李 君，陳瑞鳳,徐春婕,呂曉軍

(1.北京經(jīng)緯信息技術(shù)有限公司，北京 100081；2.中國鐵道科學(xué)研究院集團(tuán)有限公司 電子計(jì)算技術(shù)研究所，北京 100081)

0 引言

隨著運(yùn)營里程的增加和旅客發(fā)送量的突增，中國高速鐵路建設(shè)取得了舉世矚目的成就，客運(yùn)服務(wù)信息系統(tǒng)承擔(dān)著舉足輕重的作用，如何保障旅客安全出行始終排在客運(yùn)服務(wù)首要位置[1]?？瓦\(yùn)服務(wù)的安全管控也從一開始的被動(dòng)監(jiān)管、巡查式管理、追溯不及時(shí)到主動(dòng)監(jiān)控、安全預(yù)警、智能化管控，實(shí)現(xiàn)了鐵路客運(yùn)服務(wù)安全管理質(zhì)的飛躍，但在保障旅客運(yùn)輸和客運(yùn)服務(wù)的安全方面仍然存在問題追溯滯后、潛在隱患發(fā)現(xiàn)不及時(shí)、運(yùn)輸組織不暢等問題[2-3]。據(jù)此，利用從綜合視頻網(wǎng)接入的實(shí)時(shí)綜合視頻流等數(shù)據(jù)，結(jié)合列車運(yùn)行時(shí)刻表等運(yùn)輸調(diào)度數(shù)據(jù)，通過卷積神經(jīng)網(wǎng)絡(luò)的算法，選取客運(yùn)車站站臺(tái)這一重點(diǎn)區(qū)域，進(jìn)行對(duì)視頻場景中旅客跨越站臺(tái)白線、禁區(qū)徘徊等異常行為的識(shí)別、判斷、跟蹤、告警[4]，及時(shí)提醒車站工作人員和客運(yùn)值班人員，對(duì)鐵路客運(yùn)車站旅客異常行為進(jìn)行主動(dòng)監(jiān)測和實(shí)時(shí)調(diào)控，同時(shí)根據(jù)預(yù)判信息提早預(yù)防客運(yùn)作業(yè)風(fēng)險(xiǎn)，及時(shí)發(fā)現(xiàn)潛在客運(yùn)作業(yè)安全隱患，保障客運(yùn)車站安全穩(wěn)定運(yùn)營。后續(xù)可以考慮對(duì)監(jiān)控到的異常事件進(jìn)行結(jié)構(gòu)化信息的提取，如重點(diǎn)人員的識(shí)別及跨域追蹤、站內(nèi)遺留物檢測等。

對(duì)于客運(yùn)車站內(nèi)售票大廳、檢票口、候車室等人員密集度較大區(qū)域，采用多列卷積神經(jīng)網(wǎng)絡(luò)算法，較為精準(zhǔn)的定位人員具體位置并以識(shí)別概率的形式進(jìn)行清晰標(biāo)記，主動(dòng)監(jiān)測和識(shí)別人員密度，并按照人員聚集程度進(jìn)行合理引流分流，適當(dāng)開放進(jìn)站閘機(jī)或按需增減檢票口，為更為順暢的安排客運(yùn)組織和客運(yùn)作業(yè)計(jì)劃提供數(shù)據(jù)依據(jù)。后續(xù)可以以客流組織為基礎(chǔ)，結(jié)合具體的作業(yè)場景和作業(yè)模式，分析比對(duì)客流組織過程中的關(guān)鍵環(huán)節(jié)，得出不同場景、不同區(qū)域、不同周期的進(jìn)站客流統(tǒng)計(jì)結(jié)果，從而預(yù)測下一階段該區(qū)域客流。通過對(duì)典型流線布局的形式和特點(diǎn)進(jìn)行系統(tǒng)性分析，并結(jié)合排隊(duì)系統(tǒng)有關(guān)理論完善客運(yùn)設(shè)備配置、優(yōu)化客流組織流線。

