CN115687046B - 一种基于智能视觉通行逻辑的仿真训练装置及方法 - Google Patents

Abstract

本发明涉及轨道交通通行设备技术领域，特别是涉及一种基于智能视觉通行逻辑的仿真训练装置及方法，所述仿真训练装置，包括外壳，所述外壳的正面设置有电源开关、电源接口和多个通信接口，所述通信接口包括COM接口、LVDS接口、DB9接口、VGA接口、网络接口、RJ45接口、USB接口、TypeC接口和HDMI接口。本发明能够缩短智能算法模型的训练周期，节约人力资源，并有效提高项目执行效率；能够在不破坏原有模型架构的基础上，通过专项训练增加模型的甄别和检测能力，提高通行逻辑软件和智能模型算法的鲁棒性，具备更好的扩展性，能够满足新增需求，而不需要重建神经网络，降低实施成本。

Description

一种基于智能视觉通行逻辑的仿真训练装置及方法

技术领域

本发明涉及轨道交通通行设备技术领域，特别是涉及一种基于智能视觉通行逻辑的仿真训练装置及方法。

背景技术

视觉通行逻辑是一种自动售检票领域的新兴技术，相对于传统的光电通行逻辑，视觉通行逻辑可以更好的识别闸机通道内的通行过程并判定通行行为是否合法，能够有效避免逃票、闯闸等非法行为，同时有效区分通行者与携带的行李、轮椅通行、儿童通行等特殊通行状况，减少客伤事件的发生。

衡量视觉通行逻辑软件性能优劣的核心是基于神经网络的智能算法模型，这种模型需要经过大量的训练才能使得算法具备良好的鲁棒性。

现有技术中的视觉通行逻辑往往需要经过实验室模型训练、场景训练、现场实际场景训练、部署训练等多个环节才能稳定的应用。

视觉通行逻辑软件搭载于硬件装置视觉模块内，每个不同的训练环节都需要将视觉模块拆卸并重新安装接入到不同的环境内进行训练，而视觉模块一般安装于闸机通道的上方，拆卸安装较为不便。在场景测试训练中，一般需要组织多人次、多种行为方式通过闸机通道，需要耗费大量人力资源。在现场实际场景训练中，由于车站客流量不稳定，可能需要持续数个月的时间积累足够的训练样本，取样繁琐，耗费时间久。

智能模型算法大部分是基于神经网络模型，是一个多层次多单元的网络结构，其能够在不同的节点上对权重数值进行调整，当需求新增时，一般需要重建神经网络。当应用的现场发生需求变更时，通行逻辑软件的模型往往需要进行相应的适配和调整，此时需要重复上述训练过程。即便是先期训练再部署，能够通过刷新软件版本和硬件固件的方式重新部署模型，但在缺乏足够客流的车站，无法对升级后模型的鲁棒性进行验证。

发明内容

本发明的目的在于提供一种基于智能视觉通行逻辑的仿真训练装置及方法，以解决上述背景技术中提出的问题。

本发明是通过以下技术方案实现的：

一种基于智能视觉通行逻辑的仿真训练装置，包括外壳，所述外壳的顶部设置有散热片，所述外壳的顶面设置有用于散热的通孔，所述外壳的正面设置有电源开关、电源接口和多个通信接口，所述通信接口包括COM接口、LVDS接口、DB9接口、VGA接口、网络接口、RJ45接口、USB接口、TypeC接口和HDMI接口，各类通信接口的数量均为一个或多个；

