轨道交通系统的客流的检测系统和方法与流程

本发明属于轨道交通系统的客流检测
技术领域：
，尤其涉及一种轨道交通系统的客流的检测系统和方法。
背景技术：
：城市轨道交通安全问题事关重大。为了监控轨道交通的安全状况，现有技术中，常常在轨道交通系统的站厅、站台、列车上设置摄像头，采集站厅、站台、列车内的图像信息，由监控人员通过显示屏对摄像头采集的图像进行人工分析，判断轨道交通的客流是否发生异常。由于地铁交通系统中设置的摄像头数量巨大，监控人员的显示屏上会同时显示多个不同的摄像头获取的图像，为了监控更多的场景，监控人员还需要切换监控画面，以观察更多的摄像头的拍摄角度。所以，监控人员的工作量巨大，不可能同时对所有的监控画面做出分析判断，难以对轨道交通的实时客流进行完整的、准确的监控，常常在发生异常事件后，调取监控录像进行分析，不能给出有效的实时预警。技术实现要素：本发明要解决的技术问题是为了克服现有技术的地铁客流实时检测的技术方案的不能给出有效的实施预警的缺陷，提供一种轨道交通系统的客流的检测系统和方法。本发明是通过下述技术方案来解决上述技术问题：一种轨道交通系统的客流的检测方法，包括以下步骤：s1、采集轨道交通系统的客流的视频图像；s2、从视频图像中识别出乘客；s3、统计视频图像中的乘客的数量；s4、当乘客的数量符合预设报警条件时，发出报警信号。较佳地，步骤s4包括：将乘客的数量与预设安全数值相比较，如果乘客的数量大于预设安全数值，则发出报警信号。较佳地，步骤s4包括：根据乘客的数量计算客流密度，并将客流密度与预设安全密度相比较，如果客流密度大于预设安全密度，则发出报警信号；客流密度ρ＝q/s，其中，q为乘客的数量，s为视频图像所显示的区域的面积。较佳地，步骤s4包括：当乘客的数量不符合预设报警条件时，执行以下步骤：s41、采用混合高斯背景算法，将视频图像中的背景与运动前景分离，得到运动前景；s42、采用光流算法，计算运动前景的光流向量，并建立光流幅值统计直方图；s43、根据光流幅值统计直方图计算区域熵；s44、将区域熵与预设安全熵值比较，如果区域熵大于预设安全熵值，则发出报警信号。较佳地，步骤s44还包括：根据区域熵大于预设安全熵值的程度，发出与程度相对应的报警信号。本发明还提供一种轨道交通系统的客流的检测系统，包括图像采集单元、图像识别单元、统计单元、报警单元；图像采集单元设置于轨道交通系统的内部；图像采集单元用于采集轨道交通系统的客流的视频图像；图像识别单元用于从视频图像中识别出乘客；统计单元用于统计视频图像中的乘客的数量；报警单元用于在乘客的数量符合预设报警条件时发出报警信号。较佳地，报警单元还用于将乘客的数量与预设安全数值相比较，并用于在乘客的数量大于预设安全数值时发出报警信号。较佳地，检测系统还包括客流密度计算单元，客流密度计算单元用于根据乘客的数量计算客流密度；报警单元还用于将客流密度与预设安全密度相比较，并用于在客流密度大于预设安全密度时发出报警信号；客流密度ρ＝q/s，其中，q为乘客的数量，s为视频图像所显示的区域的面积。较佳地，检测系统还包括图像分离单元、光流向量计算单元、区域熵计算单元；当乘客的数量不符合预设报警条件时，图像分离单元用于根据混合高斯背景算法，将视频图像中的背景与运动前景分离，得到运动前景；光流向量计算单元用于根据光流算法，计算运动前景的光流向量，并建立光流幅值统计直方图；区域熵计算单元用于根据光流幅值统计直方图计算区域熵；报警单元还用于将区域熵与预设安全熵值比较，并用于在区域熵大于预设安全熵值时发出报警信号。较佳地，报警单元还用于根据区域熵大于预设安全熵值的程度，发出与程度相对应的报警信号。本发明的积极进步效果在于：本发明能够根据获取的视频图像实时计算客流密度，当客流密度过大时，产生报警信号，提高了预警的实时性和准确性，并大大减小了监控人员的工作量。