1 旅客異常行為智能識(shí)別和監(jiān)測方法研究

針對(duì)目前存在的客運(yùn)服務(wù)管控分散、生產(chǎn)管理效率低下、客流組織安排不合理等弊端，選取鐵路客運(yùn)車站站臺(tái)和候車廳等重點(diǎn)區(qū)域，采用神經(jīng)網(wǎng)絡(luò)的基本算法對(duì)越界入侵識(shí)別不及時(shí)、站段防護(hù)不到位、客運(yùn)作業(yè)流線設(shè)計(jì)不合理、客運(yùn)組織安排不當(dāng)?shù)葐栴}進(jìn)行算法選取和模型搭建，借助智能化的技術(shù)手段對(duì)以上車站痛點(diǎn)進(jìn)行研究。針對(duì)旅客站臺(tái)越界和站內(nèi)重點(diǎn)區(qū)域人員密度監(jiān)控兩個(gè)典型場景進(jìn)行研究，分別搭建“旅客站臺(tái)白線越界入侵監(jiān)控及預(yù)警模型”和“人員密集度主動(dòng)監(jiān)測控制模型”。在“旅客站臺(tái)白線越界入侵監(jiān)控及預(yù)警模型”中，采用CNN網(wǎng)絡(luò)提取站臺(tái)白線附近區(qū)域視頻圖像特征信息并根據(jù)旅客與白線的距離進(jìn)行閾值判斷，從而對(duì)旅客進(jìn)行主動(dòng)監(jiān)控和預(yù)警；在“人員密集度主動(dòng)監(jiān)測控制模型”中選取站內(nèi)人群較為密集的候車室、檢票口、售票廳等重點(diǎn)區(qū)域進(jìn)行監(jiān)控，利用MCNN模型動(dòng)態(tài)識(shí)別人員數(shù)量，用不同顏色直觀標(biāo)示密度大小，便于客運(yùn)工作人員實(shí)時(shí)監(jiān)控站內(nèi)重點(diǎn)區(qū)域人群密度，提前做出客運(yùn)計(jì)劃安排。

2 旅客異常行為智能識(shí)別和控制設(shè)計(jì)

對(duì)于旅客異常行為的智能識(shí)別和控制，分別選取站臺(tái)和候車室兩個(gè)區(qū)域白線越界入侵監(jiān)控預(yù)警和人員密集度主動(dòng)監(jiān)控的設(shè)計(jì)。對(duì)于站臺(tái)白線越界，目前有很多較為成熟的檢測方法且準(zhǔn)確率也較高，但在鐵路客運(yùn)車站這種客流量大，旅客行為不受控制可能性大的應(yīng)用場景較為特殊，針對(duì)此類典型場景進(jìn)行設(shè)計(jì)可為后續(xù)相關(guān)研究提供應(yīng)用參考。對(duì)于人員密度的主動(dòng)監(jiān)測，采用較為先進(jìn)的MCNN算法，在不容易識(shí)別的選擇框上疊加識(shí)別概率，且選取人群密度大的客運(yùn)車站候車大廳，更加容易疊加相關(guān)算法進(jìn)行后續(xù)試驗(yàn)。具體設(shè)計(jì)思路和具體描述如下。

2.1 旅客站臺(tái)白線越界入侵監(jiān)控及預(yù)警設(shè)計(jì)

1)設(shè)計(jì)思路及方法：

鐵路客運(yùn)車站作為現(xiàn)階段最主要的交通樞紐，人員流動(dòng)性較大，車站上下車人數(shù)較多、人員流動(dòng)性大且換乘站客流量較大，站臺(tái)上經(jīng)常會(huì)出現(xiàn)旅客跨越白線、站端入侵等現(xiàn)象，以上旅客異常行為又往往容易被車站工作人員所忽視[5]，尤其在車站運(yùn)營高峰時(shí)期和大面積晚點(diǎn)等情況下顯得尤為突出，極大程度上增加了車站客運(yùn)安全事故發(fā)生的概率，嚴(yán)重影響到車站的客運(yùn)作業(yè)安全。為有效保證每位乘客的人身以及財(cái)產(chǎn)安全，往往需要車站安保人員和站臺(tái)客運(yùn)工作人員長期對(duì)站臺(tái)的安全狀況實(shí)時(shí)盯控，耗費(fèi)極大的人力和物力。隨著近年來車站視頻監(jiān)控及視頻分析技術(shù)的不斷完善和飛速發(fā)展，尤其是對(duì)于人員的姿態(tài)估計(jì)、行為識(shí)別等的檢測和識(shí)別技術(shù)逐漸成熟，如：通過檢測圖像中所有人的關(guān)節(jié)進(jìn)而分配給對(duì)應(yīng)個(gè)人的OpenPose人體姿態(tài)估計(jì)算法、通過CNN網(wǎng)絡(luò)提取圖像特征信息并分類的行人識(shí)別算法、以及通過改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)、結(jié)合3D卷積的各種行人識(shí)別的深度學(xué)習(xí)算法，這些算法的準(zhǔn)確度和精細(xì)度也更高，更容易精準(zhǔn)的識(shí)別出目標(biāo)行人[6-7]。對(duì)于鐵路客運(yùn)車站這一具體應(yīng)用場景來講，通過視頻畫面實(shí)時(shí)進(jìn)行行人越界入侵的檢測，能夠大幅提升車站客運(yùn)工作人員作業(yè)效率和客運(yùn)車站智能化安全管理水平，被越來越廣泛的運(yùn)用于車站安保工作當(dāng)中。

