陳家萍，丁小兵，劉志鋼，萬蘇，楊愷鶴

（上海工程技術(shù)大學 城市軌道交通學院，上海 201620）

0 引言

目前地鐵運營公司在大客流的預警及動態(tài)管控機制方面存在很多問題，例如未能及時識別車站大客流聚集趨勢并進行智能預警、客流疏導組織相對被動等。實時掌握車站客流的分布規(guī)律，對大客流進行分級預警，為客流管控提供幫助，對于軌道交通系統(tǒng)的正常運行具有重要意義。

國內(nèi)外學者對客流預測進行了研究，Musa，A.B.M.等人初步使用WiFi 探針對智能手機的mac 地址進行跟蹤，將數(shù)據(jù)上傳到服務(wù)器上，分析和預測客流［1］；在此基礎(chǔ)上，Mikkelsen，L等人初步利用無線局域網(wǎng)探測，對公共交通占用率進行估算［2］；梁杰林基于WiFi 數(shù)據(jù)挖掘設(shè)計和實現(xiàn)了一套交通路況信息系統(tǒng)，通過對WiFi 探針數(shù)據(jù)采集，對路網(wǎng)建模，進行數(shù)據(jù)接口服務(wù)與數(shù)據(jù)可視化［3］；余創(chuàng)龍基于歷史客流規(guī)律對城市公共交通網(wǎng)絡(luò)、各線路、全站點的客流預測［4］。

隨著智能視頻監(jiān)控系統(tǒng)的發(fā)展，馮媛等利用卷積神經(jīng)網(wǎng)絡(luò)提取行人特征，加入HSV 圖像處理模塊強化行人特征，提高其檢測速度和準確率［5］；黃麟淞在基于深度特征流的視頻目標檢測網(wǎng)絡(luò)的基礎(chǔ)上開展對視頻目標檢測的研究工作［6］；許經(jīng)緯提出了一個高效的視頻鏡頭檢測框架，根據(jù)提出的框架本文進一步實現(xiàn)了基于深度學習的視頻鏡頭檢測算法，得到的結(jié)果經(jīng)過融合提升得到更好的分割結(jié)果［7］；張清泉設(shè)計了軌道交通客流預警系統(tǒng)，包括客流數(shù)據(jù)采集系統(tǒng)、客流數(shù)據(jù)與預測系統(tǒng)、客流預警等級識別系統(tǒng)、客流預警輸出系統(tǒng)這4 個子系統(tǒng)，只針對長期客流預測，并未做到實時預測［8］。

基于前人積累的經(jīng)驗，以大客流監(jiān)測及預警系統(tǒng)用戶需求為基礎(chǔ)，參考行業(yè)相關(guān)應(yīng)用實踐，綜合考慮后續(xù)建設(shè)，對城軌交通大客流監(jiān)測及預警系統(tǒng)的系統(tǒng)架構(gòu)、系統(tǒng)功能、部署方案等進行規(guī)劃設(shè)計。為了準確獲取客流的集中程度，需要準確獲取各關(guān)鍵位置的客流量，進一步加強城軌交通大客流監(jiān)測和預警技術(shù)研究，充分整合現(xiàn)有技術(shù)優(yōu)勢，建立綜合監(jiān)測和預警體系，形成全方位大客流監(jiān)測和預警的整體解決能力。

本文設(shè)計了一種大客流辨識預警及動態(tài)管控系統(tǒng)。從視頻圖像識別的采集出發(fā)，利用深度學習的最新研究成果進行客流識別，并利用WIFI 探測設(shè)備對視頻客流誤差進行修正。針對大客流進行深度精細化采集、提高客流獲取精度，跟蹤站內(nèi)實時客流變化，實現(xiàn)客流追蹤與分級預警功能并提供精細化客流分級動態(tài)管控方案。

1 系統(tǒng)設(shè)計

該系統(tǒng)以數(shù)據(jù)導向型研究為中心，主要對Raspberry Pi 進行開發(fā)，根據(jù)軌道交通地鐵站內(nèi)實際情況，創(chuàng)新性的采用圖像識別和Wi－Fi 探針結(jié)合的客流采集方式，通過高清晰度的攝影頭拍攝相關(guān)區(qū)域的客流，并利用Wi－Fi 探針采集Wi－Fi 信號，將客流量的視頻數(shù)據(jù)與Wi－Fi 數(shù)據(jù)同步采集，從而實現(xiàn)了軌道交通客流的實時采集。在對客流進行動態(tài)跟蹤的基礎(chǔ)上，植入卷積神經(jīng)網(wǎng)絡(luò)客流辨識算法計算當前站內(nèi)擁擠度，當客流密度過高時，系統(tǒng)向客戶端發(fā)送動態(tài)管控指令，該設(shè)備基于以上流程，旨在利用建立的軌道交通客流辨識預警及動態(tài)管控系統(tǒng)，及時有效地疏散和動態(tài)管控大客流。系統(tǒng)整體結(jié)構(gòu)圖如圖1 所示。