本发明还能够根据获取的视频图像实时判断轨道交通系统中是否发生了客流的异常运动，并给出相应的报警，以便轨道交通运维人员及时做出响应，有效避免事态扩大。附图说明图1为本发明的实施例1的轨道交通系统的客流的检测系统的结构示意图。图2为本发明的实施例2的轨道交通系统的客流的检测系统的结构示意图。图3为本发明的实施例3的轨道交通系统的客流的检测系统的结构示意图。图4为本发明的实施例4的轨道交通系统的客流的检测系统的结构示意图。图5为本发明的实施例5的轨道交通系统的客流的检测系统的结构示意图。图6为本发明的实施例6的轨道交通系统的客流的检测系统的结构示意图。图7为本发明的实施例7的轨道交通系统的客流的检测方法的流程图。图8为本发明的实施例8的轨道交通系统的客流的检测方法的流程图。图9为本发明的实施例9的轨道交通系统的客流的检测方法的流程图。图10为本发明的实施例10的轨道交通系统的客流的检测方法的流程图。图11为本发明的实施例11的轨道交通系统的客流的检测方法的流程图。图12为本发明的实施例12的轨道交通系统的客流的检测方法的流程图。具体实施方式下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。实施例1本实施例提供一种轨道交通系统的客流的检测系统，参照图1，该检测系统包括图像采集单元101、图像识别单元102、统计单元103、报警单元104。图像采集单元101用于采集轨道交通系统的客流的视频图像。图像识别单元102用于从视频图像中识别出乘客。统计单元103用于统计视频图像中的乘客的数量。报警单元104用于在乘客的数量符合预设报警条件时发出报警信号。在本实施中，图像采集单元101为摄像头，摄像头的数量为多个，设置于轨道交通系统的内部，例如，站台、站厅、出入口、换乘通道、扶梯等处，对这些区域的客流进行视频监控。图像识别单元102采用cpu(中央处理器)实现(在本发明的其他可选的实施方式中，图像识别单元采用dsp(数字信号处理器)、gpu(图形处理器)等实现)。cpu接收摄像头采集的视频图像，并基于图像识别算法从每一帧图像中识别出乘客，并进行标记。具体为，cpu采用图像识别算法识别单帧图像中的人的形状，每一个人的形状表征一名乘客。统计单元103统计标记的数量，即得到该帧图像中乘客的数量。报警单元104将乘客的数量与预设安全数值进行比较，如果乘客的数量大于预设安全数值，也即，该帧图像中的乘客的数量(即该被监控的场所中的乘客的数量)大于预设安全数值，则认为该被监控的场所中的乘客密度过高，恐怕会有拥挤的风险，报警单元104即发出报警信号。轨道交通系统的运维人员收到报警信号后，对该被监控的场所的乘客予以疏导，降低其客流密度，避免危险发生。鉴于设置于不同位置的摄像头所监控的区域的面积不同，可以根据所监控的区域，相应设置合理的预设安全数值。因为本实施例的检测系统能够实时自动识别和统计所监控的场所中的乘客的数量，并自动在乘客的数量超过预设安全数值时报警，其效率和准确率远远高于人工监视，大大提高了客流检测、预警的实时性和准确性，并且节省了大量的人力资源。而且，本实施例的检测系统能够同时监控轨道交通系统的各个场所，提高了检测的覆盖率。进一步地，该检测系统能够针对不同的监控场所设置相对应的预设安全数值，可以避免误报警或者漏报警的情况，提高了检测、预警的准确性。实施例2本实施例提供一种轨道交通系统的客流的检测系统，参照图2，该检测系统与实施例1的检测系统基本相同，区别在于，本实施例的检测系统还包括计数单元105。根据申请人对轨道交通系统中客流特性的研究，轨道交通系统中的乘客常常处于流动状态，因此，单帧图像中乘客的数量大于预设安全数值往往是瞬时偶发的，又会在短时间内消失。