品准确率不高，通常是根据视频的运动特征进行跟踪识别，统计客流，且客流流失率严重，覆盖面不广。如图1所示，当客流密度较低时，识别率较高，基本可以覆盖闸机前的所有乘客。当客流密度较大时，如图6所示，2、客流是相对静态的，在这种情况下会丢失更多的客流数据。
3.1.乘客位置交通识别硬件体系结构设计
考虑到地铁车站位置和布局的特殊性，构建了如图3所示的硬件架构，主要由3个模块组成:乘客终端模块、带视频采集和WiFi探头的树莓派主机、云数据处理服务器模块。
乘客携带WiFi手机或其他移动设备进入地铁站时，在位于车站入口、扶梯、站台等关键位置时可以自动采集乘客移动设备的MAC地址、信号强度、检测时间等并与树莓派连接的摄像头可以实时拍摄现场视频，树莓派执行预先设计的内置算法，视频图像识别与采集到的WiFi数据相结合，对车站局部拥挤点进行处理。
树莓派采集的数据传输到云端服务器，经过数据处理和客流识别，可以实现全站的客流监控，将可视化结果实时传输至地铁工作人员终端或微信、博客等设备，对车站大客流的实时监控、预警和信息发布为智能站建设奠定了基础。
图1.旅客登机口的标识
图2.自动扶梯的识别
3.2.客流视频预处理
在对运动目标进行检测时，需要考虑检测的准确性和实时性。对采集到的图像帧的图像序列进行预处理，图像预处理主要进行图像灰度化处理和降噪处理。
在此阶段，采用中值滤波算法处理从一维信号处理到二维图像平滑的过程。它是一种基于分类统计理论的方法，对干扰脉冲和光斑噪声有很好的抑制效果。而且，在图像的边缘能很好地保持非线性增强效果。要在滑动窗口中对颜色数据进行排序，如果有噪声数据，则将噪声数据放置在数据的边缘、左侧或右侧。那么中间位置的值就不可能是噪声，从而达到抑制噪声的目的，其定义如EQ所示。(1):
其中，G（x,y）为像素X处的灰度值；中值滤波后y为f(x-i,y-j) ；y为像素X处的灰度值； 波前为Y，其中S为滑动窗口。只有对视频数据进行去噪处理后，才能用于客流识别。
3.3.基于深度卷积神经网络的客流识别算法构建
深度卷积神经网络是一种模仿人类视神经系统的信息处理系统，通过输入传递到下一层生物信号流，随着生物信号流的不断传播，表达的形式越来越抽象，最终达到了抽象表达的最高水平。人类的认知过程就是一个深层模型的建构过程。
不同乘客的脸部图像有不同的特点，复杂多变这是最大的挑战。利用深度学习理论构建的深度模型能够有效表达复杂的客观事物，并利用深度学习算法对3.2段视频预处理后的客流识别进行建模，利用深度学习模型识别地铁视频中的客流量。
云端
终端设备
WIFI
手机端equipments
图3. 信息采集的硬件结构图
采用基于深度学习训练的卷积神经网络对采集到的视频流量进行计算。通过卷积运算，可以增强原始识别特征，降低噪声。计算过程如图4所示。
由于单一模型只提取视频图像的部分判别信息，容易造成部分判别信息丢失。因此，提出了一种基于二阶池和超完全表示的客流识别方法，克服了二阶池卷积神经网络的缺点，改进了传统的池层，提高了模型的学习能力。
首先，通过若干层的卷积层和池层将原始视频和图像转换成特征图。然后将特征图分解为一组局部特征，通过计算每个局部特征的外积得到相应的结果矩阵。最后将操作的结果用作平均最大池层的输入，使得传统池层能够挖掘输入特征的二阶统计
剩余内容已隐藏，支付完成后下载完整资料
英语译文共 17 页，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[414387]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
