基于屏蔽门客流计数的地铁车辆断面客流统计方法

暂无

基于屏蔽门客流计数的地铁车辆断面客流统计方法\n技术领域\n[0001] 本发明属于深度学习和目标检测技术领域，具体涉及基于屏蔽门客流计数的地铁\n车辆断面客流统计方法。\n背景技术\n[0002] 目前人工智能技术被广泛应用于各大领域。今年以来，一线城市率先将AI技术应\n用到轨道交通上，涌现了一批智慧车站试点和应用。其中车站对于客流的智能感知能力是\n对车辆运营情况的之间反应，可提高车站设备和人员管理效率。\n[0003] 屏蔽门作为保障乘客安全和空调节能的重要站内设备，在智能化的大背景下，可\n改造成使其拥有感知乘客的能力。基于深度学习的行人检测算法，可使得屏蔽门具有行人\n计数的能力，实时地获得客流数据。\n[0004] 传统屏蔽门的门楣仅仅具有遮挡的功能，若在屏蔽门上方增加智能门楣终端，可\n实现智能视频分析的功能，也即客流计数。通常，屏蔽门前的等待区分为上客区与下客区，\n智能门楣终端可根据上下客区的人数计算出相应的客流量。\n发明内容\n[0005] 发明目的：针对轨道交通运管系统缺少实时断面客流信息支撑的问题，提出于屏\n蔽门客流计数的地铁车辆断面客流统计方法。\n[0006] 技术方案：为实现上述目的，本发明采用如下技术方案：\n[0007] 基于屏蔽门客流计数的地铁车辆断面客流统计方法，基于屏蔽门客流计数的地铁\n车辆断面客流统计系统包括屏蔽门，在所述的屏蔽门上布置智能门楣终端，所述的智能门\n楣终端包括前端采集摄像头、海思Hi3516SoC芯片、网络通信接口、显示器与语音播报模块；\n前端采集摄像头采集到的数据传送给海思Hi3516SoC芯片进行处理，并将处理过的数据在\n显示器上最终成像；网络通信接口负责终端与其他外界设备互联的网络互联；语音播报模\n块完成预先设定的对应的语音内容；该统计方法，包括以下流程：\n[0008] 步骤1：在屏蔽门上布置智能门楣终端；在开发阶段采集该场景下的数据集用于行\n人检测算法的训练，在应用阶段作为终端设备进行视频采集以及分析；\n[0009] 步骤2：训练行人检测算法，该行人检测算法使用剪枝过的mobileNet‑Yolov3网络\n模型；\n[0010] 步骤3：在智能门楣终端上对摄像头采集的图片进行客流计数；\n[0011] 步骤4：智能门楣控制器收集每个门楣终端上采集的客流数据，形成车辆断面客\n流，将采集的客流信息送至智能门楣线路平台进行实时线路客流统计；\n[0012] 所述的步骤1具体为，从Pascal VOC格式的数据集转换为LMDB格式，使用LMDB内存\n映射数据库，包括以下步骤：\n[0013] 1）制作Pascal VOC格式的数据集；\n[0014] 1.1）收集对应场景下的行人数据将其放在一个目录下；\n[0015] 1.2）使用labelImage标注工具对图片进行标记，每张图片都得到同名的xml格式\n的标注文件，该文件中包括图片的宽、高，以及每个目标的类型名及目标标注框的左上点\n（xmin，ymin）和右下点的坐标（xmax，ymax）；\n[0016] 1.3）编写程序按照9：1的比例生成train.txt和val.txt两个包含数据集路径的文\n本将数据集划分为训练集和测试集；\n[0017] 2）数据集转换成LMDB文件\n[0018] 使用caffe自带的脚本程序将训练集和测试集生成LMDB形式的数据库，训练时在\n网络的data层，输入LMDB文件路径。