CN108289203B - 一种用于轨道交通的视频监控系统 - Google Patents
一种用于轨道交通的视频监控系统 Download PDFInfo
- Publication number
- CN108289203B CN108289203B CN201810106067.1A CN201810106067A CN108289203B CN 108289203 B CN108289203 B CN 108289203B CN 201810106067 A CN201810106067 A CN 201810106067A CN 108289203 B CN108289203 B CN 108289203B
- Authority
- CN
- China
- Prior art keywords
- video
- platform
- flow
- monitoring
- train
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 122
- 238000012549 training Methods 0.000 claims abstract description 71
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000011218 segmentation Effects 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 31
- 210000002569 neuron Anatomy 0.000 claims description 27
- 230000002035 prolonged effect Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000003745 diagnosis Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000003111 delayed effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000000034 method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000010304 firing Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 235000000396 iron Nutrition 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
- B61L27/60—Testing or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Mechanical Engineering (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明涉及一种用于轨道交通的视频监控系统,包括视频训练模块,提取监控视频设备的监控视频段;视频检测模块,提取监控视频设备当前的监控视频段;交通调度模块,针对当前视频的检测结果与监控视频训练库中的具体比对结果,对轨道上运行的交通进行合理调度;应急预警模块,发出报警信息并采取紧急制动方案。通过上述的轨道交通视频监控系统,针对轨道内部的和站台内部的视频信息进行实时和历史信息的比,对视频内容进行多方面分析,决策车辆的调度信息,特别是针对同一轨道不同车辆的调度信息,此外,针对视频内部的特征分析,找出预警特征,将轨道内部和站台内部的潜在危险信息及时识别并处理,完善轨道交通的处理应急方案。
Description
技术领域
本发明涉及计算机技术领域,具体地,涉及一种用于轨道交通的视频监控系统,通过视频有效监控轨道线路上的交通运输情况和人员运动情况合理调度交通资源,及时对已有危险和潜在危险情况预警处理。
背景技术
目前,针对地铁、轻轨、火车等轨道运行交通中的问题层出不穷,一方面,城市内部和城市间的轨道交通极大的方便了人们的出行,另一方面,轨道交通的安全问题时有发生,并且轨道交通的调度情况经常无法合理满足人们的出行需求,或空载现象严重,或车辆内部满员情况严重,轨道交通的满意度经常无法得到保证。
轨道交通主要包括地铁、轻轨、火车等类型,日本的新干线、公铁、私铁等线路作为世界轨道交通的先驱者,其运行成熟度已相当高,中国目前仅有上海的轨道交通复杂度可以与之媲美,在这些城市的轨道交通中存在这样一种情况,同一条轨道,可先后经过不同类型的轨道交通车辆,或线路不同,或运营商不同,但对于这些同一线路不同车辆的调度问题亟待解决。
基于轨道交通内部的视频监控作为轨道交通调度的重要依据,多方已进行了相关研究,
