一种城市轨道交通的应急处理方法、系统及存储介质与流程

1.本技术涉及交通服务的技术领域，具体涉及一种城市轨道交通的应急处理方法、系统及存储介质。


背景技术：

2.随着城市化、现代化进程的日益深刻，交通运输业效率显著提高，城市生活节奏加快，人们在城市生活中的出行却变得愈发困难。特别是那些存在出行困难的特殊人群，特殊人群主要是指老年人、孕妇、儿童、伤病人员以及携带较重行李的人。人们的出行困难与高效率的新型出行交通方式之间的矛盾日益凸显出来。
3.目前国内轨道交通中实施相对严密的视频监控系统，通过架设大量各类摄像机以及配套系统来监控轨道交通内的重要场所并配合其他的安全措施、而基于视频数据的运动目标检测是计算机视觉中的一个重要分支，并提出了现有技术公开号为cn111401144a的中国专利公开了一种基于视频监控的手扶电梯乘客行为识别方法，其技术点包括：1)使用关键点提取方法对手扶电梯行为数据集进行骨架提取，并打上标签；2)将提取的骨架划分训练集和验证集；3)搭建合适的图卷积神经网络；4)使用数据集对图卷积神经网络进行训练，并保存最佳的网络模型；5)对手扶电梯场景的图像使用关键点提取方法进行人体关键点提取，并使用行人跟踪方法对行人进行跟踪，得到每个乘客在不同帧的骨架坐标及其置信度；6)将每一帧中的所有乘客的骨架坐标及其置信度输入到训练好的最佳模型中进行行为分类；7)对同一个乘客的行为序列，使用滑动窗统计的方法对其进行滤波，决策出最后的行为。本发明可有效实现对手扶电梯监控视频的行为识别。
4.上述中的现有技术方案，虽然能在一定程度针对手扶电梯上发生的异常行为实现有效监控，但面对场景复杂多变的轨道交通时，自适应能力就很差，也无法应对多个跟踪目标，极大影响了监控的可靠性。


技术实现要素：

5.为解决轨道交通运营过程中无法有效监测到人群发生突发情况，并根据突发情况作出相应的应急处理方案的问题，本技术提出一种城市轨道交通的应急处理方法、系统及存储介质。
6.第一方面，本技术提供一种城市轨道交通的应急处理方法，包括：获取乘客的异常行为数据；将所述异常行为数据输入预先搭建好的深度学习网络模型中进行训练与测试，用于提取目标异常行为；通过搭建异常行为数据库对所述目标异常行为进行分析，得到目标异常行为数据集；通过心理画像对所述目标异常行为数据集进行分析，得到心理画像分析报告，并基于所述心理画像分析报告对出现异常行为的乘客进行针对性分析处理。
7.通过上述技术方案，接收获取到的乘客的异常行为数据；然后将该数据输入预先搭建好的深度学习网络模型中进行训练与测试，用于提取目标异常行为；然后通过搭建异常行为数据库对所述目标异常行为进行分析，得到目标异常行为数据集；最后通过心理画像技术对目标异常行为数据集进行分析，得到心理画像分析报告，并基于心理画像分析报告对出现异常行为的乘客进行针对性分析处理，对存在出行障碍乘客的心理特征、行为习惯进行分析，得到最终的分析结果，并基于分析结果为交通运营企业及政府管理人员提供由文字或语言组成的应急方案，实现了对特定人群提供有效的应急处理服务，降低了人们的出行危险。
8.优选的，所述获取乘客的异常行为数据之前，包括：获取乘客全部的行为，并对所述行为是否为异常行为作检测判断；若检测到所述行为是沿既定路线进行走动，则将所述行为定义为正常行为；若检测到所述行为为预设异常行为中的一种或几种时，所述行为动作定义为异常行为，并将检测到的异常行为数据输入所述深度网络学习模型进行训练与测试。
9.通过采用上述技术方案，对获取乘客的行为数据进行筛选，将大部分行为没有表现出异常的乘客过滤掉，针对异常行为动作乘客进行专门的跟踪调查，提高了采集异常行为数据的效率。
10.优选的，所述预设异常行为包括：乘客的行驶速度远低于正常行走速度；乘客停留在某一地区的时长超过预设安全停留时长；乘客进行频繁性挥手动作；乘客使用轮椅进行出行的情况；乘客存在摔倒或平躺于地面的情况；乘客乘车过程中使用无障碍设施。
11.通过采用上述技术方案，对乘客出现的异常行为进行归纳总结，用于快速识别出异常行为，提高识别效率。
12.优选的，将所述异常行为数据输入预先搭建好的深度学习网络模型中进行训练与测试的具体步骤，包括：对所述异常行为数据进行压缩编码，得到第一异常行为数据；将所述第一异常行为数据通过网络接口传输至视频解码器进行解码，得到第二异常行为数据；通过行为识别与单人跟踪的方式，对所述第二异常行为数据进行异常行为提取；将提取出到所述异常行为的消息向后台工作人员发出通知。