因此，在本实施例中，当单帧图像中的乘客的数量大于预设安全数值时，报警单元104并不立即发出报警信号，而是向计数单元105发出计数信号(计数单元105默认状态下处于复位状态，计数值为0)。计数信号是一个脉冲信号，计数单元105每次接收计数信号(脉冲信号)后，将计数值加1。如果下一帧图像中的乘客的数量不大于预设安全数值，则报警单元104向计数单元105发出复位信号，计数单元105接收复位信号后将计数值复位清零。如果下一帧图像中的乘客的数量大于预设安全数值，则报警单元104向计数单元105发出计数信号，计数单元105接收计数信号后，将计数值加1。依此类推，当计数单元105的计数值达到预设的报警帧数n1时，也即，连续n1帧图像中的乘客的数量均大于预设安全数值时，计数单元105向报警单元104发出通知信号，报警单元104接收该通知信号后，发出报警信号。这样，可以避免不必要的报警，提高预警的准确性。在本实施例的检测系统的其他可选的实施方式中，图像识别单元不是对图像采集单元采集的每一帧图像都进行图像识别，而是每间隔n2帧(或者间隔n3秒)，进行一次图像识别。然后，统计单元对识别结果统计乘客的数量。报警单元根据乘客的数量向计数单元发出计数信号或复位信号。当计数单元的计数值达到预设的报警值n4时，计数单元向报警单元发出通知信号，报警单元接收该通知信号后，发出报警信号。这样可以减轻图像识别单元的运算负荷，降低功耗，节省能源，并且降低图像识别单元的发热，提高图像识别单元的使用寿命。上述n1、n2、n3、n4的值是本领域技术人员根据实际需要可以合理设置的。对n2帧的计数，可以采用计数器实现；对n3秒的计时，可以采用计时器实现，具体方式是本领域技术人员根据所掌握的知识能够实现的，此处不再赘述。实施例3本实施例提供一种轨道交通系统的客流的检测系统，参照图3，该检测系统与实施例1的检测系统基本相同，区别在于，本实施例的检测系统还包括计时单元106。根据申请人对轨道交通系统中客流特性的研究，轨道交通系统中的乘客常常处于流动状态，因此，单帧图像中乘客的数量大于预设安全数值往往是瞬时偶发的，又会在短时间内消失。因此，在本实施例中，当单帧图像中的乘客的数量大于预设安全数值时，报警单元104并不立即发出报警信号，而是将计时信号置位(设置为1)，并向计时单元106发出(计时单元106默认状态下处于复位状态，计时值为0)。计时信号为一电平信号，在计时信号有效(被置位)期间，计时单元106持续计时。如果下一帧图像中的乘客的数量不大于预设安全数值，则报警单元104将计时信号复位(设置为0)，则计时单元106的计时值复位清零；否则，如果下一帧图像中的乘客的数量仍然大于预设安全数值，则计时信号保持，计数单元105继续计时。依此类推，当计时单元106的计时值达到预设的报警时间n5(单位：秒)时，也即，视频图像中的乘客的数量持续n5秒均大于预设安全数值，计时单元106向报警单元104发出通知信号，报警单元104接收该通知信号后，发出报警信号。这样，可以避免不必要的报警，提高预警的准确性。在本实施例的检测系统的其他可选的实施方式中，图像识别单元不是对图像采集单元采集的每一帧图像都进行图像识别，而是每间隔n2帧(或者间隔n3秒)，进行一次图像识别。然后，统计单元对识别结果统计乘客的数量。报警单元根据乘客的数量向将计时信号置位或者复位。当计时单元的计时值达到预设的报警时长n6时，计时单元向报警单元发出通知信号，报警单元接收该通知信号后，发出报警信号。这样可以减轻图像识别单元的运算负荷，降低功耗，节省能源，降低图像识别单元的发热，提高图像识别单元的使用寿命。上述n5、n2、n3、n6的值是本领域技术人员根据实际需要可以合理设置的。对n2帧的计数，可以采用计数器实现；对n3秒的计时，可以采用计时器实现，具体方式是本领域技术人员根据所掌握的知识能够实现的，此处不再赘述。