基于数字孪生的地铁人流密度实时监测系统及其方法技术方案

公开了一种基于数字孪生的地铁人流密度实时监测系统及其方法，其结合数字孪生技术和人工智能技术来提取出地铁车厢内的不同大小的区域范围内的人流分布局部特征，并基于地铁车厢内的不同大小的区域范围内的人流分布局部特征之间的差异来构建相对指标用于表示地铁车辆内人流密度分布特征，进一步再利用各个局部区域的全局上下文关联来进行地铁车厢的人流密度实时监测。这样，将人工智能技术和数字孪生技术相互结合以构建地铁人流密度的实时监测方案，能够在车厢的人群密度达到高峰时及时准确地做出必要措施。及时准确地做出必要措施。及时准确地做出必要措施。

【技术实现步骤摘要】
基于数字孪生的地铁人流密度实时监测系统及其方法


[0001]本申请涉及公共监控
，且更为具体地，涉及一种基于数字孪生的地铁人流密度实时监测系统及其方法。

技术介绍

[0002]近几年随着社会的发展和进步，人们的社会活动越来越多,在很多场所出现群集性事件或者由于人群密度过大而造成人员伤亡的事件屡见不鲜。
[0003]在日常生活中 ,对于人们经常出入的地铁、车站、超市等地点的人群密度估计是十分必要的。地铁作为一种方便快捷的公共交通工具受到越来越多人的使用，但是也随之带来了地铁人群密度过高的问题，而因此引发的事故也越来越多，所以地铁人群密度监控已经成了地铁管理的一个重要环节，及时的地铁人群密度估计，不仅能提醒车站上的乘客，也能让地铁管理人做出及时准确的措施，减少人群的高度拥挤所引起的各种突发事件。
[0004]因此，期待一种地铁人流密度实时监测方案。