所述COM接口、DB9接口、RJ45接口、TypeC接口、USB接口均可用于连接外部装置，所述外部装置包括但不限于：

3D视觉模块，用于训练视觉通信逻辑的模型算法、记录通讯交互日志、控制及升级3D视觉模块固件版本；

外部工作站，用于获取3D视觉模块工作日志与通行行为视频流、烧写、录入仿真程序和仿真训练数据集、传输拷贝测试数据集、输出训练结果、检测测试日志；

所述LVDS接口、VGA接口、TypeC接口和HDMI接口均可用于图形化输出，输出内容包括但不限于：

获取并输出3D视觉模块的工作状态内容；

以日志或图形化形式向外部工作站实时输出仿真训练过程、仿真训练结果和模型检测结果。

作为本发明的进一步方案，3D视觉模块的工作状态内容包括RGB图像视频流、深度图像视频流和灰度图像视频流。

本发明还提供了一种基于上述智能视觉通行逻辑仿真训练装置的仿真训练方法，具体包括如下步骤：

S1、利用通讯接口连接外部工作站和3D视觉模块，获取仿真训练数据集；

S2、从步骤S1所得仿真训练数据集中随机抽取通行行为视频数据流，统计仿真训练数据集或上述通行行为视频数据流中的全部真实样例，采用智能算法计算能够模拟真实场景分布的方差和均值，并根据不同的场景生成自定义参数的测试样例，通过设置生效开关验证模型是否生效；

生效时将所得模型展示至模型展示试图中，并判断模型是否按设定速度前进；

当自动前进时，判断模型已按设定速度前进，并在模型展示试图中进行展示；

未自动前行时，直接在模型展示试图中进行展示；

未生效时则重新设置模型参数；

S3、重复执行步骤S1和S2得到的测试数据集，调整智能算法中深度网络的各个神经元节点之间的连接权重和截距的数值，实现仿真训练和优化。

作为本发明的进一步方案，所述通行行为数据流包括通行方向、模型、模型参数和通行动作行为。

作为本发明的进一步方案，所述模型包括乘客、行李、轮椅及其他物体，所述通行方向为模型的进站方向或出站方向，所述模型参数包括模型的三维信息、模型的位置信息和模型的行进速度，模型的三维信息包括长宽高数据，模型的位置信息包括x、y、z坐标数据。

作为本发明的进一步方案，所述通行动作行为包括刷卡、停留、后退和反向闯入。

作为本发明的进一步方案，所述仿真训练方法的模型算法表达具体如下：

目标模型的进出站方向D、类别信息C和是否刷卡信息S，分别属于不同概率p₁,p₂,p₃的三组随机变量序列，并且其都满足独立同分布，遵循参数分别为p_D,p_C,p_S的伯努利分布,即X～B(n,p_D),C～B(n,p_C),S～B(n,p_s)，其中P_i{X＝1}＝p_i,i＝D,C,S；

模型的长宽高三组属性L,W,H满足数学期望和方差分别为μ_i,的正态分布，即/>其概率密度函数满足/>其中抽样所得的长和高属性数值为对象在摄像头正下方的标准数值，在实际生成样例通行的全过程时，以该数值x和对象在通道内的位置x_loc为参数，计算余弦三角函数y＝x+a*cos(cx_loc+d)+b得到最终的模拟数值y，其中a,b,c,d为控制不同高度、不同摄像范围的参数；

目标对象在通道内的位置x_loc和目标对象的通行速度v_t是依赖于初速度v₀和初始加速度a₀以及各时间节点的加速度a_t(t＝1,2,3…)所决定的,其中a_t抽样自正态分布中，其中/>根据不同的应用环境，本项目会设定不同的加速度更换频率，则目标经过t个时间节点后，位置/>则相应的v_t＝v₀+∑_t＝1a_t-1，其中a_t,t＝0,1,2,3…组成加速度数组A；

模型参数生产函数为：

D,C,S,L,W,H,A＝F(seed,p_D,p_C,p_S,μ_L,σ_L,μ_W,σ_W,μ_H,σ_H,μ_α,σ_α)，其中，seed为伪随机数；

追踪模型生成函数为：

M＝G(D,C,S,L,W,H,A,Switch)，其中，Switch为控制模型开关的使能参数。

作为本发明的进一步方案，所述仿真训练方法还包括检验测试，具体为：将步骤S1-S3的仿真训练得到的内容通过随机乱序再次生成专用测试数据集，将已完成仿真训练的模型再次置于仿真场景内，进行鲁棒性的验证。

