[发明专利]一种基于大数据的轨道交通客流异常模式识别方法

说明书

本发明公开了一种基于大数据的轨道交通客流异常模式识别方法。该方法包括：采集乘客的刷卡信息并判断是否属于异常卡，其中异常卡用于表征刷卡记录存在异常行为；在判断为异常卡的情况下，采集异常卡乘客的脸图信息和人体特征，并将异常卡号与脸图信息绑定，进而将异常卡对应的脸图信息，发布到多个跟踪摄像机，该多个跟踪摄像机根据本地人脸识别库，分别比对自己获取的脸图信息，如果检索到本地人脸识别库中的人脸信息，则将比对结果和对应摄像机的视频流上传至目标服务器。本发明能够准确识别异常卡和异常行为，进而统计和分析异常行为路径和时间段。

技术领域

本发明涉及轨道交通客流识别技术领域，更具体地，涉及一种基于大数据的轨道交通客流异常模式识别方法。

背景技术

近年来，随着交通一卡通的普及和计算机科学技术的发展，城市的行人出行数据被大量的采集。在这种情况下，对于行人出行行为的研究，进入了大数据的时代。通过分析一卡通数据，可以更进一步的了解行人出行行为的规律，从而为城市安全管理部门提供决策帮助。

目前，将深度学习应用于行人出行行为的目标跟踪过程中主要是有以下两种思路：第一，利用深度神经网络所学习到的特征的可迁移性,首先在大规模的图像或视频数据集上离线训练某一特定类型的深度神经网络。然后，在具体的在线跟踪时,利用之前已训练好的网络对目标进行特征提取,并利用在线获取的数据对该深度网络进行微调节,以适应在线时目标外观的具体变化。第二，将深度神经网络的结构做一定的改变,使其能够适应在线跟踪的要求，例如，将网络的层数维持在一个兼顾性能与效率的数量水平、将网络中费时的训练过程做适度简化等。目前该方面的工作还处于起步阶段,探索空间较大。

在现有技术中，利用深度学习进行目标跟踪主要存在以下方面的问题：

1)、复杂背景干扰：被跟踪的目标所处的环境会影响跟踪的准确性，例如背景与目标物颜色相似，或者出现与目标相似的物体，可能导致跟踪出错。

2)、目标外观变化：视频跟踪的时候，光照亮度、目标外形都可能发生变化，而且拍摄中的突然失焦会导致目标边缘模糊。

3)、目标遮挡：在跟踪目标人物的时候，可能会被外界的干扰物部分或者全部遮挡，而当目标被遮挡的时候，提取到的特征可能和先前获取的特征信息不完全匹配。局部信息的跟踪容易导致不精确，而且当目标被全遮挡后，再次快速发现之前的目标也是难题。

发明内容

本发明的目的是克服上述现有技术的缺陷，提供一种基于大数据的轨道交通客流异常模式识别方法，能够在地铁现实场景下，依托OD数据处理模块提供的异常卡号，对异常卡的持卡人进行人脸抓拍、人体特征识别、异常行为记录和追踪。

本发明提供一种基于大数据的轨道交通客流异常模式识别方法。该方法包括以下步骤：

采集乘客的刷卡信息并判断是否属于异常卡，其中异常卡用于表征刷卡记录存在异常行为；

在判断为异常卡的情况下，采集异常卡乘客的脸图信息和人体特征，并将异常卡号与脸图信息绑定，进而将异常卡对应的脸图信息，发布到多个跟踪摄像机，该多个跟踪摄像机根据本地人脸识别库，分别比对自己获取的脸图信息，如果检索到本地人脸识别库中的人脸信息，则将比对结果和对应摄像机的视频流上传至目标服务器。

在一个实施例中，根据以下步骤判断是否属于异常卡：

基于乘客乘地铁的历史OD数据，提取异常卡号以及该异常卡号的异常行为类型；

在乘客刷卡时采集乘客的卡号，根据卡号判断是否为异常卡。

在一个实施例中，采集乘客的刷卡信息并判断是否属于异常卡包括：

当乘客进入到人脸识别摄像机的有效识别区域后，采集乘客的脸图信息并进行缓存，如果判断属于正常卡，则将该乘客的脸图信息移除，如果判断是异常卡，则缓存该异常卡信息并绑定对应的脸图信息。