CN113989840A - 用于站台端部的警示方法和警示装置 - Google Patents

Abstract

本申请公开一种用于站台端部的警示方法和警示装置，涉及安全预警技术领域。方法包括：在确定预设警示区域内存在待确认物体的情况下，获取预设警示区域对应的图像信息和待确认物体的位置信息，预设警示区域是基于站台端部确定的区域；依据预设深度学习算法对预设警示区域对应的图像信息进行分析，确定待确认物体的类型；依据待确认物体的类型和待确认物体的位置信息，确定警示信息。警示信息用于对待确认物体进行监管和警示，以提示待确认物体远离预设警示区域，以避免意外发生，提升站台端部的安全性。

Description

用于站台端部的警示方法和警示装置

技术领域

本申请涉及安全预警技术领域，具体涉及一种用于站台端部的警示方法和警示装置。

背景技术

随着铁路轨道的不断修建，铁路站台的数量也日益增加。而由于铁路的客运量大、发车间隔短等原因，在铁路站台上候车的旅客数量也在不断增加，站台工作人员需要针对站台上的旅客进行安全管理，以避免非法逃票或旅客随意进入铁轨的意外事件发生。

目前，铁路站台上多采用放置防护栅栏等方式对候车旅客进行安全管理，无法实现全天候的对旅客行为的约束，不能对旅客行为进行精准的控制和管理。而通过常规的视频监控的方式，易导致管理行为的滞后，无法实时对站台上的旅客进行监管和警示，使铁路站台中存在安全隐患。

发明内容

为此，本申请提供一种用于站台端部的警示方法和警示装置，解决如何对站台中的旅客行为进行精准监管，以消除安全隐患的问题。

为了实现上述目的，本申请第一方面提供一种用于站台端部的警示方法，方法包括：在确定预设警示区域内存在待确认物体的情况下，获取预设警示区域对应的图像信息和待确认物体的位置信息，预设警示区域是基于站台端部确定的区域；依据预设深度学习算法对预设警示区域对应的图像信息进行分析，确定待确认物体的类型；依据待确认物体的类型和待确认物体的位置信息，确定警示信息。

在一些具体实现中，预设深度学习算法，包括：人形检测算法，人形检测算法是基于支持向量机的人形识别算法对历史图像数据进行学习确定的算法；

依据预设深度学习算法对预设警示区域对应的图像信息进行分析，确定待确认物体的类型，包括：

依据人形检测算法对预设警示区域对应的图像信息进行分析，确定预设警示区域内是否存在人形物体；

在确定预设警示区域内存在人形物体的情况下，对人形物体进行射频信号的检测，获得第一检测结果；

对人形物体对应的图像信息进行检测，获得第二检测结果；

依据第一检测结果和第二检测结果，确定待确认物体的类型为待警示物体。

在一些具体实现中，对人形物体进行射频信号的检测，获得第一检测结果，包括：

向人形物体发送射频请求信号；

在确定接收到人形物体反馈的射频响应信号的情况下，确定第一检测结果为人形物体佩戴预设检测模块；

否则，确定第一检测结果为人形物体没有佩戴预设检测模块。

在一些具体实现中，对人形物体对应的图像信息进行检测，获得第二检测结果，包括：

依据预设图像处理算法对人形物体对应的图像信息进行处理，确定人形物体对应的待匹配服装类型；

依据待匹配服装类型和预设服装类型，确定第二检测结果。

在一些具体实现中，依据待确认物体的类型和待确认物体的位置信息，确定警示信息，包括：

在确定待确认物体为待警示物体的情况下，依据待警示物体的位置信息与预设警示区域的对应关系，确定警示信息，警示信息用于向待警示物体告警提示。

在一些具体实现中，预设警示区域包括：第一预设区域和第二预设区域，第一预设区域的告警等级低于第二预设区域的告警等级；

依据待警示物体的位置信息与预设警示区域的对应关系，确定警示信息，包括：

在确定待警示物体的位置信息与第一预设区域相匹配的情况下，生成第一警示信息；

在确定待警示物体的位置信息与第二预设区域相匹配的情况下，生成第二警示信息。

在一些具体实现中，第一警示信息的展示方式包括第一类文字展示和/或第一类语音提示，第二警示信息的展示方式包括第二类文字展示、第二类语音提示和闪光提示中的至少一种。

在一些具体实现中，在确定预设警示区域内存在待确认物体的情况下，获取预设警示区域对应的图像信息和待确认物体的位置信息之前，还包括：

采用激光雷达检测模块或毫米波雷达检测模块对预设警示区域进行检测，确定预设警示区域中是否存在待确认物体。

在一些具体实现中，依据待确认物体的类型和待确认物体的位置信息，确定警示信息之后，还包括：

跟踪并获取待警示物体在预设警示区域内的运动轨迹；

存储运动轨迹、待警示物体对应的图像信息和警示信息。

为了实现上述目的，本申请第二方面提供一种警示装置，其包括：获取模块，被配置为在确定预设警示区域内存在待确认物体的情况下，获取预设警示区域对应的图像信息和待确认物体的位置信息，预设警示区域是基于站台端部确定的区域；分析模块，被配置为依据预设深度学习算法对预设警示区域对应的图像信息进行分析，确定待确认物体的类型；确定模块，被配置为依据待确认物体的类型和待确认物体的位置信息，确定警示信息。

