CN111798356B - 一种基于大数据的轨道交通客流异常模式识别方法 - Google Patents
一种基于大数据的轨道交通客流异常模式识别方法 Download PDFInfo
- Publication number
- CN111798356B CN111798356B CN202010656537.9A CN202010656537A CN111798356B CN 111798356 B CN111798356 B CN 111798356B CN 202010656537 A CN202010656537 A CN 202010656537A CN 111798356 B CN111798356 B CN 111798356B
- Authority
- CN
- China
- Prior art keywords
- abnormal
- card
- passenger
- face
- information
- 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.)
- Active
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 102
- 238000012567 pattern recognition method Methods 0.000 title claims abstract description 5
- 206010000117 Abnormal behaviour Diseases 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 230000014509 gene expression Effects 0.000 claims description 4
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 25
- 238000012545 processing Methods 0.000 description 14
- 230000006399 behavior Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 239000008186 active pharmaceutical agent Substances 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/409—Device specific authentication in transaction processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Marketing (AREA)
- Multimedia (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Computer Interaction (AREA)
- Accounting & Taxation (AREA)
- Computer Security & Cryptography (AREA)
- Quality & Reliability (AREA)
- Finance (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
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。
Description
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。
在一个实施例中,根据以下步骤判断刷卡记录是否存在异常行为:
根据同站进出的次数过滤滤掉无意的同站进出记录;
通过聚类分析判断同站进出表征的异常行为类型;
设定异常行为相似性评估的特征向量,以识别出异常行为。
在一个实施例中,所述异常行为相似性评估的特征向量表示为:
z表示结合文献、社交媒体和真实案例后,对特征向量进行的相似性评估指标,n=1,2,3分别表示文献,社交媒体和真实案例,wn代表权重,zn表示打分,i(z)代表乘客的异常行为属性,0表示正常卡,1表示异常卡,threshold1表示阈值。
在一个实施例中,通过以下步骤识别异常行为:
将乘客的出行记录转化为时间特征图和空间特征图,将所述时间特征图和空间特征图进行组合形成二维特征图;
构建神经网络分类器,以所述二维特征图为输入,以是否存在异常行为作为输出,进而识别异常行为。
在一个实施例中,生成所述二维特征图包括:
采用平均池和最大池的操作产生一个有效的特征描述符,然后在连接的特征描述符上,用卷积层来生成空间注意图,用来编码应该强调或者抑制的地方。
