通行状态检测方法及装置、闸门系统及电子设备与流程

1.本发明涉及闸门技术领域，特别涉及一种通行状态检测方法及装置、闸门系统及电子设备。


背景技术：

2.随着城市轨道交通的发展，越来越多的人选择地铁、高铁等交通工具出行。为了使人们能够有序登车，一般在车站的进口处设置有相应的闸门系统，登车人员有序通过闸门系统的闸门进站，闸门一般为一客一开，进而保证了进站的秩序稳定。
3.乘客在通过闸门系统时，会呈现多种不同的通行状态，例如，通行状态可以为单个乘客通行、乘客带有行李通行、乘客带有小孩通行、乘客乘坐轮椅通行等多个合理通行状态，同时，有时也会存在多个成人一起通过闸门系统的不合理通行状态。传统的闸门系统中，检测装置在检测通行乘客的通行状态时，对于乘客的不同的通行状态无法进行准确识别，容易导致乘客在合理通行状态下，其跟随物品或者跟随者被夹伤，或者不合理通行状态下，依旧对乘客进行放行，造成逃票情况。


技术实现要素：

4.鉴于上述问题，本发明提供一种克服上述问题或者至少部分地解决上述问题的一种通行状态检测方法及装置、闸门系统及电子设备，技术方案如下所述：
5.一种通行状态检测方法，所述方法应用于闸门系统，所述闸门系统中包括闸门和光幕检测装置，所述光幕检测装置设置在所述闸门的一侧，所述光幕检测装置中设置有多个光源传感器，所述多个光源传感器呈预设的几何形状进行分布；所述方法包括：
6.在通行者通过所述闸门时，获取预设时间间隔内，每个时间片上各个所述光源传感器的光点信号；所述预设时间间隔由n个时间片组成，所述n为正整数；
7.依据各个所述时间片上各个所述光源传感器的光点信号，确定所述通行者对应的光点矩阵，所述光点矩阵的列数据为每个时间片上按预设标识顺序排列的各个所述光源传感器的光点信号，所述光点矩阵的行数据为按每个所述时间片的时间顺序排列的每个所述光源传感器在每个时间片上的光点信号；
8.将所述光点矩阵输入已建立的第一神经网络模型中，经所述第一神经网络模型处理后，输出所述光点矩阵对应的所述通行者的通行状态，进而依据所述通行者的通行状态控制所述闸门的通行时长。
9.上述的方法，可选的，所述预设的几何形状为π字型。
10.上述的方法，可选的，所述预设的标识顺序为按各个所述光源传感器的标识号依次排列的顺序。
11.上述的方法，可选的，所述第一神经网络模型的建立过程包括：
12.确定初始网络模型；
13.确定用于建立所述神经网络模型的数据集合，所述数据集合中包括：训练数据集、
校验数据集和测试数据集；所述训练数据集中包括多个训练光点矩阵以及每个所述训练光点矩阵对应的第一通行状态，所述校验数据集中包括多个校验光点矩阵以及每个所述校验光点矩阵对应的第二通行状态，所述测试数据集中包括多个测试光点矩阵以及每个所述测试光点矩阵对应的第三通行状态；所述训练光点矩阵、所述校验光点矩阵以及所述测试光点矩阵的数据结构相同；
14.将所述训练数据集中的每个训练光点矩阵作为所述初始网络模型的输入，并以每个训练光点矩阵对应的第一通行状态作为所述初始网络模型的输出，对所述初始网络模型进行训练；
15.在所述初始网络模型的训练过程中，当所述初始网络模型的损失函数小于预设阈值时，结束对所述初始网络模型的训练，生成所述初始网络模型对应的第二神经网络模型；
16.应用所述校验数据集中的每个校验光点矩阵以及每个所述校验光点矩阵对应的第二通行状态，对所述第二神经网络模型进行校验，直至所述第二神经网络模型输出的通行状态的合格率大于预设合格阈值时，生成所述第二神经网络模型对应的第三神经网络模型；
17.应用所述测试数据集中的每个测试光点矩阵以及每个所述测试光点矩阵对应的第三通行状态，对所述第三神经网络模型进行测试，若所述第三神经网络模型不为过拟合状态，则将所述第三神经网络模型作为用于通行状态检测的神经网络模型。
18.上述的方法，可选的，还包括：
