一种城市轨道交通闸机事件智能识别方法
阅读：123发布：2023-12-05
专利汇可以提供一种城市轨道交通闸机事件智能识别方法专利检索，专利查询，专利分析的服务。并且本 发明 涉及一种城市轨道交通闸机事件智能识别方法，通过在刷卡闸机 门 上合理排列漫反射型红外线 传感器 ，检测数据送入PC中进行神经网络的训练，区分成人、孩子和物品，建立智能识别模型来检测逃票。与传统闸机相比，引入这种识别方法的闸机具备智能识别的功能，闸机自身便可识别通过闸机的乘客是正常通行还是非正常通行。目前一些具备智能识别功能的闸机，依靠运动个体在时间上和空间上遮挡传感器情况人为进行逻辑判断，对一些不规则行走的运动个体识别效果不甚理想。与其相比，本发明引入 深度学习 网络这个概念，通过前期对大量各式各样的数据的训练能大大提高闸机智能识别系统的鲁棒性。，下面是一种城市轨道交通闸机事件智能识别方法专利的具体信息内容。
1.一种城市轨道交通闸机事件智能识别方法，其特征在于，具体包括如下步骤：
1）在人通过检票的轨道闸机一面上安装漫反射型红外线传感器进行检测：
在闸机门入口、检票前端处安装进门检测传感器，有效刷卡后打开闸机门；在乘客刷卡后进入步态检测区处安装上下两排漫反射型红外线传感器，一排传感器距离地面高度
35cm，传感器互相之间的间距为15 cm，检测数据作为成人和孩子辨别数据，另一排传感器距离地面高度15cm，传感器互相之间的间距为15 cm，检测数据作为人和拖拉行李箱辨别数据；在闸机门出口安装出口检测传感器，在乘客走出后关闭闸机门；
2）样本采集：选择不同的代表性单人成年乘客、身高低于1.3m儿童乘客、携带行李箱的单人乘客、前后距离间隔很短模拟逃票的乘客通过步骤1）中的轨道闸机门，存储数据和对应特征；
3）将步骤2）采集的数据作为模型输入送入限制玻尔兹曼机（RBM）数学模型进行学习，得到具有较好权重和偏置初值神经网络模型；
4）将步骤2）中的数据和对应特征送入BP算法中，达到结果调整步骤3）所得神经网络模型的误差；
5）对所得神经网络模型进行训练，重新进入步骤2）～4）进行新样本采集、新神经网络模型权重和偏置计算、新新神经网络模型误差调整，直到误差值降至可接受的阈值；
6）最终得到训练后，可得到步骤2）中4种乘客的神经网络模型，用以进行闸机一票一人的识别判断。
一种城市轨道交通闸机事件智能识别方法
技术领域
背景技术
[0002] 社会和经济的快速发展以及城市化进程的逐步加快，致使城市规模逐渐扩大，城市人口也急剧增加，随之而来的是交通拥挤等一系列的问题，为了克服这些困难，一方面要加强交通设施建设，另一方面则需要更多的检票设备——闸机。然而在每一个闸机安排一个工作人员要消耗大量的人力成本。与此同时，仅在上海一地的地铁轨道交通当中日均万人逃票，年均损失1000多万元人民币，所以对闸机自动智能识别系统的研究具有重要的社会意义和经济意义。
[0003] 目前应用在现实社会中的闸机普遍不具备自动识别功能，要靠道德来约束乘客们的逃票行为，然而效果不甚理想。
发明内容
[0004] 本发明是针对轨道交通拥挤、监票难的问题，提出一种L城市轨道交通闸机事件智能识别方法，闸机自身便可识别通过闸机的乘客是正常通行还是非正常通行。
[0005] 本发明的技术方案为：一种城市轨道交通闸机事件智能识别方法，具体包括如下步骤：1）在人通过检票的轨道闸机一面上安装漫反射型红外线传感器进行检测：
在闸机门入口、检票前端处安装进门检测传感器，有效刷卡后打开闸机门；在乘客刷卡后进入步态检测区处安装上下两排漫反射型红外线传感器，一排传感器距离地面高度
35cm，传感器互相之间的间距为15cm，检测数据作为成人和孩子辨别数据，另一排传感器距离地面高度15cm，传感器互相之间的间距为15cm，检测数据作为人和拖拉行李箱辨别数据；在闸机门出口安装出口检测传感器，在乘客走出后关闭闸机门；