实施例4本实施例提供一种轨道交通系统的客流的检测系统，参照图4，该检测系统包括图像采集单元101、图像识别单元102、统计单元103、客流密度计算单元107、报警单元104。图像采集单元101用于采集轨道交通系统的客流的视频图像。图像识别单元102用于从视频图像中识别出乘客。统计单元103用于统计视频图像中的乘客的数量。客流密度计算单元107用于根据乘客的数量计算客流密度。报警单元104用于将客流密度与预设安全密度相比较，并用于在客流密度大于预设安全密度时发出报警信号。图像采集单元101为摄像头，摄像头的数量为多个，设置于轨道交通系统的内部，例如，站台、站厅、出入口、换乘通道、扶梯等处，对这些区域的客流进行视频监控。客流密度计算单元107计算客流密度使用的公式为：ρ＝q/s，其中，ρ为客流密度，q为乘客的数量，s为视频图像所显示的区域的面积(即该摄像头监控的场所的面积)。在本实施例的一种可选的实施方式中，面积s的值由轨道交通的运维人员对该摄像头监控的场景进行测量得到，并在客流密度计算单元107中进行设置。在本实施例的另一种可选的实施方式中，图像识别单元102根据摄像头设置的高度、摄像头拍摄的角度以及其摄像头的传感器的尺寸，计算该摄像头监控的场所的面积，当摄像头变化拍摄角度时，图像识别单元102能够实时更新面积s的值。实施例5本实施例提供一种轨道交通系统的客流的检测系统，参照图5，该检测系统与实施例4的检测系统基本相同，区别在于，本实施例的检测系统还包括计时单元106。在本实施例中，客流密度计算单元107采用以下算法计算各个摄像头监控的区域的客流密度：其中，z表示车站区域(例如，3号线站台，或者3号线站厅，或者出入口，或者换乘通道，或者扶梯等)的编号(也即某一个摄像头监控的区域对应的编号)，z表示车站区域的编号的域，其包含所有的车站区域的编号，即，z∈z。c为摄像头监控中的一个采样时刻，一个采样时刻对应一帧图像。c为采样时刻的域，包含摄像头监控的所有采样时刻，即，c∈c。ρz,c为c时刻区域i的客流密度，单位为人/m2，qz,c为c时刻区域i的客流量，单位为人，sz为区域i的有效面积，单位为m2。阈值为(az,ez)，az为区域i的客流密度阈值，单位为人/m2；ez为时间阈值，即区域i的客流密度超过阈值az的持续时长的阈值，单位为分钟。当区域z的客流密度超过az，并且持续时间超过ez时，报警单元104发出报警信号。客流密度由客流密度计算单元107计算得到，持续时间由计时单元106计时得到。进一步地，在本实施例中，还根据客流密度的大小，对客流密度过大的情况分为多个等级。表1给出了将客流密度过大的情况分为3个等级的划分方式。表1等级客流密度过大的情况一级ρz,c超过阈值az的80％，ez超过30分钟二级ρz,c超过阈值az的60％，ez超过10分钟三级ρz,c超过阈值az的40％，ez超过5分钟客流密度超过阈值的幅度由客流密度计算单元107计算得到，持续时间由计时单元106计时得到。报警单元104根据上述划分的报警等级发出与该报警等级相对应的报警信号，以提示轨道交通运维人员客流密度异常的程度。发生报警时，本实施例的检测系统还将报警信号和发生异常事件时刻的图像信息的图像信息，发送到智能终端，供发生异常的区域的运维人员快速做出响应。实施例6在实施例1的基础上，本实施例提供一种轨道交通系统的客流的检测系统，参照图6，检测系统还包括图像分离单元108、光流向量计算单元109、区域熵计算单元110。当乘客的数量不符合预设报警条件时，图像分离单元108用于根据混合高斯背景算法，将视频图像中的背景与运动前景分离，得到运动前景；光流向量计算单元109用于根据光流算法，计算运动前景的光流向量，并建立光流幅值统计直方图；区域熵计算单元110用于根据光流幅值统计直方图计算区域熵；报警单元104还用于将区域熵与预设安全熵值比较，并用于在区域熵大于预设安全熵值时发出报警信号。