19.若所述第三神经网络模型为过拟合状态，则调整所述第三神经网络模型的模型参数以及所述损失函数的函数参数，直至调整后的当前网络模型的状态不为过拟合时，将调整后的当前网络模型作为用于通行状态检测的神经网络模型。
20.上述的方法，可选的，所述依据所述通行者的通行状态控制所述闸门的通行时长，包括：
21.确定所述通行者的通行状态的状态类型；
22.确定预先设定的与所述状态类型对应的通行时长；
23.控制所述闸门依据所述通行时长进行开合。
24.一种通行状态检测装置，所述装置应用于闸门系统，所述闸门系统中包括闸门和光幕检测装置，所述光幕检测装置设置在所述闸门的一侧，所述光幕检测装置中设置有多个光源传感器，所述多个光源传感器呈预设的几何形状进行分布；所述装置包括：
25.获取单元，用于在通行者通过所述闸门时，获取预设时间间隔内，每个时间片上各个所述光源传感器的光点信号；所述预设时间间隔由n个时间片组成，所述n为正整数；
26.确定单元，用于依据各个所述时间片上各个所述光源传感器的光点信号，确定所述通行者对应的光点矩阵，所述光点矩阵的列数据为每个时间片上按预设标识顺序排列的各个所述光源传感器的光点信号，所述光点矩阵的行数据为按每个所述时间片的时间顺序排列的每个所述光源传感器在每个时间片上的光点信号；
27.输出单元，用于将所述光点矩阵输入已建立的第一神经网络模型中，经所述第一神经网络模型处理后，输出所述光点矩阵对应的所述通行者的通行状态，进而依据所述通行者的通行状态控制所述闸门的通行时长。
28.上述的装置，可选的，所述预设的几何形状为π字型。
29.一种闸门系统，包括：闸门、光幕检测装置和闸门处理器；
30.所述光幕检测装置设置在所述闸门的一侧，所述光幕检测装置中设置有多个光源传感器，所述多个光源传感器呈π形状进行分布；
31.所述闸门处理器用于执行上述的通行状态检测方法。
32.一种电子设备，包括至少一个处理器、以及与处理器连接的至少一个存储器、总线；其中，处理器、存储器通过总线完成相互间的通信；处理器用于调用存储器中的程序指令，以执行上述的通行状态检测方法。
33.与现有技术相比，本发明具有以下优点：一种通行状态检测方法，所述方法应用于闸门系统，所述闸门系统中包括闸门和光幕检测装置，所述光幕检测装置设置在所述闸门的一侧，所述光幕检测装置中设置有多个光源传感器，所述多个光源传感器呈预设的几何形状进行分布；所述方法包括：
34.在通行者通过所述闸门时，获取预设时间间隔内，每个时间片上各个所述光源传感器的光点信号；所述预设时间间隔由n个时间片组成，所述n为正整数；依据各个所述时间片上各个所述光源传感器的光点信号，确定所述通行者对应的光点矩阵，所述光点矩阵的列数据为每个时间片上按预设标识顺序排列的各个所述光源传感器的光点信号，所述光点矩阵的行数据为按每个所述时间片的时间顺序排列的每个所述光源传感器在每个时间片上的光点信号；将所述光点矩阵输入已建立的第一神经网络模型中，经所述第一神经网络模型处理后，输出所述光点矩阵对应的所述通行者的通行状态，进而依据所述通行者的通行状态控制所述闸门的通行时长。
35.应用本发明实施例提供的通行状态检测方法，能够准确识别当前通行者的通行状态，进而可以根据通行者的通行状态确定闸门的通行时长，使得通行者顺利通过闸门，避免了夹伤通行者或者夹住行李的问题，同时，也可以禁止了多人通行的情况，保证了通行者通过闸门的安全性和合理性。
36.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
37.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
38.图1为本发明实施例提供的一种通行状态检测方法的方法流程图；
39.图2为本发明实施例提供的一种通行状态检测方法中光点矩阵的数据结构图；
40.图3为本发明实施例提供的一种通行状态检测方法的又一方法流程图；
41.图4为本发明实施例提供的一种通行状态检测方法的又一方法流程图；
42.图5为本发明实施例提供的一种通行状态检测装置的结构图；
