段中興，丁青輝，王劍，李偉哲

(西安建筑科技大學(xué) 信息與控制工程學(xué)院，陜西 西安 710055）

地鐵站作為常見的地下公共場所，其內(nèi)部在站乘客的行為狀態(tài)各異。通過實(shí)地調(diào)研發(fā)現(xiàn)，地鐵站乘客常見的行為有：站立行走、乘坐扶梯、樓梯行走、手機(jī)閱讀、坐立休憩等。目前地鐵站內(nèi)的照明系統(tǒng)多以群控為主，僅能實(shí)現(xiàn)高亮度統(tǒng)一照明，雖滿足了乘客的視覺需求，但存在能源浪費(fèi)的問題。同時在地鐵系統(tǒng)中，無論是機(jī)車牽引，還是其他的輔助設(shè)施：環(huán)控系統(tǒng)、照明系統(tǒng)、電梯設(shè)備等都極其依賴電能[1]。以照明系統(tǒng)為例，長時間的高亮度統(tǒng)一照明會形成大量的持續(xù)電能損耗[2]，若不施加合適的照明控制策略，電力資源會造成相當(dāng)大的浪費(fèi)。為達(dá)到節(jié)能降耗、按需照明的目的，本文以在站乘客行為作為出發(fā)點(diǎn)，提出基于深度學(xué)習(xí)的行為識別算法用于地鐵站的照明控制。隨著人工智能的發(fā)展，深度學(xué)習(xí)技術(shù)廣泛地應(yīng)用在圖像識別[3]、語義分割[4]、目標(biāo)檢測[5]等方向。由于深度學(xué)習(xí)技術(shù)極大地簡化了特征提取過程，因此現(xiàn)階段行為識別常以深度學(xué)習(xí)的方式實(shí)現(xiàn)。LIU等[6]提出雙流卷積網(wǎng)絡(luò)(Two-Stream)，該網(wǎng)絡(luò)采用二維卷積分別提取靜態(tài)圖像幀與幀間密集光流的特征，并在網(wǎng)絡(luò)的最后進(jìn)行特征融合從而完成行為識別的功能。TRAN等[7]設(shè)計了C3D時空卷積(3D ConvNets)，此網(wǎng)絡(luò)使用3D時空卷積直接對視頻數(shù)據(jù)進(jìn)行特征提取，最后通過SoftMax層區(qū)分具體行為。田聯(lián)房等[8]使用卷積神將網(wǎng)絡(luò)獲取人體骨架序列的信息進(jìn)行人體行為的識別。SHI等[9]融合骨架長度的信息，從而提出了一種雙流自適應(yīng)圖卷積網(wǎng)絡(luò)用于行為識別。但以上行為識別算法的參數(shù)量普遍較大，需要依靠高性能計算機(jī)，難以部署在資源有限的終端。2017年Google團(tuán)隊的學(xué)者首次于MobileNet網(wǎng)絡(luò)[10-12]中提出深度可分離卷積，此種卷積將傳統(tǒng)卷積分為2步并減少了卷積參數(shù)，適合資源有限的移動終端使用。同年康奈爾大學(xué)博士后黃高提出了DenseNet[13]網(wǎng)絡(luò)，該網(wǎng)絡(luò)結(jié)構(gòu)在降低網(wǎng)絡(luò)參數(shù)的同時加強(qiáng)了底層特征的傳遞，并有效地緩解了梯度消失的問題。此外YOLOV3-Tiny[14]以其處理速度快，結(jié)構(gòu)簡潔的優(yōu)勢成為了首選的輕量化目標(biāo)檢測網(wǎng)絡(luò)。綜上，本文基于MobileNet和DenseNet網(wǎng)絡(luò)設(shè)計一種輕量化的識別網(wǎng)絡(luò)(深度可分離密連接網(wǎng)絡(luò)，DSDNet)，該網(wǎng)絡(luò)擁有更少的網(wǎng)絡(luò)參數(shù)，更快的運(yùn)行速度，并將YOLOV3-Tiny和DSDNet網(wǎng)絡(luò)嵌套用于地鐵站乘客行為識別。最后將此行為識別算法應(yīng)用在地鐵站照明控制中，提升照明控制靈活度以及人員在站的舒適度。

