基于Faster R-CNN网络模型的铁路异物侵限检测算法研究

行人和车辆等异物侵入铁路周边限界内的情况严重威胁了行人自身安全及铁路行车安全。针对传统铁路异物检测算法识别精度不高、分类不明确和结果易受外界环境影响等缺点,提出了一种基于Faster R-CNN网络模型的铁路异物侵限检测算法,并对该模型做适应性改进以满足铁路异物检测的现实需要。提出将全连接层用全局平均池化层替代来减少参数量;通过增加锚点个数来提高对目标区域建议的精确性;引入迁移学习思想训练网络以解决铁路异物侵限数据匮乏问题。在铁路异物侵限视频数据集上进行测试表明,本算法对于人、车及部分动物的综合检测精确度达到了97.81%。     

基于Faster-RCNN的站台端部人员入侵检测研究

铁路客运站的站台端部为非封闭式环境,存在人员非法入侵的风险。在阐述Faster-RCNN算法原理的基础上,详细描述了VGG16模型、RPN网络以及分类回归的过程。采集现场数据制作样本集,训练了可区分普通人员、施工人员以及防护人员的站端入侵检测模型。测试分析了5组不同参数下的实验数据,确定候选区队列长度等于300,推荐候选区数量等于15时为最优参数。模型对普通人员、施工人员以及防护人员3种样本的识别精确率分别为95%、99%、100%,识别召回率分别为97%、99%、100%,平均精确率均值为0.983 6,单帧检测时间为0.069 s。结果表明:算法可有效地检测普通人员、施工人员以及防护人员,满足实时检测需求,为站台端部人员入侵检测提供了新思路。     

铁路周界入侵目标多尺度特征感知算法

准确识别侵入周界范围内的人和大型牲畜是铁路周界入侵视频智能分析技术的重点内容,对保障铁路安全运营具有重要意义。基于现有目标检测算法难以处理铁路监控场景中入侵目标呈现显著尺度变化的状况,提出一种多输入双输出神经网络(Multiple Input Double Output Network,MIDO-Net)和基于自适应特征加权融合的目标多尺度特征感知算法。首先,通过MIDO-Net多层级联的多输入和双输出网络结构,提取图像目标更丰富的多尺度特征信息;其次,依据骨干网络多阶段的特点,先将多级特征上采样至统一分辨率,再利用注意力模块和自适应参数对多级特征进行加权;然后,将特征输入到检测头中完成铁路周界入侵的识别;最后,通过视觉目标类别(Visual Object Classes,VOC)公共数据集和制作的多场景、多尺度铁路异物侵限数据集,对算法进行验证。结果表明：提出的多尺度特征感知算法在VOC公共数据集中的检测精确率达83.3%,在多场景、多尺度铁路异物侵限数据集中的检测精确率达91.1%,平均召回率达56.2%,均优于当前广泛使用的各种特征提取骨干网络;算法检测速率为45帧·s^...     

自然场景下基于四级级联全卷积神经网络的人脸检测算法

针对于自然场景下人脸检测存在的姿态复杂、遮挡和光照等问题,提出一种基于4级级联全卷积神经网络的人脸检测算法。构建4级级联网络,采用级联分级训练代替端到端训练,以避免只共享1个网络权值的局限,进而获得有区分性功能的深度网络,提高检测精度;每级深度网络结构均采用全卷积结构,可以接受任意尺寸图像的输入,提高检测效率;另外在训练过程采用自举法Bootstrap进行网络模型的优化训练,提高训练样本利用率;利用最终训练好的深度卷积网络模型实现人脸检测。人脸检测实验结果标明,本算法在自然场景下,对多姿态、遮挡、单图多种人脸类型等均具有良好的鲁棒性,同时在现有平台上每张图片的检测速度达到96ms,在国际权威的人脸检测公开测试集FDDB上的"真正率"达到82.98%。     

面向铁路客运场景的对抗鲁棒性人头检测模型

基于人头检测的人群数量估计算法能为铁路客运车站应对突发客流、防止人群聚集提供有效的决策辅助，但人头检测使用的深度学习模型易受到对抗样本影响。为提升深度学习模型的对抗鲁棒性，建立了基于RetinaNet算法的人头检测模型；在Brianwash数据集上分别使用快速梯度符号法（FGSM,Fast Gradient Sign Method）和投影梯度下降（PGD,Projected Gradient Descent）2种对抗攻击方法生成对抗样本，初始模型在对抗样本数据集上的m AP值均有显著下降，验证了对抗攻击对模型性能影响的有效性；再对模型进行对抗训练，对抗训练后的模型在各类对抗样本验证数据集上的m AP值均有显著提升。实验结果表明，对抗训练后的人头检测模型能有效防御对抗样本的攻击，提升模型检测性能和对抗鲁棒性。     

