彭　博,蔣陽升

(1.重慶交通大學　交通運輸學院, 重慶　400074; 2.西南交通大學　交通運輸與物流學院, 四川　成都　610031;3.西南交通大學　綜合運輸四川省重點實驗室, 四川　成都　610031)

?

城市軌道交通車站擁擠踩踏預警技術(shù)探討

彭博1,蔣陽升2,3

(1.重慶交通大學交通運輸學院, 重慶400074; 2.西南交通大學交通運輸與物流學院, 四川成都610031;3.西南交通大學綜合運輸四川省重點實驗室, 四川成都610031)

摘要：為預防城市軌道交通車站擁擠踩踏事故，保障乘客人身和財產(chǎn)安全，有必要實行擁擠踩踏預警，但目前相關(guān)研究較為匱乏。在綜合分析地鐵客流預警、擁擠踩踏事故風險評估和客流狀態(tài)檢測(主要是視頻行人檢測、跟蹤和計數(shù))研究現(xiàn)狀的基礎上，對城市軌道交通車站擁擠踩踏預警體系進行了探討。建立了基于視頻檢測的城市軌道交通車站擁擠踩踏預警框架。明確了預警的技術(shù)流程和主要方法，包括基于視頻檢測的客流信息提取、客流信息分析與短時預測、擁擠踩踏風險評估、擁擠踩踏預警決策與措施制訂等。最后，提出了城市軌道交通車站擁擠踩踏預警面臨的挑戰(zhàn)和研究建議。

關(guān)鍵詞：交通工程；軌道交通車站;擁擠踩踏預警;體系研究;風險評估;行人檢測;行人跟蹤;行人計數(shù)

0引言

建設并充分利用大容量的城市軌道交通是當前世界解決城市交通擁堵問題的有效手段之一，特別是我國人口眾多且正經(jīng)歷著大規(guī)模的城鎮(zhèn)化進程，更需要大力發(fā)展城市軌道交通。2014年我國城市軌道交通發(fā)展統(tǒng)計調(diào)查報告顯示，中國擁有城市軌道交通的城市已由2000年的3座(北京、上海、廣州)上升至2014年的22座，截至2014年底，城市軌道交通總里程超過3 000 km，地鐵線路88條，城市軌道交通已進入網(wǎng)絡化運營時代[1]。未來幾年內(nèi)，我國城市軌道交通產(chǎn)業(yè)依然會保持快速平穩(wěn)發(fā)展。

隨著城市軌道交通的廣泛使用，擁擠已成為人們感受最深切、也極易造成安全隱患的顯著問題。以北京為例，2013年3月8日，北京16條地鐵線路全網(wǎng)日客運量達1 027.6萬人次，早晚高峰時段異常擁擠。又以重慶輕軌3號線為例，2014年日均客流量為61.6萬人次，最高日運量達90.6萬人次，非節(jié)假日、非早晚時段也十分擁擠。如此巨大的客流都將匯集在城市軌道交通車站空間有限的站臺和通道內(nèi)，一旦受到意外因素影響，極有可能發(fā)生跌倒、踩踏等事故，造成重大的人員傷亡和財產(chǎn)損失，如：1995年5月，白俄羅斯地鐵車站發(fā)生擁擠踩踏事故，造成54人死亡；2010年12月14日，深圳地鐵發(fā)生踩踏事故，造成23名乘客受傷；2012年4月26日，北京地鐵8號線奧林匹克公園站發(fā)生電梯踩踏事故，造成多名乘客受傷。

因此，如何動態(tài)地監(jiān)控城市軌道交通車站的客流狀況、預防擁擠踩踏事故，對保障乘客人身和財產(chǎn)安全、提高旅客出行舒適性、維持城市軌道交通車站和線網(wǎng)安全運營等具有重大的社會價值和意義，也是城市軌道交通運營的核心問題[1]。

