CN113343960A - 一种地铁站内实时留存客流估计与预警方法 - Google Patents
一种地铁站内实时留存客流估计与预警方法 Download PDFInfo
- Publication number
- CN113343960A CN113343960A CN202110900143.8A CN202110900143A CN113343960A CN 113343960 A CN113343960 A CN 113343960A CN 202110900143 A CN202110900143 A CN 202110900143A CN 113343960 A CN113343960 A CN 113343960A
- Authority
- CN
- China
- Prior art keywords
- station
- passenger flow
- passengers
- estimating
- subway
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Alarm Systems (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种地铁站内实时留存客流估计与预警方法,包括如下步骤:(1)读取车站内出入口与站台监控摄像头视频流,并采用GPU硬解成图像帧;(2)对图像帧进行行人检测;(3)利用跟踪算法跟踪人体目标,并根据行人运动方向判断乘客进出行为,统计出口分布数量,当目标通过计数的基准线时,进站或者出站的行人计数值增加;(4)根据进出口分布数量建立客流模型;(5)与站内车辆信号联动,计算站内留存客流人数,如果客流人数超过设定阈值,则向站务系统发送响应的大客流告警信息,提醒车站管理人员采取应对措施。本发明利用地铁站内监控摄像头实现站内留存客流估计,有助于地铁安全运营和精细化客流管理。
Description
技术领域
本发明属于深度计算机视觉及智能监控领域,尤其涉及一种地铁站内实时留存客流估计与预警方法。
背景技术
随着城市轨道交通的发展,越来越多的人选择乘坐地铁出行,由于城市人口的增长且人们出行时间的趋同,地铁在运营过程中常常产生大客流现象,由于现有的AFC系统无法实时感知进出客流,地铁内的客流管理和站内客流的承载情况往往只能依靠地铁工作人员的经验进行判断并决定是否进行客流限制与疏导。随着人工智能与机器视觉技术的发展,基于视频的客流计数方法能够有效应用于地铁进出口客流的统计,然而由于城市地铁线路较多,换乘车站与换乘人数较多,准确估计地铁站内留存客流需要更准确、有效的数学模型和估计方法。
发明内容
发明目的:本发明的目的在于针对地铁站内实时客流管理的问题,提供了一种地铁站内实时留存客流估计与预警方法。
技术方案:本发明的地铁站内实时留存客流估计与预警方法,包括如下步骤:
步骤1:读取车站内出入口与站台监控摄像头视频流,并采用GPU硬解成图像帧;
步骤2:利用基于深度学习的目标检测模型对图像帧进行行人检测;
步骤3:利用跟踪算法跟踪人体目标,并根据行人运动方向判断乘客进出行为,统计出口分布数量,当目标通过计数的基准线时,进站或者出站的行人计数值增加;
步骤4:根据进出口分布数量建立客流模型,客流模型公式为:
其中,表示t时刻站内留存乘客数量,表示上一时刻站内客流留
存数量,表示车站内第i个出入口在时间内进入的乘客总数,每个出入口进入
人数通过步骤1-3所述的方法得到,表示车站内第i个出入口在时间内出站的
乘客总数,每个出入口出站人数通过步骤1-3所述的方法得到,表示每辆地铁上
每个车门在时间内下客总人数,表示每辆地铁每个车门在时间内上客总
人数,m表示通道数量,k表示每个车站内进站地铁数量,l表示每辆列车车门数量,表示
进站计数误差修正参数, 表示出站计数误差修正参数,和是基于历史刷卡出站记
录和同一时段的视频客流计数值进行估计;
步骤5:与站内车辆信号联动,在列车进站前与列车出站后一定时间内通过步骤4所述客流模型计算站内留存客流人数,如果客流人数超过设定阈值,则向站务系统发送响应的大客流告警信息,提醒车站管理人员采取应对措施。
进一步地,步骤1中,所述视频流为RTSP视频流。
进一步地,步骤1中,所述GPU硬解采用英伟达NVCODEC模块。
进一步地,采用英伟达NVCODEC模块硬解包括如下步骤:
(1)初始化CUVID硬解模块;
(2)使用FFmpeg读取视频流数据;
(3)将视频流数据发送到硬解模块;
(4)如果硬解成功,则使用CUDA将YUV转化为RGB;如果硬解失败,则重复上述步骤(1)至(3);
(5)使用CUDA调整图像分辨率,得到硬解后的图像帧。
进一步地,所述步骤2具体包括:采集车站内视频监控图像,并进行人体目标标注,使用标注的样本训练Transform模型,然后用训练好的Transform模型对人体目标进行检测。
