王錦玉 王齊榮

【摘 要】?目前我國鐵路客運(yùn)車站通過靜態(tài)的方法設(shè)計(jì)車站內(nèi)各種設(shè)施的規(guī)模和布局來實(shí)現(xiàn)車站總體服務(wù)能力的最大化，車站運(yùn)營管理部門缺少能夠動態(tài)評估車站設(shè)施服務(wù)能力與客流不確定需求之間匹配程度的手段。文章基于深度學(xué)習(xí)理論，提出了一種車站設(shè)施服務(wù)能力與客流不確定需求適應(yīng)性評估的視頻圖像檢測方法，通過視頻圖像檢測出車站重要設(shè)施范圍內(nèi)乘客排隊(duì)的人數(shù)，結(jié)合制定的適應(yīng)性分級標(biāo)準(zhǔn)對車站設(shè)施服務(wù)能力與客流需求進(jìn)行適應(yīng)性評估。實(shí)驗(yàn)結(jié)果表明，所提出的方法檢測速度快，能夠滿足實(shí)際應(yīng)用中實(shí)時(shí)性的要求，而且對人群目標(biāo)檢測的平均準(zhǔn)確率為81.25 %。其檢測結(jié)果可以輔助管理者評估車站設(shè)施在動態(tài)客流需求下的運(yùn)營情況。

【關(guān)鍵詞】車站; 深度學(xué)習(xí); 人群目標(biāo)檢測; 適應(yīng)性評估

近年來，我國鐵路旅客出行人數(shù)與日俱增，特別是客流高峰期，車站面臨重要設(shè)施服務(wù)能力與客流需求嚴(yán)重不匹配的情況，運(yùn)營管理部門也缺少能夠準(zhǔn)確把握客流需求的技術(shù)手段。利用城市軌道交通自動售檢票系統(tǒng)[1]和手機(jī)信令數(shù)據(jù)[2]進(jìn)行客流監(jiān)測是近些年主要的研究方向，但是檢票閘機(jī)只能檢測進(jìn)出站乘客的出行信息和數(shù)量，時(shí)效性不高，手機(jī)信令數(shù)據(jù)無法采集車站內(nèi)局部區(qū)域擁堵點(diǎn)的數(shù)據(jù)[3]。隨著智能視頻監(jiān)控系統(tǒng)和計(jì)算機(jī)視覺技術(shù)的發(fā)展，基于視頻圖像的行人檢測技術(shù)廣泛應(yīng)用于公共場所，也為公共交通領(lǐng)域的客流檢測提供了借鑒。

國外的圖像研究較早，已經(jīng)形成了大量成熟的技術(shù)，ObjectVideo、Visio Wave、Citi Log等軟件都能夠?qū)崿F(xiàn)對視頻的智能分析和圖像識別。Object Video軟件能夠?qū)σ曨l中行人的人數(shù)進(jìn)行識別，準(zhǔn)確率已經(jīng)能達(dá)到80 %～90 %[4]。目前廣泛應(yīng)用的方法有背景差分法、光流場法、幀間差分法[5-8]等。近些年，國內(nèi)學(xué)者研究人群目標(biāo)檢測技術(shù)實(shí)現(xiàn)對城市軌道交通客流的實(shí)時(shí)檢測，采用深度卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Network ，CNN）大幅度的提高了客流檢測的準(zhǔn)確率，具有較高的研究價(jià)值和廣闊的應(yīng)用前景[9-11]。這些相關(guān)研究表明，深度學(xué)習(xí)在軌道交通客流檢測的性能和準(zhǔn)確度方面表現(xiàn)都較為出色，而YOLO v3 又是目前速度和精度都很高的一個(gè)網(wǎng)絡(luò)模型，在CPU計(jì)算下可以獲得45 幀/s圖片處理的效率，完全可以應(yīng)用于視頻圖像的檢測任務(wù)[12]。因此本文提出了一種基于YOLOv3算法檢測車站設(shè)施服務(wù)能力與客流需求適應(yīng)性評估的方法，該方法能夠輔助管理者評估車站設(shè)施在動態(tài)客流需求下的運(yùn)營情況。

