三級可容錯狀態(tài)匹配的閘機(jī)通行邏輯算法設(shè)計(jì)

孔曉健 陳祥獻(xiàn) 張 寧

(1.中國科學(xué)院上海技術(shù)物理研究所,200083,上海; 2.浙江大學(xué)生物醫(yī)工程與儀器科學(xué)工程學(xué)院，310027，杭州;3.浙江眾合機(jī)電股份有限公司,310052,杭州∥第一作者，研究實(shí)習(xí)員)

?

三級可容錯狀態(tài)匹配的閘機(jī)通行邏輯算法設(shè)計(jì)

孔曉健1陳祥獻(xiàn)2張 寧3

(1.中國科學(xué)院上海技術(shù)物理研究所,200083,上海; 2.浙江大學(xué)生物醫(yī)工程與儀器科學(xué)工程學(xué)院，310027，杭州;3.浙江眾合機(jī)電股份有限公司,310052,杭州∥第一作者，研究實(shí)習(xí)員)

針對閘機(jī)系統(tǒng)的現(xiàn)狀以及選取的硬件基礎(chǔ),基于全局全過程的設(shè)想,以狀態(tài)轉(zhuǎn)換為聯(lián)系，構(gòu)建“傳感器狀態(tài)”、“獨(dú)立狀態(tài)”、“組合狀態(tài)”的三級閘機(jī)通行邏輯算法模型。通過分區(qū)進(jìn)行模式抽象,繼而采用模式匹配的方式初步判斷模式狀態(tài),憑借“容錯函數(shù)”冗余行為的動態(tài)性,再次判斷目標(biāo)對象種類并進(jìn)行目標(biāo)的識別,實(shí)現(xiàn)閘機(jī)通道內(nèi)運(yùn)行的邏輯判斷。選取較為常見的正常成年人的通行特征,進(jìn)行算法的程序驗(yàn)證,初步論證本算法具有一定的正確性和可靠性。

地鐵; 閘機(jī)系統(tǒng); 人體識別; 傳感器; 容錯函數(shù)

First-author′s address Shanghai Institute of Technical Physics, Chinese Academy of Sciences,200083,Shanghai,China

閘機(jī)是自動售檢票系統(tǒng)的關(guān)鍵設(shè)備,它利用內(nèi)部智能識別系統(tǒng)進(jìn)行通行邏輯分析識別。這正是閘機(jī)設(shè)計(jì)和開發(fā)的核心。而乘客通行情況的復(fù)雜性使得如何快速、準(zhǔn)確地進(jìn)行乘客進(jìn)出站的識別方法是當(dāng)前面臨的難題。

從20世紀(jì)70年代起,多家國外公司都開始著手研發(fā)能有效適用于城市軌道交通的閘機(jī)智能識別系統(tǒng),我國在90年代開始進(jìn)行嘗試性研究[1]。以分解物體運(yùn)動活動為動作、行為和事件為主要理論基礎(chǔ)判斷運(yùn)動個體的事件識別技術(shù)[2]成為主流的方法,形成知識庫和判別法則[3]。此方法能識別大部分情況,但因識別單元基于運(yùn)動個體,還不能檢測多個物體情況,也不能區(qū)分人和類人物體?；赬YT模型[4]通過步態(tài)模式[5]捕捉的壓分與識別能彌補(bǔ)該方法的部分缺陷,根據(jù)特征分辨出人和類人物體,但仍無法區(qū)分間隔很近的多個個體。

1 算法概述

分析、對比各種技術(shù)現(xiàn)狀,限于成本等因素制約,現(xiàn)有閘機(jī)仍以傳感器對射信號遮擋為主導(dǎo)識別輸入,如浙江眾合機(jī)電股份有限公司采用的由瑞典固力保公司設(shè)計(jì)的剪式閘門(已應(yīng)用于杭州地鐵1號線)可雙向通行,其傳感器分布如圖1所示。

圖1 傳感器在閘機(jī)外殼上的位置布局及分區(qū)示意圖

本設(shè)計(jì)將針對這16元傳感器信號進(jìn)行分區(qū)分析形成五部分區(qū)域,進(jìn)而分級分析抽取“傳感器狀態(tài)”、“單獨(dú)狀態(tài)”和“組合狀態(tài)”模式,與模式庫內(nèi)進(jìn)行匹配分析,初步判斷當(dāng)前可能的模式狀態(tài)。繼而通過相匹配的“容錯函數(shù)”冗余運(yùn)動體的運(yùn)動狀態(tài)匹配計(jì)算符合度,再次判斷準(zhǔn)確的運(yùn)動狀態(tài)。本算法在驗(yàn)證過程中,基于仿真各種可能經(jīng)常發(fā)生的情況,初步建立了各種模式狀態(tài)及相對應(yīng)的“容錯函數(shù)”的模式庫。

