CN109919066A - 一种检测轨道交通车厢内乘客密度异常的方法和装置 - Google Patents

Abstract

本发明涉及一种检测轨道交通车厢内乘客密度异常的方法和装置，包括离线训练步骤和实时在线检测步骤，实时在线检测步骤具体包括，实时采集当前车厢内的监控视频中的图像帧数据，并对图像帧数据进行预处理；将已完成预处理的图像帧数据输入获取的图像识别模型进行人数检测，得到当前时刻的当前车厢人数，并将当前时刻的当前车厢人数保存；获取前一时刻的当前车厢人数，根据前一时刻的当前车厢人数和当前时刻的当前车厢人数，判断当前车厢内乘客密度是否异常。本发明可以实时检测车厢内乘客数量突然剧增或突然减少的情况，对车厢内出现的安全事件预警，保障车厢内乘客的安全。

Description

一种检测轨道交通车厢内乘客密度异常的方法和装置

技术领域

本发明涉及计算机视觉图像处理技术领域，尤其涉及一种检测轨道交通车厢内乘客密度异常的方法和装置。

背景技术

在城市轨道交通飞速发展的今天，地铁给人们带来了诸多便利。地铁车厢内属于特殊的半封闭的环境，当出现车厢人员急速增多或者扩散时，会极容易发生乘客拥挤甚至踩踏事件，危害乘客安全。当列车到达终点站时，需要确定乘客是否逗留在车厢，现在都是由工作人员进入每节车厢查看是否有乘客未离开，若有乘客未离开，则由工作人员协助其离开，这种方法工作效率低，且增加了列车在终点的滞留时间。

目前，现有技术中，对地铁车厢乘客密度异常检测主要有三种方式，一是通过车厢内设置压力传感器计算乘客密度，通过乘客的体重对车厢的压力值估算得到乘客的数量，这种方法忽略了乘客之间的体重差异，只能得到每节车厢的乘客人数的估算值，同时，这种方法局限于压力传感器的精度，当列车到达终点站时，无法检测到极少数乘客异常逗留在车厢内的情况。二是通过车厢内安装红外检测器检测上下列车的乘客，得到乘客人数的方法，红外检测器通过光学原理，乘客上下列车时光线容易被遮挡造成漏检，影响乘客密度统计的精度。三是统计通过进出闸机的乘客得到乘客数量的方法，这种方法设置在进站口或出站口，不能统计得到具体统计每节车厢的人数。因此，如何利用列车车厢内现有设备，不增加传感器的情况下，方便准确的检测列车内车厢的人数异常情况，提高列车运营的安全，及在列车到达终点站时，自动检测列车内是否有逗留的人员，减少列车在终点的滞留时间，提高列车的运行周期，在当前具有非常重要的意义。

发明内容

本发明所要解决的技术问题是针对现有技术的不足，提供一种检测轨道交通车厢内乘客密度异常的方法。

本发明解决上述技术问题的技术方案如下：

实时采集当前车厢内的监控视频中的图像帧数据，并对所述图像帧数据进行预处理；

将已完成预处理的图像帧数据输入获取的图像识别模型进行人数检测，得到当前时刻的当前车厢的人数，并将所述当前时刻的当前车厢的人数保存；

获取前一时刻的当前车厢人数，根据所述前一时刻的当前车厢的人数和当前时刻的当前车厢的人数，判断当前车厢内乘客密度是否异常。

本发明的有益效果是：通过将采集到的当前车厢内的实时监控视频中的图像数据，输入图像识别模型中进行人数检测，得到当前时刻的当前车厢的人数，不需要在车厢内设置传感器，就可以准确获得车厢内的实时人数，根据当前时刻当前车厢的人数与前一时刻的当前车厢的人数，实时获知车厢内突发事件，例如乘客突然剧增或突然扩散，保障车厢内乘客的安全，提高了列车运营的安全性。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步地，根据所述前一时刻的当前车厢的人数和当前时刻的当前车厢的人数，判断当前车厢内乘客密度是否异常，具体包括：

