鐵路車站旅客密度自適應(yīng)場景 估計與應(yīng)用研究

李 瑞，李 平，王萬齊，代明睿

（1.中國鐵道科學(xué)研究院 研究生部，北京 100081；2.中國鐵道科學(xué)研究院集團(tuán)有限公司 電子計算 技術(shù)研究所，北京 100081）

鐵路車站是旅客運輸?shù)幕鶎咏M織單位，承擔(dān)著旅客運輸過程中乘降、中轉(zhuǎn)、疏導(dǎo)等旅客運輸業(yè)務(wù)，是城市中旅客集散、疏導(dǎo)的重要場所。特別是在節(jié)假日時期，大量旅客在車站售票廳、候車室、出站口很容易形成高密度人群聚集效應(yīng)，因此鐵路車站一直將旅客人群密度的管理疏散作為旅客服務(wù)管理中的一項重要工作內(nèi)容[1]。目前，全國大多數(shù)鐵路車站在人流密集區(qū)域都安裝有大量攝像頭，通過統(tǒng)計視頻區(qū)域范圍內(nèi)客流量和人群密度，輔助旅客組織管理工作。精準(zhǔn)地掌握區(qū)域范圍內(nèi)人群密度，無論是對旅客的站內(nèi)服務(wù)組織管理，還是針對疫情下的防控疏導(dǎo)，都具有十分重要的意義。同時，在旅客服務(wù)應(yīng)急管理過程中，車站針對多種突發(fā)性事件都做了充分的預(yù)案，通過旅客視頻人群密度分析技術(shù)，可以深度挖掘應(yīng)急場景中的視頻監(jiān)控信息，為車站應(yīng)急管理提供數(shù)據(jù)支撐，提升車站突發(fā)性事件場景下的應(yīng)急處置效率。

1 車站旅客人群密度估計場景和技術(shù)需求分析

1.1 車站旅客視頻場景需求分析

車站作為旅客集購票、安檢、候車、換乘于一體的公共服務(wù)空間，人群聚集效應(yīng)明顯，特別是在周末、小長假、春節(jié)等節(jié)假日或是遇到突發(fā)情況時期，車站人流量急劇攀升，很容易形成高密度人群聚集區(qū)，給站內(nèi)運營組織管理和旅客服務(wù)管理提出了很高的要求[2]。鐵路車站的人群密度由于旅客候車、乘降過程中的聚集方式，以及特有的密度分布特點，對現(xiàn)有視頻分析算法提出了較大的挑戰(zhàn)。

（1）旅客密度分布特點。①旅客人群分布不均勻。對于臨近發(fā)車時間的候車區(qū)域，由于大量乘車旅客的聚集，在檢票口附近人群密度高度集中，通常呈現(xiàn)出以檢票口為中心，聚集密度向外逐步減弱的高聚類屬性；對于距發(fā)車時間較長或暫無開行計劃的候車區(qū)域，旅客為尋求候車的舒適性和私密性，往往呈現(xiàn)均勻分布的特點，人群密度呈現(xiàn)出稀疏態(tài)勢。由于車站列車的頻繁到達(dá)與發(fā)車，不同候車區(qū)隨著列車接發(fā)工作和旅客候車乘降過程，呈現(xiàn)出人群密度分布不均勻且動態(tài)變化的特點。 ②旅客人群遮擋問題嚴(yán)重。旅客在站內(nèi)由于聚集效應(yīng)會造成較為嚴(yán)重的遮擋，造成人群密度估計困難[3]，可分為靜態(tài)遮擋和動態(tài)遮擋。靜態(tài)遮擋主要為旅客受座椅遮擋、大件行李箱遮擋，以及旅客依偎、摟抱等姿態(tài)形成的人體遮擋。動態(tài)遮擋指旅客在站內(nèi)活動造成的人體遮擋，主要包括進(jìn)站、檢票、購物等過程中旅客群體間發(fā)生的人體遮擋。

