基于視頻數據挖掘的城市軌道交通車站行人交通行為特征提取系統研究

魏萬旭，方 勇，胡 華，丁泓十

（上海工程技術大學 城市軌道交通學院，上海 201620)

0 引言

城市軌道交通車站大客流已成為常態，如2019年上海城市軌道交通日均客流量達1 063萬人次。城市軌道交通車站出入口、閘機、樓扶梯、站臺和通道易發生擁擠踩踏事故，極小的行人異常交通行為都有可能引起人流的不穩定，從而增加擁擠風險和踩踏事故發生的可能性[1]，因而開展行人交通行為特征提取研究顯得尤為重要。

隨著技術的不斷進步，視頻采集數據技術快速發展，可以通過視頻獲取行人運動軌跡，從而分析行人交通行為特征。Boltes等[2]開發基于視頻的Petrack軟件用于自動或半自動地識別并確定行人運動位置和軌跡。Corbetta等[3]開發基于Kinect的行人軌跡提取技術，用于長時間的高精度行人運動軌跡提取。Hoogendoorn等[4]對行人的微觀交通行為進行長期研究，需要被觀測的行人戴不同顏色的帽子，利用帽子作為識別條件，通過對拍攝的視頻圖像進行模式識別，得到普通行為和特定行為行人的運動軌跡。鄭宣傳[5]基于Blob分析的行人檢測與跟蹤技術，開發乘客微觀交通行為參數采集系統(PedTrace)，用以提取軌跡、乘客速度、行人間距、加速度等交通行為特征數據。吳嬌蓉等[6]采用城市軌道交通車站雙向通道監控，按照行人雙腳重心投影位置人工確定行走軌跡，分析行人超越交通行為特征和規律。

城市軌道交通車站大客流條件下，行人交通行為視頻數據采集易受遮擋，導致行人交通行為數據采集缺失而影響數據分析精度，且既有車站視頻采集技術功能較單一，未有效發揮基于視頻開展行人交通行為數據提取的作用。因此，建立基于視頻數據挖掘的城市軌道交通車站行人交通行為特征參數提取系統，對于研究城市軌道交通車站行人交通行為特征、開展客流管控具有重要作用。

1 城市軌道交通車站行人交通行為特征提取系統架構

視頻數據采集需要的人工操作較少，通過安裝在固定位置的攝像機拍攝的視頻，即可以實現對行人的定位、識別和跟蹤及交通行為特征參數的提取，并在此基礎上能夠進一步實現行人交通行為的分析，因而構建基于視頻數據挖掘提取行人交通行為特征參數。基于視頻數據挖掘的行人交通行為特征提取系統架構如圖1所示。系統以多攝像頭采集的視頻數據作為輸入，在計算機上實現視頻的拼接，以及基于視頻提取行人交通行為基礎數據集并對基礎數據集進行存儲，再經過大數據挖掘技術獲取行人交通行為特征參數集，并運用分布式存儲技術進行存儲。

圖1 基于視頻數據挖掘的行人交通行為特征提取系統架構Fig.1 Framework of the characteristics extraction system for pedestrian traffic behavior based on video data mining

（1）視頻采集。考慮到城市軌道交通車站內原有監控攝像機的布設角度和位置對行人交通行為基礎數據的提取造成一定困難，因此采用球型攝像機在城市軌道交通車站相應節點(通道、閘機、樓扶梯)處垂直俯拍，將行人三維空間里的運動轉換為二維平面里的運動。攝像機位置固定，幀率24幀/s。由于單臺攝像機的拍攝范圍有限，不能完全覆蓋實驗區域，因而可以布設多臺攝像機來延長拍攝范圍，并保證相鄰攝像機的拍攝畫面有一定的重疊區域，后期對多臺攝像機視頻中的行人畫面進行拼接。由于重疊區域過大會降低視頻拼接效率，增加在重疊區域出現重影問題的可能性，重疊區域過小則會導致特征點對太少而無法進行有效拼接，一般要保證20% ～ 50%的重疊區域。另外，攝像機布設數量應根據車站站廳站臺層高、各節點設施尺寸而定，以某城市軌道交通車站為例，車站站廳層高為2.9 m，攝像機架設高度為2.6 m，單臺攝像機垂直拍攝時拍攝范圍為2.4 m×2.4 m，相鄰兩攝像機拍攝重疊區域寬為0.5 m，攝像機布設數量及位置如圖2所示。

圖2 攝像機布設數量及位置Fig.2 Number and location of cameras

（2）視頻存儲。城市軌道交通車站內球型攝像機以視頻數據的方式對其拍攝范圍內的場景和行人信息進行不間斷地記錄，單臺攝像機錄制1個月的數據大概需要2 T的存儲容量，整個車站乃至整條線路布設的大量高清攝像機將會產生大量視頻數據。將所采集的大量視頻數據通過網絡傳輸存儲在Hadoop環境下的分布式文件存儲系統(Hadoop Distributed File System，HDFS)上， 然 后 基 于MapReduce分布式框架實現對不同攝像機錄制的視頻數據的并行處理。Hadoop是集存儲、處理、計算、分析等為一體的開源分布式并行處理框架，以HDFS和MapReduce編程模型為核心[7]。

