基于視覺智能技術的智慧地鐵電扶梯場景應用研究

顧慶琪

蘇州軌道交通集團有限公司建設分公司 江蘇 蘇州 215006

隨著新一代人工智能技術的深入發展，行業內開始嘗試研究地鐵場站復雜空間場景下，基于機器視覺深度學習技術的車站空間綜合態勢主動感知及協同感知技術融合。傳統的技術手段，感知弱、研判空、指揮憑經驗、處置靠人海等問題突出，管理水平決策機制落后。推動車站空間安全管理工作轉型與發展，推進車站治理體系智能化，是新形勢下技術發展的趨勢。在此基礎上，本文重點研究了視覺智能技術在智慧地鐵電扶梯場景中的應用，現具體論述如下。

1 視覺智能技術概述

視頻智能分析，即運用計算機圖像視覺分析技術，經過將場景中目標、背景分離，從而追蹤在攝像機場景內產生的目標。用戶能夠按照視頻內容分析功能，經過在各個攝像機的場景中對相關報警規則進行預設，一旦目標在場景中產生了違反預定義規則的一系列行為，系統會發出報警，監控工作站自動發出警示音、彈出報警信息,用戶能夠經過對報警信息進行點擊，使報警實現場景重組且使用有效策略。

2 現狀分析

目前各地軌道交通路網各站安裝部署了大量攝像機，然而現有的攝像機主要用于傳統視頻監控，存儲了大量的視頻數據，在不具備智能分析的情況下，視頻數據的利用率較低[1]。

如何利用存量的視頻監控視圖數據，通過視圖智能分析手段，主動感知車站安全風險隱患及違法違規行為，識別關鍵點位客流數據，助力安檢智慧化，提升車站運營管理效率和應用效能，成為了亟需探索的重要課題。

主要存在如下問題：

第一，各站的監控攝像機較多，但只能依靠人工監控，異常情況不能彈出或提示，無法主動感知站場內安全風險隱患及違法違規行為；第二，關鍵點位客流數據主要依靠估算，無法準確掌握各高風險點位的聚集人數、客流量、客流速、通行時間等數據，無法實現客流誘導、應急疏散等精細化管理；第三，傳統安檢主要依賴人工判別，值班員長時間值守易疲勞可能導致誤判漏判，對隔欄遞物、帶包漏檢等異常行為無法及時感知發現，存在安全隱患[2]。

3 視覺智能技術在智慧地鐵電扶梯場景中的應用

3.1 系統組成

系統由地鐵站點和線路中心兩層組成。地鐵站點內部署數據采集、邊緣智能分析服務器、廣播系統等設備[3]。線路中心部署業務、管理和接口服務器、智能分析服務器等，做中心側的綜合分析，同時盡可能復用既有的存儲設備、管理監控臺、屏幕墻等設施。

系統組成如圖1所示：

圖1 系統組成

（1）地鐵站點

在車站側，通過部署前端視頻數據采集設備，將車站扶梯區域的視頻數據進行實時采集[4]。根據業務需要，扶梯區域一般包括站點出入口扶梯區域、出入口通道、站內扶梯區域、無障礙電梯區域、車站站臺等。前端視頻數據采集設備通常由高清的半球型、球型、槍型攝像機組成，具備高穩定性、高可靠性，確保視頻分析的數據來源[5]。同時，對時延敏感、要求快速響應的場景和業務需求，由邊緣智能分析服務器完成，并將分析結果及時推送車站綜合監控系統、廣播系統和電梯系統，經車站工作人員研判確認并利用400M對講系統、各類單兵系統完成業務閉環。

（2）線路中心

在線路中心集中部署智能分析服務器，接入車站邊緣智能分析服務器的分析結果或車站的視頻源，完成各類綜合分析任務，將告警信息等上報到指定的系統[6]。同時，在線路中心集中部署業務服務器、管理服務器、存儲服務器等設備，告警信息、事件處置、視頻分析結果等通過管理監控臺和屏幕墻輸出。

（3）通信網絡

車站和線路中心之間通過低時延的光纖網絡互連，確保視頻、管理、業務等數據的上傳和下發[7]。如果車站與線路中心的帶寬有限且短期內難以完成網絡改造，則可以降級部署，將主要分析能力放在車站級來實現。

3.2 業務閉環

圖2 基本業務閉環流程

本系統與其他系統構建的基本業務閉環流程如上圖所示。主要包括以下環節：

首先，由CCTV已有前端攝像機或新增的攝像機完成扶梯/垂直電梯場景的視頻采集；

然后，部署在站端的智能分析服務器接入場景關聯的實時視頻數據，完成視頻的分析，檢測，并識別出扶梯/電梯場景下的異常行為、事件或特殊物品；

再次，智能分析服務的業務單元將告警數據/消息通過API接口聯動到第三方系統（綜合監控、廣播、電扶梯）等，實現報警事件聯動到廣播進行語音提醒播報，警示遠程關梯等；

最后，值班員通過二次復核，確定報警事件緊急程度，并通過站內400M語音對講系統、人員定位系統及人員單兵系統等及時通知站端工作人員進行現場處置。

3.3 算法要求

智能視頻分析前期工作主要對前端攝像機傳來的視頻碼流進行預處理，包括去抖動、圖像增強、陰影抑制、背景建模等[8]。

智能視頻分析的中期工作主要包括各種目標的檢測、識別、分類和跟蹤，是智能視頻分析的關鍵。目標檢測將目標從視頻圖像的背景中分割提取出來，以備后續步驟的使用；在地鐵監控視頻中有多種目標，比如人和電梯，需要根據一些特征值利用分類算法對目標進行分類；目標跟蹤屬于更高級的計算機視覺問題，它為下一步的行為理解提供充分的數據，包括特征選取、運動估計和特征匹配等[9]。