本申请中的用于站台端部的警示方法和警示装置，通过对基于站台端部确定的预设警示区域中的物体进行监测，并在确定预设警示区域内存在待确认物体的情况下，获取预设警示区域对应的图像信息和待确认物体的位置信息，以方便进一步对待确认物体进行监测和分析；使用预设深度学习算法对预设警示区域对应的图像信息进行分析，确定待确认物体的类型，基于不同的物体类型，对应做不同的处理，减少海量数据的处理时间，提升数据的处理效率；依据待确认物体的类型和待确认物体的位置信息，确定警示信息，该警示信息用于对待确认物体进行监管和警示，以提示待确认物体远离预设警示区域，以避免意外发生，提升站台端部的安全性。

附图说明

附图用来提供对本公开实施例的进一步理解，并且构成说明书的一部分，与本公开的实施例一起用于解释本公开，并不构成对本公开的限制。通过参考附图对详细示例实施例进行描述，以上和其它特征和优点对本领域技术人员将变得更加显而易见。

图1示出本申请一实施例提供的用于站台端部的警示方法的流程示意图。

图2示出本申请又一实施例提供的用于站台端部的警示方法的流程示意图。

图3示出本申请实施例提供的警示装置的组成方框图。

图4示出本申请实施例提供的用于站台端部的警示设备的组成方框图。

图5示出本申请实施例提供的用于站台端部的警示设备的工作方法的流程示意图。

具体实施方式

以下结合附图对本申请的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本申请，并不用于限制本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

由于铁路站台的端部，时常会有车站的工作人员以及作业车辆的频繁出入，通过会采用振动传感器、红外传感器、电子围栏和视频监控装置中的至少一种装置进行监控。但是，上述单一的非智能化报警装置易受到恶劣天气、遮挡物的遮挡、以及复杂环境等因素的影响，导致告警信息的不准确，从而对站台端部的安全情况造成误判，使管理人员无法及时准确的对站台端部进行监控和管理。

基于上述问题，本申请提供一种用于站台端部的警示方法和警示装置，可通过非接触的监控方式，对站台端部存在的待确认物体进行全面的检测，以确定警示信息。该警示信息可用于对待确认物体进行监管和警示，以提示待确认物体远离预设警示区域，以避免意外发生，提升站台端部的安全性。

图1示出本申请一实施例提供的用于站台端部的警示方法的流程示意图。该方法可应用于警示装置。如图1所示，包括：

步骤S101，在确定预设警示区域内存在待确认物体的情况下，获取预设警示区域对应的图像信息和待确认物体的位置信息。

其中，预设警示区域是基于站台端部确定的区域。待确认物体可以包括站台的工作人员、旅客、动物和运输装置中的至少一种。

通过获取预设警示区域对应的图像信息，能够初步获知待确认物体的类别，而通过获取到的待确认物体的位置信息，可以获知待确认物体是否处于危险区域，以避免意外情况的发生。

步骤S102，依据预设深度学习算法对预设警示区域对应的图像信息进行分析，确定待确认物体的类型。

其中，预设深度学习算法可以包括：物体检测算法和/或景物划分算法。景物划分算法可以获知待确认物体所在区域的特征；物体检测算法能够明确待确认物体的类别。

例如，可以通过景物划分算法先对预设警示区域对应的图像信息进行分块，以区分不同的区域；再使用物体检测算法对不同的区域中的待确认物体进行类别的区分，进一步明确待确认物体的类型。

通过预设深度学习算法对预设警示区域对应的图像信息进行分析，能够细化待确认物体的特征，并通过不同类别的特征来明确待确认物体的类型，以确定是否需要对待确认进行警示，保证站台端部的安全性。

步骤S103，依据待确认物体的类型和待确认物体的位置信息，确定警示信息。

其中，警示信息用于对待确认物体进行监管和警示。

在明确待确认物体的类型的情况下，可以将待确认物体的位置信息与预设警示区域进行匹配，以确定待确认物体所处位置的安全性。若确定待确认物体处于危险区域，需要生成警示信息，并使用该警示信息驱离待确认物体，保障待确认物体的安全的同时，保障站台端部的作业安全。