此外,轨道交通内部的视频监控也是危险预警的重要依据,针对危险情况的预警处理,现有技术中,王大伟申请的专利“高速铁路防追尾办法(充要条件)”(申请号:201110256165.1,申请公布号:CN102358329A)公开了一种高铁防追尾的技术方案。该方法通过高铁前后列车司控人员间不间断的直接联络,按规定通报列车运行的即时速度、方向和位置等状况,及时发现相邻两列车之间的异常情况,以避免发生后车追尾。该方法存在的不足是,人工方式不间断的联络,很难做到及时准确。此外,桂林市思奇通信设备有限公司拥有的专利技术“铁路行车安全自动监控系统”(申请号:200720080920.4,授权公告号:CN201214435Y)公开的方法是,通过给监控摄像机指定唯一的路段地址码,自动监控前方3~6公里路况。该专利技术存在的不足是,其自动监控前方3~6公里的距离已不能满足高速列车安全制动的距离要求,而人工给每台监控摄像机指定地址码,也不利于监控摄像机大规模、灵活、简便的布设。
由此,现有的轨道交通视频监控技术还存在监控视频数据信息利用不充分,车辆调度不灵活的现象,以及当前的轨道交通的视频监控预警信息准备不足,预警类型单一,不能准确地对轨道交通现状做出正确预警分析。
发明内容
为了解决相关技术中存在的对轨道交通视频监控的信息识别不准确和监控预警不充分问题,本公开提供了一种用于轨道交通的视频监控系统,以提高轨道交通视频信息识别的准确性和利用率。
具体地,该用于轨道交通的视频监控系统,包括视频训练模块、视频检测模块、交通调度模块、应急预警模块。
其中,视频训练模块,提取轨道交通的监控视频设备的监控视频段,建立特征训练集,存入监控训练视频库中;
优选地,所述的视频训练模块,还被配置为执行以下步骤:取一段历史的站台监控视频和轨道监控视频作为训练部分并分割处理;
针对各监控分割段内的首帧,通过帧间差和背景差提取站台乘客流动区域,提取流动区域的边缘信息,再在边缘信息中依据等距帧提取流动特征点;
对于各监控分割段内的首帧后的每一帧对流动特征点通过流动评价进行跟踪,得到特征点在各监控分割段内的流动参数;
对监控分割段内每一帧的特征点计算八方向流动方向直方图、八区间流动速度直方图以及九维特征点坐标直方图作为该帧的特征;
所述九维特征点坐标直方图是将每一帧分割成3*3的网格,特征点所在的网格即为该特征点的坐标;将监控分割段内全部帧的特征串联起来作为该监控分割段的流动特征;
建立基于BP神经网络表示流动特征诊断的输入层为3个节点,输出层为1个节点的神经网络模型。基于BP神经网络流动特征诊断虚化层神经元数目使用经验参考公式确定虚化层神经元数的范围;
计算与试验得出虚化层中,神经元的数目选择3时,训练时间、算法精度同时可以得到保证,将算法迭代次数置为500,学习率选择1e-3,输出选择0.01为最佳;
设输入P表示乘客流动特征向量,输出T为流动特征类型(代码),虚化层神经元对应的函数垂向中心为 C=P′,
确定虚化层神经元阈值,Q个虚化层神经元对应的阈值为
b1=[b11 b12…b1q];
其中,b11=b12=b1q=0.836/speed,speed为函数垂向的扩展速度。
确定虚化层与输出层间权值,虚化层神经元的函数垂向中心及阈值确定后,虚化层神经元的输出为
a1=exp(-||C-pi||2),i=1,2,…Q
其中,pi=[Pi1 Pi2…PiR]为第i个训练样本向量;虚化层与输出层间的连接权值W为训练集输出矩阵即:
W=t
输出层神经元输出计算:
ni=LW2,1ai,i=1,2…Q
yi=compet(ni),i=1,2…Q
建立基于BP神经网络表示流动特征诊断,只需将函数垂向的扩展速度设为0.1;
基于输出的神经元将诊断后的训练部分的每段视频的流动特征组成特征训练集,对特征训练集采用高斯概率密度函数模型,利用最大后验概率多次递归得到高斯概率密度函数模型的模型参数;
模型参数包括协方差矩阵和条件概率;将根据高斯概率密度函数模型的模型参数计算得到的特征后验概率存入监控训练视频库中。
本系统中的视频检测模块,用于提取轨道交通的监控视频设备当前的监控视频段,检测视频段,提取视频特征;
具体地,取实时的站台监控视频和轨道监控视频进行分割;
针对各监控分割段内的首帧,通过帧间差和背景差提取站台乘客流动区域,提取流动区域的边缘信息,再在边缘信息中依据等距帧提取流动特征点;
对于各监控分割段内的首帧后的每一帧对流动特征点通过流动评价进行跟踪,得到特征点在各监控分割段内的流动参数;
对监控分割段内每一帧的特征点计算八方向流动方向直方图、八区间流动速度直方图以及九维特征点坐标直方图作为该帧的特征;
所述九维特征点坐标直方图是将每一帧分割成3*3的网格,特征点所在的网格即为该特征点的坐标;
将监控分割段内全部帧的特征串联起来作为该监控分割段的流动特征;
待测的视频段的流动特征输入高斯概率密度函数模型得到当前流动特征的后验概率,再根据当前流动特征的后验概率计算的发生的概率与监控训练视频库中历史流动特征的后验概率计算的发生的概率进行比较,当前者与后者的偏差值>10%时,认定当前流动特征在监控训练视频库中不存在训练样本,将当前流动特征存入监控训练视频库作为训练样本,否则,返回历史流动特征的状态值。
本系统的交通调度模块,针对当前视频的检测结果与监控视频训练库中的具体比对结果,对轨道上运行的交通进行合理调度;
