一种基于视频的车站关键区域安全状态监测方法

1.本发明涉及轨道交通视频监控技术领域，尤其涉及了一种基于视频的车站关键区域安全状态监测方法。


背景技术：

2.轨道交通车站的正常运行对整个城市轨道交通线网的运行安全具有重大的意义，准确把握车站的客流运行状态是实现客流量科学管控的根本基础。
3.目前，现有技术中的视频监控方法多采用神经网络方法，在轨道交通车站场景中的应用非常广泛，但仍受现场工程的各方面因素制约，对于车站内特定区域的客流状态信息监测不能达到很好的效果，当出现大客流拥挤、通道逆行及非工作人员进入运营区域等危险状态而无法第一时间获悉。
4.因此，如何开发一种有效的基于视频的车站关键区域安全状态监测方法是一个亟待解决的问题。


技术实现要素：

5.本发明的实施例提供了了一种基于视频的车站关键区域安全状态监测方法，以实现有效的对车站关键区域进行安全监控。
6.为了实现上述目的，本发明采取了如下技术方案。
7.一种基于视频的车站关键区域安全状态监测方法，包括：
8.获取一段轨道交通车站场景下监控区域中的视频图像，使用目标检测算法对视频图像进行客流的目标检测，获取客流目标检测框；
9.利用改进的dasiam-rpn算法对客流目标检测框进行目标跟踪，获取当前帧的客流目标跟踪框；
10.判断当前帧的客流目标跟踪框的轨迹是否超出所述监控区域，如果超出，则停止目标跟踪过程；如果没有超出，则继续对视频图像进行目标跟踪过程。
11.优选地，所述的获取一段轨道交通车站场景下监控区域中的视频图像，使用目标检测算法对视频图像进行客流的目标检测，获取客流目标检测框，包括；
12.获取一段轨道交通车站场景下监控区域中的通道客流的视频图像，提取视频图像的连续帧并保存；
13.利用目标检测算法对视频图像的连续帧进行客流目标检测，获取客流目标检测框以及检测框四个顶点的坐标和置信度。
14.优选地，所述的目标检测算法包括基于深度学习的yolov3算法。
15.优选地，所述的利用改进的dasiam-rpn算法对客流目标检测框进行目标跟踪，获取当前帧的客流目标跟踪框，包括；
16.将检测到的客流目标检测框进行筛选，利用筛选后的检测框来创建目标对应的初始跟踪位置；
17.在第一帧图片中，以初始跟踪目标的中心点截取127*127的区域，作为模板帧区域；在随后的图片中，以上一帧跟踪目标的中心点截取255*255的区域，作为搜索帧区域；
18.找到与跟踪目标中心点o最接近的k个候选区域框，计算每个候选区域框的交并比iou，计算k个iou的均值和方差，设置均值加方差为自适应阈值，将大于自适应阈值的候选区域框定义为干扰物，剔除干扰物，将剔除了干扰物后的所有候选区域框组成搜索帧区域；
19.将模板帧区域和所述搜索帧区域送入改进的dasiam-rpn网络，该改进的dasiam-rpn网络输出目标的跟踪框和得分，将得分进行余弦窗抑制，对距离中心点远的边缘区域分数进行惩罚，取分数最高的跟踪框中心点作为新的中心点(a’)，上一帧目标的宽w高h和跟踪框的宽wg高hg进行平滑加权作为新的宽w’高h’，采用新的中心点a’和宽w’高h’作为当前帧的客流目标跟踪框，后续跟踪依次循环迭代。
20.优选地，所述的判断当前帧的客流目标跟踪框的轨迹是否超出所述监控区域，如果超出，则停止目标跟踪过程；如果没有超出，则继续对视频图像进行目标跟踪过程，包括；
21.判断前帧的客流目标跟踪框的轨迹是否超出定义的监控区域，如果超出，则停止目标跟踪过程；如果没有超出，则继续进行上述目标跟踪过程，进行客流安全监测。
22.由上述本发明的实施例提供的技术方案可以看出，本发明将深度学习方法运用到轨道交通车站客流信息检测场景中来，利用yolov3和改进的dasiam-rpn算法提高客流信息监测的精度，可以有效改善遮挡情况下的目标监测，同时提高运行速度，保证了客流信息检测的实时性。本发明可以很好地对车站内指定区域进行监测，并为目标区域的客流及环境安全提供了有效的保障。
23.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
24.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。
25.图1为本发明实施例提供的一种基于视频的车站关键区域安全状态监测方法的实现原理图；
26.图2为本发明实施例提供的一种基于视频的车站关键区域安全状态监测方法的流程图；
27.图3为本发明实施例提供的一种轨道交通车站的过道实验场景示意图。
具体实施方式
28.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。
29.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。
30.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。