視頻分析的后期工作通過建立異常行為模型，對檢測目標的運動行為進行語義分析和自然語言描述，判別出異常行為并進行事件報警。

系統涉及的關鍵算法類別有結構化分析算法、行為分析算法。共包含9大類算法場景：

表1 9類算法場景

3.3.1 結構化分析算法

（1）空梯檢測

利用AI視覺檢測算法對于電梯上的人員進行檢測，通過識別檢測范圍中有沒有人員判斷是否空梯，進行自動推送告警，提高電梯使用效率，降低能耗。

（2）肢體探出檢測

2015年張蘭花從連隊住進了團部的樓房，她不僅擁有了農用汽車、小汽車，還在庫爾勒市購置了一套100余平米的樓房。“農忙時節種地住團部、節假日住城市，冬閑時節到內地旅游觀光，觀賞名山大川。”張蘭花說，“這些年來，是團場這片熱土滋養了我，給了我那么多的驚喜、感動和榮譽，我將一輩子報答團場，以一名黨員的模范作用，帶動和幫助更多的職工群眾一起致富奔小康”。

使用AI入侵檢測算法，檢測到人體探出扶梯運行安全范圍，進行自動推送告警，通過實時提醒，減少扶梯安全事故發生。

3.3.2 行為分析算法

系統采用深度學習算法，基于運動軌跡、時空圖表述和光流的運動表述方法，經圖像預處理、圖像分析、圖像理解等處理流程，實現目標檢測、目標行為分析和行為預測功能。

（1）目標檢測。目標檢測是行為分析的第一步，通過從序列圖像中將變化區域從背景圖像中提取出來。本系統中主要采用基于光流法和背景減除法的運動檢測，光流是空間運動物體在觀測成像面上對應像素運動的瞬時速度，是空間物體可見點的三維速度矢量在成像平面上的投影，它攜帶了豐富的運動和結構信息。利用運動物體隨時間變化在圖像中表現的光流特性，通過計算位移向量光流場來提取運動目標。背景減除法的實現方法是預先選取不含前景運動目標的背景圖像，然后將當前圖像幀與背景圖像相減得到前景目標。（2）目標跟蹤。運動目標的跟蹤，即通過目標的有效表達，在圖像序列中尋找與目標模板最相似候選目標區位置的過程，就是在序列圖像中為目標定位。（3）特征提取及特征表述。運動的特征表述包括外觀形狀特征、運動特征、時空特征等[10]。外觀形狀特征包括高度、寬度、輪廓、顏色、中心坐標等，運動特征包括確定區域軌跡（如預先確定的行人肢體）和非預先確定區域軌跡。

4 實踐測試結果

以蘇州地鐵5號線李公堤南站智慧扶梯項目為例，基于智慧車站扶梯場景做嬰兒車、大件行李箱、輪椅（以上3個統稱物體檢測），行人逆行和行人摔倒（以上2個統稱行為檢測），出入口滯留、出入口擁擠，空梯檢測，客流統計。測試結論如下：空梯檢測效果極佳；物體檢測（嬰兒車、大件行李箱、輪椅）識別度相對較高，召回率大于98%；人群檢測（滯留和擁堵）召回率大于96%，有極少量漏報，部分原因由網絡延遲造成；逆行檢測召回率大于95%，111次正樣本測試中出現4個漏報，和測試時人員逆行速度較慢有關；摔倒檢測召回率大于94%，尚有提升空間，部分誤報因乘梯人員身體大幅度變化（例如扶梯上跑動、跨步等動作）識別成摔倒，摔倒算法將在之后的軟件版本中繼續優化；驗證結果總體滿意，8種算法在不修改該地鐵站原有攝像機設置的情況下仍運行良好，后續可以考慮調整攝像機角度、視野以達到更好的測試結果。扶梯場景技術驗證 | 驗證結果如表2所示。

表2 扶梯場景技術驗證 | 驗證結果

說明：TP=告警次數（有真實事件發生且算法判斷出是真實事件的數量）FP=誤報次數（無真實事件發生但算法誤判為發生真實事件的數量）FN=漏報次數（有真實事件發生但算法沒有檢測出來或檢測錯誤的事件數量）

計算方法：1.召回率：=TP/(TP+FN)；2.算法精度：=TP/(TP+FP)

5 結語

本文設計在利用已有攝像機、抓拍機和安檢機視頻圖像基礎上進行智能視覺分析，升級人臉識別、主動防御、客流統計及X光智能判圖等系統應用，通過人工智能技術及大數據分析模型進行的異常行為和安全事件監測、客流統計分析和輔助安檢等，為決策部門提供自動化的報警信息以及分析數據，從而提高軌道交通工作人員的工作效率，提升軌道交通運營管理智慧化，提升現有系統和數據的價值。