目前，我國鐵路客運(yùn)車站在行人越界入侵檢測方面普遍采用事后調(diào)取視頻或圖像進(jìn)行逐幀比對(duì)的方式，這種傳統(tǒng)的檢測方式極大地降低了鐵路客運(yùn)管理的運(yùn)營效率，且上述檢測方法往往是在事故發(fā)生后所采取的，不能給現(xiàn)場安保人員提供提前預(yù)處理的指導(dǎo)，實(shí)時(shí)性差。因此，提供一種能夠快速、精準(zhǔn)、實(shí)時(shí)的完成鐵路客運(yùn)站站臺(tái)白線越界入侵報(bào)警的車站監(jiān)控視頻檢測技術(shù)，以提高工作效率、減少人力物力資源的浪費(fèi)，成為亟需解決的技術(shù)問題。

2)實(shí)現(xiàn)流程圖：

通過對(duì)由視頻監(jiān)控網(wǎng)獲取到的視頻圖像進(jìn)行分析，確定視頻畫面中的白線邊界，并根據(jù)車站要求人工定義警戒區(qū)域?yàn)榘拙€邊界以內(nèi)5～10 cm。根據(jù)接收到的列車到發(fā)信號(hào)，開始檢測站臺(tái)指定區(qū)域內(nèi)的行人，并對(duì)站臺(tái)白線進(jìn)行檢測(即獲取白線邊界位置及白線警戒區(qū)域)；然后在預(yù)設(shè)時(shí)間段(根據(jù)實(shí)際需要進(jìn)行設(shè)置，如30秒)內(nèi)，判斷列車停穩(wěn)信息，如果確定列車已停穩(wěn)則停止檢測區(qū)域內(nèi)的行人，否則持續(xù)檢測直到收到列車停穩(wěn)信號(hào)為止。若目標(biāo)行人與白線邊界距離大于第一預(yù)設(shè)距離(白線內(nèi)邊界以外10～60 cm，則啟動(dòng)入侵越界報(bào)警；若目標(biāo)行人與白線邊界距離在第一預(yù)設(shè)距離與第二預(yù)設(shè)距離(白線內(nèi)邊界以外5～10 cm)之間，且逗留時(shí)間超過10秒，則系統(tǒng)啟動(dòng)徘徊報(bào)警跟蹤；若目標(biāo)行人距離白線內(nèi)側(cè)距離5 cm以內(nèi)，則開啟重點(diǎn)人員追蹤，必要時(shí)跨域跟蹤，具體思路如圖1所示。

圖1 站臺(tái)白線越界入侵檢測條件判斷示意圖

圖2 目標(biāo)行人尺寸示意圖

圖3 目標(biāo)行人具體位置

3)算法實(shí)現(xiàn)描述：

針對(duì)站臺(tái)兩側(cè)、候車室等重要區(qū)域?qū)崟r(shí)監(jiān)測，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)(CNN,convolutional neural networks)算法，對(duì)跨越白線、站端侵入、禁區(qū)徘徊等旅客異常行為進(jìn)行識(shí)別，對(duì)檢測到的異常情況提前給出預(yù)警信息，完成旅客異常行為分析、相關(guān)區(qū)域警情預(yù)測等。

CNN包括對(duì)特征提取層和特征映射層的操作，前者負(fù)責(zé)提取上一個(gè)輸入神經(jīng)元的局部特征(文中為上一幀圖像特征，該特征被提取后，與其它特征之間的位置關(guān)系便可確定)，特征映射結(jié)構(gòu)采用影響函數(shù)核小的sigmoid函數(shù)作為卷積網(wǎng)絡(luò)激活函數(shù)，使得特征映射具有位移不變性。后者為特征映射層，該網(wǎng)絡(luò)的每個(gè)計(jì)算層由多個(gè)特征映射組成，每個(gè)特征映射是一個(gè)平面，平面上所有的神經(jīng)元權(quán)值相等。

