李宏勝 孔慧慧 康玉芳

(1.南京工程學(xué)院自動(dòng)化學(xué)院，211167，南京; 2.江蘇省常熟職業(yè)教育中心校,215500,常熟;3.國(guó)網(wǎng)安微省電力有限公司宣城供電公司,242000,宣城//第一作者，教授)

通行邏輯是地鐵車站閘機(jī)系統(tǒng)的關(guān)鍵技術(shù)。多年來(lái)，國(guó)內(nèi)外許多研究人員一直致力于閘機(jī)通行特征識(shí)別與通行邏輯相關(guān)技術(shù)的研究。但是，由于閘機(jī)通行邏輯的設(shè)計(jì)受閘機(jī)通道長(zhǎng)度、傳感器的數(shù)量和布置，以及乘客的通行速度、攜帶物、衣著等影響，因此難以找到確切的事件識(shí)別邏輯方法。這正是閘機(jī)系統(tǒng)通行邏輯判斷的難點(diǎn)所在。

本文采用通行特征識(shí)別方法：將傳感器信號(hào)通行序列轉(zhuǎn)換為元素為0或1的特征矩陣，如果將每一個(gè)特征矩陣的元素看作是圖像的像素，則特征矩陣可以看作是一幅黑白二值圖像；通過(guò)雙線性插值對(duì)矩陣進(jìn)行縮放處理，將所采集的樣本圖像縮放為標(biāo)準(zhǔn)的16×16矩陣，則特征矩陣可以看作是一幅黑白灰度圖像。基于這一思路，常見的機(jī)器學(xué)習(xí)(例如典型的MINST字符圖像分類識(shí)別)圖像分類方法與思路即可用于通行合法與非法的二分類識(shí)別。本文首先采用上述原理將通行過(guò)程轉(zhuǎn)換為標(biāo)準(zhǔn)大小的特征矩陣，然后采用BP(反向傳播)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)進(jìn)行合法通行以及非法通行的傳感器數(shù)據(jù)識(shí)別和分類。

1 乘客通過(guò)閘機(jī)樣本的選擇

樣本和標(biāo)記的選取對(duì)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)效果起著重要的作用，因此所選取的樣本應(yīng)盡可能全面反應(yīng)閘機(jī)的各種合法與非法通行狀況。在研究前期，通過(guò)建立閘機(jī)、傳感器、乘客模型以及乘客攜帶物品模型，搭建了乘客通過(guò)閘機(jī)的虛擬仿真系統(tǒng)。該仿真系統(tǒng)可以模擬乘客身高、體重，以及乘客是否攜帶行李、乘客是否尾隨及尾隨距離等各種情況下的通行狀況。通過(guò)該仿真系統(tǒng)，可以方便獲取大量的通行數(shù)據(jù)，作為現(xiàn)場(chǎng)采集的乘客通過(guò)閘機(jī)數(shù)據(jù)的補(bǔ)充。

閘機(jī)通行情況比較復(fù)雜，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本應(yīng)盡可能覆蓋各種通行情況。乘客在地鐵車站通過(guò)閘機(jī)的各類情況描述如表1～2所示。

表1 乘客通過(guò)閘機(jī)案例采集——正常通行

表2 乘客通過(guò)閘機(jī)案例采集——根據(jù)距離判斷

2 閘機(jī)通行信號(hào)矩陣

閘機(jī)通道內(nèi)安裝有16個(gè)對(duì)射穿透光束傳感器，其發(fā)射器和接收器位于閘機(jī)通道兩側(cè)，當(dāng)乘客通行時(shí)，發(fā)射端發(fā)射向接收端的紅外線會(huì)被切斷，接收端會(huì)因此產(chǎn)生輸出信號(hào)的變化。閘機(jī)控制系統(tǒng)定時(shí)采集16個(gè)傳感器的信號(hào)，在沒(méi)有檢測(cè)到目標(biāo)物體時(shí)，傳感器輸出信號(hào)為0，當(dāng)檢測(cè)到任何人或任何物遮擋時(shí)，傳感器輸出信號(hào)為1。矩陣圖1～3為采集的單人、單人背包、雙人之間有間隔3種通過(guò)閘機(jī)情況下的矩陣序列。乘客通過(guò)閘機(jī)行走速度不同，所需時(shí)間也不同，由此矩陣行數(shù)也會(huì)不同。將矩陣的元素看做圖像的像素，得到對(duì)應(yīng)的如圖4～6所示的傳感器遮擋序列圖。其中：“●”表示傳感器信號(hào)被遮擋，對(duì)應(yīng)矩陣元素為1；“○”表示傳感器信號(hào)未被遮擋，對(duì)應(yīng)矩陣元素為0。