地铁应用场景中半监督群体异常行为检测模型

为了解决拥挤、奔跑及踩踏等地铁群体异常行为带来的公共安全风险问题，针对地铁车站监控视频样本的种类繁多、均衡性差、背景环境复杂多样等问题，提出一种可迁移性强、训练及运行效率高、样本量标注较少的半监督群体异常行为检测模型。结合卷积自编码器和卷积长短期记忆网络，分别对图像样本进行空间维度特征压缩重构和时间维度运动特征叠加，并通过自动检测实时监控视频图像，及时发现不同场景下人群状态的异常行为，以降低危害乘客财产生命安全的可能性。基于现有的视频监控系统，所提模型可以完成对车站内高发区域和场景的全覆盖，将监控图像每个像素的重构误差以热图或散点图的形式叠加到原始图像中，有助于监管人员迅速发现异常区域，并及时响应处置。在Subway、CHUK Avenue及自建的无锡地铁数据集上验证了所提模型的准确性。研究结果表明，与同类经典模型相比，所提模型在提升检测精度的同时也能基本满足地铁车站场景下的实时性应用需求。     

基于铁路客站视频多视角特征图投影融合的人群密度估计模型

为破解超大视觉场景下人群密度估计的局限性,提出1种适用于铁路客站的多视角特征图投影融合的人群密度估计模型,包括多视角特征图提取处理和多视角特征图投影融合处理2部分。首先,对站内多路旅客视频图像分别进行多尺度特征提取,并引入注意力机制模块分离背景和前景人像,得到注意力密度特征图;再将不同视角下经过提取处理后二维的特征图投影到三维地面坐标系;然后,对投影后的特征图进行融合计算,实现整体融合特征图的密度估计;最后,在传统密度估计损失基础上增加注意力密度特征损失,设计得到损失函数。依托公开数据集和基于清河站的自建数据集,对比验证模型性能。结果表明：该模型在均值绝对误差上优于当前同类先进模型;引入的注意力机制模块进一步优化了模型对人群密度估计的效果;200次迭代后模型平均损失梯度下降逐步稳定,梯度策略设置合理,收敛效果较好;在清河站实际应用场景下,该模型能基于3个不同视角视频图像准确估计人群密度。     

轨道交通车站内通道设施的行人流特性研究

选取轨道交通车站内的通道设施为研究对象,通过现场调查、视频采集和后期人工处理得到行人流的速度、密度和流量等数据资料,采用统计分析软件SPSS对实测数据进行筛选和信息挖掘,并系统的建立单向、双向水平通道设施的速度-密度和流量-密度交通流模型,对比分析两种通道在不同状态下交通流模型特征的异同及原因。研究成果为轨道交通车站通道设施设计、安全疏散以及提升车站通行能力和服务水平提供参考,同时完善了行人交通流理论研究。     

一种全部属性聚类和特征属性聚类相结合的无监督异常检测模型

为提高无监督异常检测系统的检测率、误报率和检测效率,将数据集划分为不同的服务集,然后对每个服务集数据包进行全部属性聚类和部分相关属性聚类(即特征属性聚类)并比较训练结果,取其中训练性能较优的方法建立对该服务的检测模型。检测实验表明,本文模型的检测率达到99.21%,误报率降低到2.2%。与不加服务划分的模型相比,本文模型的训练时间和检测时间分别降低为相应模型的21.17%和21.98%。与其他检测算法的比较结果也表明,本文模型在检测率和误报率方面具有更优的性能。     

一种基于多层RBM网络和SVM的行人检测方法研究

行人检测一直是计算机视觉领域的热点和难点问题。本文提出了一种结合玻尔兹曼机RBM(Restricted Boltzmann Machine)和支持向量机SVM(Suport Vector Machines)的深度学习网络进行行人特征提取和分类,多层玻尔兹曼机无监督的训练网络参数得到行人特征并级联SVM构建特征分类器进行特征分类,在融合多种行人数据库的基础上扩充了行人数据样本,满足深度学习对于大数据量样本的要求。实验中对比了不同层数网络对于模型性能的影响以及与传统人工特征相比在复杂场景下的行人检测效果,验证了深度学习对于行人特征提取的有效性。     

