基于机器学习的客运站旅客流线识别方法、系统及设备技术方案

本发明专利技术公开了一种基于机器学习的客运站旅客流线识别方法、系统及设备，首先获取客运站内旅客流线数据；然后将旅客流线数据输入旅客识别网络，进行旅客识别；接着根据旅客识别结果，对每一名旅客的行程进行追踪；最后识别不同方向和路径的旅客客流，获得旅客流线。本发明专利技术可以可视化分析高铁站内客流的换乘情况，且适用于具有相似旅客外貌特征的高铁站内。且适用于具有相似旅客外貌特征的高铁站内。且适用于具有相似旅客外貌特征的高铁站内。

【技术实现步骤摘要】
基于机器学习的客运站旅客流线识别方法、系统及设备


[0001]本专利技术属于基于机器学习进行出行行为分析
，涉及一种旅客流线识别方法、系统及设备，特别涉及一种使用机器学习技术对高铁站内的客流交织情况进行识别并疏解的方法、系统及设备。

技术介绍

[0002]出行行为分析领域一直是交通规划中的重要辅助手段之一。而机器学习也随着新兴计算机技术的发展再次迈入人们的视线。从机器视觉开始的机器学习技术，不仅可以有利辅助交通规划领域中的人为决策部分，改善流线交织、人车分流等物理层面的问题，更可以实时的进行交通需求预测，将未产生的交通问题扼杀在摇篮。因此，将新兴的机器学习技术代入传统的站内客流换乘模式研究具有实际的研究价值。