在本实施例中，通过对基于站台端部确定的预设警示区域中的物体进行监测，并在确定预设警示区域内存在待确认物体的情况下，获取预设警示区域对应的图像信息和待确认物体的位置信息，以方便进一步对待确认物体进行监测和分析；使用预设深度学习算法对预设警示区域对应的图像信息进行分析，确定待确认物体的类型，基于不同的物体类型，对应做不同的处理，减少海量数据的处理时间，提升数据的处理效率；依据待确认物体的类型和待确认物体的位置信息，确定警示信息，该警示信息用于对待确认物体进行监管和警示，以提示待确认物体远离预设警示区域，以避免意外发生，提升站台端部的安全性。

本申请实施例提供了又一种可能的实现方式，其中，在执行步骤S101中的在确定预设警示区域内存在待确认物体的情况下，获取预设警示区域对应的图像信息和待确认物体的位置信息之前，还包括：

采用激光雷达检测模块或毫米波雷达检测模块对预设警示区域进行检测，确定预设警示区域中是否存在待确认物体。

其中，激光雷达检测模块是采用激光雷达对预设警示区域进行检测；而毫米波雷达检测模块是采用毫米波雷达对预设警示区域进行检测。

雷达检测装置可采用广角探测模式对预设警示区域进行检测，以扩展检测区域的范围；而毫米波雷达和/或激光雷达具有穿透力强的特征，能够保证对待确认物体的检测精度。采用不同类型的雷达对预设警示区域进行全天候的检测，能够避免非工作时间出现意外情况的发生，保证站台端部的安全性。

图2示出本申请又一实施例提供的用于站台端部的警示方法的流程示意图。该方法可应用于警示装置。本实施例与上一实施例的区别在于：预设深度学习算法包括人形检测算法，该人形检测算法是基于支持向量机的人形识别算法对历史图像数据进行学习确定的算法。通过该人形检测算法，能够对进入站台端部的待确认物体进行精准分析，以提升对待确认物体的检测精度。

如图2所示，该用于站台端部的警示方法包括如下步骤：

步骤S201，在确定预设警示区域内存在待确认物体的情况下，获取预设警示区域对应的图像信息和待确认物体的位置信息。

其中，预设警示区域是基于站台端部确定的区域。

步骤S202，依据人形检测算法对预设警示区域对应的图像信息进行分析，确定预设警示区域内是否存在人形物体。

其中，人形检测算法可以是基于支持向量机的人形识别算法对历史图像数据进行学习确定的算法。

通过支持向量机的人形识别算法分析出图像信息中的人形物体，过滤其他运动物体(如树枝摇晃，走动的动物等)对应的图像信息，使预设警示区域内的人形物体更突出，进而明确预设警示区域内是否存在人形物体，提升检测精度。

进一步地，支持向量机的人形识别算法，还可以通过对预设警示区域对应的图像信息静态图像进行小波变换，提取预设警示区域对应的图像信息中的目标物体的局部形状，并结合该预设警示区域对应的图像信息中的动态图像的局部特征，利用支持向量机的算法对样本特征进行机器学习与识别，进而确定预设警示区域内是否存在人形物体，提高图像检测的准确性。

步骤S203，在确定预设警示区域内存在人形物体的情况下，对人形物体进行射频信号的检测，获得第一检测结果。

其中，射频信号是经过调制的、拥有一定发射频率的电波。不同的射频信号具有不同的特征，故需要采用特定的传输装置对该射频信息进行处理和传输，以使对应的连接器可以识别出该射频信号。

需要说明的是，射频信号的发送设备和接收设备是成对出现的，发送设备发送的特定的射频信号仅能够使其对应的接收设备接收到，以保证射频信号的传输有效性。

例如，应答器作为接收设备，阅读器作为发送设备，当应答器进入阅读器的可读范围后，应答器接收阅读器发出的射频信号，并凭借感应电流所获得的能量发送产品信息，或者，由应答器主动发送某一频率的信号，以使阅读器读取应答器发送的信息并对该信息进行解码，进而判断该应答器是否与阅读器相匹配的设备。

在一些具体实现中，对人形物体进行射频信号的检测，获得第一检测结果，包括：向人形物体发送射频请求信号；在确定接收到人形物体反馈的射频响应信号的情况下，确定第一检测结果为人形物体佩戴预设检测模块；否则，确定第一检测结果为人形物体没有佩戴预设检测模块。

其中，预设检测模块可包括射频识别(Radio Frequency Identification，RFID)模块。例如，人形物体所携带的工卡中包括该RFID模块，或人形物体所携带的智能设备中包括该RFID模块等，以方便对人形物体进行检测。

