[发明专利]基于多列异步神经网络的地铁站乘客数量调度系统及方法

说明书

本发明公开了基于多列异步神经网络的地铁站乘客数量调度方法及系统，该系统分为车厢视频帧画面实时采集模块、多列异步神经网络模块、各车厢实时人数与安全阈值比较模块、地铁开关门提前制动模块。各车厢在开关门的固定区域采集人头画面，并将实时帧画面送入多列异步神经网络，神经网络输出实时画面预估人数，并将预估人数与车厢安全阈值比较，若超过阈值则将制动信号提前送入开关门控制器，控制关门警报响起并将对应的车门关闭，待全部车门关闭后并到达地铁规定停留时间，地铁则继续驶入下一站。本发明可有效预防高峰时，由于地铁车厢过度拥挤而导致的人员冲突以及突发疾病等安全事故的发生，保障公众安全，具有很高的实际应用价值。

技术领域

本发明属于公共安全领域，具体涉及一种基于多列异步神经网络的人群计数及控制车门自动关闭的智能安全系统及方法。

背景技术

随着人口持续增长、城市化进程加剧，使得早、晚高峰期地铁车厢出现人流分布不均或者过于拥挤的状况。这一状况导致一系列车厢安全事故的发生频率不断提升，如：人流的对冲，乘客之间的踩踏推挤冲突，儿童走失，各类呼吸心脏疾病的突发。目前，地铁高峰时段人流分布不均以及过于拥挤的解决方案是：增加语音文字提示以及人工引导客流。然而在科学技术发展飞速的今天，大多数乘客在候车时的注意力大多都集中在个人手机上，无法确保语音文字提示和人工引导的有效性。

因此，现有的方法并不能从本质上解决车厢安全事故的发生，如有乘客在高峰时段突发心脏类或呼吸类疾病，患者急需空旷的环境进行救治，然而拥挤的车厢显然不利于进行救治，严重的话可能会造成患者抢救无效死亡。由此可见，发明一个既能够对乘客进行人数统计又能够真实有效控制高峰时段地铁上车人数的方法显得尤为重要。

卷积神经网络是近年来广受欢迎的一种深度学习算法。卷积神经网络是一种前馈神经网络，基本结构由输入层、卷积层、池化层、全连接层及输出层构成。在卷积神经网络中，多列结构由于其能加快学习的速度、使模型更快收敛的优势，逐渐在神经网络众多模型中脱颖而出，本发明正是利用多列结构并加入异步更新参数方法学习不同尺度特征，选用ELU激活函数保证输入信息小于0时也有信息通过神经元，提升模型的整体性能，从而能快速输出车厢固定区域的人数，并与阈值比较判断是否提前关闭车门控制车厢内人数，该方法能极大地避免高峰时期人员过度拥挤造成的安全事故，为人们的出行安全提供保障。

发明内容

本发明的目的在于提供一种基于多列异步神经网络的地铁站乘客数量调度系统及方法，主要解决现有技术中语音文字提示以及人工引导客流的方法无法有效解决乘客数量的调度问题，致使拥挤车厢仍可能存在安全隐患。

为了实现上述目的，本发明采用的技术方案如下：

基于多列异步神经网络的地铁站乘客数量调度系统，它包括车厢视频帧画面实时采集模块、多列异步神经网络模块、各车厢实时人数与安全阈值比较模块、地铁开关门提前制动模块；

所述车厢视频帧画面实时采集模块用于实现车厢人头画面的采集和图像预处理；

所述多列异步神经网络模块用于画面人头计数模型训练及实现实时输出视频画面中人群数目；

所述各车厢实时人数与安全阈值比较模块用于比较车厢实际人数是否达到了安全阈值，能够对车厢人数是否存在安全隐患进行分析判断；

所述地铁开关门提前制动模块用于在车厢人数到达安全阈值时，提前发出关门警报并关闭对应车厢车门，避免车厢内人员过度拥挤。

基于多列异步神经网络的地铁站乘客数量调度方法，它包括如下步骤，

(S1)通过各车厢位于车门处的监控摄像头，在地铁到达每一站时采集实时帧的人头画面；

(S2)将采集到的实时帧人头画面进行滤波和图像预处理后，送入多列异步神经网络；