43.图6为本发明实施例提供的一种闸门系统的结构图；
44.图7为本发明实施例提供的一种电子设备的结构图。
具体实施方式
45.下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
46.参考图1示出了，本发明实施例提供的一种通行状态检测方法的方法流程图，图1示出的方法执行过程为本发明实施例提供的通行状态检测方法的一种可行性实现方案，该方法可以应用在各种闸门系统中，其执行主体为设置在闸门系统中的处理器。
47.本发明实施例提供的通行状态检测方法，应用于闸门系统，所述闸门系统中包括闸门和光幕检测装置，所述光幕检测装置设置在所述闸门的一侧，所述光幕检测装置中设置有多个光源传感器，所述多个光源传感器呈预设的几何形状进行分布。
48.本发明实施例提供的方法中，光幕检测装置设置在所述闸门的一侧，本领域技术人员可以理解的是，为了实现对通过闸门的各个通行者的状态检测，光幕检测装置可以设置在闸门的通行方向上的一侧，是设置位置可以根据实际的需求进行调整，可以为通行方向上通行者进入闸门的一侧的左前方或者右前方均可。
49.本发明实施例提供给的方法中，多个光源传感器呈预设的几何形状进行分布，优选的所述几何形状可以为π形状，即多个光源传感器所排列的形状为π，本发明实施例提供的方法中，还可以根据实际需要设置其他各种能够实现该方法的几何图形。
50.所述方法包括：
51.s101：在通行者通过所述闸门时，获取预设时间间隔内，每个时间片上各个所述光源传感器的光点信号；所述预设时间间隔由n个时间片组成，所述n为正整数；
52.本发明实施例提供的方法中，当前准备通过闸门的通行者会经过光幕检测装置所在的位置，当通行者通过该位置时，光幕检测装置中的光源传感器会在某个时间点上产生光源信号，闸门系统中的处理器可以获取光源传感器产生的光源信号。
53.通行者经过光幕检测装置所在的位置时，其经过时间会形成一个时间段，本发明实施例提供的方法中，根据通行者通过光幕检测装置的时间结合实际需要，设定一个时间间隔，即在执行该方法时，仅获取处理器获得的该时间间隔中的各个光源传感器的光点信号。
54.本发明实施例提供的方法中，预设的时间间隔由n个时间片组成，每个时间片可以理解为一个时间点，并将该时间片上获取的各个光源传感器的光点信号组成一个信号序列。
55.s102：依据各个所述时间片上各个所述光源传感器的光点信号，确定所述通行者对应的光点矩阵，所述光点矩阵的列数据为每个时间片上按预设标识顺序排列的各个所述光源传感器的光点信号，所述光点矩阵的行数据为按每个所述时间片的时间顺序排列的每个所述光源传感器在每个时间片上的光点信号；
56.本发明实施例提供的方法中，光幕检测装置中的每个光源传感器对应设置有相应的标识号，本方法中，可以对各个光源传感器的标识号进行排序，即设置各个光源传感器的标识号顺序，在每个时间片上获得的各个光源传感器的光源信号按标识号顺序进行排列，即得到一个光点信号的信号序列。
57.本发明实施例提供的方法中，将每个时间片上获得的信号序列以纵向排列的形式作为光点矩阵的一个列，按各个时间片的时间顺序进行排列即可得到一个二维的光点矩阵。本发明实施例提供的光点矩阵的数据结构图如图2所示。
58.本发明实施例提供的方法中，以π型光幕检测装置为例，若光幕检测装置有有m个光源传感器，m为正整数，则在每个时间片上获得m个光源信号，m个光源信号中，当前时间片上，通行者经过的光源传感器产生的光源信号存在实际的数据值，通行者在当前时间片上未经过的光源传感器的光源信号的数值可以记为0。
59.在图2中可以理解的是，纵向的列数据为m个光源传感器的光源信号，其由上到下的排列顺序为每个光源传感器的标识序号的排序。
60.横向的行数据为按n个时间片的时间顺序排列的各个列数据。
61.s103：将所述光点矩阵输入已建立的第一神经网络模型中，经所述第一神经网络模型处理后，输出所述光点矩阵对应的所述通行者的通行状态，进而依据所述通行者的通行状态控制所述闸门的通行时长。