（3）數據提取。行人交通行為特征提取系統中數據提取主要步驟如下：①采用尺度不變特征變換(Scale-Invariant Feature Transform，SIFT)算法拼接連續相鄰的俯拍視頻；②通過運動單元跟蹤算法從拼接視頻中提取行人運動軌跡并獲取行人交通行為基礎數據；③根據行人交通行為基礎數據計算行人交通行為判別指標，并執行行人交通行為判別流程，判斷行人的交通行為；④提取該行人交通行為特征參數。

（4）數據存儲。數據存儲主要是對行人交通行為基礎數據、行人交通行為判別指標數據，以及最終所有行人交通行為特征數據的分布存儲。在得到大量行人交通行為基礎參數數據后，需要對這些海量數據進行存儲和進一步計算分析。HDFS負責管理分布式文件存儲系統，將時間、位置坐標等行人交通行為基礎數據和行人交通行為判別指標數據以text格式存儲在HDFS中。MapReduce編程模型為“先分解任務、計算，再匯總結果”的計算框架，將基礎數據集經過map函數進行任務分解，并行執行行為判別流程判斷行人交通行為類別后，并行計算行人交通行為特征參數，然后創建reduce函數，將相同的行人交通行為進行統計相加，得到一種行人交通行為的所有特征數據集并存儲在HDFS中。

2 城市軌道交通車站行人交通行為特征提取系統核心技術

城市軌道交通車站行人交通行為數據提取，包含拼接視頻中行人交通行為基礎數據的提取、行人交通行為類型的判別和交通行為特征參數的提取，是行人交通行為特征提取系統的核心部分，將大量的視頻數據轉化成結果數據記錄的形式。

2.1 多攝像頭視頻拼接

視頻拼接本質上是對視頻幀圖像進行拼接，運用圖像拼接算法對視頻序列進行處理，視頻圖像拼接主要包括圖像配準(特征點提取與特征匹配)和圖像融合2個步驟。視頻拼接流程如圖3所示。

圖3 視頻拼接流程Fig.3 Process of video splicing

（1）SIFT特征點提取[8]。對樣本行人交通行為圖像和目標行人交通行為圖像的特征點進行提取，步驟如下。在行人交通行為圖像高斯差分尺度空間中提取極值點，獲得尺度不變性；通過擬合函數確定特征點并刪除不穩定極值點；然后在以特征點為中心的鄰域窗口內，利用梯度方向直方圖統計鄰域內像素的梯度方向，將360°的圓以10°為單位分成36列，列的長度代表梯度的大小，直方圖中峰值列的方向為特征點鄰域梯度的主方向，大于主方向峰值80%的梯度方向可以作為輔助方向，來增加檢測點的魯棒性；最后根據特征點周圍的點變化情況生成128維的特征描述符。

（2）特征匹配。得到兩幅行人交通行為圖的特征點后，采用歐式距離作為度量標準進行兩幅圖的特征點匹配，找出與目標行人交通行為圖像特征點最鄰近和次鄰近的樣本圖像特征點，求出最近與次近距離的比值，小于一定閾值時即形成成對的特征點。并利用隨機抽樣一致(Random Sample Consensus，RANSAC)算法去除錯誤匹配點對，提高準確率[9]。

（3）圖像融合。為了使重疊區域過渡更完美，利用非線性加權融合方法對行人交通行為圖像進行融合。對行人交通行為視頻進行關鍵幀提取，并對多個關鍵幀進行重復操作完成視頻拼接[10]。

2.2 行人交通行為基礎數據提取

提取行人交通行為基礎數據時，首先從拼接完成的俯拍視頻中檢測目標行人，然后根據行人目標質心的運動提取行人運動軌跡，最后根據行人運動軌跡提取行人時間、位置坐標等并生成行人交通行為基礎數據集。

（1）行人檢測。對采集到的行人交通行為視頻用幀間差分法實現行人檢測[11]。默認1 s為24幀，以1 s為間隔選取幀，則設行人交通行為視頻序列中第n幀和第n+ 24幀圖像為fn和fn+24，將2幀圖像對應像素點的灰度值進行相減并取其絕對值，得到差分圖像Dn；設定閾值T，對Dn中逐個像素點進行二值化處理(當Dn中像素點大于等于T時，令該點像素值為255，即為運動目標點；當Dn中像素點小于T時，令該點像素值為0，即為背景點)，最終得到二值化圖像。

（2）行人軌跡提取。將包含有行人目標的二值化圖像中行人目標的質心作為運動軌跡的參考點，計算出行人目標質心后，對視頻進行多幀疊加，依次連接計算得到的行人目標質心，就能夠獲取行人的運動軌跡。

（3）行人交通行為基礎數據提取。在車站各節點設施處以行人主要流向為y軸建立平面直角坐標系，將行人位置坐標化后得到行人運動時刻t對應的位置坐標(x，y)數據集。

2.3 行人交通行為類別判斷及特征參數提取

提取行人交通行為特征參數前需要根據行人自身通行空間、速度、位移、路程等指標進行交通行為類別判斷，因而在提取時間、位置數據的基礎上，先計算行為判斷指標形成行為判斷數據集，后續調用此數據集進行行為類別判斷后計算特征參數。