31.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。
32.本发明实施例提供了一种基于视频的车站关键区域安全状态监测方法，通过结合yolov3和改进的dasiam-rpn算法解决轨道交通车站场景中的自定义区域的监测问题。
33.本发明实施例提供的一种基于视频的车站关键区域安全状态监测方法的实现原理图如图1所示，具体处理流程如图2所示，包括以下处理步骤：
34.步骤s10，获取一段轨道交通车站场景下监控区域中的视频图像，使用目标检测算法对视频图像进行客流的目标检测，获取客流目标检测框。
35.获取一段轨道交通车站场景下监控区域中的通道客流的视频图像，提取视频图像的连续帧并保存，每1s提取24帧。
36.利用目标检测算法对视频图像的连续帧进行客流目标检测，获取客流目标检测框以及检测框四个顶点的坐标和置信度。上述目标检测算法可以为基于深度学习的yolov3算法。
37.步骤s20，利用改进的dasiam-rpn算法对客流目标检测框进行目标跟踪，获取当前帧的客流目标跟踪框。
38.将检测到的客流目标检测框进行筛选，利用筛选后的检测框来创建目标对应的初始跟踪位置，即初始跟踪目标。
39.在第一帧图片中，以初始跟踪目标的中心点(a)截取127*127的区域，作为模板帧区域；在随后的图片中，以上一帧跟踪目标的中心点(b)截取255*255的区域，作为搜索帧区域。
40.与跟踪目标中心点o最接近的k个候选区域框，计算每个候选区域框的iou
41.(intersection overunion，交并比)，然后，计算k个iou的均值和方差，通过atss(adaptive training sample selection，自适应阈值)的方法设置均值加方差为自适应阈值，最后将大于自适应阈值的一些候选区域框定义为干扰物，剔除这些干扰物。将剔除了干扰物后的所有候选区域框组成搜索帧区域。
42.将模板帧区域(即第一帧的真实图像)和上述搜索帧区域送入改进的dasiam-rpn网络，该改进的dasiam-rpn网络预测出目标的跟踪框和得分，上述模板帧区域为第一帧的真实图像。
43.改进的dasiam-rpn网络将模板帧区域目标和搜索帧区域目标做相似度计算，以此在搜索帧区域寻找与模板帧中最为相似的跟踪的跟踪目标，并且引入新增量学习方法，使
得跟踪框预测更加稳定，减少跟踪id跳变，预测出相应的跟踪框和得分。
44.将得分进行余弦窗抑制，即对距离中心点(a)较远的边缘区域分数进行惩罚，取分数最高的跟踪框中心点作为新的中心点(a’)，上一帧目标的宽(w)高(h)和跟踪框的宽(wg)高(hg)进行平滑加权作为新的宽(w’)高(h’)。
45.采用新的中心点(a’)和宽(w’)高(h’)作为当前帧的客流目标跟踪框，后续跟踪依次循环迭代；将客流目标跟踪框的权重因子设置为干扰物权重的1/2。新增量学习中的比例设置，将跟踪框的权重因子设置为干扰物权重的1/2，使得跟踪目标更稳定，不出现id跳变。
46.步骤s30，判断最新的客流目标跟踪框的轨迹是否超出定义的监控区域，如果超出，则停止目标跟踪过程；如果没有超出，则继续进行上述目标跟踪过程，以此进行客流安全监测。
47.为了验证本发明的有效性和准确性，选取轨道交通车站某一过道场景进行试验，如图3所示，图3中的实线是人为标定的限制实线，当跟踪的目标越过限制实线，其跟踪id就会被记录，以此可进行越界人数统计等。
48.综上所述，本发明实施例针对轨道交通车站关键区域安全状态监测的问题，提出一种基于深度学习的检测模型。该模型通过yolov3算法进行客流目标检测，将检测的结果实时传输给改进的dasiam-rpn算法进行目标跟踪。可以降低目标跟踪的漏报率，提高跟踪的精确性，对视频监控的指定区域的客流达到很好的监测目的。
49.本发明实施例的改进的dasiam-rpn算法通过引入自适应阈值的方法，使阈值设置更加合理，可以进一步筛选出干扰物，抑制干扰物的影响，从而生成稳定的跟踪框；同时，改变权重因子和干扰物权重的对应关系，使权重因子随着干扰物的权重改变而改变，进而提高对目标的跟踪精度。本发明方法与其他深度学习方法相比，对轨道交通车站的关键区域监测的漏报率更低、准确率更高，同时也提高了跟踪的效率，消耗的计算机资源更小，适用于现场环境。
50.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。
51.通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，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)执行本发明各个实施例或者实施例的某些部分所述的方法。
52.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。
53.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。