紧急状态下铁路旅客运输径路优化

针对紧急状态下铁路旅客运输的特点,以受灾地区等待疏散客流量和车站设备运输能力为约束条件,以总疏散时间最短为目标函数,建立紧急状态下铁路旅客运输径路优化模型。采用模糊多目标决策方法与多径路搜索算法对模型求解。求解步骤为:运用模糊多目标决策方法,考虑危险程度、疏散运量、车站设备运输能力3个影响因素确定车站径路选择的优先权;采用多径路搜索算法建立相异最短径路集;运用模糊多目标决策方法,综合考虑时间和危险性因素,确定各次列车最优径路。以某地区灾后只剩下3个车站可以正常使用,等待疏散人员580万人为例,运用建立的模型与算法进行计算。结果表明:确定的各车站列车最优径路,能够使受灾地区各车站相互协调,在70h内安全有效地疏散受灾人员。     

基于结构光3D测距技术的铁路旅客进出站尾随检测系统设计

铁路客运站进/出站场景人流量大、环境复杂，使得现有尾随检测方法误报率较高。为此，设计了铁路旅客进出站尾随检测系统，利用结构光3D测距技术、身份识别技术和行人检测技术，准确获取旅客间的相对距离。与现有尾随检测系统相比，所设计的系统可有效地检测旅客进出站场景下的尾随行为，显著提高了尾随情况的检出率。降低了旅客携带大件行李时的尾随误报率。     

基于改进YOLOv3的站口行人检测方法

针对YOLOv3算法在行人检测上准确率低和漏检率高的问题,提出一种改进型YOLOv3的行人检测方法,并将其定义为GA-Wide-YOLOv3。该方法首先以行人头肩小目标为检测对象,进行重构数据集,利用遗传算法重新对目标先验框进行聚类,优化anchor参数,提高先验框与数据集的重合程度;其次改进YOLOv3,通过加宽网络宽度、减少网络深度,获得针对小目标检测的较大视野阈,避免梯度消失;最后,将多尺度检测算法3个yolo层前的1*1,3*3的卷积组各去掉2组,减少头肩小目标在复杂背景下的漏检率。在收集的数据集HS6936上进行对比实验,结果表明,基于遗传算法改进的K-means算法,平均交并比为81.89%,提高了0.8%;改进的YOLOv3算法检测平均准确率(mAP)为75.35%,召回率为81.20%,查准率为99.99%,较原始YOLOv3算法分别提高了2.53%,0.88%和2.75%。     

非限制场景下铁路机车车号定位检测方法

针对传统铁路机车车号定位检测模型泛化性较低，不适用于多种检测应用场景等问题，提出一种适用于非限制场景、基于YOLO(You Only Look Once)v4-tiny模型的铁路机车车号定位检测方法。文章采用空洞卷积代替标准卷积，增大机车车号特征提取感受野，提升传统YOLOv4-tiny模型的检测精度；建立铁路机车车号数据集（RLND,Railway Locomotive Number Dataset），用于模型训练，并对模型的检测效果进行验证。验证结果表明，该方法对铁路机车车号的定位检测精度为99.44%，检测速度为50帧/s，能够应对非限制场景下的机车车号定位检测需求。     

基于三维场景的铁路车站列车运行联锁控制仿真研究

联锁控制对铁路车站的调度指挥和列车的有序安全运行起着非常关键的作用。为保证铁路车站联锁控制及列车运行演练的真实性和安全性,提出铁路车站联锁控制及列车运行三维虚拟仿真的总体框架。从铁路车站联锁功能入手,设计车站联锁控制的数据结构、功能逻辑和联锁控制仿真算法,实现了铁路车站联锁的逻辑控制及人机交互仿真。采用面向对象的层次分级法,设计铁路车站设备三维模型的层次结构。通过创建预制体并修改其组件的方式,构建铁路车站列车运行三维虚拟场景模型。结合铁路线路逻辑模型,提出了面向联锁控制的列车运行虚拟寻路算法和列车运动驱动算法,利用该算法进行列车各车辆空间位置和姿态的连续计算,实现了在三维场景下铁路列车的启动,加减速运动,定点停车、换道等功能。在此基础上,在Unity引擎环境下开发了基于三维场景的铁路车站列车运行联锁控制虚拟仿真系统,该系统支持铁路车站联锁控制人机交互仿真,并可在铁路车站三维场景中的不同视角下,以可视化方式观察信号设备状态变化以及列车的动态运行情况。通过给定的站内列车调度计划表,利用所开发的系统进行了铁路车站联锁控制及列车运行三维仿真。仿真实例表明,所采用的方法及技术方案在车站联锁的仿真...     