（1）類別判斷。基于行人動力學理論，將城市軌道交通車站行人交通行為按個體單獨作用、個體與個體之間耦合作用、個體和障礙物之間耦合作用，劃分為單體行為、交互行為、避障行為3類。將3類行為進行細分，單體行為劃分為行走行為、徘徊行為、停留行為；交互行為劃分為跟隨行為、超越行為、避讓行為、插入行為；避障行為劃分為換道行為、后退行為。為更高效地提取行人交通行為特征參數，可以預先對行人行為類別進行判斷。另外，由于在避障行為發生的同時會存在單體行為或交互行為，因而避障行為判別與單體行為、交互行為判別同時進行。行人單體行為及交互行為判別流程如圖4所示。行人避障行為判別流程如圖5所示。

圖4 行人單體行為及交互行為判別流程Fig.4 Discrimination process of pedestrian individuals and interactive behavior

圖5 行人避障行為判別流程Fig.5 Discrimination process of pedestrian obstacle avoidance behavior

（2）特征參數提取。判斷出行人交通行為類別后，根據基礎數據集及特征參數計算公式對行為特征參數進行提取。例如，停留行為特征參數包括行人速度、停留范圍和停留時間；跟隨行為特征參數包括跟隨速度差、橫向間距、跟隨距離和速度方向夾角；換道行為特征參數包括行人走行方向變化量、行人換道行為起點與障礙物中心之間的縱向距離和行人累積側移距離。

3 行人跟隨行為特征參數提取系統有效性驗證

3.1 跟隨行為特征參數提取

采集上海軌道交通2號線徐涇東站行人交通行為視頻，將基于視頻數據挖掘的城市軌道交通車站行人交通行為特征提取系統提取的與人工計算得到的行人跟隨行為特征參數進行比較，驗證數據的有效性。在閘機處建立二維直角坐標系，行人跟隨行為軌跡如圖6所示。視頻以4幀/s播放。

圖6 行人跟隨行為軌跡Fig.6 Pedestrian following behavior trajectories

跟隨行為是指在一定密度行人環境下，行人在走行過程中受到視野范圍內其他行人或障礙物的影響，改變走行路徑和走行速度，跟隨前方行人走行的行為。跟隨行為特征參數計算公式如下。

式中：ΔV為跟隨速度差，分別為被跟隨者i、跟隨者j在同一時刻的速度大小，m/s。

式中：DH為橫向間距，m；xim和xjm分別為行人i、行人j在m時刻的橫坐標，m。

式中：yim和yjm為行人i、行人j在m時刻的縱坐標，m。

3.2 跟隨行為特征參數有效性驗證

分析比較上海軌道交通2號線徐涇東站行人跟隨行為特征參數系統提取結果與人工計算結果，行人跟隨行為特征參數提取結果有效性驗證如圖7所示。由于系統在追蹤行人軌跡時以行人頭頂為追蹤對象，行人頭部稍微移動就會被識別為行人移動，但實際中行人是站立不動的，因而圖7中系統提取的結果曲線有輕微波動。

從圖7a中可以看出，行人橫向間距DH逐漸減小至0，行人j跟隨行人i向前行走。圖7b和7c中兩人跟隨速度差ΔV和跟隨距離dij先增加后減小，是由于被跟隨行人減速走至閘機處停留刷卡時，跟隨行人原地停留后以一定的速度走向被跟隨行人，隨著兩人距離的減少，跟隨行人逐漸減速，直至兩人保持正常行人靜態空間需求的距離。圖7 d跟隨行人與被跟隨行人走行速度夾角θij逐漸下降至0，跟隨行人改變走行方向逐漸與被跟隨行人同向，t= 2 s時，系統提取結果出現突兀拐點，是由于行人追蹤時將跟隨行人頭部的輕微后移當作行人移動所造成的。

圖7 行人跟隨行為特征參數提取結果有效性驗證Fig.7 Validation for the extracted results of following behavior’s characteristic parameters

通過上述驗證結果可知，系統提取結果相對人工計算結果存在一定誤差，但總體滿足實際工作需求，可以進一步通過優化系統數據挖掘方法對類似跟隨行人與被跟隨行人走行速度夾角θij出現的突兀拐點數據等無效數據進行清洗來降低誤差。

4 結束語

城市軌道交通車站行人交通行為特征數據提取，對于研究城市軌道交通車站行人交通行為特征、保障行人通行效率與安全，以及設施的合理設計具有重要意義。設計基于視頻數據挖掘的城市軌道交通車站行人交通行為特征提取系統，經過數據有效性驗證，證明運用Hadoop平臺能夠高效提取及存儲大量行人交通行為特征數據，為城市軌道交通車站的客流管控、維護車站運營安全提供技術支持。進一步還應考慮應用該系統提取車站內行人的各交通行為特征參數，為城市軌道交通車站微觀交通行為研究奠定數據基礎。