(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210815091.9 (22)申请日 2022.07.12 (71)申请人 北京交通大 学 地址 100044 北京市海淀区西直门外上园 村3号 (72)发明人 谢征宇　吴剑凡　秦勇　贾利民　 闫香玲　 (74)专利代理 机构 北京市商 泰律师事务所 11255 专利代理师 黄晓军 (51)Int.Cl. G06V 20/40(2022.01) G06V 20/52(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06V 10/25(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于视频的车站关键区域安全状态监 测方法 (57)摘要 本发明提供了一种基于视频的车站关键区 域安全状态监测方法。 该方法包括： 获取一段轨 道交通车站场景下监控区域中的视频图像， 使用 目标检测算法对视频图像进行客流的目标检测， 获取客流目标检测框； 利用改进的DaSiam ‑RPN算 法对客流目标检测框进行目标跟踪， 获取当前帧 的客流目标跟踪框； 判断当前帧的客流目标跟踪 框的轨迹是否超出所述监控区域， 如果超出， 则 停止目标跟踪过程； 否则继续对视频图像进行目 标跟踪过程。 本发明将深度学习方法运用到轨道 交通车站客流信息检测场景中来， 利用YOLOv3和 改进的DaSiam ‑RPN算法提高客流信息监测的精 度， 可以有效改善遮挡情况下的目标监测， 同时 提高运行速度， 保证 了客流信息检测的实时性。 权利要求书1页 说明书5页 附图2页 CN 115376037 A 2022.11.22 CN 115376037 A 1.一种基于 视频的车站关键区域 安全状态监测方法， 其特 征在于， 包括： 获取一段轨道 交通车站场景下监控区域中的视频图像， 使用目标检测算法对视频图像 进行客流的目标检测， 获取客 流目标检测框； 利用改进的DaSiam ‑RPN算法对客流目标检测框进行目标跟踪， 获取当前帧的客流目标 跟踪框； 判断当前帧的客流目标跟踪框的轨迹是否超出所述监控区域， 如果超出， 则停止目标 跟踪过程； 如果没有超出， 则继续对视频图像进行目标跟踪过程。 2.根据权利要求1所述的方法， 其特征在于， 所述的获取一段轨道 交通车站场景下监控 区域中的视频图像， 使用目标检测 算法对视频图像进行客流的目标检测， 获取客流 目标检 测框， 包括； 获取一段轨道 交通车站场景下监控区域中的通道客流的视频图像， 提取视频图像的连 续帧并保存； 利用目标检测算法对视频图像的连续帧进行客流目标检测， 获取客流目标检测框以及 检测框四个顶点的坐标和置信度。 3.根据权利要求2所述的方法， 其特征在于， 所述的目标检测算法包括基于深度 学习的 YOLOv3算法。 4.根据权利要求1所述的方法， 其特征在于， 所述的利用改进的DaSi am‑RPN算法对客流 目标检测框进行目标跟踪， 获取当前帧的客 流目标跟踪框， 包括； 将检测到的客流目标检测框进行筛选， 利用筛选后的检测框来创建目标对应的初始跟 踪位置； 在第一帧图片中， 以初始跟踪目标的中心点截取127*127的区域， 作为模板帧区域； 在 随后的图片中， 以上一帧跟踪目标的中心点截取25 5*255的区域， 作为搜索帧区域； 找到与跟踪目标中心点O最接近的k个候选区域框， 计算每个候选区域框的交并比IoU， 计算k个IoU的均值和方差， 设置均值加方差为 自适应阈值， 将大于自适应阈值的候选区域 框定义为干扰物， 剔除干扰物， 将剔除了 干扰物后的所有候选区域框组成搜索帧区域； 将模板帧区域和所述搜索帧区域送入改进的DaSiam ‑RPN网络， 该改进的DaSiam ‑RPN网 络输出目标的跟踪框和得分， 将得分进行余弦窗抑制， 对距离中心点远的边缘区域分数进 行惩罚， 取分数最高的跟踪框中心点作为新的中心点(A ’)， 上一帧目标的宽W高H和跟踪框 的宽Wg高Hg进行平滑加权作为新的宽W ’高H’， 采用新的中心点A ’和宽W’高H’作为当前帧的 客流目标跟踪框， 后续跟踪依次循环迭代。 5.根据权利要求1所述的方法， 其特征在于， 所述的判断当前帧的客流目标跟踪框的轨 迹是否超出所述监控区域， 如果超出， 则停止目标跟踪过程； 如果没有超出， 则继续对视频 图像进行目标跟踪过程， 包括； 判断前帧的客流目标跟踪框的轨迹是否超出定义的监控区域， 如果超出， 则停止目标 跟踪过程； 如果没有超出， 则继续进行 上述目标跟踪过程， 进行客 流安全监测。权　利　要　求　书 1/1 页 2 CN 115376037 A 2一种基于视频的车站关键区域安全状态 监测方法 技术领域 [0001]本发明涉及轨道交通视频监控技术领域， 尤其涉及了一种基于视频的车站关键区 域安全状态监测方法。 背景技术 [0002]轨道交通车站的正常运行对整个城市轨道交通线网的运行安全具有重大的意义， 准确把握车站的客 流运行状态是实现客 流量科学管控的根本基础。 [0003]目前， 现有技术中的视频监控方法多采用神经网络方法， 在轨道交通车站场景中 的应用非常广泛， 但仍受现场工程的各方面因素制约， 对于车站内特定区域的客流状态信 息监测不能达到很好的效果， 当出现大客流拥挤、 通道逆行及非工作人员进入运营区域等 危险状态而无法第一时间获悉。 [0004]因此， 如何开发一种有效的基于视频的车站关键区域安全状态监测方法是一个亟 待解决的问题。 发明内容 [0005]本发明的实施例提供了了一种基于视频的车站关键区域安全状态监测方法， 以实 现有效的对车站关键区域进行安全监控。 [0006]为了实现上述目的， 本发明采取了如下技 术方案。 [0007]一种基于 视频的车站关键区域 安全状态监测方法， 包括： [0008]获取一段轨道交通车站场景下监控区域中的视频图像， 使用目标检测算法对视频 图像进行客 流的目标检测， 获取客 流目标检测框； [0009]利用改进的DaS iam‑RPN算法对客流目标检测框进行目标跟踪， 获取当前帧的客流 目标跟踪框； [0010]判断当前帧的客流目标跟踪框 的轨迹是否超出所述监控区域， 如果超出， 则停止 目标跟踪过程； 如果没有超出， 则继续对视频图像进行目标跟踪过程。 [0011]优选地， 所述的获取一段轨道交通车站场景下监控区域中的视频 图像， 使用目标 检测算法对视频图像进行客 流的目标检测， 获取客 流目标检测框， 包括； [0012]获取一段轨道交通车站场景下监控区域中的通道客流的视频图像， 提取视频图像 的连续帧并保存； [0013]利用目标检测算法对视频图像的连续帧进行客流目标检测， 获取客流目标检测框 以及检测框四个顶点的坐标和置信度。 [0014]优选地， 所述的目标检测算法包括基于深度学习的YOLOv3算法。 [0015]优选地， 所述的利用改进的DaSiam ‑RPN算法对客流目标检测框进行目标跟踪， 获 取当前帧的客 流目标跟踪框， 包括； [0016]将检测到的客流目标检测框进行筛选， 利用筛选后的检测框来创建目标对应的初 始跟踪位置；说　明　书 1/5 页 3 CN 115376037 A 3