在一个实施例中,所述神经网络分类器包括多个依次连接的卷积层和池化层,所述卷积层用于利用一组滤波器和非线性层变换提取目标图像的局部特征,生成特征图,然后对该特征图中每组的像素进行求和、加权和偏置,并通过激活函数得到池化层的特征图,所述池化层用于利用池化操作减少所述卷积层特征向量的维数,提高特征表达能力。
与现有技术相比,本发明的优点在于,通过进行人脸抓拍,将出行人和卡对应,进而将抓拍到的脸图和人脸库进行比对,能够准确识别异常卡和出行人的异常行为模式,进而分析其异常路径,总结异常行为的时间与规律。进一步地,本发明能够实现异常卡刷卡脸图信息管理,掌握异常卡的活动时间和规律;对车站乘客投诉情况分析,掌握不同站点的投诉情况;对客流统计管理,随时掌握每个站点客流情况;进行设备状态管理,掌握AI摄像机的工作状态。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例,并且连同其说明一起用于解释本发明的原理。
图1是根据本发明一个实施例的基于大数据的轨道交通客流异常模式识别方法的网络结构图;
图2是根据本发明一个实施例的基于大数据的轨道交通客流异常模式识别方法的流程图;
图3是根据本发明一个实施例的刷卡示意图;
图4是根据本发明一个实施例的系统架构图;
图5是根据本发明一个实施例的二维特征图示意;
图6是根据本发明一个实施例的时间特征图和空间特征图的细化特征图;
图7是根据本发明一个实施例的卷积神经网络结构图;
图8是根据本发明一个实施例的系统登录示意图;
图9是根据本发明一个实施例的同站进出异常卡分布图;
图10是根据本发明一个实施例的异常卡统计示意图;
图11是根据本发明一个实施例的异常卡统计-切换图类型;
图12是根据本发明一个实施例的异常卡管理示意图;
图13是根据本发明一个实施例的异常记录管理示意图;
图14是根据本发明一个实施例的逗留记录管理示意图;
图15是根据本发明一个实施例的异常刷卡记录管理示意图;
图16是根据本发明一个实施例的异常卡刷卡脸图信息展示示意图;
图17是根据本发明一个实施例的异常卡刷卡脸图信息管理示意图;
图18是根据本发明一个实施例的乘客投诉管理示意图;
图19是根据本发明一个实施例的车站投诉情况展示示意图;
图20是根据本发明一个实施例的脸图信息管理示意图;
图21是根据本发明一个实施例的客流统计管理示意图;
图22是根据本发明一个实施例的设备状态管理示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
简言之,本发明提供的基于大数据的轨道交通客流异常识别方法包括: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。
具体地,参见图1所示,首先介绍本发明应用的网络结构图。乘客在闸机处刷卡时,判断是否为异常卡,如果判断为属于正常卡,则不做处理。如果判断为属于异常卡,则打开抓拍的AI人脸识别摄像机(如采用半球机),获得当前异常卡的乘客的人脸信息(实现人卡绑定)和人体特征(例如AI人脸识别摄像机-枪机型,内置离线人脸识别,即机内识别,只能和注册的机内人脸库的信息作对比,返回识别计算得出的置信度),并将卡号与图像绑定,更新所有跟踪的AI人脸识别摄像机(如采用枪机型,其集成了AI人脸识别算法,且自带本地人脸识别库),所有跟踪的AI人脸识别摄像机根据本地人脸识别库,分别比对自己获取的人脸信息,如果检索到本地人脸识别库中的人脸信息,则将比对疑似信息和视频流推送给管理员,即在管理员电脑上展示疑似信息和视频流,提供管理员决策支持,管理员也可以按照卡号查找相关的视频。
结合图2和图3所示进一步说明所提供的轨道交通客流异常识别方法。首先,基于乘客乘地铁的历史OD数据,提取异常卡号,以及该卡号的疑似行为(例如疑似乞讨卖艺、疑似从事经济活动、疑似偷盗、待定等)。根据业务需求,需要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。如果不是异常卡,则不进行任何处理;如果是异常卡,则调用摄像机,获得乘客的人脸信息,实现异常卡和人脸信息的绑定,同时存储异常进出记录。刷卡过程系统处理,即异常卡和人的绑定过程。进而将异常卡的人脸信息,发布到所有的跟踪摄像机,即在线动态更新AI人脸识别摄像机的本地人脸识别库。所有的跟踪摄像机,将在可视化范围内采集到的人脸,与本地人脸识别库的信息进行对比,如果某台摄像机获得疑似人员的信息(图3中用虚线表示,即不是所有的跟踪摄像都需要返回所有的跟踪比对结果),则推送比对结果。服务器获得比对信息后,将疑似信息展示给管理员,包括人脸识别比对结果和对应摄像机的视频流,以供管理员进一步判断并处理。同时,管理员还可以查看异常进出统计信息,调用第三方接口(例如,百度地铁图JavaScript API),从而丰富展示效果。