1 行為識別網(wǎng)絡(luò)算法

1.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)的前沿知識，其可以追溯到1980年福島邦彥首次提出的一種包含卷積層、池化層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。而后的研究中，例如LeNet[15]，VGGNet[16]等均采用增加網(wǎng)絡(luò)深度的方式來增強(qiáng)網(wǎng)絡(luò)的性能，但大量研究發(fā)現(xiàn)隨著網(wǎng)絡(luò)深度的增加反而會帶來網(wǎng)絡(luò)退化的問題。

為了解決網(wǎng)絡(luò)退化等問題，HUANG等[13]提出DenseNet網(wǎng)絡(luò)，此網(wǎng)絡(luò)在ResNet網(wǎng)絡(luò)的基礎(chǔ)上沿用了跳接的方式，將網(wǎng)絡(luò)中所有層連接起來。此結(jié)構(gòu)不僅保留了前向傳播的特性，而且每一層均能從前面的所有層獲得附加輸入，并且能將自身的特征映射傳遞到后續(xù)所有層，DenseNet結(jié)構(gòu)如圖2(a)。同年Google團(tuán)隊為了優(yōu)化網(wǎng)絡(luò)[10]，降低網(wǎng)絡(luò)參數(shù)，在MobileNet網(wǎng)絡(luò)中顛覆性地提出了深度可分離卷積，該卷積形式將一般卷積分為2步，其結(jié)構(gòu)如圖1所示。

圖1(a)為逐通道卷積，對輸入層的每個通道獨(dú)立進(jìn)行卷積運(yùn)算，圖1(b)為逐點(diǎn)卷積，其作用為將圖1(a)中生成的特征圖1進(jìn)行加權(quán)組合生成新的特征圖2。假設(shè)輸入圖片的通道數(shù)為M，輸出通道數(shù)為N，卷積核的尺寸為F×F，若使用常規(guī)卷積，其參數(shù)計算公式為：

圖1 深度可分離卷積結(jié)構(gòu)Fig.1 Structure of depth separable convolution

若采用深度可分離卷積，參數(shù)計算公式為：

2種卷積參數(shù)量之比為：

1.2 算法構(gòu)建

雖然目前已有大量的行為識別算法以深度學(xué)習(xí)的形式實(shí)現(xiàn)，但考慮到地鐵站照明控制系統(tǒng)有限的計算能力，現(xiàn)有的行為識別算法并不能很好地部署在該系統(tǒng)，因此本文基于深度可分離卷積與DenseNet結(jié)構(gòu)，設(shè)計了輕量化的網(wǎng)絡(luò)模塊——DSD模塊(Depth separable dense connection block)，其結(jié)構(gòu)如圖2(b)所示。

圖2 DenseNet結(jié)構(gòu)和深度可分離密連接結(jié)構(gòu)Fig.2 DenseNet structure and depth separable dense connection structure

DSD結(jié)構(gòu)有以下幾個特點(diǎn)：1)深度可分離卷積的引入極大地減少了網(wǎng)絡(luò)參數(shù)，降低了網(wǎng)絡(luò)計算復(fù)雜度；2)DenseNet結(jié)構(gòu)的引入在解決模型過擬合的同時增強(qiáng)了網(wǎng)絡(luò)底層特征的傳遞，有利于網(wǎng)絡(luò)特征的提??；3)使用多步長卷積進(jìn)行特征圖降維，從而避免使用池化層，提高網(wǎng)絡(luò)的效率。

