智能视频监控系统在地铁车站的应用研究

徐锦材，郭予广，潘允

(广州地铁集团有限公司，广东广州 510000)

视频监控系统在地铁行业得到了广泛应用，已是地铁运营管理的重要组成部分，是运营可视化管理、突发事件处理、事后调查取证工作的有效手段。近年来，随着感知技术、云存储、大数据、AI智能算法的飞速发展，视频监控技术也得到了长足发展。传统视频监控系统的一些固有缺陷，如人工依赖度高、视频分析困难、突发情况预警能力不足等，已无法适应地铁车站运营管理的更高要求。因此，有必要研究智能视频监控技术在地铁车站环境中的应用，从而进一步改善乘客用户体验，提高车站运营效能、增强运营安全管理能力，提升车站日常管理智能化水平。

1 地铁车站视频监控现状

快速增长的客流量带来更多的突发事件，客流拥堵需要及时疏导，乘客异常行为需要迅速处理，这些都给地铁车站运营管理带来巨大的压力。但是，传统视频监控系统智能化程度不足，仅能提供视频数据的采集、存储、调看、回放等基本功能，其视频数据的分析、识别过于依赖人工，造成视频监视工作量巨大，且响应滞后，无法满足车站的多方面需求，主要表现在以下几个方面：

1.1 乘客服务

乘客异常行为处理不及时。车站空间大、设备多、人流复杂，针对乘客的异常行为事件，如打架斗殴、拥挤踩踏、扶梯逆行、翻越闸机、人员跌倒等，仅靠传统的视频轮播监视与车站工作人员巡视，无法第一时间发现并作出处理。

客流疏导不及时且不够精准。当前客流疏导与管控措施建立在对历史客流变化规律总结的基础上，针对一日客流呈双峰马鞍型规律一般固定采取早高峰管控方式，但由于难以精准掌握车站内客流的关键拥堵位置，实际执行需要人工高强度巡视，且站内不同区域的客流疏导方式依赖现场工作人员的经验，对客流的管控带有一定的滞后性。

1.2 运营效能

车控室显示屏数量有限，监视画面受限[1]。工作人员一般通过视频画面自动循环功能来监视所有场景，工作量巨大，且容易造成监视不到位，遗漏、错失关键画面。

视频数据利用率低，业务系统联动性差[2]。视频监控系统拥有的数据信息非常多，但是当前该类信息尚未得到充分的挖掘与利用，局限于地铁日常运营监控、事后应急处置等方面，在广告经营、商铺开发、即时处置方面有待进一步做智能开发应用。

1.3 安全管理

缺少对人员异常行为的自动识别功能，难以及时发现并作出有效处理，影响乘客安全或服务质量。目前主要采取定时巡视，不定期专项整治，以期发现并制止在地铁公共区域非法乞讨、倒卖地铁票、骚扰他人、行骗、逃票等行为。但是，无法及时发现并制止非工作人员在非允许时间进入非运营区域，存在危害行车安全和造成人身伤害的风险。

2 需求分析

针对地铁车站场景内的日常管理需求与常见突发事件，结合当前政策法规和行业指导文件的功能规划，智能视频监控系统应充分利用人工智能、大数据、视频分析和全景拼接等先进技术，通过设置不同功能的前端监控设备，来实现人脸识别、异常行为识别、客流监测、遗留遗弃物检测等功能。

2.1 乘客特征分析

人体特征分析功能。对进入摄像枪图像范围内的人员进行简要分析，包括性别、年龄、身高、着装等。

人脸识别功能。能抓取进入地铁区域人员的脸部信息，提取出其面部特征，与数据库信息进行比对，实现车站快速寻人及警方对可疑人员的追踪。同时，可与疫情管控健康系统联动，迅速发现未满隔离期或核酸检测不符合要求，而擅自进入地铁区域的人员。