需要说明的是，如果人形物体能够反馈射频响应信号至当前设备，则表明该人形物体是站台的管理人员；否则，确定该人形物体仅是途径站台的旅客。

通过第一检测结果来区分人形物体的不同类别，以方便对不同类别的人形物体进行不同的处理。

步骤S204，对人形物体对应的图像信息进行检测，获得第二检测结果。

其中，人形物体对应的图像信息可以包括：人形物体的服饰特征、人形物体的形态特征和人形物体的颜色特征中的至少一种。

通过对人形物体的服饰特征、人形物体的形态特征和人形物体的颜色特征中的至少一种进行检测，能够进一步明确该人形物体的细节，进而获知第二检测结果，该第二检测结果有助于对人形物体的类型进行确认，提高对人形物体的检测准确性。

在一些具体实现中，对人形物体对应的图像信息进行检测，获得第二检测结果，包括：依据预设图像处理算法对人形物体对应的图像信息进行处理，确定人形物体对应的待匹配服装类型；依据待匹配服装类型和预设服装类型，确定第二检测结果。

其中，预设图像处理算法可以包括：图像色彩匹配算法。预设服装类型包括：预设颜色特征。

该图像色彩匹配算法可以采用机器学习的方式，提取人形物体的待匹配颜色特征；然后，将该待匹配颜色特征与预设颜色特征进行匹配，以确定第二检测结果。

需要说明的是，颜色特征是人类感知和区分不同物体的一种基本视觉特征。该视觉特征描述了图像或图像区域所对应的人物(或，景物)的表面性质。并且，颜色特征对于图像的旋转、平移、尺度变化都不敏感，能够表现出较强的鲁棒性。

进一步地，还可以将提取到的人形物体的待匹配颜色特征先转化为灰度特征，然后再对该灰度特征进行分析，以确定第二检测结果，提升对颜色特征的检测准确性。

步骤S205，依据第一检测结果和第二检测结果，确定待确认物体的类型为待警示物体。

在确定第一检测结果为人形物体没有佩戴预设检测模块，且，第二检测结果为人形物体对应的图像信息不包括预设服装类型的情况下，确定待确认物体为待警示物体。

需要说明的是，如果人形物体没有佩戴预设检测模块，则说明该人形物体不是站台的工作人员，有可能是候车的旅客或其他闲散人员；并且，预设服装类型能够表征人形物体的特定特征，如果人形物体对应的图像信息不包括预设服装类型，则说明该人形物体同样不具备站台的工作人员的特定特征，因此，需要将该人形物体标识为待警示物体，并对该待警示物体进行进一步警示和驱离，以保证站台端部的安全性和作业正常。

步骤S206，依据待确认物体的类型和待确认物体的位置信息，确定警示信息。

本实施例中的步骤S206与上一实施例中的步骤S103相同，在此不再赘述。

在本实施例中，在确定预设警示区域内存在人形物体的情况下，对人形物体进行射频信号的检测，获得第一检测结果，能够初步确认预设警示区域内的人形物体对应的属性；然后，再进一步对人形物体对应的图像信息进行检测，获得第二检测结果，以使该第二检测结果细化对人形物体的检测精准性；通过将第一检测结果和第二检测结果相结合，使预设警示区域中的人形物体的检测精度得到提升，明确待确认物体的类型；再将待确认物体的类型和待确认物体的位置信息结合确认，生成用于对待确认物体进行监管和警示的警示信息，以提示待确认物体远离预设警示区域，避免意外发生，提升站台端部的安全性。

本申请实施例提供了另一种可能的实现方式，其中，步骤S103或步骤S206中的依据待确认物体的类型和待确认物体的位置信息，确定警示信息，可以采用如下方式实现：在确定待确认物体为待警示物体的情况下，依据待警示物体的位置信息与预设警示区域的对应关系，确定警示信息。

其中，警示信息用于向待警示物体告警提示。

其中，待警示物体的位置信息与预设警示区域的对应关系可以表征待警示物体是否处于危险区域，并在确定待警示物体处于危险区域的情况下，使用警示信息对待确认物体进行告警提示，以使待确认物体远离危险区域，确保待确认物体的安全性，同时保证预设警示区域内的作业正常性。

在一些具体实现中，预设警示区域包括：第一预设区域和第二预设区域，第一预设区域的告警等级低于第二预设区域的告警等级；依据待警示物体的位置信息与预设警示区域的对应关系，确定警示信息，包括：在确定待警示物体的位置信息与第一预设区域相匹配的情况下，生成第一警示信息；在确定待警示物体的位置信息与第二预设区域相匹配的情况下，生成第二警示信息。