13.通过采用上述技术方案，基于预先搭建好的深度学习网络模型中对异常行为数据进行训练与测试，从而提取目标异常行为，简化了数据训练与测试的过程，缩短了测试周期，提高了提取目标异常行为的效率。
14.优选的，通过搭建异常行为数据库对所述目标异常行为进行分析的具体步骤，包括：通过数据采集模块采集乘客的所有行为数据，并将所述行为数据分为正常行为数据与非正常行为数据；通过数据挖掘模块对所述非正常行为数据的综合分析，搭建异常行为数据库；通过所述异常行为数据库对所述深度学习网络模型中提取出的异常行为进行分析，得到目标异常行为数据集。
15.通过采用上述技术方案，利用现有人体行为数据库对目标异常行为进行描述，并
作样本数据分析，从而搭建异常行为数据库，为研究非暴露空间对于需要求助的人群提供援助，并制定相应方案，提高了服务品质。
16.优选的，所述非正常行为数据包括异常乘客行为数据与乘客求助行为数据。
17.优选的，通过心理画像对所述目标异常行为数据集进行分析的具体步骤，包括：通过图像采集基础设备获取基础数据信息；通过心理画像对所述基础数据信息与所述异常行为数据集进行综合分析，得到心理画像分析报告；基于所述心理画像分析报告，对乘客的异常行为与心理特征进行针对性分析处理。
18.通过采用上述技术方案，通过采用心理画像对乘客的异常行为举动与个人情况进行针对性分析处理，为交通运营企业及政府管理人员针对援助不到位的情况进行完善，同时通过修改现有设施管理，提高服务效率。
19.优选的，所述用于提取目标异常行为的步骤，还包括：通过使用滤波器模拟视觉细胞感受异常行为数据的特征状态；仿照视觉皮层组织结构搭建特征提取模型框架，其中，所述特征提取模型框架分包括第一特征提取层、第二特征提取层、第一特征学习层以及第二特征学习层；通过所述特征提取模型框架对异常行为数据进行匹配与最大化的交替操作，提取异常行为。
20.通过采用上述技术方案，出了基于深度网络学习模型之外第二方面，本技术提出一种城市轨道交通的应急处理系统，包括：获取模块，用于获取乘客的异常行为数据；输入模块，用于将所述异常行为数据输入预先搭建好的深度学习网络模型中进行训练与测试，用于提取目标异常行为；第一分析模块，用于通过搭建异常行为数据库对所述目标异常行为进行分析，得到目标异常行为数据集；第二分析模块，用于通过心理画像对所述目标异常行为数据集进行分析，得到心理画像分析报告，并基于所述心理画像分析报告对出现异常行为的乘客进行针对性分析处理。
21.通过采用上述技术方案，终端借助于获取模块获取乘客的异常行为数据，然后将异常行为数据输入预先搭建好的深度网络学习模型中作分析处理，同时通过利用现有人体行为数据库结合深度网络学习模型中训练得出的目标异常行为进行综合分析，得到目标异常行为数据集，最后通过心理画像技术对乘客的异常行为举动与个人情况进行针对性分析处理，并将处理后的结果发给轨道交通的工作人员，用于改善站内设施建立不够完善的地方，提高了服务效率。
22.第三方面，本技术提出一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述城市轨道交通的应急处理方法的步骤。
23.通过采用上述技术方案，将上述数据处理方法以计算机可读代码的形式呈现并存储于存储器内，在处理器运行存储器内的计算机可读代码时，执行上述应急处理方法的步
骤以获取高质量的轨道交通中出现异常行为的分析结果，解决了人工监控海量数据的疲劳和可能存在缺漏的问题，提升了工作效率。
24.本技术带来了以下有益效果：本技术所述的一种城市轨道交通的应急处理方法、系统及存储介质，通过深度网络学习模型对轨道交通站内的视频信息进行分析，通过乘客异常行为识别、异常行为数据库建立、数据实时传输预警、特殊乘客心理画像描写等方式，，特别是针对出行困难的特殊人群，形成轨道交通应急处理系统。在原有智能视频监控基础之上，将挥手、晕倒等动作纳入监控预警范围内，使用深度学习形成行为分析，解决了人工监控海量数据的疲劳和可能存在缺漏的问题。同时建立异常数据库并对存在异常行为乘客进行心理画像描写，换位思考，从特殊人群的角度思考在出行当中可能会存在的问题和障碍，进而有效的改进现有设施，为乘客提供援助，提升了轨道交通的服务质量。
附图说明
25.图1为本技术实施例提供的一种城市轨道交通的应急处理方法的总体流程图；图2为本技术实施例提供的深度学习网络模型处理异常行为数据的流程图；图3为本技术实施例提供的深度学习网络模型处理异常行为数据的示意图；图4为本技术实施例提供的基于模拟视觉系统方法提取目标异常行为的示意图；图5为本技术实施例提供的异常行为数据库对目标异常行为进行分析的示意图；图6为本技术实施例提供的基于心理画像对行为数据综合分析的示意图；图7为本技术实施例提供的一种城市轨道交通的应急处理方法的综合处理示意图。
