一种城市轨道交通闸机事件智能识别方法
【专利摘要】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。
【专利说明】一种城市轨道交通闸机事件智能识别方法
【技术领域】
[0001]本发明涉及一种模式识别技术，特别涉及一种城市轨道交通闸机事件智能识别方法。
【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I)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闻闸机智能识别系统的鲁棒性。
【专利附图】
【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。
【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I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。
[0010]二、步态检测区域:
图1中3~10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1.3?儿童通过闸机通道3~10号传感器工作状态图(.表示红外线传感器被遮挡，〇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) I膝部(CM) I髋部(CM) I腰部(CM) I肩部(CM)
120丨25.7丨51.4丨68.6丨94.3
【权利要求】
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I)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。
【文档编号】G07C9/00GK103778704SQ201410047461
【公开日】2014年5月7日 申请日期:2014年2月11日 优先权日:2014年2月11日
【发明者】王朝立, 侯运锋, 张民, 王雪 申请人:上海理工大学