其中，第一警示信息的展示方式包括第一类文字展示和/或第一类语音提示，第二警示信息的展示方式包括第二类文字展示、第二类语音提示和闪光提示中的至少一种。

需要说明的是，由于第一预设区域的告警等级低于第二预设区域的告警等级，因此，第一警示信息的展示方式也会相对第二警示信息的展示方式弱化一些。

例如，第一类文字展示和/或第一类语音提示可以仅是轻微提示；而第二警示信息的展示方式中的第二类文字展示、第二类语音提示和闪光提示会更加强烈一些，例如，闪光提示可能使用强度很高的灯光警示待警示物体，以使待警示物体可以被站台管理人员注意到，并即使将该待警示物体驱离；或者，第二类文字和第二类语音中会使用用词强烈的信息进行展示，使待警示物体可以及时立刻危险区域，保证待警示物体的安全性。

本申请实施例提供了另一种可能的实现方式，其中，步骤S103或步骤S206中的依据待确认物体的类型和待确认物体的位置信息，确定警示信息之后，还包括：跟踪并获取待警示物体在预设警示区域内的运动轨迹；存储运动轨迹、待警示物体对应的图像信息和警示信息。

其中，运动轨迹能够表征待警示物体在预设警示区域的移动信息，而通过待警示物体对应的图像信息和警示信息可以获知该待警示物体在被警示后所做出的反应。

如果待警示物体接收到警示信息而没有立刻预设警示区域，从而造成待警示物体被伤害，可通过存储的运动轨迹、待警示物体对应的图像信息和警示信息来进行取证(例如，调取警示信息对应时间内的历史视频等)方便对待警示物体的入侵行为进行举证，约束进入站台端部的待警示物体的行为，进而对待警示物体起到震慑作用。

图3示出本申请实施例提供的警示装置的组成方框图。本实施方式中的装置的具体实施不局限于以上实施例，其他未说明的实施例也在本装置的保护范围之内。

如图3所示，该警示装置300具体包括如下模块。

获取模块301，被配置为在确定预设警示区域内存在待确认物体的情况下，获取预设警示区域对应的图像信息和待确认物体的位置信息，预设警示区域是基于站台端部确定的区域；分析模块302，被配置为依据预设深度学习算法对预设警示区域对应的图像信息进行分析，确定待确认物体的类型；确定模块303，被配置为依据待确认物体的类型和待确认物体的位置信息，确定警示信息。

在一些具体实现中，预设深度学习算法，包括：人形检测算法，人形检测算法是基于支持向量机的人形识别算法对历史图像数据进行学习确定的算法；分析模块302，具体用于：依据人形检测算法对预设警示区域对应的图像信息进行分析，确定预设警示区域内是否存在人形物体；在确定预设警示区域内存在人形物体的情况下，对人形物体进行射频信号的检测，获得第一检测结果；对人形物体对应的图像信息进行检测，获得第二检测结果；依据第一检测结果和第二检测结果，确定待确认物体的类型为待警示物体。

在一些具体实现中，对人形物体进行射频信号的检测，获得第一检测结果，包括：向人形物体发送射频请求信号；在确定接收到人形物体反馈的射频响应信号的情况下，确定第一检测结果为人形物体佩戴预设检测模块；否则，确定第一检测结果为人形物体没有佩戴预设检测模块。

在一些具体实现中，对人形物体对应的图像信息进行检测，获得第二检测结果，包括：依据预设图像处理算法对人形物体对应的图像信息进行处理，确定人形物体对应的待匹配服装类型；依据待匹配服装类型和预设服装类型，确定第二检测结果。

在一些具体实现中，确定模块303，具体用于：在确定待确认物体为待警示物体的情况下，依据待警示物体的位置信息与预设警示区域的对应关系，确定警示信息，警示信息用于向待警示物体告警提示。

在一些具体实现中，预设警示区域包括：第一预设区域和第二预设区域，第一预设区域的告警等级低于第二预设区域的告警等级；依据待警示物体的位置信息与预设警示区域的对应关系，确定警示信息，包括：在确定待警示物体的位置信息与第一预设区域相匹配的情况下，生成第一警示信息；在确定待警示物体的位置信息与第二预设区域相匹配的情况下，生成第二警示信息。

在一些具体实现中，第一警示信息的展示方式包括第一类文字展示和/或第一类语音提示，第二警示信息的展示方式包括第二类文字展示、第二类语音提示和闪光提示中的至少一种。

在一些具体实现中，警示装置300，还包括：检测模块，用于采用激光雷达检测模块或毫米波雷达检测模块对预设警示区域进行检测，确定预设警示区域中是否存在待确认物体。

在一些具体实现中，警示装置300，还包括：运动轨迹处理模块，用于跟踪并获取待警示物体在预设警示区域内的运动轨迹；存储运动轨迹、待警示物体对应的图像信息和警示信息。

