城市軌道交通列車客流檢測模型算法及其 優(yōu)化研究

郝勇，趙健

1.中鐵二院工程集團(tuán)有限責(zé)任公司，四川成都，610031 2.深圳市賽為智能股份有限公司，廣東深圳，518100

0 引言

近年來，隨著我國城市化進(jìn)程的加快，城市面臨的交通壓力也與日俱增，城市軌道交通作為緩解壓力的重要出行方式，也是國民經(jīng)濟(jì)的重要構(gòu)成部分。2020年3月，中國城市軌道交通協(xié)會發(fā)布了《中國城市軌道交通智慧城軌發(fā)展綱要》，從頂層設(shè)計(jì)的角度對城市軌道交通的智慧化發(fā)展做了規(guī)劃和指導(dǎo)，已成為城市軌道交通企業(yè)制定智能智慧化發(fā)展的指導(dǎo)性文件；各地城市軌道交通業(yè)主和裝備供應(yīng)商紛紛編制發(fā)展規(guī)劃、實(shí)施意見或行動方案，智慧車站也正在部分城市建設(shè)。智慧城軌建設(shè)將對今后城市軌道交通技術(shù)發(fā)展產(chǎn)生深遠(yuǎn)影響[1]。

城市軌道交通承擔(dān)的運(yùn)輸任務(wù)越來越多，積極探索人工智能+軌道交通成為社會發(fā)展進(jìn)步的必然，綜合運(yùn)用人工智能技術(shù)研究軌道交通客流信息統(tǒng)計(jì)分析系統(tǒng)成為重要的研究課題。目前，軌道交通一般是基于售票檢票系統(tǒng)的刷卡數(shù)據(jù)來統(tǒng)計(jì)客流信息，不能有效掌握關(guān)鍵區(qū)域（如：通道、站廳、站臺和列車）的實(shí)時客流信息，從而難以安全、舒適地為乘客提供出行服務(wù)，以及科學(xué)、合理地為列車運(yùn)營管理提供指揮調(diào)度。這也是本文研究的主要背景。

1 城市軌道交通列車客流檢測研究的必要性

當(dāng)前，很多一、二線城市投入運(yùn)營的線路逐漸增多，網(wǎng)絡(luò)化運(yùn)營模式成為城市軌道交通的發(fā)展現(xiàn)狀，這也給業(yè)主單位的運(yùn)營管理帶來了新的挑戰(zhàn)。隨著城市人口密度不斷攀升，城市軌道交通系統(tǒng)日益變得錯綜復(fù)雜，隨著時間的推移，人們面臨著越來越多的潛在風(fēng)險(xiǎn)。例如，在上下班高峰期，地鐵運(yùn)營會出現(xiàn)客流量激增的情況，而在公共場所，人群擁擠可能導(dǎo)致踩踏事件的發(fā)生。除人身安全之外，乘客對城市軌道交通列車擁擠程度的直觀感受也是衡量運(yùn)營單位服務(wù)水平的一個重要標(biāo)準(zhǔn)，因此，如何打造更加舒適的乘車環(huán)境至關(guān)重要。地鐵車輛擁擠度能夠反映城市軌道交通線網(wǎng)服務(wù)水平與運(yùn)營效益，對車廂擁擠度進(jìn)行實(shí)時檢測可以真實(shí)地反映線網(wǎng)客流狀態(tài)，提供更全面的斷面客流信息，為城市軌道交通實(shí)時調(diào)度與客流控制提供依據(jù)[2]。