62.本发明实施例提供的方法中，预先建立有第一神经网络模型，所述第一神经网络模型能够根据光点矩阵中光点信号的排列识别出，当前通行者的通行状态，进而处理器可以根据通行者的通行状态，控制闸门的通行时长，为不通状态的通行者分配不同的通过时长，进而保证了每个通行者可以顺利通过闸门，同时也为不合理通行者的通行设置了门禁。
63.本发明实施例提供的方法中，识别出的通行状态可以为多种模式的状态，例如通行者的通行状态为单人通过、携带行李通过、带有小孩通过或者连续多人同时通过等。不同的模式代表通行者的不同通行方式。
64.应用本发明实施例提供的通行状态检测方法，能够准确识别当前通行者的通行状态，进而可以根据通行者的通行状态确定闸门的通行时长，使得通行者顺利通过闸门，避免了夹伤通行者或者夹住行李的问题，同时，也可以禁止了多人通行的情况，保证了通行者通过闸门的安全性和合理性。
65.本发明实施例提供的方法中，所述预设的标识顺序为按各个所述光源传感器的标识号依次排列的顺序。
66.参考图3，示出了本发明实施例中，所述第一神经网络模型的建立过程的方法流程图，具体包括：
67.s201：确定初始网络模型；
68.本发明实施例提供的方法中，选定用于建立第一神经网络模型的初始网络模型，所述初始网络模型可以为卷积神经神经网络模型。
69.s202：确定用于建立所述神经网络模型的数据集合，所述数据集合中包括：训练数据集、校验数据集和测试数据集；所述训练数据集中包括多个训练光点矩阵以及每个所述训练光点矩阵对应的第一通行状态，所述校验数据集中包括多个校验光点矩阵以及每个所述校验光点矩阵对应的第二通行状态，所述测试数据集中包括多个测试光点矩阵以及每个所述测试光点矩阵对应的第三通行状态；所述训练光点矩阵、所述校验光点矩阵以及所述测试光点矩阵的数据结构相同；
70.本发明实施例提供的方法中，训练数据集、校验数据集和测试数据集中的数据，均可以预先由相关的通行人员按预定的通行状态通过光幕检测装置进行获得。并根据用途的
不同进行分类，进而得到数据集合中的训练数据集、校验数据集和测试数据集。
71.s203：将所述训练数据集中的每个训练光点矩阵作为所述初始网络模型的输入，并以每个训练光点矩阵对应的第一通行状态作为所述初始网络模型的输出，对所述初始网络模型进行训练；
72.s204：在所述初始网络模型的训练过程中，当所述初始网络模型的损失函数小于预设阈值时，结束对所述初始网络模型的训练，生成所述初始网络模型对应的第二神经网络模型；
73.本发明实施例提供的方法中，将训练数据集中的训练光点矩阵不断输入初始网络模型中，不断调整初始网络模型的参数后，在初始网络模型的损失函数小于一定阈值时，结束对初始网络模型的训练，生成相应的第二神经网络模型，所述第二神经网络模型为建立第一神经网络模型过程中的中间网络模型。
74.本发明实施例提供的方法中，设定有损失函数，该损失函数贯穿整个模型的建立过程。
75.s205：应用所述校验数据集中的每个校验光点矩阵以及每个所述校验光点矩阵对应的第二通行状态，对所述第二神经网络模型进行校验，直至所述第二神经网络模型输出的通行状态的合格率大于预设合格阈值时，生成所述第二神经网络模型对应的第三神经网络模型；
76.本发明实施例提供的方法中，应用校验数据集中的校验光点矩阵对第二神经网络模型进行校验，若第二神经网络模型通过校验则直接将将第二神经网络模型作为第三神经网络模型，进入s206中的测试过程。否则，对第二神经网络模型的模型参数以及设定的损失函数进行调整，直至调整后的第二神经网络模型输出的通行状态的合格率大于预设合格阈值，将此时经过调整的第二神经网络模型确定为第三神经网络模型。
77.s206：应用所述测试数据集中的每个测试光点矩阵以及每个所述测试光点矩阵对应的第三通行状态，对所述第三神经网络模型进行测试，若所述第三神经网络模型不为过拟合状态，则将所述第三神经网络模型作为用于通行状态检测的神经网络模型。