然而，國內(nèi)外對于系統(tǒng)的、專門的城市軌道交通車站擁擠踩踏事故風險分析和預警的研究十分匱乏[2-3]。國外方面，雖然英美等國地鐵安全研究注重結(jié)合實踐，形成了側(cè)重于防止火災、恐怖襲擊等的倫敦地鐵風險管理體系和美國地鐵安全認證體系[3]；國內(nèi)方面，相關(guān)的研究有地鐵客流預警、擁擠踩踏事故風險評估及客流狀態(tài)檢測等，為城市軌道交通客流特征分析和預測奠定了一定的基礎，但是，人們并沒有專門地、系統(tǒng)地針對城市軌道交通車站擁擠踩踏預警展開研究。

鑒于城市軌道交通車站擁擠踩踏預警的重要性和相關(guān)研究的匱乏性，本文對客流預警、擁擠踩踏事故風險評估和客流狀態(tài)檢測等研究進行探討，初步建立城市軌道交通車站擁擠踩踏預警的框架，提出研究展望。

1城市軌道客流預警

目前，我國城市軌道交通車站客流預警方面的研究還不成熟。潘羅敏[4]進行了地鐵短時客流量預測預警研究；楊軍[5]進行了地鐵客流短期預測及客流疏散模擬研究。這些研究為深入了解城市軌道交通車站客流預警提供了重要基礎，但系統(tǒng)的客流預警研究仍比較缺乏。

擁擠踩踏是一種特殊的客流狀態(tài)(見圖1)，易對乘客出行和城市軌道交通正常運營等造成安全隱患。李得偉[1]提出了客流預警的定義：地鐵客流預警即應用一定的技術(shù)手段檢測或預測客流的關(guān)鍵指標，通過計算和分析指標預知異于常態(tài)的信息，以圖形、聲音等多媒體方式呈現(xiàn)和報警，以期對決策管理人員進行提示和警告，包括客流指標檢測和預測分析、客流狀態(tài)評估、客流預警3個核心部分。這對擁擠踩踏預警具有重要借鑒價值。因此，城市軌道交通車站擁擠踩踏預警仍可沿用上述定義，只是其核心內(nèi)容更專注于與擁擠踩踏息息相關(guān)的客流指標檢測和預測分析、客流狀態(tài)評估和預警。王起全[3]對地鐵擁擠踩踏事故進行了統(tǒng)計分析，提出了擁擠踩踏事故預防的重要性。

圖1　擁擠的地鐵Fig.1　Crowded subway

因此，預防城市軌道交通車站擁擠踩踏事故具有重大的社會價值和意義；另一方面，地鐵客流預警已有部分研究成果，對城市軌道交通車站擁擠踩踏預警具有較大的參考價值。

2擁擠踩踏事故風險評估

城市軌道交通車站擁擠踩踏預警的重要決策依據(jù)源于客流狀態(tài)的評判：越擁擠，擁擠踩踏事故風險越高，越有理由發(fā)出擁擠踩踏預警。李清泉[6]提出了時空擁擠度的概念，并據(jù)此設計和優(yōu)化應急疏散路徑；王起全[3]針對地鐵擁擠踩踏事故風險提出了基于賦權(quán)的關(guān)聯(lián)度算法；劉艷[7]建立了改進的地鐵車站擁擠踩踏事故風險評價DEA 模型。

可以看出，這些研究明確了擁擠度的內(nèi)涵，對擁擠踩踏風險評價方法進行了探索和改進，有利于評估城市軌道交通車站擁擠踩踏風險水平。但是，它們并不是以擁擠踩踏預警為目的而專門展開的研究，因此，其擁擠踩踏風險評價因素和方法對擁擠踩踏預警只具有借鑒價值。

