2019.12科学技术创新-101-浅谈城市轨道交通大客流识别与预警技术 冉嬪入张擎
微型麦克风（四川交通职业技术学院，四川成都611130）
摘要：围绕保障城市轨道交通车站运营安全这一目标，提出了大客流识别与预警区域和条件设置要求，并论述大客流识别预警技术的实现，对大客流预警模式进行了界定，对预警状态进行了分级，以期对大客流进行及时告警提示，保障城市轨道交通运营安全。 关键词：城市轨道交通；客流识别；客流预警
中图分类号:U239.5.U293.1+3文献标识码：A
1概述
近年来我国城市轨道交通发展迅速，伴随人口红利和集聚效应，公共交通大客流运营安全成为运营和管理部门的关注焦点。提前预知大客流造成的影响是运营管理部门提高安全运营的最有效手段。大客流识别预警技术的应用作为运营安全事前控制的重要一环，通过实时数据采集分析和历史数据对比，提前做出告警提示，防止拥挤踩踏等灾害事件发生，为管理者提供科学的决策，在目前形式下具有非常实用的价值。
2大客流识别和预警区域与条件
城市轨道交通大客流主要在车站产生，会一定程度影响运营安全，因此首先应明确大客流识别预警区域（即车站预警区域）和条件。
2.1车站预警区域的界定
车站预警区域m主要指售票区、闸机口、站台-站厅、楼梯、换乘通道等人流容易积压区域监测预警。上述区域可以划分为两大部分：站台区域与站厅区域，且这两个概念区域能够且必须监测的区域可以形式化描述为：
①乘客可流动的站厅区域面积=站厅
总面积-站厅设施占用面积-乘客不能进
入的区域面积。
②乘客可流动的站台区域面积=站台
总面积-站厅设施占用面积-乘客不能进
入的区域面积。
③站厅视频监控设备可监控到的实际
区域面积。
④站台视频监控设备可监控到的实际
区域面积。
区域界定后，首先考虑的问题是获得
其中现有监控摄像机个数、类型、安装位
置高度、角度，在何处需要补加多少何种
摄像头及安装位置方式。其次需要考虑如
板栗割口机
何获得站厅与站台视频监控设备可监控
到的实际区域面积的图像数据。
2.2客流识别预警条件设置
主要采取自定义预警状态设置，提供
页面供管理员定制预警类型。由用户自行
决定预案、区域、摄像头、人数、滞留时间
文章编号:2096-4390（2019）12-0101-02
等，用户设定完成后，当客流达到设定条件时，系统会报警并将报警详情推送到管理客户端。同时，系统会将机、球机统计的数据以折线图、表格形式展现，为管理员设定预警条件提供强有力的数据依据。
3城市轨道交通大客流识别预警关键技术
就实现技术而言，主要涉及视频图像采集、运动目标检测、图像处理与人头识别等方面课题，大客流识别实际上就是获取客流数，因为精确的客流统计数据可以揭示在特定时间点上的客流数量*寺征，以便对客流进行定量乃至定性分析，从而做出正确的决策，是大客流预警的实现关键与难点叫
3.1目前的技术
当前客流安全状态的判断还停留在人工监控方式，客流人数自动识别的研究与应用已被列为国家高技术研究发展计划课题。国内智能图像分析、大客流识别技术还处于起步阶段。
客流人数自动识别技术是通过计算机实时分析处理监控图像，自动实现对某一区域内人数的统计。目前人头识别与统计技术及特性IT如下表1所示：
表1主要人头识别与统计技术及特性对比表
技术红外检测肢术压力检测技术热敏检测技术智能图像分析技术
原理利用人体体温通过检测人体的重量由热敏传感器将目标通过将场景中背景
与周围环境的（客流通过特殊踏板区域中走过人的热量，和目标分离进而分
温度差，使用红引起压力传感器内部转为红外辐射，再由信析并追踪在摄像机
外传感器进行感应片的电流变化）来号转换器输出数据包，场景内出现的目标，
检测判断人体的存在最后由数据记录器进从中识别并提取有
行保存用的关键信息
优势精度高（可以检适用于客流量小的国感应面积为地面正方可以有效地解决红
测出0.1°C的温家或地区；效果比较形形状，宽度大约与高外检测技术、热敏检
差）；正确率高；好，可以达5U95%的度基本一致，一般在测技术、压力检测技
一定距离内判精度 2.5米至4.5米之间：术的问题
断准确其他同红外检测技术
劣势前后拥挤的人不适合人流密集的客同红外检测技术成本较高
流，效果较差运枢纽
作者简介：冉嫡入（1986,6-），四川达州，四川交通职业技术学院轨道工程系，讲师，硕士研究生毕业于西南交通大学交通运输工程专业，研究方向为城市轨道交通行车组织、客运组织。
-102-科学技术创新2019.12
3.2典型的人头识别与统计算法
人头识别与统计算法大致分为3类：① 基于个体分割的识别算法。② 基于多人团块分割的识别算法。③ 基于统计回归的人数统计。
客流人数识别的主要困难在于人类视觉对场景的识别非常 容易，但对于机器而言却是一件很困难的事情，主要原因为：① 图像的多义性，同一物体在在不同的视角下获取的图像 有很大差别。