78.本发明实施例提供的方法中，在对第三神经网络模型进行测试的过程中，需要判断测试过程中第三神经网络模型是否存在过拟合状态，无法有效识别通行状态。
79.在第三申请网络模型不为过拟合的情况下，将最终的第三申请网络模型作为用于通行状态检测的第一神经网络模型。
80.本发明实施例提供的方法中，还包括：
81.若所述第三神经网络模型为过拟合状态，则调整所述第三神经网络模型的模型参数以及所述损失函数的函数参数，直至调整后的当前网络模型的状态不为过拟合时，将调整后的当前网络模型作为用于通行状态检测的神经网络模型。
82.参考图4示出了本发明实施例提供的第一神经网络模型的一详细简历过程的流程图，在图4中初始网络模型可以选用卷积神经网络cnn模型。
83.在图4所示的执行过程中，在校验过程以及测试过程中，若当前网络模型不满足当前的处理条件，则调整当前网络模型的模型参数以及损失函数的函数参数，直至重新调整后的网络模型满足处理条件后，进入下一步处理。
84.本发明实施例提供的方法中，所述依据所述通行者的通行状态控制所述闸门的通
行时长，包括：
85.确定所述通行者的通行状态的状态类型；
86.确定预先设定的与所述状态类型对应的通行时长；
87.控制所述闸门依据所述通行时长进行开合。
88.本发明实施例提供的方法中，通行状态对应一定的状态类型，即上文提及到的状态模式，通行者单人通行、带孩子通行等，根据不同的状态类型设定相应的通行时长，进而可以控制闸门的开合时间，使通行者顺利通行。
89.本发明实施例提供的方法中，通过深度学习的人工神经网络模型对通过闸门的通行者的通行状态进行模式识别，能够准确地判断出通行者的通行状态，辨别出通行者是否为正常通行状态，合理跟随状态，不合理跟随状态等不同状态。
90.本发明实施例提供的方法中，基于空间分布的光点信号，单个时间片的记录数据为长度为m的一维序列，采样频率根据实际情况设定，根据设定的通过与否的判断间隔，取前n个时间片构成二维矩阵，其中纵向为单时间片的光点数据，横向表示为时间序列，以此作为训练和测试数据。
91.本发明实施例提供的方法中，网络模型的选取，可以基于mobilenet，其基本单元是深度可分离卷积(depthwise separable convolution)，即先针对每个输入通道采用不同的卷积核分别进行计算(depthwise convolution)，再用1*1的卷积核进行整合(pointwise convolution)，如此可以大大减少计算量和模型参数。
92.根据实际的测试精度和速度，对mobilenet按一定比例减少通道数和降低特征图的尺度，从而在精度不下降的情况下同时保证时效性。
93.本发明实施例提供的方法中，为了保证建立的神经网络模型的输出精度，设置有相应的损失函数。该函数用来表现模型预测值与真实值的差距程度。这里采用基于softmaxloss(交叉熵损失函数)修改的arc-softmaxloss，后者引入了类间夹角，使得各类之间存在一定角度间隔，同时将间隔改为角度值的比较，即通过直接增大角度的方式影响分类；公式中的角度为将权重和特征归一化后叉乘所对应的角度θ，归一化使得特征上的点映射到单位超球面上，并引入球面半径等超参数。
94.具体公式如下：
[0095][0096]
本发明实施例还提供了与一种通行状态检测方法对应的一种通行状态检测装置，所述通行状态检测装置用于实现所述通行状态检测方法在实际中的应用，所述一种通行状态检测装置的结构图可参照图5，所述装置应用于闸门系统，所述闸门系统中包括闸门和光幕检测装置，所述光幕检测装置设置在所述闸门的一侧，所述光幕检测装置中设置有多个光源传感器，所述多个光源传感器呈预设的几何形状进行分布。
[0097]
所述装置包括：
[0098]
获取单元301，用于在通行者通过所述闸门时，获取预设时间间隔内，每个时间片上各个所述光源传感器的光点信号；所述预设时间间隔由n个时间片组成，所述n为正整数；
