摘要：本文梳理了轨道交通行业现状及管理部门的需求，分析了现有视频分析技术在轨道交通应用的可行性，介绍了区域密度检测、电梯异常检测、越线检测、物品移走检测、徘徊检测、脱岗检测、人脸识别这七项视频分析技术，并详细说明了这些技术在西安北火车站测试过程及结果。西安北站的测试检验了现有视频分析技术在火车站的适用性，为编制铁路客运需求规范积累了丰富数据。
关键词：智能安防；视频分析；铁路；西安北
0 引言
铁路客站视频监控建设规模较大，一般都几百路甚至上千路，由于当前智能化程度低，监控有效性较差，客运部门强烈要求增加视频内容分析功能、提高监视有效性、增加监控点。铁路联盟从2016年开始研究客运对视频监控的需求，先后对虹桥、西安北进站行了6次重点调研，并与上海、北京路局客运设备维护公司进行了多次交流，经过一年多时间基本理清了客运业务对视频监控的要求，2017年在客运部的帮助下，开始在西安北站进行试验。
1 试验目的
目前的设计规范、技术要求等相关标准只解决了一些通用的视频需求，工程建设项目的应用情况与用户的需求相差很大，无法真正发挥作用，原因在于视频监控系统的应用情况复杂，无法用通用的标准满足特性要求。客运信息设计规范中也只原则规定了摄像机设置位置，没有完全反映客运的业务需求。因此，应该有针对性地了解、分析并明确用户的具体需求，使工程设计和应用更加贴近用户要求，提高监控系统的适用性。我司利用现有技术优势，结合西安北火车实际客运场景，有针对性地选取了电梯异常、区域密度、徘徊、脱岗、物品移走、越线、人脸识别等视频分析算法进行效果测试，检验了现有视频分析技术在火车站的适用性，为编制铁路客运需求规范积累了丰富数据。
2 试验技术介绍
智能视频分析技术是监控技术第三个发展阶段“机器眼+机器脑”中的“机器脑”部分，利用机器，将“人脑”对于视频画面的监控判断，进行数据分析提炼特征形成算法植入机器，形成“机器脑”对视频画面自动检测分析，并作出报警或其他动作。它借助计算机强大的数据处理能力过滤掉视频画面无用的或干扰信息、自动分析、抽取视频源中的关键有用信息，从而使摄像机不但成为人的眼睛，也使计算机成为人的大脑。智能视频监控技术是最前沿的应用之一，体现着未来视频监控系统全面走向数字化、智能化、多元化的必然发展趋势。[1]
本次试验选取了识别率较高的七类算法进行测试，以下是这些算法的详细介绍：
2.1区域密度检测
算法可监测预定区域内单位面积目标分布的密集程度是否超标及是否有突然聚集或发散的情况并报警。算法检测灵敏度高，能检测密度超标、密度发散、密度聚集三种密度状态，可及时提示区域拥挤、交通拥堵等不安全状况，适用于车辆密度监测，旅游景点、车站、机场、商场、银行等区域人员密度监测。
2.2电梯异常检测
算法根据用户设定的参数和规则条件，可对电扶梯正常运行、逆行、停止三种状态进行检测。电梯检测算法能根据需求配置检测的灵敏度、目标颜色、响应时间和检测阈值，以适应不同场景下的使用。
2.3物品移走检测
算法可自动检测物体搬移事件，当预定区域内某特定位置的物品被盗或移动时报警，但行人正常走动不影响检测。算法支持重要物品被替换或调包的检测，可设置侦测像素值大小，可另设时间门限。算法可检测物品的移走、移动、长时间遮挡等情况，并在超过用户自设定的时间后产生报警，以实现财产保护用途。
2.4越线检测
越线检测可有效代替常规视频分析检测和报警手段，算法需要设置一条或多条虚拟线，设定越线方向后，任何符合该规则的越线行为均可被检测到并激发实时报警，具有逆行检测、周边入侵检测、非法路径检测（如非法左转等）、流量检测等多种功能，适用于逆行、监测翻越围墙、闯红灯、穿越铁道、入侵银行金库等重点场所。
2.5脱岗检测
算法可检测值班人员是否脱岗、遇袭昏迷或在岗位上睡着。算法性能可靠，能准确分辨目标，适用于室内多数场景下，能根据不同场景调整检测灵敏度及报警时间间隔等，还可以根据需要调整认定时间和回岗时间，在认定时间内，若规则框内有运动目标的帧数比例大于认定阈值，则算法启用。
2.6徘徊检测
算法可检测到目标在设定区域内徘徊/滞留情况，如果目标超过设定的时间则立即报警，徘徊/滞留的判别不受人员在警戒区内的行为影响，如动静坐卧等，适用于室内、室外大多数场景下，还可以根据不同场景调整检测目标大小、目标个数及报警时间间隔等参数。
2.7人脸识别
我司人脸识别技术采用级联CNN（卷积神经网络）分类器，第一级CNN分类器快速过滤出少量可能为人脸的图像区域，第二个CNN分类器精确筛选出真实人脸，融合人脸的不同特征区域，并通过海量人脸数据不断优化CNN模型，使得算法在复杂环境下也能准确找到人脸，具有极低的误检率和漏检率。我司人脸识别算法在FDDB人脸检测数据集上可达到99.85%以上检出率，处于行业先进水平。