技术实现思路

[0003]本专利技术目的在于提供一种客运站内旅客流线识别方法、系统及设备，本专利技术融合了机器视觉、机器学习、深度学习等新兴计算机新技术，可以可视化的给出高铁站内不同方向和流线的客流产生严重流线交织的区域。
[0004]本专利技术的方法所采用的技术方案是：一种基于机器学习的客运站旅客流线识别方法，包括以下步骤：步骤1：获取客运站内旅客流线数据；步骤2：将旅客流线数据输入旅客识别网络，进行旅客识别；所述旅客识别网络，包括主干网络层、多尺度融合层和检测头层；所述主干网络层，由顺序连接的Focus模块、第一CBL模块、CSP1
‑
1模块、第二CBL模块、第一CSP1
‑
3模块、第三CBL模块、第二CSP1
‑
3模块、第四CBL模块、SPP模块组成；所述多尺度融合层，所述SPP模块输出经过第一CSP2
‑
1模块、第五CBL模块和第一upsample模块，所述第一upsample模块输出与所述第二CSP1
‑
3模块的输出经过第一ConCat层融合后输入第二CSP2
‑
1模块、第六CBL模块和第二upsample模块，所述第二upsample模块输出与所述第一CSP1
‑
3模块的输出经过第二ConCat层融合后输入第三CSP2
‑
1模块和第七CBL模块，所述第七CBL模块输出与所述第六CBL模块输出经过第三ConCat层融合后输入第四CSP2
‑
1模块和第八CBL模块，所述第八CBL模块输出与所述第五CBL模块输出经过第是ConCat层融合后输入第五CSP2
‑
1模块；所述检测头层，所述第三CSP2
‑
1模块输出，经过第一Conv模块和第一Prediction模块后输出；所述第四CSP2
‑
1模块输出，经过第二Conv模块和第二Prediction模块后输出；所述第五CSP2
‑
1模块输出，经过第三Conv模块和第三Prediction模块后输出；步骤3：根据旅客识别结果，对每一名旅客的行程进行追踪；步骤4：识别不同方向和路径的旅客客流，获得旅客流线。
[0005]作为优选，步骤1中，包括数据获取和数据标定；所述数据标定，使用可视化图像标
定工具LabelImg对高铁站内客流视频数据按帧数进行人工标定。
[0006]作为优选，步骤2中所述旅客识别网络，是训练好的网络；其训练过程包括以下子步骤：步骤2.1：获取若干客运站内旅客流线数据；包括数据获取和数据标定；所述数据标定，使用可视化图像标定工具LabelImg对高铁站内客流视频数据按帧数进行人工标定以确立groundtruth，经过数据标定确定的groundtruth数据转换为txt文件，即可进行后续的训练和测试；步骤2.2：将标定后数据输入所述旅客识别网络，进行网络训练；当损失函数下降曲线稳定低于阈值之后，获取到最优的旅客识别网络权重；所述损失函数为：；其中，为横坐标的预测值，为横坐标的标注值，为纵坐标的预测值，为纵坐标的标注值，为每一个锚框所有具有的坐标类型数量，S、B分别为网格数量和锚框数量；为挑选出负责检测物体的锚框，第i个网格的第j个锚框是否含有物体；为宽度的预测值，为宽度的标注值，为高度的预测值，为高度的标注值；分别表示物体i的预测置信度和物体i的标注置信度；为不负责检测物体的交并比的阈值；为挑出不负责检测物体的锚框，第i个网格的第j个锚框是否含有物体，若无物体，则为1，若有则为0；为挑出包含物体的网格，共S
×
S个网格，判断第i个网格是否含有物体，即groundtruth的中心点是否落在此网格中，若有则为1，若无则为0；
，则；，则；为物体i的预测类别概率，为物体i的标注类别概率，C为某一类别，Classes为全部类别的集合。
[0007]作为优选，步骤3的具体实现包括以下子步骤：步骤3.1：提取目标特征；步骤3.2：初始化拓展卡尔曼滤波器；步骤3.3：利用拓展卡尔曼滤波预测当前帧的目标位置；步骤3.4：计算预测目标和目标实际位置的交并比，根据跟踪器得到的参数的不同大小，得到不同的优先级，作为相似度，进行不同优先级的匹配；步骤3.5：将前述步骤中得到了视频中前后两帧的相似度矩阵，利用匈牙利算法通过求解相似度矩阵，关联前后两帧中的数据，进行前后两帧的目标匹配；步骤3.6：根据匈牙利算法，判断前后两帧的目标是否匹配成功，如果匹配成功则继续跟踪，处理结束；如果不匹配成功，则按照新增了检测目标处理，再进行新的拓展后的卡尔曼滤波预测位置，同时对之前的检测目标判定为丢失，分配一个暂时的跟踪器，当丢失帧数大于N帧时，判定彻底丢失，重新计算交并比，进行级联匹配过程，如果小于等于N帧，重新出现了之前的检测目标，则重新加入处理重新处理；其中，N为预设值。
[0008]作为优选，首先对高铁站内环境进行物理建模，再根据追踪到的旅客流线，使用可视化或者数字孪生手段，对其流线径路进行分析；对不同方向和径路的旅客用不同权重数值进行区分，用以判定流线交织区域，识别流线交织危险区。
[0009]作为优选，根据旅客流量和现有的物理设施，使用IoT物联网技术，后台统一管理识别闸机出入口数量、行人走行通道智能分隔、智慧大屏和列车到达间隔时间，实现风险控制。
