CN110780356A - 地铁站台间隙异物检测系统 - Google Patents

Abstract

本发明涉及一种地铁站台间隙异物检测系统，包括安装在屏蔽门上的站台间隙异物检测设备，所述站台间隙异物检测设备用于实时监测屏蔽门与地铁门之间的管控区域；所述站台间隙异物检测设备将获取的视频画面传送给并行的两层神经网络模型，这两层神经网络模型对视频画面进行结构化分析。该系统对异物识别具有高可靠性，能够识别快速移动的物体，能够识别微小物体，过滤环境噪音，最大程度地降低摄像机抖动。

Description

地铁站台间隙异物检测系统

技术领域

本发明属于轨道交通安全保障技术领域，具体涉及一种地铁站台间隙异物检测系统。

背景技术

目前，同城之间、城市中的轨道交通在为人们提供便利的同时，也存在安全隐患，近年来列车伤人事件偶有发生。为了解决这一问题，地铁、高铁屏蔽门设施的安装被社会所接受。

目前，在地铁站台通常会设置屏蔽门将轨道与站台候车区域进行隔离，以此减少意外情况的发生。但是实际运营操作中，屏蔽门和车门都关上后，经常会发生屏蔽门和车体之间间隙滞留乘客或者其他物品的事件，如果此类情况频发，就会产生比较大的运营风险，给地铁安全运营带来一种潜在的隐患。

为了防范此类情况，地铁部门及相关学者、公司采取了很多措施，主要包括如下：

根据中国发明专利申请公布号为CN108454635A公开的一种地铁站台的屏蔽门与列车门之间的异物检测系统，包括异物检测装置和图像处理器，所述异物检测装置包括第一检测模块，该第一检测模块包括第一灯带和第一摄像头，所述第一灯带和第一摄像头设置在站台的屏蔽门与列车门之间，且第一灯带竖向设置在被检测站台段的一端，第一摄像头设置于被检测站台段的另一端且朝向第一灯带；所述第一摄像头获取的第一灯带的图像传送给图像处理器，所述图像处理器用于对第一灯带的图像进行识别，并通过判断第一灯带的图像的完整性来判断是否有异物。

根据中国发明专利申请公布号为CN109878552A公开的基于机器视觉的轨道交通站台门与列车间异物监测装置，该装置采集轨道交通站台门与列车之间可见光图像、红外光图像及深度图像，整合成立体空间三维图像，可覆盖拍摄视角内所有目标，通过对立体空间图像数据分析后，可识别图像中事件，包括轨行区是否有异物，列车是否在站，列车编制数，站台门与列车门的开关状态，站台滑动门门缝、列车门门缝，列车与站台门间是否有异物入侵，异物大小、种类和异物是否影响行车安全等主要事件，驱动异物报警安全继电器，并实时传输监测结果和现场实时图像。

但是上述的系统或装置依然存在各种各样的问题，本申请的目的就是为了减少甚至避免此类危险状况的发生，为地铁运营提供准确、可靠、高效的站台间隙异物入侵检测能力。

发明内容

本发明为了克服现有技术中的不足，提供了一种地铁站台间隙异物检测系统，该系统对异物识别具有高可靠性，能够识别快速移动的物体，能够识别微小物体，过滤环境噪音，最大程度地降低摄像机抖动。

本发明是通过以下技术方案实现：

一种地铁站台间隙异物检测系统，包括安装在屏蔽门上的站台间隙异物检测设备，所述站台间隙异物检测设备用于实时监测屏蔽门与地铁门之间的管控区域；所述站台间隙异物检测设备将获取的视频画面传送给并行的两层神经网络模型，这两层神经网络模型对视频画面进行结构化分析。