计算当前时刻的当前车厢的人数与前一时刻的当前车厢的人数的差值；

比较所述差值与第一阈值的大小；

若所述差值>第一阈值，判定当前车厢内乘客密度异常。

采用上述进一步方案的有益效果是：通过计算当前时刻的车厢人数与前一时刻的车厢人数的差值，基于差值和设定阈值的比较结果，可以更加准确的判定车厢内乘客密度的变化是否在正常范围内，减少了对车厢内乘客密度异常的误判和漏判。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步地，若所述差值<第一阈值，获取一段时间内每一时刻的当前车厢的人数；

根据一段时间内每一时刻的当前车厢的人数，计算得到一段时间内当前车厢的人数增速；

比较所述当前车厢的人数增速与第二阈值的大小；

若所述当前车厢的人数增速>第二阈值，判定当前车厢内乘客密度异常。

采用上述进一步方案的有益效果是：当前车厢内的乘客密度的变化不是突发变化时，但车厢内乘客的密度是不断增加，并且车厢内乘客人数的增速超过预设的安全阈值时，判定当前车厢内乘客密度异常，避免造成拥挤事件的发生，提高了车厢内乘客的安全。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步地，所述判定当前车厢乘客密度异常之后，

获取从当前时刻起向前的一段时间内每一时刻的相邻车厢的人数；

根据所述从当前时刻起向前的一段时间内每一时刻的相邻车厢的人数，计算得到一段时间内相邻车厢的人数增速；

比较所述一段时间内相邻车厢的人数增速与第二阈值的大小；

若所述一段时间内相邻车厢的人数增速<第二阈值，则比较当前时刻的相邻车厢的人数与当前时刻的当前车厢的人数；

若所述当前时刻的相邻车厢的人数<当前时刻的当前车厢人数，提示乘客从当前车厢转移至相邻车厢。

进一步地，若所述一段时间内相邻车厢的人数增速>第二阈值，判定相邻车厢内乘客密度异常。

采用上述进一步方案的有益效果是：当判定当前车厢乘客密度异常后，通过判断相邻车厢的乘客密度情况，如果相邻车厢乘客密度正常时，通知当前车厢的乘客部分转移到相邻的车厢中，避免了因为乘客密度异常导致的安全事件发生，提高了车厢内乘客的安全。

在上述技术方案的基础上，本发明还可以做如下改进。

所述图像识别模型通过以下具体步骤得到，

从车厢内的监控视频中抽取单帧的图像数据，对图像数据进行人工标注头肩信息，保存所述图像数据和对应的人工标注信息作为训练集；

通过所述训练集训练深度学习YOLOv3算法，得到所述图像识别模型。

本发明的有益效果是：通过预先采集的车厢内的视频监控的图像数据，对深度学习算法YOLOv3进行训练，保证对车厢乘客的人数检测的准确。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步地，所述通过所述训练集训练深度学习YOLOv3算法，得到所述图像识别模型，具体包括：

采用网络结构Darknet-53模型提取所述训练集中图像数据的特征，得到特征图；

将所述特征图输入多尺度金字塔算法进行头肩检测，生成预测目标框；

采用交叉熵函数计算所述预测目标框的头肩概率，得到所述预测目标框的头肩概率分值；

根据所述预测目标框的头肩概率分值，判定需要保留或删除所述预测目标框；

将判定需要删除的所述预测目标框删除；

利用非极大值抑制算法计算所述预测目标框与所述预测目标框所在区域内其他预测目标框的交叠率；

根据所述交叠率，判定需要保留或删除所述预测目标框和所述预测目标框所在区域内其他预测目标框的交叠率；

将判定需要删除的所述预测目标框和所述预测目标框所在区域内其他预测目标框删除；

通过计算剩余的预测目标框的数量，得到预测的人数。

本发明的有益效果是：采用Darknet-53模型进行特征提取，多尺度金字塔算法进行头肩检测，采用交叉熵函数和非极大值抑制算法筛除重复的预测框和误测的预测框，提高了检测的精确度。

