[發明專利]一種用于軌道交通的視頻監控系統

有效

• 申請號: 201810106067.1
• 申請日: 2018-02-02
• 公開（公告）號: CN108289203B
• 公開（公告）日: 2020-03-13
• 發明（設計）人: 熊凱;何群;趙振全
• 申請（專利權）人: 常州高清信息技術有限公司
• 主分類號: H04N7/18
• 分類號: H04N7/18;G06N3/08;B61L27/00
• 代理公司: 天津市尚文知識產權代理有限公司 12222
• 代理人: 張東浩

1.一種用于軌道交通的視頻監控系統，其特征在于，包括：

視頻訓練模塊，提取軌道交通的監控視頻設備的監控視頻段，建立特征訓練集，存入監控訓練視頻庫中；

視頻檢測模塊，提取軌道交通的監控視頻設備當前的監控視頻段，檢測視頻段，提取視頻特征；

交通調度模塊，針對當前視頻的檢測結果與監控視頻訓練庫中的具體比對結果，對軌道上運行的交通進行合理調度；

應急預警模塊，如果當前的視頻檢測結果與監控視頻訓練庫中的具體比對結果滿足預警條件，發出報警信息并采取緊急制動方案；

所述的視頻訓練模塊，還被配置為執行以下步驟：

取一段歷史的站臺監控視頻和軌道監控視頻作為訓練部分并分割處理；

針對各監控分割段內的首幀，通過幀間差和背景差提取站臺乘客流動區域，提取流動區域的邊緣信息，再在邊緣信息中依據等距幀提取流動特征點；對于各監控分割段內的首幀后的每一幀對流動特征點通過流動評價進行跟蹤，得到特征點在各監控分割段內的流動參數；對監控分割段內每一幀的特征點計算八方向流動方向直方圖、八區間流動速度直方圖以及九維特征點坐標直方圖作為該幀的特征；所述九維特征點坐標直方圖是將每一幀分割成3*3的網格，特征點所在的網格即為該特征點的坐標；將監控分割段內全部幀的特征串聯起來作為該監控分割段的流動特征；

建立基于BP神經網絡表示流動特征診斷的輸入層為3個節點，輸出層為1個節點的神經網絡模型，基于BP神經網絡流動特征診斷虛化層神經元數目使用經驗參考公式確定虛化層神經元數的范圍，計算與試驗得出虛化層中，神經元的數目選擇3，訓練時間、算法精度同時得到保證，將算法迭代次數置為500，學習率選擇1e-3，輸出選擇0.01；設輸入P表示乘客流動特征向量，輸出T為流動特征類型，虛化層神經元對應的函數垂向中心為

C＝P′，

確定虛化層神經元閾值，Q個虛化層神經元對應的閾值為

b1＝[b₁₁ b₁₂…b_1q]；

其中，b₁₁＝b₁₂＝b_1q＝0.836/speed，speed為函數垂向的擴展速度；

確定虛化層與輸出層間權值，虛化層神經元的函數垂向中心及閾值確定后，虛化層神經元的輸出為

a¹＝exp(-||C-p_i||²)，i＝1，2，...Q

其中，p_i＝[p_i1 p_i2…p_iR]為第i個訓練樣本向量；虛化層與輸出層間的連接權值W為訓練集輸出矩陣即：

W＝t

輸出層神經元輸出計算：

nⁱ＝LW_2，1aⁱ，i＝1，2...Q

yⁱ＝compet(nⁱ)，i＝1，2...Q

建立基于BP神經網絡表示流動特征診斷，將函數垂向的擴展速度設為0.1；

基于輸出的神經元將診斷后的訓練部分的每段視頻的流動特征組成特征訓練集，對特征訓練集采用高斯概率密度函數模型，利用最大后驗概率多次遞歸得到高斯概率密度函數模型的模型參數；模型參數包括協方差矩陣和條件概率；將根據高斯概率密度函數模型的模型參數計算得到的特征后驗概率存入監控訓練視頻庫中；

所述視頻檢測模塊，還被配置為執行以下步驟：

取實時的站臺監控視頻和軌道監控視頻進行分割；

針對監控分割段內的首幀，通過幀間差和背景差提取站臺乘客流動區域，提取流動區域的邊緣信息，再在邊緣信息中依據等距幀提取流動特征點；對于各監控分割段內的首幀后的每一幀對流動特征點通過流動評價進行跟蹤，得到特征點在各監控分割段內的流動參數；對監控分割段內每一幀的特征點計算八方向流動方向直方圖、八區間流動速度直方圖以及九維特征點坐標直方圖作為該幀的特征；所述九維特征點坐標直方圖是將每一幀分割成3*3的網格，特征點所在的網格即為該特征點的坐標；將監控分割段內全部幀的特征串聯起來作為該監控分割段的流動特征；待測的視頻段的流動特征輸入高斯概率密度函數模型得到當前流動特征的后驗概率，再根據當前流動特征的后驗概率計算的發生的概率與監控訓練視頻庫中歷史流動特征的后驗概率計算的發生的概率進行比較，當前者與后者的偏差值>10％時，認定當前流動特征在監控訓練視頻庫中不存在訓練樣本，將當前流動特征存入監控訓練視頻庫作為訓練樣本，否則，返回歷史流動特征的狀態值；