所述站台间隙异物检测设备为防水防爆半球形网络摄像机；两层神经网络模型分别为目标检测模型和前景检测模型。

地铁站台间隙异物检测系统包括如下步骤：

步骤a、当站台门关闭后，PLC启动地址1304变为1，该系统读取到启动信号，开启预警，在标定的预警区域内，检测是否发现异物，根据有无异物，给出预警或安全信号；

步骤b、当检测到有异物时，该系统向PLC障碍物地址1301发送报警信号1，并向开关量采集模块发送继电器闭合的信号，此时报警灯亮起，地铁司机通知站台人员检查异物；

步骤c、当需要开门检查时，该系统判定异物是否影响安全，若影响安全，则需要清除异物；若不影响安全，打开旁路，PLC旁路地址1306变为1，该系统被旁路，执行步骤e；

步骤d、当不需要开门检查时，PLC启动地址1304变为0，该系统读取到未启动信号，关闭预警，关闭站台门；

步骤e、当检测到没有异物时，若持续5秒未发现异物，该系统向PLC障碍物地址1301发送安全信号0，向开关量采集模块发送继电器断开的信号，此时报警灯熄灭，关闭预警，列车启动；若持续5秒发现异物，则执行步骤b。

与现有的技术相比，本发明的有益效果是：本发明采用人工智能算法，可准确识别物体的种类，能够有效过滤干扰，具有以下效果：

1、可靠性高：

1)多帧冗余排错

单幅画面的准确率在98％-99％，系统在0.5秒之内检测15帧画面，几乎不会出现超过半数画面判断出错的情况。

2)多原理技术冗余

在理论情况下，物体识别没有发现异物。前景检测依然可以作为技术冗余，检测异物。同时作为技术补充，可以查漏补缺，检测出物体识别技术没有发现的异物。

3)算法强健

算法抗干扰能力强，不会由于环境的剧烈变化、强烈光照等原因影响系统可靠性，在极端干扰环境下依旧可以正常工作。

4)智能判断设备工作状态

系统7x24实时监控摄像头工作状态，可智能检测出以下异常情况并及时报告：

a.摄像头无法连接；

b.画面黑屏；

c.画面花屏、绿屏等异常。

2、灵敏性强：可以检测非常微小的异物，在现场使用时，可以检测出最小10x10像素的异物。

3、不断学习和扩展性强：

1)有目的升级：针对运营过程中出现的特定需要，补充特定样本图片，重新训练即可升级。

2)增量升级：在现有功能的基础上增加目标功能的数据即可升级，不会影响现有识别性能。

附图说明

图1为本发明的系统流程图；

图2为本发明的预测流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

一种地铁站台间隙异物检测系统，包括安装在屏蔽门上的站台间隙异物检测设备，所述站台间隙异物检测设备用于实时监测屏蔽门与地铁门之间的管控区域；所述站台间隙异物检测设备将获取的视频画面传送给并行的两层神经网络模型，这两层神经网络模型对视频画面进行结构化分析。

该系统具有自适应功能，通过自适应机制，在系统第一次造成误判后(夕阳照进摄像机，产生逆光图像，造成误判或者飞虫飞入摄像机，造成成像遮挡时，造成误判)，能够自适应这些误判，在大多数情况下，不出现第二次误判；对于少数情况不能自适应时，可通过人工调整的方式适应。

该系统在每个车站部署采用双服务器冗余备份，日常运行每台服务器负责单侧摄像机的检测服务，当其中一台服务器出现故障时，可以由另外一台服务器接管提供检测服务，不影响整个检测应用。

该系统实时检测摄像机是否正常工作，当检测到摄像机没有正常工作时(当系统检测到摄像机黑屏，传回损坏图像等情况)，立即给出摄像机存在故障反馈。

所述站台间隙异物检测设备为防水防爆半球形网络摄像机。

根据场景需求分析，采用并行两层神经网络模型对视频画面进行结构化分析，具体为：目标检测模型和前景检测模型。

目标检测模型，用于检测指定类别的物体，可用于检测重要的、常见的物体，如：人体、行李箱、公文包等，报警时系统可告知发现物体的种类。所述目标检测模型具有如下特点：

1)检测准确率高；2)可检测已训练物体；3)能够检测出相对微小的物体；4)过曝光或欠曝光环境下依然可以稳定检测；5)可报告物体的种类；6)可报告物体在画面中的大致位置；7)可报告物体的大致尺寸；8)无法检测未训练物体。

