基于流线感知的轨道交通车站客流状态辨识系统的制作方法

1.本发明涉及轨道交通运营管理技术领域，尤其涉及一种基于流线感知的轨道交通车站客流状态辨识系统。


背景技术：

2.轨道交通车站内部经常出现大客流，同时因为乘客不合理的出行行为，产生异常客流。无论是大客流还是异常客流都会带来车站的客流安全问题，容易引发安全事故，因此对于轨道交通车站客流状态辨识尤，其是拥挤和异常状态辨识尤为重要。
3.目前，现有技术中的客流感知系统以视频或激光点阵为感知数据源，进行某个方向的平均速度、区域密度和断面面流量的感知。
4.上述现有技术中的客流感知系统的缺点为：轨道交通车站乘客流线复杂多变，在日常高峰、平峰、应急条件下的流线多不相同；并且在站厅、站台、混行楼梯和迂回围栏等地方流向方向多变。现有客流感知系统的客流感知的方向固定，没有充分考虑轨道交通客流流线的复杂多变。并且车站物理和功能结构复杂，固定以直线空间位置计算速度或以区域计算平均密度等方式不能够准确反映车站真实的拥挤状态。


技术实现要素：

5.本发明的实施例提供了一种基于流线感知的轨道交通车站客流状态辨识系统，提供车站客流组织的科学合理性。
6.为了实现上述目的，本发明采取了如下技术方案。
7.一种基于流线感知的轨道交通车站客流状态辨识系统，包括依次相连的数据服务器、流线感知服务器、客流检测服务器和客流状态辨识服务器；
8.所述的数据服务器，用于存储并管理流线感知数据、客流检测数据、客流辨识数据和车站客流基础数据；
9.所述的流线感知服务器，用于基于车站客流基础数据进行车站物理流线、常态客流流线和特殊客流流线感知操作，将获得的流线感知结果传输给客流检测服务器和数据服务器；
10.所述的客流检测服务器，用于基于流线感知结果进行多流向速度、多态密度、多流向流量检测，以及固定与非固定队首排队检测，将获得的客流检测结果传输给客流状态辨识服务器；
11.所述的客流状态辨识服务器，用于基于客流检测结果进行车站关键区域的拥挤状态和异常客流识别处理，获得拥挤状态和异常客流识别结果。
12.优选地，所述的数据服务器包括感知数据单元、检测数据单元、客流辨识数据单元和车站客流基础数据单元；
13.所述的感知数据单元，用于存储并管理流线感知数据，该流线感知数据包括基础各个监控区域的原始视频或激光点阵数据，以及个体追踪、流线感知的数据；
14.所述的检测数据单元，用于存储并管理客流检测数据，该客流检测数据包括检测到的各监控区域行人的速度、密度、流量和排队长度特征数据；
15.所述的客流辨识数据单元，用于存储并管理客流辨识数据，该客流辨识数据包括辨识到的各监控区域的拥挤状态与异常客流数据；
16.所述的车站客流特征数据单元，用于存储并管理车站客流基础数据，该车站客流基础数据包括车站物理拓扑结构、客流组织和客流状态标准数据。
17.优选地，所述的流线感知服务器包括车站物理流线单元、常态客流流线感知单元和特殊客流流线感知单元；
18.所述的车站物理流线单元，用于基于车站客流基础数据计算各区域内全部的可行流线集合，根据车站客流组织数据设置流线状态为常态，预知大客流下的流线、应急条件下流线；
19.所述的常态客流流线感知单元，用于基于车站客流基础数据根据常态流线，利用深度学习的个体追踪技术，追踪感知与流线一致的客流群体运动；
20.所述的特殊流线感知单元，用于基于车站客流基础数据根据预知大客流和应急条件下的流线，追踪感知与流线一致的客流群体运动。
21.优选地，所述的客流检测服务器包括速度检测单元、密度检测单元、流量检测单元和排队检测单元；
22.所述的速度检测单元，用于根据被检测区域的视频或激光点阵数据，利用流线服务器的流线感知结果，在检测范围内，根据被检测对象的空间位置，以及流线途径的空间路径，来计算个体单位时间的空间位置，分流线统计被检测客流的速度，该速度包括分流线方向的最大速度、最小速度、平均速度和速度方差；
23.所述的密度检测单元，用于根据被检测区域的视频或激光点阵数据，进行密度标定，并利用深度学习进行密度的学习与检测，并统计单位时间的最大密度、最小密度、平均密度和密度方差，将区域内客流分布的聚集特征分为均质聚集、中心聚集、前边缘聚集、后边缘聚集、随机聚集多个密度形态；