本发明解决上述技术问题的另一种技术方案如下：

一种对乘客异常逗留的检测方法，包括以下步骤：

B1、当列车到达终点站时，接收到列车发出的检测信号；

B2、对列车的所有车厢采用上述方法中的任一项，得到当前时刻的列车所有车厢的车厢人数；

B3、判断当前时刻的列车所有车厢的车厢人数是否都是零；

若存在车厢人数不是零的车厢，执行步骤B4；

否则，执行步骤B5；

B4、对列车的所有车厢执行所述步骤B2至B3；

B5、等待预定时间段后，对列车的所有车厢执行所述步骤B2；

B6、判断当前时刻的列车所有车厢的车厢人数是否都是零；

若当前时刻的列车所有车厢的车厢人数都是零，列车关门进入车库；

否则，向工作人员报警。

本发明的有益效果是：当列车到达终点站时，通过采集列车的车厢内的实时监控的图像数据，输入图像识别模型，得到当前列车内的各车厢的人数，对各车厢的人数进行检测，当确定列车内没有逗留的乘客时，列车进入车库，省去了工作人员一次次对各车厢的查看，提高了工作效率，同时，减少了列车在终点滞留的时间。

本发明解决上述技术问题的另一种技术方案如下：

一种检测轨道交通车厢内乘客密度异常的装置，其特征在于，包括：

计数模块用于将已完成预处理的图像帧数据输入获取的图像识别模型进行人数检测，得到当前时刻的当前车厢人数，并将所述当前时刻的当前车厢人数保存；

检测模块用于获取前一时刻的当前车厢人数，根据所述前一时刻的当前车厢人数和当前时刻的当前车厢人数，判断当前车厢内乘客密度是否异常。本发明的有益效果是：通过提供一种装置，包括计数模块和检测模块，对列车内车厢的乘客异常密度进行检测，及时发现列车内出现乘客密度异常情况的车厢，提高车厢内乘客的安全。

此外，本发明还提供一种存储介质，存储有指令，当计算机读取指令时，使计算机执行上述技术方案中任一项所述的检测轨道交通车厢内乘客密度异常方法。

本发明附加的方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明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，下面所描述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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种检测轨道交通车厢内乘客密度异常方法的在线检测步骤的示意性流程图；

图2为本发明另一实施例提供的一种检测轨道交通车厢内乘客密度异常方法的示意性流程图；

图3为本发明另一实施例提供的一种检测轨道交通车厢内乘客密度异常方法的示意性流程图；

图4为本发明另一实施例提供一种对乘客异常逗留的检测方法的示意性流程图；

图5为本发明另一实施例提供一种检测轨道交通车厢内乘客密度异常的方法的离线训练的示意图流程图；

图6为本发明另一实施例提供一种检测轨道交通车厢内乘客密度异常的装置的模块示意图。

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，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

如图1所示一种检测轨道交通车厢内乘客密度异常方法100，包括在线检测步骤：

110、实时采集当前车厢内的监控视频中的图像帧数据，并对图像帧数据进行预处理。

列车在行驶过程中，乘客大部分时间不会移动，从车厢内的实时监控中抽取图像帧数据，在每秒二十五帧的的视频流中抽取一帧作为进行检测的图像帧，将图像帧压缩到416*416尺寸的图像数据，并进行去噪处理。

在本发明实施例中不对抽取图像帧所间隔的频率做限制，可以根据实际需要自行设定抽取图像数据帧的间隔时间。而将图像数据压缩为具体尺寸也不做限制，根据实际压缩至需要的大小。

120、将已完成预处理的图像帧数据输入获取的图像识别模型进行人数检测，得到当前时刻的当前车厢人数，并将当前时刻的当前车厢人数保存。

具体的，图像识别模型为深度学习模型，可以通过需要选择不同的深度学习模型，在本发明实施例中采用深度学习YOLOv3算法。

130、获取前一时刻的当前车厢人数，根据前一时刻的当前车厢人数和当前时刻的当前车厢人数，判断当前车厢内乘客密度是否异常。

具体的，在本实施例中不对当前时刻和前一时刻的时间间隔做出限定，可以根据具体需要进行设定。在本实施例中，当前时刻与前一时刻的时间间隔为一秒。

上述实施例中提供了一种检测轨道交通车厢内乘客密度异常的方法，通过将采集车厢内的实时监控视频中的图像数据，输入已经训练完成的图像识别模型中进行人数检测，得到当时的车厢的人数，可以准确的获得当前时刻的车厢内的人数，通过当前时刻车厢人数与前一时刻车厢人数，实时获知车厢内突发事件例如乘客数突然剧增或突然扩散，保障车厢内的乘客安全。

