基于机器视觉的均衡地铁客流量研究

张致炜 陈泓妤 郑少聪

摘 要：地铁车厢乘客拥挤度存在较大差别时，会影响地铁运能的充分发挥。本文以均衡地铁车厢拥挤度为目的，从讨论机器视觉识别车厢拥挤度入手，结合地铁站乘客流量时间分布规律预测地铁各车厢停站实时拥挤度，生成地铁车厢拥挤度分级信息。通过乘客信息系统及时向候车站台乘客发布各节地铁车厢的拥挤度等级信息，引导乘客选择候车位置，使地铁运能能够充分发挥。数据验证表明，高峰期合理的诱导信息，可提高地铁载客能力约10%。

关键词：车厢拥挤度 客流诱导 机器视觉 立席密度

1 研究背景

1.1 现行状况

地铁凭借其快捷、准时、大运能等优势，已在我国36个城市开通运营（截至2018年底）。但是地铁吸引的大客流会带来车厢拥挤。由于地铁停站上下客时间短，车厢拥挤度可能会存在较大差别，不利于充分发挥地铁的运能。北京地铁首次推出通过手机APP查询车站拥挤程度功能，主要用于引导乘客安排适当时间段、选择合适的车站。而利用车厢拥挤度信息引导站台乘客候车的研究与应用较少。

现在大部分地区的城市地铁没有设置包括捕捉、处理、传递信息的地铁客流引导系统，客流的引导主要依靠地铁站点的工作人员或志愿者进行人工引导，但是人工引导大都基于以往经验，缺乏基于数据的精确诱导。目前，有关车厢内乘客人数识别装置，已经有了一定的研究成果，目前的人数统计系统主要通过压力传感器进行人数识别，但由于地铁运行过程中存在一定的颠簸，且乘客在车厢内会进行移动，压力传感器也会随颠簸及移动过程而变化，存在一定的误差。

1.2 创新特色

本方案使用的方法是运用机器视觉技术，通过摄像头拍摄的视频图像结合智能识别算法来采集运动目标数量，并通过无线网络传输至候车站台多媒体屏幕，乘客可以在地铁到站前调整自身的候车位置，选择立席密度较低的车厢，从而地铁车厢的均衡地铁车厢的负荷，使地铁的运能得以充分发挥。

1.3 机器视觉技术介绍

机器视觉是用机器代替人眼来做测量和判断。机器视觉检测系统采用CCD照相机将被检测的目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号，图像处理系统对这些信号进行各种运算来抽取目标的特征，再根据预设的允许度和其他条件输出结果，实现自动识别功能。

2 系统设计

系统设计路线图如图1。

2.1 数据获取

2.1.1 图像获取

首先使用照相机在短时间内拍摄连续多帧（帧数在每秒30帧以下且可调）地铁车厢内部乘客的图片，以获取原始地铁内部乘客图像。由于地铁内部空间狭小且高峰时段车厢内十分拥挤，容易出现乘客相互遮挡等问题，但是由于每个乘客的头部会始终保持分立目标，过多的人头接触导致无法识别目标的可能性较小。基于上述原因，将人头作为捕捉目标估算乘客人数。根据《广州地铁新线车厢视频监控方案分析》，采用每节车厢四台CCD相机两两错位对射布置方式拍摄，每个摄像头监控范围大约六米，该方式大大减少了立柱及高大乘客遮挡导致的盲区。

2.1.2 图像处理

本方案将人头作为捕捉目标，由于中国人中头发一般为黑色，故根据该颜色特征，通过人头部颜色在灰度序列图中像素值的特征与黑色所对应的像素值进行对比，得到人头轮廓曲线，提取曲线特征点进而检测出车厢内部乘客的人数，达到图像检测的目的。

2.2 数据处理

2.2.1 下车人数预测

（1）考虑地铁每一站点乘客下车影响，计算立席密度的人数信息应使用此时车厢内部乘客人数结合车厢内部在該站下车的乘客人数，以修正拥挤度信息。

每一站点的下车乘客人数将会在某一可以预测的范围内浮动，所以使用概率统计的方法统计出每一站点下车乘客数量并做出各个地铁站点下车人数的统计预测值。本方案采用时间序列预测法的算术平均数对下车人数做出预测。我们对福州东街口地铁站早高峰时段下车人数进行了调查。根据调查显示，从任意一节车厢下车的乘客数目非常相似，所以可以近似地认为下车的乘客均匀地分布在各节车厢。由此数据以预测下车的乘客数目，将预测数据也纳入立席密度计算使预测结果更准确，见图2。

（2）下车人数预测。在n周的时间内，统计出每周j的i时间段内的下车率。那么下车人数的预测值为

Kij=（∑in=1Kij）/n（i=1，2，3，…，j=1，2，3，…）

A=Kij/m（m=1，2，3，…）

其中，m为第i段时间内经过该站的车辆数;Kij为n周时间周j第i段时间每辆车的下车人数;A为第i段时间的平均每节车厢的下车人数。

2.2.2 立席密度计算

地铁车厢的密度衡量标准采用立席密度衡量，立席密度定义为“单位面积上的站立乘客密度”。通过图像识别模块识别出的人数记为N，单位为人，地铁每节车厢的面积为X，单位为m2，C为车厢内乘客立席密度，单位为人/m2。