具体地,所述交通调度模块,针对当前视频的检测结果与监控视频训练库中的具体比对结果,建立流量指标模型,根据当前站台的拥挤情况以及视频库中该站台的乘客流动指标,决策当前站台的列车运行情况,包括列车停靠时长、列车首班车提前或延后发车、变更列车区间运行速度、调整列车越站停车;
当流量指标模型显示当前乘客站台拥挤情况处于红色状态时,限制闸机开启,列车停靠时长延长;
当流量指标模型显示当前乘客站台拥挤情况处于绿色状态时,闸机开启正常,列车停靠时长缩短;
当流量指标模型显示当前乘客站台拥挤情况处于白色状态时,闸机开启正常,列车越站停车,在此站不作停车处理;
当流量指标模型显示在列车预定首班车时间发出前乘客站台拥挤情况处于非白色状态时,列车首班车时间提前,首班车提前发车。
当流量指标模型显示在列车预定首班车时间发出后乘客站台拥挤情况处于白色状态时,列车首班车时间延后,首班车延后发车;
当流量指标模型显示当前乘客站台流动指标大于预设上阈值时,列车区间运行速度提升,区间运行时长缩短;
当流量指标模型显示当前乘客站台流动指标低于预设下阈值时,列车区间运行速度降低,区间运行时长加长;
具体地,针对同一交通轨道不同车次的交通运输调度,具体为:
针对当前视频同一交通轨道不同车次的检测结果与监控视频训练库中的具体比对结果,建立混合流量指标模型,根据当前站台的拥挤情况以及视频库中该站台的乘客流动指标,决策当前站台的列车运行情况,包括列车发车数量和发车间隔;
当混合流量指标模型显示当前乘客站台拥挤情况处于红色状态时,并且在第一类型车次驶过后,乘客站台拥挤情况状态变为绿色后,加开依次本类型车次;
当混合流量指标模型显示当前乘客站台拥挤情况处于红色状态时,并且在第一类型车次驶过后,乘客站台拥挤情况状态依然为绿色后,延长本类型车次发车间隔;
当混合流量指标模型显示当前乘客站台流动指标大于预设上阈值时,并且在第一类型车次驶入站台后,当前乘客站台流动指标继续上升,则加开依次本类型车次;
当混合流量指标模型显示当前乘客站台流动指标大于预设上阈值时,并且在第一类型车次驶入站台后,当前乘客站台流动指标保持不变,则延长本类型车次发车间隔。
该系统的应急预警模块,如果当前的视频检测结果与监控视频训练库中的具体比对结果满足预警条件,发出报警信息并采取紧急制动方案;
具体地,根据当前的站台的流量指标模型,判定是否已经满足预警条件阈值,其中预警条件阈值包括:
在所述交通调度模块判断列车当前的运行状态(早点、晚点、故障等)后,通过列车运行图调整生成新的列车时刻表,发出调度指令,使列车重新按照调整后的时刻运行,之后,在列车运行时刻出现偏移大于偏移阈值时自动发出偏差报警,并根据列车实际的偏离情况,自动生成调整计划供调度员参考;
在所述交通调度模块判断当前的乘客拥挤状况处于红色状态时,向调度员和闸机发出预警通知,限制闸机开启,同时提醒调度员疏导乘客;
在所述交通调度模块判断乘客站台流动指标大于预设上阈值,发出险情预警,激发轨道监控实时画面传递,当监控画面显示轨道上存在异物时,向即将到站的列车发出急停预警;
在所述视频检测模块判断当前视频内容中存在危险物品时,发出危险品预警。
通过上述的轨道交通视频监控系统,针对轨道内部的和站台内部的视频信息进行实时和历史信息的比对,确定实时视频信息类型,建立流量指标模型,对视频内容进行多方面分析,决策车辆的调度信息,特别是针对同一轨道不同车辆的调度信息,此外,针对视频内部的特征分析,找出预警特征,将轨道内部和站台内部的潜在危险信息及时识别并处理,完善轨道交通的处理应急方案。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
附图1为本发明所述的一种用于轨道交通的视频监控系统的模块结构图。
附图2为本发明所述的一种用于轨道交通的视频监控系统的交通调度模块的工作流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了解决相关技术中存在的对轨道交通视频监控的信息识别不准确和监控预警不充分问题,本申请公开提供了一种用于轨道交通的视频监控系统,以提高轨道交通视频信息识别的准确性和利用率。
具体地,该用于轨道交通的视频监控系统,包括视频训练模块、视频检测模块、交通调度模块、应急预警模块。
其中,视频训练模块,提取轨道交通的监控视频设备的监控视频段,建立特征训练集,存入监控训练视频库中;
优选地,所述的视频训练模块,还被配置为执行以下步骤:取一段历史的站台监控视频和轨道监控视频作为训练部分并分割处理;
针对各监控分割段内的首帧,通过帧间差和背景差提取站台乘客流动区域,提取流动区域的边缘信息,再在边缘信息中依据等距帧提取流动特征点;
对于各监控分割段内的首帧后的每一帧对流动特征点通过流动评价进行跟踪,得到特征点在各监控分割段内的流动参数;
对监控分割段内每一帧的特征点计算八方向流动方向直方图、八区间流动速度直方图以及九维特征点坐标直方图作为该帧的特征;
所述九维特征点坐标直方图是将每一帧分割成3*3的网格,特征点所在的网格即为该特征点的坐标;将监控分割段内全部帧的特征串联起来作为该监控分割段的流动特征;