1 適應(yīng)性評估檢測流程

本文提出的客流需求與設(shè)施服務(wù)能力適應(yīng)性評估的視頻檢測算法流程如圖1所示。該算法的完整流程分為三個(gè)模塊：預(yù)處理模塊、核心檢測模塊以及輸出模塊。

1.1 預(yù)處理模塊

對輸入的視頻圖像進(jìn)行預(yù)處理工作，可以使檢測網(wǎng)絡(luò)更好地完成學(xué)習(xí)任務(wù)。

1.1.1 視頻圖像處理。

本文中視頻圖像檢測的輸入數(shù)據(jù)為車站的監(jiān)控視頻，抽取視頻中的圖片，通過抽取的部分視頻畫面完成檢測任務(wù)。

1.1.2 檢測區(qū)域選擇。

根據(jù)運(yùn)營管理的需求，利用視頻監(jiān)控來掌握乘客的數(shù)量和空間分布，本文將車站范圍內(nèi)的重點(diǎn)設(shè)施：進(jìn)出站口、安檢處、自動扶梯、檢票口作為重點(diǎn)監(jiān)控區(qū)域，事先圈定視頻畫面中的檢測區(qū)域，可以提高檢測的效率[13]。

1.2 核心檢測模塊

1.2.1 YOLO v3模型框架

YOLO v3網(wǎng)絡(luò)結(jié)構(gòu)包括Darknet-53和YOLO層，Darknet-53的作用是特征提取，YOLO的作用是多尺度預(yù)測。Darknet-53直接舍棄池化操作，大大降低了池化帶來的梯度負(fù)面效果，用卷積層中的步長來實(shí)現(xiàn)降采樣，作為YOLO v3的特征提取網(wǎng)絡(luò)具有魯棒性更好的優(yōu)點(diǎn)。YOLOv3的檢測網(wǎng)絡(luò)引入多尺度預(yù)測的概念，即將檢測層數(shù)量由原來的1層增加到3層，3層對應(yīng) 13×13，26×26及52×52三個(gè)不同尺度的特征圖，作者用K-means聚類出錨框的尺寸，并將錨框個(gè)數(shù)由5個(gè)提高到9個(gè)，按錨框尺寸大小分到三個(gè)檢測層級，YOLOv3多尺度檢測的方法很好的融合了上下文特征信息，可以應(yīng)用于不同尺度目標(biāo)的模型預(yù)測。YOLO v3犧牲了網(wǎng)絡(luò)速度但是提升了準(zhǔn)確度并且提高了網(wǎng)絡(luò)結(jié)構(gòu)的深度。YOLO在GPU中速度達(dá)到了45fps，也就是說每秒能夠檢測45張圖片，檢測速度比Fast-R-CNN快了300倍，完全能夠達(dá)到實(shí)時(shí)檢測的目的，而且在實(shí)時(shí)檢測中，也比其他實(shí)時(shí)檢測算法的精度都要高[14]。YOLO v3的網(wǎng)絡(luò)框架如圖2所示。

1.3 輸出模塊

本文所研究的視頻檢測模型的重要輸出內(nèi)容之一就是車站重要設(shè)施范圍內(nèi)乘客的實(shí)時(shí)數(shù)量，但是僅僅獲取到實(shí)時(shí)的乘客數(shù)量對運(yùn)營指導(dǎo)意義不大。所以在得到乘客數(shù)量的基礎(chǔ)上，本文希望通過設(shè)置合理的人數(shù)閾值對車站設(shè)施的服務(wù)能力適應(yīng)性做出評估。決定車站設(shè)施服務(wù)能力與客流需求適應(yīng)性的三個(gè)主要因素：車站設(shè)施服務(wù)能力，應(yīng)急資源配置以及客流組織策略。在現(xiàn)實(shí)場景下，將得到的客流需求與車站設(shè)施服務(wù)能力適應(yīng)性評估與運(yùn)營組織工作結(jié)合起來，意義重大。本文的輸出模塊將適應(yīng)性劃分為三個(gè)等級，依次是良好，差，極差。適應(yīng)性評估的分級以乘客在車站設(shè)施范圍內(nèi)排隊(duì)的數(shù)量與其通行能力之間的匹配程度為標(biāo)準(zhǔn)。具體的分級方法本文將在第二部分重點(diǎn)介紹。