2.2 车站运营管理

异常行为告警功能。能对乘客在地铁区域的各种行为特征进行归类和分析，自动且迅速辨别出异常行为或即将发生危险事件的行为，并发出告警信息，提醒车站工作人员及时处理。

客流监测功能。能实时监控车站内不同区域的客流时空信息，如客流分布、客流量、客流速度等，精准掌握车站大客流规律、各区域的客流拥挤度、客流变化趋势，以支持不同客流强度下站点限流方案触发和乘客引导策略执行。同时，可根据需求，将各站客流时空信息提供给线网调度管理中心，支持运营线路列车投运量的调整优化及全线网客流状态的监测预警与应急决策。

目标物体追踪功能。一旦某支摄像枪捕捉到目标物体，后台系统能够自动安排附近区域的摄像枪进行接力式追踪，形成目标物体的移动轨迹，便于警方和车站寻人寻物。

2.3 安全防范检测

遗留遗弃物检测功能。摄像枪第一时间发现被遗留、遗弃在车站的无主箱包，后台系统自动提醒车站工作人员处置，既可以及时拾取乘客遗失物品，也可以及时处置危险物品。

入侵监测功能。针对进入禁入区域的目标进行监视并按照用户设置的规则触发告警，如非授权人员进入车站设备区疏散通道、站台端门处等。

烟火检测功能。监控区域一旦发现有烟火情况，系统发出告警，并放大区域画面，提醒车站工作人员及时处理。同时，还能通过前端获取的烟火视频信息，分析预判火灾趋势，利于火情处置与人员疏散。

2.4 系统智能运维

图像监测功能。视频监控系统应具备对视频信号丢失、图像模糊、噪声干扰、条纹干扰、黑白图像、画面冻结、视频抖动、场景变更、对比度异常、视频遮挡、取流异常等状况的智能检测、告警和诊断。

设备自检功能。支持以图形化的方式展现监控点在线率、视频质量诊断正常率、录像正常率、设备在线率；支持离线、图像异常、录像异常点位明细查看功能；支持最新告警、代办事项的展现。

录像自检功能。能自动判断录像是否完好，并能统计分析每个摄像枪录像丢失次数、丢失的具体时间段；支持按天、按周分时间段对录像进行完整性检查，可以根据需要详细显示单个摄像枪不少于90天时间段的详细录像报表。

3 系统方案研究

3.1 系统架构

地铁车站智能视频监控系统主要由具备不同功能的摄像枪、网络交换机、视频管理服务器、智能分析服务器、存储矩阵、流媒体服务器、视图网关、防火墙、监控大屏、工作站、手持监控终端等组成，其系统架构如图1所示。

图1 地铁车站智能视频监控系统架构

将车站划分为车站出入口楼梯区、出入口通道、安检区、出入闸机通道、站台候车区等多个监控区域，每个区域按照场景使用需要，布设不同功能的摄像枪。

车站视频数据通信网络一般通过接入交换机、汇聚交换机设置两个网络层级，各个区域摄像枪录制的视频数据信息通过接入交换机汇集到车站汇聚交换机，再存入至存储矩阵。

视频管理服务器负责监控系统的数据信息管理。智能分析服务器负责视频信息的智能分析，实现多种算法统一调度、统一管理、统一运维，使各算法之间互相兼容，支持客流量突变告警、图像异常告警、入侵检测、逗留(滞留)检测、可疑物品遗留告警等功能。

经分析处理后的视频数据信息按需显示在工作站、监控大屏、手持监控终端上。操作人员借助工作站，可完成对当站所有视频信息的调看、检索及对各个摄像枪运行状态的监控。监控大屏根据车控室面积设置拼接屏尺寸，由大屏控制设备、拼接屏及网络设备构成，提供实时视频播放、摄像枪的离线分布运维看板、各类告警事件、客流信息流量与流速统计、以热力图方式展示的客流分布等可视化数据看板。手持监控终端携带方便，具备视频远程调看、异常状况告警、定位等功能及给车站工作人员提供巡站或离开车控室时辅助管理。