（2）旅客人群視頻圖像難點分析。由于車站本身的功能區(qū)域豐富多樣，車站內(nèi)布設(shè)了大量的攝像頭，旅客視頻圖像具有背景復(fù)雜、光線變化、尺寸不一的特點。在對旅客人群密度估計過程中，需要滿足各個視角環(huán)境下的估計需求，視頻圖像的相關(guān)因素都會制約旅客人群密度估計的性能。①圖像背景復(fù)雜的影響。鐵路車站站房結(jié)構(gòu)龐大，站內(nèi)場景復(fù)雜多樣，除了主要的檢票區(qū)域和候車區(qū)域，還分布有大量商鋪、巨型廣告牌、站內(nèi)引導(dǎo)牌、列車時刻表大屏等設(shè)施。在視頻圖像前景與背景分離過程中，前景為靜坐和走動的旅客，而背景包括廣告牌、商鋪、座椅、指示牌、閘機(jī)等其它容易形成遮擋的設(shè)施[4]。由于站內(nèi)背景圖像復(fù)雜，因此對前景人像的識別和分離形成了較大的挑戰(zhàn)。②光線變化的影響。鐵路車站站房寬敞宏大，為保證采光充足，通常會通過寬大的落地窗引入自然光。這造成逆光安裝的攝像頭局部光線太強(qiáng)，加大了視頻圖像的識別難度。另外，地面反光也會造成視頻圖像呈現(xiàn)逆光、過度曝光效果，影響對旅客人群密度的識別估計。③旅客圖像尺寸不一的影響。在攝像頭視角下，由于旅客人群與攝像機(jī)的距離不同，造成人群在視頻圖像中的尺寸大小不一的問題，這對人群密度估計方法也提出了一定挑戰(zhàn)。

1.2 基于旅客人群密度的技術(shù)分析

傳統(tǒng)基于視頻圖像分析的人群密度算法主要有基于檢測、回歸、非線性密度估計的方法。早期基于檢測的方法主要是采用“滑窗”原理[5]，對視頻圖像進(jìn)行逐幀的掃描分析，并且人群密度特征的提取需要人工方式來完成，工作量大，檢測效率低。為了解決遮擋和背景雜亂的問題，P.Viola等[6]采用回歸的方法，對局部圖像提取特征圖及其計數(shù)過程建立了一種映射，通過線性回歸或高斯混合回歸方式進(jìn)行識別估計，雖然能夠解決畫面阻塞和背景雜亂的問題，但是由于特征提取不全面降低了模型的精度。近年來基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）在識別和分類任務(wù)上的成功，啟發(fā)了研究人員通過使用CNN來實現(xiàn)人群計數(shù)和密度估計。Walach等[7]提出了多層次訓(xùn)練的CNN方法。Zhang等[8]提出了一種不同尺寸特征提取的多列網(wǎng)絡(luò)結(jié)構(gòu)，通過不同支路對圖像中不同尺寸的人群進(jìn)行識別，提高了圖像中人群密度估計準(zhǔn)確性。

基于深度卷積神經(jīng)網(wǎng)絡(luò)算法模型，針對鐵路車站旅客人群密度分布特點和旅客視頻圖像分析難點，構(gòu)建出一種基于車站不同旅客密度分布場景下的自適應(yīng)密度估計模型（ASCCNet， Adaptive Scenario Crowd Counting Network）。該模型以預(yù)訓(xùn)練模型—可視化深度卷積模型（VGG16）作為骨干基礎(chǔ)網(wǎng)絡(luò)，用于前端輸入圖像的特征提取，在此基礎(chǔ)上構(gòu)建2條平行分支，分別對人群密集場景和稀疏場景進(jìn)行處理，并給出相應(yīng)的權(quán)重，然后通過第3條分支對前2個分支進(jìn)行權(quán)重線性組合處理，綜合計算出對場景密度的感知權(quán)重，從而提高整個網(wǎng)絡(luò)的密度統(tǒng)計精度。其中采用注意力機(jī)制和空洞卷積操作實現(xiàn)對目標(biāo)特征圖像的重點關(guān)注，實現(xiàn)在背景復(fù)雜多樣的車站視頻圖像中快速、精準(zhǔn)地定位到人群目標(biāo)，保證人群密度估計的準(zhǔn)確性。