进一步地,步骤3中,所述跟踪算法采用deepSort目标跟踪算法。
进一步地,步骤5中,所述阈值根据车站设计的最大承载客流数量和历史客流数量计算得出:
其中,s是设定的站内人数阈值,当超过阈值时,会进行报警。
有益效果:与现有技术相比,本发明具有如下显著优点:本发明通过接入地铁站内进出口监控视频,采用视频分析技术结合Transform模型目标检测模型进行客流计数,对每个进出口和站台车辆上下客的客流进行统计,对每个车站建立客流模型,并估计模型的参数值,通过客流模型估计实时的站内乘客数量,当乘客数量超过设定阈值时,系统产生告警信息,并向站务系统发送相应的告警事件,提醒站务人员注意。利用地铁站内监控摄像头实现站内留存客流估计,有助于辅助地铁安全运营和精细化客流管理。Transform模型是今年研究的热门网络模型,其在很多目标识别以及分类上取得非常满意的检测精度,有着一定的通用性,能够在复杂场景下取得良好的性能。
附图说明
图1是本发明的系统架构图;
图2是视频硬解流程图;
图3是Transform模型结构图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
实施例1
如图1所示,本实例中地铁站内实时留存客流估计与预警方法,首先读取出入口和站台监控摄像头的RTSP视频流并使用GPU解码,得到视频帧图像,然后使用Transform进行人体目标检测,使用deepSort进行目标跟踪并计数,然后建立车站客流模型,通过车站通道数量、列出数量等参数设置客流模型参数,当站内实时留存客流的估计值超过设定阈值时,向站务系统发送告警事件信息。具体流程如下:
步骤1:读取车站内出入口与站台监控摄像头RTSP视频流,并采用GPU硬解成图像帧。
从网络摄像头获取RTSP流,要将其解析成可用的视频帧图像,传统方法采用CPU软件,为了减轻CPU的压力,本发明通过NVCODEC框架利用GPU硬解,能够有效降低CPU压力,支持同时解码多路的1080P视频流。具体流程如图2所示:
(1)初始化CUVID硬解模块;
(2)使用FFmpeg读取视频流数据;
(3)将视频流数据发送到硬解模块;
(4)如果硬解成功,则使用CUDA将YUV转化为RGB;如果硬解失败,则重复上述步骤(1)至(3);
(5)使用CUDA调整图像分辨率,得到硬解后的图像帧。
步骤2:利用基于深度学习的目标检测模型进行行人检测。
采集车站内视频监控图像,并进行人体目标标注,使用标注的样本训练Transform模型,然后用训练好的Transform模型(如图3所示)对人体目标进行检测。
步骤3:利用跟踪算法跟踪人体目标,并根据行人运动方向判断乘客进出行为,当目标通过计数的基准线时,进站或者出站的行人计数值增加。
利用deepSort目标跟踪算法对人体目标进行持续追踪,根据目标坐标的变化情况判断移动方向,当目标通过设定的计数基准线时,计数值增加。
步骤4:根据进出口分布数量建立客流模型,客流模型公式为:
其中,表示t时刻站内留存乘客数量,表示上一时刻站内客流留
存数量,表示车站内第i个出入口在时间内进入的乘客总数,每个出入口进入
人数通过步骤1-3所述的方法得到,表示车站内第i个出入口在时间内出站的
乘客总数,每个出入口出站人数通过步骤1-3所述的方法得到,表示每辆地铁上
每个车门在时间内下客总人数,表示每辆地铁每个车门在时间内上客总
人数,m表示通道数量,k表示每个车站内进站地铁数量,l表示每辆列车车门数量,表示
进站计数误差修正参数, 表示出站计数误差修正参数,和是基于历史刷卡出站记
录和同一时段的视频客流计数值进行估计;
步骤5:与站内车辆信号联动,在列车进站前与列车出站后一定时间内通过步骤4所述客流模型计算站内留存客流人数,如果客流人数超过设定阈值,则向站务系统发送响应的大客流告警信息,提醒车站管理人员采取应对措施。阈值依据车站设计的最大承载客流数量和历史客流数量计算得出:
其中,s是设定的站内人数阈值,当超过阈值时,会进行报警。
Claims (7)
1.一种地铁站内实时留存客流估计与预警方法,其特征在于,包括如下步骤:
步骤1:读取车站内出入口与站台监控摄像头视频流,并采用GPU硬解成图像帧;
步骤2:利用基于深度学习的目标检测模型对图像帧进行行人检测;
步骤3:利用跟踪算法跟踪人体目标,并根据行人运动方向判断乘客进出行为,统计出口分布数量,当目标通过计数的基准线时,进站或者出站的行人计数值增加;
步骤4:根据进出口分布数量建立客流模型,客流模型公式为:
其中,表示t时刻站内留存乘客数量,表示上一时刻站内客流留存数
量,表示车站内第i个出入口在时间内进入的乘客总数,每个出入口进入人数
通过步骤1-3所述的方法得到,表示车站内第i个出入口在时间内出站的乘客