26.图中：获取模块101、输入模块102、第一分析模块103、第二分析模块104。
具体实施方式
27.以下结合附图对本技术的技术方案请作进一步详细说明。
28.本具体实施例仅仅是对本技术的解释，其并不是对本技术的限制，本领域技术人员在阅读完说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本技术的权利要求范围内都受到专利法的保护，为使本技术实施例的目的、技术方案和有点更加清楚、下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完成地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性的劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
29.本技术一实施例提供的一种城市轨道交通的应急处理方法，如图1所示，包括如下步骤：步骤s10，获取乘客的异常行为数据。
30.这里的异常行为数据包括有线视频、有线声音、无线视频以及无线声音等多种数据，主要是是通过pc设备、移动端设备或其他服务器获取到的。然后将上述异常行为数据经过整理后输入预先搭建好的深度学习网络模型中。
31.步骤s20，将所述异常行为数据输入预先搭建好的深度学习网络模型中进行训练与测试，用于提取目标异常行为。
32.在本实施例中，预先搭建好的深度学习网络模型包括但不限于3d卷积神经网络模型等多种网络学习模型，然后基于3d卷积神经网络模型对异常行为数据进行训练，并将训练完成的3d卷积神经网络模型的结构和参数进行固化。具体表现为对异常行为数据生成的前向传播图进行固化，同时把异常行为数据的参数导入前向传播图中得到最终的学习网络模型。其中，常用的固化方式有两种，一种是通过使用tensorflow自带的脚本，另一种通过使用bazel工具实现网络模型的固化。然后从有声视频或无声视频中选取视频数据不均等分的训练数据集与测试数据集，并从每个场视频中以不折叠的方式连续提取16帧视频，用于构建多源、多尺度的训练数据集。然后根据训练数据集获取视频帧运动轨迹列表，并根据运动轨迹列表提取各个位置像素值，最终基于3d卷积神经网络模型对运动轨迹进行计算。同时还需在训练好的3d卷积神经网络模型下，根据测试数据集标签文件读取测试视频，得到测试数据最终的正确率。
33.步骤s30，通过搭建异常行为数据库对所述目标异常行为进行分析，得到目标异常行为数据集。
34.具体来说，首先利用现有的weizmann 人体行为数据库、kth人体行为数据库、uiuc action dataset等视频人体行为数据库，同时结合轨道交通监控视频中存在的海量信息，再加入经深度学习网络模型训练得出的结果进行综合分析，建立轨道交通内部的异常行为数据库，进而得到目标异常行为数据集。
35.步骤s40，通过心理画像对所述目标异常行为数据集进行分析，得到心理画像分析报告，并基于所述心理画像分析报告对出现异常行为的乘客进行针对性分析处理。
36.需要说明的是，心里画像技术是根据心理学、社会学及犯罪学等多门学科已形成的对犯罪现象的认识，主要应用于刑侦领域，对犯罪现场的物质痕迹、心理痕迹及被害人的生活轨迹等进行分析进而刻画犯罪人最有可能具有的特征侦查行为。当将该技术移至到对异常行为数据进行分析时，得到心理画像分析报告，然后从该心理画像分析报告中寻找受调查人的心理特征与行为习惯变化，为交通运营企业及政府管理人员提供由文字或语言组成的应急方案，实现对特定人群提供服务。
37.进一步地，所述获取乘客的异常行为数据之前，需要针对乘客乘车基本情况作基本判断，具体步骤包括：首先获取乘客全部的行为，并对所述行为是否为异常行为作检测判断；若检测到所述行为是沿既定路线进行走动，则将所述行为定义为正常行为；若检测到所述行为没有沿既定路线进行走动，走动行为为预设异常行为中的一种或几种时，所述行为动作定义为异常行为，并将检测到的异常行为数据输入所述深度网络学习模型进行训练与测试。其中，这里的预设异常行为主要包括：乘客的行驶速度远低于正常行走速度；乘客停留在某一地区的时长超过预设安全停留时长；乘客进行频繁性挥手动作；乘客使用轮椅进行出行的情况；乘客存在摔倒或平躺于地面的情况；乘客乘车过程中使用无障碍设施。当检测到乘客出现上述一种或几种预设异常行为时，说明乘客极大可能出现了安全事故，需要立即向后台工作人员报告，通知立刻展开救援行为。