在本实施方式中，通过获取模块对基于站台端部确定的预设警示区域中的物体进行监测，并在确定预设警示区域内存在待确认物体的情况下，获取预设警示区域对应的图像信息和待确认物体的位置信息，以方便进一步对待确认物体进行监测和分析；分析模块使用预设深度学习算法对预设警示区域对应的图像信息进行分析，确定待确认物体的类型，基于不同的物体类型，对应做不同的处理，减少海量数据的处理时间，提升数据的处理效率；使用确定模块依据待确认物体的类型和待确认物体的位置信息，确定警示信息，该警示信息用于对待确认物体进行监管和警示，以提示待确认物体远离预设警示区域，以避免意外发生，提升站台端部的安全性。

值得一提的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本申请的创新部分，本实施方式中并没有将与解决本申请所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。

图4示出本申请实施例提供的用于站台端部的警示设备的组成方框图。如图4所示，该用于站台端部的警示设备包括如下设备：

警示控制装置401、雷达检测模块402、视频监测模块403、数据处理模块404、语音提示装置405、显示屏406、报警装置407和射频模块408。

其中，警示控制装置401，用于接收雷达探测模块402探测到的待确认物体的位置信息(例如，方位信息、距离信息等)；接收视频监测模块403获取到的图像信息(例如，待确认物体对应的视频文件或图像文件等)；接收上层控制设备(例如，初始配置装置、智能设备中的应用程序(Application，APP)等)配置的控制信息；接收射频模块408(例如，RFID模块等)发送的数据信息等。同时，警示控制装置401还用于将接收到的控制信息和数据信息传输至数据处理模块404，以供数据处理模块404进行处理。警示控制装置401还可以将数据分析结果反馈至APP，以方便工作人员对站台端部的管理和监控。

警示控制装置401，还可以包括电源模块(图中未示出)，该电源模块用于为各个模块提供对应规格的电压，保障各个模块的稳定运行。

数据处理模块404，用于对警示控制装置401输入的控制信息和数据信息进行处理，生成融合信息、告警视频文件以及对不同类别的报警装置的控制信息等，并将生成的融合信息(例如，声音控制信息、文字控制信息等)、告警视频文件和控制信息反馈给警示控制装置401。

语音提示装置405，用于对警示控制装置401输入的声音控制信息进行广播，以提示待警示物体离开危险区域。

显示屏406，用于对警示控制装置401输入的文字控制信息进行显示。

需要说明的是，语音提示装置405和显示屏406能够进行联动报警，对出现在站台端部的待警示物体，产生具有震慑力的警示作用。

报警装置407，用于将警示控制装置401输入的报警信息传输至站台管理人员，以方便站台管理人员的管理。报警装置407还可以包括灯光警示模块(图中未示出)，该灯光警示模块用于发送强光，以驱离待警示物体。

在本实施例中，警示控制装置401可适用于全天候的探测环境，可以提高对站台端部的探测精确性。并且，警示控制装置401还可以通过人性检测算法，对出现在站台端部的待确认物体进行分析，提升警示控制装置401的智能化水平，可有效降低误报率。同时，使用预设深度学习算法对采集到的预设警示区域对应的图像信息进行分析，能够降低对于网络带宽的需求，使网络带宽只用于传输报警视频，降低警示控制装置401的性能要求及其维护成本，并提高工作人员的工作效率。

图5示出本申请实施例提供的用于站台端部的警示设备的工作方法的流程示意图。如图5所示，用于站台端部的警示设备的工作方法包括如下步骤。

步骤S501，警示控制装置401对获取到的控制信息，对各个模块进行初始的网络配置。

其中，网络配置可以对各个模块的网络地址和端口进行配置，以使各个模块之间可以进行正常通信，保证各个模块之间的数据传输畅通。

步骤S502，在确定对各个模块的网络配置完成的情况下，警示控制装置401根据需求，通过管理界面对雷达检测模块402和视频监测模块403进行系统参数配置。

其中，系统参数可以包括：探测范围参数、视频监测精度参数、雷达类型参数中的至少一种。探测范围参数是根据预设警示区域的范围来确定的参数，该预设警示区域是基于站台端部确定的区域。

预设警示区域可包括：第一预设区域和第二预设区域，第一预设区域的告警等级低于第二预设区域的告警等级。

步骤S503，警示控制装置401控制雷达检测模块402采用毫米波雷达检测方式和/或激光雷达检测方式，对预设警示区域内的待确认物体进行检测，获得雷达检测结果。

其中，雷达检测结果包括待确认物体对应的图像信息和待确认物体的位置信息等信息。

需要说明的是，雷达检测模块402可以采用广角探测模式对预设警示区域进行检测，以扩展检测区域的范围；并且，毫米波雷达和/或激光雷达具有穿透力强的特征，能够保证对待确认物体的检测精度。而雷达检测模块402还可以进行全天候的检测，能够避免非工作时间出现意外情况的发生，保证站台端部的安全性。