行為識別算法構(gòu)建如下：1)輸入為448×448×3的RGB圖像；2)其次為YOLOV3-Tiny輕量化目標(biāo)檢測網(wǎng)絡(luò)用于人體目標(biāo)的檢測；3)然后為DSD模塊，共50層深度可分離卷積，均由3×3的通道卷積與1×1的點(diǎn)卷積所構(gòu)成，用于具體行為的識別；4)加入通道注意力模塊(SeNet)[17]，網(wǎng)絡(luò)便可以對特征進(jìn)行逐通道調(diào)整，從而有選擇性地加強(qiáng)有用特征并抑制無用特征；5)全連接層(FC)和Softmax，其輸出維度大小為樣本種類數(shù)量。Softmax分類器接在全連接層后面，輸出每個圖片所屬行為類別的概率，概率最大的即為該類別。實(shí)現(xiàn)過程如圖3。

圖3 行為識別算法實(shí)現(xiàn)過程Fig.3 Implementation process of action recognition algorithm

2 乘客行為分類與照明控制方法

2.1 地鐵站乘客行為分類與照度匹配

為有效實(shí)現(xiàn)地鐵站乘客行為與照度匹配，本文對西安某地鐵站進(jìn)行實(shí)地調(diào)研，對同一地鐵站，不同時間段進(jìn)行統(tǒng)計分析。選擇時間為：早高峰(7:30～9:30)，晚高峰(17:00～19:00)，一般時間段(10:00～12:00，13:00～15:00)對地鐵站進(jìn)行乘客行為統(tǒng)計。7:30～9:30該站點(diǎn)總在站人數(shù)為4 662人，17:00～19:00該站點(diǎn)總在站人數(shù)為4 303人，10:00～12:00該站點(diǎn)總在站人數(shù)為2 014人，13:00～15:00該站點(diǎn)總在站人數(shù)為2 376人。在該站閘機(jī)口、樓梯口、座位區(qū)、站臺兩端進(jìn)行計數(shù)統(tǒng)計，每5 min記錄一次，各行為占比見表1。

表1 西安某地鐵站乘客行為分類統(tǒng)計Table 1 Passenger action survey form of a subway station in Xi’an

根據(jù)城市軌道交通照明設(shè)計規(guī)范[18]以及相關(guān)健康照明設(shè)計要求[19]，適當(dāng)改變光照強(qiáng)度可以提升人員在站的舒適度，并減少電能損耗。以距離地面0.75 m為水平工作面，為滿足不同乘客視覺需求為最低標(biāo)準(zhǔn)，水平照度與人體行為對應(yīng)如表2。

表2 照度匹配Table 2 Illumination matching

2.2 照明控制方法

2.2.1 LED調(diào)光

LED作為新一代綠色、健康的照明光源，其主要的調(diào)光方式有模擬調(diào)光與PWM調(diào)光。PWM調(diào)光以其調(diào)光精準(zhǔn)、沒有色偏、沒有頻閃、可控范圍大等優(yōu)點(diǎn)成為了主流的LED調(diào)光方式。

PWM調(diào)光原理是通過調(diào)節(jié)PWM的占空比D改變流經(jīng)LED的平均電流，從而實(shí)現(xiàn)LED亮度的調(diào)節(jié)。如圖4所示，設(shè)定PWM輸出脈沖的周期為T，脈沖寬度為Ton，則其占空比D為Ton/T。調(diào)光時，LED燈的亮度正比于占空比D。

圖4 PWM原理Fig.4 PWM principle

2.2.2 站臺分區(qū)

為實(shí)現(xiàn)以乘客行為驅(qū)動的地鐵站照明控制，首先對候車站臺進(jìn)行網(wǎng)格化分區(qū)，按照乘客分布規(guī)律進(jìn)行細(xì)致劃分。分區(qū)示意如圖5所示。

CPP的治療目的是以改善患兒的成年期身高為核心，還應(yīng)注意防止早熟和早初潮帶來的心理問題。一般應(yīng)用GnRHa治療。GnRHa能有效抑制LH分泌，使性腺暫停發(fā)育、性激素分泌返回至青春前期狀態(tài)，從而延緩骨骺的增長和融合，盡可能達(dá)到延長生長年限、改善最終成年期身高的目的。