\n[0019] 进一步地，所述的步骤2中，将准备好的数据集输入所述的mobileNet‑Yolov3网络\n模型，包括如下步骤：\n[0020] 3.1）使用一个卷积核为3×3的标准卷积层进行图像特征提取；\n[0021] 3.2）为了加快特征提取速度，采用13个可分离卷积层进行特征提取；\n[0022] 3.3）使用一个Inception‑C结构，通过不同大小的卷积核支路获得不同的感受野，\n多维度感知目标整体和局部的特征，获取特征图，其中1×1的卷积支路通道数为384，3×3\n的卷积支路通道数为384，5×5的卷积支路通道数为128，最大池化层支路通道数为128；\n[0023] 3.4）使用一个卷积核大小为1×1的标准卷积层提取最终的特征图，特征图输入到\nDetection层输出检测框的坐标与置信度。\n[0024] 进一步地，所述的数据集由图像本身及其对应的标签构成，mobileNet‑Yolov3网\n络模型在输入图像数据后，检测算法对车门上下客区域进行行人目标检测，同时采用sort\n目标追踪算法对行人目标进行追踪。\n[0025] 进一步地，所述的步骤3具体为，由机器视觉设备所拍摄的目标区域内容作为训练\n好的模型的输入数据，mobileNet‑Yolov3网络模型的权重已经由训练过程固定，将待检测\n数据输入后，mobileNet‑Yolov3网络模型直接产生相应的检测结果；基于海思Hi3516SoC芯\n片，并利用其NPU芯片进行深度模型推理，生成的客流信息通过网络通信接口传至智能门楣\n控制器。\n[0026] 进一步地，所述的步骤4中，智能门楣控制器上的车辆断面客流计算公式为：\n[0027]\n[0028] 其中，Cin为一辆地铁停车一次的上客数量，Cout为一辆地铁停车一次下客数量，TI\n表示每个智能门楣终端统计的上客数量，TOi表示每个智能门楣终端统计的下客数量，i表\n示智能门楣终端个数，其中i=1,2,3，……n。\n[0029] 进一步地，还包括步骤5，各智能门楣线路平台将数据发送至控制中心的综合监测\n系统，对全线路的客流情况进行监控管理，生成全线路断面客流数据。\n[0030] 发明原理：通过在屏蔽门门楣上端安装智能门楣终端设备，通过机器视觉技术对\n出入屏蔽门的上下行客流量进行统计。智能门楣终端统计的客流数据发送至智能门楣控制\n器，门楣控制器将客流信息送到综合监控、智慧车站等站内系统；如果系统包含智能门楣平\n台系统，那么该信息也可以送到智能门楣线路平台以利于进行相对独立地断面客流统计。\n断面客流生成模块根据客流信息和行车调度信息，生成断面客流，并可进一步将断面客流\n信息送给其他的相关业务系统。由此，车站可实现对轨道交通系统的客流信息进行全方位\n地掌握，为地铁运营和管理提供数据支撑。\n[0031] 有益效果：与现有技术相比，本发明的基于屏蔽门客流计数的地铁车辆断面客流\n统计方法，传统屏蔽门的门楣仅仅具有遮挡的功能，若在屏蔽门上方增加智能门楣终端，可\n实现智能视频分析的功能，也即客流计数。通常，屏蔽门前的等待区分为上客区与下客区，\n智能门楣终端可根据上下客区的人数计算出相应的客流量。本发明的基于屏蔽门客流计数\n的地铁车辆断面客流统计方法，通过机器视觉和行人检测算法统计出通过每个屏蔽门的上\n下客流，将每个智能门楣终端的客流数据发送至门楣控制器，即可计算出每辆列车的上下\n客断面客流数据，门楣控制器将每辆列车的断面客流发送至线路平台，即可收集全线的实\n时上下客流信息，为运管提供精准的客流信息支撑。\n附图说明\n[0032] 图1是基于屏蔽门客流计数的地铁车辆断面客流统计系统的结构示意图；\n[0033] 图2是基于屏蔽门客流计数的地铁车辆断面客流统计方法的流程图；\n[0034] 图3是mobile‑yolov3网络图形结构。