24.所述的流量检测单元，用于根据检测区域的视频或激光点阵数据，利用流线服务器的流线感知结果，在检测范围内，分流线统计单位时间通过截面的人数；
25.所述的排队检测单元，用于实现固定队首和非固定队首的排队检测；固定队首的检测方法为：根据被检测区域的视频或激光点阵数据，通过深度学习方法识别排队边缘，检测排队长度、排队宽度、排队形状、排队人数和排队是否超过界限，超过限界长度，则根据流线判断排队人员的秩序性；非固定队首的排队检测方法为根据队列流线对队列经过区域的摄像头进行排序，排序准则为后经过的在前，对检测摄像头进行从前向后遍历，根据检测队列所在空间位置的摄像头密度检测结果，当出现后边缘聚集的为排队队首，依次向后，如检测为均质聚集则根据检测区域长度增加队长，如果出现前边缘聚集则为队尾，增加最后依次的队尾长度，如检测的为其他类型则不增加长度。
26.优选地，所述的客流状态辨识服务器包括拥挤客流辨识单元、异常客流辨识单元和客流辨识可视化管理单元；
27.所述的拥挤客流辨识单元，用于根据监测的车站场景，属于常态还是预知大客流或应急条件下，结合车站客流构成与各区域的基础客流特征进行拥挤辨识，该拥挤辨识包
括根据密度和固定队首排队检测结果进行站台、站厅和扶梯的客流拥挤辨识，根据流量和固定队首排队人数进行出入口、闸机、安检的客流拥挤辨识，根据速度、密度进行楼梯的客流拥挤辨识，根据密度和非固定队首排队长度进行通道的客流拥挤辨识；
28.所述的异常客流辨识单元，用于对被监测的区域，使用深度学习进行多目标个体追踪，对多目标个体追踪的流线进行聚类，将聚类结果与流量感知服务器中的流线感知结果进行对比，若结果相同，则返回无异常；若结果不同，则继续对比，如果与对应场景的合法流线相反，则返回逆行；如果有多处不同则返回群体骚动，如出行局部流线的相对静止，则返回个体异常。
29.由上述本发明的实施例提供的技术方案可以看出，本发明实施例通过多流向速度、多态密度、多流向流量检测，以及固定与非固定队首排队检测，与场景和设备设施拥挤等级相匹配，进行不同区域的客流拥挤度辨识，更加准确反映车站真实的客流拥挤状态。基于车站常态和特殊流线感知，利用实际客流流线检测结果，与场景匹配，进行异常客流辨识，更加准确反映车站客流安全状态。
30.本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
31.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
32.图1为本发明实施例提供的一种基于流线感知的轨道交通车站客流状态辨识系统的结构示意图；
33.图2为本发明实施例提供的一种车站客流辨识可视化示意图；
34.图3为本发明实施例提供的一种车站物理流线集合示意图；
35.图4为本发明实施例提供的一种客流流线感知流程图；
36.图5为本发明实施例提供的一种固定排队检测流程图；
37.图6为本发明实施例提供的一种非固定排队检测流程图；
38.图7为本发明实施例提供的一种拥挤客流辨识流程图；
39.图8为本发明实施例提供的一种异常客流辨识流程图。
具体实施方式
40.下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
41.本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元
件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
42.本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
43.为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
44.因此，本发明以车站多样客流流线感知为基础，进行车站客流状态辨识，搭建包含流线感知、特征检测和状态辨识的系统。