具体的，在另一个实施例中，如图2所示，包括检测轨道交通车厢内乘客密度异常的方法100中的所有步骤，其中步骤130包括的具体步骤为：

131、计算当前时刻的当前车厢人数与前一时刻的当前车厢人数的差值。

132、比较差值与第一阈值；

若差值>第一阈值，执行步骤136；否则，执行步骤133；

133、获取一段时间内每一时刻的当前车厢人数。

134、根据一段时间内每一时刻的当前车厢人数，计算得到一段时间内当前车厢的人数增速。

135、比较当前车厢的人数增速与第二阈值的大小。

若当前车厢的人数增速>第二阈值时，执行步骤136；

136、判定当前车厢内乘客密度异常。

上述实施例中提供了通过计算当前时刻的当前车厢人数与前一时刻的车厢人数的差值，基于人数的差值和设定阈值的比较，在时间很短的情况下，判定当前车厢内乘客密度的突然变化是否异常。当前车厢内乘客密度的突然变化不满足异常情况时，但车厢内乘客的密度不断增加，且车厢内人数的增速超过预设的安全阈值时，判定当前车厢内乘客密度异常，本实施例中对车厢内乘客密度的变化的两种情况都作出了判断，避免突发事件造成的拥挤或突然扩散或是车厢内乘客人数不断增加导致的安全事故的发生，提高了车厢内乘客的安全。

具体的，在另一个实施例中，如图3所示，包括检测轨道交通车厢内乘客密度异常的方法100中的所有步骤，在步骤136判定当前车厢内乘客密度异常之后：

141、获取从当前时刻起向前的一段时间内每一时刻的相邻车厢的人数。

142、根据从当前时刻起向前的一段时间内每一时刻的相邻车厢的人数，计算得到一段时间内相邻车厢的人数增速。

143、比较一段时间内相邻车厢的人数增速与第二阈值的大小。

若一段时间内相邻车厢的人数增速<第二阈值，执行步骤145；

否则，执行步骤144；

144、判定相邻车厢内乘客密度异常。

145、比较当前时刻的相邻车厢的人数与当前车厢人数；

当前时刻的相邻车厢的人数<当前时刻的当前车厢人数，执行步骤146。

146、提示乘客从当前车厢转移至相邻车厢。

上述实施例中提供了一种检测轨道交通车厢内乘客密度异常的方法，当判定当前车厢乘客密度异常时，判断相邻车厢的乘客密度情况，如果相邻车厢乘客密度正常时，通知在乘客密度异常的车厢的乘客转移到相邻的安全车厢中，避免了因为乘客密度异常导致的安全事件发生，提高了车厢内乘客的安全度。

具体的，在另一个实施例中，如图4所示对乘客异常逗留的检测方法200，包括：

210、当列车到达终点站时，接收到列车发出的检测信号。

220、对列车的所有车厢执行对列车的所有车厢执行检测轨道交通车厢内乘客密度异常的方法100中的步骤110-120，得到当前时刻的列车所有车厢的车厢人数。

230、判断当前时刻的列车所有车厢的车厢人数是否都是零。

若存在车厢人数不是零的车厢，执行步骤220-230；

若所有车厢人数是零，执行步骤240。

240、等待预定时间段后，对列车的所有车厢执行步骤220；

250、判断当前时刻的列车所有车厢的车厢人数是否都是零。

若所有车厢人数是零，执行步骤260；

若存在车厢人数不是零的车厢，执行步骤270。

其中，在本实施例中步骤250中的当前时刻与步骤230中的当前时刻，不是同一时间点，步骤250中的当前时刻指的是在等待预定时间段后的当前时刻。

260、列车关门进入车库。

270、向工作人员报警。

上述实施例中提供了对乘客异常逗留的检测方法，当列车到达终点站时，通过采集列车的车厢内的实时监控的图像数据，输入图像识别模型，得到当前列车内的各车厢的人数，通过对各车厢的人数的检测，确定列车内没有逗留的乘客时，列车进入车库，省去了工作人员一次次对各车厢的查看，提高了工作效率，同时，减少了列车在终点滞留的时间。