2 自適應(yīng)場景人群密度估計網(wǎng)絡(luò)（ASCCNet）模型網(wǎng)絡(luò)構(gòu)建

2.1 注意力機(jī)制模塊

針對車站旅客人群密度分布特點和場景的復(fù)雜性，構(gòu)建的模型需要對不同站內(nèi)環(huán)境下不同的旅客人群分布狀況具有足夠的魯棒性，即在不同的場景下都能夠準(zhǔn)確地將旅客人群的特征信息進(jìn)行識別提取和估計。由于不同場景下的圖像特征在進(jìn)行深度卷積操作后所表示的語義信息不同，不同人群密度狀況下所提取的語義相似性不同且特征明顯。旅客在站內(nèi)的人群密度分布情況往往與實際的候車、檢票等實際狀態(tài)具有強(qiáng)相關(guān)性，針對旅客人群密度的分布特點，在模型構(gòu)建的過程中，引入注意力機(jī)制，在圖像特征提取過程中，將圖像中提取出的人群特征信息賦予較高的權(quán)重，同時抑制背景特征，降低背景信息對人群特征的干擾。

具體而言，通常的CNN模型是在卷積核的作用下對所有圖片信息進(jìn)行處理，而注意力機(jī)制是利用圖像中的重點處理信息來計算出網(wǎng)絡(luò)中各個神經(jīng)元的響應(yīng)，具體在圖像信息對應(yīng)的特征圖上，對每個像素點都給出相應(yīng)的權(quán)重，然后基于掩碼原理，將圖片數(shù)據(jù)中關(guān)鍵的特征標(biāo)識出來。在經(jīng)過大量標(biāo)注圖片的訓(xùn)練學(xué)習(xí)后，網(wǎng)絡(luò)可以學(xué)習(xí)到每一張圖片中需要關(guān)注的區(qū)域，從而實現(xiàn)對關(guān)鍵信息產(chǎn)生注意力的目的[9]。

實際的旅客密度估計過程中，在輸入圖像經(jīng)過深度卷積操作生成相應(yīng)的特征圖后，引入注意力模塊對各自特征圖中的密度人群與車站背景進(jìn)行語義分割提取，由于該模型中只對人群和背景進(jìn)行分割，因此可以看作一個二分類問題。注意力語義分割模塊示意圖如圖1所示。為實現(xiàn)二分類處理，對輸出的特征圖都設(shè)定為雙通道，一層指背景Fb，另一層指人群Fc；Wb，Wc為特征圖在經(jīng)過全局平均池化處理后，得到對應(yīng)特征圖的空間平均權(quán)重值，通過分類激活函數(shù)對整體特征圖進(jìn)行分類（背景和人群），得到背景、人群的置信度Pc和Pb，當(dāng)Pc= 1，表示該像素點為人群，當(dāng)Pb= 0，表示該像素點為背景。最后通過像素點積運算后融合為只顯示人群密度的特征圖。通過引入注意力機(jī)制，可以將模型注意力集中到有人群的區(qū)域，提升對不同噪音的抵抗能力，有助于提高模型密度估計的準(zhǔn)確性。

