智能监控系统在城市轨道交通的应用探究

吴 卓

（中铁建电气化局集团第四工程有限公司，长沙 410116）

采用机器视觉技术赋能城市轨道交通运营业务系统，实现地铁车站的全场景监控，利用视频增强技术，结合超高清全景拼接摄像机，实现地铁车站大场景实时图上监控和管理。聚焦车站机房设备的运维管理业务需求，全节点、全场景实现数字化和物联化，通过智能巡检、智能异常告警等技术手段提升地铁机房运维管理效率，降低人工成本[1]。同时，深化运维业务场景的应用，将视频质量诊断、物联网设备、服务器和网络设备诊断等应用导入运维系统，实现智能一体化。

1 客流概述

1.1 客流统计

在我国城市轨道交通运输中，客流统计通常使用重力感应、红外线感应客流统计等方式，对不同乘客进出站、站厅站台等重点车站关注地点进行空间和时间上的规律计算，来实时或延时的反应出具体的客流信息。轨道交通运营根据以往的统计数据，可以精准的获取历年的年、季、月、周度甚至小到每个固定节日的日度客流真实走向统计，通过对比分析，能够在短时间内对客流变化作出相应的方案调整，使得客流高峰期内，乘客能够得到更优质的服务。

1.2 客流预警

在城市轨道交通中，大客流现象已经成为常态，一些固定时间、固定车站出现大客流拥堵，如何进行有效监控及疏导成为需要重点分析的问题。通过在扶梯口、安检口、售票排队区域对排队客流进行客流密度和流速的综合检测，实现当前场景内客流状况的判断。可在换乘通道部署检测设备实现换乘客流数量的精准统计和分析，为换乘车辆调度提供精准的决策依据，制定不同的列车运行图。

1.3 客流数据统计

城市轨道交通运营客流数据统计可以大致分为：出站量、进站量、换乘量、OD 路径量、满载率等多个重点统计指标[2]。根据客流指标数据，可以对整个线路运营情况进行精准分析，通过满载率指标，能清楚的反应出线路当前时段运营的客流状况，使运营人员能够作出精准判断，把握每条线路的运营情况并作出有效的运输计划方案，从而对整个线路整体运营情况有精准、全面的了解和分析。

2 智能运维要求

城市轨道交通运维服务系统提供内、外场设施的运维管理，面向各类设备设施实现建设过程、运行维护、拆除报废的全生命周期的实时动态监管，通过中心运维管理和外场移动运维管理相结合，实现系统运维的事前预警、事中监测、事后分析的闭环式监管。同时整个系统维护管理面向地铁站点级、线路级、线网级的设施设备。

3 智能监控视觉技术的应用探究

3.1 智能视频分析

智能视频分析基于深度学习目标检测、利用卷积神经网络学习视频数据的本质特征，通过对这些特征进行分类，识别出视频中的人体特征，同时检测和跟踪个体和群体目标进行行为及状态分析，判断目标的行为类型。通过对周界防范检测（区域入侵检测、物品遗留检测等）、扶梯事件检测（扶梯摔倒、扶梯逆行、大件行李等）、行为检测、态势检测（区域人数统计、客流统计、人员排队检测、密度估计、人员逆行等）、人员滞留等动态分析，并基于智能视频行为分析服务器提供的事件检测，实现可疑事件的报警联动，做到突发事件的提前预警和应急处置。目标检测的目的，是在图像获取的基础上，识别图片或视频帧中是什么物体以及该物体用坐标表示的具体位置。目标检测取决于既定的目标检测模型，检测模型库决定了检测目标的范围[3]。目标检测中所检测物体的位置，一般用中心点坐标或极坐标表示，用坐标数值的方式把该物体在图片或视频帧中的位置表示出来，以做进一步的数据处理。

3.2 目标检测

目标检测是基于目标的几何及统计特征的图像分割进行目标提取的过程，它将所检测目标的分割和识别合二为一，其准确性和实时性是目标检测系统的两个重要性能指标。对于复杂场景中，要求对同一幅图片的多个目标进行实施检测处理，目标的实时识别及自动提取尤为重要。随着人工智能及大数据等新技术的快速发展和计算机视觉原理的广泛应用，图像识别及处理技术对目标进行实施跟踪的应用将更为广泛。

3.3 目标分类

目标分类任务负责判断输入图像中是否有感兴趣类别的物体出现，输出一系列带分数的标签，表明感兴趣类别的物体出现在输入图像的可能性。深度学习通过神经网络来构造特征，最先在分类任务中获得性能突破，于是基于深度学习的目标分类技术应运而生。但深度学习也有着它自身的缺陷，对大量训练数据和计算资源的需求，使得其成为一种非常昂贵的算法。目前，基于静态图片的目标检测已经基本成熟，研究的热点也转移至利用视频的时序信息来进一步提高目标检测效果。类似相邻帧特征的推导以及特征融合的方法已经被证实有明显的效果。

4 结束语

深度串联人、物、事三类管控对象，通过对人员智能管控、车站客流管理、重点区域管控、事件有效处置，形成综合安防一体化，实现从技防到智防的跨越，打造智慧型地铁车站客运服务管理。