45.图1为本发明实施例提供的一种基于流线感知的轨道交通车站客流状态辨识系统的结构示意图，参照图1，包括依次相连的数据服务器、流线感知服务器、客流检测服务器和客流状态辨识服务器。
46.所述的数据服务器，用于存储并管理流线感知数据、客流检测数据、客流辨识数据和车站客流基础数据；
47.所述的流线感知服务器，用于基于车站客流基础数据进行车站物理流线、常态客流流线和特殊客流流线感知操作，将获得的流线感知结果传输给客流检测服务器和数据服务器；
48.所述的客流检测服务器，用于基于流线感知结果进行多流向速度、多态密度、多流向流量检测，以及固定与非固定队首排队检测，将获得的客流检测结果传输给客流状态辨识服务器；
49.所述的客流状态辨识服务器，用于基于客流检测结果进行车站关键区域的拥挤状态和异常客流识别处理，获得拥挤状态和异常客流识别结果。
50.优选地，所述的数据服务器包括感知数据单元、检测数据单元、客流辨识数据单元和车站客流基础数据单元；
51.其中，感知数据单元存储各个监控区域的原始视频或激光点阵数据，以及个体追踪、流线感知的数据；检测数据单元存储检测到的各监控区域行人的速度、密度、流量、排队长度等特征数据；客流辨识数据单元存储辨识到各监控区域的拥挤状态与异常客流数据；车站客流特征数据单元存储车站物理拓扑结构、客流组织、客流状态标准数据。
52.优选地，所述的流线感知服务器包括车站物理流线单元、常态客流流线感知单元和特殊客流流线感知单元；
53.其中，车站物理流线单元，用于计算各区域内全部的可行流线集合，根据车站客流组织数据，设置流线状态为常态、预知大客流下的流线、应急条件下流线；常态客流流线感知单元，根据常态流线，利用深度学习的个体追踪技术，追踪感知与流线一致的客流群体运动；特殊流线感知单元，根据预知大客流下和应急条件下的流线，追踪感知与流线一致的客流群体运动。
54.优选地，所述的客流检测服务器包括速度检测单元、密度检测单元、流量检测单元和排队检测单元；
55.其中，速度检测单元，用于根据被检测区域的视频或激光点阵，利用流线服务器的流线感知结果，在检测范围内，根据被检测对象的空间位置，以及流线途径的空间路径，来计算个体单位时间的空间位置，以此为基础，分流线统计被检测客流的速度，包括分流线方向的最大速度、最小速度、平均速度和速度方差；
56.密度检测单元，用于根据被检测区域的视频或激光点阵，进行密度标定，并利用深度学习进行密度的学习与检测，并统计单位时间的最大密度、最小密度、平均密度和密度方差，将区域内客流分布的聚集特征分为均质聚集、中心聚集、前边缘聚集、后边缘聚集、随机聚集多个密度形态；
57.流量检测单元，用于根据检测区域的视频或激光点阵，利用流线服务器的流线感知结果，在检测范围内，分流线统计单位时间通过截面的人数；
58.排队检测单元，用于实现固定队首和非固定队首的排队检测；固定队首的检测方法为，根据被检测区域的视频或激光点阵，通过深度学习方法识别排队边缘，检测排队长度、排队宽度、排队形状、排队人数，排队是否超过界限，超过限界长度，并根据流线判断排队人员的秩序性；非固定队首的排队检测方法为根据检测队列所在空间位置的摄像头密度检测结果，根据队列流线对队列经过区域的摄像头进行排序，排序准则为后经过的在前，对检测摄像头进行从前向后遍历，当出现后边缘聚集的为排队队首，依次向后，如检测为均质聚集则根据检测区域长度增加队长，如果出现前边缘聚集则为队尾，增加最后依次的队尾长度，如检测的为其他类型则不增加长度。
59.优选地，所述的客流状态辨识服务器包括拥挤客流辨识单元、异常客流辨识单元、客流辨识可视化管理单元；
60.其中，拥挤客流辨识单元，用于根据监测的车站场景，属于常态还是预知大客流或应急条件下，结合车站客流构成与各区域的基础客流特征，进行拥挤辨识，主要包括根据密度和固定队首排队检测结果进行站台、站厅和扶梯的客流拥挤辨识，根据流量和固定队首排队人数进行出入口、闸机、安检的客流拥挤辨识，根据速度、密度进行楼梯的客流拥挤辨识，根据密度和非固定队首排队长度进行通道的客流拥挤辨识；