图3详细展示了AI识别人脸的过程,对比了正常卡和异常卡的不同处理方式。当乘客进入到摄像头有效识别区域之后,会缓存该乘客的脸图信息,如果刷卡显示是正常卡,则就将该乘客的脸图移除,如果显示是异常卡,则缓存该异常卡,并绑定卡图。
在进行AI识别时,本发明通过构建识别模型来解决最关键的图像特征识别的问题。以图4所示的本发明整个技术方案的实现系统为例,该系统包括前端、后端、数据库和服务器等。
前端实现展示和数据采集功能,例如,用于展示功能包含:JSF(JavaServerFaces):MyFaces+Tobago;Third-party Interface(第三方接口),如百度地铁图JavaScript API(HTML、JavaScript、CSS);Resource Bundle(Locale),用于资源绑定,实现系统语言切换,例如实现中英文切换,默认语言为中文。用于数据采集的功能包括:AICamera(AI摄像机),实现人脸信息抓拍和视频跟踪,AI摄像机直接通过系统的RESTful(HTTP Server)接口,上传抓拍的脸图信息、客流统计和设备状态;Card Reader(读卡器),即乘客进出地铁时刷卡设备,刷卡信息通过专门处理刷卡信息的TCP Server服务器,再调用系统的RESTful(HTTP Server)接口,上传刷卡信息。
后端包括:Spring MVC,其是Web应用程序框架;Hibernate ORM,用于实现对象和关系型数据库映射;c3p0,其是数据库连接池,用于管理数据库连接;JDBC,用于与数据库建立连接、发送操作数据库的语句并处理结果。
数据库可采用Oracle数据库或其他类型的数据库。
服务器,可采用Apache Tomcat等。
在一个实施例中,本发明通过建立判断模型来确定是否属于异常卡。例如,通过分析大量的智能卡数据,定义哪些卡是异常的同站进出,识别并过滤出来,这其中涉及如何判断异常卡以及怎么定义同站进出等问题。
具体地,异常卡的判断过程包括:
步骤S110,去除无意的同站进出。
例如,采用了一个函数来过滤掉一些无意的同站进出;
其中,x=IOSSSnum表示同站进出的数目,threshold0表示设定的阈值。
步骤S120,进行聚类分析确定异常卡的异常行为类型。
例如,一共有三类同站进出的异常行为,分别是疑似偷窃、疑似乞讨和发小广告,表示为:
步骤S130,构建相似性评估的特征向量。
例如,设计的相似性评估的特征向量表示为:
其中,z表示行为相似性度量,例如,z值是结合文献、社交媒体和真实案例后,由公安系统的反犯罪专家对特征向量进行的相似性评估指标,如n=1,2,3分别代表文献、社交媒体和真实案例,wn表示其权重,zn是由5个地铁和公共安全专家打分。i(z)代表乘客的异常属性,0为常规乘客,1为异常卡乘客,threshold1为z的阈值,如果z值超过threshold1则被判定为异常。
接着,建立了一个创新的模型,利用特征图来表明特征,在经过了特征完善和筛选之后,异常行为可以被识别出来。这个模型是基于大量的智能卡记录建立的,将乘客的出行记录转化为时间特征图(标记为T)和空间特征图(标记为S),将两个图进行组合形成一个二维图,接着在算法中加入了所有乘客的出行记录进行下一步分析,参见图5所示。
接下来,提出了一个基于空间模块的特征注意方法,采用平均池和最大池的操作产生一个有效的特征描述符,然后在连接的特征描述符上,用一个卷积层来生成空间注意图,用来编码应该强调或者抑制的地方。例如,使用两个池操作来聚合一个特征图的信息,每个都表示跨通道的平均池特性和最大池特征。然后将它们连接起来并通过一个标准的卷积层进行卷积,生成二维空间注意图,参见图6所示。
最后,以特征图为输入,以判断乘客是否有异常行为为输出,来构建一个卷积神经网络的分类架构图,如图7所示。卷积神经网络中,包括多个卷积层和池化层。在卷积层中,利用一组滤波器和非线性层变换提取目标图像的局部特征。输入图像通过可训练的过滤器和可添加的偏移量进行卷积。卷积后,在卷积层1上生成一个特征图,然后对特征图中每组的像素进行求和、加权和偏置。通过sigmoid函数得到了池化层1的特征图。在池化层1,利用池化减少卷积层1的特征向量的维数,提高特征表达能力。然后对这些特征图进行过滤,得到卷积层2。对于生成池化层2的每个映射,此层次结构重复与池化层1相同的计算过程。最后将这些像素值进行栅格化,并与传统的神经网络相连接,得到输出结果。在卷积神经网络中,使用3x3滤波器来检测垂直边缘。每个特征检测器和输出可以在输入图像的不同区域使用相同的参数来提取垂直边缘等特征。在训练过程中可能会出现过拟合,因为通过卷积层得到的特征向量的维数通常比较大。因此,特征向量将在池化层的不同的位置被池化,因为池化可以减少图像特征输入图的高度和宽度,这有助于减少特征提取的数量计算,使输入的位置特征检测器更稳定。