2 適應(yīng)性評估分級

車站設(shè)施服務(wù)能力不足的主要表現(xiàn)為客流的擁堵和排隊(duì)現(xiàn)象，但是擁堵和排隊(duì)不代表車站設(shè)施的服務(wù)能力不足，在客流高峰期影響不大的擁堵排隊(duì)現(xiàn)象是合理的[15]。因此選擇一種直觀、易于獲取和理解的識別指標(biāo)來評估車站設(shè)施服務(wù)能力與客流需求適應(yīng)性非常重要。目前常用的識別指標(biāo)主要有兩類，第一類是基于系統(tǒng)仿真[16]的行人宏觀交通流參數(shù)，包括客流平均移動速度、客流密度、客流量;第二類是基于排隊(duì)理論[17]的排隊(duì)理論性能指標(biāo)包括平均排隊(duì)時(shí)間和平均排隊(duì)長度。行人宏觀交通流參數(shù)可以直接用視頻監(jiān)控圖像處理技術(shù)獲取，但是將其作為識別指標(biāo)忽略了乘客的感知，而且不夠直觀。將排隊(duì)長度作為識別指標(biāo)不僅在視頻監(jiān)控中更加直觀，而且可以結(jié)合客流的時(shí)空分布特征，反映出車站各類設(shè)施擁堵的嚴(yán)重程度。因此本文采用排隊(duì)長度即排隊(duì)人數(shù)作為識別指標(biāo)。

由于乘客出行特征多樣，所以本文并沒有采用《地鐵設(shè)計(jì)規(guī)范》中各種設(shè)施的最大通行能力。通過對成都東站，武漢站客流高峰時(shí)段的現(xiàn)場調(diào)查發(fā)現(xiàn)，大型鐵路客運(yùn)車站內(nèi)乘客攜帶的行李較多，影響了車站設(shè)施的通行能力。所以本文采用現(xiàn)場調(diào)研的形式獲取客流高峰期各類服務(wù)設(shè)施的實(shí)際最大通行能力和乘客感受更加直觀的最大，最小排隊(duì)容忍時(shí)間等數(shù)據(jù)。而乘客所能容忍的最大，最小排隊(duì)人數(shù)為實(shí)際通行能力與最大，最小排隊(duì)容忍時(shí)間的乘積?，F(xiàn)場調(diào)研獲取的數(shù)據(jù)如表1所示。

分析現(xiàn)場調(diào)研的數(shù)據(jù)發(fā)現(xiàn)，面對不同設(shè)施的乘客最小、最大容忍時(shí)間差別較大，分析原因在于進(jìn)站口作為領(lǐng)近車次所有乘客進(jìn)入車站的通行設(shè)備，排隊(duì)擁堵現(xiàn)象更普遍，所以乘客忍耐程度較高，而自動扶梯處由于旁邊有樓梯的存在，當(dāng)排隊(duì)人數(shù)較多時(shí)，未攜帶行李或攜帶較少行李的乘客會選擇走樓梯，因此乘客的容忍程度較低。通過分析調(diào)研數(shù)據(jù)，本文建立的客流需求與車站設(shè)施服務(wù)能力適應(yīng)性評估的等級劃分如表2所示。