3.2 系统逻辑架构

根据地铁车站场景应用需要，在视频监控系统上搭建一个智能运维平台，其逻辑架构分为采集层、网络层、数据层与应用层，如图2所示。

图2 视频监控系统智能运维平台逻辑架构

采集层通过不同功能的摄像枪实时采集现场客流、乘客体温、人脸识别等各类基础信息。网络层依托光纤专网、移动通信网、局域网，实现车站内视频数据流及控制信息的传送。数据层搭建超融合AI 智能算法平台，实现视频数据信息的结构化处理，完成信息的存储、分析、清洗、融合、共享与管理。应用层使用二维平面图、3D 地图、数据看板等方式，为用户提供更直观的数据展示。

3.3 摄像枪布设方式

针对地铁典型车站乘客进站、出入闸机、上下扶梯、行走通道、候车等各环节进行智能分析，在不同区域布设不同类型的摄像枪[3]，具体如表1所示。

表1 不同区域摄像枪布设类型

3.4 关键技术

相较于传统的视频监控系统，智能视频监控系统要求在不需要过多的人为干预下，自动实现对监控图像的检测、解析和响应，迅速对存在隐患或异常事件做出告警，以有效协助车站工作人员及时采取处置措施。其所涉及的关键技术主要有人脸识别技术、客流信息检测技术、行为识别技术等。

(1)人脸识别

人脸识别技术借助人像抓拍摄像枪对镜头监控范围内的同一个人脸连续进行采集，从视频图像中提取各种特征信息，如性别、年龄段、是否戴眼镜等，与系统预录入的人脸信息进行对比辨识，实现以图搜图、人脸比对等功能。根据设备特性及乘客抬头行为分析[4],人脸识别摄像枪建议安装在地铁车站进站楼梯下端、进入安检门前方、出入闸机后方、人流正前方俯角10°～20°。

但是，目标人物的故意遮挡及疫情下的口罩佩戴，都会导致摄像枪无法抓拍到清晰的人脸。因此，系统还应具备ReID跨境追踪算法，支持结构化和半结构化交叉检索，与人脸识别技术相结合，通过多个摄像枪收集行人身体特征、步态动作等信息，以提升以图搜图的准确率。

(2)客流信息检测

通过机器视觉技术，采集不同时空的客流密度、通行速度、聚集人数、流量等基础数据，在系统后台对客流基础数据进行深度解析和处理后，使用统计图形、热力图等方式将客流信息在监控大屏上进行多维度显示，让车站工作人员直观监控到客流变化。同时，引入深度学习算法，形成并持续完善当站客流规律分析，结合预先设定的客流密度、区域可容纳量、排队人数等预警阈值，自动输出客流状态预警。

根据地铁车站内部各区域的客流特征[5]，采取不同的布点方式对客流状态进行监控，具体如表2所示。

表2 不同位置客流统计摄像枪布设建议

(3)行为识别

行为识别技术在地铁视频监控系统中具有重要的应用价值。借助行为识别技术，针对乘客不同情形下的各种行为特征进行归类和分析，如异常逗留、异常聚集、异常徘徊、奔跑追逐、轮椅行进、打架斗殴、人员跌倒、隔栏传物等，辨别有安全隐患或即将发生危险事件的行为，根据提前设定的规则提醒，便于车站工作人员及时处理。

当前主流的行为识别方法有传统的机器学习方法和深度学习方法，采取特征融合的方法将人体特征提取从二维空间扩展到三维空间，将外观形状特征、人体骨架特征、运动特征等不同种类的特征整合到一起，从而提高识别精度和效率。

4 总结与展望

目前传统数字视频监控系统已基本代替模拟视频监控系统，但是智能视频监控系统在地铁领域的应用刚刚起步。从已应用的地铁站点来看，视频智能分析技术确实能在一定程度上提升车站运营管理水平，提高车站内异常事件感知能力，从而为乘客提供更优质的服务，也符合国家政策和技术走向。但地铁车站场景下视频图像中人体的行为受遮挡、背景变化、光照变化等因素影响，如何有效提高视频图像的识别率与视频分析的准确率依然是难点。因此，未来视频分析算法的进一步优化，算力的进一步提升，能为地铁智慧车站建设提供更可靠、更精准的辅助决策。