轨道交通系统中的客流异常情况，除了客流密度过大，还可能是客流发生了异常的运动，例如，因为突发状况引起乘客慌乱而发生的跑动、推搡、拥挤等。为了识别客流的异常运动，在本实施例中，图像分离单元108先进行图像分离，即，运用混合高斯背景算法，对被监测区域的客流的视频图像进行背景与运动前景的分离，获得的运动前景，具体算法如下：在混合高斯背景算法中，认为像素之间的颜色信息互不相关，对各像素点的处理都是相互独立的。对于视频图像中的每一个像素点，其值在序列图像中的变化可看作是不断产生像素值的随机过程，即用高斯分布来描述每个像素点的颜色呈现规律。对于多峰高斯分布模型，图像的每一个像素点按不同权值的多个高斯分布的叠加来建模，每种高斯分布对应一个可能产生像素点所呈现颜色的状态，各个高斯分布的权值和分布参数随时间更新。当处理彩色图像时，假定图像像素点r、g、b三色(红、绿、蓝三色)通道相互独立并具有相同的方差。对于视频图像x的观测数据集{x1,x2,…xn}，xt＝{rt,gt,bt}为t时刻视频图像中一个像素的样本，xt服从的混合高斯分布概率密度函数为：式中，k为分布模式总数，为t时刻第i个高斯分布，μi,t为其均值，τi,t为其协方差矩阵，δi,t为方差，i为三维单位矩阵，wi,t为t时刻第i个高斯分布的权重。图像分离单元108判断每一个像素的样本xt是否符合以下公式：|xt-μi,t-1|≤2.5·δi,t-1如果该像素样本xt符合上式，则该像素属于背景，否则该像素属于运动前景。根据上述算法，可以将属于背景的像素和属于运动前景的像素区分开，所有属于运动前景的像素构成运动前景。将视频图像中的背景与运动前景分离，得到运动前景之后，光流向量计算单元109对运动前景进行处理，采用光流算法，计算运动前景里每个像素点的光流向量并建立统计直方图。具体方式为，将运动前景图像的度方向平均分成n个方向子区间，获取运动前景光流矢量的幅值与方向数据，统计落在每个方向子区间中的运动前景光流点个数，对这些点的幅值进行累加并归一化处理，最后得到前景区图像的光流幅值统计直方图：式中，mj和θj分别表示运动前景光流矢量的幅值和方向，θr表示第r个方向子区间，nr表示方向子区间r中运动前景光流点的个数。接下来，区域熵计算单元110计算区域熵，即，对上一个步骤中得到的光流幅值统计直方图进行区域熵计算。区域熵u的计算公式如下：得出的区域熵越大说明区域内运动越无序混乱。当区域熵大于预设安全熵值yu时，则判断运动前景有异常行为发生，也即发生了客流的异常运动。此时，区域熵计算单元110会向报警单元104输出通知信号，报警单元104发出客流异常运动报警信号。在本实施例中，还根据区域熵u超出预设安全熵值yu的程度，将客流异常运动的情况分为多个等级，以表征客流异常运动的严重程度。表2给出了将客流异常运动的情况分为3个等级的划分方式。表2等级区域熵u一级u超出yu的30％二级u超出yu的10％～20％三级u超出yu的10％区域熵u超出预设安全熵值yu的程度由报警单元104区域熵计算单元110计算得到。报警单元104根据区域熵大于预设安全熵值的程度，发出与该程度相对应的报警信号，以提示轨道交通运维人员客流异常运动的严重程度。在本发明的轨道交通系统的客流的检测系统的其他可选的实施方式中，本实施例的图像分离单元、光流向量计算单元、区域熵计算单元分别与实施例2-5的检测系统组合，并在乘客的数量不符合预设报警条件时，对客流的运动状况进行检测。本领域技术人员在阅读实施例1-6之后，能够实现本实施例的图像分离单元、光流向量计算单元、区域熵计算单元分别与实施例2-5的检测系统组合以形成一检测系统，并清楚该检测系统如何工作，此处不再赘述。