步骤S504，根据雷达检测结果，判断预设警示区域内是否存在运动的人形物体。

在确定预设警示区域内存在运动的人形物体的情况下，执行步骤S505；否则，返回步骤S503，继续对预设警示区域进行检测。

步骤S505，警示控制装置401将步骤S503中获取到的待确认物体对应的图像信息和待确认物体的位置信息发送至数据处理模块404，以使数据处理模块可以采用预设深度学习算法，对预设警示区域对应的图像信息进行分析，以确定待确认物体的类型。

其中，预设深度学习算法可以是基于人工智能的机器深度学习算法，并且，该预设深度学习算法可以包括：物体检测算法、景物划分算法和人形检测算法中的至少一种。景物划分算法可以获知待确认物体所在区域的特征；物体检测算法能够明确待确认物体的类别。人形检测算法是基于支持向量机的人形识别算法对历史图像数据进行学习确定的算法。

待确认物体的类型可包括：待警示物体(例如，误入危险区域的旅客等)、站台的工作人员、动物和可移动的物体(例如，负责运输旅客行李的站台车辆等)中的至少一种。

步骤S506，警示控制装置401判断待确认物体的类型是否为人形物体。

在确定待确认物体的类型为人形物体的情况下，执行步骤S507；否则，返回步骤S503，继续对预设警示区域进行检测。

步骤S507，警示控制装置401控制射频模块408对人形物体进行射频检测，获得射频检测结果。

例如，射频模块408可以发送射频请求信号至人形物体，并根据预设时长(例如，10秒或15秒等)内是否接收到人形物体反馈的射频响应信号，确定射频检测结果。

又例如，射频模块408可以通过读取预设检测模块中的预存信息，来确定预设检测模块的位置，并将该预设检测模块的位置与人形物体的位置相匹配，以确定该人形物体是否佩戴预设检测模块，从而获得射频检测结果。

步骤S508，警示控制装置401根据射频检测结果判断人形物体是否为旅客。

其中，射频检测结果包括：人形物体佩戴预设检测模块，或，人形物体没有佩戴预设检测模块。

在确定预设时长内接收到人形物体反馈的射频响应信号的情况下，确定射频检测结果为人形物体佩戴预设检测模块，可确定该人形物体为站台的工作人员；否则，在确定预设时长(例如，10秒或15秒等)内没有接收到人形物体反馈的射频响应信号的情况下，确定人形物体没有佩戴预设检测模块，即该人形物体为旅客。

在确定人形物体为旅客的情况下，执行步骤S509；否则，返回步骤S503，继续对预设警示区域进行检测。

步骤S509，警示控制装置401控制语音提示装置405、显示屏406和报警装置407进行告警。

其中，语音提示装置405可根据警示控制装置401反馈的警示信息发送广播至预设警示区域内的旅客。例如，语音提示装置405可以是网络音柱，该网络音柱能够广播语音信息。

显示屏406可根据警示信息，展示文字信息，例如，“旅客止步”或“禁止进入”等文字。

报警装置407可通过网络连接至站台的工作人员，以提示站台的工作人员对预设警示区域内的旅客进行驱离。

需要说明的是，预设警示区域可以包括第一预设区域和第二预设区域，第一预设区域对应第一警示信息，第二预设区域对应第二警示信息，第一警示信息的展示方式包括：第一类文字展示和/或第一类语音提示，第二警示信息的展示方式包括：第二类文字展示、第二类语音提示和闪光提示中的至少一种。

并且，由于第二预设区域的告警等级高于第一预设区域的告警等级，可设置第二警示信息的用词严厉程度高于第一警示信息的用词严厉程度，以重点提示并告警处于第二预设区域内的旅客。

步骤S510，警示控制装置401对预设警示区域内的旅客的运动轨迹进行记录，并存储该运动轨迹、预设警示区域内的旅客对应的图像信息和发送至该旅客的警示信息，以方便后续的取证和分析。

在本实施例中，通过采用雷达检测模块对预设警示区域进行检测，以确定预设警示区域中是否存在运动的人形物体，以实现对车站端部的预设警示区域内的非法人员进行检测；并采用人工智能的机器学习算法，对获取到的预设警示区域内的待确认物体的图像信息进行分析，筛选出非法进入预设警示区域内的旅客，并启动多种不同的告警方式(例如，声音广播、文字提示或灯光警示等)对该旅客进行驱离，以保证预设警示区域的安全性，使旅客的安全性能够得到保障，并提升站台端部的管理效率。同时，对预设警示区域内的旅客的运动轨迹进行跟踪和记录，以方便后续的取证和分析，避免误会发生。

