闸机通道控制算法研究

吴 琪 李凯旋 耿 伟 涂 琴 张 媛

（常州信息职业技术学院，江苏 常州 213164）

0 引言

自动售检票（AFC）系统是城市轨道交通系统的重要组成部分，是集电子信息、网络通信、数据库、云平台、自动控制等技术为一体的售票设备。闸机作为AFC的重要组成部分，主要用于规范和约束行人，用来控制行人在付费区与非付费区之间的通行。闸机性能的优劣对行人的正常出行及维护地铁公司的运营有着重要的作用，而设计出好的闸机通道通行逻辑控制算法显得尤为重要。目前，闸机通道通行的逻辑控制分为基于视频的检测技术和基于通道传感器的检测技术两种。宋大伟［1］从视频采集数据出发，提出一种面向轨道交通的闸机通行算法，但该技术存在成本高、数据量庞大、受光照影响等缺点。而基于传感器的检测技术具有成本低廉、结构简单、安装便捷等优点，目前已成为闸机通道控制的主要技术。本研究对基于传感器的闸机通道检测技术进行研究，包括传感器的分类、布局布阵、控制算法设计等，最后对该技术应用前景进行总结和展望。

1 通道传感器分类

闸机通道传感器可分为集成式红外传感器控制板和光电开关两类。其中，集成式红外传感器控制板具有集成度高、体积小（通常为长条形）等优点，但也存在控制方法复杂（循环扫描控制原理）、不适合设计复杂的通道控制逻辑（外观规则所致）等缺点，适用于对控制要求不高的场合及闸机厂商的中低端产品中。光电开关分为对射式和收发一体式两类。对射式光电开关的发射器和接收器分别安装在闸机通道的两侧，安装简单，且不需要在通道两侧布置过河线，聚焦性和稳定性较好；收发一体式光电开关一般安装在闸机通道控制器的一侧，控制方法简单，但收发一体式光电开关之间产生的信号干扰比对射式光电开关要大一些。目前，闸机通道检测常用的传感器是对射式光电开关，其检测原理如图1所示。

图1 对射式光电检测原理图

2 通道传感器布局

根据通道内行人的通行状态对闸机通道控制算法进行设计，行人的通行状态可由布置在通道内的传感器进行采集。因此，传感器的数量、布局方式对算法的设计规则和性能好坏有很大的影响。根据传感器布局进行分类，可分为规则型布局和不规则型布局。

2.1 规则型传感器布局

通道规则型传感器布局是指传感器阵列的整体形状是水平排列或垂直排列。一种常见的水平布局传感器阵列如图2 所示，传感器垂直高度与闸机上下横梁部分的高度一致。考虑到人的上半部分相对稳定，传感器采集到的数据比较规则，并在区域1 至区域4 中的传感器采集到的数据的基础上，进行通行逻辑算法设计，区域5、区域6 中的传感器采集的数据可用于安全防夹算法的设计。当区域5、区域6 有遮挡时，无论闸机处于什么状态，闸门都要立即打开，避免因小孩身高不足而无法遮挡到区域1至区域4，从而造成事故。

图2 水平布局传感器阵列图

一种常见的垂直布局传感器阵列如图3 所示。通行区域1、区域4 能够检测到连续遮挡的状态，因此易于设计尾随算法，能较好地监测行人尾随。区域2、区域3 主要用于定位行人的位置以及安全防夹［2］。这种闸机通常用于高铁站中，这是因为高铁站行人经常随身携带包和行李箱，对尾随判断要求较高。

图3 垂直布局传感器阵列图

2.2 不规则型传感器布局

通道不规则型传感器布局是指传感器阵列的形状不是横平竖直，而是基于人体特征进行布局的。由于成年人的身体各部分比例相对稳定，且行走的状态有规律性，如人体在步行时，一条腿支撑另一条腿摆动，依此循环运动［3］。所以，可以基于人体特征来布置传感器，一种常见的传感器不规则布局如图4所示。

图4 不规则型传感器阵列图

3 闸机通道控制算法

3.1 区域识别算法

区域识别过程如下：首先将传感器阵列分为若干区域，然后行人会从一个区域进入到另一个区域，且不会重复进入同一个区域，从而设计出相应的通行控制算法。其中，一个区域包括1 个及以上的传感器。

对于水平布局的传感器阵列（见图2），S1、S2、S3、S4 传感器可用于检测行人是否正常通行，当S1-S2-S3-S4 传感器依次由“未遮挡->遮挡->未遮挡”变化时，认为行人正常通过闸机。S5 和S6 传感器用于安全防夹，即两个传感器有一个传感器被遮挡，则闸门打开。