圖1 單人通過(guò)閘機(jī)通行信號(hào)矩陣

圖2 單人背書包通過(guò)閘機(jī)通行信號(hào)矩陣

如圖4所示，測(cè)試單人乘客以較快速度通過(guò)閘機(jī)通道時(shí)，傳感器遮擋圖近似為1條直線，乘客在閘機(jī)通道內(nèi)可被視為1個(gè)運(yùn)動(dòng)個(gè)體。如圖5所示，背包相對(duì)于乘客呈靜止?fàn)顟B(tài)，因此背包乘客在閘機(jī)通道內(nèi)也可被視為1個(gè)運(yùn)動(dòng)個(gè)體。如圖6所示，兩名乘客相距一定距離通過(guò)閘機(jī)時(shí)，傳感器遮擋圖近似為2條直線，兩名乘客在閘機(jī)通道內(nèi)可被視為2個(gè)運(yùn)動(dòng)個(gè)體。

圖3 雙人通過(guò)閘機(jī)通行信號(hào)矩陣

圖4 單人通過(guò)閘機(jī)被遮擋信號(hào)矩陣

圖5 單人背書包通過(guò)閘機(jī)被遮擋信號(hào)矩陣

圖6 雙人通過(guò)閘機(jī)被遮擋信號(hào)矩陣

實(shí)際上，閘機(jī)通行的合法性判斷可以被看作是對(duì)類似圖4～6圖像的特征識(shí)別和分類。由于乘客通過(guò)閘機(jī)的行走速度不同，傳感器信號(hào)采集所形成的二值矩陣的列數(shù)不變，但行數(shù)不同，因此需要對(duì)閘機(jī)通行信號(hào)矩陣作標(biāo)準(zhǔn)化處理。

3 閘機(jī)通行信號(hào)矩陣雙線性插值法處理

雙線性插值的原理是：插值點(diǎn)像素值取在其鄰域4個(gè)像素點(diǎn)在2個(gè)方向上的線性內(nèi)插，即通過(guò)加權(quán)平均來(lái)確定待插值點(diǎn)像素值，權(quán)重大小由待插值點(diǎn)距離其4個(gè)鄰域點(diǎn)的距離來(lái)確定[7]。

乘客通過(guò)閘機(jī)的熟練程度、是否攜帶行李以及持卡方式都會(huì)影響乘客通過(guò)閘機(jī)的時(shí)間。由于閘機(jī)邏輯控制板的采樣頻率一定，如果乘客通過(guò)閘機(jī)的速度很慢，則采集到的傳感器數(shù)據(jù)相對(duì)就多；反之，如果乘客通過(guò)閘機(jī)的速度很快，則采集到的傳感器數(shù)據(jù)相對(duì)就少。因此，每次采集的傳感器信號(hào)矩陣所有元素均為0或1，但矩陣的行數(shù)不同。為便于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，通過(guò)雙線性插值法處理，將傳感器信號(hào)矩陣的行數(shù)進(jìn)行縮放，生成一致的16×16矩陣，如圖7～9所示。雙線性插值法處理后，閘機(jī)通行信號(hào)矩陣不再是0和1的二值化像素矩陣，而是一個(gè)取值范圍為[0,1]之間的灰度像素矩陣。圖10～12為圖4～6經(jīng)過(guò)雙線性插值法處理之后得到的灰度化的圖像。

圖7 單人通過(guò)閘機(jī)通行信號(hào)16×16矩陣

圖8 單人背書包通過(guò)閘機(jī)通行信號(hào)16×16矩陣

圖9 雙人通過(guò)閘機(jī)通行信號(hào)16×16矩陣

圖10 單人通過(guò)閘機(jī)通行信號(hào)灰度化圖像

圖11 單人背書包通過(guò)閘機(jī)通行信號(hào)灰度化圖像

圖12 雙人通過(guò)閘機(jī)通行信號(hào)灰度化圖像

4 基于神經(jīng)網(wǎng)絡(luò)的閘機(jī)通行邏輯

人體運(yùn)動(dòng)行為識(shí)別作為人工智能和智能家居領(lǐng)域研究的一部分，一直以來(lái)備受關(guān)注[8]。人體行走運(yùn)動(dòng)過(guò)程比較復(fù)雜，主要是腿圍繞臀部的轉(zhuǎn)動(dòng)帶動(dòng)人的身體進(jìn)行平移，是一個(gè)循環(huán)的、帶有周期性的運(yùn)動(dòng)。乘客的身高體重、衣著，以及是否攜帶行李、進(jìn)入閘機(jī)的行為動(dòng)作、是否雙人通過(guò)等都會(huì)增加閘機(jī)通行邏輯設(shè)計(jì)的復(fù)雜性。由于乘客通過(guò)閘機(jī)的過(guò)程具有波動(dòng)性，且很多影響因素?zé)o法量化，具有明顯的非線性特征，因此很難直接找出符合其通行過(guò)程的確切邏輯或函數(shù)。神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的自適應(yīng)能力、自學(xué)習(xí)能力和對(duì)非線性函數(shù)的逼近能力，可以描述非線性映射并建立系統(tǒng)模型[9]。神經(jīng)網(wǎng)絡(luò)通過(guò)對(duì)乘客合法通行以及非法通行的大量樣本的學(xué)習(xí)，可以根據(jù)相關(guān)數(shù)據(jù)自動(dòng)進(jìn)行有效特征提取，從而找出隱含的乘客合法通行以及非法通行對(duì)傳感器信號(hào)影響的邏輯規(guī)律。

