地鐵系統(tǒng)中的人員自動識別與追蹤技術(shù)應(yīng)用研究

摘要：探討了自動識別和追蹤地鐵系統(tǒng)人員的創(chuàng)新技術(shù)，重點研究了英國交通網(wǎng)絡(luò)的應(yīng)用。主要技術(shù)包括虹膜掃描識別和多目標(biāo)跨攝像頭跟蹤，通過結(jié)合深度學(xué)習(xí)、多特征融合模型與超寬帶技術(shù)，顯著提高了識別和追蹤的精度和效率。盡管該系統(tǒng)存在成本、識別速度與準(zhǔn)確性的挑戰(zhàn)，但其展示了在地鐵復(fù)雜環(huán)境中有效識別和追蹤人員的潛力，提升了公共交通的安全性和運營效率。

關(guān)鍵詞：地鐵系統(tǒng)"多特征融合"深度學(xué)習(xí)"虹膜識別"超寬帶技術(shù)

Application"of"Automatic"Personnel"Identification"and"Tracking"Technology"in"Subway"System

HAO"Feng

University"of"Glasgow，"Glasgow，"G116EH"Scotland

Abstract："The"paper"explores"innovative"technologies"for"automaticallynbsp;identifying"and"tracking"subway"system"personnel，"with"a"focus"on"the"application"of"the"UK"transport"network."Key"technologies"include"iris"scanning"recognition"and"multi-target"cross-camera"tracking，"which"significantly"improves"the"accuracy"and"efficiency"of"recognition"and"tracking"by"combining"deep"learning"and"multi-feature"fusion"models"with"ultra-wideband（UWB）"technology."Despite"the"challenges"of"cost，"identification"speed"and"accuracy，"the"system"demonstrates"the"potential"to"effectively"identify"and"track"personnel"in"the"complex"environment"of"the"subway，"improving"the"safety"and"operational"efficiency"of"public"transportation.

Key"Words："Subway"system;"Mmulti-feature"fusion;"Deep"learning;"Iris"recognition;"UWB"technology

在城市化進(jìn)程加快和交通需求增加的背景下，地鐵已成為大城市中的主要公共交通方式，并承載了巨大的乘客流量，這不僅對地鐵系統(tǒng)的運營效率提出了高要求，同時也對安全管理系統(tǒng)的完善性提出了挑戰(zhàn)。尤其在監(jiān)控效率和安全性方面，傳統(tǒng)的手段已無法滿足當(dāng)今地鐵系統(tǒng)的需求。利用最新的多特征融合識別和超寬帶追蹤技術(shù)，可以在不打擾乘客的情況下實現(xiàn)對乘客身份的高精度識別。通過這些綜合技術(shù)的應(yīng)用，不僅可以優(yōu)化地鐵的運營效率，還可以在緊急情況下迅速定位并處理問題，從而保障乘客的安全和舒適。

1多特征融合識別技術(shù)

與深度學(xué)習(xí)跟蹤技術(shù)相結(jié)合的多特征融合模型可以有效地適應(yīng)地鐵內(nèi)乘客識別的高精度和非合作性要求。目前，基于多特征值的融合系統(tǒng)可以整合人體的多個生物特征，并且由單一特征值的偏差引起的誤差擾動可以通過多特征值的綜合判斷來避免。通過模型優(yōu)化，整個模型的檢測時間可以在極短時間內(nèi)完成，以實現(xiàn)乘客在不知情情況下的高精度跟蹤。該方法識別乘客的虹膜、面部特征、步態(tài)姿態(tài)等特征值，在乘客進(jìn)入地鐵站后生成一個唯一標(biāo)識并存儲在數(shù)據(jù)庫中，然后將乘客的個人信息與該標(biāo)識進(jìn)行匹配，實現(xiàn)跨攝像頭的多目標(biāo)跟蹤。

由于每個識別模型的網(wǎng)絡(luò)結(jié)構(gòu)基本相同，它們都采用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional"Neural"Network，"CNN）的結(jié)構(gòu)，并且參數(shù)僅根據(jù)實際網(wǎng)絡(luò)進(jìn)行微調(diào)，因此，單個模型的原理基本相同，主要區(qū)別在于不同模型使用的訓(xùn)練數(shù)據(jù)集來源于人體的不同部分。因此，本文以虹膜周圍區(qū)域融合模型為例，描述融合模型的基本結(jié)構(gòu)和原理。

1.1"虹膜與眼周融合識別模型

虹膜是生物識別技術(shù)中較為突出的生物特征之一，具有獨特性、穩(wěn)定性和非接觸性的優(yōu)勢[1]。盡管虹膜識別技術(shù)在許多應(yīng)用中具有較高的識別精度，但在遠(yuǎn)距離、面部遮擋和非合作場景中仍面臨很大限制。因此，將眼周特征融合到虹膜識別模型中，以同時捕捉人類虹膜和眼周圖像，并通過眼周識別來提高模型在不合作情況下的識別精度[2]。