C——车厢内人数密度，单位人/m2

N——车厢内人数，单位人

X——车厢地面面积。单位m2

A——下一站点下车人数预测值。单位人

2.3 数据反馈

2.3.1 拥挤度等级分类

由目前关于立席密度的舒适性评价研究资料可以得知，当立席密度小于3人/m2时，舒适度较高，乘客可以在车厢内较为顺畅的做出移动，并且可以选择站立位置;立席密度小于6人/m2时，每个乘客还有少量的活动空间;当立席密度大于6人/m2时，车厢内大部分区域已经被乘客充满，此时乘客数量已经接近饱和，乘客会感到比较拥挤;当立席密度处于6-9人/m2时，乘客之间会发生身体接触，此时车厢达到饱和状态，十分拥挤。当车厢内立席密度处于9人/m2以上时，乘客与乘客之间会发生挤压，见表1。

当数据的值落在0-3人/m2时，对应的拥挤程度为空荡，输出信号为绿色。

当数据的值落在3-6人/m2，对应的拥挤程度为拥挤，输出信号黄色。

当数据的值落在6-9人/m2时，对应的拥挤程度为十分拥挤，输出信号红色。

当数据的值落在9-12人/m2时，对应的拥挤程度为严重拥挤，输出信号灰色。

2.3.2 基于PIS系统的数据反馈模式

（1）乘客信息系统（Passenger Information System），简称PIS。是地铁里为乘客提供各类资讯的服务系统。乘客信息系统是依托多媒体网络技术，以计算机系统为核心，以车站和车载播放终端为媒介向乘客提供信息服务的系统。根据前沿经济学人网调查显示，目前国内在建的地铁系统基本都规划了PIS系统，可见PIS系统应用十分广泛，有能力作为信息传播平台。因此，我们将PIS作为信息传输平台，将拥挤度信息传递给乘客。

（2）PIS系统界面设计。对PIS车站多媒体屏幕界面重新设计。以适当大小的长方体来表示每一节地铁车厢，每个长方体根据其对应的车厢序号在其内部加上对应车厢的序号，根据处理后所得到的乘客拥挤度分类颜色信息，填充其拥挤度所对应的颜色信息，同时在界面中给出有关的乘车建议，以便乘客更加快速便捷地了解到每个车厢对应的拥挤程度。PIS显示界面设计如图3。

3 结果预测

本作品的主要目的是引导乘客选择相对空置的车厢，均衡地铁车厢客流量。因此，对于拥挤度信息不一定所有候车站台的乘客都会理想化地接受经过处理后的拥挤度信息进而选择舒适度最优的车厢。

若车厢拥挤度信息显示在站台多媒体屏，不管基于何种原因，仍有一部分乘客不会注意LED屏幕。基于该问题，我们对此进行了问卷调查以来评价该系统的实施效果。

从有效的376份问卷来自各地的调查结果及图表中得知，载乘客候车时，75.8%的乘客会关注LED屏上的相关列车信息，24.2%的乘客不会关注。关注候车层LED屏幕的乘客中，85.64%的乘客会根据拥挤度选择较为舒适的车厢，只有14.36%的乘客即便了解到拥挤度信息，也不会根据该信息选择车厢。基于该问卷调查，可以分析得到64.91%的乘客会关注多媒体显示屏上的引导信息选择较为舒适的车厢。通过该分析结果，可以得出大部分乘客会选择使用该系统进行车厢的选择，所以该方法具有一定程度上的引導乘客选择立席密度较低的车厢进而均衡每节地铁车厢载客量的作用。

4 应用前景

（1）机器视觉技术目前已在车流统计等领域得到应用，随着人工智能的进一步发展，对设备自主判断处理能力的将会不断提高，所以机器视觉未来发展将会使其成本更加低廉，识别准确度更高。

（2）地铁未来将更加数据化，车厢拥挤度从某种程度上可以衡量地铁的运能是否得到充分的发挥，所以是一项很重要的数据，但目前此方面的研究较少，所以本作品在拥挤度获取方面的解决方法十分必要。

基金项目：“2019年福建工程学院大学生创新创业训练计划项目”。

项目编号：S201910388090。

参考文献：

[1]袁崇溟. 基于视频分析的列车车厢客流量检测系统研究与实现[D].西南交通大学，2013.

[2]吴奇兵. 城市轨道交通车厢合理立席密度的研究[D].北京交通大学，2015.

[3]董方旭. 基于稀疏分析的拥挤场景群体异常检测研究[D].南京邮电大学，2017.

[4]许胜强，夏懿，姚志明，杨先军，张涛，孙怡宁.一种基于柔性力敏传感器的人数统计系统[J].计算机工程，2014，40（01）：167-171+176.

[5]陈爽.广州地铁新线车厢视频监控方案分析[J].铁路计算机应用，2014，23（05）：63-64.