張秋亮，楊 棟, ，王建超

（1.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；2.中國鐵道科學(xué)研究院研究生部，北京 100081)

0 引言

智能時(shí)代的到來對鐵路的創(chuàng)新發(fā)展提出了新的更高要求，智能高速鐵路是廣泛應(yīng)用云計(jì)算、大數(shù)據(jù)、物聯(lián)網(wǎng)、移動(dòng)互聯(lián)、人工智能、北斗導(dǎo)航、BIM 等新技術(shù)，綜合高效利用資源，實(shí)現(xiàn)高速鐵路移動(dòng)裝備、固定設(shè)施及內(nèi)外部環(huán)境信息的全面感知、泛在互聯(lián)、融合處理、主動(dòng)學(xué)習(xí)和科學(xué)決策，實(shí)現(xiàn)全生命周期一體化管理的新一代智能化高速鐵路系統(tǒng)[1]。運(yùn)用深度學(xué)習(xí)、機(jī)器視覺等技術(shù)實(shí)時(shí)分析車站內(nèi)的客流分布，檢測售票窗口、進(jìn)站口等重點(diǎn)區(qū)域的旅客排隊(duì)人數(shù)，對客運(yùn)生產(chǎn)作業(yè)和提升客運(yùn)服務(wù)質(zhì)量至關(guān)重要，也是智能車站建設(shè)的內(nèi)在要求。

目前，客運(yùn)站的攝像頭已實(shí)現(xiàn)全覆蓋監(jiān)控，主要用于人工實(shí)時(shí)調(diào)閱和事后回放，智能化分析應(yīng)用較少。通過獲取前端攝像頭的實(shí)時(shí)視頻信息，結(jié)合深度學(xué)習(xí)和機(jī)器視覺技術(shù)，可實(shí)現(xiàn)重點(diǎn)區(qū)域的客流密度檢測、排隊(duì)人數(shù)檢測，進(jìn)而實(shí)現(xiàn)全站的客流監(jiān)測，為高效精準(zhǔn)作業(yè)和應(yīng)急處置提供支撐。

既有的研究主要集中于客流檢測和智能視頻分析。唐金金等[2]以北京西站為例，研究了大型鐵路客運(yùn)站大客流預(yù)警及應(yīng)對方案設(shè)計(jì)。王嬋嬋等[3]根據(jù)城市軌道交通日常大客流特征，研究上海軌道交通日常大客流檢測及預(yù)警體系。楊超等[4]設(shè)計(jì)和研發(fā)面向車站管理人員的城市軌道交通車站客流安全檢測系統(tǒng)。上述客流檢測相關(guān)研究主要集中于對大客流的判斷標(biāo)準(zhǔn)和處置流程，沒有對車站客流檢測技術(shù)及效果的深入研究。王明哲等[5]針對客運(yùn)站的場景，以行人為檢測目標(biāo)，進(jìn)行了客流密度檢測的相關(guān)研究。楊加生[6]提出了鐵路車站智能視頻監(jiān)控系統(tǒng)的組成、架構(gòu)及應(yīng)用場景。王巍等[7]梳理鐵路客站視頻監(jiān)控應(yīng)用現(xiàn)狀及相關(guān)部門的需求，介紹區(qū)域密度檢測、電梯異常檢測、越線檢測、物品移走檢測、徘徊檢測、脫崗檢測、人臉識(shí)別等7 項(xiàng)視頻分析技術(shù)。張亞偉等[8]研究了智能視頻分析在鐵路旅客服務(wù)中的應(yīng)用，重點(diǎn)介紹了列車到發(fā)聯(lián)動(dòng)監(jiān)控，人群密度統(tǒng)計(jì)、售票廳排隊(duì)人數(shù)監(jiān)測、站臺(tái)入侵檢測功能。上述鐵路智能視頻系統(tǒng)相關(guān)工作，主要集中于需求分析、系統(tǒng)功能介紹，涉及客流檢測、排隊(duì)檢測相關(guān)的部分，缺乏對檢測技術(shù)的深入研究和對檢測結(jié)果的量化分析。

1 客運(yùn)站客流監(jiān)測系統(tǒng)