上述的轨道交通客流异常模式识别方法可实现为相应的系统,该系统可以实现许多的功能,例如,包括以下功能:
1)、系统登录
参见图8所示,通过账号密码登录。
2)、同站进出异常卡分布情况
参见图9所示,直观反映各站的同站进出情况。
3)、异常卡统计
参见图10所示,从横向、纵向对异常卡的情况进行统计分析,并可以从统计周期、疑似异常行为等方面对数据进行统计。
4)、异常卡管理
参见图11所示,查看异常卡号的疑似行为,算法对每一个统计周期的异常数据进行分析,根据当期数据的特征标记该卡号的疑似行为,针对某卡号某个统计周期数据特征不是十分明显的,不同的统计周期根据其数据特征可能出现不同的疑似行为,因此,根据各种疑似行为出现的频率,计算各疑似行为的可能性。随着统计周期的增加,其疑似行为应该会趋于稳定。此外,还可以查看异常记录、逗留记录,以及该卡号绑定的脸图信息(判定为异常卡后,每次进站都会绑定,此数据也可以用于一卡多人使用分析)。
5)、异常记录管理
参见图12所示,显示异常记录所对应的原始OD数据,即标记该异常记录的疑似行为的依据。
6)、逗留记录管理
参见图13所示,显示逗留记录所对应的原始OD数据,即标记该逗留记录的疑似行为的依据。
7)、异常刷卡记录管理
参见图14所示,展示异常卡的刷卡记录。
8)、实时异常卡刷卡脸图信息展示。
参见图15所示,展示最新异常卡刷卡脸图信息,即持异常卡刷卡进站的乘客脸图信息(进出AI摄像机画面)。
9)、异常卡刷卡脸图信息管理
参见图16所示,按照时间展示持异常卡刷卡的乘客的脸图信息,可以指定卡号等条件,分析该卡活动时间规律。
10)、乘客投诉管理
参见图17所示,乘客来电等方式投诉的与系统关注的疑似乞讨卖艺、疑似从事经济活动、疑似偷盗等行为的投诉记录管理,为以后进行算法标记异常记录的疑似行为可靠性分析准备。
11)、车站投诉情况分析
参见图18所示,接入第三方接口,百度地铁图JavaScript API,在地铁地图上直观展示各个车站的投诉情况。点击每个站点,可以显示各种行为的统计信息。图中,每个站点上面覆盖的圆形的大小和颜色深浅,代表该站点投诉数量,在最小站点投诉数量和最大站点投诉数量之间位置,即:越接近最小值,则圆形越小颜色越浅;越接近最大值,则圆形越大颜色越深。
12)、脸图信息管理。
参见图19所示,展示异常卡刷卡时,AI摄像机采集的脸图信息。
13)、客流统计管理
参见图20所示,对AI摄像机统计上报的客流统计信息进行管理。
14)、设备状态管理
参见图21所示,对AI摄像机定期上报的设备状态进行管理,可以知道哪些AI摄像机正常工作。
综上所述,本发明通过构建识别模型和异常行为判断模型,能够准确地识别异常卡和异常行为,进而实现对异常行为的统计、分析和展示。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是,通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。
Claims (4)
1.一种基于大数据的轨道交通客流异常模式识别方法,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;
其中,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;
其中,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;
其中,根据以下步骤判断刷卡记录是否存在异常行为:
根据同站进出的次数过滤滤掉无意的同站进出记录;
通过聚类分析判断同站进出表征的异常行为类型;
设定异常行为相似性评估的特征向量,以识别出异常行为;
其中,所述异常行为相似性评估的特征向量表示为:
z表示结合文献、社交媒体和真实案例后,对特征向量进行的相似性评估指标,n=1,2,3分别表示文献,社交媒体和真实案例,wn代表权重,zn表示打分,i(z)代表乘客的异常行为属性,0表示正常卡,1表示异常卡,threshold1表示阈值;
其中,通过以下步骤识别异常行为:
将乘客的出行记录转化为时间特征图和空间特征图,将所述时间特征图和空间特征图进行组合形成二维特征图;
构建神经网络分类器,以所述二维特征图为输入,以是否存在异常行为作为输出,进而识别异常行为;
其中,生成所述二维特征图包括:
采用平均池和最大池的操作产生一个有效的特征描述符,然后在连接的特征描述符上,用卷积层来生成空间注意图,用来编码应该强调或者抑制的地方。
2.根据权利要求1所述的方法,其中,所述神经网络分类器包括多个依次连接的卷积层和池化层,所述卷积层用于利用一组滤波器和非线性层变换提取目标图像的局部特征,生成特征图,然后对该特征图中每组的像素进行求和、加权和偏置,并通过激活函数得到池化层的特征图,所述池化层用于利用池化操作减少所述卷积层特征向量的维数,提高特征表达能力。