圖5 分區(qū)示意圖Fig.5 Partition schematic

然后，依據(jù)行為識別算法將攝像頭獲取到的每一分區(qū)圖像進(jìn)行特征提取，建立行為分類模型，得到每一分區(qū)乘客行為的分類占比；最后依據(jù)表2對站臺分區(qū)的LED燈組進(jìn)行調(diào)控，實(shí)現(xiàn)分區(qū)照度與乘客行為的匹配?；诔丝托袨樽R別的分區(qū)照明控制方法可描述如下。

Step 1：將站臺候車區(qū)按照圖5進(jìn)行分區(qū)，旨在對各區(qū)域內(nèi)燈具進(jìn)行分組控制。

Step 2：通過各區(qū)域內(nèi)的攝像頭對乘客行為進(jìn)行捕捉，依據(jù)行為識別算法進(jìn)行具體分類。

Step 3：依據(jù)Step 2中的識別結(jié)果對各區(qū)域內(nèi)的LED燈組進(jìn)行動態(tài)調(diào)控。

3 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證行為識別算法和調(diào)光及節(jié)能效果，進(jìn)行DSDNet網(wǎng)絡(luò)驗(yàn)證和光照調(diào)控模擬實(shí)驗(yàn)，并通過DIALux evo建模分析照明節(jié)能效果。

3.1 DSDNet網(wǎng)絡(luò)實(shí)驗(yàn)環(huán)境

本文深度學(xué)習(xí)網(wǎng)絡(luò)的實(shí)驗(yàn)環(huán)境如下：操作系統(tǒng)為Ubuntu系統(tǒng)，選用Keras框架搭建網(wǎng)絡(luò)，實(shí)驗(yàn)環(huán)境的python版本為3.7，硬件顯卡為RTX2080Ti，11G內(nèi)存。

首先根據(jù)調(diào)研結(jié)果建立地鐵站乘客行為數(shù)據(jù)集(passenger action data set,PADS)，并在此數(shù)據(jù)集上進(jìn)行網(wǎng)絡(luò)訓(xùn)練。為避免數(shù)據(jù)分布不均衡，每一類樣本80%為訓(xùn)練集，10%為驗(yàn)證集，10%為測試集。其次在測試集上對DSDNet網(wǎng)絡(luò)進(jìn)行測試，得出不同行為的識別率以及平均識別率。識別結(jié)果如表3所示，其中識別準(zhǔn)確率通過交叉熵?fù)p失函數(shù)進(jìn)行計算，如式(4)。對于一個batch-size為H的損失函數(shù)，式中K表示標(biāo)簽數(shù)，y和y′分別表示真值和預(yù)測值的概率分布。

表3 乘客行為識別率Table 3 Accuracy of passenger action recognition

為進(jìn)一步評估DSDNet網(wǎng)絡(luò)的性能，將其與YOLOV3-Tiny進(jìn)行網(wǎng)絡(luò)嵌套并在公共數(shù)據(jù)集UCF-101上和主流的行為識別網(wǎng)絡(luò)進(jìn)行實(shí)驗(yàn)對比。各網(wǎng)絡(luò)算法的參數(shù)量、識別率、處理速度如表4所示。

表4 主流行為識別算法對比Table 4 Comparison of mainstream action algorithms

3.3 照明控制模擬實(shí)驗(yàn)

3.3.1 實(shí)物功能驗(yàn)證

選用OpenMv(可擴(kuò)展，可編程的機(jī)器視覺模塊)作為圖像采集與照明控制的主控模塊進(jìn)行實(shí)際控制模擬，實(shí)驗(yàn)燈具選用LED燈珠(功率為4 W)。通過OpenMv的PWM占空比輸出引腳調(diào)控占空比實(shí)現(xiàn)燈具亮度的調(diào)節(jié)。系統(tǒng)仿真程序在OpenMv IDE環(huán)境下實(shí)現(xiàn)。首先在LED燈珠可控范圍內(nèi)設(shè)定PWM占空比與LED燈珠功率之間為線性關(guān)系。當(dāng)人體行為分別為手機(jī)閱讀、站立行走、坐立休憩時，PWM占空比分別為100%，70%，50%，對應(yīng)的LED輸出功率為4，2.8和2 W，以此來模擬不同行為狀態(tài)下的光照度。占空比為100%，70%，50%時的實(shí)際燈光調(diào)控效果如圖6。

