北京地铁客流密度自动检测技术研究

张月坤

（北京轨道交通路网管理有限公司，北京 100101）

北京地铁客流密度自动检测技术研究

张月坤

（北京轨道交通路网管理有限公司，北京 100101）

北京市轨道交通客流数量不断增加，为加强对轨道交通各类突发事件引起的客流拥堵情况的应急响应处理，北京市轨道交通指挥中心拟启动建设路网视频监控中心项目。针对北京市轨道交通的客流拥堵问题以及传统的客流密度监测手段，分析轨道交通客流拥堵的特点，结合路网视频监控中心建设的业务需求和初步设计，提出对客流拥堵情况进行监测和应对的优化方法及建议，为未来建设路网视频监控中心提供参考与支持。

轨道交通；客流拥堵密度监测；视频监控；回归模型

0 引言

轨道交通作为城市公共交通的重要载体，不仅要面对线路的快速扩张发展，还要面对日益增加的客流带来的安全运营问题。

北京市于2013年11月颁发了《北京市人民政府办公厅关于印发进一步加强轨道交通运营安全工作方案的通知》（政办发［2013］59号文），其中明确要求：“完善应急指挥配套系统建设。增加各线路上传市轨道交通指挥中心的视频图像数据；完成各线路广播、乘客信息、闭路电视系统与市轨道交通指挥中心对接的升级改造工作；建立应急调度、诱导乘客和信息发布的服务平台[1]。”

为落实通知精神，北京市轨道交通指挥中心对既有路网调度应急指挥系统的能力进行了分析，详细梳理了目前相关各系统中存在的问题，拟启动路网视频监控中心的建设，实现路网级视频监视、视频分析和视频管理等相关业务工作。

1 现状及主要问题分析

随着北京市轨道交通路网的飞速建设，目前全路网已建成并投入运营车站300余个，且新建线路车站显著增加了站内摄像头数量及视频监控覆盖范围。传统的基于人工调看闭路电视监控系统（CCTV）视频的客流拥堵监测方法已无法应对如此海量的监视点。故而路网视频监控中心的建设目的之一，就是研究如何通过信息化手段，自动对客流密度进行监测和预警，这也是路网视频监控中心的核心功能之一。

在前期系统可行性研究和初步设计过程中，发现当前基于视频分析的客流密度自动监测技术在拥堵场景下的应用结果不够精确。这是由于基于视频分析的传统客流密度自动监测技术会受到光照、其他运动目标、建筑设施、人群遮挡、监控摄像头角度等因素影响，容易导致客流密度的监测结果不准确。

2 解决方案研究

针对上述问题，进行了有针对性的研究与探索，并提出以下应对思路，提高在拥挤情况下的客流密度监测精度。

2.1 传统的客流密度检测算法

传统的人群密度检测算法系统的原理是对视频场景中设定好的区域进行分析（见图1），得到当前此区域中人群密度的等级（百分比），当密度等级高于预先设定好的报警等级时提示报警，以便值班人员进行相应的事件处理。

图1 传统客流密度分析示意图

传统的客流密度检测算法都是通过单个个体或部分个体（头/肩）的行人检测，这种算法一般会通过对大量的行人个体样本图片提取特征作检测训练。常用的特征包括Edgelet特征（描述人体局部轮廓的特征，包括直线、弧线等形状，并将人体分为全身、头肩部、腿部和躯干部等部分进行算法训练）、Shapelets特征（核心思想是利用机器学习的方法自动生成自适应的局部特征，基于局部图像区域的梯度来刻画形状特征）、HOG特征（是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子，它通过计算和统计图像局部区域的梯度方向直方图来构成特征）等[2]。同时，为提高人体特征分析算法的效率，通常会同步应用图像分类器算法。图像分类器算法的选择对于检测准确率和检测速度有着很大的影响，通常需要在这两者之间作平衡。

