论文部分内容阅读
随着地铁运营的网络化发展,大客流逐渐成为地铁日常运营中的常态化现象。地铁车站作为客流组织的重要集散场所,常建于地下,是一个相对封闭的环境,一旦发生事故,很难实现对客流安全高效的疏散。因此,以地铁车站监控视频图像数据为基础,采用视频图像识别技术研究客流安全状态识别方法,可以丰富轨道交通运营安全管理理论与方法,同时对准确地掌握地铁车站客流的实时信息和变化状态,高效地组织和管理车站客流,提高车站运营安全与效率具有重要的促进作用。论文基于广州地铁二号线客流数据,从宏观、微观两个方面分析地铁车站的客流时空分布特征;以地铁车站的安全运营为出发点,给出了地铁车站客流安全状态的定义,并从地铁车站系统内部因素和外部因素两个方面定性分析了各因素对地铁车站客流安全的影响;选取了客流安全状态识别所需的参数以及车站信息采集区域。为了实现地铁车站客流流量的实时性检测,论文提出了基于YOLO v3(You Only Look Once)的地铁车站客流流量识别方法,该方法利用了YOLO v3目前在目标检测方面的突出效果,将USC行人数据集转化为YOLO v3训练的标签格式,通过对USC(University of Southern California)行人检测数据集中行人图片的训练,得到适用于地铁车站客流识别的YOLO v3网络模型。以广州地铁7号线南村万博站为例,选取其监控视频进行图像处理并作为YOLO v3模型的输入向量,对站台及楼梯处图像进行客流量的识别,检测结果证明基于YOLO v3的地铁车站客流流量的检测方法的平均误检率为19.19%,平均检测速度为26fps(Frame Per Second,每秒传输帧数),可以实现地铁车站客流量的实时检测。为了得到地铁车站客流密度和速度参数,论文基于针孔成像原理、透视变换法得到了摄像机的标定参数,提出了监控平面面积的测量方法,并通过摄像机投影模型,根据客流量识别中得到的行人坐标,对地铁车站客流的密度和速度参数进行识别,为后续客流安全等级的实时评价提供了依据。基于地铁车站服务水平的划分标准,将客流安全状态的等级划分为一级(很安全)、二级(安全)、三级(一般)、四级(危险)、五级(很危险)、六级(非常危险),基于已有研究成果,选取评估参数并对每个等级的参数阈值进行了设定;构建了基于概率神经网络(Probabilistic Neural Network,PNN)的客流安全状态的评估模型,并标定了相关参数;基于Anylogic软件搭建了地铁客流安全状态的仿真车站,通过设定的车站设施相关参数及客流相关参数,对6个不同的客流场景进行仿真,得到6种场景下的客流参数值,并以此作为PNN网络模型的输入,对地铁车站客流安全状态的等级进行判断。