總體來說，對城市軌道交通列車客流情況的檢測研究，具有一系列重要的作用。首先，能夠根據(jù)客流統(tǒng)計(jì)情況，為各節(jié)車廂空間資源的科學(xué)分配提供依據(jù)。城市軌道交通設(shè)站較多，乘客頻繁上車、下車，流動性比較大，很容易產(chǎn)生擁堵現(xiàn)象，且擁堵還很容易帶來潛在的安全問題，客流的有效檢測統(tǒng)計(jì)能夠?yàn)榭臻g資源科學(xué)分配帶來有效的參考價(jià)值，尤其在早高峰和晚高峰期間，能夠有效提升乘客滿意度。其次，一旦發(fā)生災(zāi)害事故，有人員被困時，真實(shí)科學(xué)的人員數(shù)量及分布將是救災(zāi)方案制定的重要參考數(shù)據(jù)，這也是客流檢測的重要意義所在。最后，它能夠?yàn)槌鞘熊壍澜煌I(yè)主管理和運(yùn)營單位提供精準(zhǔn)決策的重要支撐，有利于更高效地管理和組織工作，對智能交通系統(tǒng)的運(yùn)作和運(yùn)行效益有直接影響。

2 基于智能視頻分析的客流量檢測算法

伴隨軌道交通安防技術(shù)的廣泛應(yīng)用，以及人工智能技術(shù)在軌道交通領(lǐng)域的探索實(shí)施，基于視頻監(jiān)控的客流量智能檢測及分析算法被認(rèn)為是未來最好的客流檢測方法之一。

2.1 基于檢測的方法

該方法主要?dú)w納為兩類：其一是基于整體檢測的檢測；其二是基于人物局部的檢測。傳統(tǒng)的行人檢測方法通常采用支持向量機(jī)（SVM）檢測器、提升算法以及隨機(jī)森林矩陣等，以訓(xùn)練一個高效的分類器。在這個過程中，需要先提取行人全身的小波特征、HOG特征、邊緣特征以及紋理特征等關(guān)鍵信息，從而為后續(xù)的行人檢測打下基礎(chǔ)。整體檢測方法在稀疏人群計(jì)數(shù)方面具有一定的適用性，但隨著人群密度的不斷增加，人與人之間的遮擋問題日益凸顯，相關(guān)檢測工作的難度也有所提升。局部檢測的方法主要借助對身體的部分結(jié)構(gòu)，例如頭部、肩膀等加以統(tǒng)計(jì)，以估算人群數(shù)量。相較于基于整體的檢測方法，這種策略在效果方面略顯優(yōu)勢。

2.2 基于回歸的方法

該方法的主要目標(biāo)是研究一種從特定特征到其對應(yīng)人群數(shù)量的映射方法。首先，通過提取諸如前景特征、邊緣特征、紋理以及梯度特征等低級視覺元素，為這一過程奠定基礎(chǔ)。其次，研究一種先進(jìn)的回歸模型，例如線性回歸、分段線性回歸、嶺回歸以及高斯過程回歸或者神經(jīng)網(wǎng)絡(luò)等方法，去學(xué)習(xí)并構(gòu)建一種從低級特征到人群數(shù)量的精準(zhǔn)映射。此方法主要依賴前景分割，生成固定背景模型。然而，它對光照變化的敏感度極高，每當(dāng)場景發(fā)生轉(zhuǎn)變時，均需重新訓(xùn)練模型，不僅消耗大量的時間，且計(jì)算成本也相對較高。

2.3 基于深度學(xué)習(xí)的方法

此方法一般采用卷積神經(jīng)網(wǎng)絡(luò)來提取行人特征，并借助估計(jì)人群密度概率圖以實(shí)現(xiàn)人群計(jì)數(shù)。人群密度概率圖能夠揭示人群在圖像中的分布情況。

因此，本文主要針對軌道交通車廂內(nèi)特定環(huán)境進(jìn)行客流量檢測與統(tǒng)計(jì)，使用視頻圖像處理技術(shù)來檢測車廂內(nèi)的乘客擁擠度，主要解決高峰期車廂內(nèi)乘客密度高、車廂內(nèi)物件對乘客身體存在遮擋、乘客身體之間互相遮擋、車廂內(nèi)監(jiān)控?cái)z像頭畫面的透視效應(yīng)明顯、乘客身體在畫面中的尺度差異大等主要問題[3]。