建立基于BP神经网络表示流动特征诊断的输入层为3个节点,输出层为1个节点的神经网络模型。基于BP神经网络流动特征诊断虚化层神经元数目使用经验参考公式确定虚化层神经元数的范围;
计算与试验得出虚化层中,神经元的数目选择3时,训练时间、算法精度同时可以得到保证,将算法迭代次数置为500,学习率选择1e-3,输出选择0.01为最佳;
设输入P表示乘客流动特征向量,输出T为流动特征类型(代码),虚化层神经元对应的函数垂向中心为 C=P′,
确定虚化层神经元阈值,Q个虚化层神经元对应的阈值为
b1=[b11 b12…b1q];
其中,b11=b12=b1q=0.836/speed,speed为函数垂向的扩展速度。
确定虚化层与输出层间权值,虚化层神经元的函数垂向中心及阈值确定后,虚化层神经元的输出为
a1=exp(-||C-pi||2),i=1,2,…Q
其中,pi=[pi1 pi2…piR]为第i个训练样本向量;虚化层与输出层间的连接权值W为训练集输出矩阵即:
W=t
输出层神经元输出计算:
ni=LW2,1ai,i=1,2…Q
yi=compet(ni),i=1,2…Q
建立基于BP神经网络表示流动特征诊断,只需将函数垂向的扩展速度设为0.1;
基于输出的神经元将诊断后的训练部分的每段视频的流动特征组成特征训练集,对特征训练集采用高斯概率密度函数模型,利用最大后验概率多次递归得到高斯概率密度函数模型的模型参数;
模型参数包括协方差矩阵和条件概率;将根据高斯概率密度函数模型的模型参数计算得到的特征后验概率存入监控训练视频库中。
本系统中的视频检测模块,用于提取轨道交通的监控视频设备当前的监控视频段,检测视频段,提取视频特征;
具体地,取实时的站台监控视频和轨道监控视频进行分割;
针对各监控分割段内的首帧,通过帧间差和背景差提取站台乘客流动区域,提取流动区域的边缘信息,再在边缘信息中依据等距帧提取流动特征点;
对于各监控分割段内的首帧后的每一帧对流动特征点通过流动评价进行跟踪,得到特征点在各监控分割段内的流动参数;
对监控分割段内每一帧的特征点计算八方向流动方向直方图、八区间流动速度直方图以及九维特征点坐标直方图作为该帧的特征;
所述九维特征点坐标直方图是将每一帧分割成3*3的网格,特征点所在的网格即为该特征点的坐标;
将监控分割段内全部帧的特征串联起来作为该监控分割段的流动特征;
待测的视频段的流动特征输入高斯概率密度函数模型得到当前流动特征的后验概率,再根据当前流动特征的后验概率计算的发生的概率与监控训练视频库中历史流动特征的后验概率计算的发生的概率进行比较,当前者与后者的偏差值>10%时,认定当前流动特征在监控训练视频库中不存在训练样本,将当前流动特征存入监控训练视频库作为训练样本,否则,返回历史流动特征的状态值。
参照附图2,本系统的交通调度模块,针对当前视频的检测结果与监控视频训练库中的具体比对结果,对轨道上运行的交通进行合理调度;
具体地,所述交通调度模块,针对当前视频的检测结果与监控视频训练库中的具体比对结果,建立流量指标模型,根据当前站台的拥挤情况以及视频库中该站台的乘客流动指标,决策当前站台的列车运行情况,包括列车停靠时长、列车首班车提前或延后发车、变更列车区间运行速度、调整列车越站停车;
当流量指标模型显示当前乘客站台拥挤情况处于红色状态时,限制闸机开启,列车停靠时长延长;
当流量指标模型显示当前乘客站台拥挤情况处于绿色状态时,闸机开启正常,列车停靠时长缩短;
当流量指标模型显示当前乘客站台拥挤情况处于白色状态时,闸机开启正常,列车越站停车,在此站不作停车处理;
当流量指标模型显示在列车预定首班车时间发出前乘客站台拥挤情况处于非白色状态时,列车首班车时间提前,首班车提前发车。
当流量指标模型显示在列车预定首班车时间发出后乘客站台拥挤情况处于白色状态时,列车首班车时间延后,首班车延后发车;
当流量指标模型显示当前乘客站台流动指标大于预设上阈值时,列车区间运行速度提升,区间运行时长缩短;
当流量指标模型显示当前乘客站台流动指标低于预设下阈值时,列车区间运行速度降低,区间运行时长加长;
建立流量指标模型,其中,站台乘客拥挤状况定义为站台在某一时刻交通状态等级处于可接受状态的乘客数与站台可承受的乘客数最大值的比值,描述了站台总体拥挤程度,是轨道交通运行质量的一个度量,可以用于评价交通管理效果。
计算方法:
其中,F(t)表示时刻的站台乘客拥挤状况,N为站台中所包含通道数,Li为第i条
通道的长度,ki是二值函数,当站台乘客拥挤状况等级属于可接受交通状态时,ki=1,否则,ki=0
具体地,针对同一交通轨道不同车次的交通运输调度,具体为:
针对当前视频同一交通轨道不同车次的检测结果与监控视频训练库中的具体比对结果,建立混合流量指标模型,根据当前站台的拥挤情况以及视频库中该站台的乘客流动指标,决策当前站台的列车运行情况,包括列车发车数量和发车间隔;
当混合流量指标模型显示当前乘客站台拥挤情况处于红色状态时,并且在第一类型车次驶过后,乘客站台拥挤情况状态变为绿色后,加开依次本类型车次;