2）样本采集：选择不同的代表性单人成年乘客、身高低于1.3m儿童乘客、携带行李箱的单人乘客、前后距离间隔很短模拟逃票的乘客通过步骤1）中的轨道闸机门，存储数据和对应特征；
3）将步骤2）采集的数据作为模型输入送入限制玻尔兹曼机（RBM）数学模型进行学习，得到具有较好权重和偏置初值神经网络模型；
4）将步骤2）中的数据和对应特征送入BP算法中，达到结果调整步骤3）所得神经网络模型的误差；
5）对所得神经网络模型进行训练，重新进入步骤2）～4）进行新样本采集、新神经网络模型权重和偏置计算、新新神经网络模型误差调整，直到误差值降至可接受的阈值；
6）最终得到训练后，可得到步骤2）中4种乘客的神经网络模型，用以进行闸机一票一人的识别判断。
在闸机门入口、检票前端处安装进门检测传感器，有效刷卡后打开闸机门；在乘客刷卡后进入步态检测区处安装上下两排漫反射型红外线传感器，一排传感器距离地面高度
35cm，传感器互相之间的间距为15cm，检测数据作为成人和孩子辨别数据，另一排传感器距离地面高度15cm，传感器互相之间的间距为15cm，检测数据作为人和拖拉行李箱辨别数据；在闸机门出口安装出口检测传感器，在乘客走出后关闭闸机门；
2）样本采集：选择不同的代表性单人成年乘客、身高低于1.3m儿童乘客、携带行李箱的单人乘客、前后距离间隔很短模拟逃票的乘客通过步骤1）中的轨道闸机门，存储数据和对应特征；
3）将步骤2）采集的数据作为模型输入送入限制玻尔兹曼机（RBM）数学模型进行学习，得到具有较好权重和偏置初值神经网络模型；
4）将步骤2）中的数据和对应特征送入BP算法中，达到结果调整步骤3）所得神经网络模型的误差；
5）对所得神经网络模型进行训练，重新进入步骤2）～4）进行新样本采集、新神经网络模型权重和偏置计算、新新神经网络模型误差调整，直到误差值降至可接受的阈值；
6）最终得到训练后，可得到步骤2）中4种乘客的神经网络模型，用以进行闸机一票一人的识别判断。
[0006] 本发明的有益效果在于：本发明城市轨道交通闸机事件智能识别方法，与传统闸机相比，引入这种识别方法的闸机具备智能识别的功能，闸机自身便可识别通过闸机的乘客是正常通行还是非正常通行。目前一些具备智能识别功能的闸机，依靠运动个体在时间上和空间上遮挡传感器情况人为进行逻辑判断，对一些不规则行走的运动个体识别效果不甚理想。与其相比，本发明引入深度学习网络这个概念，通过前期对大量各式各样的数据的训练能大大提高闸机智能识别系统的鲁棒性。附图说明
[0007] 图1为本发明闸机内壁红外线传感器检测点位置图；图2为本发明实施例1传感器工作状态图；
图3为本发明实施例2传感器工作状态图；
图4为本发明深度学习网络结构图；
图5为本发明限制玻尔兹曼机网络结构图。
图3为本发明实施例2传感器工作状态图；
图4为本发明深度学习网络结构图；
图5为本发明限制玻尔兹曼机网络结构图。
具体实施方式
[0008] 在发明中，我们一共在闸机通道中布置了20个漫反射型红外线传感器，来检测运动个体的动作序列，如图1所示闸机内壁红外线传感器检测点位置图，其中每两个传感器间的距离在图1中有明确标注，距离的设置是我们根据人体的特征，经过实验验证所得到的结果，保证了红外线传感器对正常通过闸机的成年乘客、身高低于1.3米的免票儿童乘客、携带行李箱通过闸机的乘客、前后距离间隔很短试图逃票的乘客这四种情况所采集回的数据具有较好的可区分性，从而为最终深度学习网络做出判断提供了科学有效的数据。
[0009] 一、进出检测区域：1、区域一内1号和2号检测点检测乘客进入的情况，允许乘客停留以方便刷卡。在该区域或进入该区域之前有效刷卡，闸机门打开，等待乘客通过通道