技术实现思路

[0005]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于数字孪生的地铁人流密度实时监测系统及其方法，其采用基于深度学习的人工智能技术来提取出地铁车厢内的不同大小的区域范围内的人流分布局部特征，并基于地铁车厢内的不同大小的区域范围内的人流分布局部特征之间的差异来构建相对指标用于表示地铁车辆内人流密度分布特征，进一步再利用各个局部区域的全局上下文关联来进行地铁车厢的人流密度实时监测。这样，将人工智能技术和数字孪生技术相互结合以构建地铁人流密度的实时监测方案，能够在车厢的人群密度达到高峰时及时准确地做出必要措施。
[0006]相应地，根据本申请的一个方面，提供了一种基于数字孪生的地铁人流密度实时监测系统，其包括：监控模块，用于获取由部署于地铁车厢内的摄像头采集的实时监控图像；图像优化模块，用于对所述实时监控图像进行直方图均衡化预处理和CLAHE校正颜色以得到优化实时监控图像；多尺度感知模块，用于将所述优化实时监控图像通过包含并行的第一卷积神经网络和第二卷积神经网络的双流网络模型以得到第一尺度特征图和第二尺度特征图；差分模块，用于计算所述第一尺度特征图和所述第二尺度特征图之间的差分特征图；维度转换模块，用于将所述差分特征图的沿通道维度的各个特征矩阵展开为特征向量以得到多个局部差分特征向量；上下文编码模块，用于将所述多个局部差分特征向量通过基于转换器的上下文编码器以得到多个上下文局部差分特征向量；特征聚合模块，用于将所述多个上下文局部差分特征向量进行级联以得到分类特征向量；特征校正模块，用于对所述分类特征向量进行特征分布优化以得到优化分类特征向量；以及监测结果生成模块，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示地铁车厢内的人流密度是否满足预定安全规范要求。
[0007]在上述基于数字孪生的地铁人流密度实时监测系统中，所述第一卷积神经网络使
用具有第一空洞率的第一卷积核，所述第二卷积神经网络使用具有第二空洞率的第二卷积核，所述第一空洞率不同于所述第二空洞率。
[0008]在上述基于数字孪生的地铁人流密度实时监测系统中，所述第一卷积核的尺寸与所述第二卷积核的尺寸相等。
[0009]在上述基于数字孪生的地铁人流密度实时监测系统中，所述差分模块，进一步用于：以如下公式来计算所述第一尺度特征图和所述第二尺度特征图之间的所述差分特征图；其中，所述公式为：，其中，表示所述第一尺度特征图，表示第二尺度特征图，表示按位置作差。
[0010]在上述基于数字孪生的地铁人流密度实时监测系统中，所述上下文编码模块，包括：查询向量构造单元，用于将所述多个局部差分特征向量进行一维排列以得到全局差分特征向量；自注意单元，用于计算所述全局差分特征向量与所述多个局部差分特征向量中各个局部差分特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，注意力施加单元，用于分别以所述多个概率值中各个概率值作为权重对所述多个局部差分特征向量中各个局部差分特征向量进行加权以得到所述多个上下文局部差分特征向量。
[0011]在上述基于数字孪生的地铁人流密度实时监测系统中，所述特征校正模块，进一步用于：以如下公式对所述分类特征向量进行特征分布优化以得到所述优化分类特征向量；其中，所述公式为：其中是所述分类特征向量的第个位置的特征值，是所述优化分类特征向量的第个位置的特征值，是以2为底的对数函数值。
[0012]在上述基于数字孪生的地铁人流密度实时监测系统中，所述监测结果生成模块，包括：全连接编码单元，用于使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
[0013]根据本申请的另一方面，还提供了一种基于数字孪生的地铁人流密度实时监测方法，其包括：获取由部署于地铁车厢内的摄像头采集的实时监控图像；对所述实时监控图像进行直方图均衡化预处理和CLAHE校正颜色以得到优化实时监控图像；将所述优化实时监控图像通过包含并行的第一卷积神经网络和第二卷积神经网络的双流网络模型以得到第一尺度特征图和第二尺度特征图；计算所述第一尺度特征图和所述第二尺度特征图之间的差分特征图；将所述差分特征图的沿通道维度的各个特征矩阵展开为特征向量以得到多个局部差分特征向量；将所述多个局部差分特征向量通过基于转换器的上下文编码器以得到
多个上下文局部差分特征向量；将所述多个上下文局部差分特征向量进行级联以得到分类特征向量；对所述分类特征向量进行特征分布优化以得到优化分类特征向量；以及将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示地铁车厢内的人流密度是否满足预定安全规范要求。
[0014]在上述基于数字孪生的地铁人流密度实时监测方法中，所述第一卷积神经网络使用具有第一空洞率的第一卷积核，所述第二卷积神经网络使用具有第二空洞率的第二卷积核，所述第一空洞率不同于所述第二空洞率。
[0015]在上述基于数字孪生的地铁人流密度实时监测方法中，所述第一卷积核的尺寸与所述第二卷积核的尺寸相等。
[0016]在上述基于数字孪生的地铁人流密度实时监测方法中，所述计算所述第一尺度特征图和所述第二尺度特征图之间的差分特征图，包括：以如下公式来计算所述第一尺度特征图和所述第二尺度特征图之间的所述差分特征图；其中，所述公式为：，其中，表示所述第一尺度特征图，表示第二尺度特征图，表示按位置作差。
[0017]在上述基于数字孪生的地铁人流密度实时监测方法中，所述将所述多个局部差分特征向量通过基于转换器的上下文编码器以得到多个上下文局部差分特征向量，包括：将所述多个局部差分特征向量进行一维排列以得到全局差分特征向量；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数字孪生的地铁人流密度实时监测系统，其特征在于，包括：监控模块，用于获取由部署于地铁车厢内的摄像头采集的实时监控图像；图像优化模块，用于对所述实时监控图像进行直方图均衡化预处理和CLAHE校正颜色以得到优化实时监控图像；多尺度感知模块，用于将所述优化实时监控图像通过包含并行的第一卷积神经网络和第二卷积神经网络的双流网络模型以得到第一尺度特征图和第二尺度特征图；差分模块，用于计算所述第一尺度特征图和所述第二尺度特征图之间的差分特征图；维度转换模块，用于将所述差分特征图的沿通道维度的各个特征矩阵展开为特征向量以得到多个局部差分特征向量；上下文编码模块，用于将所述多个局部差分特征向量通过基于转换器的上下文编码器以得到多个上下文局部差分特征向量；特征聚合模块，用于将所述多个上下文局部差分特征向量进行级联以得到分类特征向量；特征校正模块，用于对所述分类特征向量进行特征分布优化以得到优化分类特征向量；以及监测结果生成模块，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示地铁车厢内的人流密度是否满足预定安全规范要求；以及孪生展示模块，用于显示所述实时监控图像和所述分类结果。2.根据权利要求1所述的基于数字孪生的地铁人流密度实时监测系统，其特征在于，所述第一卷积神经网络使用具有第一空洞率的第一卷积核，所述第二卷积神经网络使用具有第二空洞率的第二卷积核，所述第一空洞率不同于所述第二空洞率。3.根据权利要求2所述的基于数字孪生的地铁人流密度实时监测系统，其特征在于，所述第一卷积核的尺寸与所述第二卷积核的尺寸相等。4.根据权利要求3所述的基于数字孪生的地铁人流密度实时监测系统，其特征在于，所述差分模块，进一步用于：以如下公式来计算所述第一尺度特征图和所述第二尺度特征图之间的所述差分特征图；其中，所述公式为：，其中，表示所述第一尺度特征图，表示第二尺度特征图，表示按位置作差。5.根据权利要求4所述的基于数字孪生的地铁人流密度实时监测系统，其特征在于，所述上下文编码模块，包括：查询向量构造单元，用于将所述多个局部差分特征向量进行一维排列以得到全局差分特征向量；自注意单元，用于计算所述全局差分特征向量与所述多个局部差分特征向量中各个局部差分特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及注意力施加单元，用于分别以所述多个概率值中各个概率值作为权重对所述多个局部差分特征向量中各个局部差分特征向量进行加权以得到所述多个上下文局部差分特征向量。6.根据权利要求5所述的基于数字孪生的地铁人流密度实时监测系统，其特征在于，...

【专利技术属性】
技术研发人员：朱忠良，潘云天，许家玲，钱江，
申请(专利权)人：浙江非线数联科技股份有限公司，
类型：发明
国别省市：