客運(yùn)站客流監(jiān)測系統(tǒng)接入進(jìn)站口、候車廳、出站通道、售票廳等處的攝像頭視頻流，并基于卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行檢測分析，得到重點(diǎn)區(qū)域的客流密度或排隊(duì)長度數(shù)據(jù)，進(jìn)而形成整個(gè)車站的客流狀態(tài)信息。

1.1 技術(shù)架構(gòu)

客運(yùn)站客流檢測系統(tǒng)由感知層、服務(wù)層、應(yīng)用層3 層構(gòu)成，技術(shù)架構(gòu)如圖1 所示。感知層為進(jìn)站口、候車廳、出站通道、售票廳等重點(diǎn)區(qū)域的攝像頭，實(shí)現(xiàn)實(shí)時(shí)視頻信息的采集。服務(wù)層是系統(tǒng)的核心，流媒體服務(wù)實(shí)現(xiàn)視頻流的接入轉(zhuǎn)發(fā)；檢測算法及模型模塊，基于卷積神經(jīng)網(wǎng)絡(luò)及機(jī)器視覺技術(shù)，實(shí)現(xiàn)視頻畫面中的人數(shù)檢測、排隊(duì)長度檢測；擁擠度評價(jià)模塊，基于各個(gè)攝像頭圖像分析得到的人數(shù)信息、排隊(duì)信息，生成全站的客流分布數(shù)據(jù)，并根據(jù)規(guī)則設(shè)置，生成擁擠度指標(biāo)信息；Web 服務(wù)為B/S 架構(gòu)，提供標(biāo)準(zhǔn)化接口，處理客戶請求響應(yīng)。應(yīng)用層實(shí)現(xiàn)與服務(wù)層的信息交互和結(jié)果展示，可展示監(jiān)控分析點(diǎn)位的實(shí)時(shí)客流數(shù)據(jù)，展示車站整體的客流分布熱力圖和擁擠度指標(biāo)，實(shí)現(xiàn)攝像頭的實(shí)時(shí)預(yù)覽、錄像回放、設(shè)備管理功能。

圖1 技術(shù)架構(gòu)Fig.1 Technical architecture

1.2 網(wǎng)絡(luò)架構(gòu)

在目前的網(wǎng)絡(luò)規(guī)劃中，攝像頭位于綜合視頻網(wǎng)，客運(yùn)生產(chǎn)作業(yè)的相關(guān)系統(tǒng)位于安全生產(chǎn)網(wǎng)[9]?？瓦\(yùn)站客流監(jiān)測系統(tǒng)主要為客運(yùn)生產(chǎn)作業(yè)提供輔助決策信息，用戶主要是車站綜控室的作業(yè)人員，故系統(tǒng)部署于安全生產(chǎn)網(wǎng)。系統(tǒng)網(wǎng)絡(luò)設(shè)計(jì)采用三級架構(gòu)，網(wǎng)絡(luò)架構(gòu)如圖2 所示。攝像頭掛載在綜合視頻網(wǎng)下的接入節(jié)點(diǎn)，與綜合視頻網(wǎng)之間通過防火墻進(jìn)行安全隔離。流媒體服務(wù)通過接入節(jié)點(diǎn)，獲取視頻流，支撐整個(gè)系統(tǒng)的實(shí)時(shí)視頻流和分析視頻流需求。算法服務(wù)通過流媒體服務(wù)獲取實(shí)時(shí)視頻流，并進(jìn)行分析。由于算法服務(wù)和流媒體服務(wù)通常涉及10 路以上的視頻流并發(fā)要求，現(xiàn)有的鐵路廣域網(wǎng)網(wǎng)絡(luò)條件無法滿足傳輸要求，因而二者只能部署于車站級的信息機(jī)房，接入安全生產(chǎn)網(wǎng)。Web服務(wù)不涉及視頻流的信息傳輸，為統(tǒng)一管理，節(jié)約資源，可部署于鐵路局集團(tuán)公司級信息機(jī)房。在武清主數(shù)據(jù)中心，配置存儲(chǔ)資源，存儲(chǔ)系統(tǒng)生成的客流信息，為客流態(tài)勢大數(shù)據(jù)分析進(jìn)行數(shù)據(jù)積累。