圖1 系統(tǒng)整體結(jié)構(gòu)圖Fig.1 Overall system structure diagram

1.1 客流實時預測模塊設(shè)計

乘客攜帶移動設(shè)備進入地鐵車站，位于車站要塞的Wi－Fi 探針設(shè)備可以自動采集乘客移動設(shè)備的MAC 地址、信號強度、檢測時間等信息；與此同時，高清攝像頭將實時采集的視頻無線傳輸至Raspberry Pi 中轉(zhuǎn)數(shù)據(jù)處理站，Raspberry Pi 中有預先內(nèi)置多源數(shù)據(jù)融合算法，量化客流，實現(xiàn)對客流的實時統(tǒng)計；將Raspberry Pi 采集的數(shù)據(jù)傳輸?shù)皆品?wù)器，經(jīng)過數(shù)據(jù)處理和客流識別，可以實現(xiàn)全站的客流監(jiān)控及實時預測；預測結(jié)果實時傳輸?shù)降罔F工作人員終端或站內(nèi)設(shè)備上，實現(xiàn)車站大客流的智能實時動態(tài)管控和疏散。

1.1.1 WIFI 數(shù)據(jù)校正設(shè)計

1.1.1.1 數(shù)據(jù)去噪

第一步：通過WIFI 檢測到的數(shù)據(jù)集：p1＝（p1，p2，p3，...，pn）；

第二步：讀取檢測數(shù)據(jù)的信號強度列數(shù)據(jù)，考慮WIFI 探頭的距離和強度之間的關(guān)系，刪除強度小于－65 的乘客流量數(shù)據(jù)集：p2＝（p1，p2，p3，...，pm）；

第三步：當Wi－Fi 信號在車站停留時間過長時，通常是無效的乘客數(shù)據(jù)或車站設(shè)備和工作人員，根據(jù)實際調(diào)查，以5 min為時間間隔，其中相同的MAC 地址仍處于相同的Wi－Fi 探測覆蓋范圍內(nèi)，并作為冗余數(shù)據(jù)刪除。

1.1.1.2 設(shè)計SQL 語句，識別旅客移動終端的MAC地址

WIFI 探測器的間隔時間為1 min，乘客應(yīng)根據(jù)正常步行速度遠離探測信號的范圍。事實上，有一種情況是同一探測器反復檢測手機信號，因此有必要對其進一步處理，這是從1.1.1.1 的第三步獲得的。

當SQL 執(zhí)行時，相同的Mac 地址在1 min 內(nèi)被檢測到2 次以上，并且Mac 地址被記錄，SQL 程序?qū)⒆詣觿h除Mac 地址并添加一條記錄以防止冗余數(shù)據(jù)。

通過實際調(diào)查發(fā)現(xiàn)，并不是所有乘客在進入地鐵前都打開WIFI，因此檢測到的乘客數(shù)量低于實際乘客數(shù)量。為此，需要按線進行調(diào)查，對調(diào)查數(shù)據(jù)進行統(tǒng)計分析。最后，計算調(diào)查數(shù)據(jù)的加權(quán)平均值。

1.1.2 卷積神經(jīng)網(wǎng)絡(luò)客流辨識算法設(shè)計

在檢測運動目標時，需要考慮準確性和實時性。采集到的圖像序列需要進行預處理，圖像預處理主要涉及圖像的灰度化處理和降噪處理。

在此階段，采用中值濾波算法對一維信號處理到二維圖像平滑處理，對干擾脈沖和斑點噪聲有很好的抑制效果，還可以增強圖像的邊緣的提取。為了對滑動窗口中的顏色數(shù)據(jù)進行排序，如果存在噪聲數(shù)據(jù)，將噪聲數(shù)據(jù)置于數(shù)據(jù)的邊緣，置于數(shù)據(jù)的左側(cè)或右側(cè)，則中間位置的值不能為噪聲，從而達到抑制噪聲的目的，其定義如式（1）：

其中，g（x，y）是中值濾波后像素處的灰度值；f（x，y）是濾波前像素處的灰度值；S 是滑動 窗口。只有去除噪聲后的視頻數(shù)據(jù)，才能用于客流識別。