[0010]本专利技术的系统所采用的技术方案是：一种基于机器学习的客运站旅客流线识别系统，包括以下模块：旅客流线数据获取模块，用于获取客运站内旅客流线数据；旅客识别模块，用于将旅客流线数据输入旅客识别网络，进行旅客识别；所述旅客识别网络，包括主干网络层、多尺度融合层和检测头层；所述主干网络层，由顺序连接的Focus模块、第一CBL模块、CSP1
‑
1模块、第二CBL模块、第一CSP1
‑
3模块、第三CBL模块、第二CSP1
‑
3模块、第四CBL模块、SPP模块组成；所述多尺度融合层，所述SPP模块输出经过第一CSP2
‑
1模块、第五CBL模块和第一upsample模块，所述第一upsample模块输出与所述第二CSP1
‑
3模块的输出经过第一ConCat本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的客运站旅客流线识别方法，其特征在于，包括以下步骤：步骤1：获取客运站内旅客流线数据；步骤2：将旅客流线数据输入旅客识别网络，进行旅客识别；所述旅客识别网络，包括主干网络层、多尺度融合层和检测头层；所述主干网络层，由顺序连接的Focus模块、第一CBL模块、CSP1
‑
1模块、第二CBL模块、第一CSP1
‑
3模块、第三CBL模块、第二CSP1
‑
3模块、第四CBL模块、SPP模块组成；所述多尺度融合层，所述SPP模块输出经过第一CSP2
‑
1模块、第五CBL模块和第一upsample模块，所述第一upsample模块输出与所述第二CSP1
‑
3模块的输出经过第一ConCat层融合后输入第二CSP2
‑
1模块、第六CBL模块和第二upsample模块，所述第二upsample模块输出与所述第一CSP1
‑
3模块的输出经过第二ConCat层融合后输入第三CSP2
‑
1模块和第七CBL模块，所述第七CBL模块输出与所述第六CBL模块输出经过第三ConCat层融合后输入第四CSP2
‑
1模块和第八CBL模块，所述第八CBL模块输出与所述第五CBL模块输出经过第是ConCat层融合后输入第五CSP2
‑
1模块；所述检测头层，所述第三CSP2
‑
1模块输出，经过第一Conv模块和第一Prediction模块后输出；所述第四CSP2
‑
1模块输出，经过第二Conv模块和第二Prediction模块后输出；所述第五CSP2
‑
1模块输出，经过第三Conv模块和第三Prediction模块后输出；步骤3：根据旅客识别结果，对每一名旅客的行程进行追踪；步骤4：识别不同方向和路径的旅客客流，获得旅客流线。2.根据权利要求1所述的基于机器学习的客运站旅客流线识别方法，其特征在于：步骤1中，包括数据获取和数据标定；所述数据标定，使用可视化图像标定工具LabelImg对高铁站内客流视频数据按帧数进行人工标定。3.根据权利要求1所述的基于机器学习的客运站旅客流线识别方法，其特征在于，步骤2中所述旅客识别网络，是训练好的网络；其训练过程包括以下子步骤：步骤2.1：获取若干客运站内旅客流线数据；包括数据获取和数据标定；所述数据标定，使用可视化图像标定工具LabelImg对高铁站内客流视频数据按帧数进行人工标定以确立groundtruth，经过数据标定确定的groundtruth数据转换为txt文件，即可进行后续的训练和测试；步骤2.2：将标定后数据输入所述旅客识别网络，进行网络训练；当损失函数下降曲线稳定低于阈值之后，获取到最优的旅客识别网络权重；所述损失函数为：
；其中，为横坐标的预测值，为横坐标的标注值，为纵坐标的预测值，为纵坐标的标注值，为每一个锚框所有具有的坐标类型数量，S、B分别为网格数量和锚框数量；为挑选出负责检测物体的锚框，第i个网格的第j个锚框是否含有物体；为宽度的预测值，为宽度的标注值，为高度的预测值，为高度的标注值；分别表示物体i的预测置信度和物体i的标注置信度；为不负责检测物体的交并比的阈值；为挑出不负责检测物体的锚框，第i个网格的第j个锚框是否含有物体，若无物体，则为1，若有则为0；为挑出包含物体的网格，共S
×
S个网格，判断第i个网格是否含有物体，即groundtruth的中心点是否落在此网格中，若有则为1，若无则为0；，则；，则；为物体i的预测类别概率，为物体i的标注类别概率，C为某一类别，Classes为全部类别的集合。4.根据权利要求1所述的基于机器学习的客运站旅客流线识别方法，其特征在于，步骤3的具体实现包括以下子步骤：步骤3.1：提取目标特征；步骤3.2：初始化拓展卡尔曼滤波器；步骤3.3：利用拓展卡尔曼滤波预测当前帧的目标位置；步骤3.4：计算预测目标和目标实际位置的交并比，根据跟踪器得到的参数的不同大小，得到不同的优先级，作为相似度，进行不同优先级的匹配；
步骤3.5：将前述步骤中得到了视频中前后两帧的相似...

【专利技术属性】
技术研发人员：郑洪，光振雄，凌汉东，陶志祥，李其龙，吕清扬，周家中，彭利辉，雷中林，吴文伟，曾琼，李建斌，周厚文，李恒鑫，
申请(专利权)人：中铁第四勘察设计院集团有限公司，
类型：发明
国别省市：