基于CNN的基本架構(gòu)，結(jié)合Selective Search思想，首先將被測的某一幀圖像(如某趟列車停穩(wěn)前的某一幀視頻畫面)分割成很多小區(qū)域，將這些區(qū)域看作單獨(dú)的圖片，然后將這些區(qū)域圖片傳遞給CNN，根據(jù)其相似性(相似性衡量標(biāo)準(zhǔn)可以為顏色、輪廓、紋理等)進(jìn)行區(qū)域合并，劃分到不同的類別中，不斷迭代小區(qū)域合并成大區(qū)域，并對(duì)每幀圖像處理，最終結(jié)合并獲得包含異常人員特征圖像。對(duì)于目標(biāo)行人和背景的區(qū)分需要以每張區(qū)域圖片的感興趣區(qū)域?yàn)榛A(chǔ)進(jìn)行不斷識(shí)別、改造，通過對(duì)支持向量機(jī)(SVM)的不斷訓(xùn)練，為每個(gè)辨識(shí)到的目標(biāo)行人生成更為精準(zhǔn)的邊界框[8-9]。具體思路如下：

圖4 CNN的大致思想

利用算法計(jì)算目標(biāo)行人位置時(shí)，通過安裝在站臺(tái)指定位置的攝像頭獲取目標(biāo)行人所在檢測區(qū)域的視頻畫面(行人檢測結(jié)果)和相鄰幀的檢測視頻原始圖像(下一幀監(jiān)測畫面)，將檢測區(qū)域圖像輸入至卷積神經(jīng)網(wǎng)絡(luò)中，獲取到目標(biāo)行人的行人特征信息，同時(shí)將下一幀原始監(jiān)測畫面輸入卷積神經(jīng)網(wǎng)絡(luò)，獲取全局行人特征信息。經(jīng)比對(duì)，在全局行人特征信息中獲取到包含目標(biāo)行人的行人特征信息的區(qū)域，作為該目標(biāo)行人在下一幀圖像中的位置。依次對(duì)每一幀圖像進(jìn)行上述處理，則可以獲取到該目標(biāo)行人的運(yùn)動(dòng)軌跡，完成對(duì)其的位置跟蹤。識(shí)別到越界人員后，啟動(dòng)入侵越界報(bào)警，通過檢測該異常人員徘徊次數(shù)和時(shí)長，判斷是否與接入的公安系統(tǒng)重點(diǎn)人像庫進(jìn)行比對(duì)，以便篩查可疑人員或重點(diǎn)人員，具體方法如下：

圖5 目標(biāo)行人位置徘徊報(bào)警跟蹤示意圖

圖6 站臺(tái)白線入侵越界人員的檢測系統(tǒng)流程圖

對(duì)于站臺(tái)白線警戒區(qū)域越界人員的檢測，本算法首先按照系統(tǒng)接收到列車到發(fā)信號(hào)且列車處于停穩(wěn)前5分鐘為基本條件，對(duì)于滿足此條件且通過站臺(tái)視頻監(jiān)測畫面監(jiān)測得到的檢測區(qū)域內(nèi)行人開始進(jìn)行白線距離歸一化(即：將目標(biāo)行人雙腳中心點(diǎn)與所述白線邊界位置之間的距離乘以歸一化矩陣)。之后，將待檢測畫面作為輸入圖像輸入至預(yù)先訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)中，獲取到目標(biāo)行人的特征圖以及多個(gè)候選區(qū)域；將兩者結(jié)合，計(jì)算出每個(gè)候選區(qū)域中具有目標(biāo)行人的概率值。若概率值大于預(yù)設(shè)概率值0.5，則可確定目標(biāo)行人所在候選區(qū)域，并認(rèn)定為目標(biāo)行人的具體位置，將其與白線內(nèi)邊界位置比較。若兩者距離大于60 cm則認(rèn)為正常，不作任何操作；若兩者距離大于10 cm(第一預(yù)設(shè)距離)，啟動(dòng)入侵越界報(bào)警；若兩者間距離在5 cm(第二預(yù)設(shè)距離)與10 cm之間，啟動(dòng)入侵越界報(bào)警和行人跟蹤監(jiān)測，對(duì)于逗留時(shí)間超過30秒的行人，則啟動(dòng)徘徊報(bào)警跟蹤；若小于5 cm，啟動(dòng)入侵越界報(bào)警并考慮是否啟用重點(diǎn)人員比對(duì)，以進(jìn)行跨域追蹤。另外，針對(duì)一些敏感性區(qū)域，設(shè)置虛擬檢測區(qū)域監(jiān)測(可同時(shí)設(shè)置多個(gè)虛擬監(jiān)測區(qū)域，虛擬監(jiān)測區(qū)域均可自定義調(diào)整)，對(duì)未經(jīng)允許而入檢測區(qū)域的人員進(jìn)行監(jiān)測，并向工作人員發(fā)出告警信息，嚴(yán)格控制不明物體或人接近，形成高安全系數(shù)的入侵檢測防范體系。