总数,每个出入口出站人数通过步骤1-3所述的方法得到,表示每辆地铁上每个
车门在时间内下客总人数,表示每辆地铁每个车门在时间内上客总人
数,m表示通道数量,k表示每个车站内进站地铁数量,l表示每辆列车车门数量,表示进
站计数误差修正参数, 表示出站计数误差修正参数,和是基于历史刷卡出站记录
和同一时段的视频客流计数值进行估计;
步骤5:与站内车辆信号联动,在列车进站前与列车出站后一定时间内通过步骤4所述客流模型计算站内留存客流人数,如果客流人数超过设定阈值,则向站务系统发送响应的大客流告警信息,提醒车站管理人员采取应对措施。
2.根据权利要求1所述的地铁站内实时留存客流估计与预警方法,其特征在于,步骤1中,所述视频流为RTSP视频流。
3.根据权利要求1所述的地铁站内实时留存客流估计与预警方法,其特征在于,步骤1中,所述GPU硬解采用英伟达NVCODEC模块。
4.根据权利要求3所述的地铁站内实时留存客流估计与预警方法,其特征在于,采用英伟达NVCODEC模块硬解包括如下步骤:
(1)初始化CUVID硬解模块;
(2)使用FFmpeg读取视频流数据;
(3)将视频流数据发送到硬解模块;
(4)如果硬解成功,则使用CUDA将YUV转化为RGB;如果硬解失败,则重复上述步骤(1)至(3);
(5)使用CUDA调整图像分辨率,得到硬解后的图像帧。
5.根据权利要求1所述的地铁站内实时留存客流估计与预警方法,其特征在于,所述步骤2具体包括:采集车站内视频监控图像,并进行人体目标标注,使用标注的样本训练Transform模型,然后用训练好的Transform模型对人体目标进行检测。
6.根据权利要求1所述的地铁站内实时留存客流估计与预警方法,其特征在于,步骤3中,所述跟踪算法采用deepSort目标跟踪算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110900143.8A CN113343960A (zh) | 2021-08-06 | 2021-08-06 | 一种地铁站内实时留存客流估计与预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110900143.8A CN113343960A (zh) | 2021-08-06 | 2021-08-06 | 一种地铁站内实时留存客流估计与预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113343960A true CN113343960A (zh) | 2021-09-03 |
Family
ID=77481020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110900143.8A Pending CN113343960A (zh) | 2021-08-06 | 2021-08-06 | 一种地铁站内实时留存客流估计与预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113343960A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114332774A (zh) * | 2022-01-14 | 2022-04-12 | 广州邦讯信息系统有限公司 | 一种基于物联网的站台监测系统 |
CN115620228A (zh) * | 2022-10-13 | 2023-01-17 | 南京信息工程大学 | 一种基于视频分析的地铁屏蔽门临关门乘客闯门预警方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112124379A (zh) * | 2020-09-29 | 2020-12-25 | 合肥工业大学 | 一种基于地铁客流分析的站台引导方法 |
US20210001906A1 (en) * | 2018-03-30 | 2021-01-07 | Casco Signal Co., Ltd. | Intelligent train operation adjustment system and method based on real-time passenger flow |
CN112232333A (zh) * | 2020-12-18 | 2021-01-15 | 南京信息工程大学 | 一种地铁站内实时客流热力图生成方法 |
CN112560641A (zh) * | 2020-12-11 | 2021-03-26 | 北京交通大学 | 基于视频的双向客流通道中的单向客流信息检测方法 |
-
2021