3 案例分析

3.1 網(wǎng)絡(luò)模型訓(xùn)練

為了提高訓(xùn)練的效果，本文使用的數(shù)據(jù)集應(yīng)該滿足：①數(shù)據(jù)集為密集的頭部目標(biāo);②目標(biāo)框標(biāo)注類型。SCUT-HEAD作為一個(gè)規(guī)模特別大的頭部檢測數(shù)據(jù)集，包含4 405張圖片，共計(jì)包含111 251個(gè)頭部目標(biāo)，平均每張圖片含有25.3個(gè)頭部目標(biāo)，部分圖片超過100個(gè)頭部目標(biāo)，因此本文選擇SCUT-HEAD數(shù)據(jù)集作為實(shí)驗(yàn)數(shù)據(jù)集。參照YOLO v3原作者主干網(wǎng)絡(luò)配置文件和訓(xùn)練權(quán)重文件，將神經(jīng)網(wǎng)絡(luò)訓(xùn)練類別改為單一類別，類別名稱改為person，并且在編程中添加了一個(gè)計(jì)數(shù)器用于統(tǒng)計(jì)人數(shù)。本文使用SCUT-HEAD數(shù)據(jù)集訓(xùn)練了YOLOv3網(wǎng)絡(luò)。在它的訓(xùn)練階段，使用了動量項(xiàng)為0.9的異步隨機(jī)梯度下降。權(quán)重衰減設(shè)置為0.000 5，最大的迭代次數(shù)設(shè)置是100 000，學(xué)習(xí)速率初始值設(shè)置為0.000 1，50 000次迭代后改成0.001，訓(xùn)練到70 000次后改成0.000 1，迭代到90 000次后改成0.000 01。

本實(shí)驗(yàn)的軟硬件平臺：CPU：Intel（R） Core（TM） i7-7700 CPU @ 3.20GHz * 12;GPU為：NVIDIA GeForce GTX 1080Ti;

操作系統(tǒng)：ubuntu 16.04LTS;深度學(xué)習(xí)框架為：darknet。

3.2 實(shí)驗(yàn)結(jié)果分析

通過大量的實(shí)驗(yàn)，YOLOv3算法在人群目標(biāo)數(shù)據(jù)集SCUT-HEAD上成功訓(xùn)練，得到人群目標(biāo)檢測模型后進(jìn)行訓(xùn)練實(shí)驗(yàn)，將三次實(shí)驗(yàn)的平均值作為最終實(shí)驗(yàn)檢測結(jié)果（表3）。

表中AP表示人群目標(biāo)檢測精確率，81.25 %的精確率表明了YOLOv3具有良好的檢測效果。FPS表示每秒檢測的速度，在本文實(shí)驗(yàn)軟硬件平臺下每秒可以檢測43張人群目標(biāo)圖片。整個(gè)網(wǎng)絡(luò)模型從開始訓(xùn)練到模型收斂大約用時(shí)7 h 36 min。

3.3 案例

本文將采集到的150張車站安檢處乘客排隊(duì)圖像處理作為YOLO v3模型的輸入向量，對客流需求和安檢設(shè)備服務(wù)能力的適應(yīng)性進(jìn)行評估，從準(zhǔn)確率和速度兩方面來分析識別結(jié)果，每副圖像的平均檢測時(shí)間為0.023 s，而平均誤檢為19.75 %，可以實(shí)現(xiàn)對車站設(shè)施服務(wù)能力與客流需求進(jìn)行適應(yīng)性評估實(shí)時(shí)檢測。并以圖3、圖4作為實(shí)際場景下檢測的效果展示。

通過檢測，圖3中安檢處前乘客排隊(duì)人數(shù)為13人，小于分級閾值18人，所以識別適應(yīng)狀態(tài)為良好，圖4中安檢處前乘客排隊(duì)人數(shù)為33人，大于閾值30人，所以識別適應(yīng)狀態(tài)為極差。當(dāng)識別出安檢處前排隊(duì)乘客人數(shù)大于最大閾值30人時(shí)，建議運(yùn)營者再開一條安檢通道，或者是增加經(jīng)驗(yàn)豐富的工作人員，加快乘客安檢速度。