实施例7本实施例提供一种轨道交通系统的客流的检测方法，参照图8，该检测方法包括以下步骤：步骤s1、采集轨道交通系统的客流的视频图像；步骤s2、从视频图像中识别出乘客；步骤s3、统计视频图像中的乘客的数量；步骤s4、当乘客的数量符合预设报警条件时，发出报警信号。步骤s1采用摄像头实现。摄像头的数量为多个，设置于轨道交通系统的内部，例如，站台、站厅、出入口、换乘通道、扶梯等处，对这些区域的客流进行视频监控。步骤s2采用cpu(中央处理器)实现(在本发明的其他可选的实施方式中，图像识别单元采用dsp(数字信号处理器)、gpu(图形处理器)等实现)。cpu接收摄像头采集的视频图像，并基于图像识别算法从每一帧图像中识别出乘客，并进行标记。具体为，cpu采用图像识别算法识别单帧图像中的人的形状，每一个人的形状表征一名乘客。步骤s3采用统计单元实现。统计单元统计标记的数量，即得到该帧图像中乘客的数量。步骤s4采用报警单元实现。报警单元将乘客的数量与预设安全数值进行比较，如果乘客的数量大于预设安全数值，也即，该帧图像中的乘客的数量(即该被监控的场所中的乘客的数量)大于预设安全数值，则认为该被监控的场所中的乘客密度过高，恐怕会有拥挤的风险，报警单元即发出报警信号。轨道交通系统的运维人员收到报警信号后，对该被监控的场所的乘客予以疏导，降低其客流密度，避免危险发生。鉴于设置于不同位置的摄像头所监控的区域的面积不同，可以根据所监控的区域，相应设置合理的预设安全数值。因为本实施例的检测方法能够实时自动识别和统计所监控的场所中的乘客的数量，并自动在乘客的数量超过预设安全数值时报警，其效率和准确率远远高于人工监视，大大提高了客流检测、预警的实时性和准确性，并且节省了大量的人力资源。而且，本实施例的检测方法能够同时监控轨道交通系统的各个场所，提高了检测的覆盖率。进一步地，该检测方法能够针对不同的监控场所设置相对应的预设安全数值，可以避免误报警或者漏报警的情况，提高了检测、预警的准确性。实施例8本实施例提供一种轨道交通系统的客流的检测方法，在实施例7的基础上，参照图8，本实施例的检测方法的步骤s4包括以下步骤：步骤s401、将乘客的数量与预设安全数值进行比较，并判断乘客的数量是否大于预设安全数值，若是，则执行步骤s402；若否，则执行步骤s403。步骤s402、计数值加1，并判断计数值是否达到预设的报警帧数，若是，则执行步骤s404；若否，则执行步骤s401。步骤s403、计数值清零，进入步骤s401。步骤s404、报警。根据申请人对轨道交通系统中客流特性的研究，轨道交通系统中的乘客常常处于流动状态，因此，单帧图像中乘客的数量大于预设安全数值往往是瞬时偶发的，又会在短时间内消失。因此，在本实施例中，当单帧图像中的乘客的数量大于预设安全数值时，并不立即报警，而是进行计数，即，计算连续发生乘客的数量大于预设安全数值的帧数，当该帧数(即计数值)达到预设的报警帧数n1时，再报警。这样，可以避免不必要的报警，提高预警的准确性。在本实施例的检测方法的其他可选的实施方式中，不是对采集的每一帧图像都进行图像识别，而是每间隔n2帧(或者间隔n3秒)，进行一次图像识别。然后，根据识别结果统计乘客的数量。接下来，根据乘客的数量将计数值加1或将计数值清零。当计数值达到预设的报警值n4时，发出报警信号。这样可以减轻图像识别单元的运算负荷，降低功耗，节省能源，降低图像识别单元的发热，提高图像识别单元的使用寿命。实施例9本实施例提供一种轨道交通系统的客流的检测方法，在实施例7的基础上，参照图9，本实施例的检测方法的步骤s4包括以下步骤：步骤s411、将乘客的数量与预设安全数值进行比较，并判断乘客的数量是否大于预设安全数值，若是，则执行步骤s412；若否，则执行步骤s413。步骤s412、持续计时，并判断计时值是否达到预设的报警时间，若是，则执行步骤s414；若否，则执行步骤s411。步骤s413、计时值清零，进入步骤s411。步骤s414、报警。