具体的，在另一个实施例中，如图5所示，一种检测轨道交通车厢内乘客密度异常方法300，包括离线训练步骤：

310、从车厢内的监控视频中抽取单帧的图像数据，对图像数据进行人工标注头肩信息，保存图像数据和对应的人工标注信息作为训练集。

320、采用网络结构Darknet-53模型提取训练集中图像数据的特征，得到特征图。

330、将特征图输入多尺度金字塔算法进行头肩检测，生成预测目标框。

340、采用交叉熵函数计算预测目标框的头肩概率，得到预测目标框的头肩概率分值。

350、比较预测目标框的头肩概率分值与预设分值的大小；

若预测目标框的头肩概率分值<预设分值，执行步骤360；

否则，执行步骤370。

360、判定预测目标框是误测目标框，将误测目标框删除。

370、保留预测目标框。

380、调整预测目标框所在区域内其他预测目标框的位置，利用非极大值抑制算法计算预测目标框与预测目标框所在区域内其他预测目标框的交叠率。

390、比较交叠率与预设交叠率的大小；

若交叠率>预设交叠率，执行步骤400；

否则，执行步骤410。

400、判定预测目标框所在区域内其他预测目标框是重复预测目标框，将重复预测目标框删除。

410、保留预测目标框和预测目标框所在区域内其他预测目标框。

420、通过计算剩余的预测目标框的数量，得到预测的人数。

上述实施例中提供了一种对乘客异常逗留的检测方法的离线训练步骤，采用Darknet-53模型进行特征提取，多尺度金字塔算法进行头肩检测，采用交叉熵函数和非极大值抑制算法筛除重复的预测框和误测的预测框，提高了检测的精确度。

具体的，在另一个实施例中，如图6所示一种检测轨道交通车厢内乘客密度异常的装置的模块示意图：

计数模块用于将已完成预处理的图像帧数据输入获取的图像识别模型进行人数检测，得到当前时刻的当前车厢人数，并将当前时刻的当前车厢人数保存；

检测模块用于获取前一时刻的当前车厢人数，根据前一时刻的当前车厢人数和当前时刻的当前车厢人数，判断当前车厢内乘客密度是否异常。

其中，本实施例中还包括训练模块，训练模块用于将从车厢内的监控视频中抽取单帧的图像数据，对图像数据进行人工标注头肩信息，保存图像数据和对应的人工标注信息作为训练集，通过训练集训练深度学习YOLOv3算法，得到图像识别模型。

上述实施例中提供了一种对乘客异常逗留的检测装置，通过计数模块和检测模块，对列车内车厢的乘客异常密度进行检测，及时发现列车内出现乘客密度异常情况的车厢，提高车厢内乘客的安全。

特别的，本发明实施例中还提供了一种存储介质，存储有指令，当计算机读取指令时，使计算机执行上述实施例中的检测轨道交通车厢内乘客密度异常的方法。

应理解，在本发明各实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种检测轨道交通车厢内乘客密度异常的方法，其特征在于，包括，