4 結(jié)論

鐵路客運(yùn)車站已經(jīng)進(jìn)入網(wǎng)絡(luò)化運(yùn)營階段，為了提高車站設(shè)施服務(wù)水平，本文提出了一種基于視頻圖像檢測客流需求與車站設(shè)施服務(wù)能力適應(yīng)性評估的方法。并且對多個(gè)實(shí)際場景圖像進(jìn)行案例分析，實(shí)驗(yàn)結(jié)果表明該方法能夠較好的檢測出車站重點(diǎn)設(shè)施范圍內(nèi)的乘客數(shù)量，結(jié)合分級規(guī)則，可以為運(yùn)營管理者提供可靠的排隊(duì)乘客數(shù)量和適應(yīng)性評估。

參考文獻(xiàn)

[1] 李臣，汪波，白云云，等.基于AFC數(shù)據(jù)的城市軌道交通突發(fā)事件客流影響分析[J].鐵道科學(xué)與工程學(xué)報(bào)，2019，16（10）：2620-2627.

[2] 丁敬安，張欣海.基于手機(jī)信令數(shù)據(jù)的地鐵乘客路徑識別研究[J].中國電子科學(xué)研究院學(xué)報(bào)，2019，14（11）：1194-1201.

[3] 王嬋嬋，張琦.上海城市軌道交通日常大客流檢測及預(yù)警需求研究[J].城市軌道交通研究，2018，21（10）：11-15.

[4] 夏令.鐵路客運(yùn)樞紐客流人數(shù)自動識別系統(tǒng)研究與實(shí)現(xiàn)[D].北京：北京交通大學(xué)，2011.

[5] Shao L， YangZ， ZhangW. The Application of Intelligent Device and Method for Detecting Dynamic and Static Human Body in Energy-Saving Control of Schools[J].Procedia Engineering ，2017， 205：4017-4021.

[6] Tong Li， Bo Jiang， Dihua Wu， et al.Tracking multiple target cows'ruminant mouth areas using optical flow andinter-frame difference methods [J].IEEE Access，2019（7）：185520-185531

[7] Marcin M， Olszewski P， Nowosielski A， et al. Pedestrian Traffic Distribution Analysis Using Face Recognition Technology[C]. In： Mikulski J. （eds） Activities of Transport Telematics. Berlin， Heidelberg： Springer，2013.

[8] Guo D，Van d V A L，Zhou X.Red blood cell tracking usingoptical flow methods [J].IEEE Journal of Biomedical &Health Informatics， 2014，18（3）：991-998

[9] 龐夢圓，杜彥君，厲超吉，等.基于圖像采集技術(shù)的地鐵站臺客流引導(dǎo)系統(tǒng)研究[J].都市快軌交通，2017，30（2）：37-41.

[10] 彭博，蔣陽升.城市軌道交通車站擁擠踩踏預(yù)警技術(shù)探討[J].公路交通科技，2016，33（7）：108-113.

[11] 何文玉. 基于深度學(xué)習(xí)的地鐵客流檢測與跟蹤算法研究[D].江西：江西理工大學(xué)，2020.

[12] 徐暢，程文軒，楊遠(yuǎn)舟.關(guān)于Yolo目標(biāo)檢測算法的基礎(chǔ)研究[J].電腦與信息技術(shù)，2020，28（4）：45-47.

[13] 陳毓偉. 基于深度學(xué)習(xí)理論的軌道交通乘客擁擠程度視頻檢測算法研究[D].南京：東南大學(xué)，2019.

[14] 盛蕊. 基于視頻圖像的地鐵車站客流安全狀態(tài)識別[D].南京：南京理工大學(xué)，2018.

[15] 單征. 地鐵車站集散能力瓶頸識別方法研究[D].北京：北京交通大學(xué)，2015.

[16] 陳慧，汪波，朱江斌.基于系統(tǒng)動力學(xué)的城市軌道交通車站客流控制仿真與優(yōu)化[J].大連交通大學(xué)學(xué)報(bào)，2020，41（5）：1-7.

[17] 單征，宋瑞，李婷婷，等.城市軌道交通車站集散能力瓶頸識別方法研究[J].交通信息與安全，2014，32（1）：117-121.

3057501908234