基于改进FairMOT的铁路周界入侵检测方法

针对铁路综合监控视频中不同远近行人成像面积差异较大、自然环境变化产生干扰等因素造成的检测难题，提出一种改进FairMOT框架的周界入侵检测方法。首先，针对监控视频中不同远近的行人，通过在FairMOT框架中引入感受野模块，丰富不同成像大小行人检测所需的感受野，以更好地提取不同尺度特征信息；其次，针对夜晚时段方法检测性能较低的问题，在编码解码网络后融合空间注意力模块，强化夜间前景行人关键特征，同时优化目标跟踪和判断流程，实现稳定检测；然后，针对缺乏大量学习样本的问题，使用行人检测跟踪数据集与铁路真实数据集混合增强训练，提高方法在全天候检测中的泛化性和鲁棒性；最后，在MOT17数据集和铁路真实数据集上，对改进FairMOT检测方法与CenterTrack,Bytetrack等方法进行对比试验。结果表明：提出的改进FairMOT检测方法在白天和夜晚对不同大小目标检测中，均取得了最高的准确率和召回率调和均值，检测性能最好；方法检测速率为25.2帧·s^-1，能够满足实时检测要求。改进的FairMOT检测方法可以更有效地应用于实际铁路周界入侵检测场景。     

基于用户平衡分析的旅客列车始发时间分布优化

设计了基于旅客列车始发时间分布的旅客出行选择网络，并研究了该网络上旅客的各项出行费用，以旅客出行总费用最少为优化目标，建立了车站旅客列车始发时间分布的双层规划模型，同时设计了模拟退火启发式算法。模型反映了列车能力对客流分布的影响和拥挤条件下的旅客群体选择行为。算例分析结果表明，采用该模型与算法取得较好优化效果。     

上海将建成我国首个5G火车站

<正>2月20日,在上海虹桥站候车大厅内建成了5G体验区。据介绍,5G网络不但可以满足车站大客流场景下旅客的高速上网、高清视频通话等需求,更重要的是未来可以利用5G赋能智慧车站,提升车站运行和服务品质。在现场开设的5G体验区内,记者发现,旅客在登录后,下载     

基于代价敏感卷积神经网络的扣件缺陷检测算法

为解决扣件数据集不平衡问题,引入代价敏感策略对卷积神经网络算法进行改进,并以此检测断裂、丢失的缺陷扣件。该算法借鉴AdaBoost算法的思路,在训练过程中对整体误差函数中每个样本分配不同的权重,并依据先前模型的错误率不断地加以调整,使算法关注各个类别中的难学习样本,并对调整后的权重按类别进行归一化处理,以增大小类样本的关注度。分别在高速铁路无砟轨道和普速铁路有砟轨道2个扣件数据集上进行对照试验验证算法的有效性。引入G-mean作为评价指标平衡不同类别的召回率。结果表明:将改进后算法应用于高速铁路无砟和普速铁路有砟轨道的扣件数据集,改进后算法的G-mean值比原算法分别提高10%和25%以上;比传统的扣件识别方法分别提高13%和39%以上。     

基于改进YOLOv5s的列车车厢客流密度检测方法研究

针对城市轨道交通（简称：城轨）列车车厢客流密度检测过程中人群密集、乘客间相互遮挡的问题，文章提出一种基于改进YOLOv5s模型的列车车厢客流密度检测方法。设计了基于车载闭路电视监控（CCTV,Closed-Circuit Television）系统监控进行实时目标检测的列车车厢客流密度检测模型；为解决人群密集及遮挡问题，对YOLOv5s进行优化，采用了双向特征金字塔网络（BiFPN,Bidirectional Feature Pyramid Network）结构加强网络特征融合，设计了一种损失函数计算方法，改进了非极大值抑制（NMS,Non-Maximum Suppression）方法，避免候选框误删除的情况。在标准行人检测数据集和自制地铁车厢乘客数据集上进行实验，结果表明，在两类数据集上，改进模型的检测精度均较原模型有所提升。