2.2 不同尺寸旅客圖像識別模塊

由于旅客在站內(nèi)分布的特點，視頻圖像中旅客影像尺寸大小不一，經(jīng)過傳統(tǒng)的卷積操作后，不同尺寸大小的旅客信息，在經(jīng)過深層的特征提取后，小尺寸的語義特征信息丟失較多，因此在常規(guī)的卷積和池化操作訓(xùn)練過程中，雖然能夠很好地控制過擬合，保持特征圖像的穩(wěn)定性，但由于造成空間信息的丟失，擴(kuò)大特征圖的損失，視頻圖像中小尺寸的旅客圖像往往不能被準(zhǔn)確識別，因而大大降低了人群密度的準(zhǔn)確程度。而反卷積操作可以減少信息丟失，能夠?qū)⑿〕叽绲穆每瓦M(jìn)行估計，但所增加的計算復(fù)雜度和時間開銷不能滿足所有的應(yīng)用場景。

針對小尺寸旅客圖像的估計，空洞卷積可以很好地彌補(bǔ)上述操作的缺陷，一方面通過使用稀疏卷積核替代池化和卷積操作，擴(kuò)大了特征圖像的感受野，可以有效地實現(xiàn)對人群的快速定位，另一方面空洞卷積的使用無需更多的參數(shù)?？斩淳矸e可以在不改變尺寸大小的情況下代替上采樣和下采樣過程，減少信息的損失。

2.3 自適應(yīng)場景人群密度估計模型網(wǎng)絡(luò)結(jié)構(gòu)

由于站內(nèi)環(huán)境的復(fù)雜和車站旅客人群密度的特點，傳統(tǒng)的深度學(xué)習(xí)網(wǎng)絡(luò)通常在稠密人群場景下可以取得很好的預(yù)測效果，但難以對稀疏人群場景下的人群密度進(jìn)行有效估計；而對于在稀疏場景下有很好表現(xiàn)的算法模型，難以準(zhǔn)確提取到稠密人群場景下的密度特征。該模型在構(gòu)建過程中除了引入注意力機(jī)制和多尺度的特征提取，還針對不同密度的場景進(jìn)行了自適應(yīng)操作，即引入自適應(yīng)權(quán)重模塊對人群的稀疏程度進(jìn)行識別，從而實現(xiàn)不同密度場景下人群密度的準(zhǔn)確估計。

ASCCNet以VGG16的前10層網(wǎng)絡(luò)作為基礎(chǔ)網(wǎng)絡(luò)架構(gòu)（backbone-VGG16），將輸入圖像提取出相應(yīng)的特征圖，在此基礎(chǔ)上設(shè)計了平行處理的3層網(wǎng)絡(luò)架構(gòu)，包括用于稠密人群密度估計的分支，用于稀疏人群密度估計的分支，以及基于權(quán)重的場景自適應(yīng)分支。ASCCNet模型網(wǎng)絡(luò)結(jié)構(gòu)圖如圖2所示。

（1）稠密人群密度估計分支。在經(jīng)過VGG16提取出的特征圖上，先對其進(jìn)行反卷積操作，以獲得更多的特征圖信息，然后經(jīng)過空洞卷積模塊處理，且空洞卷積率設(shè)為2，以增強(qiáng)對密集區(qū)域人群特征的信息提取，然后通過3次常規(guī)卷積操作，最后經(jīng)過注意力機(jī)制模塊對人群密集區(qū)域進(jìn)行聚焦，過濾掉復(fù)雜背景元素，以提高密度分析精度，完成對稠密人群密度的特征提取工作。

（2）稀疏人群密度估計分支。在初始特征圖上，首先經(jīng)過空洞卷積層（空洞卷積率設(shè)定為3），實現(xiàn)人群的快速定位和特征提取，然后在其基礎(chǔ)上進(jìn)行3次常規(guī)卷積操作，最后經(jīng)過注意力機(jī)制模塊處理，將密度人群和背景進(jìn)行分離，最后進(jìn)行密度估計，完成對稀疏人群密度的特征提取工作。

油菜黑脛病的病原、病害循環(huán)及其傳播危害……………………………………………… 宋培玲，吳 晶，史志丹，郝麗芬，皇甫海燕，燕孟嬌，皇甫九茹，賈曉清，李子欽（88）