4)硬件環(huán)境搭建：

選取太原站和北京西站作為旅客異常行為實(shí)時(shí)監(jiān)控及預(yù)警的視頻監(jiān)測試驗(yàn)點(diǎn)，搭建的智能視頻分析平臺(tái)能夠同時(shí)接入模擬視頻或數(shù)字視頻信號(hào)，適用于多級(jí)聯(lián)網(wǎng)的集中監(jiān)控管理結(jié)構(gòu)，可以同多家主流視頻監(jiān)控平臺(tái)無縫對(duì)接。通過智能視頻分析，返回事件預(yù)警信息，以便采取實(shí)時(shí)視頻流彈出、聲光電報(bào)警等方式提醒監(jiān)控人員。使用智能分析終端,針對(duì)模擬和數(shù)字?jǐn)z像頭混合的場景,在前端完成處理和計(jì)算。

圖7 綜合視頻前端分析結(jié)構(gòu)示意圖

模擬視頻可從模擬攝像機(jī)到智能分析終端進(jìn)行分析，也可通過矩陣對(duì)接入的視頻源進(jìn)行分流、切換，還可通過DVR/DVS轉(zhuǎn)化為數(shù)字視頻后，再通過智能分析終端實(shí)時(shí)分析。數(shù)字視頻可直接從數(shù)字?jǐn)z像機(jī)傳輸?shù)街悄芊治鼋K端進(jìn)行分析，也可傳輸至流媒體服務(wù)器，流媒體服務(wù)器再把視頻信號(hào)轉(zhuǎn)發(fā)給智能分析終端進(jìn)行視頻分析。視頻分析處理后，產(chǎn)生的報(bào)警信息通過網(wǎng)絡(luò)發(fā)送給綜合監(jiān)控平臺(tái)進(jìn)行報(bào)警聯(lián)動(dòng)觸發(fā)，并給出報(bào)警信息，提醒工作人員及時(shí)處理。

2.2 人員密集度主動(dòng)監(jiān)測控制模型

1)設(shè)計(jì)思路及方法：

鐵路客運(yùn)車站作為旅客跨城市的主要交通工具，客流量數(shù)量可觀，尤其在進(jìn)站口、檢票口、候車廳、出站通道等場所，人群較為密集，往往容易由于突發(fā)事件導(dǎo)致人群失控從而發(fā)生擁擠、踩踏等事件，影響旅客人身安全和客運(yùn)組織效率[10-11]。

通過采集到的站前廣場實(shí)時(shí)監(jiān)控錄像，結(jié)合旅客身份核驗(yàn)時(shí)獲取的人臉圖像等相關(guān)身份信息，采用多列卷積神經(jīng)網(wǎng)絡(luò)(MCNN，multi-column convolutional neural network)算法，分析站內(nèi)主要區(qū)域人流密集情況，將人員聚集區(qū)識(shí)別標(biāo)記，對(duì)短時(shí)間內(nèi)超過客流閾值的區(qū)域給出預(yù)警信息。

2)算法實(shí)現(xiàn)原理:

目前常用的人群計(jì)數(shù)方法主要有基于目標(biāo)檢測的方法和基于回歸的方法，前者通過對(duì)圖像上每個(gè)人或人頭進(jìn)行定位與識(shí)別，根據(jù)結(jié)果統(tǒng)計(jì)人數(shù)，此法較為準(zhǔn)確但不適應(yīng)識(shí)別高密度人群；后者只能大概估計(jì)人群數(shù)目并沒有精確定位行人位置[12-13]。采用回歸算法中的密度圖回歸算法[14-15]，即：每幀視頻圖像中的每個(gè)人頭所在近似中心位置，采用MCNN的方法估計(jì)人頭覆蓋范圍，將該區(qū)域轉(zhuǎn)化為該區(qū)域內(nèi)可能為人頭的概率(表示每個(gè)像素可能有多少人)，該區(qū)域概率總和為1，最終得到人群密度圖。具體的算法表述如下：