可以理解的是，以上实施方式仅仅是为了说明本申请的原理而采用的示例性实施方式，然而本申请并不局限于此。对于本领域内的普通技术人员而言，在不脱离本申请的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本申请的保护范围。

Claims (10)

1.一种用于站台端部的警示方法，其特征在于，所述方法包括：

在确定预设警示区域内存在待确认物体的情况下，获取所述预设警示区域对应的图像信息和所述待确认物体的位置信息，所述预设警示区域是基于站台端部确定的区域；

依据预设深度学习算法对所述预设警示区域对应的图像信息进行分析，确定所述待确认物体的类型；

依据所述待确认物体的类型和所述待确认物体的位置信息，确定警示信息。

2.根据权利要求1所述的方法，其特征在于，所述预设深度学习算法，包括：人形检测算法，所述人形检测算法是基于支持向量机的人形识别算法对历史图像数据进行学习确定的算法；

所述依据预设深度学习算法对所述预设警示区域对应的图像信息进行分析，确定所述待确认物体的类型，包括：

依据所述人形检测算法对所述预设警示区域对应的图像信息进行分析，确定所述预设警示区域内是否存在人形物体；

在确定所述预设警示区域内存在所述人形物体的情况下，对所述人形物体进行射频信号的检测，获得第一检测结果；

对所述人形物体对应的图像信息进行检测，获得第二检测结果；

依据所述第一检测结果和所述第二检测结果，确定所述待确认物体的类型为待警示物体。

3.根据权利要求2所述的方法，其特征在于，所述对所述人形物体进行射频信号的检测，获得第一检测结果，包括：

向所述人形物体发送射频请求信号；

在确定接收到所述人形物体反馈的射频响应信号的情况下，确定所述第一检测结果为所述人形物体佩戴预设检测模块；

否则，确定所述第一检测结果为所述人形物体没有佩戴预设检测模块。

4.根据权利要求2所述的方法，其特征在于，所述对所述人形物体对应的图像信息进行检测，获得第二检测结果，包括：

依据预设图像处理算法对所述人形物体对应的图像信息进行处理，确定所述人形物体对应的待匹配服装类型；

依据所述待匹配服装类型和预设服装类型，确定所述第二检测结果。

5.根据权利要求2所述的方法，其特征在于，所述依据所述待确认物体的类型和所述待确认物体的位置信息，确定警示信息，包括：

在确定所述待确认物体为所述待警示物体的情况下，依据所述待警示物体的位置信息与所述预设警示区域的对应关系，确定所述警示信息，所述警示信息用于向所述待警示物体告警提示。

6.根据权利要求5所述的方法，其特征在于，所述预设警示区域包括：第一预设区域和第二预设区域，所述第一预设区域的告警等级低于所述第二预设区域的告警等级；

所述依据所述待警示物体的位置信息与所述预设警示区域的对应关系，确定生成所述警示信息，包括：

在确定所述待警示物体的位置信息与所述第一预设区域相匹配的情况下，生成第一警示信息；

在确定所述待警示物体的位置信息与所述第二预设区域相匹配的情况下，生成第二警示信息。

7.根据权利要求6所述的方法，其特征在于，所述第一警示信息的展示方式包括第一类文字展示和/或第一类语音提示，所述第二警示信息的展示方式包括第二类文字展示、第二类语音提示和闪光提示中的至少一种。

8.根据权利要求1至7中任一项所述的方法，其特征在于，所述在确定预设警示区域内存在待确认物体的情况下，获取所述预设警示区域对应的图像信息和所述待确认物体的位置信息之前，还包括：

采用激光雷达检测模块或毫米波雷达检测模块对所述预设警示区域进行检测，确定所述预设警示区域中是否存在所述待确认物体。

9.根据权利要求2至7中任一项所述的方法，其特征在于，所述依据所述待确认物体的类型和所述待确认物体的位置信息，确定警示信息之后，还包括：

跟踪并获取所述待警示物体在所述预设警示区域内的运动轨迹；

存储所述运动轨迹、所述待警示物体对应的图像信息和所述警示信息。

10.一种警示装置，其包括：

获取模块，被配置为在确定预设警示区域内存在待确认物体的情况下，获取所述预设警示区域对应的图像信息和所述待确认物体的位置信息，所述预设警示区域是基于站台端部确定的区域；

分析模块，被配置为依据预设深度学习算法对所述预设警示区域对应的图像信息进行分析，确定所述待确认物体的类型；

确定模块，被配置为依据所述待确认物体的类型和所述待确认物体的位置信息，确定警示信息。

Images