3.一种计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现根据权利要求1至2中任一项所述方法的步骤。
4.一种计算机设备,包括存储器和处理器,在所述存储器上存储有能够在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至2中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010656537.9A CN111798356B (zh) | 2020-07-09 | 2020-07-09 | 一种基于大数据的轨道交通客流异常模式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010656537.9A CN111798356B (zh) | 2020-07-09 | 2020-07-09 | 一种基于大数据的轨道交通客流异常模式识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111798356A CN111798356A (zh) | 2020-10-20 |
CN111798356B true CN111798356B (zh) | 2023-11-10 |
Family
ID=72811288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010656537.9A Active CN111798356B (zh) | 2020-07-09 | 2020-07-09 | 一种基于大数据的轨道交通客流异常模式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111798356B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116153004A (zh) * | 2023-01-17 | 2023-05-23 | 山东浪潮科学研究院有限公司 | 基于fpga的智能监控报警系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104574547A (zh) * | 2015-01-28 | 2015-04-29 | 广东铂亚信息技术股份有限公司 | 一种基于人脸识别技术的高速公路防逃费方法 |
CN105320997A (zh) * | 2015-09-22 | 2016-02-10 | 上海川昱信息科技有限公司 | 一种基于大数据的公交客流轨迹实时跟踪方法 |
CN106919953A (zh) * | 2017-02-23 | 2017-07-04 | 北京工业大学 | 一种基于轨道交通数据分析的异常出行群体识别方法 |
CN107992902A (zh) * | 2017-12-22 | 2018-05-04 | 北京工业大学 | 一种基于监督学习的地面公交扒窃个体自动检测方法 |
CN108876976A (zh) * | 2018-04-11 | 2018-11-23 | 北京旷视科技有限公司 | 卡片识别装置、图像采集装置、抓盗卡系统和方法 |
WO2018218286A1 (en) * | 2017-05-29 | 2018-12-06 | Saltor Pty Ltd | Method and system for abnormality detection |
CN109902575A (zh) * | 2019-01-24 | 2019-06-18 | 平安科技(深圳)有限公司 | 基于无人驾驶车辆的防拐卖方法、装置及相关设备 |
-
2020
- 2020-07-09 CN CN202010656537.9A patent/CN111798356B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104574547A (zh) * | 2015-01-28 | 2015-04-29 | 广东铂亚信息技术股份有限公司 | 一种基于人脸识别技术的高速公路防逃费方法 |
CN105320997A (zh) * | 2015-09-22 | 2016-02-10 | 上海川昱信息科技有限公司 | 一种基于大数据的公交客流轨迹实时跟踪方法 |
CN106919953A (zh) * | 2017-02-23 | 2017-07-04 | 北京工业大学 | 一种基于轨道交通数据分析的异常出行群体识别方法 |
WO2018218286A1 (en) * | 2017-05-29 | 2018-12-06 | Saltor Pty Ltd | Method and system for abnormality detection |