前景检测模型，用于检测画面中除背景环境之外是否存在其他的前景物体，可检测地铁站台间隙中出现的任何异物，作为目标检测模型的补充，可以非常准确的检测出地铁运营过程中出现各种稀奇古怪的异物。所述前景检测模型具有如下特点：

1)可以检测背景环境中出现的任何异物；2)无需训练，任何从未见过的异物均可有效检测；3)良好的抑制环境噪音性能，极大降低误报率；4)良好的抑制相机震动性能，在算法原理层面保证系统在震动环境下的稳定工作。

目标检测模型和前景检测模型以截然不同的运算原理同时实时进行检测，互为技术冗余，可有效保证系统在不同环境下运作的有效性。

如图1所示，地铁站台间隙异物检测系统包括如下步骤：

步骤a、当站台门关闭后，PLC启动地址1304变为1，该系统读取到启动信号，开启预警，在标定的预警区域内，检测是否发现异物，根据有无异物，给出预警或安全信号；

步骤b、当检测到有异物时，该系统向PLC障碍物地址1301发送报警信号1，并向开关量采集模块发送继电器闭合的信号，此时报警灯亮起，地铁司机通知站台人员检查异物；

步骤c、当需要开门检查时，该系统判定异物是否影响安全，若影响安全，则需要清除异物；若不影响安全，打开旁路，PLC旁路地址1306变为1，该系统被旁路，执行步骤e；

步骤d、当不需要开门检查时，PLC启动地址1304变为0，该系统读取到未启动信号，关闭预警，关闭站台门；

步骤e、当检测到没有异物时，若持续5秒未发现异物，该系统向PLC障碍物地址1301发送安全信号0，向开关量采集模块发送继电器断开的信号，此时报警灯熄灭，关闭预警，列车启动；若持续5秒发现异物，则执行步骤b。

该系统从通讯协议地址读取信号说明如下：

1)从通讯协议地址1304读取到0，不启动；读取到1，启动；

2)从通讯协议地址1306读取到0，未被旁路；读取到1，被旁路；

该系统向通讯协议地址发送信号说明：

1)向通讯协议地址1301发送0，未检测到异物，即安全信号；发送1，检测到异物，即预警信号；

2)向通讯协议地址1303发送0，检测装置正常；发送1，检测装置故障。

该系统通过实时检测单侧摄像机画面中规定的间隙位置，是否有人、动物、包等指定高危类别物体侵入，根据检测结果，实时反馈高危侵入物信号；在安装调试阶段，获得站台间隙视频，作为正常运行时比对的依据。

该系统通过获取站台门的关闭信息，当乘客上下车后，站台门发起关闭信号，异物检测系统读取到站台门关闭信号后，开启实时检测是否有异物侵入，并根据检测结果，实时反馈有无异物入侵信号；

硬盘录像机负责按日期记录保存所有摄像机视频信息及检测结果，记录时间不少于3天，为事故/问题的追溯提供原始数据。

一般而言，人群密度估计方法主要分为两个步骤：特征提取、特征分类。如何更好的表达不同人群密度等级，设计出有区分度的特征，是人群密度估计的重点。人群密度的自动估计最早采用基于像素统计的方法，这类方法的特征计算分为两类，一类是计算人群团块的面积、面积与周长比等，另一类则是利用边缘提取方法统计边缘像素或者计算闵可夫斯基分形维数。基于像素统计的方法能在一定程度上描述人群密度团块与人群遮挡和人数的关系，从而反映出人群的密集程度，但随着人群密度的上升，这些特征的区分度会大幅降低。