2 分級全過程

基于文獻(xiàn)[6]提出的動作、行為和事件理論思想,本算法類比刻畫了基于“傳感器狀態(tài)”、“單獨(dú)狀態(tài)”和“組合狀態(tài)”三級狀態(tài)的運(yùn)動過程模式。本模式既有層次階梯式性,又相互關(guān)聯(lián)一體,即使在最高級“組合狀態(tài)”判斷時仍需評估初級“傳感器狀態(tài)”的匹配性。另外,又寓時間參數(shù)于運(yùn)動模式過程中,形成如狀態(tài)機(jī)的變換卻又有時鐘計(jì)數(shù)。

2.1 傳感器狀態(tài)

設(shè)定最基本狀態(tài)為“傳感器狀態(tài)”,即當(dāng)前t時刻16元傳感器的狀態(tài)向量x(t)=[x1,x2,…,x16],其中xi表示每一對傳感器信息量1或0。在分區(qū)分析過程中,對“傳感器狀態(tài)”做適應(yīng)性調(diào)整,只關(guān)注當(dāng)前區(qū)域中傳感器的狀態(tài)x(t)=[xi,xj,…,xk]。因其隨時間改變,若出現(xiàn)“全零狀態(tài)”時,不單獨(dú)考慮,需分析之前最近時刻的“非零狀態(tài)”。

2.2 單獨(dú)狀態(tài)

設(shè)定由幾種具有一定變化規(guī)律的“傳感器狀態(tài)”形成、可以用來簡單判斷當(dāng)前閘機(jī)內(nèi)部運(yùn)動體情況的狀態(tài)系列為“單獨(dú)狀態(tài)”,如圖2所示。為提高準(zhǔn)確度,以某一標(biāo)識符表示該“單獨(dú)狀態(tài)”完成的程度?！皢为?dú)狀態(tài)”具有以下特征:

圖2 “單獨(dú)狀態(tài)”示例

(1) 并非單獨(dú)時刻點(diǎn),時間上具有連續(xù)性,由有限等周期間隔的離散化傳感器狀態(tài)構(gòu)成;

(2) 形成的整體序列應(yīng)該可以被簡單化分類,由有限個傳感器狀態(tài)(如下以某數(shù)值表示這一狀態(tài)持續(xù)時間長度)的變化來表示;

(3) 能夠表示在閘機(jī)通道內(nèi)物體特有的種類、位置及運(yùn)動可能趨勢。

2.3 組合狀態(tài)

將被考察時間段內(nèi)所有“單獨(dú)狀態(tài)”的變換系列稱之為“組合狀態(tài)”。如圖3所示,這五個“單獨(dú)狀態(tài)”形成一個類似狀態(tài)轉(zhuǎn)化圖序列完成了整個“組合狀態(tài)”——成人正常通過閘機(jī)。

除以上正常過程狀態(tài)外,還可考慮以下情況:

圖3 “組合狀態(tài)”示例

(1) 目標(biāo)入侵——已辨認(rèn)一個目標(biāo)位置后又確認(rèn)其他目標(biāo)從另一側(cè)進(jìn)入;

(2) 目標(biāo)丟失——目標(biāo)從通道內(nèi)突然消失,無任何信號(全零狀態(tài));

(3) 目標(biāo)止步不前——目標(biāo)停止前進(jìn),信號持續(xù)維持原樣。

以上特殊狀況可通過比對當(dāng)前及之前一段時間內(nèi)傳感器狀態(tài),較容易進(jìn)行識別,且日常生活中發(fā)生可能性較低,此處暫不做討論。

3 模式匹配

眾所周知,人體等目標(biāo)在行走過程中,雖可抽象出大體上具備的步態(tài)等人體特征,但仍有小部分運(yùn)動過程具有隨意性。前文所述的分區(qū)分級三級模式旨在刻畫運(yùn)動體在通過閘機(jī)過程中的固有運(yùn)動狀態(tài)屬性,刻畫的是相似情況下的大體運(yùn)動輪廓。而本節(jié)將論述的“容錯函數(shù)”在于刻畫目標(biāo)運(yùn)動的隨機(jī)性,主要用于消除在運(yùn)動體通過閘機(jī)過程中固有運(yùn)動狀態(tài)的不確定性。它能夠在標(biāo)準(zhǔn)的框架模型下,實(shí)現(xiàn)一定的冗余,更加準(zhǔn)確地對運(yùn)動過程的細(xì)節(jié)加以復(fù)原。