圖2 網(wǎng)絡(luò)架構(gòu)Fig.2 Network architecture

1.3 主要功能

系統(tǒng)主要功能包括：實(shí)時(shí)客流數(shù)據(jù)、客流分布熱力圖、擁擠度評價(jià)。

（1）實(shí)時(shí)客流數(shù)據(jù)。通過分析接入的進(jìn)站口、候車廳、出站通道、售票廳等處的視頻流，實(shí)時(shí)給出候車廳、出站通道的客流密度信息，進(jìn)站口、售票廳的排隊(duì)長度信息，以表格形式展現(xiàn)各監(jiān)控點(diǎn)位的實(shí)時(shí)客流數(shù)據(jù)?？土髅芏刃畔楸O(jiān)控點(diǎn)位的客流密度，以x人/m2的格式展示。排隊(duì)長度為監(jiān)控點(diǎn)位的旅客排隊(duì)人數(shù)，可區(qū)分識(shí)別多個(gè)排隊(duì)隊(duì)伍的排隊(duì)人數(shù)。

（2）客流分布熱力圖。在分析實(shí)時(shí)客流數(shù)據(jù)的基礎(chǔ)上，結(jié)合全站平面地圖，生成全站的客流分布熱力圖。采用紅色、黃色、綠色三色漸變表示客流密度，紅色表示客流密度高，黃色表示較高，綠色表示正常。

（3）擁擠度評價(jià)。對每個(gè)監(jiān)控分析點(diǎn)位的客流密度或排隊(duì)長度進(jìn)行量化打分，得到局部擁擠度指標(biāo)；再對每個(gè)監(jiān)控分析點(diǎn)位賦予權(quán)重，進(jìn)行加權(quán)求和，即可得到全站的擁擠度指標(biāo)。車站擁擠度信息每30 s 更新一次，并上傳至武清數(shù)據(jù)中心存儲(chǔ)，為大數(shù)據(jù)分析進(jìn)行數(shù)據(jù)積累。

2 客流密度和排隊(duì)長度檢測

通過上述分析和設(shè)計(jì)，可以看出，系統(tǒng)的核心技術(shù)在于客流密度和排隊(duì)長度的檢測?？土髅芏群团抨?duì)長度檢測的本質(zhì)均為對特定區(qū)域的旅客人數(shù)的判斷，在機(jī)器視覺領(lǐng)域均屬于目標(biāo)檢測范疇，即通過檢測特定目標(biāo)以判斷特定區(qū)域內(nèi)的旅客人數(shù)。目前，基于深度學(xué)習(xí)的目標(biāo)檢測方法主要有2類，一類是以Faster-RCNN 算法[10]為代表的兩步檢測方法，一類是以Yolo 算法、SSD 算法為代表的一步檢測方法[11-12]。從車站場景提取500 張包含行人樣本的圖片并標(biāo)注，得到共500 張圖片的車站行人數(shù)據(jù)集，用于模型訓(xùn)練。選取50 個(gè)旅客排隊(duì)隊(duì)伍畫面，分別用Faster-RCNN 算法、Yolo 算法、SSD 算法進(jìn)行測試，不同算法識(shí)別準(zhǔn)確率如表1所示。

表1 不同算法識(shí)別準(zhǔn)確率 %Tab.1 Recognition accuracy of different algorithms

結(jié)果表明，在客流密度較高的車站場景中，F(xiàn)aster-RCNN 算法的識(shí)別準(zhǔn)確率較高，故研究主要采用Faster-RCNN 算法對客流密度和排隊(duì)長度檢測進(jìn)行研究和分析。