当混合流量指标模型显示当前乘客站台拥挤情况处于红色状态时,并且在第一类型车次驶过后,乘客站台拥挤情况状态依然为绿色后,延长本类型车次发车间隔;
当混合流量指标模型显示当前乘客站台流动指标大于预设上阈值时,并且在第一类型车次驶入站台后,当前乘客站台流动指标继续上升,则加开依次本类型车次;
当混合流量指标模型显示当前乘客站台流动指标大于预设上阈值时,并且在第一类型车次驶入站台后,当前乘客站台流动指标保持不变,则延长本类型车次发车间隔。
建立混合流量指标模型,乘客站台拥挤情况定义为站台在某一时刻,站台乘客量与站台乘客可承受最大值的比值。站台多线路乘客拥挤度描述了乘客资源在空间上的多线路分布程度,反映了乘客资源在空间上的分布率,可以为交通拥堵疏导提供依据。
计算方法:
其中,M(t)表示时刻站台多线路乘客拥挤度,C表示站台乘客可承受最大值,Q(t)表示站台流动乘客量,C-Q(t)表示站台剩余乘客量。
站台乘客可承受最大值为站台中各通道最大乘客量之和,站台剩余乘客量为站台中各通道剩余乘客量之和,上式表示为:
其中,N为站台中包含的通道数,Ci表示站台中第i条通道的最大乘客量,Qi(t)表示第i条通道的实际乘客量;
根据乘客流数据采集的难易度,以及采集数据的精度,C和Q可以用时间流动率和人流速度进行表示;
当C、Q采用时间流动率表示时,
Qi(t)=Occi(t)
其中,Occi(t)表示站台中第i条通道在t时刻的时间流动率;
当C、Q采用人流速度进行表示时,
其中,qi(t)表示站台中第i条通道在t时刻的乘客流量,Ci,design表示第i条通道的设计承受能力,vi表示第i条通道的人流速度,v5表示人流速度状态指标处于第5类别的最大速度阈值。
此时,Qi(t)是一个二值函数,当乘客站台拥挤情况属于可接受交通状态时,等于站台的站台流动乘客量;当乘客站台拥挤情况属于不可接受交通状态时,即站台没有站台剩余乘客量。
该系统的应急预警模块,如果当前的视频检测结果与监控视频训练库中的具体比对结果满足预警条件,发出报警信息并采取紧急制动方案;
具体地,根据当前的站台的流量指标模型,判定是否已经满足预警条件阈值,其中预警条件阈值包括:
在所述交通调度模块判断列车当前的运行状态(早点、晚点、故障等)后,通过列车运行图调整生成新的列车时刻表,发出调度指令,使列车重新按照调整后的时刻运行,之后,在列车运行时刻出现偏移大于偏移阈值时自动发出偏差报警,并根据列车实际的偏离情况,自动生成调整计划供调度员参考;
在所述交通调度模块判断当前的乘客拥挤状况处于红色状态时,向调度员和闸机发出预警通知,限制闸机开启,同时提醒调度员疏导乘客;
在所述交通调度模块判断乘客站台流动指标大于预设上阈值,发出险情预警,激发轨道监控实时画面传递,当监控画面显示轨道上存在异物时,向即将到站的列车发出急停预警;
在所述视频检测模块判断当前视频内容中存在危险物品时,发出危险品预警。
列车在运行过程中压上轨道时,会调用一个进站激发函数,并向其传递激发参数。被调用函数根据传递过来的参数,在激发进站表中找到相应的激发进站,查找联锁关系表,判断该进站的绝对进站或相对进站是否正在开放,来决定该激发进站是否允许办理。如果不允许办理,则函数每隔一定时间周期循环判断直至激发进站被允许办理;当列车接近激发进站而激发进站又不允许办理时,列车应停在该进站防护信号机的前一个区段内。如果自动进站可办理,首先开放防护信号机,使信号机呈现绿灯,然后使进站呈现白色光带。
当进站防护信号机处于开放,允许列车进入进站时,列车进站将按照进站中的设备组顺序依次进行动态显示。首先,列车踏上进站,使进站防护信号机变红,处于禁止后行列车进入进站的保护状态;然后进站中被列车占用的设备元件显示红色,并随着列车的前进,各设备元件按前后顺序每两两交替显示为红色;列车出清的轨道区段显示常态时的绿色;当列车离去时,进站各设备元件显成原来的状态,并且进站末端信号机关闭显示为红色。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (1)
1.一种用于轨道交通的视频监控系统,其特征在于,包括:
视频训练模块,提取轨道交通的监控视频设备的监控视频段,建立特征训练集,存入监控训练视频库中;
视频检测模块,提取轨道交通的监控视频设备当前的监控视频段,检测视频段,提取视频特征;
交通调度模块,针对当前视频的检测结果与监控视频训练库中的具体比对结果,对轨道上运行的交通进行合理调度;
应急预警模块,如果当前的视频检测结果与监控视频训练库中的具体比对结果满足预警条件,发出报警信息并采取紧急制动方案;
所述的视频训练模块,还被配置为执行以下步骤:
取一段历史的站台监控视频和轨道监控视频作为训练部分并分割处理;
针对各监控分割段内的首帧,通过帧间差和背景差提取站台乘客流动区域,提取流动区域的边缘信息,再在边缘信息中依据等距帧提取流动特征点;对于各监控分割段内的首帧后的每一帧对流动特征点通过流动评价进行跟踪,得到特征点在各监控分割段内的流动参数;对监控分割段内每一帧的特征点计算八方向流动方向直方图、八区间流动速度直方图以及九维特征点坐标直方图作为该帧的特征;所述九维特征点坐标直方图是将每一帧分割成3*3的网格,特征点所在的网格即为该特征点的坐标;将监控分割段内全部帧的特征串联起来作为该监控分割段的流动特征;