2、区域三的19号和20号传感器用来检测乘客走出的情况，为了防止闸机伤人，我们在门页活动区域安装了19、20号红外传感器，一旦检测到转动区域有人，门页自动停止转动，直到离开该区域，闸机门才会关闭，确保了闸机不会夹伤乘客。
2、区域三的19号和20号传感器用来检测乘客走出的情况，为了防止闸机伤人，我们在门页活动区域安装了19、20号红外传感器，一旦检测到转动区域有人，门页自动停止转动，直到离开该区域，闸机门才会关闭，确保了闸机不会夹伤乘客。
[0010] 二、步态检测区域：图1中 号传感器距离地面高度35cm，传感器互相之间的间距为15 cm。根据表一中人体关键部位距离地面高度数据，我们可知对于身高低于130cm的儿童，传感器检测到身体部位的是膝部以上髋部以下的部分，而对于成年人来讲，传感器检测到的身体部位依然是膝部以下部分。根据身高低于130cm儿童和成年男性通过闸机时传感器采集回来数据分析， 逐步递进的趋势，后者呈现前后分散逐步递进的的趋势，如图2所示实施例1成年男性及身高低于 儿童通过闸机通道 号传感器工作状态图（●表示红外线传感器被遮挡，○表示红外线传感器未被遮挡），二者呈现较为明显的差异，从而为我们区分经过闸机的乘客是否为身高低于130cm的儿童提供的有力的帮助。
[0011] 表一身高（CM） 膝部（CM） 髋部（CM） 腰部（CM） 肩部（CM）
120 25.7 51.4 68.6 94.3
130 27.8 55.7 74.3 111.4
140 30 60 80 120
150 32.1 64.3 85.7 -
160 34.3 68.6 91.4 -
170 36.4 72.8 97.1 -
180 38.6 77.1 102.8 -
190 40.7 81.4 108.6 -
如图1所示，区域二 号传感器距离地面高度15cm，传感器互相之间的间距为
15 cm。根据表一的信息， 号传感器能够有效检测到人体膝部以下部分，从而能够充分捕获人体特有的步态信息，其呈现的数据特征与物体经过闸机时 号传感器所捕获的数据有较为明显的差异，如图3所示实施乘客携带行李箱以及前后双人通过闸机通道 号传感器工作状态图（●表示红外线传感器被遮挡,○表示红外线传感器未被遮挡），从而为我们区分携带行李箱通过闸机的乘客、前后距离间隔很短试图逃票的乘客提供的有力的帮助。
120 25.7 51.4 68.6 94.3
130 27.8 55.7 74.3 111.4
140 30 60 80 120
150 32.1 64.3 85.7 -
160 34.3 68.6 91.4 -
170 36.4 72.8 97.1 -
180 38.6 77.1 102.8 -
190 40.7 81.4 108.6 -
如图1所示，区域二 号传感器距离地面高度15cm，传感器互相之间的间距为
15 cm。根据表一的信息， 号传感器能够有效检测到人体膝部以下部分，从而能够充分捕获人体特有的步态信息，其呈现的数据特征与物体经过闸机时 号传感器所捕获的数据有较为明显的差异，如图3所示实施乘客携带行李箱以及前后双人通过闸机通道 号传感器工作状态图（●表示红外线传感器被遮挡,○表示红外线传感器未被遮挡），从而为我们区分携带行李箱通过闸机的乘客、前后距离间隔很短试图逃票的乘客提供的有力的帮助。
[0012] 对于单人通过闸机的成年男女乘客，身高低于1.3米的免票儿童，我们首先利用区域二 号传感器对经过闸机的运动个体是否是单人进行确认，我们再利用区域二号传感器对身高差异较大的成年乘客和免票儿童所采集回来数据的差异，利用依据大量实验数据建立起的数学模型，对二者进行准确的分类。