1.1.1"圖像預(yù)處理

通過歸一化處理，將不同尺寸的虹膜圖像轉(zhuǎn)換為相同長度、寬度和尺寸的圖像，以便于后續(xù)處理和處理訓(xùn)練的訓(xùn)練。通過原始尺寸瞳孔位置與歸一化后瞳孔位置的比例，原始圖像將被均勻縮放到歸一化寬度和高度的相同比例。具體的歸一化過程可以通過以下公式表示：

式（1）中：和為歸一化后的寬度和高度；和分別為原始和歸一化后的瞳孔半徑；和為原始圖像的瞳孔位置；?和為歸一化后圖像的瞳孔位置。通過這種歸一化處理，將不同尺寸的虹膜圖像轉(zhuǎn)換為相同長度、寬度和尺寸的圖像，以便于后續(xù)處理和處理訓(xùn)練的訓(xùn)練。

1.1.2"虹膜識別和眼周融合網(wǎng)絡(luò)

基于CNN的虹膜識別和眼周融合系統(tǒng)由3個主要的組成部分：圖像預(yù)處理、數(shù)據(jù)增強(qiáng)與分類特征學(xué)習(xí)。所提出的系統(tǒng)的框架如圖1所示[3]。

CNN識別網(wǎng)絡(luò)架構(gòu)如下。

（1）輸入層。輸入層接收預(yù)處理后的虹膜和眼周區(qū)域圖像。預(yù)處理包括歸一化、調(diào)整大小和增強(qiáng)，以提高模型的魯棒性。輸入圖像I表示為像素值矩陣。

（2）卷積層。通過卷積操作，可以從輸入圖像中提取特征。這些卷積層能夠?qū)W習(xí)特征的空間層次結(jié)構(gòu)，包括邊緣、紋理和形狀等，這是區(qū)分不同虹膜模式和眼周特征的關(guān)鍵。

卷積操作將卷積核（濾波器）W應(yīng)用于輸入圖像I，以生成特征圖F[4]，這可以表示為

式（2）中，m和n是卷積核的維度，卷積核會在輸入圖像上滑動，每一次滑動，卷積核會覆蓋輸入圖像的一個子區(qū)域。然后，將該子區(qū)域內(nèi)的每個像素值與卷積核對應(yīng)位置的權(quán)重進(jìn)行相乘，并將這些乘積累加起來。

（3）池化層。這一層通過下采樣來縮小特征圖的尺寸，有助于減少計算負(fù)擔(dān)并防止過擬合。其中，最常見的操作是最大池化，池化后的特征圖P為

最大池化通過在窗口?*?內(nèi)選擇最大值作為輸出。該操作的目的是保留窗口內(nèi)的最顯著特征，同時丟棄其他不重要的特征，從而對特征圖進(jìn)行壓縮。

（4）特征融合層。這一層結(jié)合從虹膜和眼周區(qū)域提取的特征，可以使用加權(quán)串聯(lián)或注意機(jī)制等技術(shù)來有效地整合這些特征。虹膜和眼周區(qū)域的特征融合形成一個組合特征向量，可以通過加權(quán)融合實現(xiàn)：

其中，表示融合后的特征向量，眼周區(qū)域特征向量，和是分配給虹膜和眼周特征的權(quán)重。

（5）全連接層。這些層充當(dāng)分類器，根據(jù)融合特征區(qū)分個體，這些層輸出最終的識別結(jié)果。融合特征向量通過全連接層，這些層應(yīng)用線性變換，隨后是非線性激活函數(shù)，通常是ReLU（修正線性單元）：

式（5）中：是全連接層的權(quán)重和偏差；是激活函數(shù)；b是偏置項。

（6）輸出層。輸出層使用Softmax函數(shù)生成類的概率分布。函數(shù)定義為

式（6）中：C是類的數(shù)量；是這是對輸出向量?中第?個元素取指數(shù)的操作；表示對所有類別的輸出值取指數(shù)后進(jìn)行求和。

1.2"多目標(biāo)跨攝像機(jī)跟蹤技術(shù)

基于多特征融合識別模型，可以識別乘客的身份信息以進(jìn)行下一步跟蹤任務(wù)。跨攝像頭跟蹤技術(shù)的難點在于乘客從一個攝像頭消失并出現(xiàn)在另一個攝像頭中的關(guān)聯(lián)性。為了解決這個問題，本文使用行人檢測和重新識別技術(shù)[5]。該技術(shù)通過比對各攝像頭捕獲的行人圖像與數(shù)據(jù)庫中的信息來實現(xiàn)識別，并為檢測到的行人分配標(biāo)簽，以避免資源浪費因重復(fù)檢測而產(chǎn)生。其技術(shù)基于使用ResNet-50模型構(gòu)建的對抗網(wǎng)絡(luò)來增強(qiáng)識別效果。

2"超寬帶技術(shù)

