摘  要 通过分析我国城市轨道交通发展的现状，说明“大客流”状态已逐渐成为城市轨道交通运营中的常态化现象。为了对城市轨道交通车站内客流进行更准确的辨识与监控，保证运营安全，尝试将图像技术引入轨道交通的客流辨识与安全管理中:建立客流图像特征值与客流特征值的联动关系，给出客流辨识的函数，并开发客流辨识系统。北京地铁雍和宫站的实际视频数据的辨识应用结果表明，该方法的识别准确度较高，具有一定的可用性。

关键词 城市轨道交通;客流辨识;图像技术;特征值

 

      随着城市轨道交通的快速发展，“大客流”状态逐渐成为城市轨道交通运营中的常态化现象，给轨道交通的日常运营与安全管理带来了新的挑战。目前的客流辨识与监控通常采用人工监控或自动售检票系统( AFC) 数据统计的方式，效率较低，准确度无法保证;同时，随着线网节点的增多，监控设备的数量与监控区域也迅速增大，人工管理的方式已无法适应多区域轨道交通客流实时监控、管理和预警的要求。图像技术又称为计算机图像处理技术，它将图像信号转换成数字信号并利用计算机对其进行处理，以其较高的处理精度、广泛的处理信息源以及较高的灵活性，在航空、医疗、工业、军事等诸多领域研究中发挥了重要作用。但目前图像技术在轨道交通客流管理中的应用还比较有限，寻找适合轨道交通研究需求的图像技术应用方式，可以为轨道交通客流的实时监控与管理提供更为高效、准确的工具。

 

      城市轨道交通客流，是人们为了实现各类出行活动，借助城市轨道交通工具而形成的有目的流动。笔者重点研究的是轨道交通枢纽或轨道交通线路节点内部的客流，特别对站点内部不同聚集区域、服务设施处的客流进行图像采集与客流数据的分析研究。

      所谓大客流，一般是指随客流量的增大，行人的安全心理空间被破坏，正常的个体行为受到不良影响，从而导致客流群体中个体拥挤、行动缓慢的一种客流状态。该种状态可以通过对某一行人空间中个体数量、速度等参数的考察来确定。轨道交通的大客流发生在轨道交通枢纽、站点等处，并且集中体现在站内服务设施( 通道、楼梯、站台) 等处，其发生规律及特征会在以上区域得到突出体现。通道是城市轨道交通系统中客流组织管理的重点区域之一，故通过采集通道的客流信息，对客流状态进行辨识分析。

      城市轨道交通客流具有高密度与实时变化特性，因此基于图像技术的城市轨道交通大客流辨识具有一定的难度与复杂性。在客流正面图像中，会有大部分行人个体的重叠与繁复的色彩，影响行人辨识，进而影响图像分析结果的准确性。因此，研究中的行人图像采集选取行人上方的垂直拍摄角度，并尽量避免周围有突出色彩的服务或建筑设施( 广告牌、地面标志等) 。这样，得到的均为行人头部图像，行人头部在图像中的颜色较深且不会出现重叠，图像背景为站内建筑地面，颜色较浅，与行人色彩的对比较大，给行人的识别与图像分析带来方便。

      城市轨道交通中的客流行为由个体行为构成，一般包含了行人个体的前进、停止、加速、减速、躲避、跟随、超越、侧向移动( 避让) 等。但随着客流量的增大，行人周围的有效活动空间减小，自主选择路线的机会变少，走行方式主要为同向跟随，由此也就体现出了大客流的整体特性。

      流量、速度、密度是客流研究中的 3 个基础要素，也是反映客流情况的最重要数据。目前，对于城市轨道交通大客流尚没有准确统一的定义，大客流更多的是一种被广大用户感受和体会的状态。笔者认为，在众多的研究指标或分析数据中，轨道交通站内与站台直接相连的通道楼梯等服务设施处的客流密度是最能反映大客流特征的参数之一，无论此时的客流速度、流量如何，对乘客自身获得的服务质量影响最大的仍然是客流密度。因此，笔者希望通过分析通道处的客流图像，获取图像的特征信息，建立客流密度与其图像之间的函数关系，给出一个较为合理的大客流识别函数。

 

      灰度直方图( histogram) 技术，是一种将图像灰度化并获取灰度直方图的处理技术。灰度直方图是一个二维图像，同时是图像灰度级的函数。它的横坐标代表图像各像素点的灰度级，一般分为 0 ～ 255 个级别，纵坐标代表该灰度级的像素值出现的次数或频率，是图像最基本的统计特征。在分析直方图前，要将灰度空间划分为若干灰度区间( bin) ，本研究将每个灰度级划分为一个灰度区间。

      灰度图不含色彩信息，只包含亮度信息。通过对亮度信息进行一定的强化或提升，可以增强图像的明暗、深浅或透明度、对比度，使其有效反映出图像的相关特征。城市轨道交通的站内客流图像为彩色图像，所包含的 RGB( 红绿蓝色彩模式) 分量会使图像层次较多，色彩复杂，因此需要先将行人图像转换为灰度图像进行研究。灰度直方图与原始图像之间是多对一的映射关系，不同的图像可能有相同的直方图。为避免该种情况出现，笔者选取了地铁站内某一固定区域、固定角度拍摄的行人图像进行分析。由此产生的图像背景完全相同，而直方图的不同也就能最大程度地反映出客流的差异。

      边缘检测与轮廓提取技术是一种定位提取图像中对象边缘的处理技术，可用于客流图像中对行人个体进行准确划分与计数，以获取客流的准确数据。

      边缘检测与轮廓提取可以由图像卷积处理来实现，卷积功能的实现由卷积核来决定。将核的中心参考点依次定位到图像的每个像素点，按照研究需要对核值与相应图像点值进行加乘计算，然后将结果替代原值，通过对整个图像的卷积核扫描，即可得到像素加强、轮廓突出的新图像。