2.1 Faster-RCNN 算法原理

Faster-RCNN 算法是兩步目標(biāo)檢測算法，算法的2 個(gè)核心步驟為候選區(qū)推薦和檢測分類，F(xiàn)aster-RCNN 算法原理如圖3 所示。輸入圖片首先輸入卷積網(wǎng)絡(luò)，進(jìn)行特征提取，卷積網(wǎng)絡(luò)可以是VGG16網(wǎng)絡(luò)、ResNet 網(wǎng)絡(luò)等。得到的特征圖譜同時(shí)用于候選區(qū)推薦和分類檢測，共用特征圖譜降低了算法的整體運(yùn)算量。在特征圖譜上，先進(jìn)行候選區(qū)的預(yù)測，即哪些位置可能存在目標(biāo)，并生成包含目標(biāo)的建議矩形框。在得到推薦的候選區(qū)后，對每一個(gè)建議的包含目標(biāo)的矩形框進(jìn)行分類預(yù)測，判斷每一個(gè)候選區(qū)的目標(biāo)的類別，并將所有檢測到的目標(biāo)的矩形框、類別、置信度標(biāo)注在輸入圖片上。

圖3 Faster-RCNN 算法原理Fig.3 Principle of Faster-RCNN algorithm

候選區(qū)推薦原理如圖4 所示。以VGG16 網(wǎng)絡(luò)提取的特征圖譜為例，闡述候選區(qū)推薦原理。特征圖譜中的每個(gè)點(diǎn)都會(huì)對應(yīng)原輸入圖片中的一個(gè)點(diǎn)，定義特征圖譜中的點(diǎn)為錨點(diǎn)，在每個(gè)錨點(diǎn)預(yù)置k個(gè)候選框，再預(yù)測全部錨點(diǎn)的候選框是否包含目標(biāo)。對特征圖譜進(jìn)行卷積池化，生成歸一化的512 維特征向量，分別用2 個(gè)網(wǎng)絡(luò)處理這個(gè)特征向量，一個(gè)網(wǎng)絡(luò)用于實(shí)現(xiàn)邊框分類，一個(gè)用于實(shí)現(xiàn)邊框回歸，對于k個(gè)錨點(diǎn)，邊框分類網(wǎng)絡(luò)有2k個(gè)輸出，表示是否包含目標(biāo)，邊框回歸網(wǎng)絡(luò)有4k個(gè)輸出，表示每個(gè)矩形框的坐標(biāo)。最后，將包含目標(biāo)的候選框返回，即可完成候選區(qū)推薦。

圖4 候選區(qū)推薦原理Fig.4 Principle of region proposal

Faster-RCNN 算法的損失函數(shù)定義為

式中：Ncls為每次訓(xùn)練輸入的樣本數(shù)量；為分類損失；pi為候選框是目標(biāo)的概率；為候選框的標(biāo)簽，取0 或1，0 表示背景，1 表示正樣本；Nreg為候選框的數(shù)量；λ為平衡兩部分損失的權(quán)重參數(shù)；為邊框回歸損失函數(shù)；ti為算法調(diào)整候選框的變換向量；為將候選框變換為標(biāo)注方框的變換向量。

式中：R為smooth L1 損失函數(shù)。

2.2 旅客目標(biāo)檢測原理

獲取目標(biāo)場景的視頻流，并從中提取圖片，對每一幀圖片，運(yùn)用Faster-RCNN 算法，結(jié)合VGG16 深度卷積神經(jīng)網(wǎng)絡(luò)，可實(shí)現(xiàn)圖片中特定目標(biāo)的檢測識(shí)別，進(jìn)而實(shí)現(xiàn)客流密度和排隊(duì)長度的檢測。對任意客流密度和排隊(duì)場景，在待檢測圖片中用四邊形標(biāo)定待統(tǒng)計(jì)區(qū)域；然后，檢測圖片中的待檢測目標(biāo)，并判斷目標(biāo)中心是否在預(yù)置的四邊形內(nèi)；最后，統(tǒng)計(jì)目標(biāo)數(shù)量，即可實(shí)現(xiàn)指定區(qū)域的客流密度或排隊(duì)長度統(tǒng)計(jì)。既有的類似研究大多以行人為目標(biāo)進(jìn)行人數(shù)統(tǒng)計(jì)，統(tǒng)計(jì)精度仍不夠高，為研究不同的檢測目標(biāo)對客流密度和排隊(duì)長度統(tǒng)計(jì)效果的影響，選取行人、人頭、頭肩3 種不同的檢測目標(biāo)進(jìn)行試驗(yàn)，并分析比較實(shí)驗(yàn)結(jié)果。