3 實(shí)驗(yàn)結(jié)果與分析

針對(duì)旅客異常行為識(shí)別和人群密度識(shí)別，選取北京西站作為試點(diǎn)車站進(jìn)行試驗(yàn)驗(yàn)證，結(jié)合列車運(yùn)行計(jì)劃和調(diào)度作業(yè)計(jì)劃，選取列車到達(dá)至發(fā)車前這段時(shí)間作為旅客異常行為識(shí)別的驗(yàn)證時(shí)間段，利用CNN算法進(jìn)行模擬驗(yàn)證；另選取北京西站某候車大廳在發(fā)車高峰時(shí)間段的視頻作為訓(xùn)練數(shù)據(jù)，利用MCNN算法進(jìn)行模擬驗(yàn)證，驗(yàn)證具體方法及分析結(jié)論如下：

3.1 基于CNN的旅客異常行為識(shí)別算法模擬驗(yàn)證

1)實(shí)驗(yàn)步驟及方法：

根據(jù)列車運(yùn)行計(jì)劃和站臺(tái)作業(yè)情況，綜合考慮，選取北京西站12站臺(tái)作為旅客白線越界分析的監(jiān)測分析場景，選取該站臺(tái)發(fā)車前5分鐘至發(fā)車時(shí)的視頻作為監(jiān)測分析的視頻源，通過CNN算法對(duì)其進(jìn)行分析處理，驗(yàn)證預(yù)警范圍是否為擬定的范圍閾值。利用KNN算法對(duì)監(jiān)測過程中畫面內(nèi)行人距離白線實(shí)時(shí)數(shù)據(jù)進(jìn)行聚類分析，直觀得出行人越界情況。

2)實(shí)驗(yàn)數(shù)據(jù)和監(jiān)測結(jié)果：

對(duì)于旅客異常行為的檢測，選取對(duì)車站安全運(yùn)營影響程度較高的站臺(tái)越界檢測作為研究對(duì)象，以北京西站12站臺(tái)某段時(shí)間的視頻監(jiān)控圖像為驗(yàn)證場景，截取4～5段視頻圖像作為檢測數(shù)據(jù)，得到站臺(tái)附近及站臺(tái)越界的目標(biāo)檢測結(jié)果。

3)實(shí)驗(yàn)結(jié)果分析：

從圖8和圖9可以看到，對(duì)于圖8左側(cè)圖片為列車停檢之前檢測到的站臺(tái)邊緣旅客停留情況，監(jiān)測到的旅客以綠色框進(jìn)行標(biāo)注(即：按正常狀況進(jìn)行處理)，對(duì)于列車停檢之后發(fā)車之前的時(shí)段(如圖8右側(cè)圖片)，探測到距離站臺(tái)白線內(nèi)邊界5 cm范圍內(nèi)的行人以紅色框線進(jìn)行標(biāo)注并通過平臺(tái)的后臺(tái)給出工作人員預(yù)警信息，必要時(shí)將識(shí)別出的旅客人臉與公安庫中的人臉圖像進(jìn)行比對(duì)，以決定是否重點(diǎn)人員監(jiān)控和下一步的視頻跨域追蹤。圖8左側(cè)圖片中標(biāo)注為person1的人員雖然壓白線，但距離站臺(tái)白線內(nèi)邊界在10～60 cm之間，不進(jìn)行預(yù)警提示，僅作為徘徊跟蹤監(jiān)測的目標(biāo)對(duì)象進(jìn)行處理，對(duì)于上圖中除此兩種情形之外的其余人員則分別按照對(duì)應(yīng)距離進(jìn)行標(biāo)注顯示。圖9選取北京西站12站臺(tái)某趟列車開檢前進(jìn)行目標(biāo)行人越界檢測，左側(cè)圖像為檢測之前的原始視頻畫面，右側(cè)圖像為采用算法檢測之后的視頻畫面。

圖8 北京西站12站臺(tái)某時(shí)段行人站臺(tái)越界檢測結(jié)果

圖9 北京西站12站臺(tái)某時(shí)段行人站臺(tái)越界檢測前后對(duì)比

為了更好地將以上北京西站12站臺(tái)的行人越界情況進(jìn)行直觀展示，選取該站臺(tái)5分鐘的視頻，按照1秒鐘播放25幀視頻的速度，5分鐘視頻總幀數(shù)為7 500幀，對(duì)應(yīng)圖10 的橫軸，縱軸表示行人距離站臺(tái)邊界的距離，目標(biāo)行人尺寸及行人距離站臺(tái)邊界的距離統(tǒng)一換算為像素值，監(jiān)測圖像分辨率為72 dpi(即：72像素/英寸)，監(jiān)測圖像分辨率為1 080×1 920，