根据申请人对轨道交通系统中客流特性的研究，轨道交通系统中的乘客常常处于流动状态，因此，单帧图像中乘客的数量大于预设安全数值往往是瞬时偶发的，又会在短时间内消失。因此，在本实施例中，当单帧图像中的乘客的数量大于预设安全数值时，并不立即报警，而是进行计时，即，计算连续发生乘客的数量大于预设安全数值的情况所持续的时间，当该时间(即计时值)达到预设的报警时间n5(单位：秒)时，再报警。这样，可以避免不必要的报警，提高预警的准确性。在本实施例的检测方法的其他可选的实施方式中，不是对采集的每一帧图像都进行图像识别，而是每间隔n2帧(或者间隔n3秒)，进行一次图像识别。然后，根据识别结果统计乘客的数量。接下来，根据乘客的数量进行持续计时或者将计时值清零。计时值达到预设的报警时长n6(单位：秒)时，发出报警信号。这样可以减轻图像识别单元的运算负荷，降低功耗，节省能源，降低图像识别单元的发热，提高图像识别单元的使用寿命。实施例10本实施例提供一种轨道交通系统的客流的检测方法，该检测方法与实施例7的检测方法的区别在于，在本实施例中，步骤s4包括以下步骤：s431、计算客流密度；s432、将客流密度与预设安全密度相比较，如果客流密度大于预设安全密度则发出报警信号。在步骤s431中计算客流密度使用的公式为：ρ＝q/s，其中，ρ为客流密度，q为乘客的数量，s为视频图像所显示的区域的面积(即该摄像头监控的场所的面积)。在本实施例的一种可选的实施方式中，面积s的值由轨道交通的运维人员对该摄像头监控的场景进行测量得到。在本实施例的另一种可选的实施方式中，图像识别单元根据摄像头设置的高度、摄像头拍摄的角度以及其摄像头的传感器的尺寸，计算该摄像头监控的场所的面积，当摄像头变化拍摄角度时，图像识别单元能够实时更新面积s的值。实施例11本实施例提供一种轨道交通系统的客流的检测方法，该检测方法与实施例10的检测方法基本相同，区别在于，参照图11，在本实施例中，步骤s4包括以下步骤：步骤s441、计算客流密度；步骤s442、将客流密度与预设安全密度相比较，并判断客流密度是否大于客流密度阈值，若是，则执行步骤s444；若否，则执行步骤s443；步骤s443、计时值清零，进入步骤s441；步骤s444、持续计时，并判断计时值是否达到时间阈值，若是，则执行步骤s445；若否，则执行步骤s441。步骤s445、报警。在步骤s441中，采用以下算法计算各个摄像头监控的区域的客流密度：其中，z表示车站区域(例如，3号线站台，或者3号线站厅，或者出入口，或者换乘通道，或者扶梯等)的编号(也即某一个摄像头监控的区域对应的编号)，z表示车站区域的编号的域，其包含所有的车站区域的编号，即，z∈z。c为摄像头监控中的一个采样时刻，一个采样时刻对应一帧图像。c为采样时刻的域，包含摄像头监控的所有采样时刻，即，c∈c。ρz,c为c时刻区域i的客流密度，单位为人/m2，qz,c为c时刻区域i的客流量，单位为人，sz为区域i的有效面积，单位为m2。阈值为(az,ez)，az为区域i的客流密度阈值，单位为人/m2；ez为时间阈值，即区域i的客流密度超过阈值az的持续时长的阈值，单位为分钟。当区域z的客流密度超过az，并且持续时间超过ez时，报警单元发出报警信号。进一步地，在本实施例中，还根据客流密度的大小，对客流密度过大的情况分为多个等级。表3给出了将客流密度过大的情况分为3个等级的划分方式。表3等级客流密度过大的情况一级ρz,c超过阈值az的80％，ez超过30分钟二级ρz,c超过阈值az的60％，ez超过10分钟三级ρz,c超过阈值az的40％，ez超过5分钟在步骤s445中，根据上述划分的报警等级发出与该报警等级相对应的报警信号，以提示轨道交通运维人员客流密度异常的程度。在步骤s445中，还将报警信号和发生异常事件时刻的图像信息的图像信息，发送到智能终端，供发生异常的区域的运维人员快速做出响应。