2.3 數(shù)據(jù)集建立

在許多公開數(shù)據(jù)集中，都有行人樣本，但公開數(shù)據(jù)集的行人樣本環(huán)境與鐵路現(xiàn)場環(huán)境差異較大，在車站應(yīng)用時(shí)準(zhǔn)確率不高[13-14]。人頭樣本和頭肩樣本在公開數(shù)據(jù)集中較少，無法借鑒。為進(jìn)一步提高檢測準(zhǔn)確率，均建立私有數(shù)據(jù)集，通過從車站的監(jiān)控視頻流中截取圖片，并標(biāo)注相應(yīng)目標(biāo)，建立3 種不同的數(shù)據(jù)集。行人樣本標(biāo)注如圖5 所示，即用方框圈出圖像中的整個(gè)人體。人頭樣本標(biāo)注如圖6 所示，即用方框圈出圖像中人的頭部。頭肩樣本標(biāo)注如圖7 所示，即用方框圈出圖像中人的頭和肩膀。

圖5 行人樣本標(biāo)注Fig.5 Pedestrian sample labeling

圖6 人頭樣本標(biāo)注Fig.6 Head sample labeling

圖7 頭肩樣本標(biāo)注Fig.7 Head-shoulder sample labeling

從車站場景提取500 張包含行人樣本的圖片并標(biāo)注，得到共500 張圖片的行人數(shù)據(jù)集，用于訓(xùn)練識(shí)別行人的模型。從車站場景提取300 張包含行人樣本的圖片并標(biāo)注其中的人頭和頭肩，分別用于訓(xùn)練識(shí)別人頭和頭肩的模型，由于單張圖片中含有大量的人頭和頭肩樣本標(biāo)注，故可用較少的樣本數(shù)據(jù)完成模型訓(xùn)練。

2.4 實(shí)驗(yàn)測試

相比于公開數(shù)據(jù)集的樣本數(shù)量，建立的行人數(shù)據(jù)集、人頭數(shù)據(jù)集、頭肩數(shù)據(jù)集的樣本數(shù)量仍然較少，為提升訓(xùn)練效率、保證訓(xùn)練結(jié)果收斂性，均采用經(jīng)過ImageNet 數(shù)據(jù)集預(yù)訓(xùn)練過的VGG16 模型進(jìn)行遷移學(xué)習(xí)。訓(xùn)練時(shí)，鎖定模型的前2 組神經(jīng)網(wǎng)絡(luò)參數(shù)，僅訓(xùn)練后3 組神經(jīng)網(wǎng)絡(luò)參數(shù)，并設(shè)置訓(xùn)練次數(shù)為70 000 次，學(xué)習(xí)率為0.001。

客流密度檢測和排隊(duì)長度檢測原理類似，相比而言，排隊(duì)長度的區(qū)域方框更小，檢測要求更高，且統(tǒng)計(jì)準(zhǔn)確率更為方便，故后續(xù)實(shí)驗(yàn)主要以排隊(duì)長度統(tǒng)計(jì)進(jìn)行分析和說明。對于每一個(gè)旅客排隊(duì)的隊(duì)伍，定義檢測準(zhǔn)確率如下。

對同一種模型檢測多個(gè)隊(duì)伍的檢測準(zhǔn)確率進(jìn)行算術(shù)平均，可得到該模型的檢測準(zhǔn)確率。

相比于Faster-RCNN 算法在公開數(shù)據(jù)集的目標(biāo)檢測，在車站排隊(duì)人數(shù)統(tǒng)計(jì)的檢測過程中，待識(shí)別目標(biāo)數(shù)量大幅提高，通常在一幅圖片中，至少會(huì)有幾十個(gè)待識(shí)別目標(biāo)。為適應(yīng)檢測大量目標(biāo)的需要，將RPN 最終輸出的候選框數(shù)量設(shè)置為較大數(shù)值，本實(shí)驗(yàn)中設(shè)置為2 000。選取50 個(gè)旅客排隊(duì)隊(duì)伍，分別用行人模型、人頭模型、頭肩模型進(jìn)行測試，判斷旅客排隊(duì)人數(shù)，行人模型檢測結(jié)果如圖8 所示，人頭模型檢測結(jié)果如圖9 所示，頭肩模型檢測結(jié)果如圖10 所示。