超寬帶技術(shù)（Ultra-Wideband，"UWB）是一種用于精確定位和追蹤的無線電技術(shù)，具有高精度、低功耗和抗干擾能力強(qiáng)的特點。通過發(fā)送非常短暫的脈沖信號，計算信號從發(fā)射器到接收器的傳播時間來定位物體的位置。這種技術(shù)特別適合于復(fù)雜和擁擠的環(huán)境，如地鐵系統(tǒng)中的人員追蹤。

2.1"UWB系統(tǒng)架構(gòu)

在地鐵系統(tǒng)中，UWB技術(shù)可以用于實時追蹤乘客的動態(tài)位置，提高安全性和運營效率。其系統(tǒng)架構(gòu)如下：（1）UWB接收器：安裝在地鐵站內(nèi)的固定接收器，用于接收標(biāo)簽信號并計算位置；（2）UWB標(biāo)簽（地鐵票）：小型、低功耗的無線標(biāo)簽，佩戴在乘客身上；（3）數(shù)據(jù)處理中心：集成接收器的數(shù)據(jù)，進(jìn)行實時定位計算和分析。

3英國地鐵系統(tǒng)中的智能管理系統(tǒng)的應(yīng)用

倫敦地鐵作為世界上最繁忙的地鐵系統(tǒng)之一，面臨著巨大的安全和運營壓力，應(yīng)用多特征融合識別技術(shù)，可以顯著提升地鐵系統(tǒng)的安全性和運營效率。例如：在倫敦地鐵的主要站點安裝虹膜掃描和面部識別設(shè)備，通過與現(xiàn)有的攝像頭網(wǎng)絡(luò)和UWB"定位系統(tǒng)相結(jié)合，實現(xiàn)對乘客的實時監(jiān)控和快速響應(yīng)；同時，利用深度學(xué)習(xí)算法處理和融合多源數(shù)據(jù)，提高識別的精度和效率，確保乘客在地鐵站內(nèi)的安全。應(yīng)用流程如下。

3.1"乘客信息采集和識別

在乘客購票或進(jìn)站時，通過掃描設(shè)備采集乘客的虹膜、面部特征等信息，并分配UWB標(biāo)簽，將其數(shù)據(jù)存儲在數(shù)據(jù)庫中，并與購票信息關(guān)聯(lián)。

3.2"實時定位與跟蹤

乘客佩戴的UWB標(biāo)簽不斷發(fā)送位置信號，地鐵站內(nèi)的接收器接收并傳輸至數(shù)據(jù)處理中心。數(shù)據(jù)處理中心根據(jù)接收的信號時間差，精確計算乘客的位置，并更新到監(jiān)控系統(tǒng)中。

3.3"跨攝像頭跟蹤

使用行人重新識別技術(shù)，確保乘客在不同區(qū)域的無縫追蹤。

3.4"數(shù)據(jù)分析與優(yōu)化

分析乘客流量數(shù)據(jù)，優(yōu)化地鐵站布局和列車調(diào)度策略，緩解高峰期的擁堵。

3.5"緊急事件響應(yīng)

在緊急情況下，利用系統(tǒng)快速定位受困乘客的位置，并指導(dǎo)救援人員進(jìn)行救援。

4"結(jié)語

現(xiàn)代城市地鐵系統(tǒng)面臨的安全與效率挑戰(zhàn)促使人們探索和采用更為先進(jìn)的技術(shù)手段。本文探討了多特征識別與超寬帶技術(shù)在地鐵人口自動追蹤中的應(yīng)用，通過結(jié)合深度學(xué)習(xí)和多特征融合模型，顯著提升了跟蹤的精度與效率。然而，盡管當(dāng)前的技術(shù)已經(jīng)取得了顯著的成果，但仍有若干挑戰(zhàn)和提升空間，如：如何進(jìn)一步提高系統(tǒng)在高密度人群中的識別率和追蹤準(zhǔn)確性、如何優(yōu)化算法以減少誤識率，以及如何確保收集和處理的個人數(shù)據(jù)的安全性和隱私性。未來的研究應(yīng)當(dāng)聚焦這些領(lǐng)域，通過技術(shù)創(chuàng)新來解決這些挑戰(zhàn)。

參考文獻(xiàn)

• 馬文杰，黃彥天.虹膜識別技術(shù)的發(fā)展綜述[J].現(xiàn)代計算機(jī)，2023，29（17）：18-24.
• 李永剛.基于深度模型的虹膜和眼周融合識別方法研究[D].西安：西安工業(yè)大學(xué)，2022.
• 雷松澤，李永剛，單奧奎，等.虹膜與眼周深度特征融合網(wǎng)絡(luò)模型[J].工程科學(xué)與技術(shù)，2024，56（3）：240-248.
• 張雪鋒，常振會，張俊杰，等.指紋和虹膜特征融合的可撤銷模板保護(hù)方法[J].西安郵電大學(xué)學(xué)報，2023，28（4）：51-60.
• 金子豐.監(jiān)控視頻中行人檢測與重識別技術(shù)研究[D].北京：中國科學(xué)院大學(xué)（中國科學(xué)院國家空間科學(xué)中心），2021.