[0013] 对于拉行李箱和前后距离间隔很短试图逃票的乘客，我们利用区域二 号传感器对人和物体采集回来数据的差异，依据大量实验数据建立起的数学模型，并最终对乘客是携带行李箱还是一人尾行在另一人身后试图逃票做出准确的判断。
[0014] 根据我们的定义，在运动个体通过闸机通道时， 号传感器首先对经过闸机的个体是单人乘客还是携带行李箱的乘客或者是一人尾行在另一人身后试图逃票的乘客进行定义分类。如果判断结果单人乘客， 号传感器对运动个体是成年乘客还是身高低于130cm的儿童乘客做出判断。如果是其他两种事件类型中的一种，则判断完成。
[0015] 三、深度学习网络深度学习是近年来的研究热点，其概念基于深信度网络(DBN)非监督贪心逐层训练算法由Hinton等人于2006年提出。它特有的深度结构以及全连接方式能够很好地表达复杂问题的内在联系，具有很强的分辨能力，所以在结构复杂的机器学习中它具有很大的优势，如图4所示深度学习网络结构图。如果直接用 BP 神经网络，初始值选得不好的话，在进行梯度下降调整神经网络参数时往往会陷入局部最优。根据实际应用结果表明，如果用限制玻尔兹曼机（RBM）训练得到的权重和偏移量作为 BP 神经网络各层的初始值，然后用带标签的数据对神经网络各层的权重和偏置做微调，那么得到的结果会非常地理想。 [0016] 根据实验结果，我们H1层神经元个数取300，H2层神经元个数取500，H3层神经元个数取200。
[0017] 1、数据预处理我们将运动个体经过闸机通道时步态检测区域传感器所采集回的数据作为深度学习网络的输入层，经过我们依据大量试验样本训练得出的深度学习网络，实时对通过闸机通道的运动个体所存在的行为和事件做出分类，即输出层。
[0018] 这里我们的系统每隔1ms读取一次传感器的工作状态，我们只对读取的前后两次传感器状态发生改变的数据予以记录。所以当有运动个体经过闸机通道时， 号传感器收集回的数据是一个 行、8列的矩阵（每一行代表系统记录一次 号传感器的状态，每一列代表一个传感器的工作状态，1或0），我们将其合并成为长度为 的数据流。号传感器收集回的数据是一个 行、8列的矩阵（每一行代表系统记录一次
号传感器的状态，每一列代表一个传感器的工作状态，1或0），我们将其合并成为长度为的数据流。
号传感器的状态，每一列代表一个传感器的工作状态，1或0），我们将其合并成为长度为的数据流。
[0019] 我们可以发现由于经过闸机通道的运动个体在速度、数量、性质上存在差异性，实验取回的数据其长度并不统一（ 不确定），为了最大程度保证实验数据的完整性，我们取足够大的长度统一的数据维度（一般来讲200维足以满足各种情况对数据长度的要求），使训练过程每一行的数据都能完整表达运动个体通过一次闸机时传感器的工作状态。对于多余的维度，我们全部置1。
[0020] 2、限制玻尔兹曼机（RBM）数学模型RBM 网络有几个参数，如图5所示限制玻尔兹曼机网络结构图。一个是可视层与隐藏层之间的权重矩阵 ，权重矩阵 是一个m行n列的矩阵，一共有m*n个的元素，每一行的元素（每一行一共有n个元素）分别对应可视层的一个神经元到隐藏层n个神经元的权重取值，一个是可视节点的偏移量 ，一个是隐藏节点的偏移量，这几个参数决定了RBM 网络将一个 n 维的样本编码成一个什么样的 m
维的样本。
维的样本。
[0021] 一个训练样本过来了取值为 ，根据 RBM 网络，可以得到这个样本的m 维的编码后的样本 ，这 m 维的编码也可以认为是抽取了 m 个特征的样本。而这个 m 维的编码后的样本是按照下面的规则生成的：对于给定的 隐藏节点的第 个特征的取值为 1 的概率为
，其中的 取值就是 ， 取值就是 。也就是说，编码