建立基于BP神经网络表示流动特征诊断的输入层为3个节点,输出层为1个节点的神经网络模型,基于BP神经网络流动特征诊断虚化层神经元数目使用经验参考公式确定虚化层神经元数的范围,计算与试验得出虚化层中,神经元的数目选择3,训练时间、算法精度同时得到保证,将算法迭代次数置为500,学习率选择1e-3,输出选择0.01;设输入P表示乘客流动特征向量,输出T为流动特征类型,虚化层神经元对应的函数垂向中心为
C=P′,
确定虚化层神经元阈值,Q个虚化层神经元对应的阈值为
b1=[b11 b12…b1q];
其中,b11=b12=b1q=0.836/speed,speed为函数垂向的扩展速度;
确定虚化层与输出层间权值,虚化层神经元的函数垂向中心及阈值确定后,虚化层神经元的输出为
a1=exp(-||C-pi||2),i=1,2,...Q
其中,pi=[pi1 pi2…piR]为第i个训练样本向量;虚化层与输出层间的连接权值W为训练集输出矩阵即:
W=t
输出层神经元输出计算:
ni=LW2,1ai,i=1,2...Q
yi=compet(ni),i=1,2...Q
建立基于BP神经网络表示流动特征诊断,将函数垂向的扩展速度设为0.1;
基于输出的神经元将诊断后的训练部分的每段视频的流动特征组成特征训练集,对特征训练集采用高斯概率密度函数模型,利用最大后验概率多次递归得到高斯概率密度函数模型的模型参数;模型参数包括协方差矩阵和条件概率;将根据高斯概率密度函数模型的模型参数计算得到的特征后验概率存入监控训练视频库中;
所述视频检测模块,还被配置为执行以下步骤:
取实时的站台监控视频和轨道监控视频进行分割;
针对监控分割段内的首帧,通过帧间差和背景差提取站台乘客流动区域,提取流动区域的边缘信息,再在边缘信息中依据等距帧提取流动特征点;对于各监控分割段内的首帧后的每一帧对流动特征点通过流动评价进行跟踪,得到特征点在各监控分割段内的流动参数;对监控分割段内每一帧的特征点计算八方向流动方向直方图、八区间流动速度直方图以及九维特征点坐标直方图作为该帧的特征;所述九维特征点坐标直方图是将每一帧分割成3*3的网格,特征点所在的网格即为该特征点的坐标;将监控分割段内全部帧的特征串联起来作为该监控分割段的流动特征;待测的视频段的流动特征输入高斯概率密度函数模型得到当前流动特征的后验概率,再根据当前流动特征的后验概率计算的发生的概率与监控训练视频库中历史流动特征的后验概率计算的发生的概率进行比较,当前者与后者的偏差值>10%时,认定当前流动特征在监控训练视频库中不存在训练样本,将当前流动特征存入监控训练视频库作为训练样本,否则,返回历史流动特征的状态值;
所述交通调度模块,还被配置为执行以下步骤:
针对当前视频的检测结果与监控视频训练库中的具体比对结果,建立流量指标模型,根据当前站台的拥挤情况以及视频库中该站台的乘客流动指标,决策当前站台的列车运行情况,包括列车停靠时长、列车首班车提前或延后发车、变更列车区间运行速度、调整列车越站停车;
当流量指标模型显示当前乘客站台拥挤情况处于红色状态时,限制闸机开启,列车停靠时长延长;
当流量指标模型显示当前乘客站台拥挤情况处于绿色状态时,闸机开启正常,列车停靠时长缩短;
当流量指标模型显示当前乘客站台拥挤情况处于白色状态时,闸机开启正常,列车越站停车,在此站不作停车处理;
当流量指标模型显示在列车预定首班车时间发出前乘客站台拥挤情况处于非白色状态时,列车首班车时间提前,首班车提前发车;
当流量指标模型显示在列车预定首班车时间发出后乘客站台拥挤情况处于白色状态时,列车首班车时间延后,首班车延后发车;
当流量指标模型显示当前乘客站台流动指标大于预设上阈值时,列车区间运行速度提升,区间运行时长缩短;
当流量指标模型显示当前乘客站台流动指标低于预设下阈值时,列车区间运行速度降低,区间运行时长加长;
所述应急预警模块,还被配置为执行以下步骤:
根据当前的站台的流量指标模型,判定是否已经满足预警条件阈值,包括:
在所述交通调度模块判断列车当前的运行状态后,通过列车运行图调整生成新的列车时刻表,发出调度指令,使列车重新按照调整后的时刻运行,之后,在列车运行时刻出现偏移大于偏移阈值时自动发出偏差报警,并根据列车实际的偏离情况,自动生成调整计划供调度员参考;
在所述交通调度模块判断当前的乘客拥挤状况处于红色状态时,向调度员和闸机发出预警通知,限制闸机开启,同时提醒调度员疏导乘客;
在所述交通调度模块判断乘客站台流动指标大于预设上阈值,发出险情预警,激发轨道监控实时画面传递,当监控画面显示轨道上存在异物时,向即将到站的列车发出急停预警;
在所述视频检测模块判断当前视频内容中存在危险物品时,发出危险品预警;
所述交通调度模块,还被配置为执行以下步骤:
针对同一交通轨道不同车次的交通运输调度,具体为:
针对当前视频同一交通轨道不同车次的检测结果与监控视频训练库中的具体比对结果,建立混合流量指标模型,根据当前站台的拥挤情况以及视频库中该站台的乘客流动指标,决策当前站台的列车运行情况,包括列车发车数量和发车间隔;
当混合流量指标模型显示当前乘客站台拥挤情况处于红色状态时,并且在第一类型车次驶过后,乘客站台拥挤情况状态变为绿色后,加开依次本类型车次;
当混合流量指标模型显示当前乘客站台拥挤情况处于红色状态时,并且在第一类型车次驶过后,乘客站台拥挤情况状态依然为绿色后,延长本类型车次发车间隔;
当混合流量指标模型显示当前乘客站台流动指标大于预设上阈值时,并且在第一类型车次驶入站台后,当前乘客站台流动指标继续上升,则加开依次本类型车次;
当混合流量指标模型显示当前乘客站台流动指标大于预设上阈值时,并且在第一类型车次驶入站台后,当前乘客站台流动指标保持不变,则延长本类型车次发车间隔;
计算方法:
其中,M(t)表示时刻站台多线路乘客拥挤度,C表示站台乘客可承受最大值,Q(t)表示站台流动乘客量,C-Q(t)表示站台剩余乘客量;
站台乘客可承受最大值为站台中各通道最大乘客量之和,站台剩余乘客量为站台中各通道剩余乘客量之和,上式表示为:
其中,N为站台中包含的通道数,Ci表示站台中第i条通道的最大乘客量,Qi(t)表示第i条通道的实际乘客量;
根据乘客流数据采集的难易度,以及采集数据的精度,C和Q用时间流动率和人流速度进行表示;
当C、Q采用时间流动率表示时,
Qi(t)=Occi(t)
其中,Occi(t)表示站台中第i条通道在t时刻的时间流动率;
当C、Q采用人流速度进行表示时,
其中,qi(t)表示站台中第i条通道在t时刻的乘客流量,Ci,design表示第i条通道的设计承受能力,vi表示第i条通道的人流速度,v5表示人流速度状态指标处于第5类别的最大速度阈值;
此时,Qi(t)是一个二值函数,当乘客站台拥挤情况属于可接受交通状态时,等于站台的站台流动乘客量;当乘客站台拥挤情况属于不可接受交通状态时,即站台没有站台剩余乘客量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810106067.1A CN108289203B (zh) | 2018-02-02 | 2018-02-02 | 一种用于轨道交通的视频监控系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810106067.1A CN108289203B (zh) | 2018-02-02 | 2018-02-02 | 一种用于轨道交通的视频监控系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108289203A CN108289203A (zh) | 2018-07-17 |
CN108289203B true CN108289203B (zh) | 2020-03-13 |
Family
ID=62836430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810106067.1A Expired - Fee Related CN108289203B (zh) | 2018-02-02 | 2018-02-02 | 一种用于轨道交通的视频监控系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108289203B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492552A (zh) * | 2018-10-25 | 2019-03-19 | 西安电子科技大学 | 一种道路遗撒物体检测方法、装置、设备及可读存储介质 |
CN109698940A (zh) * | 2018-12-27 | 2019-04-30 | 江苏中科智能系统有限公司 | 一种专用于轨道交通的数字化视频监控系统 |
CN110263965A (zh) * | 2019-05-06 | 2019-09-20 | 平安科技(深圳)有限公司 | 基于视频的预警方法、装置、计算机设备及存储介质 |
CN110893870B (zh) * | 2019-06-20 | 2021-11-05 | 朱来清 | 自适应时长调整方法 |
CN112441084B (zh) * | 2019-08-29 | 2022-03-18 | 比亚迪股份有限公司 | 列车停靠时长的确定方法、装置、车辆及电子设备 |
CN110532951B (zh) * | 2019-08-30 | 2020-05-26 | 江苏航天大为科技股份有限公司 | 一种基于区间位移的地铁乘客异常行为分析方法 |
CN112633057B (zh) * | 2020-11-04 | 2024-01-30 | 北方工业大学 | 一种公交车内异常行为智能监控方法 |
CN112633694B (zh) * | 2020-12-24 | 2022-03-04 | 泰华智业(天津)科技有限责任公司 | 基于时空大数据实时地理通信方法 |