 

      轨道交通客流具有流量大、高低峰时段对比明显等特点，因此笔者选取了北京地铁雍和宫站的换乘通道为实验区域，实地调研获取不同时段的客流图像，开发轨道交通客流图像处理系统，以实现灰度变换、卷积、直方图等图像处理过程，进而对直方图进行分析比较，得出不同密度条件下的图像特征值，并对各特征值数据进行分析拟合与误差检验，最后给出大客流辨识函数，辨识过程如图 1 所示。

      本研究以北京地铁雍和宫站换乘通道为图像采集区域，在相同的较强照明条件下垂直拍摄，并尽量减少阴影，采集的客流图像覆盖通道地面 400 cm × 300 cm的区域，除去通道口两侧的立柱与围栏，该面积可以基本涵盖有效的换乘走行区域。全天候采集，以获取相同背景条件下不同行人数量的各类图像，如图 2 所示。

      拍摄选取不同客流密度条件下的客流图像 16 幅，其中 12 幅用于处理分析，4 幅用于检验。

      将采集的 24 位、RGB 色彩模式的行人图像转换为256 级灰度图，转换过程的系统实现采用如下算法:

 G_g= ( 30R + 59G + 11B) /100 ( 1)

      式中，G_g为该像素点经过运算后的灰度值，R 为原像素点红色值，G 为原像素点绿色值，B 为原像素点蓝色值。

      轮廓的提取是采用 Sobel 算子对图像进行卷积处理，边缘检测算子为

式中，S_x为水平方向上的边缘检测算子，S_y为垂直方向上的边缘检测算子。

      利用该算子对图像像素从不同的方向求导，对像素点所有邻点的灰度进行加权计算，所得像素在图像边缘点处达到极值，即获得检测边缘，有

式中，G( x，y) 为检测到的边缘像素值，Δ f_x为图像水平方向上的卷积值，Δ f_y为图像垂直方向上的卷积值，f( x，y) 为原图像的像素点。为避免计算结果出现负值，这里的计算值全部取正数。

      在此基础上绘制直方图，以上图像处理过程利用C#语言编程实现。对于输入源图像，可以得出如图 3所示的需求图像。

      对于行人密度较大的图像，由于行人较多、检测轮廓较多，因此处理后的图像色阶级别较高，反映到直方图中即为亮度峰值更靠近 0 ～255 色阶坐标的 0 侧。由图像中像素的分布及色阶峰值的倾斜角度可以看出，行人密度与其边缘直方图所反映的像素分布存在一定的变化关系，因此选取多个直方图所反映的图像特征值为参数进行回归分析，尝试给出行人密度与图像特征值之间的拟合关系，为大客流辨识提出较为准确的参考依据。

      通过以上处理，对 12 幅客流图像直方图的 8 个参数进行回归分析( 数据见表 1) ，并选取 4 幅图像对上述参数进行校验。通过表 1 可以看出，随着行人密度的增强，图像低亮度区域的色阶值显著增加，特别是对于 bin30 以下的色阶，增高比例在 10 倍以上。另外，像素累积值在 bin40 以下，也随行人密度的增强呈现显著的上升趋势。由于客流密度与图像特征数据中各种参数存在不规则的正比例关系，因此本研究采用多项式与指数函数，分别对表 1 中的所有特征参数进行回归分析。其中，多项式拟合函数和指数拟合函数分别为

Y_dp= a₀+ a₁X + a₂X²    ( 4)

Y_de= b₀exp( b₁X)        ( 5)

式中: X 为图像相关特征值，分析时选取 8 个特征值与客流密度分别进行拟合; Y_dp为利用多项式函数拟合的客流密度，Y_de为利用指数函数拟合的客流密度，a₀、a₁、a₂、b₀、b₁均为待定系数。

      以上两种客流密度在进行拟合分析时，均采用人工点数后确定的准确客流密度。

      在图像特征值与客流密度关系的回归分析中，可以发现客流图像的整体特征值具有较为明显 的 变 化 规 律。另外，图像 B3 的所有特征值变化与整体变化规律趋势均有较大偏差，因此将该幅图像作为残次图像予以筛除，在其余图像的分析基础上得出拟合规律，其中拟合优度较高的图像特征值为色阶比( bin20) 、像素累积( bin30、bin40) 。将上述 3 个拟合较好参数所拟合的图像与函数值列表，如图 4 与表 2 所示。

      通过上述对客流图像特征值与客流密度的规律分析，可以得出对应于不同参数的多项式与指数拟合函数，并对其进行拟合校验与误差分析，表 3 所示为多项式函数拟合与校验。为获取较为准确的拟合函数，实验中选取了密度相差较大的客流图像进行研究，并专门从不同密度的客流图像中提取校验对象，同时进行统一的误差检验分析。

      由表3 中的相关数据可以看出，对于客流密度较少的客流图像而言，其统计误差相对较大，且不稳定，这可能是由于图像中对象较少、背景光线等对图像直方图统计带来的较大误差所造成的。另外，对于正常状态下的中 大客流而言，其统计值与准确值的误差较小，在选取的客流图像特征参数下的表现都比较稳定和准确。另外，通过指数拟合与校验发现，指数拟合的客流密度误差比较稳定，但比多项式拟合函数的误差要大一些，因此在实际的研究分析中应该以多项式拟合函数作为主要参考。由于本研究图像选取与客流统计的有限性，这里的相关数据均保留了多位小数，以便提高统计分析时的精确度。