61.异常客流辨识单元，用于对被监测的区域，使用深度学习进行多目标个体追踪，使用聚类的方法进行流线聚类，将聚类结果与流量感知服务器中的流线感知结果进行对比，根据当前车站客流组织场景，判断是否出现逆行、骚动、跌倒等异常行为。
62.图2为本发明实施例提供的一种车站客流辨识可视化示意图，参照图2：车站客流辨识可视化单元共分为五个模块，分别为车站整体图形模块、重点区域视频模块、关键指标分时变化模块、客流状态辨识结果模块和流线查看模块。各个模块显示的内容及具有的功能见下表。
63.表1预测可视化单元模块功能
[0064][0065]
参照图3，图3为本发明实施例提供的一种车站物理流线集合示意图，在构建车站网络的基础上，可行的物理流线集合包括日常客流流线，可预知大客流组织流线和应急疏散流线；其中日常客流流线包括进站流线、出站流线、换乘流线、应急疏散流线和可预知大客流组织流线，进站流线包括预约/快速通道进站、安检进站和购票安检进站，出站流线包括直接出站流线和补票出站流线，换乘流线包括同站换乘流线和通道换乘流线，应急疏散流线包括快速出站流线和快速避险流线，可预知大客流组织流线包括绕行流线和原流线封闭。
[0066]
参照图4，图4为本发明实施例提供的一种客流流线感知流程图，在感知区域内进行多目标个体追踪，将追踪获得的曲线与感知区域内的各类流线进行相似度计算，相似度达到一定阈值则满足一致性匹配，输出识别的追踪曲线所在的流线分类。
[0067]
参照图5，图5为本发明实施例提供的一种固定排队检测流程图，从固定队首位置开始检测，首先输入监控区内排队的最大边界，之后在最大边界内进行边缘识别，获得排队的形状和长度，并根据排队的长度确定是否到达队尾，如果没有到达队尾则按照队列排队方向查看相邻监控区，达到队尾则结束。
[0068]
参照图6，图6为本发明实施例提供的一种非固定排队检测流程图，非固定队首的排队检测方法为，根据队列流线对队列经过区域的摄像头进行排序，对检测摄像头进行从前向后遍历，根据检测队列所在空间位置的摄像头密度检测结果，当出现后边缘聚集的为排队队首，依次向后，如检测为均质聚集则根据检测区域长度增加，如果出现前边缘聚集则为队尾，增加最后依次的队尾长度，如检测的为其他类型则不增加长度。
[0069]
参照图7，图7为本发明实施例提供的一种拥挤客流辨识流程图，输入车站场景：常态平峰/高峰、节假日/大型活动、应急疏散场景，再读取不同区域拥挤等级的标准，根据不同区域的特点，选取合适的检测指标，进行拥挤识别，具体包括：包括根据密度和固定队首排队检测结果进行站台、站厅和扶梯的客流拥挤辨识，根据流量和固定队首排队人数进行出入口、闸机、安检的客流拥挤辨识，根据速度、密度进行楼梯的客流拥挤辨识，根据密度和非固定队首排队长度进行通道的客流拥挤辨识；
[0070]
参照图8，图8为本发明实施例提供的一种异常客流辨识流程图，对被监测的区域
使用深度学习进行多目标个体追踪，对多目标个体追踪的流线进行聚类，将聚类结果与流量感知服务器中的流线感知结果进行对比，若结果相同，则返回无异常。若结果不同，则继续对比，如果与对应场景的合法流线相反则返回逆行；如果有多处不同则返回群体骚动，如出行局部流线的相对静止，则返回个体跌倒等异常。
[0071]
综上所述，本发明实施例的有效效果体现在：
[0072]
(1)通过多流向速度、多态密度、多流向流量检测，以及固定与非固定队首排队检测，与场景和设备设施拥挤等级相匹配，进行不同区域的客流拥挤度辨识，更加准确反映车站真实的客流拥挤状态。
[0073]
(2)基于车站常态和特殊流线感知，利用实际客流流线检测结果，与场景匹配，进行异常客流辨识，更加准确反映车站客流安全状态。
[0074]
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
[0075]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0076]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。