3 目標(biāo)檢測模型算法及其優(yōu)化

3.1 密度圖模型

本文主要目標(biāo)是基于前沿的算法技術(shù)和算法模型，提高車廂乘客計(jì)數(shù)算法的精度，采用密度圖檢測模型。密度圖模型（如圖1）估計(jì)乘客密度示意圖的左上角是原圖，右上角是人體頭部為中心點(diǎn)生成的Ground truth密度圖，左下角和右下角分別是用mcnn和csr-net生成的估計(jì)密度圖。

圖1 密度圖模型估計(jì)乘客密度示意圖

為了實(shí)現(xiàn)提高車廂乘客計(jì)數(shù)算法的精度這一總體目標(biāo)：一是需要提高目標(biāo)檢測模型對于部分遮擋目標(biāo)的檢測能力；二是提高密度圖模型對于尺度大小不同目標(biāo)的檢測能力；三是通過數(shù)據(jù)融合方法，綜合利用圖像信息和重力感應(yīng)數(shù)據(jù)，彌補(bǔ)單一檢測方式的精度不足。

3.2 提高目標(biāo)檢測模型對于部分遮擋目標(biāo)的檢測能力

基于目標(biāo)檢測的人數(shù)累加算法的基本思路是利用各類目標(biāo)檢測算法檢測出人體軀干或者頭肩區(qū)域，然后據(jù)此統(tǒng)計(jì)人數(shù)。隨著以卷積神經(jīng)網(wǎng)絡(luò)為代表的各類深度學(xué)習(xí)目標(biāo)檢測算法的出現(xiàn)，由于其在準(zhǔn)確性和穩(wěn)定性上相對于傳統(tǒng)的基于手工特征算法的優(yōu)勢，使其在各個領(lǐng)域都得到了廣泛的應(yīng)用。在人群計(jì)數(shù)這個領(lǐng)域也不例外。雖然在一般性的場景下，以YOLO和Faster RCNN為代表的深度學(xué)習(xí)目標(biāo)檢測算法可以給出較準(zhǔn)確的計(jì)數(shù)，但是，這些通用模型沒有專門考慮檢測目標(biāo)被遮擋的應(yīng)用場景，如果出現(xiàn)了遮擋現(xiàn)象，檢測準(zhǔn)確率就會受到顯著影響?？稍谝韵聝蓚€方面開展對車廂內(nèi)乘客遮擋問題的研究。一是研究數(shù)據(jù)增廣方式，通過生成高質(zhì)量的遮擋訓(xùn)練樣本來提高模型對這類情況的識別能力；二是研究在模型中引入新的模塊，監(jiān)督模型加強(qiáng)對于人體局部特征的學(xué)習(xí)。增加新的監(jiān)督分支，引入頭部mask區(qū)域作為人體檢測的額外監(jiān)督信息。

3.3 對檢測不同尺度目標(biāo)的密度圖模型的研究

密度圖模型通常使用卷積神經(jīng)網(wǎng)絡(luò)作為特征提取層，然后基于特征直接生成密度圖。在目標(biāo)檢測模型中，某些局部被遮擋的人體目標(biāo)或者較小的人體目標(biāo)，可能由于較低的檢測置信度而被過濾掉，但是，在密度圖模型中，這類目標(biāo)仍會為總計(jì)數(shù)貢獻(xiàn)權(quán)重。密度圖算法雖然較目標(biāo)檢測算法更加適用于高密度群體的計(jì)數(shù)應(yīng)用，但是，在應(yīng)用于車廂乘客計(jì)數(shù)時，仍然存在問題。車廂內(nèi)的攝像頭具有明顯的透視效應(yīng)（近大遠(yuǎn)?。?，這和密度圖算法中的圖像中每個像素所代表的實(shí)際物理尺寸相同的假定相違背。因此，需要對密度圖算法做進(jìn)一步的設(shè)計(jì)才能解決透視效應(yīng)帶來的計(jì)數(shù)誤差問題。可在以下幾個方面開展對車廂監(jiān)控畫面中乘客圖像尺度差異問題的研究。一是研究使用新的方法來生成更高質(zhì)量的Groud truth密度圖；二是研究使用圖像金字塔策略來增加模型對于不同尺度目標(biāo)的感受能力；三是研究引入注意力機(jī)制，使得模型自適應(yīng)地給予不同尺度的目標(biāo)以相應(yīng)大小的密度權(quán)重[4]。