后的样本 的第 个位置的取值为 1 的概率是 。所以，生成 的过程就
是： ， 是可见层神经元数量， 表示可见层第 个神经元
（ ）。 是隐藏层神经元数量， 表示隐藏层第 个神经元（ ）。 表示从可见层第 个神经元到隐藏层第 个神经元的权值。
，其中的 取值就是 ， 取值就是 。也就是说，编码
后的样本 的第 个位置的取值为 1 的概率是 。所以，生成 的过程就
是： ， 是可见层神经元数量， 表示可见层第 个神经元
（ ）。 是隐藏层神经元数量， 表示隐藏层第 个神经元（ ）。 表示从可见层第 个神经元到隐藏层第 个神经元的权值。
[0022] （1）、先利用公式 ，根据 的值估计概率 ，其中 的取值就是 的值；
（2）、然后产生一个0到1之间的随机数，如果它小于 ， 的取值就是 1，否则就是0。
（2）、然后产生一个0到1之间的随机数，如果它小于 ， 的取值就是 1，否则就是0。
[0023] 反过来，现在知道了一个编码后的样本 ，想要知道原来的样本 ，即解码过程，跟上面也是同理，过程如下：（3）、先利用公式 ，根据 的值计算概率 ，
其中 的取值就是的 值。
其中 的取值就是的 值。
[0024] （4）、然后产生一个0到1之间的随机数，如果它小于 ， 的取值就是1，否则就是0。
[0025] 3、RBM的训练过程：输入： ；训练样本， 。
[0026] 输出：梯度逼近 ，其中初始化： 随机产生于期望值为0，标准差为0.01的正态分布；
； ; ; ；
循环开始，直到 足够小（实验结果验证一般循环1000次，可以达到很好的效果）（1）、 ；
（2）、从 ，得到 ；
（3）、然后产生一个0到1之间的随机数，如果它小于 ， 的取值就是 1，否则就是0；
（4）、从 ，得到 ；
（5）、从 ，得到 ；
（6）、循环次数是否大于10，如果是 ，如果否 ；
（7）、 ；
（8）、 ；
（9）、 ；
（10）、 ；
（11）、 ；
（12）、 。
； ; ; ；
循环开始，直到 足够小（实验结果验证一般循环1000次，可以达到很好的效果）（1）、 ；
（2）、从 ，得到 ；
（3）、然后产生一个0到1之间的随机数，如果它小于 ， 的取值就是 1，否则就是0；
（4）、从 ，得到 ；
（5）、从 ，得到 ；
（6）、循环次数是否大于10，如果是 ，如果否 ；
（7）、 ；
（8）、 ；
（9）、 ；
（10）、 ；
（11）、 ；
（12）、 。
[0027] 第一个RBM训练结束后，第一个RBM的隐层的输出，即 ，作为第二个RBM可见层的输入，即 ，以此类推，这样我们就可以得到一个具有较好权重和偏置初值神经网络模型，整个过程是在无监督的条件下进行的。
[0028] 4、预训练后，可以通过利用带标签数据用反向传播算法（BP算法）去对判别性能做调整。这样就会得到一个识别效果极好的神经网络模型，从而实现了闸机事件的智能识别。
[0029] （1）BP算法基本原理利用输出后的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差，如此一层一层的反传下去，就获得了所有其他各层的误差估计。
[0030] 神经网络在外界输入样本的刺激下不断改变网络的连接权值,以使网络的输出不断地接近期望的输出。
[0031] （2）BP算法的训练过程利用上述RBM训练得到的带有较好权重和偏置初值的神经网络模型 ，把一个输入样本向量送入网络的输入端，并计算网络的输出值。求得这一输出值和训练样本目标输出值之间的平方误差 。利用这一误差就可以来调整输出层单元的权值，使得当同样的输入再次送入网络时，其输出能更接近正确答案。一旦输出层的权值已经调节完毕，就可以对隐藏层做同样的事情。上述过程要对训练集中所有不同的输入样本重复进行许多次（经常将一次重复称为一个时代），直到误差值降低到所处问题可以接受的一个阈值之内。这时我们说网络已经训练好了。