圖10 行人越界檢測數(shù)據(jù)分析結(jié)果

按照1 cm=28 dpi，則每幀監(jiān)測圖像的畫面尺寸為38.6 cm高×68.6 cm寬，另外，目標(biāo)行人距離站臺(tái)邊界的距離基本按照10:1的比例進(jìn)行換算，則判斷行人距離站臺(tái)邊界的位置相當(dāng)于判斷58.6-x-w-16的值是否屬于[10,10.5]、[10.5,11]、[11,16]、[16,25]這3個(gè)區(qū)間，若屬于[16,25]區(qū)間則代表目標(biāo)行人無異常行為，不作任何操作；若屬于[11,16]區(qū)間則認(rèn)為目標(biāo)行人有白線越界行為，啟動(dòng)入侵越界報(bào)警；若屬于[10.5,11]區(qū)間范圍則代表目標(biāo)行人距離站臺(tái)邊界的距離在第一預(yù)設(shè)距離與第二預(yù)設(shè)距離之間，認(rèn)為目標(biāo)行人有越界行為，啟動(dòng)入侵越界報(bào)警并進(jìn)行行人跟蹤監(jiān)測，若該狀態(tài)持續(xù)時(shí)間超過30秒，則啟動(dòng)徘徊報(bào)警跟蹤；若屬于[10,10.5]區(qū)間范圍則代表目標(biāo)行人距離站臺(tái)邊界的距離小于第二預(yù)設(shè)距離，禁止停留并進(jìn)行報(bào)警和必要的重點(diǎn)人員比對(duì)和視頻跨域追蹤。

從圖10對(duì)某一幀視頻畫面中人員越界狀態(tài)的統(tǒng)計(jì)結(jié)果可以看出，視頻剛開始1分30秒的時(shí)間內(nèi)(對(duì)應(yīng)視頻幀數(shù)0～2 000幀)，停留在[10,10.5]和[10.5,11]這兩個(gè)區(qū)間的人員較多，此時(shí)剛開檢，旅客大量聚集到站臺(tái)上，后經(jīng)車站工作人員疏導(dǎo)，旅客聚集和越界現(xiàn)象明顯改善，視頻進(jìn)行到4分鐘的時(shí)候，檢測到有部分旅客距離站臺(tái)白線內(nèi)側(cè)位于[10,10.5]區(qū)間，此時(shí)列車已進(jìn)入站臺(tái)，基本停穩(wěn)，開始有極少數(shù)旅客陸續(xù)上車。

根據(jù)以上檢測結(jié)果得出，無論是虛擬監(jiān)測區(qū)域的行人目標(biāo)檢測還是站臺(tái)區(qū)域的行人越界監(jiān)測，按照如上算法和CNN計(jì)算模型都基本上檢測出了目標(biāo)對(duì)象，且根據(jù)圖10的檢測結(jié)果來看，基本按照實(shí)際情況能夠直觀的給出檢測區(qū)間視頻內(nèi)的行人越界情況，易于后期以各種方式進(jìn)行統(tǒng)計(jì)展現(xiàn)。

3.2 基于MCNN的人員密度主動(dòng)監(jiān)測算法模擬驗(yàn)證

1)實(shí)驗(yàn)步驟和方法：

關(guān)于人員密度檢測，選取北京西站發(fā)車客流較大的第七候車室的多個(gè)檢票口、第三候車室的門口區(qū)域以及北京西站候車大廳通道作為人群密度檢測的數(shù)據(jù)集，針對(duì)不同時(shí)段不同檢票口的視頻圖像進(jìn)行檢測，得到對(duì)應(yīng)的人群密度圖。根據(jù)人群密度不同以不同顏色進(jìn)行標(biāo)識(shí)，直觀展示站內(nèi)重點(diǎn)區(qū)域人群分布。

2)實(shí)驗(yàn)數(shù)據(jù)和監(jiān)測結(jié)果：

檢測出的人群密度圖中按照人群聚集程度的不同自動(dòng)以不同顏色標(biāo)記人頭，以便清晰的區(qū)分。對(duì)于候車大廳通道，選取10秒的錄像進(jìn)行檢測，得到實(shí)時(shí)動(dòng)態(tài)的旅客人像標(biāo)記圖，以藍(lán)色方框表示識(shí)別到的目標(biāo)群體，方框上可顯示該目標(biāo)被識(shí)別正確的概率，具體結(jié)果如圖11。