（3）場景自適應(yīng)分支。場景自適應(yīng)分支的主要任務(wù)是通過動態(tài)權(quán)重變更來對上述2個分支的密度特征進(jìn)行融合處理，得出最終的人群密度圖結(jié)果。在經(jīng)過VGG16骨干網(wǎng)的特征提取后，先經(jīng)過一個全局平均池化操作（GAP），然后經(jīng)過2個全卷積層，將輸出結(jié)果作為初始化的特征權(quán)重ω，并且通過ω自動地對上述兩個分支的權(quán)重進(jìn)行動態(tài)調(diào)整，同時，通過公式（1）將權(quán)重值進(jìn)行正則化操作，將權(quán)重取值范圍確定在[0，1]之間。ω*為正則化的特征權(quán)重值，計算公式如下。

在每個卷積層后面引入了批量歸一化操作，因為批量訓(xùn)練和批量歸一化操作在訓(xùn)練過程中，能夠有效地保持模型的穩(wěn)定性，同時可以大大地加速損失收斂。

3 實驗驗證分析

3.1 數(shù)據(jù)采集

在基于視頻分析人群密度研究領(lǐng)域，有很多公開的應(yīng)用數(shù)據(jù)集，這些公開的數(shù)據(jù)集涵蓋了較多的人群密集應(yīng)用場景，有廣場、商場以及集會場所等，目前業(yè)內(nèi)流行的數(shù)據(jù)集有上海科技大學(xué)發(fā)布的公共場所行人數(shù)據(jù)集STCCD，加州大學(xué)發(fā)布的行人數(shù)據(jù)集UCSD，由公開網(wǎng)頁圖片生成的多場景多密度類型數(shù)據(jù)集UCF_CC_50，以及來自于商場大廳監(jiān)控錄像的數(shù)據(jù)集MALL。為人群密度的研究提供了重要的樣本基礎(chǔ)，各國研究人員也以這些數(shù)據(jù)集作為標(biāo)準(zhǔn)來對各自模型進(jìn)行對比驗證。考慮到鐵路車站與上述數(shù)據(jù)集在場景上的差異，因此在實驗過程中，選取了樣本環(huán)境差異性較小的STCCD數(shù)據(jù)集，將訓(xùn)練結(jié)果與經(jīng)典模型多列卷積神經(jīng)網(wǎng)絡(luò)模型（MCNN）進(jìn)行了對比，并通過新構(gòu)建的車站旅客人群數(shù)據(jù)集進(jìn)行了訓(xùn)練、預(yù)測。

（1）公共場所行人數(shù)據(jù)集。該數(shù)據(jù)集包含 1 198張圖片，分為A/B兩個部分，總共有330 165 個標(biāo)注信息，是一個比較大的數(shù)據(jù)集。其中A部分?jǐn)?shù)據(jù)從互聯(lián)網(wǎng)上隨機(jī)抽取而成，包括多個國家人員聚集場景；B部分?jǐn)?shù)據(jù)的圖片則來自于上海市比較繁華的街道視頻數(shù)據(jù)。由于該數(shù)據(jù)集場景豐富，人群密度范圍較大，訓(xùn)練集和測試集數(shù)據(jù)較多，使得多數(shù)人群密度研究人員都會使用該數(shù)據(jù)集進(jìn)行測試訓(xùn)練。

（2）鐵路車站旅客人群數(shù)據(jù)集。為驗證模型在實際車站人流密度估計中的準(zhǔn)確性，構(gòu)建了以實際車站監(jiān)控視頻為數(shù)據(jù)源的人流密度數(shù)據(jù)集。該數(shù)據(jù)集以京張線（北京北—張家口）清河車站內(nèi)15個不同位置的視頻數(shù)據(jù)為基礎(chǔ)，根據(jù)不同時間段下人流密度情況，提取2 000張分辨率為1 920×1 080像素的高清圖像，并且通過人群密度標(biāo)注軟件實現(xiàn)對人群密度的標(biāo)注。標(biāo)注好的數(shù)據(jù)集由原始圖片和標(biāo)注文件組成，同時將數(shù)據(jù)集按照比例7 : 3分為訓(xùn)練集和測試集。