3.4 對數(shù)據(jù)融合方法的研究

基于圖像數(shù)據(jù)可以通過兩種算法模型分別得出車廂乘客計(jì)數(shù)值，基于重力感應(yīng)數(shù)據(jù)也可以根據(jù)車廂軸重差值和平均人體體重值粗略地估算出車廂內(nèi)乘客的人數(shù)。通過合理地融合這三種乘客計(jì)數(shù)值的數(shù)據(jù)來源，有可能減少單一數(shù)據(jù)來源的偶然誤差。因此，分別給予三種數(shù)據(jù)來源不同的數(shù)據(jù)權(quán)重，評估在不同的權(quán)重組合下融合的預(yù)測值的準(zhǔn)確性，最后以準(zhǔn)確性為依據(jù)，選出較好的一組權(quán)重值。此外，針對某些概率性較高的現(xiàn)象，比如人員車廂內(nèi)、跨車廂的移動等問題，為保證系統(tǒng)檢測數(shù)據(jù)的合理性，本研究方案匯總車身載重等數(shù)據(jù)進(jìn)行融合換算處理，從空載重量到負(fù)荷重量，進(jìn)行相應(yīng)的數(shù)據(jù)換算，根據(jù)換算結(jié)果和視頻檢測數(shù)據(jù)結(jié)果，利用數(shù)據(jù)算法，進(jìn)行大數(shù)據(jù)分析后，得出相應(yīng)更為準(zhǔn)確的結(jié)果，為車站的智慧運(yùn)營提供可靠的數(shù)據(jù)保障[5]。

4 效果及驗(yàn)證

本文通過利用改進(jìn)的人工智能算法，利用既有車載乘客信息系統(tǒng)既有資源，針對車載視頻監(jiān)控系統(tǒng)提供的視頻圖像信息，以及列車控制管理系統(tǒng)提供的重力感應(yīng)數(shù)據(jù)，通過所搭建的數(shù)據(jù)模型獲得相對精準(zhǔn)的客流統(tǒng)計(jì)數(shù)據(jù)，并生成客流密度信息。系統(tǒng)面向地鐵車廂場景，利用人工智能深度學(xué)習(xí)算法，突破了高峰期乘客密度高、遮擋度高、攝像頭透射效應(yīng)等問題，實(shí)現(xiàn)了乘客目標(biāo)的高精準(zhǔn)度捕獲、客流計(jì)數(shù)和客流密度的準(zhǔn)確分析，數(shù)據(jù)處理延時低于1秒。

因此，基于對車廂客流數(shù)據(jù)的準(zhǔn)確、快速分析，該系統(tǒng)可提供客流誘導(dǎo)、客流管制、緊急疏散等服務(wù)，并為運(yùn)維人員的應(yīng)急指揮方案制定、值班安排、列車調(diào)度提供了科學(xué)數(shù)據(jù)支撐，達(dá)到了預(yù)期目標(biāo)。且經(jīng)過車試，采用該算法的系統(tǒng)準(zhǔn)確性高、功耗低，不增加列車的視頻負(fù)擔(dān)，滿足軌道交通日常運(yùn)維需求，可持續(xù)助力軌道智能調(diào)度、交通運(yùn)力、線網(wǎng)規(guī)劃的持續(xù)優(yōu)化。