CN112925258B (zh) * | 2021-01-25 | 2022-03-29 | 中电科安全科技河北有限公司 | 一种基于大数据物联网的安全监控智能管理系统 |
CN114228794B (zh) * | 2021-12-17 | 2023-09-22 | 神思电子技术股份有限公司 | 一种ctc调度的自动化监控方法及设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105227907B (zh) * | 2015-08-31 | 2018-07-27 | 电子科技大学 | 基于视频的无监督异常事件实时检测方法 |
CA3027359C (en) * | 2016-06-13 | 2021-08-31 | Siemens Industry, Inc. | Method and system for train route optimization |
CN106372722A (zh) * | 2016-09-18 | 2017-02-01 | 中国科学院遥感与数字地球研究所 | 地铁短时流量预测方法及装置 |
-
2018
- 2018-02-02 CN CN201810106067.1A patent/CN108289203B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN108289203A (zh) | 2018-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108289203B (zh) | 一种用于轨道交通的视频监控系统 | |
CN105225500B (zh) | 一种交通控制辅助决策方法及装置 | |
CN110203257B (zh) | 一种轨道交通事件下列车运行调度方法和系统 | |
CN108242149B (zh) | 一种基于交通数据的大数据分析方法 | |
WO2018096371A1 (en) | Passenger transport monitoring system | |
CN112598182A (zh) | 一种轨道交通智能调度方法及系统 | |
CN104809887B (zh) | 一种高速公路上车辆逆行检测方法与自动报警装置 | |
CN108122423A (zh) | 一种车辆引导方法、装置及系统 | |
CN104882011B (zh) | 一种车辆快速接警出警系统及方法 | |
CN110395298B (zh) | 一种客流智能引导系统及方法 | |
Wang et al. | Modeling bus dwell time and time lost serving stop in China | |
CN112124379B (zh) | 一种基于地铁客流分析的站台引导方法 | |
CN110263623B (zh) | 列车攀爬监测方法、装置、终端及存储介质 | |
Nakashima et al. | Passenger counter based on random forest regressor using drive recorder and sensors in buses | |
CN110796862B (zh) | 一种基于人工智能的高速公路交通状况检测系统及方法 | |
CN109979197B (zh) | 基于融合数据的高速公路交通时间地图构建方法、系统 | |
CN114550327B (zh) | 一种单人多车道态势感知集中控制系统及方法 | |
CN105513362B (zh) | 一种公交站台毗邻区公交车运行状态评价验证方法 | |
CN113159393A (zh) | 客运站大客流感知预警方法、装置、电子设备和存储介质 | |
CN111517204A (zh) | 一种自动扶梯安全监控方法、装置、设备及可读存储介质 | |
CN107170247A (zh) | 一种确定交叉口排队长度方法及装置 | |
CN114743285A (zh) | 一种单人多车道态势感知集中控制系统 | |
KR101714723B1 (ko) | 승객 밀집 정보를 제공하는 방법 및 서비스 서버 | |
WO2016188699A1 (fr) | Procédé et système de détermination d'une information de niveau de confort d'un véhicule ferroviaire | |
DE102019205017B3 (de) | Intentionsbestimmung eines Personenverkehrsmittels |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200313 |
|
CF01 | Termination of patent right due to non-payment of annual fee |