4.1 樣本選取

本研究共采集2 164組通行數(shù)據(jù)樣本，其中正常合法通行傳感器信號(hào)有1 064組，設(shè)置訓(xùn)練標(biāo)簽為1；非正常非法通行的傳感器信號(hào)有1 000組，設(shè)置訓(xùn)練標(biāo)簽為0。數(shù)據(jù)樣本中訓(xùn)練樣本為1 514組，驗(yàn)證集和測(cè)試集均為325組。

4.2 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程

所采用BP神經(jīng)網(wǎng)絡(luò)模型參數(shù)(包括模型結(jié)構(gòu)、傳遞函數(shù)、網(wǎng)絡(luò)訓(xùn)練參數(shù))[10]，將16×16的像素矩陣展開為一行256個(gè)輸入，則每個(gè)樣本有256維的特征向量作為神經(jīng)網(wǎng)絡(luò)的輸入層。同時(shí)，每一個(gè)學(xué)習(xí)樣本有對(duì)應(yīng)的label(標(biāo)簽)標(biāo)注信息，將合法通行的狀況對(duì)應(yīng)位置的值設(shè)為1，非法通行的狀況對(duì)應(yīng)位置的值設(shè)為0，標(biāo)注信息則為一個(gè)1×1的特征向量。因此，BP神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)為256，輸出層的節(jié)點(diǎn)數(shù)為1。

設(shè)計(jì)采用2層前饋神經(jīng)網(wǎng)絡(luò)，使用帶有Sigmod函數(shù)的隱藏神經(jīng)元和非線性輸出神經(jīng)元(Softmax)。根據(jù)經(jīng)驗(yàn)公式以及反復(fù)測(cè)試，選取隱含層節(jié)點(diǎn)數(shù)為30。網(wǎng)絡(luò)模型訓(xùn)練誤差收斂過(guò)程如圖13所示。由該訓(xùn)練誤差曲線可以看出，驗(yàn)證集與測(cè)試集誤差曲線的變化基本趨于一致，網(wǎng)絡(luò)訓(xùn)練經(jīng)過(guò)了20次迭代提前停止，達(dá)到了期望的誤差目標(biāo)，訓(xùn)練誤差為0.090 545。

圖13 神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線

4.3 神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)預(yù)測(cè)

地鐵閘機(jī)的主要作用就是使合法通行的乘客安全通過(guò)閘機(jī)并且安全有效地阻擋非法通行的乘客，是二分類問(wèn)題。上述網(wǎng)絡(luò)學(xué)習(xí)結(jié)果如圖14混淆矩陣和圖15 ROC(接受者操作特性曲線)曲線所示，圖14和圖15神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)預(yù)測(cè)均說(shuō)明，神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果很好，分類準(zhǔn)確率達(dá)到96.8%。神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)預(yù)測(cè)結(jié)果表明，通過(guò)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，網(wǎng)絡(luò)模型分類準(zhǔn)確性很高，具有較好的泛化能力，可以較好地識(shí)別未經(jīng)訓(xùn)練的通行傳感器數(shù)據(jù)是否合法。

圖14 神經(jīng)網(wǎng)絡(luò)混淆矩陣

5 結(jié)語(yǔ)

本文通過(guò)采集乘客遮擋閘機(jī)傳感器信號(hào)產(chǎn)生的時(shí)間序列特征矩陣作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，借鑒圖像識(shí)別技術(shù)，采用雙線性插值法將傳感器序列圖縮放為統(tǒng)一大小的標(biāo)準(zhǔn)圖像，并通過(guò)對(duì)訓(xùn)練樣本添加合適的標(biāo)簽作為輸出，實(shí)現(xiàn)了對(duì)正常合法通行以及非法通行的識(shí)別。

后續(xù)工作將將加強(qiáng)訓(xùn)練樣本分類、增強(qiáng)學(xué)習(xí)精度和速度。在本次研究中，當(dāng)出現(xiàn)成人乘客跟隨距離小于30 cm時(shí)，為避免發(fā)生夾傷乘客的情形發(fā)生，作為合法通行的案例，在以后的訓(xùn)練中盡量縮短安全距離進(jìn)行訓(xùn)練；同時(shí)將乘客通過(guò)閘機(jī)的情形進(jìn)行細(xì)致分類，如將合法通行中的單人通行、背包通行、攜帶行李箱以及帶小孩的情形等作為輸出，實(shí)現(xiàn)多目標(biāo)同時(shí)識(shí)別。

圖15 神經(jīng)網(wǎng)絡(luò)ROC曲線

全連接神經(jīng)網(wǎng)絡(luò)具有較好的學(xué)習(xí)能力，但連接參數(shù)數(shù)量多，學(xué)習(xí)與預(yù)測(cè)的實(shí)時(shí)性會(huì)受到影響。采用深度學(xué)習(xí)可以有效克服這一缺點(diǎn)，實(shí)現(xiàn)更加快速準(zhǔn)確地分類和識(shí)別。