因此，本申请提出一种基于卷积神经网络的人群密度估计方法。首先，按照需求将人群密度分为多个等级，例如非常低、低、中等、高、非常高等；然后，构建对应的卷积神经网络进行分类训练。为了更精确地对人群密度进行分类，采用与卷积神经网络的策略，把那些经过长时间训练，估计结果仍然和实际偏差很大的图像，设计另一个轻量级的网络进行训练。

在实际预测时，将第一级网络中，预测值小于阈值的图像，交由第二级网络进行预测，具体流程如图2所示。

假定卷积神经网络有N层，第i层的特征由xⁱ表示，i＝1，…，N。在卷积层和池化层，特征

由多个特征图

组成，表示为

在全连接层，特征xⁱ为向量，表示为

其中Mⁱ为第i层的特征图个数或者特征个数。

卷积层的作用是运用卷积操作提取特征，一般，卷积层越多，特征的表达能力则越强。如果第i层为卷积层，则可通过以下方式计算该层的特征图

其中表示卷积核参数，

表示卷积层的偏移量；函数g(x)表示卷积操作，Gⁱ表示该卷积层与前一层特征图之间的连接矩阵，若

为1，那么特征图

与特征图相关联，否则无关联；函数f(x)表示非线性激活函数。常用的非线性激活函数包括relu和sigmoid函数，具体形式如下：

由式(1)可看出，卷积层单个特征图的计算方式可以分为三个步骤：

不同的卷积核与前一层的特征图进行卷积运算；

累加相关联的卷积结果以及偏移量；

累加结果通过非线性函数获得一张卷积层的特征图。

池化层通常设置在卷积层之后，通过对特征图的局部区域进行池化操作，使得特征具有一定的空间不变性。如果第i+1层是池化层，则可通过以下方式计算该层的特征图

其中：

为池化操作。常用的池化操作有均值池化和最大值池化。池化层具有类似于特征选择的功能，根据一定规则从特征图的局部区域计算出重要的特征值。通常情况下，池化层会无重复地选择局部区域，因此，池化操作降低了特征维度，同时保证了特征具有抗形变的能力，由式(4)可以看出，池化层与上一层的特征图是一一对应，因此，池化层的特征图个数与前一层的特征图个数一致，即Mⁱ⁺¹＝Mⁱ。

全连接层位于特征提取之后，将前一层的所有神经元与当前层的每个神经元相连接。全连接层会根据输出层的具体任务，有针对性地对高层特征进行映射。如果第i层为全连接层，并且前一层为全连接层，则第i层特征向量xⁱ的计算方式为：

其中，wⁱ表示全连接层的参数，bⁱ表示全连接层的偏移量；函数f(x)表示非线性激活函数。如果第i层为全连接层，并且前一层为卷积层或者池化层，则第i层的特征向量有两种计算方式：

先将卷积或者池化层中所有的特征图排列成特征向量，再根据式(5)计算全连接层的特征向量；

将全连接层视为特征图的大小为1×1的卷积层，特征图的个数等于全连接层神经元的个数，则每个特征的计算公式为：

其中，卷积核

与特征图

大小相同。

输出层的计算形式则面向具体任务。若将卷积神经网络作为分类器使用，输出层采用softmax回归，产生一个图像类别的预测向量y＝(y₁，...y_D)，则预测向量中的每个分量y_i的计算方式为：

其中，D是类别个数，为softmax回归的参数。

目标检测任务的目标是判断图片中是否包含给定类别的目标物体，若包含，则给出其在图像中的位置信息。基于卷积神经网络的目标检测技术主要包括两个类别：基于R-CNN的两阶段方法和以YOLO、SSD为代表的一阶段方法。其中，两阶段方法首先生成可能包含物体的区域并利用卷积神经网络提取特征，然后将区域特征放入分类器中分类并修正位置，该类方法往往运算复杂度高、计算量大、耗时久，无法满足实时性要求。而以YOLO为代表的一阶段方法，则是利用卷积神经网络提取出的特征，对预测的目标物体直接回归，该类算法运算速度快、实时性高。因此，基于YOLO，实现地铁站台间隙中行人、背包等物体的检测。