3客流狀態(tài)檢測

城市軌道交通車站擁擠踩踏預警的基礎和關(guān)鍵在于實時了解車站客流狀態(tài)，這需要通過一定的檢測技術(shù)來實現(xiàn)。目前國內(nèi)外常見的乘客自動檢測手段有壓敏傳感技術(shù)、光電檢測技術(shù)及視頻檢測技術(shù)。由于城市軌道交通車站覆蓋范圍較大而復雜，壓敏傳感和光電檢測技術(shù)均無法全面監(jiān)控和檢測車站內(nèi)的整體客流狀態(tài)，而視頻檢測則十分適用于城市軌道交通車站客流狀態(tài)檢測，原因有：(1)攝像機覆蓋范圍大，多套視頻檢測裝置可基本覆蓋車站內(nèi)部范圍；(2)城市軌道交通車站內(nèi)部大都設有視頻檢測裝置，可直接用于客流狀態(tài)的視頻實時檢測；(3)視頻檢測研究碩果累累[8-19]，為客流狀態(tài)的視頻檢測奠定了良好的基礎。

車站客流狀態(tài)視頻檢測主要對乘客流量、速度、密度和流向進行識別，其涉及的關(guān)鍵技術(shù)集中在視頻行人檢測[8-10]、行人跟蹤[11-17]和行人計數(shù)[18-19]。

3.1視頻行人檢測

行人檢測屬于計算機視覺中人體運動分析的范疇，其主要任務是在攝像視頻中快速準確地識別行人目標，其方法主要有以下幾類：

(1)基于運動特性的方法：通過檢測運動區(qū)域識別行人，如背景建模方法和幀間差分法。還可根據(jù)人體運動的特殊性檢測行人，如基于連續(xù)幀間自相關(guān)性、人腿部周期運動的行人檢測方法?？傮w而言，基于運動特性的方法對運動的行人敏感，而對場景中靜止的行人難以檢測。

(2)基于形狀的方法：通過提取行人的外部輪廓來完成檢測任務，可以對運動或靜止的行人進行有效的檢測。如基于頭部模板[8]和頭肩輪廓[9]的行人檢測算法。由于行人運動方向和遮擋情況都可能發(fā)生變化，因此該類方法在考慮這種形狀變化時會增加計算的復雜性，影響準確性。

(3)基于特征的方法：通過目標特征提取、特征學習和檢測等過程來實現(xiàn)行人檢測。由于其檢測精度高、速度快而備受關(guān)注。如基于edgelet特征、T-CENTRIST特征[10]的行人檢測。

總體而言，由于行人具有服飾、姿態(tài)等變化，攝像環(huán)境也會受光線、震動等干擾，行人檢測算法對魯棒性和實時性的要求較高。

3.2視頻行人跟蹤

行人跟蹤可獲得行人從出現(xiàn)到消失過程中的運動軌跡，是乘客速度和流向等信息提取的關(guān)鍵基礎。行人跟蹤方法主要有以下幾類：

(1)基于模型的跟蹤：首先建立目標的表達模型，然后根據(jù)不同的搜索策略，利用模型匹配的方法估計該目標在下一幀的最優(yōu)位置，如基于三維模型、視角模型的跟蹤。

(2)基于區(qū)域的跟蹤：在確定目標的跟蹤區(qū)域之后，利用區(qū)域的相關(guān)特征確定該目標在下一幀的位置[11]。

(3)基于輪廓的跟蹤：將被跟蹤的目標用一個封閉的外輪廓曲線來描述，搜尋下一幀目標的最優(yōu)位置，如Snake方法[12]、活動輪廓跟蹤方法[13]等。

(4)基于特征的跟蹤：根據(jù)點、邊緣和顏色等特征進行跟蹤，如關(guān)鍵點檢測跟蹤法[14]及多特征融合跟蹤算法[15]等。

此外，近年來，多行人跟蹤發(fā)展迅速，也是視頻監(jiān)控等領域的關(guān)鍵技術(shù)。Zhao[16]在復雜環(huán)境下進行了多人跟蹤，呂敬欽[17]提出了一種基于在線雙層關(guān)聯(lián)的多行人跟蹤方法。

3.3視頻行人計數(shù)