圖8 行人模型檢測結(jié)果Fig.8 Detection results of pedestrian model

圖9 人頭模型檢測結(jié)果Fig.9 Detection results of head model

圖10 頭肩模型檢測結(jié)果Fig.10 Detection results of head-shoulder model

各模型檢測準(zhǔn)確率如表2 所示。

表2 各模型檢測準(zhǔn)確率 %Tab.2 Detection accuracy of each model

2.5 結(jié)果分析

（1）人頭模型和頭肩模型的檢測準(zhǔn)確率較高，分別為95.5%和95.2%，行人模型的檢測準(zhǔn)確率不高，為81.5%。

（2）行人模型檢測準(zhǔn)確率不高，分析原因，主要如下：①在人群密集的排隊(duì)場景，目標(biāo)遮擋嚴(yán)重，致使較大的檢測目標(biāo)檢測不準(zhǔn)；②由于車站的多數(shù)攝像頭斜向下方拍攝，導(dǎo)致畫面遠(yuǎn)處形變較大，人物變形嚴(yán)重，影響檢測準(zhǔn)確率；③由于目標(biāo)較大，不同的隊(duì)伍在圖像中會(huì)重疊，使得排隊(duì)的預(yù)置框難以確定，影響檢測準(zhǔn)確率。

（3）人頭模型和頭肩模型檢測目標(biāo)較小，在人群密集的排隊(duì)場景，受目標(biāo)遮擋影響較小，準(zhǔn)確率較高，2 種模型的實(shí)際場景測試準(zhǔn)確率接近。2 種模型均存在少量誤判和漏判，如將黑色的挎包誤判為人頭、漏判了戴帽子的目標(biāo)等。

（4）選定的檢測目標(biāo)，只要具有清晰易辨識(shí)的特征，且不存在遮擋，即可實(shí)現(xiàn)較高的檢測準(zhǔn)確率。

3 擁擠度評價(jià)方法

車站擁擠度指標(biāo)是車站整體和局部客流密度的綜合反映，通過量化的擁擠度指標(biāo)，車站管理人員可方便地掌握車站的客流狀況。根據(jù)每個(gè)監(jiān)控點(diǎn)位分析的客流密度或排隊(duì)長度，量化打分，得到局部擁擠度指標(biāo)。

對于客流密度分析點(diǎn)位，根據(jù)監(jiān)控畫面中的檢測區(qū)域面積，按照每位旅客1.2 m2的設(shè)計(jì)使用面積，可計(jì)算出該相機(jī)檢測區(qū)域的設(shè)計(jì)承載人數(shù)，結(jié)合相機(jī)實(shí)時(shí)分析的客流人數(shù)，可得到局部擁擠度指標(biāo)Pi為

式中：N為檢測區(qū)域內(nèi)的實(shí)時(shí)旅客人數(shù)，人；S為檢測區(qū)域的面積，m2。

對于排隊(duì)長度分析點(diǎn)位，根據(jù)實(shí)時(shí)檢測的排隊(duì)人數(shù)和設(shè)計(jì)排隊(duì)人數(shù)閾值的比值，可得局部擁擠度指標(biāo)Qi為

式中：L為實(shí)時(shí)檢測的排隊(duì)人數(shù)，人；Lt為設(shè)計(jì)的排隊(duì)人數(shù)閾值，人。

通過上述分析可知，Pi和Qi可以反映擁擠度信息，當(dāng)其數(shù)值小于1 時(shí)，表示局部客流密度或排隊(duì)長度未超過設(shè)計(jì)值。根據(jù)局部擁擠度指標(biāo)，可以繪制客流分布熱力圖，熱力圖分紅色、黃色、綠色3 個(gè)檔位，分別表示客流密度高、中、低，熱力圖展示顏色根據(jù)擁擠度指標(biāo)漸變，熱力圖顏色與局部擁擠度指標(biāo)對應(yīng)關(guān)系如表3 所示。

