孔曉健 陳祥獻(xiàn) 張 寧

(1.中國(guó)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(jí)可容錯(cuò)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(guó)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(duì)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(guò)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(jí)閘機(jī)通行邏輯算法模型。通過(guò)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(cuò)函數(shù)”冗余行為的動(dòng)態(tài)性,再次判斷目標(biāo)對(duì)象種類(lèi)并進(jìn)行目標(biāo)的識(shí)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(jiàn)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(shí)別; 傳感器; 容錯(cuò)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(dòng)售檢票系統(tǒng)的關(guān)鍵設(shè)備,它利用內(nèi)部智能識(shí)別系統(tǒng)進(jìn)行通行邏輯分析識(shí)別。這正是閘機(jī)設(shè)計(jì)和開(kāi)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(shí)別方法是當(dāng)前面臨的難題。

從20世紀(jì)70年代起,多家國(guó)外公司都開(kāi)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(shí)別系統(tǒng),我國(guó)在90年代開(kāi)始進(jìn)行嘗試性研究[1]。以分解物體運(yùn)動(dòng)活動(dòng)為動(dòng)作、行為和事件為主要理論基礎(chǔ)判斷運(yùn)動(dòng)個(gè)體的事件識(shí)別技術(shù)[2]成為主流的方法,形成知識(shí)庫(kù)和判別法則[3]。此方法能識(shí)別大部分情況,但因識(shí)別單元基于運(yùn)動(dòng)個(gè)體,還不能檢測(cè)多個(gè)物體情況,也不能區(qū)分人和類(lèi)人物體?；赬YT模型[4]通過(guò)步態(tài)模式[5]捕捉的壓分與識(shí)別能彌補(bǔ)該方法的部分缺陷,根據(jù)特征分辨出人和類(lèi)人物體,但仍無(wú)法區(qū)分間隔很近的多個(gè)個(gè)體。

1 算法概述

分析、對(duì)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(duì)射信號(hào)遮擋為主導(dǎo)識(shí)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(mén)(已應(yīng)用于杭州地鐵1號(hào)線(xiàn))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(duì)這16元傳感器信號(hào)進(jìn)行分區(qū)分析形成五部分區(qū)域,進(jìn)而分級(jí)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(kù)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(guò)相匹配的“容錯(cuò)函數(shù)”冗余運(yùn)動(dòng)體的運(yùn)動(dòng)狀態(tài)匹配計(jì)算符合度,再次判斷準(zhǔn)確的運(yùn)動(dòng)狀態(tài)。本算法在驗(yàn)證過(guò)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(duì)應(yīng)的“容錯(cuò)函數(shù)”的模式庫(kù)。

2 分級(jí)全過(guò)程

基于文獻(xiàn)[6]提出的動(dòng)作、行為和事件理論思想,本算法類(lèi)比刻畫(huà)了基于“傳感器狀態(tài)”、“單獨(dú)狀態(tài)”和“組合狀態(tài)”三級(jí)狀態(tài)的運(yùn)動(dòng)過(guò)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(jí)“組合狀態(tài)”判斷時(shí)仍需評(píng)估初級(jí)“傳感器狀態(tài)”的匹配性。另外,又寓時(shí)間參數(shù)于運(yùn)動(dòng)模式過(guò)程中,形成如狀態(tài)機(jī)的變換卻又有時(shí)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(shí)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(duì)傳感器信息量1或0。在分區(qū)分析過(guò)程中,對(duì)“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(shí)間改變,若出現(xiàn)“全零狀態(tài)”時(shí),不單獨(dú)考慮,需分析之前最近時(shí)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(lái)簡(jiǎn)單判斷當(dāng)前閘機(jī)內(nèi)部運(yùn)動(dòng)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(shí)符表示該“單獨(dú)狀態(tài)”完成的程度。“單獨(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(shí)刻點(diǎn),時(shí)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(jiǎn)單化分類(lèi),由有限個(gè)傳感器狀態(tài)(如下以某數(shù)值表示這一狀態(tài)持續(xù)時(shí)間長(zhǎng)度)的變化來(lái)表示;