38.如图2和图3所示，将所述异常行为数据输入预先搭建好的深度学习网络模型中进
行训练与测试的具体步骤，步骤s20包括：步骤s201，对所述异常行为数据进行压缩编码，得到第一异常行为数据。
39.步骤s202，将所述第一异常行为数据通过网络接口传输至视频解码器进行解码，得到第二异常行为数据。
40.步骤s203，通过行为识别与单人跟踪的方式，对所述第二异常行为数据进行异常行为提取。
41.步骤s204，将提取出到所述异常行为的消息向后台工作人员发出通知。
42.需要说明的是，预先搭建的深度学习网络模型主要用于对异常行为数据进行训练与测试，在训练与测试之前，还需要综合考虑实际情况，用于构建多源、多尺度训练数据集。然后根据该训练数据集的标签文件读取训练集视频，同时获取得到视频帧运动轨迹列表，并根据运动轨迹列表提取各个位置像素值，最终基于3d卷积神经网络模型下对各个位置像素值进行3d卷积计算。当训练数据集完成训练后，还需要对该数据进行测试。即基于训练好的3d卷积神经网络模型下，根据测试数据集的标签文件读取测试视频，提取异常行为。
43.具体来说，输入预先搭建好的深度学习网络模型中的异常行为数据主要包括有线视频数据、有线声音数据、无线视频数据以及无线声音数据等数据。在本实施例中以选取北京市地铁站内的视频数据为例，首先将该视频数据不均等分为训练数据集与测试数据集，同时在每个长视频中以不折叠的方式连续提取16帧视频，最终将视频大小归一化为128*171，用以构建多源、多尺度的训练数据集，同时在对异常行为数据进行训练时，往往将输入的异常行为数据的大小随机裁剪为16*112*112。
44.当获取到上述异常行为数据后，将该异常行为数据输入深度学习网络模型中进行压缩编码，得到第一异常行为数据。然后通过网络传输的方式将第一异常行为数据发送至视频解码器进行解码，其中，这里的网络传输方式可以为有线传输或无线传输等多种方式。当第一异常行为数据在视频解码器完成解码操作后，分别得到乘客的背景建模、运动物检测以及目标分割等相关数据，然后通过单人跟踪或行为识别等方式将乘客的异常行为提出出来，并将提取出异常行为的消息向后台工作人员发出通知。
45.进一步地，除了采用上述的基于3d卷积神经网络识别方法之外，还可以使用模拟视觉系统的方法用于提取目标异常行为，具体操作流程如图4所示，包括：通过使用滤波器模拟视觉细胞感受异常行为数据的特征状态。
46.仿照视觉皮层组织结构搭建特征提取模型框架，其中，所述特征提取模型框架分包括第一特征提取层、第二特征提取层、第一特征学习层以及第二特征学习层。
47.通过所述特征提取模型框架对异常行为数据进行匹配与最大化的交替操作，用于提取目标异常行为。
48.在本实施例中，常用的滤波器主要为二维gabor滤波器，即通过使用二维gabor滤波器模拟视觉细胞感受异常行为数据的特征状态，然后仿照视觉皮层组织结构搭建层次化的特征提取模型框架，最后基于搭建好的特征提取模型框架，通过对异常行为数据进行匹配与最大化的交替操作，具体表现为当输入带有异常行为数据的视频后，首先在第一特征提取层（gabor滤波器）对异常行为数据进行特征，然后经过第二特征提取层局部放大后，再将处理后的数据传输至第一特征学习层，最后在第二特征学习层经全局放大化，并经svm
‑
hmm分类器处理后，得到复杂性与不变形越来越高的特征表示，即目标异常行为。
49.进一步地，通过搭建异常行为数据库对所述目标异常行为进行分析，具体包括：通过数据采集模块采集乘客的所有行为数据，并将所述行为数据分为正常行为数据与非正常行为数据。
50.通过数据挖掘模块对所述非正常行为数据的综合分析，搭建异常行为数据库。
51.通过所述异常行为数据库对所述深度学习网络模型中提取出的异常行为进行分析，得到目标异常行为数据集。
52.如图5所示，当数据采集模块采集到乘客的所有行为数据后，需要将所述行为数据分为正常行为数据与非正常行为数据，其中，非正常行为数据包括异常乘客行为数据与乘客求助行为数据，且上述行为数据均是从数据库运营模块中获取到的，同时数据库运营模块还需要对数据库进行实时维护，并通过选择合适的运营机构，微调运营模式。然后通过数据挖掘模块对出现的异常行为进行分析，以得到出现异常行为的乘客的求助频率，然后将救助信号向后台工作人员发出，根据求救行为的类型产生方案设计，从而最终改善服务。例如当数据采集模块迅速采集到某乘客出现频繁性挥手动作时，此时数据挖掘模块通过分析异常行为统计救助频率的次数，进而产生最终的救助设计方案，同时查找工作人员是否存在援助不到位或地铁站内设施建立不够完善情况，以修改现有设施管理，提高服务效率，为研究非暴露空间对于特殊人群的援助提供依据。