所述交通調度模塊，還被配置為執行以下步驟：

針對當前視頻的檢測結果與監控視頻訓練庫中的具體比對結果，建立流量指標模型，根據當前站臺的擁擠情況以及視頻庫中該站臺的乘客流動指標，決策當前站臺的列車運行情況，包括列車停靠時長、列車首班車提前或延后發車、變更列車區間運行速度、調整列車越站停車；

當流量指標模型顯示當前乘客站臺擁擠情況處于紅色狀態時，限制閘機開啟，列車停靠時長延長；

當流量指標模型顯示當前乘客站臺擁擠情況處于綠色狀態時，閘機開啟正常，列車停靠時長縮短；

當流量指標模型顯示當前乘客站臺擁擠情況處于白色狀態時，閘機開啟正常，列車越站停車，在此站不作停車處理；

當流量指標模型顯示在列車預定首班車時間發出前乘客站臺擁擠情況處于非白色狀態時，列車首班車時間提前，首班車提前發車；

當流量指標模型顯示在列車預定首班車時間發出后乘客站臺擁擠情況處于白色狀態時，列車首班車時間延后，首班車延后發車；

當流量指標模型顯示當前乘客站臺流動指標大于預設上閾值時，列車區間運行速度提升，區間運行時長縮短；

當流量指標模型顯示當前乘客站臺流動指標低于預設下閾值時，列車區間運行速度降低，區間運行時長加長；

所述應急預警模塊，還被配置為執行以下步驟：

根據當前的站臺的流量指標模型，判定是否已經滿足預警條件閾值，包括：

在所述交通調度模塊判斷列車當前的運行狀態后，通過列車運行圖調整生成新的列車時刻表，發出調度指令，使列車重新按照調整后的時刻運行，之后，在列車運行時刻出現偏移大于偏移閾值時自動發出偏差報警，并根據列車實際的偏離情況，自動生成調整計劃供調度員參考；

在所述交通調度模塊判斷當前的乘客擁擠狀況處于紅色狀態時，向調度員和閘機發出預警通知，限制閘機開啟，同時提醒調度員疏導乘客；

在所述交通調度模塊判斷乘客站臺流動指標大于預設上閾值，發出險情預警，激發軌道監控實時畫面傳遞，當監控畫面顯示軌道上存在異物時，向即將到站的列車發出急停預警；

在所述視頻檢測模塊判斷當前視頻內容中存在危險物品時，發出危險品預警；

所述交通調度模塊，還被配置為執行以下步驟：

針對同一交通軌道不同車次的交通運輸調度，具體為：

針對當前視頻同一交通軌道不同車次的檢測結果與監控視頻訓練庫中的具體比對結果，建立混合流量指標模型，根據當前站臺的擁擠情況以及視頻庫中該站臺的乘客流動指標，決策當前站臺的列車運行情況，包括列車發車數量和發車間隔；

當混合流量指標模型顯示當前乘客站臺擁擠情況處于紅色狀態時，并且在第一類型車次駛過后，乘客站臺擁擠情況狀態變為綠色后，加開依次本類型車次；

當混合流量指標模型顯示當前乘客站臺擁擠情況處于紅色狀態時，并且在第一類型車次駛過后，乘客站臺擁擠情況狀態依然為綠色后，延長本類型車次發車間隔；

當混合流量指標模型顯示當前乘客站臺流動指標大于預設上閾值時，并且在第一類型車次駛入站臺后，當前乘客站臺流動指標繼續上升，則加開依次本類型車次；

當混合流量指標模型顯示當前乘客站臺流動指標大于預設上閾值時，并且在第一類型車次駛入站臺后，當前乘客站臺流動指標保持不變，則延長本類型車次發車間隔；

計算方法：

其中，M(t)表示時刻站臺多線路乘客擁擠度，C表示站臺乘客可承受最大值，Q(t)表示站臺流動乘客量，C-Q(t)表示站臺剩余乘客量；

站臺乘客可承受最大值為站臺中各通道最大乘客量之和，站臺剩余乘客量為站臺中各通道剩余乘客量之和，上式表示為：

其中，N為站臺中包含的通道數，C_i表示站臺中第i條通道的最大乘客量，Q_i(t)表示第i條通道的實際乘客量；

根據乘客流數據采集的難易度，以及采集數據的精度，C和Q用時間流動率和人流速度進行表示；

當C、Q采用時間流動率表示時，

Q_i(t)＝Occ_i(t)

其中，Occ_i(t)表示站臺中第i條通道在t時刻的時間流動率；

當C、Q采用人流速度進行表示時，

其中，q_i(t)表示站臺中第i條通道在t時刻的乘客流量，C_i，design表示第i條通道的設計承受能力，v_i表示第i條通道的人流速度，v₅表示人流速度狀態指標處于第5類別的最大速度閾值；

此時，Q_i(t)是一個二值函數，當乘客站臺擁擠情況屬于可接受交通狀態時，等于站臺的站臺流動乘客量；當乘客站臺擁擠情況屬于不可接受交通狀態時，即站臺沒有站臺剩余乘客量。