1.文章信息

本次介绍的是题目为《Estimationof left behind subway passengers through archived data and video imageprocessing》的一篇2020年发表在Transportation Research Part C的一篇涉及到计算机视觉方法的文章

2.摘要

拥挤是世界范围内公共交通系统最常见的问题之一，文章将现有的数据来源与新兴的物体检测技术相结合，以估计地铁站台上留下的乘客数量。文章提出的方法已被开发并应用于马萨诸塞州波士顿的地铁。模型要求收集乘客在进入时系统时的卡数据，根据推断的始发地-目的地数据进行的拥挤分析用于识别高峰时段乘客未能上车的可能性较高的车站。用图像处理技术和目标检测算法统计监控视频中乘客遗留在站台上的数量，用自动统计的乘客和列车运行数据开发逻辑回归模型，模型通过人工计算的留守乘客(由于拥挤未能上车的乘客)数量进行验证。结果表明，通过将视频中的乘客数量与列车运行数据相融合的模型方法，估计一天高峰期间留守乘客数量与其实际数量的误差在10%以内。

由于拥挤对公共交通的影响很大，将造成实际出行时长增加，乘客不适的问题，所以本文以缓解上车拥挤作为出发点，统计拥挤的交通系统中被留在站台上的人数。

3.文章结构

① 介绍数字图像处理技术在视频计数中的应用

② 解释了所提出方法论的一般框架

③ 描述了一种利用现有数据源建立中转站拥挤模型的方法，确定了合适的位置来测试所提出的乘客计数方法

④ 提出需要手工收集的数据类型来作为训练集和验证集

⑤ 描述数字图像处理技术在留守乘客检测中的应用

⑥ 开发并验证所提出的数据收集和建模方法，以估计列车由于过于拥挤而无法上车时留下的乘客数量

⑦ 讨论结果与结论，表明这种技术用于自动量化留守乘客数量是有潜力的

4.模型

模型旨在统计火车由于太拥挤而无法上车时，在中转站留下的乘客人数。文章研究所使用的数据和方法的流程图如下图所示：

其中，蓝色表示自动收集和记录的两个数据源，分别为一段时间内列车位置的列车跟踪记录和监控视频源；紫色表示附加存档数据（仅用于识别系统中最拥挤的部分），具体为来源于打卡数据的始发地-目的地-中转地（ODX）客流；红色部分表示手动计数用于估计和验证模型。模型实现仅需要自动收集的输入数据

列车跟踪数据(Automated DwellTime Estimate)

包括每辆列车进入轨道电路的时间，通过将该数据与车站内列车门打开和关闭时间的人工观测值进行比较，估计出一个线性回归模型，以根据列车跟踪记录预测停留时间。该模型用于获得自动停留时间估计，作为留守乘客模型的输入。

Automated Video Count Calibration

此部分使用自动图像检测算法YOLO获得每个站台上乘客数量的自动计数,将算法应用于监控视频，并与车门关闭后仍留在站台上的乘客和进出站台的乘客的手动计数进行比较，来校准物体识别阈值。通过参数值和校准阈值，YOLO将站台上的乘客数量估计为时间序列。

用逻辑回归来计算基于自动停留时间估计和/或来自视频的自动乘客计数来预测乘客被留在站台上的概率。使用手动估算模型参数作为观察结果的留在车站站台上的乘客人数.

从列车追踪记录估计停留时间的回归模型如下

手动数据收集

三名观察员人工在非假期周下午高峰时段记录：列车车门打开和关闭时间、留下的乘客人数、站台上等候的乘客人数。

YOLO算法乘客计数

最后再用coco数据集训练的YOLO算法识别车站人数，当人群变得非常拥挤时，在大量人群中识别单独的身体变得更加困难，因此，使用视频作为模型中的自变量来估计乘客无法登上火车的可能性。

为了提高地铁站台留守乘客数量估计的准确性，基于可以自动收集的解释变量，建立了一个逻辑回归模型用于通过估计每个等待的乘客被落下的概率来估计被落下的乘客数量。

乘客被落下的概率为：

其中是解释变量的向量，是解释变量的估计系数向量，是一个估计的替代特定常数，两个β值是模型估计的目标，且有：

其中y=1对应于被落下的乘客，y=0表示乘客成功上车。公式的基本假设是，被甩在后面的可能性可以用解释变量和随机误差项的线性组合来表示，它是按逻辑分布的。

本研究中考虑的解释变量为：停留时间(从开门到关门的时间)、车门关闭后站台上乘客的视频计数，这些解释变量都可以自动监控，无需人工观察。

5.确定研究地点

研究地点的确定涉及拥挤分析，该分析利用了两个数据来源:列车跟踪记录，表示列车在一段时间内的位置；和始发地-目的地-中转地(ODX)客流，这些都是从乘客乘车卡数据推断出来的。

车站是根据拥挤分析以及车站几何形状和摄像机视图特征的评估来选择的。目的是确定在平日的上午或下午高峰期间最有可能留下乘客的车站，以及目标检测技术最成功，即摄像头覆盖范围全面的地方。

车站拥挤分析

B(n,t)是在时间间隔t内，在n站及n站之前在感兴趣的方向上登上列车的所有乘客的累积计数

A(n,t)是在时间间隔t内，在n站及n站之前假定已经离开沿感兴趣方向行驶的列车的乘客累计计数

Q(n,t)每15min内n站和n+1站之间的估计客流

则有：

要计算每列车的乘客数量，就要将每个时段的客流转化为乘客占有率

O(n,t)为乘客占有率 、h(t)为列车预定车头时距

车头时距除以15分钟，以反映每15分钟一个时间段的客流

则有：

由此，文章选择芝加哥地铁橙线的橡树林和森林山区间作为研究对象，则利用上述分析方法推断的2017年冬季铁路流量数据的平均列车占用率如下

由于列车有348个座位，图中红色部分表示有大量站立乘客，暗红色表示车辆容量附近拥挤。这个数字显示，在北行方向，最严重的拥挤发生在下午6:00前的市中心十字路口和北站之间。

车站几何图形

理想的车站几何图形情况是：站台为专用站台，即所有人都在等同一辆列车、监控清晰度高，视图质量高、摄像头视野覆盖范围全面

综合后最终选择橙线北站，监控视图如下：

6.结果与结论

文章介绍了一种在没有出站旅客记录的情况下，对拥挤列车上留下的旅客进行测量的方法。提出的方法使用具有自动视频计数的存档数据作为输入，来估计高峰需求期间留下的乘客总数。自动视频计数是通过图像处理工具的实现获得的。

文章开发的模型可以正确识别93%的列车是否有乘客被落下。仅使用自动视频计数和自动收集的列车跟踪记录，就可以估计出下午高峰期间留下的乘客数量，其数量不超过实际数量的17%。利用每次列车到达时站台上乘客数量的实际计数，该模型可以用实际数量的2%来预测留守乘客的数量。此外，与不考虑留守乘客的操作员预期分布误差相比，经验等待时间的模型分布将总经验模态分解误差降低了50%以上。这说明考虑留守乘客的必要性。

Attention

如果你和我一样是轨道交通、道路交通、城市规划相关领域的，可以加微信：Dr_JinleiZhang，备注“进群”，加入交通大数据交流群！希望我们共同进步！