53.进一步地，通过心理画像对所述目标异常行为数据集进行分析的具体步骤，包括：通过图像采集基础设备获取基础数据信息。
54.通过心理画像对所述基础数据信息与所述异常行为数据集进行综合分析，得到心理画像分析报告。
55.基于所述心理画像分析报告，对乘客的异常行为与心理特征进行针对性分析处理。
56.在本实施例中，如图6所示，首先通过图像采集基础设备用于获取异常数据信息，然后通过心理画像技术对乘客的基础行为数据与异常行为数据集中的异常行为进行综合分析，得到心理画像分析报告。具体表现为通过分析视频数据，对存在出行障碍乘客的心理特征、行为习惯进行分析，得到最终的分析结果，并基于分析结果为交通运营企业及政府管理人员提供由文字或语言组成的应急方案，实现对特定人群提供服务。
57.综上所述，如图7所示，本技术提供的一种城市轨道交通的应急处理方法可以在windows server操作系统、windows8/10操作系统或android等操作系统下，在用户层通过pc设备、移动端设备或服务器等设备获取到乘客的海量行为数据，然后在功能层对海量行为数据进行整理分析，具体可以通过分析行为或监测运动物。然后在解析层通过搭建数据库、卷积神经网络模型以及心理画像技术进一步对行为数据进行分析整理，得到分析整理后的数据结果。为了避免系统单独管理各自的用户数据容易形成信息孤岛，分散管理模式阻碍了向平台化地演进，需要对分析整理后的数据构建统一的安全标准认证，统一日志记录与权限管理，为将来开放平台和业务生态提供了必要条件，同时对数据访问接口的类型也不进行限制，用于打造一个更加开放的业务生态平台。然后在数据层利用现有的行为数据库获取适配数据信息，同时通过搭建异常行为数据库，判断异常行为是否为乘客的求援行为，进而产生应急救助设计方案，同时查找工作人员是否存在援助不到位或地铁站内设施建立不够完善情况，以修改现有设施管理，提高服务效率，为研究非暴露空间对于特殊人
群的援助提供依据。
58.基于上述同一发明构思，本技术实施例提供一种城市轨道交通的应急处理系统，包括：获取模块101，用于获取乘客的异常行为数据；输入模块102，用于将所述异常行为数据输入预先搭建好的深度学习网络模型中进行训练与测试，用于提取目标异常行为；第一分析模块103，用于通过搭建异常行为数据库对所述目标异常行为进行分析，得到目标异常行为数据集；第二分析模块104，用于通过心理画像对所述目标异常行为数据集进行分析，得到心理画像分析报告，并基于所述心理画像分析报告对出现异常行为的乘客进行针对性分析处理。
59.基于上述同一发明构思，本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行所述城市轨道交通的应急处理方法的步骤。
60.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
61.另外，在本技术实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本技术中的具体含义。
62.所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（rom，read
‑
only memory）、随机存取存储器（ram，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。
63.在本技术的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本技术的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
64.最后应说明的是：以上所述实施例，仅为本技术的具体实施方式，用以说明本技术的技术方案，而非对其限制，本技术的保护范围并不局限于此，尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本技术实施例技术方案的精神和范围，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应所述以权利要求的保护范围为准。