[0099]
确定单元302，用于依据各个所述时间片上各个所述光源传感器的光点信号，确定
所述通行者对应的光点矩阵，所述光点矩阵的列数据为每个时间片上按预设标识顺序排列的各个所述光源传感器的光点信号，所述光点矩阵的行数据为按每个所述时间片的时间顺序排列的每个所述光源传感器在每个时间片上的光点信号；
[0100]
输出单元303，用于将所述光点矩阵输入已建立的第一神经网络模型中，经所述第一神经网络模型处理后，输出所述光点矩阵对应的所述通行者的通行状态，进而依据所述通行者的通行状态控制所述闸门的通行时长。
[0101]
应用本发明实施例提供的通行状态检测装置，能够准确识别当前通行者的通行状态，进而可以根据通行者的通行状态确定闸门的通行时长，使得通行者顺利通过闸门，避免了夹伤通行者或者夹住行李的问题，同时，也可以禁止了多人通行的情况，保证了通行者通过闸门的安全性和合理性。
[0102]
本发明实施例提供的装置中，所述预设的几何形状为π字型。
[0103]
本发明实施例提供的通行状态检测装置包括处理器和存储器，上述获取单元、确定单元和输出单元均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
[0104]
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来动态执行通行状态的检测过程，提升更新效率。
[0105]
本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述通行状态检测方法。
[0106]
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述通行状态检测方法。
[0107]
参考图6，示出了本发明实施例提供的一种闸门系统，该闸门系统包括：闸门、光幕检测装置和闸门处理器；
[0108]
所述光幕检测装置设置在所述闸门的一侧，所述光幕检测装置中设置有多个光源传感器，所述多个光源传感器呈π形状进行分布；
[0109]
所述闸门处理器，在通行者通过所述闸门时，获取预设时间间隔内，每个时间片上各个所述光源传感器的光点信号；所述预设时间间隔由n个时间片组成，所述n为正整数；
[0110]
所述闸门处理器，依据各个所述时间片上各个所述光源传感器的光点信号，确定所述通行者对应的光点矩阵，所述光点矩阵的列数据为每个时间片上按预设标识顺序排列的各个所述光源传感器的光点信号，所述光点矩阵的行数据为按每个所述时间片的时间顺序排列的每个所述光源传感器在每个时间片上的光点信号；
[0111]
所述闸门处理器，将所述光点矩阵输入已建立的第一神经网络模型中，经所述第一神经网络模型处理后，输出所述光点矩阵对应的所述通行者的通行状态，进而依据所述通行者的通行状态控制所述闸门的通行时长。
[0112]
如图7所示，本发明实施例提供了一种电子设备，所述电子设备40包括至少一个处理器401、以及与处理器401连接的至少一个存储器402、总线403；其中，处理器401、存储器402通过总线403完成相互间的通信；处理器401用于调用存储器402中的程序指令，以执行上述的通行状态检测方法。本文中的设备可以是服务器、pc、pad、手机等。
[0113]
本技术还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序，该方法应用于闸门系统，所述闸门系统中包括闸门和光幕检
测装置，所述光幕检测装置设置在所述闸门的一侧，所述光幕检测装置中设置有多个光源传感器，所述多个光源传感器呈预设的几何形状进行分布；所述方法包括：
[0114]
在通行者通过所述闸门时，获取预设时间间隔内，每个时间片上各个所述光源传感器的光点信号；所述预设时间间隔由n个时间片组成，所述n为正整数；
[0115]