实施例12在实施例7的基础上，本实施例提供一种轨道交通系统的客流的检测方法，参照图12，在该检测方中，步骤s4包括：判断乘客的数量是否符合预设报警条件，若是，则执行步骤s425、报警；若否，则执行以下步骤：s421、采用混合高斯背景算法，将视频图像中的背景与运动前景分离，得到运动前景；s422、采用光流算法，计算运动前景的光流向量，并建立光流幅值统计直方图；s423、根据光流幅值统计直方图计算区域熵；s424、将区域熵与预设安全熵值比较，如果区域熵大于预设安全熵值，则发出报警信号。轨道交通系统中的客流异常情况，除了客流密度过大，还可能是客流发生了异常的运动，例如，因为突发状况引起乘客慌乱而发生的跑动、推搡、拥挤等。为了识别客流的异常运动，先执行步骤s421，运用混合高斯背景算法，对被监测区域的客流的视频图像进行背景与运动前景的分离，获得的运动前景，具体算法如下：在混合高斯背景算法中，认为像素之间的颜色信息互不相关，对各像素点的处理都是相互独立的。对于视频图像中的每一个像素点，其值在序列图像中的变化可看作是不断产生像素值的随机过程，即用高斯分布来描述每个像素点的颜色呈现规律。对于多峰高斯分布模型，图像的每一个像素点按不同权值的多个高斯分布的叠加来建模，每种高斯分布对应一个可能产生像素点所呈现颜色的状态，各个高斯分布的权值和分布参数随时间更新。当处理彩色图像时，假定图像像素点r、g、b三色(红、绿、蓝三色)通道相互独立并具有相同的方差。对于视频图像x的观测数据集{x1,x2,…xn}，xt＝{rt,gt,bt}为t时刻视频图像中一个像素的样本，xt服从的混合高斯分布概率密度函数为：式中，k为分布模式总数，为t时刻第i个高斯分布，μi,t为其均值，τi,t为其协方差矩阵，δi,t为方差，i为三维单位矩阵，wi,t为t时刻第i个高斯分布的权重。图像分离单元判断每一个像素的样本xt是否符合以下公式：|xt-μi,t-1|≤2.5·δi,t-1如果该像素样本xt符合上式，则该像素属于背景；否则，该像素属于运动前景。根据上述算法，可以将属于背景的像素和属于运动前景的像素区分开，所有属于运动前景的像素构成运动前景。将视频图像中的背景与运动前景分离，得到运动前景之后，在步骤s422中，对运动前景进行处理，采用光流算法，计算运动前景里每个像素点的光流向量并建立统计直方图。具体方式为，将运动前景图像的度方向平均分成n个方向子区间，获取运动前景光流矢量的幅值与方向数据，统计落在每个方向子区间中的运动前景光流点个数，对这些点的幅值进行累加并归一化处理，最后得到前景区图像的光流幅值统计直方图：式中，mj和θj分别表示运动前景光流矢量的幅值和方向，θr表示第r个方向子区间，nr表示方向子区间r中运动前景光流点的个数。接下来，在步骤s423中，计算区域熵，即，对步骤s422中得到的光流幅值统计直方图进行区域熵计算。区域熵u的计算公式如下：在步骤s424中，将区域熵与预设安全熵值比较。得出的区域熵越大说明区域内运动越无序混乱。当区域熵大于预设安全熵值yu时，则判断运动前景有异常行为发生，也即发生了客流的异常运动。此时，发出客流异常运动报警信号。在本实施例中，还根据区域熵u超出预设安全熵值yu的程度，将客流异常运动的情况分为多个等级，以表征客流异常运动的严重程度。表4给出了将客流异常运动的情况分为3个等级的划分方式。表4等级区域熵u一级u超出yu的30％二级u超出yu的10％～20％三级u超出yu的10％在步骤s424中，还根据区域熵大于预设安全熵值的程度，发出与该程度相对应的报警信号，以提示轨道交通运维人员客流异常运动的严重程度。虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。当前第1页12