行人計數(shù)方法的主要任務是測算通過某檢測線或區(qū)域的人數(shù)，根據(jù)檢測方式分為兩類：

(1)基于檢測線的方法：在圖像中設置檢測線，使用所跟蹤的目標位置或特征信息與檢測線進行線性擬合，從而估計出人流數(shù)目。

(2)基于區(qū)域估計的方法：在圖像設置檢測區(qū)域，通過在一定時間周期內(nèi)對檢測區(qū)域中的行人進行估計實現(xiàn)計數(shù)。

根據(jù)檢測思想，行人計數(shù)方法也可分為兩類；

(1)先檢測行人，然后計數(shù)。前述行人檢測和跟蹤算法也可用于行人計數(shù)。

(2)先檢測圖像特征，然后估算行人數(shù)量。這類方法避開了繁瑣復雜的行人檢測而轉(zhuǎn)向?qū)で笮腥颂卣髋c人數(shù)的匹配關(guān)系。

此外，還有一類特殊的行人計數(shù)方法：人群計數(shù)。Fehr[18]提出了視頻人群中的人數(shù)估算方法；Subburaman[19]針對擁擠人群提出了頭頂區(qū)域定位方法進行行人計數(shù) (見圖2)。這類算法對擁擠環(huán)境下的行人數(shù)量估計具有重要參考價值。

圖2　行人檢測與計數(shù)[19]Fig.2　Pedestrian detection and counting[19]　　　注: 小方框表示頭部檢測部位。

3.4小結(jié)

目前已有行人檢測、跟蹤和計數(shù)的許多方法，但沒有適用于各種環(huán)境的通用算法。行人計數(shù)算法嚴重依賴于前一階段的行人檢測和跟蹤算法，而由于人體在運動過程中千姿百態(tài)、視頻場景復雜多變，準確有效的行人檢測與跟蹤本身也是一大挑戰(zhàn)。

盡管如此，視頻行人檢測、跟蹤和計數(shù)方法研究仍大有用武之處。行人檢測能識別行人目標，行人跟蹤可獲得行人從出現(xiàn)到消失過程中的運動軌跡，行人計數(shù)可測算通過某檢測線或區(qū)域的人數(shù)。若結(jié)合視頻錄制的時間和空間信息，借助視頻行人檢測和行人跟蹤可計算行人速度、方向，借助視頻行人計數(shù)則可統(tǒng)計乘客流量和密度。因此，視頻檢測技術(shù)適用于車站等公共場合的乘客流量、速度、密度和流向的自動識別。

4擁擠踩踏預警的框架

城市軌道交通車站擁擠踩踏預警現(xiàn)實意義重大，但由于專門的、系統(tǒng)的研究較為匱乏，尚未形成完整的擁擠踩踏預警體系。在前期研究積累和綜覽相關(guān)文獻的基礎上，本文以視頻檢測為核心技術(shù),建立城市軌道交通車站的擁擠踩踏風險預警框架(圖3)。該框架包括以下幾部分：

圖3　城市軌道交通車站擁擠踩踏預警技術(shù)流程Fig.3　Flowchart of technology of crowd trample warning in urban rail transit stations

(1)城市軌道交通車站客視頻采集。為了采集車站內(nèi)部客流視頻，首先需要在車站站廳、扶梯、站臺及出入口等地(如圖4所示)布置視頻采集設備。為保證視頻質(zhì)量，宜采用100萬像素級的攝像頭采集高清視頻，以便于智能視頻分析處理。

圖4　城市軌道交通車站平面圖示例Fig.4　Example of plan view of urban rail transit station

(2)客流信息提取。利用視頻檢測技術(shù)實時提取客流密度、速度和方向等表征客流狀態(tài)的信息。在這方面，需要設計高效的行人檢測算法和跟蹤算法。由于軌道交通車站內(nèi)常常聚集大量乘客，容易產(chǎn)生遮擋現(xiàn)象，結(jié)合既有研究，可基于人頭、人臉或肩部特征開發(fā)行人檢測算法，在此基礎上實現(xiàn)劃定區(qū)域的行人計數(shù)，從而提取客流密度。

對于行人跟蹤，由于人頭不容易被遮擋，因此宜基于頭部輪廓特征和臉部特征等開發(fā)行人跟蹤算法，以避免跟丟問題。同時，可采用隨機跟蹤的策略，而不必對每個乘客進行跟蹤，以減少計算量、提高跟蹤效率。在此基礎上，獲得乘客行走軌跡，以實現(xiàn)乘客速度和方向信息的提取。