CN107992902A (zh) * | 2017-12-22 | 2018-05-04 | 北京工业大学 | 一种基于监督学习的地面公交扒窃个体自动检测方法 |
CN108876976A (zh) * | 2018-04-11 | 2018-11-23 | 北京旷视科技有限公司 | 卡片识别装置、图像采集装置、抓盗卡系统和方法 |
CN109902575A (zh) * | 2019-01-24 | 2019-06-18 | 平安科技(深圳)有限公司 | 基于无人驾驶车辆的防拐卖方法、装置及相关设备 |
Non-Patent Citations (1)
Title |
---|
基于峰值密度聚类的公交出行目的分类模型;梁野;吕卫锋;杜博文;;哈尔滨工程大学学报(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111798356A (zh) | 2020-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10735694B2 (en) | System and method for activity monitoring using video data | |
CN107358146B (zh) | 视频处理方法、装置及存储介质 | |
US20230334890A1 (en) | Pedestrian re-identification method and device | |
CN106663196A (zh) | 视频中的计算机显著人物识别 | |
CN112883902B (zh) | 视频检测方法、装置、电子设备及存储介质 | |
JP7419080B2 (ja) | コンピュータシステムおよびプログラム | |
CN111738263A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN113902007A (zh) | 模型训练方法及装置、图像识别方法及装置、设备和介质 | |
US11113838B2 (en) | Deep learning based tattoo detection system with optimized data labeling for offline and real-time processing | |
CN111798356B (zh) | 一种基于大数据的轨道交通客流异常模式识别方法 | |
CN115049954A (zh) | 目标识别方法、装置、电子设备和介质 | |
CN111310531B (zh) | 图像分类方法、装置、计算机设备及存储介质 | |
KR20150029324A (ko) | 감시카메라 영상을 이용한 실시간 결제 이벤트 요약 시스템 및 그 방법 | |
Qin et al. | Dense sampling and detail enhancement network: Improved small object detection based on dense sampling and detail enhancement | |
CN112686828B (zh) | 视频去噪方法、装置、设备及存储介质 | |
CN115719428A (zh) | 基于分类模型的人脸图像聚类方法、装置、设备及介质 | |
CN114639143A (zh) | 基于人工智能的人像归档方法、设备及存储介质 | |
CN113642519A (zh) | 一种人脸识别系统和人脸识别方法 | |
CN113190701A (zh) | 图像检索方法、装置、设备、存储介质以及计算机程序产品 | |
CN113569912A (zh) | 车辆识别方法、装置、电子设备及存储介质 | |
CN114445711B (zh) | 图像检测方法、装置、电子设备和存储介质 | |
CN113221920B (zh) | 图像识别方法、装置、设备、存储介质以及计算机程序产品 | |
CN114820724B (zh) | 一种跨场景跟踪的智能监控方法及系统 | |
Jiang et al. | Research on feature point generation and matching method optimization in image matching algorithm | |
Mahavishnu et al. | Pattern Recognition Algorithm to Detect Suspicious Activities |
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 | ||
GR01 | Patent grant |