3.2 模型訓(xùn)練與分析

在訓(xùn)練過程中，首先將數(shù)據(jù)集圖片進(jìn)行尺寸調(diào)整，設(shè)定長寬比為[0.8，1，1.2]，按照此區(qū)間將圖像調(diào)整為長寬不超過512像素大小的圖片，在此基礎(chǔ)上進(jìn)一步將圖像裁剪為分辨率為400×400像素的尺寸作為輸入圖片。

在ASCCNet網(wǎng)絡(luò)結(jié)構(gòu)中，前部分骨干網(wǎng)為預(yù)訓(xùn)練網(wǎng)絡(luò)VGG16的前7層網(wǎng)絡(luò)，在前端特征提取時采用了批量歸一化處理。剩下的網(wǎng)絡(luò)參數(shù)由均值為0和標(biāo)準(zhǔn)差為0.01的高斯分布進(jìn)行隨機(jī)初始化。網(wǎng)絡(luò)學(xué)習(xí)過程中，為了使損失函數(shù)盡量達(dá)到最優(yōu)收斂效果，對控制收斂過程的學(xué)習(xí)率和隨機(jī)梯度進(jìn)行參數(shù)設(shè)置，其中學(xué)習(xí)率為1e-4，隨機(jī)梯度為5e-3，訓(xùn)練圖像輸入批量大小設(shè)為8，迭代過程為500次。實驗環(huán)境為Linux操作系統(tǒng)下部署的輕量型容器，采用4張Nvidia1080T圖形加速卡進(jìn)行訓(xùn)練和推理。模型的損失函數(shù)基于歐式距離公式進(jìn)行設(shè)計，具體定義如下。

式中：Lden為損失函數(shù)值；F（Xi；Θ）為特征圖像密度估計圖；Θ為網(wǎng)絡(luò)中需要學(xué)習(xí)的參數(shù)集合；Xi為輸入的訓(xùn)練圖像；DiGT為訓(xùn)練圖像的標(biāo)注值（GroudTruth）；N為樣本數(shù)量。

模型在訓(xùn)練完成后，采用均值絕對誤差和均方差（MSE）來對模型推理質(zhì)量進(jìn)行具體評估[10]，具體定義方程如下。

式中：CiGT為測試圖像樣本的標(biāo)注數(shù)據(jù)所代表的人群密度數(shù)量；Ci為模型輸出的特征數(shù)據(jù)生成的密度估計數(shù)量。

ASCCNet模型在設(shè)計過程中，借鑒了多列卷積神經(jīng)網(wǎng)絡(luò)模型（MCNN）的結(jié)構(gòu)設(shè)計優(yōu)勢[8]，并在此基礎(chǔ)上進(jìn)一步改進(jìn)，增加了空洞卷積和注意力算法模塊。MCNN模型在公開數(shù)據(jù)集STCCD中A部分的MAE和MSE分別為110.2和173.2，在B部分的MAE和MSE為26.4和41.3[8]。ASCCNet模型在STCCD數(shù)據(jù)集A部分的MAE和MSE為69.84和115.3，在B部分的MAE和MSE為7.59和12.75，相對于MCNN模型有較大的提升。ASCCNet模型在STCCD （A/B）數(shù)據(jù)集上預(yù)測結(jié)果如圖3所示。

在上述訓(xùn)練模型的基礎(chǔ)上，對車站人群數(shù)據(jù)集進(jìn)行預(yù)測性驗證，最終預(yù)測結(jié)果平均損失降到了0.8以下。ASCCNet模型在鐵路車站人群數(shù)據(jù)集損失曲線如圖4所示。