(3)客流信息分析與預測。分別對客流密度、速度和方向等信息進行統(tǒng)計分析，掌握其時間變化規(guī)律，建立相應的短時預測模型。同時，綜合分析這些信息對客流狀態(tài)的影響機理。

(4)擁擠踩踏風險評估。借鑒擁擠踩踏事故風險評估的研究成果，建立擁擠踩踏風險分析指標體系，這些指標應至少包括乘客聚集密度、流量、速度和方向。在此基礎上，結(jié)合其他信息構(gòu)建擁擠踩踏風險評估模型，實現(xiàn)擁擠踩踏風險評估，并劃分合理的預警級別，如由高到低的紅、橙、黃、綠4個級別。

(5)擁擠踩踏預警決策與措施制訂。針對每個擁擠踩踏風險級別，制訂預警信息和措施。為了保障乘客的人身財產(chǎn)安全及軌道交通車站的順暢運行，在預警信息發(fā)布和措施執(zhí)行之前，需對它們進行預評估，若能達到預期的預警效果，則直接執(zhí)行；否則，需要重新作出預警決策、制訂預警信息和措施。

(6)預警信息發(fā)布與措施執(zhí)行。根據(jù)預警效果評估結(jié)果，實施客流疏導和應急救援等相關(guān)措施。

可以看出，該框架從視頻采集和客流信息提取入手，經(jīng)過客流信息分析與預測、擁擠踩踏風險評估、擁擠踩踏預警決策和預警措施效果預評估，最終發(fā)布預警信息、執(zhí)行預警措施，形成了一個閉合的循環(huán)，可實時動態(tài)地對城市軌道交通車站客流狀態(tài)進行監(jiān)控與預警。

需要說明的是，之所以基于視頻檢測建立擁擠踩踏預警框架，主要有兩個原因：(1)與國內(nèi)外常見的乘客自動檢測手段(如壓敏傳感技術(shù)和光電檢測技術(shù))相比，視頻檢測覆蓋范圍大，可對站廳、扶梯、站臺及出入口等重要場所(如圖4所示)進行客流監(jiān)測與擁擠踩踏預警，實時掌握站內(nèi)乘客的空間分布狀態(tài)。既有直觀的視頻圖像，也能提供嚴密的信息提取、分析、預測和評估結(jié)果。而壓敏傳感技術(shù)和光電檢測技術(shù)無法展示直觀的現(xiàn)場景象，更難以實時獲得客流的空間分布狀態(tài)。(2)目前已有許多視頻行人檢測、跟蹤和計數(shù)方法，為城市軌道交通車站的客流狀態(tài)檢測奠定了良好的研究基礎。

5結(jié)論

本文圍繞城市軌道交通車站擁擠踩踏預警,對客流預警、擁擠踩踏事故風險評估和客流狀態(tài)自動檢測等相關(guān)問題進行了探討，初步建立了以視頻檢測為核心的城市軌道交通車站的擁擠踩踏風險預警框架，以推動客流監(jiān)測和擁擠踩踏預警朝著信息化、實時動態(tài)化和智能化方向發(fā)展。

然而，由于視頻監(jiān)控環(huán)境復雜多變，人體特征和運動過程千姿百態(tài)，視頻行人檢測、跟蹤和計數(shù)算法的準確率、全面性和實時性均有待改進。對于城市軌道交通車站乘客流量、速度、密度和流向的視頻自動檢測，也暫無相應的公開發(fā)表的行人檢測算法、跟蹤算法和計數(shù)算法。因此，需進一步對這些視頻自動檢測方法展開研究，為城市軌道交通車站擁擠踩踏預警提供準確有效的數(shù)據(jù)支撐。

城市軌道交通車站擁擠踩踏預警是一個復雜的跨學科問題，涉及信息傳輸、視頻檢測、風險評估、預測分析與決策、預警執(zhí)行與接觸等多方面的專業(yè)知識，不僅要從監(jiān)控視頻提取有用信息，還需融合自動售檢票系統(tǒng)及歷史數(shù)據(jù)庫的大量信息。因此，此問題還有待進一步探索，從多方面展開專業(yè)研究并有機整合。

參考文獻：

References:

[1]李得偉, 孫宇星, 黃建玲. 地鐵客流預警技術(shù)基礎探討[J]. 都市快軌交通, 2013, 26(2): 62-66.