人脸识别技术的主要意义可以体现在以下三个方面：
（1）能够从监控视频中实时发现重点人员：前端采集的人脸图像与重点人员库进行比对，并将结果实时反馈给监控中心。如果比中，系统报警。监控中心能够及时协调警力对重点人员实时抓捕；
（2）能够搜集管控人员的行踪信息：前端采集的人脸图像与管控人员库进行比对，比对结果将保存在平台。利用已有的监控网络，能够记录管控人员在何时出现在何地，为管控人员的研判，提供情报；
（3）能够搜集大量的人脸照片，并提供有效技术手段进行事后排查：前端采集的人脸图像将作为路人保存。当出现案情时，干警可以利用嫌疑人员的人脸图像在路人库中进行倒查，确定其过去一段时间的行踪，为案件的侦破提供线索。
3 试验过程
3.1试验内容：
我司从2018年3月份已经开始在北站进行选点测试，在200多路高清摄像机中选取了符合要求的30路摄像机进行测试。共测试7个算法，20个不同场景，并对同一场景选取多段事件视频进行测试。测试内容见表1：
3.2试验环境：
本次在西安北站的测试，实质上是视频智能分析技术在铁路客运站的落地测试，车站的大多场景都有待被开拓并加以利用。
经过对西安北站的多次调研，并结合目前的产品功能，我们将火车站内外场景分为卡口类场景（检票口、安检口、进站口、出站口等）、广角类场景（候车大厅、售票大厅、网络取票厅、车站广场等）、禁区类场景（禁止翻越围栏、站台间轨道及两端轨道区域等）、特殊场景（电扶梯、重点岗位工作区、消防器材等）。
（1）卡口类场景：该场景的相机角度相对固定且清晰度高，通过它们可以快速且准确抓拍和记录经过的人员图像信息，并能进行精准的分析和识别。现场实景如下图：
（2）广角类场景：该场景相机架设一般较高，拥有视角广，清晰度较高的特点。运用这类相机可以监控面积较广的场景，适宜做基于人群的异常事件的检测。实景如下图所示：
（3）禁区类场景：该类场景相机距离适中，且目标区域一般无遮挡，比如禁止翻越的围栏、站台轨道区域等，该场景适宜做越线检测、区域入侵检测等。实景如下图所示：
（4）特殊类场景：该类场景的相机视野区域较为固定且有针对性，如电扶梯、消防用具所在处等。该类场景适用于检测电扶梯运行状况、消防用具是否非正常移走等，针对性较强。实景如下图所示：
4 试验数据及结果
4.1试验数据
本次试验共选择7个测试项，每个测试项都选取了10段视频，包含了人多人少的情况，及从早晨到晚上的不同时段，覆盖了几乎所有可能发生的情况，测试视频真实有效，具体视频统计数据见下表。本次测试的七项算法正报率均达到97.5%以上，算法识别准确率高，均能满足实际应用的需求。
4.2 误报分析
智能视频分析本身仍然是一个世界性的难题。试验环境中光照变化、目标运动复杂性、遮挡、目标与背景颜色相似、背景杂乱等都会影响算法检测的准确率[2]。误报的数量是由背景模型与实际使用情况之间的差距造成的，模型的适应能力越强，造成的未开发误报越少，背后要求的技术也越高。目前行业中还未开发出一种可以涵盖所有使用情况的背景模型，也无法完全的解决随机事件的影响。不过随着大数据及深度学习技术兴起，视频分析结合深度学习的算法效果将会得到逐步优化。
5技术优化与展望
运动目标检测及跟踪是智能视频分析的核心，能够为后续的目标行为分析提供可靠的数据来源。因此需对目标检测及跟踪技术继续深入研究，提高算法的鲁棒性[2]，使其能够适应更为复杂多变的现场环境。同时将传统的智能视频分析算法结合前沿的深度学习技术，依靠海量的数据，不断训练完善模型。
随着越来越多智能视频分析产品的上市，判断这些产品实用性的工作开始变得至关重要。目前智能视频分析产品的测试工作主要由各厂家或者算法设计者自己进行，给出的性能指标缺乏说服力。因此，需要研究建立智能视频分析产品性能评价标准及体系，这不仅有助于智能视频分析设备生产厂商进行算法的改进，同时可以帮助智能视频监控系统用户对产品进行选择[3]。
6 结束语
本轮西安北测试，我们检验了区域密度检测、电梯异常检测、越线检测、物品移走检测、徘徊检测、脱岗检测、人脸识别这七类算法在实际场景中应用的效果，得到了这七项算法可用于轨道交通的视频分析的结论。
利用这些视频分析技术，便能实时捕捉到违反规则的突发或危险事件并报警，达到事前或事中及时提示，而不是事后再去检索或查看录像，真正的实现了监控智能化，提高安全防范级别和监控管理的工作效率，节省施工和管理成本。
参考文献
[1] 王羽莹.基于智能视频分析的高速铁路周界入侵探测技术浅析[J].电信网技术，2018（3）,76-80.
[2] 李鹏飞孙苗苗 高磊等. 智能视频分析技术的最新发展与应用[J].公安部第一研究所. 中国安防，2013(12)：39-43.
[3] 王凌志,陈军辉.视频智能分析技术应用研究[J].警察技术,2012(2),66-68.