2.2 基于回归模型的人群密度估计算法

现有的分类器算法有很多种，在通常情况下由于时间复杂度比较高的原因，即便检测准确率较好，也无法被广泛应用。线性分类器（如boosting、线性SVM、随机森林）由于其算法简单和迅捷的检测速度，在实际应用使用较多。但是线性分类器的检测准确率敏感度高，这会导致基于行人检测客流密度时的统计容易受到遮挡或复杂背景的影响，造成基于个体统计的客流密度检测算法在人群聚集的场景下准确率和性能较差。虽然近几年行人检测和行人跟踪技术取得了很大进步，但是在人群密集场景下的人群跟踪还是个无法解决的难题。

回归分析（Regression Analysis）是运用十分广泛的用以确定两种或两种以上变量间相互依赖的定量关系的统计分析方法。基于回归模型的人群密度统计避免了对单一个体行人的跟踪，把视频中的人群看作一个连续的整体，运用回归模型或分类技术来估计人群密度[3]。因为基于回归模型的方法不需要进行前景分割和行人个体跟踪，近年来，图形学专家对该方法开展了相关研究，该方法或能为复杂背景下人群密度估计提供更优的思路。

基于回归模型的人群密度估计算法的流程见图2，首先从视频序列中提取前景区域，然后提取多种特征，再选择合适的回归模型进行训练，最后根据测试样本测算人群密度。

图2 基于回归模型的人群密度估计算法流程

回归模型需提取的特征主要包括前景像素特征和纹理特征。研究发现，人群密度和前景像素及纹理特征呈现近似线性相似的关系，可以采用回归拟合的方法计算视频中的人群信息。此方法在人群密度比较低的场景下计算比较准确，而地铁车站内的视频监控场景往往是高密度人群场景，容易发生人群遮挡等情况。另外，由于视频图像存在场景透视现象，人群个体在图像中的大小随着离摄像头距离的远近而有所不同。离监控摄像头越远则个体越小，离监控摄像头越近则个体越大。因此在对人群密度进行估计时，需要在前景特征分析的基础上引入透视校正对场景中的每一个像素进行处理。另外，由于高密度和低密度图像的纹理特征不同，人群密度低时图像纹理较粗，人群密度高时图像纹理较细，所以通过提取纹理特征的方法来获取人群信息是科学合理的。

局部二值模式（LBP）是一种用来描述图像局部纹理特征的逻辑算法。早期的计算单位为3×3的像素窗口，周围8个像素以中心像素值为阈值，若大于中心像素值，该像素点位置被标记为1，否则标记为0，然后就得到了二值图。之后，选定图片左上角的第一个点为起始点，按照顺时针方向得到一个二进制串00001111，转换为十进制则为15。于是，得到了中间点的LBP值为15。

以此类推，在3×3的窗口内，除中心点外的8个像素点，可产生8 bit的无符号数，这也就是该窗口的LBP值，利用该值来表达区域内的纹理信息，LBP算子提取过程见图3。

随后，在原始LBP算法的基础上进行各种改进与优化，如圆形LBP算子、旋转不变模式、LBP等价模式等。

轨道交通站内人群密度指标是通过把地铁车站的监控视频场景特征映射到人群数量的回归函数模型并计算得出。回归函数运用十分广泛，构造回归函数的模型方法也很多，如线性回归、基于块区域的线性回归或神经网络等。经过研究比对，偏最小二乘法（PLSR）回归模型从算法上来看，集合了许多回归模型和降维算法的思想，能够在多重相关性的情况下，而观测的数据量又较少时，更好地解决多重共线性问题，因此常被用于人群密集复杂、周边环境对人群分布影响较大情况下的视频人群分析场景。

为了得到视频场景中的人数，首先根据最小二乘法提取训练样本中的像素数和人数这两组参数拟合一条曲线，计算曲线函数，然后提取每一帧图像中的像素数代入到函数中计算场景人数。

3 试验过程与结果

选取北京地铁呼家楼、菜市口、磁器口等车站历史视频作为方案的测试样本数据，选取6处不同的走行区域和服务区域，在早晚高峰客流高和平日客流低的情况下，使用安维思公司凌云（V3.0）、新科电子Video-Info Systems、东方网力视云天下（V3.3）视频分析软件，分别运用传统方案和基于回归模型的新方案进行客流密度统计验证。地铁站方案测试情况见图4，客流密度分析方案测试结果及对比见表1。