LI De-wei, SUN Yu-xing, HUANG Jian-ling. Study on Early Warning of Passenger Flows on Mass Transit Railway[J]. Urban Rapid Rail Transit, 2013, 26(2): 62-66.

[2]黃宏偉, 葉永峰, 胡群芳.地鐵運營安全風險管理現(xiàn)狀分析[J]. 中國安全工程學報, 2008, 18(7): 55-62.HUANG Hong-wei, YE Yong-feng, HU Qun-fang. Analysis on the Current Situation of Risk Management on Metro Operation Safety [J]. China Safety Science Journal, 2008, 18(7): 55-62.

[3]王起全. 基于賦權(quán)關(guān)聯(lián)度算法的地鐵擁擠踩踏事故風險研究[J]. 中國安全科學學報, 2013, 23(5):94-100.

WANG Qi-quan. Research on Crowded Stamped Accident Risk at Subway Based on Empowering Related Degree Method[J]. China Safety Science Journal, 2013, 23(5):94-100.

[4]潘羅敏. 地鐵短時客流量預測預警研究[D]. 北京: 首都經(jīng)濟貿(mào)易大學, 2011.

PAN Luo-min. Study on Short-time Passenger Flow Prediction and Early Warning in Subway[D]. Beijing: Capital University of Economics and Business, 2011.

[5]楊軍. 地鐵客流短期預測及客流疏散模擬研究[D]. 北京: 北京交通大學, 2014.

YANG Jun. Research on Metro Passenger Flow Short-time Prediction and Evacuation Simulation[D]. Beijing: Beijing Jiaotong University, 2014.

[6]李清泉, 李秋萍, 方志祥. 一種基于時空擁擠度的應急疏散路徑優(yōu)化方法[J]. 測繪學報, 2011, 40(4): 517-523.

LI Qing-quan, LI Qiu-ping, FANG Zhi-xiang. An Emergency Evacuation Routing Optimization Method Based on Space-time Congestion Concept[J]. Acta Geodaetica et Cartographica Sinica, 2011, 40(4): 517-523.

[7]劉艷, 汪彤, 丁輝, 等. 地鐵車站擁擠踩踏事故風險評價DEA模型研究[J]. 中國安全科學學報, 2013, 23(10): 100-104.

LIU Yan, WANG Tong, DING Hui, et al. Research on Risk Assessment DEA Model of Crowd Crushing and Trampling Accidents in Subway Stations[J]. China Safety Science Journal, 2013, 23(10): 100-104.

[8]文嘉俊, 徐勇, 戰(zhàn)蔭偉. 基于AdaBoost和幀間特征的人數(shù)統(tǒng)計[J]. 中國圖像圖形學報, 2011, 16(9): 1729-1735.

WEN Jia-jun, XU Yong, ZHAN Yin-wei. People Counting Based on AdaBoost and Inter-frame Features[J]. Journal of Image and Graphics, 2011, 16(9): 1729-1735.

[9]石娟峰. 基于視頻的行人檢測和跟蹤[D]. 北京: 北京郵電大學, 2012.

SHI Juan-feng. Video-based Pedestrian Detection and Tracking[D]. Beijng: Beijing University of Posts and Telecommunication, 2012.

[10]倪洪印. 基于視頻的人體檢測與目標跟蹤方法研究[D]. 長春: 吉林大學, 2014.

NI Hong-yin. Research on Pedestrian Detection and Object Tracking Method Based on Video[D]. Changchun: Jilin University, 2014.

[11]WREN C, AZARBAYEJANI A, DARRELL T, et al. Pfinder: Real-time Tracking of the Human Body[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 1997, 19(7): 780-785.