圖11 北京西站候車大廳目標(biāo)識(shí)別具體效果

3)實(shí)驗(yàn)結(jié)果分析：

從以上檢測結(jié)果可以看出，采用MCNN算法基本檢測出了目標(biāo)區(qū)域內(nèi)的人群密度和估計(jì)的人員數(shù)量，識(shí)別效果較好。候車大廳通道較長，根據(jù)圖11可以看出，通過CNN的算法基本能夠識(shí)別出聚集的目標(biāo)人員，但對(duì)于距離攝像頭較遠(yuǎn)區(qū)域(即：視頻最后段端)區(qū)域的目標(biāo)人員，識(shí)別不是很全面，出現(xiàn)部分區(qū)域覆蓋不到的現(xiàn)象，需要靠優(yōu)化識(shí)別算法來實(shí)現(xiàn)。對(duì)于候車檢票口等人員較為密集的區(qū)域，該算法能夠較為精準(zhǔn)的識(shí)別并以不同顏色表示密集的程度(用藍(lán)色、綠色、黃色、橙色、紅色依次表示人員密集程度，紅色為人員密集度最大的區(qū)域，因印刷問題此處無法顯示顏色)。其中，人員密集區(qū)域(紅色紅區(qū)域)具體的識(shí)別概率會(huì)出現(xiàn)概率總和為4～5的狀況，但對(duì)于近距離范圍內(nèi)側(cè)面、背面、帶遮擋的人像識(shí)別不是很清楚，有時(shí)會(huì)出現(xiàn)識(shí)別不全的情況，以上情形可以從圖12、圖13中反映出來，此類情況可以針對(duì)性的考慮疊加其他的相關(guān)算法進(jìn)行后續(xù)改善。

圖12 北京西站第七候車室第一檢票口人群密度檢測結(jié)果

圖13 北京西站第三候車室門口人群密度檢測結(jié)果

4 結(jié)束語

以鐵路客運(yùn)車站旅客異常行為監(jiān)測為契機(jī)，對(duì)監(jiān)測內(nèi)容進(jìn)行了較詳細(xì)的描述，提出了安全監(jiān)控相應(yīng)算法并進(jìn)行了模擬驗(yàn)證，以上關(guān)鍵技術(shù)和相應(yīng)算法在客運(yùn)車站重點(diǎn)區(qū)域進(jìn)行了實(shí)際驗(yàn)證并取得了較滿意的試驗(yàn)效果，為車站優(yōu)化了客運(yùn)組織流程、減少了冗余的人員配置、提升客運(yùn)工作效率。

由于行人目標(biāo)檢測中需要根據(jù)目標(biāo)物體占用圖片空間大小、目標(biāo)物體形狀及長寬比等因素進(jìn)行考慮，對(duì)應(yīng)需要將某一幀的視頻畫面分割為多個(gè)區(qū)域，因此需要大量的計(jì)算力?？紤]到盡量減少區(qū)域分割來減輕計(jì)算量，后續(xù)可以使用基于區(qū)域的CNN模型(即RCNN算法)，采用選擇性搜索的方法從一張圖片中提取中多個(gè)邊界框(邊界框的定義依據(jù)目標(biāo)物體的變化尺度、顏色、結(jié)構(gòu)、所占面積進(jìn)行劃分)，隨之分成多個(gè)區(qū)域，合并生成最后最終的目標(biāo)物體位置。而且如圖9、圖11所示視頻監(jiān)測畫面中距離攝像頭較遠(yuǎn)區(qū)域，由于采用算法模型精準(zhǔn)度不夠，對(duì)于目標(biāo)行人的辨識(shí)有所欠缺，可以通過后續(xù)改進(jìn)現(xiàn)有算法或采用更為精準(zhǔn)的模型進(jìn)行辨識(shí)程度和準(zhǔn)確性的改善，如Faster R-CNN算法采用RepLoss和RepLoss損失函數(shù)解決了同類物體間相互遮擋問題，并利用隨機(jī)森林對(duì)候選區(qū)域進(jìn)行了人體多個(gè)部位的分類和檢測結(jié)果組合，大幅提升了檢測的準(zhǔn)確度；HyperLearner算法通過增加分支網(wǎng)絡(luò)，與主體網(wǎng)絡(luò)特征一并送入RPN(區(qū)域生成網(wǎng)絡(luò)，Region Proposal Network)進(jìn)行處理，從而解決了行人與背景的區(qū)分度困難問題，在擁擠的場景中可以準(zhǔn)確的定義行人。