ASCCNet模型經(jīng)過測試數(shù)據(jù)集驗證后，測試準(zhǔn)確率達(dá)到92%，可以對實際車站人群密度進(jìn)行預(yù)測推理。車站不同場景下旅客樣本圖象、標(biāo)注值以及模型估計結(jié)果如圖5所示。其中圖5a為車站旅客正常候車時人群密度較為稀疏的場景；圖5d為車站旅客集中檢票人群局部稠密的場景。在實驗過程中，模型的平均推理速率達(dá)到每秒21幀圖象，在稀疏場景下推理速度會更快，在硬件環(huán)境支持下，能夠達(dá)到人群密度估計的實時性要求。

4 基于車站人群密度估計的車站旅客服務(wù)應(yīng)急管理優(yōu)化

鐵路車站旅客服務(wù)系統(tǒng)以信息的自動采集為基礎(chǔ)，以為旅客提供全方位信息服務(wù)為目標(biāo)，實現(xiàn)客運車站自動廣播、導(dǎo)向、監(jiān)視、監(jiān)控等功能，運用多樣化的服務(wù)手段為旅客提供優(yōu)質(zhì)的服務(wù)，實現(xiàn)旅客服務(wù)的信息化。旅客服務(wù)系統(tǒng)大多采用計劃信息，比如開點、到點信息來自調(diào)度運行圖，旅客進(jìn)站信息來自客票系統(tǒng)，而其它的實時動態(tài)管理全部由人工來完成，缺乏自動化的動態(tài)識別和管理，在車站應(yīng)急管理中仍難以及時地為旅客提供相應(yīng)的保障措施。車站人群密度監(jiān)測作為應(yīng)急自動化動態(tài)識別的一項重要功能，可在應(yīng)急管理過程中提供重要的基礎(chǔ)性服務(wù)。車站旅客服務(wù)應(yīng)急管理優(yōu)化過程如圖6所示。

基于車站場景自適應(yīng)人群密度估計算法，可以圍繞旅客進(jìn)站、候車、乘車、換乘、出站等重要環(huán)節(jié)提供較為精確的人群密度估算。在應(yīng)急情況下，如列車大面積晚點事件、突發(fā)大客流事件、公共衛(wèi)生安全事件、突發(fā)性火災(zāi)爆炸事件，突發(fā)暴力暴恐事件等，可結(jié)合鐵路旅客服務(wù)系統(tǒng)中現(xiàn)有數(shù)據(jù)（包括行車調(diào)度信息、自然災(zāi)害監(jiān)測信息、售票信息、引導(dǎo)系統(tǒng)大屏信息、站內(nèi)物聯(lián)網(wǎng)設(shè)備信息等），在多維度數(shù)據(jù)融合基礎(chǔ)上，通過大數(shù)據(jù)算法模型的深度挖掘、預(yù)測，實現(xiàn)應(yīng)急場景的智能化識別，主動推送應(yīng)急策略，指導(dǎo)車站管理人員進(jìn)行現(xiàn)場快速反應(yīng)；同時，通過車站全場景下人群密度估計的熱力圖可視化，可以實現(xiàn)車站應(yīng)急過程的態(tài)勢感知，方便現(xiàn)場及時對應(yīng)急策略做出優(yōu)化調(diào)整。

5 結(jié)束語

鐵路車站人群密度識別算法應(yīng)用還處于不斷完善階段，在傳統(tǒng)模型基礎(chǔ)上引入注意力機(jī)制和場景自適應(yīng)算法，提高了超大視野、復(fù)雜場景下人群密度估計的準(zhǔn)確率，為車站智能旅服、智能應(yīng)急提供技術(shù)支撐與保障。為了提高模型的推理速度和邊緣端部署的需求，需進(jìn)一步對模型進(jìn)行輕量化研究。同時，為進(jìn)一步提高模型準(zhǔn)確率和泛化能力，需要進(jìn)一步對更多的鐵路車站人群密度場景進(jìn)行標(biāo)注，豐富訓(xùn)練集和測試集。