优选的，所述仿真训练数据集和测试数据集将通行行为视频流以逐帧的方式进行标注。

与现有技术相比，本发明的有益效果是：

1.本发明能够缩短智能算法模型的训练周期，节约人力资源，并有效提高项目执行效率；

2.本发明在不破坏原有模型架构的基础上，通过专项训练新增训练集以调整各个神经网络节点的权重，增加模型的甄别和检测能力，具备更好的扩展性，足新增需求的同时不需要重建神经网络，能够有效降低实施成本；

3.本发明能够验证算法模型的鲁棒性，同时提高视觉通行逻辑装置的稳定性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中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为本发明仿真训练装置的外部结构示意图；

图2本发明仿真训练方法步骤S2的流程图。

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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

实施例1：

如图1所示，本实施例提供了一种基于智能视觉通行逻辑的仿真训练装置，包括外壳，外壳的六个面通过紧固螺丝3固定形成一个整体，外壳的顶部设置有散热片1，外壳的顶面设置有用于散热的通孔，外壳的正面设置有电源开关2、电源接口14、硬盘灯及复位孔10和多个通信接口，通信接口包括COM接口4、LVDS接口5、DB9接口6、VGA接口7、网络接口8、RJ45接口9、USB接口11、TypeC接口12和HDMI接口13，各类通信接口的数量均为一个或多个；

COM接口4、DB9接口6、RJ45接口9、TypeC接口12、USB接口11均可用于连接外部装置，外部装置包括但不限于：

3D视觉模块，用于训练视觉通信逻辑的模型算法、记录通讯交互日志、控制及升级3D视觉模块固件版本；

外部工作站，用于获取3D视觉模块工作日志与通行行为视频流、烧写、录入仿真程序和仿真训练数据集、传输拷贝测试数据集、输出训练结果、检测测试日志，3D视觉模块的工作状态内容包括RGB图像视频流、深度图像视频流和灰度图像视频流；

LVDS接口5、VGA接口7、TypeC接口12和HDMI接口13均可用于图形化输出，输出内容包括但不限于：

获取并输出3D视觉模块的工作状态内容；

以日志或图形化形式向外部工作站实时输出仿真训练过程、仿真训练结果和模型检测结果，日志或图形化形式输出能够完整的记录训练、仿真校验情况，显示训练与仿真校验结果可视化，方便评估后续训练并对仿真内容进行调整。

本发明还提供了一种基于上述智能视觉通行逻辑仿真训练装置的仿真训练方法，具体包括如下步骤：

S1、利用通讯接口连接外部工作站和3D视觉模块，获取仿真训练数据集，再从所得仿真训练数据集中随机抽取通行行为视频数据流；

通行行为数据流包括通行方向、模型、模型参数和通行动作行为。模型包括乘客、行李、轮椅及其他物体，通行方向为模型的进站方向或出站方向，模型参数包括模型的三维信息、模型的位置信息和模型的行进速度，模型的三维信息包括长宽高数据，模型的位置信息包括x、y、z坐标数据；通行动作行为包括刷卡、停留、后退和反向闯入。

本实施例提供的仿真训练方法的模型参数的算法表达具体如下：

目标模型的进出站方向D、类别信息C和是否刷卡信息S，分别属于不同概率p₁,p₂,p₃的三组随机变量序列，并且其都满足独立同分布，遵循参数分别为p_D,p_C,p_S的伯努利分布,即X～B(n,p_D),C～B(n,p_C),S～B(n,p_S)，其中P_i{X＝1}＝p_i,i＝D,C,S。

模型的长宽高三组属性L,W,H满足数学期望和方差分别为μ_i,的正态分布，即/>其概率密度函数满足/>其中抽样所得的长和高属性数值为对象在摄像头正下方的标准数值，在实际生成样例通行的全过程时，以该数值x和对象在通道内的位置x_loc为参数，计算余弦三角函数y＝x+a*cos(cx_loc+d)+b得到最终的模拟数值y，其中a,b,c,d为控制不同高度、不同摄像范围的参数；

目标对象在通道内的位置x_loc和目标对象的通行速度v_t是依赖于初速度v₀和初始加速度a₀以及各时间节点的加速度a_t(t＝1,2,3…)所决定的,其中a_t抽样自正态分布中，其中/>根据不同的应用环境，本项目会设定不同的加速度更换频率，则目标经过t个时间节点后，位置/>则相应的v_t＝v₀+∑_t＝1a_t-1，其中a_t,t＝0,1,2,3…组成加速度数组A；