圖6 LED燈調(diào)控效果Fig.6 LED lamp bead control effect

3.3.2 照明能耗分析

為分析基于乘客行為識別的照明控制方法的節(jié)能效果，采用DIALux evo軟件對西安某地鐵站臺進(jìn)行建模與節(jié)能分析。該站臺為島式站臺，呈南北走向，站臺總長度118 m，雙側(cè)屏蔽門間距為12 m，站臺空間總高為5.5 m，月臺高1 m，同時建模時選用功率為38.5 W的嵌入式LED燈具用于該站臺的照明，共計110盞。站臺空間建模如圖7。

圖7 站臺空間建模Fig.7 Platform space modeling

通過對各分區(qū)不同時段的行為調(diào)研結(jié)果進(jìn)行照明能耗分析。由于實(shí)驗(yàn)環(huán)境的限制，通過表1的調(diào)研結(jié)果選取7:30～9:30和13:00～15:00乘客行為調(diào)研數(shù)據(jù)進(jìn)行照明模擬控制。為方便分析照明能耗，假設(shè)各分區(qū)內(nèi)只有一種乘客行為，即邊緣候車區(qū)為閱讀手機(jī)的乘客，中間候車區(qū)為行走的乘客，兩端候車區(qū)為坐立休憩的乘客。因此，只要將每個區(qū)域的LED燈組依照PWM控制思想設(shè)定單個燈具的輸出功率分別為38.5，26.95和19.25 W，即可滿足不同行為的最低照度需求。圖8為分區(qū)照明控制模擬效果，通過照度等值圖可以看出，邊緣候車區(qū)和中間候車區(qū)的照度分別達(dá)到了200 lx和150 lx，滿足乘客行為與照度匹配要求。

圖8 分區(qū)控制模擬效果部分截圖Fig.8 Partial screenshot of zone control simulation effect

由上述分析可知，通過改變燈具的功率即可改變對應(yīng)區(qū)域的照度，表5為一般時間段(13:00～15:00)群控法與本文方法的能耗對比，能耗計算時間為每趟列車的間隔時間5 min。

表5 能耗對比Table 5 Platform space modeling

其中90盞燈以38.5 W的功率用于邊緣候車區(qū)，10盞燈以26.95 W的功率用于兩端候車區(qū)，10盞燈以19.25 W用于中間候車區(qū)。該方法相較于傳統(tǒng)的群控法節(jié)電率可以達(dá)到6.6%。

4 結(jié)論

1)對西安某地鐵站進(jìn)行了實(shí)地調(diào)研，調(diào)研結(jié)果顯示地鐵站常見乘客行為有站立行走，手機(jī)閱讀，乘坐扶梯，樓梯行走，坐立休憩，并建立了PADS乘客行為數(shù)據(jù)集。

2)融合深度可分離卷積與DenseNet網(wǎng)絡(luò)結(jié)構(gòu)的特點(diǎn)，構(gòu)建了DSDNet網(wǎng)絡(luò)，并與YOLOV3-Tiny網(wǎng)絡(luò)嵌套用于地鐵站乘客行為識別，在PADS乘客行為數(shù)據(jù)集上平均準(zhǔn)確率達(dá)到97.472%，在處理過的公共數(shù)據(jù)集UCF-101上識別率可以達(dá)到93.1%；其次在RTX2080Ti上的處理速度可以達(dá)到335FPS，滿足實(shí)時檢測的性能。

3)使用OpenMv模塊和LED燈模擬了燈光的實(shí)際控制效果，結(jié)果顯示該方法可以較精準(zhǔn)地調(diào)控LED燈的亮度；其次通過DIALux evo軟件進(jìn)行建模分析，結(jié)果顯示該方法可以分區(qū)控制燈具的亮度，并在一定程度上達(dá)到節(jié)能的目的。