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

2.3 組合狀態(tài)

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

除以上正常過(guò)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(gè)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(wú)任何信號(hào)(全零狀態(tài));

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

以上特殊狀況可通過(guò)比對(duì)當(dāng)前及之前一段時(shí)間內(nèi)傳感器狀態(tài),較容易進(jìn)行識(shí)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(guò)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(dòng)過(guò)程具有隨意性。前文所述的分區(qū)分級(jí)三級(jí)模式旨在刻畫(huà)運(yùn)動(dòng)體在通過(guò)閘機(jī)過(guò)程中的固有運(yùn)動(dòng)狀態(tài)屬性,刻畫(huà)的是相似情況下的大體運(yùn)動(dòng)輪廓。而本節(jié)將論述的“容錯(cuò)函數(shù)”在于刻畫(huà)目標(biāo)運(yùn)動(dòng)的隨機(jī)性,主要用于消除在運(yùn)動(dòng)體通過(guò)閘機(jī)過(guò)程中固有運(yùn)動(dòng)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(duì)運(yùn)動(dòng)過(guò)程的細(xì)節(jié)加以復(fù)原。

3.1 目標(biāo)分類(lèi)

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(shí)間段若能辨認(rèn)多種物體運(yùn)動(dòng)狀態(tài),則可判定為多物體運(yùn)動(dòng)。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(gè)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(shí)可完全將人的運(yùn)動(dòng)和箱子的運(yùn)動(dòng)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(jiǎn)化處理。

3.2 容錯(cuò)判斷

模擬通行過(guò)程,改變通過(guò)閘機(jī)的時(shí)間等變量繪制如圖4的成年人正向、逆向通過(guò)閘機(jī)通道16對(duì)傳感器遮擋情況的概率-時(shí)間圖,對(duì)比曲線(xiàn)可知:正逆向過(guò)程整體信號(hào)變化趨勢(shì)相同,相應(yīng)的每對(duì)信號(hào)波動(dòng)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(shí)刻容錯(cuò)率函數(shù)(簡(jiǎn)稱(chēng)“容錯(cuò)函數(shù)”),即當(dāng)前“單獨(dú)狀態(tài)”、單位周期內(nèi)某一時(shí)刻下某一傳感器發(fā)生不符合模式的遮擋情況時(shí),此時(shí)系統(tǒng)是否判定發(fā)生錯(cuò)誤的要求程度,從100%至0表示一定判錯(cuò)的嚴(yán)重程度。“容錯(cuò)函數(shù)”從概率分布的角度表達(dá)出這些隨機(jī)性因素對(duì)模式匹配判斷過(guò)程帶來(lái)的影響程度。在容錯(cuò)判斷中的核心,正是通過(guò)采用容錯(cuò)率來(lái)消除不匹配度的影響來(lái)輔佐再次判斷的正確性。

圖4 正常成年人正向、逆向通過(guò)閘機(jī)16對(duì)傳感器信號(hào)狀況

3.3 分區(qū)實(shí)現(xiàn)

根據(jù)正常行進(jìn)過(guò)程,結(jié)合疊加性與近似的對(duì)稱(chēng)性考慮,將閘機(jī)組成的通道分成如圖1五個(gè)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(lèi)似。區(qū)域1包含第1-3號(hào)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(duì)傳感器所對(duì)應(yīng)的信號(hào)曲線(xiàn)則有明顯的差異(如圖5所示),對(duì)已處理獲得概率-時(shí)間圖做一次函數(shù)擬合,得到相應(yīng)的容錯(cuò)函數(shù)?？紤]其復(fù)雜性和必要性的關(guān)系,容錯(cuò)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(hào)傳感器容錯(cuò)函數(shù)可寫(xiě)為:

圖5 正常成年人正向、逆向通過(guò)閘機(jī)區(qū)域時(shí)傳感器信號(hào)狀況

3.4 補(bǔ)充修正

在建模過(guò)程中,發(fā)現(xiàn)實(shí)現(xiàn)容錯(cuò)函數(shù)的應(yīng)用需預(yù)估“單獨(dú)狀態(tài)”的周期長(zhǎng)度。根據(jù)各傳感器曲線(xiàn)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(shí)刻作為曲線(xiàn)的定型點(diǎn),進(jìn)而復(fù)原整個(gè)周期曲線(xiàn)。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(hào)傳感器第一次遮擋情況為例(見(jiàn)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(shí)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(jiǎn)單的處理,即取整個(gè)曲線(xiàn)的峰值對(duì)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(duì)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(hào)傳感器第一次出現(xiàn)遮擋的時(shí)刻分布

4 算法驗(yàn)證

通過(guò)已有的閘機(jī)仿真測(cè)試系統(tǒng),模擬多種情況(不同運(yùn)動(dòng)個(gè)體,不同運(yùn)動(dòng)速度等),按照如上算法的描述建立匹配的模式庫(kù)。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(cuò)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(cè)試信號(hào)數(shù)據(jù)并以文本文件的格式存儲(chǔ)在計(jì)算機(jī)中。通過(guò)導(dǎo)入測(cè)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(lèi)情況:

(1) 根據(jù)正常成年人通過(guò)閘機(jī)的不同階段分別選取了八組進(jìn)行過(guò)程的信號(hào)。如圖7所示的最后輸出結(jié)論與事實(shí)相吻合:①均識(shí)別出了這是正常成年人;②根據(jù)實(shí)際的行走過(guò)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(shí)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(guò)閘機(jī)、正常成年人逆向通過(guò)閘機(jī)、兒童正向通過(guò)閘機(jī)。三組信號(hào)最后的輸出結(jié)論與事實(shí)相吻合:①前兩者識(shí)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(wú)法識(shí)別目標(biāo);②繼而由于不符合行走模式,做出了錯(cuò)誤判斷,而對(duì)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(shí)別組圖(分別為:正常成年人正向、逆向、小孩)

根據(jù)這兩類(lèi)情況的測(cè)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(yǔ)

針對(duì)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(shí)別方法。本方法兼顧在閘機(jī)通過(guò)時(shí)運(yùn)動(dòng)狀態(tài)的確定性和隨機(jī)性。首先,類(lèi)比優(yōu)化提出了三級(jí)狀態(tài)的運(yùn)動(dòng)模式,匹配還原運(yùn)動(dòng)的大致輪廓,判斷模式狀態(tài)。其次,創(chuàng)新性地引入“容錯(cuò)函數(shù)”，冗余不同運(yùn)動(dòng)狀態(tài)下模式匹配中的波動(dòng)性,修正了判斷的錯(cuò)誤率,再次判斷獲得目標(biāo)的種類(lèi)和所處的狀態(tài)。通過(guò)測(cè)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(lèi)和通道分布等。另外,在模式匹配過(guò)程中,如何對(duì)整體模式復(fù)原還需要進(jìn)一步探究。本文提出的容錯(cuò)函數(shù),是出于對(duì)匹配過(guò)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(guò)程中,發(fā)現(xiàn)仍可以對(duì)容錯(cuò)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(duì)離散點(diǎn)與已知曲線(xiàn)的擬合,這或許將是提高閘機(jī)智能識(shí)別系統(tǒng)正確率的一個(gè)方法。

[1] 趙靖.軌道交通閘機(jī)智能識(shí)別系統(tǒng)硬件平臺(tái)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(zhǎng)明，等.城市軌道交通中閘機(jī)事件識(shí)別技術(shù)[J].中國(guó)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(shí)別技術(shù)的研究與應(yīng)用[J].電氣傳動(dòng)自動(dòng)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(shí)空模型的步態(tài)識(shí)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)