模型参数生产函数为：

D,C,S,L,W,H,A＝F(seed,p_D,p_C,p_S,μ_L,σ_L,μ_W,σ_W,μ_H,σ_H,μ_α,σ_α)，其中，seed为伪随机数；

追踪模型生成函数为：

M＝G(D,C,S,L,W,H,A,Switch)，其中，Switch为控制模型开关的使能参数。如图2所示，本实施例可执行模拟仿真功能，将通行行为数据作为测试用例对视觉模块内的视觉通行逻辑软件进行检验测试，能够验证算法模型的鲁棒性和视觉通行逻辑软件的稳定性；

S2、统计仿真训练数据集或上述通行行为数据流中的全部真实样例，采用智能算法计算能够模拟真实场景分布的方差和均值，并根据不同的场景生成自定义参数的测试样例。

具体通过设置生效开关验证模型是否生效；

效时将所得模型展示至模型展示试图中，并判断模型是否按设定速度前进；

当自动前进时，判断模型已按设定速度前进，并在模型展示试图中进行展示；

未自动前行时，直接在模型展示试图中进行展示；

未生效时则重新设置模型参数；

S3、重复执行步骤S1和S2得到测试数据集，调整智能算法中深度网络的各个神经元节点之间的连接权重和截距的数值，实现仿真训练和优化。

将轮椅、通行者、行李箱、婴儿车进行随机的乱序的排列并按照可设定的速度和方向通过闸机通道，并产生通行数据，再将通行数据输入视觉通行逻辑的算法模型中进行训练，能够把训练结果以图形化、数字化、报表化的形式直观立体的呈现出来。

实施例2：

本实施例提供了一种基于智能视觉通行逻辑的仿真训练装置及方法，其中，基于智能视觉通行逻辑的仿真训练装置与实施例1一致，基于智能视觉通行逻辑的仿真训练方法中，还包括检验测试，具体为：将实施例1中步骤S1-S3的仿真训练得到的内容通过随机乱序再次生成专用测试数据集，仿真训练数据集和测试数据集将通行行为视频流以逐帧的方式进行标注，将已完成仿真训练的模型再次置于仿真场景内，经验证，本实施例提供的仿真训练方法中，算法的鲁棒性得到了提高，视觉通行逻辑装置也具备稳定性。

本发明利用3D视觉模块提供大量的多场景通行行为数据集和学习样本，可以将模拟实验室训练、现场实际场景训练、部署训练环节合并，更换场景时无需拆装视觉模块，能够大大缩短模型训练周期。且本申请能够针对特殊通行行为、非法通行行为进行专项训练，进而提高算法的鲁棒性，同时提高视觉通行逻辑装置的稳定性。且本发明提供的仿真训练装置可在项目现场完成模型重构训练，能够有效降低二次工程改造的实施成本。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (10)

1.一种基于智能视觉通行逻辑的仿真训练装置，其特征在于，包括外壳，所述外壳的顶部设置有散热片，所述外壳的顶面设置有用于散热的通孔，所述外壳的正面设置有电源开关、电源接口和多个通信接口，所述通信接口包括COM接口、LVDS接口、DB9接口、VGA接口、网络接口、RJ45接口、USB接口、TypeC接口和HDMI接口，各类通信接口的数量均为一个或多个；