对于垂直布局的传感器阵列（见图3），S1 和S4传感器用于尾随算法的设计，只要S1 或S4 传感器检测到有遮挡间断时，则认为有尾随行为。S1 和S4传感器阵列密集度越高，则检测尾随的精度也越高，甚至可使用密集型的测量光幕［4］。S2和S3传感器可作为安全防夹，并结合S1、S4 传感器设计正常通行流程，原理同水平布局。

3.2 人体特征识别算法

人体各部分是通过关节连接起来的，Yoo 等［5-6］在人体解剖学基础上建立了人体线图模型，人体各部位比例见表1。

表1 人体各部位比例表

对行人的通行状态检测就是对这些关键属性进行检测，其又被称为关键点。宋哲［3］提出了关键点识别方法，将传感器区域分为检测区和安全区，如图5所示。

图5 关键点识别方法传感器分布图

根据人在行走过程中腿部的变化可知，膝盖带动小腿运动与物体有明显区别。因此，只要S2、S4、S5传感器有任意2个传感器呈现“遮挡->未遮挡->遮挡->未遮挡”的状态，则认为有行人通过。如果出现2 次上述状态，则认为尾随。通过这种方法可区别出是行人拉着行李箱通行，还是有人尾随，这是因为行李箱通过时，传感器的状态是“遮挡→未遮挡”。S1、S3传感器则用于判别行人通行方向。

但上述算法对穿大衣或裙子的行人无法进行检测，因此宋哲［3］又提出选择人体稳定特征点作为检测区域，进一步优化算法。

3.3 步态识别算法

基于XYT 模型的步态识别算法能够较好地区分人和物，最早是由Niyogi 等［7］提出的。王小康［8］将传感器阵列分为入口检测区、通道监测区和出口区，如图6 所示。入口检测区位于人的大腿和腰附近，当S4、S3、S2、S1 传感器的状态依次出现“0000-0001-0011-0110-1100-0000”，则认为行人正常通行。通过监测区的S5 至S10 六对传感器获得的数据，并结合步态识别算法来区分人和物，这是因为人和物的XYT曲线不同，分别是特殊的双绞线模型和连续遮挡的锯齿模型。王小康［8］将传感器采集到的数据发送到上位机，然后在MATLAB 软件中仿真得到了XYT模型图，验证该算法的可行性。出口区两对传感器的检测原理与入口区类似。

图6 人体特征和步态算法结合的传感器分布图

3.4 事件识别方法

曲日［9］提出一种基于事件识别的闸机通道内行人个数识别算法，其提出行人通过闸机的过程是由动作、行为和事件组成的，然后将闸机传感器阵列从左到右分为6 个区域，依次分区域对行人动作、行为、事件进行定义和划分，最后根据行人通行情况的事件序列存在（event4，evnet5）通行事件的个数来确定运动个体数量。这种方法能解决部分乘客通行情况的识别问题，但存在无法识别多个乘客较近距离尾随通过、人和物无法区分等问题。

顾珉睿等［10］、刘建新［11］在事件识别方法的基础上，结合区域和人体关键点法，将正向关键点与事件识别方法进行结合、反向关键点与事件识别方法进行结合，提出一种基于区域、关键点和事件识别方法相结合的识别技术，从而提高闸机通行识别率。

3.5 神经网络方法

李宏胜等［12］将传感器采集到的数据转换成0或1 的特征矩阵，通过双线性插值法将矩阵缩放成16×16 的矩阵，该矩阵可看作一副黑白灰色图像，然后基于BP 神经网络学习进行合法与非法通行的识别。在此基础上，共采集到2 164 组传感器数据样本，其中的1 514组数据样本作为训练样本，验证和测试样本均为325 组。根据合法与非法可将神经网络学习样本设置1 或0 的标签，采用2 层前反馈神经网络，通过试验实现正常通行行为和非法通行行为的识别。但该方法的学习和预测的实时性不高，目前还难以直接应用到实际中。

3.6 支持向量机方法

张智华等［13］提出一种基于支持向量机（SVM）的闸机通行检测识别方法。首先将传感器阵列分为进站检测区、步态检测区、出站检测区三个区域，通过采集步态检测区的数据来形成运动序列；然后将数据按照SVM 识别方法进行预处理、分析目标的数字特征及分布规律，选择训练集进行SVM 方法训练；最后完成通行行为的识别。通过MATLAB的仿真试验可知，基于SVM 方法的平均识别率达到0.92，该方法对闸机通行逻辑算法设计有一定的参考价值。

4 结语

本研究对目前常用的闸机通道控制算法进行分类综述，可分为基于人体特征、事件动作行为、神经网络、支持向量机四类。前两类算法的实时性比后两类的好，但对多人通行的近距离尾随难以识别，而后两类算法对近距离尾随识别率较高。因此，单纯依靠某一类算法无法同时满足闸机通道控制的精确性和实时性，多种类融合识别算法才是未来闸机通道控制算法的发展趋势。