表3 熱力圖顏色與局部擁擠度指標(biāo)對應(yīng)關(guān)系Tab.3 Corresponding relationship between heat map color and local crowding degree index

不同區(qū)域的擁擠度對車站整體的擁擠度影響不同，為量化這一影響，對客流分析點(diǎn)位賦予不同的擁擠度權(quán)重。進(jìn)一步地，對局部擁擠度指標(biāo)加權(quán)平均，可得車站的整體擁擠度指標(biāo)S為

式中：Pi為客流密度分析點(diǎn)位的局部擁擠度指標(biāo)；ui為對應(yīng)的擁擠度權(quán)重，取值范圍為1～2，默認(rèn)值為1；m為客流密度分析攝像頭的總數(shù)，個(gè)；Qi為排隊(duì)長度分析點(diǎn)位的局部擁擠度指標(biāo)；vi為對應(yīng)的擁擠度權(quán)重，取值范圍為1～2，默認(rèn)值為1；n為排隊(duì)長度分析攝像頭的總數(shù)，個(gè)。

對于大多數(shù)分析區(qū)域，擁擠度權(quán)重和的取值為1，少部分重要區(qū)域，可賦予更高的權(quán)重。當(dāng)客流在設(shè)計(jì)值范圍內(nèi)時(shí)，Pi和Qi的取值均小于1。因此，當(dāng)客流在設(shè)計(jì)范圍內(nèi)時(shí)，S基本上也小于1。對整體擁擠度指標(biāo)S進(jìn)行量化分段，可將車站的整體擁擠度分為正常、關(guān)注、報(bào)警3 個(gè)級別。當(dāng)S≤0.7 時(shí)，整體擁擠度為正常，表示車站大部分區(qū)域客流都在設(shè)計(jì)范圍內(nèi)，旅客出行體驗(yàn)良好；當(dāng)0.7＜S≤0.9時(shí)，整體擁擠度為關(guān)注，表示車站有部分區(qū)域的客流已超過設(shè)計(jì)范圍，部分區(qū)域旅客感受到擁擠；當(dāng)S＞0.9 時(shí)，整體擁擠度為報(bào)警，表示車站大部分區(qū)域的客流已超過設(shè)計(jì)范圍，全站旅客均感受到擁擠。

4 結(jié)束語

車站的客流分布情況對客運(yùn)管理及生產(chǎn)作業(yè)有重要影響，在綜合考慮客運(yùn)管理、客運(yùn)生產(chǎn)作業(yè)、車站網(wǎng)絡(luò)環(huán)境的基礎(chǔ)上，提出一種客運(yùn)站客流監(jiān)測系統(tǒng)，滿足客運(yùn)生產(chǎn)作業(yè)需求，符合現(xiàn)場實(shí)際情況。采用基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測技術(shù)，結(jié)合車站的現(xiàn)場數(shù)據(jù)，從排隊(duì)人數(shù)統(tǒng)計(jì)問題入手，對旅客人數(shù)分析問題進(jìn)行了深入研究。研究表明Faster-RCNN 算法相比于單步目標(biāo)檢測方法準(zhǔn)確率更高，用人頭數(shù)據(jù)集和頭肩數(shù)據(jù)集訓(xùn)練的模型具有更高的檢測準(zhǔn)確率，可以滿足車站旅客人數(shù)分析需求。進(jìn)一步地，為了使車站作業(yè)人員對車站擁擠度有直觀判斷，根據(jù)單個(gè)攝像頭分析的旅客人數(shù)，給出了局部擁擠度指標(biāo)和整體擁擠度指標(biāo)的定義，并通過量化分析給出了車站擁擠度的評價(jià)方法。下一步，仍需對車站擁擠度的評價(jià)方法進(jìn)行現(xiàn)場測試和改進(jìn)，并結(jié)合具體客流分布數(shù)據(jù)，從趨勢預(yù)測方面，研究客流態(tài)勢感知問題，更好地輔助客運(yùn)生產(chǎn)作業(yè)決策。