根据测试结果不难发现，在低密度的客流情景中，传统方法和新的监测方法都有较好的监测精准性，但在高密度的客流情景中，传统方法会由于光线、人群遮挡等原因，无法准确测算出客流密度，而基于回归模型的人群密度估计方法监测到的客流密度更接近实际值。该方案采用LBP纹理特征的提取方法，在动态模式识别上有着较好的准确率和性能，结合偏最小二乘法回归模型，可以更好地对高密度客流进行测算。

图3 LBP算子提取过程

图4 地铁站方案测试

表1 客流密度分析方案测试结果及对比 人/m2

4 结束语

基于北京市轨道交通的实际情况，分析如何使用信息化手段，自动对客流密度进行监测和预警，提出目前面临的客流密度自动监测技术精确性问题。

对当前主流客流密度检测算法的分析发现，由于传统的客流密度检测方法在轨道交通地铁站内人群拥堵场景下的精准性较低，特别是对于客流集中的站厅和站台区域，传统的视频智能分析算法几乎无法检测客流密度，然而基于回归模型的图像处理算法为其提供了可能性，或能成为地铁内特殊环境、复杂背景下客流密度检测的可行方法。在此阐述的通过LBP算子提取纹理特征的方法结合偏最小二乘法算法，可在一定程度上提高在高人群密度情况下的客流密度监测准确性。由于基于回归模型的客流密度检测方法仍处于研究实验阶段，尚未得到广泛的实际应用，因此选择符合北京轨道交通站内客流特征的回归模型并应用于北京路网视频监控中心的客流密度监测业务，需要与视频分析厂商进行更加深入的可行性研究和样本测试验证工作。

路网视频监控中心建设时，可基于上述对视频监控区域的划分，并充分考虑在项目建设过程中引入先进的视频监控智能分析技术，结合更加全面的路网监控手段，实现对乘客服务全过程、全方位的无死角监控和追踪，为乘客的安全出行保驾护航，为轨道交通的平稳运行和快速发展保驾护航。

[1] 北京市人民政府办公厅. 北京市人民政府办公厅关于印发《进一步加强轨道交通运营安全工作方案》的通知[EB/OL].（2013-11-21）[2017-03-20]. http://govfile.beijing.gov.cn/Govfile/front/content/ 22013059_0.html.

[2] 朱聪聪，项志宇. 基于梯度方向和强度直方图的红外行人检测[J]. 计算机工程，2014(12)：201-204.

[3] 林沁. 视频中的大规模人群密度与异常行为分析[D].厦门：厦门大学，2014.

责任编辑卢敏

“中国画火车第一人”王忠良先生火车钢笔画系列作品——ML2型复涨式爬山机车

ML2型复涨式爬山机车运用于京张铁路八达岭区段（八达岭关沟一带坡度为33‰的陡峭路段），此种机车仅有71～74号共4台。

Research on Passenger Flow Density and Automatic Measurement Technology of Beijing Metro

ZHANG Yuekun
（Beijing Rail Transit Railway Network Management Co Ltd，Beijing 100101，China）

With the increase of passenger for Beijing Rail Transit, Beijing Rail Transit Command Center shall develop the project of Network Video Monitoring Center to strengthen the emergency responses for passenger congestion caused by all kinds of sudden accidents. Aiming at the passenger congestion and the traditional monitoring method of the passenger f ow density, this paper analyzes the features of rail transit congestion and combine the business requirements and primary design of the Network Video Monitoring Center construction. Then it proposes the optimizing method and suggestions for monitoring and dealing with the passenger congestion, providing the reference and support for Network Video Monitoring Center construction in the future.

rail transit；density monitoring of passenger congestion；video monitoring；regression model

TP391；U298

A

1001-683X（2017）04-0096-05

10.19549/j.issn.1001-683x.2017.04.096

2017-03-01

张月坤（1977—），男，工程师，硕士。E-mail：yuekun_zhang@126.com