\n具体实施方式\n[0035] 以下结合具体实施方式对本发明做进一步的说明。\n[0036] 基于屏蔽门客流计数的地铁车辆断面客流系统包括屏蔽门，在屏蔽门上布置智能\n门楣终端，智能门楣终端包括前端采集摄像头、海思Hi3516SoC芯片、网络通信接口、显示器\n与语音播报模块；其中：前端采集摄像头采集到的数据传送给海思Hi3516SoC芯片进行处\n理，并将处理过的数据在显示器上最终成像；网络通信接口负责终端与其他外界设备互联\n的网络互联；语音播报模块完成预先设定的对应的语音内容。\n[0037] 基于屏蔽门客流计数的地铁车辆断面客流统计方法，包括以下流程：\n[0038] 步骤1：在屏蔽门上布置智能门楣终端；在开发阶段采集该场景下的数据集用于行\n人检测算法的训练；在应用阶段作为终端设备进行视频采集以及分析；\n[0039] 步骤2：训练行人检测算法，该行人检测算法使用剪枝过的mobileNet‑Yolov3网络\n模型；\n[0040] 步骤3：在智能门楣终端上对摄像头采集的图片进行客流计数；\n[0041] 步骤4：智能门楣控制器收集每个门楣终端上采集的客流数据，形成车辆断面客\n流，将采集的客流信息送至智能门楣线路平台进行实时线路客流统计。\n[0042] 步骤1具体为，从Pascal VOC格式的数据集转换为LMDB格式，使用LMDB内存映射数\n据库，包括以下步骤：\n[0043] 1）制作Pascal VOC格式的数据集\n[0044] 1.1）收集对应场景下的行人数据将其放在一个目录下；\n[0045] 1.2）使用labelImage标注工具对图片进行标记，每张图片都得到同名的xml格式\n的标注文件，该文件中包括图片的宽、高，以及每个目标的类型名及目标标注框的左上点\n（xmin，ymin）和右下点的坐标（xmax，ymax）；\n[0046] 1.3）编写程序按照9：1的比例生成train.txt和val.txt两个包含数据集路径的文\n本将数据集划分为训练集和测试集；\n[0047] 2）数据集转换成LMDB文件\n[0048] 使用caffe自带的脚本程序将训练集和测试集生成LMDB形式的数据库，训练时在\n网络的data层，输入LMDB文件路径。\n[0049] 步骤2中，将准备好的数据集输入mobileNet‑Yolov3网络模型，包括如下步骤：\n[0050] 3.1）使用一个卷积核为3×3的标准卷积层进行图像特征提取；\n[0051] 3.2）为了加快特征提取速度，采用13个可分离卷积层进行特征提取；\n[0052] 3.3）使用一个Inception‑C结构，通过不同大小的卷积核支路获得不同的感受野，\n多维度感知目标整体和局部的特征，获取特征图，其中1×1的卷积支路通道数为384，3×3\n的卷积支路通道数为384，5×5的卷积支路通道数为128，最大池化层支路通道数为128；\n[0053] 3.4）使用一个卷积核大小为1×1的标准卷积层提取最终的特征图，特征图输入到\nDetection层输出检测框的坐标与置信度。\n[0054] 数据集由图像本身及其对应的标签构成，mobileNet‑Yolov3网络模型在输入大量\n类似的图像数据后，检测算法对车门上下客区域进行行人目标检测，同时采用sort目标追\n踪算法对行人目标进行追踪。