[0032] 反向传播的伪代码描述可总结为：BackPropagation(trainset,η,nin,nout,nhidden)
{//trainset中的每一个训练样本以序偶 的形式给出，其中 是样本，是系统的输入；
// 是学习率； 是网络输入单元的数量； 是输出层单元数量；
// 是隐藏层单元的数量。 表示从单元 到单元 的输入， 表示从单元 到单元 的权值，建具有 输入， 个隐藏层单元， 个输出层单元的网络；
将上述RBM训练得到的权重和偏置初值赋值给神经网络；
在遇到终止条件之前，重复以下操作：
对于训练样本集合trainset中的每个 ：
//将输入沿网络向前传播
把样本 输入网络，并计算网络中每个单元u的输入 ；
//使误差沿网络反向传播
对于网络中的每个输出单元 计算它的误差项 ；
；
对于网络中的每个输出单元 计算它的误差项 ；
；
更新每个网络权值 ；
，其中 。
{//trainset中的每一个训练样本以序偶 的形式给出，其中 是样本，是系统的输入；
// 是学习率； 是网络输入单元的数量； 是输出层单元数量；
// 是隐藏层单元的数量。 表示从单元 到单元 的输入， 表示从单元 到单元 的权值，建具有 输入， 个隐藏层单元， 个输出层单元的网络；
将上述RBM训练得到的权重和偏置初值赋值给神经网络；
在遇到终止条件之前，重复以下操作：
对于训练样本集合trainset中的每个 ：
//将输入沿网络向前传播
把样本 输入网络，并计算网络中每个单元u的输入 ；
//使误差沿网络反向传播
对于网络中的每个输出单元 计算它的误差项 ；
；
对于网络中的每个输出单元 计算它的误差项 ；
；
更新每个网络权值 ；
，其中 。
[0033] 四、逻辑判断通过对乘客通行事件的识别，我们可以判断通过闸机的乘客是否存在逃票行为。
[0034] 1、乘客刷卡一次进入，闸机检测为单人通过，正常通过。
[0035] 2、乘客刷卡进入，闸机检测为单人、成年乘客（身高高于130cm）通过，逃票。
[0036] 3、乘客未刷卡进入，闸机检测为单人、儿童乘客（身高低于130cm）通过，正常通过。
[0037] 4、乘客刷卡一次进入，闸机检测为单人携带行李箱通过，正常通过。
[0038] 5、客刷卡一次进入，闸机检测为双人“肉贴”通过，逃票。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 用于识别对象的方法和设备 | 2020-05-08 | 102 |
| 用于图像识别的深度学习模型、该模型的训练装置及方法 | 2020-05-08 | 260 |
| 一种基于深度学习的领域自适应中文分词方法 | 2020-05-11 | 981 |
| 基于滑动输入来确定输入字符的系统和方法 | 2020-05-08 | 900 |
| 一种HLA I型分子与多肽的亲和力预测方法 | 2020-05-08 | 576 |
| 一种基于深度学习的疲劳检测方法 | 2020-05-08 | 587 |
| 使用深度学习算法来评价输入数据 | 2020-05-08 | 728 |
| 一种基于深度学习的商品二维码生成方法及系统 | 2020-05-08 | 40 |
| 一种基于人物身份的人物实体链接方法 | 2020-05-11 | 959 |
| 一种并行消息处理方法、系统及相关装置 | 2020-05-08 | 378 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