所述COM接口、DB9接口、RJ45接口、TypeC接口、USB接口均可用于连接外部装置，所述外部装置包括但不限于：

3D视觉模块，用于训练视觉通信逻辑的模型算法、记录通讯交互日志、控制及升级3D视觉模块固件版本；

外部工作站，用于获取3D视觉模块工作日志与通行行为视频流、烧写、录入仿真程序和仿真训练数据集、传输拷贝测试数据集、输出训练结果、检测测试日志；

所述LVDS接口、VGA接口、TypeC接口和HDMI接口均可用于图形化输出，输出内容包括但不限于：

获取并输出3D视觉模块的工作状态内容；

以日志或图形化形式向外部工作站实时输出仿真训练过程、仿真训练结果和模型检测结果。

2.根据权利要求1所述的基于智能视觉通行逻辑的仿真训练装置，其特征在于，3D视觉模块的工作状态内容包括RGB图像视频流、深度图像视频流和灰度图像视频流。

3.一种基于智能视觉通行逻辑的仿真训练方法，其特征在于，使用如权利要求1-2中任意一项所述的仿真训练装置。

4.根据权利要求3所述的一种基于智能视觉通行逻辑的仿真训练方法，其特征在于，具体包括如下步骤：

S1、利用通讯接口连接外部工作站和3D视觉模块，获取仿真训练数据集；

S2、从步骤S1所得仿真训练数据集中随机抽取通行行为视频数据流，统计仿真训练数据集或上述通行行为视频数据流中的全部真实样例，采用智能算法计算能够模拟真实场景分布的方差和均值，并根据不同的场景生成自定义参数的测试样例，通过设置生效开关验证模型是否生效；

生效时将所得模型展示至模型展示试图中，并判断模型是否按设定速度前进；

当自动前进时，判断模型已按设定速度前进，并在模型展示试图中进行展示；

未自动前行时，直接在模型展示试图中进行展示；

未生效时则重新设置模型参数；

S3、重复执行步骤S1和S2得到的测试数据集，调整智能算法中深度网络的各个神经元节点之间的连接权重和截距的数值，实现仿真训练和优化。

5.根据权利要求4所述的一种基于智能视觉通行逻辑的仿真训练方法，其特征在于，所述通行行为数据流包括通行方向、模型、模型参数和通行动作行为。

6.根据权利要求5所述的基于智能视觉通行逻辑的仿真训练方法，其特征在于，所述模型包括乘客、行李、轮椅及其他物体，所述模型参数包括模型的三维信息、模型的位置信息和模型的行进速度。

7.根据权利要求5所述的基于智能视觉通行逻辑的仿真训练方法，其特征在于，所述通行动作行为包括刷卡、停留、后退和反向闯入。

8.根据权利要求6所述的一种基于智能视觉通行逻辑的仿真训练方法，其特征在于，所述仿真训练方法的模型算法表达具体如下：

目标模型的进出站方向D、类别信息C和是否刷卡信息S，分别属于不同概率p₁,p₂,p₃的三组随机变量序列，并且其都满足独立同分布，遵循参数分别为p_D,p_C,p_S的伯努利分布,即X～B(n,p_D),C～B(n,p_C),S～B(n,p_S)，其中P_i{X＝1}＝p_i,i＝D,C,S；

模型的长宽高三组属性L,W,H满足数学期望和方差分别为μ_i,的正态分布，即/>其概率密度函数满足/>其中抽样所得的长和高属性数值为对象在摄像头正下方的标准数值，在实际生成样例通行的全过程时，以该数值x和对象在通道内的位置x_loc为参数，计算余弦三角函数y＝x+a*cos(cx_loc+d)+b得到最终的模拟数值y，其中a,b,c,d为控制不同高度、不同摄像范围的参数；

模型参数生产函数为：

D,C,S,L,W,H,A＝F(seed,p_D,p_C,p_S,μ_L,σ_L,μ_W,σ_W,μ_H,σ_H,μ_α,σ_α)，其中，seed为伪随机数；

追踪模型生成函数为：

M＝G(D,C,S,L,W,H,A,Switch)，其中，Switch为控制模型开关的使能参数。

9.根据权利要求4所述的一种基于智能视觉通行逻辑的仿真训练方法，其特征在于，还包括检验测试，具体为：将步骤S1-S3的仿真训练得到的内容通过随机乱序再次生成专用测试数据集，将已完成仿真训练的模型再次置于仿真场景内，进行鲁棒性的验证。

10.根据权利要求9所述的一种基于智能视觉通行逻辑的仿真训练方法，其特征在于，所述仿真训练数据集和测试数据集将通行行为视频流以逐帧的方式进行标注。