深層卷積神經(jīng)網(wǎng)絡(luò)是模仿人類視覺神經(jīng)系統(tǒng)的信息處理系統(tǒng)，通過輸入信號傳輸?shù)较乱粚拥纳镄盘柫?，隨著生物信號流的不斷傳播，表達形式越來越抽象，最終達到了抽象表示的最高水平。人類的認知過程是一個深層模型的構(gòu)建過程。不同乘客的面部形象具有不同的特點，本系統(tǒng)在視頻預處理后，利用深度學習算法對客流識別進行建模，采用基于深度學習訓練的卷積神經(jīng)網(wǎng)絡(luò)對采集的視頻旅客流量進行計算。該算法可以增強原始識別特征，降低噪聲。計算過程如圖2 所示。

圖2 卷積運算示意圖Fig.2 Convolution operation diagram

1.2 客流動態(tài)管控模塊設(shè)計

1.2.1 站內(nèi)智能引導設(shè)計

站內(nèi)智能引導裝置主要由輸入、中央處理和輸出部分組成。輸入部分采用型號為CPAM－WL28603 的觸摸屏，中央處理部分包括：控制單元、輸入單元、處理單元、顯示單元，地鐵工作人員可以通過控制單元選擇當前指引設(shè)備的模式：自助查詢模式、候車指引模式、大客流模式。輸出部分由指示裝置卡環(huán)、LED綠色閃燈和語音播報裝置組成。中央處理單元示意圖如圖3 所示。

圖3 中央處理單元示意圖Fig.3 Schematic diagram of central processing unit

1.2.2 工作人員客戶端設(shè)計

將觸摸屏技術(shù)應(yīng)用在客流動態(tài)管控系統(tǒng)中，大客流狀態(tài)下的乘客動態(tài)管控路徑規(guī)劃可為地鐵工作人員提供處置決策，當車站客流到達閾值，即啟動大客流模式。一級菜單顯示大客流預警提示信息及其它地鐵公司信息，二級菜單顯示當前車站出入口開放及關(guān)閉情況，并智能化顯示站內(nèi)乘客動態(tài)管控路徑，客戶端頁面如圖4 所示。

圖4 客戶端頁面Fig.4 Client page

2 實驗設(shè)計

本實驗以上海地鐵某車站作為實驗對象，現(xiàn)場架設(shè)高清攝像頭和WIFI 探頭，同步采集客流視頻數(shù)據(jù)和WIFI 數(shù)據(jù)，預測車站內(nèi)部的實時客流量，修正精度，同時對車站不同位置的乘客提出實時動態(tài)管控方案。位置分別是：車站綜合入口、檢票口前、電梯前、扶梯前、候車站臺。根據(jù)站臺情況，視頻識別非常重要，WIFI 信號會反復采集，誤差較大。

利用高清晰度攝像機拍攝擁擠地區(qū)的人流，用探頭采集WIFI 信號，將兩者焊接在主板上，安裝在固定在桿上的固定箱內(nèi)，用螺絲釘固定在桿上，設(shè)備安裝示意圖如圖5 所示。客流預測系統(tǒng)的數(shù)據(jù)通過WIFI 傳輸給客流動態(tài)管控系統(tǒng)，可以實時更新客流數(shù)據(jù)，使得動態(tài)管控系統(tǒng)作出相應(yīng)的判斷，根據(jù)客流的大小對客流進行等級判定，分別根據(jù)相關(guān)條例作出相應(yīng)的響應(yīng)決策。通過判定站內(nèi)客流聚集及擁堵等級，自動觸發(fā)大客流模式下的預警功能，當車站客流到達閾值，即啟動大客流模式。大客流模式下可以實時顯示車站內(nèi)各區(qū)域的客流分布，系統(tǒng)會根據(jù)客流等級調(diào)用大客流應(yīng)預案庫，工作人員可以根據(jù)系統(tǒng)中的提示信息，關(guān)閉相應(yīng)的出口，使得客流往一個流向流動，加快客流疏散，起到一個動態(tài)管控客流的作用，保障運營安全。客流動態(tài)管控系統(tǒng)的界面圖如圖6 所示。

圖5 設(shè)備安裝示意圖Fig.5 Equipment installation diagram

圖6 客流動態(tài)管控系統(tǒng)的界面Fig.6 Dynamic management and control system for passenger flow

3 結(jié)束語

本文提出的客流識別方案集成了硬件設(shè)備平臺和算法設(shè)計，適用于擁擠地區(qū)的客流監(jiān)測。該系統(tǒng)能夠及時識別客流狀態(tài)，并根據(jù)識別結(jié)果實現(xiàn)智能指引。運營企業(yè)可以提前采取應(yīng)急措施，對軌道交通企業(yè)的經(jīng)營和生產(chǎn)安全具有良好的現(xiàn)實指導意義。