依据各个所述时间片上各个所述光源传感器的光点信号，确定所述通行者对应的光点矩阵，所述光点矩阵的列数据为每个时间片上按预设标识顺序排列的各个所述光源传感器的光点信号，所述光点矩阵的行数据为按每个所述时间片的时间顺序排列的每个所述光源传感器在每个时间片上的光点信号；
[0116]
将所述光点矩阵输入已建立的第一神经网络模型中，经所述第一神经网络模型处理后，输出所述光点矩阵对应的所述通行者的通行状态，进而依据所述通行者的通行状态控制所述闸门的通行时长。
[0117]
上述的方法，可选的，所述预设的几何形状为π字型。
[0118]
上述的方法，可选的，所述预设的标识顺序为按各个所述光源传感器的标识号依次排列的顺序。
[0119]
上述的方法，可选的，所述第一神经网络模型的建立过程包括：
[0120]
确定初始网络模型；
[0121]
确定用于建立所述神经网络模型的数据集合，所述数据集合中包括：训练数据集、校验数据集和测试数据集；所述训练数据集中包括多个训练光点矩阵以及每个所述训练光点矩阵对应的第一通行状态，所述校验数据集中包括多个校验光点矩阵以及每个所述校验光点矩阵对应的第二通行状态，所述测试数据集中包括多个测试光点矩阵以及每个所述测试光点矩阵对应的第三通行状态；所述训练光点矩阵、所述校验光点矩阵以及所述测试光点矩阵的数据结构相同；
[0122]
将所述训练数据集中的每个训练光点矩阵作为所述初始网络模型的输入，并以每个训练光点矩阵对应的第一通行状态作为所述初始网络模型的输出，对所述初始网络模型进行训练；
[0123]
在所述初始网络模型的训练过程中，当所述初始网络模型的损失函数小于预设阈值时，结束对所述初始网络模型的训练，生成所述初始网络模型对应的第二神经网络模型；
[0124]
应用所述校验数据集中的每个校验光点矩阵以及每个所述校验光点矩阵对应的第二通行状态，对所述第二神经网络模型进行校验，直至所述第二神经网络模型输出的通行状态的合格率大于预设合格阈值时，生成所述第二神经网络模型对应的第三神经网络模型；
[0125]
应用所述测试数据集中的每个测试光点矩阵以及每个所述测试光点矩阵对应的第三通行状态，对所述第三神经网络模型进行测试，若所述第三神经网络模型不为过拟合状态，则将所述第三神经网络模型作为用于通行状态检测的神经网络模型。
[0126]
上述的方法，可选的，还包括：
[0127]
若所述第三神经网络模型为过拟合状态，则调整所述第三神经网络模型的模型参数以及所述损失函数的函数参数，直至调整后的当前网络模型的状态不为过拟合时，将调整后的当前网络模型作为用于通行状态检测的神经网络模型。
[0128]
上述的方法，可选的，所述依据所述通行者的通行状态控制所述闸门的通行时长，
包括：
[0129]
确定所述通行者的通行状态的状态类型；
[0130]
确定预先设定的与所述状态类型对应的通行时长；
[0131]
控制所述闸门依据所述通行时长进行开合。
[0132]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0133]
在一个典型的配置中，设备包括一个或多个处理器(cpu)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。
[0134]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。
[0135]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
[0136]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0137]
本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0138]
以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。