3.1 目標(biāo)分類

本文認(rèn)為目標(biāo)可以分解成為成人(男、女)、小孩、包、箱等元素。同一時間段若能辨認(rèn)多種物體運(yùn)動狀態(tài),則可判定為多物體運(yùn)動。但這些目標(biāo)應(yīng)非交叉粘連狀,即可完整被分割成近似完整的多個部分,這些部分的重疊部分應(yīng)很小因而可基本忽略不計(jì)。如人拉行李箱時可完全將人的運(yùn)動和箱子的運(yùn)動分解成兩部分,只有手拉著箱子的這一小部分是重疊的。故下文中將直接選取單一部分簡化處理。

3.2 容錯判斷

模擬通行過程,改變通過閘機(jī)的時間等變量繪制如圖4的成年人正向、逆向通過閘機(jī)通道16對傳感器遮擋情況的概率-時間圖,對比曲線可知:正逆向過程整體信號變化趨勢相同,相應(yīng)的每對信號波動變化情況恰好相反。

本文提出引入單位周期內(nèi)某特定單獨(dú)狀態(tài)單一傳感器的時刻容錯率函數(shù)(簡稱“容錯函數(shù)”),即當(dāng)前“單獨(dú)狀態(tài)”、單位周期內(nèi)某一時刻下某一傳感器發(fā)生不符合模式的遮擋情況時,此時系統(tǒng)是否判定發(fā)生錯誤的要求程度,從100%至0表示一定判錯的嚴(yán)重程度。“容錯函數(shù)”從概率分布的角度表達(dá)出這些隨機(jī)性因素對模式匹配判斷過程帶來的影響程度。在容錯判斷中的核心,正是通過采用容錯率來消除不匹配度的影響來輔佐再次判斷的正確性。

圖4 正常成年人正向、逆向通過閘機(jī)16對傳感器信號狀況

3.3 分區(qū)實(shí)現(xiàn)

根據(jù)正常行進(jìn)過程,結(jié)合疊加性與近似的對稱性考慮,將閘機(jī)組成的通道分成如圖1五個區(qū)域以方便進(jìn)行狀態(tài)提取。以區(qū)域1分析為示例,其他區(qū)域類似。區(qū)域1包含第1-3號傳感器,繪制圖像發(fā)現(xiàn)兩者的“單獨(dú)狀態(tài)”幾乎一致:

001(0.157)→011(0.215)→111(0.256)→110(0.194)→100(0.178);

001(0.172)→011(0.211)→111(0.234)→110(0.189)→100(0.194)。

但是,每一對傳感器所對應(yīng)的信號曲線則有明顯的差異(如圖5所示),對已處理獲得概率-時間圖做一次函數(shù)擬合,得到相應(yīng)的容錯函數(shù)。考慮其復(fù)雜性和必要性的關(guān)系,容錯函數(shù)可分段擬合及增加擬合多項(xiàng)式次數(shù)。正向的第1號傳感器容錯函數(shù)可寫為:

圖5 正常成年人正向、逆向通過閘機(jī)區(qū)域時傳感器信號狀況

3.4 補(bǔ)充修正

在建模過程中,發(fā)現(xiàn)實(shí)現(xiàn)容錯函數(shù)的應(yīng)用需預(yù)估“單獨(dú)狀態(tài)”的周期長度。根據(jù)各傳感器曲線的特點(diǎn),現(xiàn)采用其第一次和最后一次傳感器遮擋發(fā)生變化的時刻作為曲線的定型點(diǎn),進(jìn)而復(fù)原整個周期曲線。但因人體行進(jìn)的隨意性,這些點(diǎn)也具有一定的隨意性。

以第2號傳感器第一次遮擋情況為例(見圖6)。分采樣周期為10 ms、20 ms兩組,以第一次出現(xiàn)遮擋情況的時刻為橫坐標(biāo),以頻率為縱坐標(biāo),統(tǒng)計(jì)足夠多的數(shù)據(jù),做最簡單的處理,即取整個曲線的峰值對應(yīng)的數(shù)值作為參考點(diǎn)。若有可能再進(jìn)一步修正,可以選取一部分區(qū)域作為參考點(diǎn)區(qū)域,則可以減少誤差。同樣方法對所有傳感器進(jìn)行數(shù)據(jù)統(tǒng)計(jì)采集和處理,得到一系列的定型點(diǎn)。

圖6 第2號傳感器第一次出現(xiàn)遮擋的時刻分布

4 算法驗(yàn)證

通過已有的閘機(jī)仿真測試系統(tǒng),模擬多種情況(不同運(yùn)動個體,不同運(yùn)動速度等),按照如上算法的描述建立匹配的模式庫。初步建立正常成年男人行走的不同模式狀態(tài)及相應(yīng)的“容錯函數(shù)”,并在驗(yàn)證算法的程序中嵌入。

根據(jù)已有閘機(jī)系統(tǒng),獲得幾組測試信號數(shù)據(jù)并以文本文件的格式存儲在計(jì)算機(jī)中。通過導(dǎo)入測試文本給出相應(yīng)結(jié)果的方式進(jìn)行驗(yàn)證,主要分為以下兩類情況:

(1) 根據(jù)正常成年人通過閘機(jī)的不同階段分別選取了八組進(jìn)行過程的信號。如圖7所示的最后輸出結(jié)論與事實(shí)相吻合:①均識別出了這是正常成年人;②根據(jù)實(shí)際的行走過程給出了相應(yīng)的位置情況。

圖7 相同目標(biāo)不同狀態(tài)識別組圖(以進(jìn)入順序?yàn)樾蛄?