\n[0055] 步骤3具体为，由机器视觉设备所拍摄的目标区域内容作为训练好的模型的输入\n数据，由于模型的权重已经由训练过程固定，将待检测数据输入后，模型直接产生相应的检\n测结果；软件部署基于海思Hi3516SoC芯片，并利用其NPU芯片进行深度模型推理，生成的客\n流信息通过网络通信接口传至智能门楣控制器；\n[0056] 步骤4中，智能门楣控制器上的车辆断面客流计算公式为：\n[0057]\n[0058] 其中，Cin为一辆地铁停车一次的上客数量，Cout为一辆地铁停车一次下客数量，TI\n表示每个智能门楣终端统计的上客数量，TOi表示每个智能门楣终端统计的下客数量，i表\n示智能门楣终端个数，其中i=1,2,3，……n。\n[0059] 还包括步骤5，各智能门楣线路平台将数据发送至控制中心的综合监测系统，对全\n线路的客流情况进行监控管理，生成全线路断面客流数据。\n[0060] 图1是本发明的设备结构示意图，图2是本发明的流程图。本实施例中基于屏蔽门\n客流计数的地铁车辆断面客流统计方法，通过在屏蔽门门楣上端安装智能门楣终端设备，\n通过机器视觉技术对出入屏蔽门的上下行客流进行统计。\n[0061] 智能门楣终端统计的客流数据发送至智能门楣控制器，门楣控制器将客流信息送\n到综合监控、智慧车站等站内系统；如果系统包含智能门楣平台系统，那么该信息也可以送\n到智能门楣线路平台以利于进行相对独立地断面客流统计。断面客流生成模块根据客流信\n息和行车调度信息，生成断面客流，并可进一步将断面客流信息送给其他的相关业务系统。\n由此，车站可实现对轨道交通系统的客流信息全方位掌握，为地铁运营和管理提供数据支\n撑。具体步骤如下：\n[0062] 步骤1：在屏蔽门上布置智能门楣终端，其结构包括前端采集摄像头、海思\nHi3516SoC芯片、网络通信接口、显示器与语音播报模块等，安装方式如图1所示。在开发阶\n段采集该场景下的数据集用于行人检测算法的训练；在应用阶段作为终端设备进行视频采\n集以及分析。\n[0063] 步骤2：训练行人检测算法，该行人检测算法使用剪枝过的mobileNet‑Yolov3网络\n模型，具有体积小，速度快的特点。图3是mobile‑yolov3网络图形结构。在步骤1中需要采集\n大量的数据用于此步骤的训练。在本方法的软件系统中，检测算法对车门上下客区域进行\n行人目标检测，同时采用sort目标追踪算法对行人目标进行追踪，以达到高精度的行人计\n数，公式如下\n[0064]\n[0065] 其中u和v分别代表目标人物中心的水平和垂直像素位置，而s和r分别代表目标边\n界框面积的比例和纵横比， 分别代表u，v，s的变化率，x为跟踪的目标；并按9：1\n比例制作训练和测试集。\n[0066] 步骤3：在智能门楣终端上对摄像头采集的图片进行客流计数，软件部署基于海思\nHi3516SoC芯片，并利用其NPU芯片进行深度模型推理，生成的客流信息通过网络通信接口\n传至智能门楣控制器。\n[0067] 步骤4：智能门楣控制器收集每个门楣终端上采集的客流数据，形成车辆断面客\n流，将采集的客流信息送至智能门楣线路平台进行实时线路客流统计，其中，智能门楣控制\n器上的车辆断面客流计算公式为：\n[0068]\n[0069] 其中，Cin为一辆地铁停车一次的上客数量，Cout为一辆地铁停车一次下客数量，TI\n表示每个智能门楣终端统计的上客数量，TOi表示每个智能门楣终端统计的下客数量，i表\n示智能门楣终端个数，其中i=1,2,3，……n。\n[0070] 步骤5：各智能门楣线路平台将数据发送至控制中心的综合监测系统，对全线路的\n客流情况进行监控管理，生成全线路断面客流数据。\n[0071] 以上所述仅是本发明的优选实施方式，对于本技术领域的普通技术人员来说，在\n不脱离本发明技术原理的前提下，还可以作出若干改进和变型，这些改进和变型也应该视\n为本发明保护范围。