② 运动特征的复杂性，大小、高低、胖瘦、彩、装扮、速度快 慢、运动轨迹的交叉重叠遮挡、多义性，光线强弱等环境一等因 素增加了准确识别的难度。③ 图像处理算法在不同场景条件下的处理效果差别很大， 很难统一算法。
3.3深度学习算法
深度学习算法能够完成监控区域中当前乘客流动频度与人 数的识别，可以准确的分析统计出所在区域的当前视频图像中 实际存在的乘客数。主要深度学习算法的应用及特性如下表2所示：表2深度学习算法的主要应用及特性对比表
技术
客流人数统计算法
原理智能视频分析服务器对于摄像头传回的视 频数据，通过深度学习算法，实时检测出 视频画面中乘客的头部位置，并对每一个 乘客的头部位置进行记录并提取出对应的 特征。对于每一个乘客，通过提取出的特 征，在视频流中进行跟踪，结合每T 贞中 的£瞬信息和检测信息，为每一个乘客生 成一个运动的轨迹，通过检测轨迹的开始 和结束实现了客流人数计数的功能
共性 不受乘客服装、肤、发等因素的影响；系统通过摄像头间隔固定的时间抓取一帧
图像，智能视频分析服务器对于抓取^的图 像，基于预先选定的监控区域，从视频画面 中提取出监控区域中的图像内容，以排除非
监控区域的干扰。使用深度学习得到的人 密度估计模型，回归岀此区域中乘客的数
量。最后，根据预先人工测量的监控区域的
实际面积，得到此监控区域下人的密度。不受乘客携带的行李、背包等因素的影响；
不受外界光线变化的影响；统计具有很高的准确率
特性统计具有实时性
监控区域不受限制
智能识别技术
4大客流识别状态和预警条件模式界定
4.1客流预警状态的界定
预警信息的发布需要依据各种客流量规模界定预警状态。 预警状态通常分级：I 、II 、111三级，分别对应红、橙、黄。如 对于超过X 人数的客流规模定位为I 级预警状态，该种状态主 要体现为站台、站厅人员爆满，同方向连续2列车通过都无法 缓解站台压力，出入口乘客越来越多，人员流动性较差；对于超 过y 人数的客流规模定位为II 级预警状态，该种状态主要体现
为站台乘客拥挤，同方向连续2列车进站后，仅有少量乘客能 够上车，同时站厅乘客不断聚多，人员流动缓慢，站台、站厅压力 都很大。对于超过z 人数的客流规模定位为III 级预警状态，该
种状态主要体现为城市轨道交通站台候车乘客拥挤，人员流动 缓慢，同时同方向连续2列车进站时仅有少量乘客能够上车，站
车头时距人密度估耨法
台乘客仍有增加的趋势，站台压力较大。
考虑到不同车站平时的客流量及同一车站的不同监测区域
的客流量分布的不均衡性，可允许按客流滞留比例(最大客流
滞留量占区域容纳能力比例)动态调整x 、y 、z 的大小。据调研的 实际情况分析测算，客流滞留比例达70%的情况可定位为I 级
预警状态，客流滞留比例达50%的情况可定位为II 级预警状 态，客流滞留比例达30%的情况可定位为III 级预警状态。
4.2大客流预警模式的界定
客流预警主要是在客流监测的基础上判断有大客流发展趋
势与可能性前兆，向相关部门发出紧急信号，报告可能产生客 流拥挤事件的危险情况，采取必要的措施以避免危害的发生。大客流预警模式则是指以特定的时段，应对可预见和不可 预见的，以运营管理为目的应对大客流状态的处置方式。大客
流预警模式可分成为：常态模式，日常高峰期模式，节假日模式,
集会模式，夜间模式、突发事件模式。预警系统以何种模式运行
可由系统按日期、时间、发生事件的预兆与其他监控设施由系统 自动切换。界定这种不同模式在系统中的直接反映是获取与分
析视频图像的频度，降低系统处理的压力与存储压力叫
5结论
文本针对目前城市轨道交通大
客流现状，提岀了大客流识别与预警
区域与条件设置要求，并对预警技术
电子鸽钟的实现进行总结论述，对大客流预警 模式进行了界定，对预警状态进行了 分级。后续应对了大客流识别与预警
技术进行深入研究并进行应用，以保 障城市轨道交通的运营安全。
参考文献
[1] 丁蕾.城市轨道交通换乘站客流预
警及应对方法研究[D].南京：南京理 工大学,2012.
[2] 马灵飞.基于图像序列的多乘客目
标识别和计数研究[D].天津：天津大natr-241
学,2011.
[3] 尹彪.基于视频图像处理的铁路客
运站客流识别系统研究与实现[D].北
京：北京交通大学,2012.
[4] 夏令.铁路客运枢纽客流人数自动
识别系统研究和实现[D].北京：北京
交通大学,2011.
[5]卢恺，韩宝明，鲁放.城市轨道交通运营客流数据分析缺陷及应
对[J].都市快轨交通,2014,27(4):25-29.
⑹李得伟，孙宇星，黄建玲.地铁客流预警技术基础探讨[J].都市快
轨交通,2013,26(2):62-66.
⑺潘罗敏.地铁短时客流量预测预警的研究[D].北京：首都经济 贸易大学,2011.
