[发明专利]地铁断面客流量统计和行人逆行检测方法及系统

说明书

本发明公开了一种基于多目标跟踪算法的地铁断面客流量统计和行人逆行检测方法，本发明将在线多目标跟踪算法应用于地铁监控场景，采用地铁监控视频制作样本集用于训练检测器，同时利用大规模行人再识别数据集训练外观特征抽取网络。综合运动信息和外观特征提高跟踪算法性能，通过算法跟踪场景内的每一个行人目标，进而通过跟踪目标与设置的绊线之间的逻辑判断统计出客流量信息，同时也可以检测出行人的逆行行为。

技术领域

本发明涉及人流量和异常行为检测技术领域，具体为一种基于多目标跟踪算法的地铁断面客流量统计和行人逆行检测方法及系统。

背景技术

随着我国的城市化的不断推进和基础建设领域的持续投资，一、二线的大型城市都规划了较为完善的轨道交通网络。地铁对于城市而言，不仅大大方便了人民群众的日常通勤，也提升了城市的综合治理水平。与此同时，地铁作为典型的人群密集场所，也有许多新的安全议题，其公共安全治理也对管理者提出更高的要求。以视频监控控制客流、预警危险事件，不仅可以保障乘客安全，而且更高效智能，能节省大量人力资源。掌握地铁站内实时客流信息、对乘客存在的危险行为及时预警是地铁监控视频智能分析的基本任务。基于在线的多目标跟踪算法，我们可以获取监控场景内的客流量变化，还可以对控制区域的行人逆行进行快速检测并报警。地铁监控场景具有客流量大、人流密集、人群相互遮挡、行人运动复杂等特征，这对多目标跟踪算法提出了很大的挑战。

多目标跟踪算法旨在准确描绘出独立个体的连续运动，难点在于不同个体连续跟踪过程中的准确性，比如同一目标遮挡后的恢复，多个目标交织后的准确区分，对运动过程中的目标变形的跟踪等。多目标跟踪算法多采用跟踪基于检测的策略，检测器的性能是跟踪的基础，检测器为跟踪器提供初始化并在跟踪过程中对跟踪做出持续的修正，这又被称为数据关联。检测器的改进能大幅提高跟踪的效果，目标的准确跟踪则依赖于数据关联，包括关联度量的相似度计算和匹配方法。因为检测器的改进对于跟踪效果的提升影响很大，而数据关联的相关研究一直未有大突破，所以多目标跟踪在学术界并不是热门。但是实际工业应用却对其有很大的需求。Sort(2016)和DeepSort(2017)就是目前工业界关注最高的算法，这两个算法基本流程一样，都遵循：检测→运动预测(特征提取)→相似度计算→数据关联的基本流程。由于加入了外观信息的关联度量和级联匹配，DeepSort相当于Sort的改进版本。DeepSort算法核心包括卡尔曼滤波、匈牙利匹配和利用外观特征和距离特征的级联匹配，框架简单但是十分高效，外观特征的提取也没有增加太多的计算负荷，因此能满足有实时性要求的工程应用。最新的研究提出引入轨迹评分机制来完善匹配优先级，将检测网络和特征提取网络结合起来以进一步提升速度。这些都是基于DeepSort的改进，并未改变整体的框架，也未有突破性的性能提升。

中国发明专利申请公开号CN110782484A，介绍了一种无人机视频人员识别追踪的方法。针对无人机对行人跟踪，采用了RetinaNet作为检测模型对行人进行学习，然后利用跟踪算法对行人进行跟踪。该发明针对无人机拍摄的视频进行行人跟踪，只采用公共数据集进行检测模型的训练，未对场景特征进行优化，同时对于多目标跟踪算法只采用了卡尔曼预测和匈牙利匹配，未利用目标的外观特征提升跟踪算法的性能。此外，无人机监控视频并非固定视角，因此场景画面一直在变化，这对多目标跟踪是十分不利的，几乎使得目标的运动信息无法使用。

中国发明专利申请公开号CN110532852A，介绍了一种基于深度学习的地铁行人异常事件检测的方法。使用了深度学习检测算法和DeepSort跟踪算法进行地铁的异常行为监测。其中包括入侵、逆行和摔倒。该发明中的逆行检测通过前后15帧同一行人构成的运动方向向量，计算其与预设绝对逆行方向向量间的角度差进行逆行异常判断。该方法因为需要视频的前后帧数据，因此无法做到实时的应用，且连续帧的运动向量方向非线性，实用性并不好。而通过计算前后3帧的行人质心位置Y坐标的相对变化量和行人检测框宽高比的相对变化量，判断行人是否发生摔倒异常，会因为大量的遮挡导致检测框瞬时变化而产生误判，实用性也不佳。

发明内容