然而，虽然基础的YOLO模型的检测速度快，能够满足实时监测的需求，但检测精度低，而且对于小物体漏检率高，因此，需要针对具体任务对YOLO进行改进。

该系统能够实现以下功能：

1、有效识别异物：

地铁运营中对异物检测的准确性要求非常高，是整个系统的核心需求。目前主流的目标检测模型识别准确率已经全面超过人类，但是依然无法做到100％的准确检测。本申请从算法性能和软件工程两个层面提出有效的解决方案。

在算法性能层面：按照以往技术实践的数据，在神经网络有效训练和调参之后，目标检测的准确率可以达到98％-99％之间。

在软件工程层面：采用多帧冗余+多方案冗余的方案提高检测准确率。

多帧冗余方面：在0.5秒之内生成检测结果，该结果是根据最近的15帧画面综合比较而产生的结果，考虑到单帧识别的准确率高达98％-99％，多帧综合判断的准确率将提高多个数量级。

多原理冗余方面：在极端恶劣的光线环境下，如果目标检测模型未能有效检测到画面中的物体特征，基于前景检测原理的前景检测模型依然可以有效的发现画面中的物体；即使画面中出现的物体从未在目标检测模型中训练过，前景检测模型依旧可以准确发现画面中的异物，并进行报警操作。

2、识别快速移动的物体和微小物体

在地铁实际运营中，往往会出现快速移动的物体或者微小物体需要进行有效识别。目标检测模型的目标检测方法，是利用卷积神经网络提取出的特征，对预测的目标物体直接回归，该算法运算速度快、实时性高。因此，能实现地铁站台间隙中行人、背包等物体的检测。

3、过滤环境噪音和摄像机抖动

目前，利用卷积神经网络进行前景检测在业内仍然属于一个崭新的技术，本申请采用一种场景无关的基于卷积神经网络的前景检测方法。该方法通过将不包含运动物体的背景图片与待检测图片成对的输入进卷积神经网络，通过学习相关视觉特征，生成背景模型，最终实现前景检测。为了验证所提算法的有效性，在相关数据集中进行了实验，得到了不错的效果。

上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作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.地铁站台间隙异物检测系统，其特征在于：包括安装在屏蔽门上的站台间隙异物检测设备，所述站台间隙异物检测设备用于实时监测屏蔽门与地铁门之间的管控区域；所述站台间隙异物检测设备将获取的视频画面传送给并行的两层神经网络模型，这两层神经网络模型对视频画面进行结构化分析。

2.根据权利要求1所述的地铁站台间隙异物检测系统，其特征在于：所述站台间隙异物检测设备为防水防爆半球形网络摄像机。

3.根据权利要求1所述的地铁站台间隙异物检测系统，其特征在于：两层神经网络模型分别为目标检测模型和前景检测模型。

4.根据权利要求1所述的地铁站台间隙异物检测系统，其特征在于：包括如下步骤：

步骤a、当站台门关闭后，PLC启动地址1304变为1，该系统读取到启动信号，开启预警，在标定的预警区域内，检测是否发现异物，根据有无异物，给出预警或安全信号；

步骤b、当检测到有异物时，该系统向PLC障碍物地址1301发送报警信号1，并向开关量采集模块发送继电器闭合的信号，此时报警灯亮起，地铁司机通知站台人员检查异物；

步骤c、当需要开门检查时，该系统判定异物是否影响安全，若影响安全，则需要清除异物；若不影响安全，打开旁路，PLC旁路地址1306变为1，该系统被旁路，执行步骤e；

步骤d、当不需要开门检查时，PLC启动地址1304变为0，该系统读取到未启动信号，关闭预警，关闭站台门；

步骤e、当检测到没有异物时，若持续5秒未发现异物，该系统向PLC障碍物地址1301发送安全信号0，向开关量采集模块发送继电器断开的信号，此时报警灯熄灭，关闭预警，列车启动；若持续5秒发现异物，则执行步骤b。

Images