[12]KASS M, WITKIN A, TERZOPOULOUS D. Snakes: Active Contour Models[J]. International Journal of Computer Vision, 1988, 1(4):321-331.

[13]查宇飛, 張育, 畢篤彥. 基于區(qū)域活動輪廓運動目標跟蹤方法研究[J]. 中國圖像圖形學報, 2006, 11(12): 1844-1848.

ZHA Yu-fei, ZHANG Yu, BI Du-yan. Moving Objects Tracking Using Region-based Active Contours[J]. Journal of Image and Graphics, 2006, 11(12): 1844-1848.

[14]MIAO Q, WANG G, LIN X, et al. Scale and Rotation Invariant Feature-based Object Tracking via Modified On-line Boosting[C]//17th IEEE International Conference on Image Processing. Hong Kong: IEEE, 2010: 3929-3932.

[15]HU J S, JUAN C W, WANG J J. A Spatial-color Mean-shift Object Tracking Algorithm with Scale and Orientation Estimation[J]. Pattern Recognition Letters, 2008, 29(16): 2165-2173.

[16]ZHAO T, NEVATIA R. Tracking Multiple Humans in Complex Situations[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2004, 26(9):1208-1221.

[17]呂敬欽. 視頻行人檢測及跟蹤的關(guān)鍵技術(shù)研究[D]. 上海: 上海交通大學, 2013.

Lü Jing-qin. Research on Important Technology of Video Pedestrian Detection and Tracking[D]. Shanghai: Shanghai Jiaotong University, 2013.

[18]FEHR D, SIVALINGAM R, MORELLAS V, et al. Counting People in Groups[C]// Sixth IEEE International Conference on Advanced Video and Signal Based Surveillance. Genova: IEEE, 2009:152-157.

[19]SUBBURAMAN V B, DESCAMPS A, CARINCOTTE C. Counting People in the Crowd Using a Generic Head Detector[C]// Ninth IEEE International Conference on Advanced Video and Signal Based Surveillance. Beijing: IEEE, 2012: 470-475.

收稿日期：2015-07-24

基金項目：國家自然科學基金項目(51108391, 61170041)；重慶市社會事業(yè)與民生保障科技創(chuàng)新專項項目 (cstc2015shms-ztzx0127, cstc2015shms-ztzx0177)；重慶交通大學科研啟動項目(15JDKJC-A002)

作者簡介：彭博(1986-)，男，四川南充人，博士. (pengbo351@126.com)

doi:10.3969/j.issn.1002-0268.2016.07.017

中圖分類號：U298.2, U239.5

文獻標識碼：A

文章編號：1002-0268(2016)07-0108-05

Discussion of Crowd Trample Warning Technology for Urban Rail Transit Stations

PENG Bo1, JIANG Yang-sheng2,3,

(1. School of Traffic and Transportation, Chongqing Jiaotong University, Chongqing 400074, China;2. School of Transportation and Logistics, Southwest Jiaotong University, Chengdu Sichuan 610031, China;3. Sichuan Provincial Key Laboratory of Comprehensive Transportation, Southwest Jiaotong University,Chengdu Sichuan 610031, China)

Abstract：In order to prevent crowd trample accidents and protect passengers’ personal and property safety in urban rail transit stations, it is necessary to implement crowd trample warning. However, we are short of relevant research recently. Based on comprehensively analyzing the research status about early warning of subway passenger flow, crowd trample accident risk assessment and passenger traffic monitoring (mainly video pedestrian detection, tracking and counting), we discussed the crowd trample warning system for urban rail transit stations. We established a crowd trample warning framework for urban rail transit stations based on video detection, and also determined the technical process and major method of the early warning system, including extraction, analysis and short-term prediction of passenger flow information based on video detection, assessment of crowd trample accident risk, decision-making on early warning of crowd trample and measure development. The challenges and research recommendations of crowd trample warning for urban rail transit station are presented at last.

Key words：traffic engineering; urban rail transit station; crowd trample warning; system research; risk assessment; pedestrian detection; pedestrian tracking; pedestrian counting