实时采集当前车厢内的监控视频中的图像帧数据，并对所述图像帧数据进行预处理；

将已完成预处理的图像帧数据输入获取的图像识别模型进行人数检测，得到当前时刻的当前车厢的人数，并将所述当前时刻的当前车厢的人数保存；

获取前一时刻的当前车厢的人数，根据所述前一时刻的当前车厢的人数和当前时刻的当前车厢的人数，判断当前车厢内乘客密度是否异常。

2.根据权利要求1所述的方法，其特征在于，所述根据所述前一时刻的当前车厢的人数和当前时刻的当前车厢的人数，判断当前车厢内乘客密度是否异常，具体包括：

计算当前时刻的当前车厢的人数与前一时刻的当前车厢的人数的差值；

比较所述差值与第一阈值的大小；

若所述差值>第一阈值，判定当前车厢内乘客密度异常。

3.根据权利要求2所述的方法，其特征在于，

若所述差值<第一阈值，获取一段时间内每一时刻的当前车厢的人数；

根据一段时间内每一时刻的当前车厢的人数，计算得到一段时间内当前车厢的人数增速；

比较所述当前车厢的人数增速与第二阈值的大小；

若所述当前车厢的人数增速>第二阈值，判定当前车厢内乘客密度异常。

4.根据权利要求2或3所述的方法，其特征在于，所述判定当前车厢内乘客密度异常之后，

获取从当前时刻起向前的一段时间内每一时刻的相邻车厢的人数；

根据所述从当前时刻起向前的一段时间内每一时刻的相邻车厢的人数，计算得到一段时间内相邻车厢的人数增速；

比较所述一段时间内相邻车厢的人数增速与第二阈值的大小；

若所述一段时间内相邻车厢的人数增速<第二阈值，则比较当前时刻的相邻车厢的人数与当前时刻的当前车厢的人数；

若所述当前时刻的相邻车厢的人数<当前时刻的当前车厢人数，提示乘客从当前车厢转移至相邻车厢。

5.根据权利要求4所述的方法，其特征在于，

若所述一段时间内相邻车厢的人数增速>第二阈值，判定相邻车厢内乘客密度异常。

6.根据权利要求1-3任一项所述的方法，其特征在于，所述图像识别模型通过以下具体步骤得到，

从车厢内的监控视频中抽取单帧的图像数据，对图像数据进行人工标注头肩信息，保存所述图像数据和对应的人工标注信息作为训练集；

通过所述训练集训练深度学习YOLOv3算法，得到所述图像识别模型。

7.根据权利要求6所述的方法，其特征在于，所述通过所述训练集训练深度学习YOLOv3算法，得到所述图像识别模型，具体包括：

采用网络结构Darknet-53模型提取所述训练集中图像数据的特征，得到特征图；

将所述特征图输入多尺度金字塔算法进行头肩检测，生成预测目标框；

采用交叉熵函数计算所述预测目标框的头肩概率，得到所述预测目标框的头肩概率分值；

根据所述预测目标框的头肩概率分值，判定需要保留或删除所述预测目标框；

将判定需要删除的所述预测目标框删除；

利用非极大值抑制算法计算预测目标框与所述预测目标框所在区域内其他预测目标框的交叠率；

根据所述交叠率，判定需要保留或删除所述预测目标框所在区域内其他预测目标框；

将判定需要删除的所述预测目标框所在区域内其他预测目标框删除；

通过计算剩余的预测目标框的数量，得到预测的人数。

8.一种对乘客异常逗留的检测方法，其特征在于，包括以下步骤：

B1、当列车到达终点站时，接收到列车发出的检测信号；

B2、对列车的所有车厢采用所述权利要求1-7中任一项的方法，得到当前时刻的列车所有车厢的车厢人数；

B3、判断当前时刻的列车所有车厢的车厢人数是否都是零；

若存在车厢人数不是零的车厢，执行步骤B4；

否则，执行步骤B5；

B4、对列车的所有车厢执行所述步骤B2至B3；

B5、等待预定时间段后，对列车的所有车厢执行所述步骤B2；

B6、判断当前时刻的列车所有车厢的车厢人数是否都是零；

若当前时刻的列车所有车厢的车厢人数都是零，列车关门进入车库；

否则，向工作人员报警。

9.一种检测轨道交通车厢内乘客密度异常的装置，其特征在于，包括：

计数模块用于将已完成预处理的图像帧数据输入获取的图像识别模型进行人数检测，得到当前时刻的当前车厢的人数，并将所述当前时刻的当前车厢的人数保存；

检测模块用于获取前一时刻的当前车厢的人数，根据所述前一时刻的当前车厢的人数和当前时刻的当前车厢的人数，判断当前车厢内乘客密度是否异常。

10.一种存储介质，其特征在于，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如权利要求1至7中任一项所述的检测轨道交通车厢内乘客密度异常的方法。