- 2021-08-06 CN CN202110900143.8A patent/CN113343960A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210001906A1 (en) * | 2018-03-30 | 2021-01-07 | Casco Signal Co., Ltd. | Intelligent train operation adjustment system and method based on real-time passenger flow |
CN112124379A (zh) * | 2020-09-29 | 2020-12-25 | 合肥工业大学 | 一种基于地铁客流分析的站台引导方法 |
CN112560641A (zh) * | 2020-12-11 | 2021-03-26 | 北京交通大学 | 基于视频的双向客流通道中的单向客流信息检测方法 |
CN112232333A (zh) * | 2020-12-18 | 2021-01-15 | 南京信息工程大学 | 一种地铁站内实时客流热力图生成方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114332774A (zh) * | 2022-01-14 | 2022-04-12 | 广州邦讯信息系统有限公司 | 一种基于物联网的站台监测系统 |
CN115620228A (zh) * | 2022-10-13 | 2023-01-17 | 南京信息工程大学 | 一种基于视频分析的地铁屏蔽门临关门乘客闯门预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102855475B (zh) | 一种校车监控方法和系统 | |
KR101375583B1 (ko) | 비디오에서의 물체 조밀도 판단 | |
CN102759347B (zh) | 一种高铁接触网在线巡检装置、巡检方法以及其检测系统 | |
CN111310994A (zh) | 一种基于数据校准的公交路线预测方法及系统 | |
CN113343960A (zh) | 一种地铁站内实时留存客流估计与预警方法 | |
CN105744232A (zh) | 一种基于行为分析技术的输电线路视频防外破的方法 | |
US11023761B2 (en) | Accurate ROI extraction aided by object tracking | |
CN105303191A (zh) | 一种前视监视场景下的行人计数方法和装置 | |
CN102426785B (zh) | 基于轮廓和局部特征点的交通流信息感知方法及系统 | |
CN113160575A (zh) | 一种非机动车辆及驾驶人的交通违法行为检测方法及系统 | |
CN111126171A (zh) | 一种车辆逆行检测方法及系统 | |
CN112232333A (zh) | 一种地铁站内实时客流热力图生成方法 | |
CN110717408B (zh) | 一种基于tof相机的人流计数方法 | |
CN110222579B (zh) | 一种结合运动规律和目标检测的视频对象计数方法 | |
CN112071084A (zh) | 一种利用深度学习判断违章停车的方法和系统 | |
CN109919066B (zh) | 一种检测轨道交通车厢内乘客密度异常的方法和装置 | |
CN115861383B (zh) | 一种拥挤空间下多信息融合的行人轨迹预测装置及方法 | |
CN111680613A (zh) | 一种实时检测手扶电梯乘客摔倒行为的方法 | |
CN112084928A (zh) | 基于视觉注意力机制和ConvLSTM网络的道路交通事故检测方法 | |
CN114170580A (zh) | 一种面向高速公路的异常事件检测方法 | |
CN115909223A (zh) | 一种wim系统信息与监控视频数据匹配的方法和系统 | |
CN106919889B (zh) | 对视频图像中的人头进行检测的方法和装置 | |
CN112258707A (zh) | 一种基于人脸识别的智能门禁管理系统 | |
CN114640807B (zh) | 基于视频的对象统计方法、装置、电子设备和存储介质 | |
Zheng et al. | Toward real-time congestion measurement of passenger flow on platform screen doors based on surveillance videos analysis |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210903 |