(2) 如圖8所示,分別選取了正常成年人正向通過閘機(jī)、正常成年人逆向通過閘機(jī)、兒童正向通過閘機(jī)。三組信號最后的輸出結(jié)論與事實(shí)相吻合:①前兩者識別出了這是正常成年人,后者由于是兒童而非正常成年人,得到的是暫無法識別目標(biāo);②繼而由于不符合行走模式,做出了錯誤判斷,而對于符合模式的第一、二種情況,得到了通行結(jié)束的結(jié)論。

圖8 不同目標(biāo)識別組圖(分別為:正常成年人正向、逆向、小孩)

根據(jù)這兩類情況的測試,可以進(jìn)一步確定該算法模型的正確性,但仍需進(jìn)一步完善眾多細(xì)節(jié)。

5 結(jié)語

針對現(xiàn)狀及選取的閘機(jī)系統(tǒng)硬件基礎(chǔ),本文提出了一種新的識別方法。本方法兼顧在閘機(jī)通過時運(yùn)動狀態(tài)的確定性和隨機(jī)性。首先,類比優(yōu)化提出了三級狀態(tài)的運(yùn)動模式,匹配還原運(yùn)動的大致輪廓,判斷模式狀態(tài)。其次,創(chuàng)新性地引入“容錯函數(shù)”，冗余不同運(yùn)動狀態(tài)下模式匹配中的波動性,修正了判斷的錯誤率,再次判斷獲得目標(biāo)的種類和所處的狀態(tài)。通過測試,該算法模型具有一定正確性。

但在本模式匹配中,模式是預(yù)先定義和獲得的,具有局限性,事先須明確目標(biāo)分類和通道分布等。另外,在模式匹配過程中,如何對整體模式復(fù)原還需要進(jìn)一步探究。本文提出的容錯函數(shù),是出于對匹配過程中的匹配程度的考慮,具有一定影響意義,但在實(shí)際應(yīng)用過程中,發(fā)現(xiàn)仍可以對容錯函數(shù)的分段周期做靈活的變換。此外,在此基礎(chǔ)上著重考慮如何對離散點(diǎn)與已知曲線的擬合,這或許將是提高閘機(jī)智能識別系統(tǒng)正確率的一個方法。

[1] 趙靖.軌道交通閘機(jī)智能識別系統(tǒng)硬件平臺和控制程序的研制[D].天津：天津大學(xué),2006.

[2] 曲日,鮑彥如,任長明，等.城市軌道交通中閘機(jī)事件識別技術(shù)[J].中國鐵道科學(xué),2006,27(4):112.

[3] 李建省,張美鳳.地鐵閘機(jī)控制系統(tǒng)中人體識別技術(shù)的研究與應(yīng)用[J].電氣傳動自動化,2008,30(1):22.

[4] SOURABH A N.Analyzing and Recognizing Walking Figures in XYT[C]∥IEEE Computer Vision and Pattern Recognition.Seattlw:IEEE;1994:469-474.

[5] 孫佳.一種基于離散時空模型的步態(tài)識別方法[D].天津：天津大學(xué),2007.

[6] POLANA R,NELSON,R,Detecting activities[C]∥IEEE Computer Vision and Pattern Recongnition.NewYork：IEEE,1993:2-7.

Logic Algorithm Design of Automatic Ticket Machine with Three Levels of Fault-tolerant StateKONG Xiaojian, CHEN Xiangxian, ZHANG Ning

In view of the present situation of the automatic ticket machine and the adopted hardware, a logic algorithm model of three-level gate access is built based on full-process state conversion, including “state of sensor”,“state of independence” and “state of combination”.Partition of the abstract model is the first step, followed by the use of pattern matching to determine the possible state pattern. Based on the dynamic function of fault-tolerant redundancy, different kinds of objects are classifiedand their targets recognized.In such a way, the logic judgment of operation in the machine channel could be made. The common features of normal adults are selected, through program verification, the algorithm is proved to be correct and reliable.

metro; automatic ticket machine system; human identification; sensor; fault-tolerant function

U 293.22

10.16037/j.1007-869x.2016.05.006

2014-07-09)