CN106529787A - 一种基于人脸检测技术的地铁能源管理*** - Google Patents

Abstract

本发明公开了一种基于人脸检测技术的地铁能源管理***，通过对地铁站摄像头获取的图像进行人脸检测，进行实时客流分析和能耗预测，用于地铁能源监控***的能耗控制，其特征在于，包括：视频采集模块、人脸检测模块、客流分析模块、能耗建模模块、能耗预测模块、地铁能耗监测模块以及能源设备。该***首先根据视频采集***摄像头采集的视频数据，处理后获取单位时间内在地铁站内不同位置的乘客分布情况；然后根据历史客流和历史能耗数据对各主要设备的能耗进行建模；最后根据能耗模型和实时客流情况，预测短期内的设备能耗，用于调节能耗设备的运行模式、出力等参数，以达到节约能源的目的。

Description

一种基于人脸检测技术的地铁能源管理***

技术领域

本发明涉及人脸检测技术，具体涉及到基于人脸检测技术的地铁实时客流分析技术，以及基于实时客流分析技术的地铁能耗管理***。

背景技术

地铁是大运量的城市轨道交通运输***，也是耗电量的大户。地铁运营过程中消耗能源的主要形式是电能。根据对地铁的用电负荷统计分析，能耗主要分布在列车牵引用电和各种动力照明设备用电，如通风空调、自动扶梯、照明、弱电设备等方面。地铁列车牵引用电和各种动力照明用电量比例约各占50％。牵引供电、通风空调、电扶梯、照明等的能耗占地铁总能耗的90％左右，是节能工作的重点。因此应对地铁中主要用电设备以及持续性运转的大负荷容量设备加强能源管理和监控,并对采用变频等节能技术措施的设备做好经济技术考核和对比分析工作。

分析发现，客流量、车辆等技术设备因素是分析地铁能耗影响因素的主体。车辆等技术设备因素包含：行车总数量的线路里程、车辆编组、车载辅助设备数量及容量等；这些因素在地铁建设、规划期已基本定型，因此对于运行中的特定地铁线路，可将车辆等技术设备因素看作常量，忽略其变化对地铁能耗的影响。客流量对地铁***电耗的影响，一方面是由于客流量的增加会导致空气调节设备、照明、环境维持设备的能耗增加；另一方面列车的满载率作为组织管理因素影响着地铁能耗。

传统的能源管理***，有的只能对地铁***的实时能耗状况进行监测，有的只能根据地铁闸机在一段时间内的总客流量对地铁***的总能耗进行粗略预测；由于乘客进入地铁站内后，并不会在站内停留很久，而是会随地铁列车流动到其他地铁站，这样就导致无法实现建立地铁能耗与客流量的实时模型，因此也无法对实时能耗进行有效地调节和控制。

发明内容

针对现有技术的不足，为了解决地铁能源管理***中无法实时预测客流量及客流量分布的问题，本发明提出了一种基于人脸检测技术和实时客流分析的能源管理***，能够根据地铁站内关键地点摄像头采集到的乘客客流量，对地铁站内各关键设备位置的客流分布，以及列车客流量进行实时分析，然后根据客流量与能耗设备的模型关系，实时预测站内、列车上关键位置的设备实时能耗，自动调节能耗设备的运行模式、输出功率，最终达到提高能效，节约能源的目的。

为了实现上述发明目的，本发明采用的技术方案为：一种基于人脸检测技术的地铁能源管理***，通过对地铁站摄像头获取的图像进行人脸检测，进行实时客流分析和能耗预测，用于地铁能源监控***的能耗控制，其特征在于，包括：视频采集模块、人脸检测模块、客流分析模块、能耗建模模块、能耗预测模块、地铁能耗监测模块以及能源设备；其中，所述视频采集模块用于采集地铁***内各监测点的乘客视频数据；所述人脸检测模块用于对视频中出现的图像进行人脸检测，获取乘客数目、运动轨迹数据；所述客流分析模块根据所述人脸检测模块传输的数据，对各监测点的实时客流进行统计分析；所述能耗建模模块根据大量历史数据建立实时客流量、设备其他运行参数与设备能耗之间的模型关系；所述能耗预测模块根据设备运行参数、实时客流以及能耗模型，预测短期内车站不同监测点相关设备的能耗；所述地铁能耗监测模块则根据预测能耗，对设备进行参数进行调节控制，同时采集能耗设备的运行参数，一方面发送到人机界面供用户查看，另一方面发送到能耗建模模块进行模型修正和发送到能耗预测模块进行能耗预测；所述能耗设备用于地铁内行车和乘客服务。人脸检测是指对于任意一幅给定的图像，采用一定的策略对其进行搜索以确定其中是否含有人脸，如果是则返回人脸的位置、大小和姿态。典型的方法有模板法、基于示例学习、基于器官特征的方法、神经网络、彩色信息+形状分析、AdaBoost的方法等等。其中AdaBoost算法是一种能够兼顾检测精度和检测速度的算法。本发明采用基于人脸检测技术的实时客流分析方法对地铁能耗进行预测和对能耗设备运行进行控制，首先根据视频采集***摄像头采集的视频数据，处理后获取单位时间内在地铁站内不同位置的乘客分布情况；然后根据历史客流和历史能耗数据对各主要设备的能耗进行建模；最后根据能耗模型和实时客流情况，预测短期内的设备能耗，用于调节能耗设备的运行模式、出力等参数，以达到节约能源的目的。

相对于利用地铁闸机统计客流量的方式，本发明具有如下优点：1.实时统计：该***利用分布在地铁各监测点的摄像头，能够实时统计的乘客数目及流向，实时计算出各监测点的实时客流情况；2.能够统计实时客流分布：地铁闸机只能统计每个地铁站进出乘客的总人次，但无法对车站内停留乘客以及列车上的乘客人数进行统计；但是该***不仅可以统计出每个时刻在地铁站内和列车上的乘客人次，而且能够统计出地铁内不同设备等待区的乘客数目，如等待电梯、扶梯的人数，如地铁站内乘客密度，能够实时调节具体设备如照明设备、送风设备、空调设备等设备的出力，从而更好地节约地铁能耗。

本发明的地铁能源管理***易于实现，实时、高效，并能根据实时客流量预测并调节实时能耗。本发明与传统的能源管理***相比，使用地铁内的摄像头作为获取客流量的途径，能够快速、实时获取地铁站内实时客流情况；***根据能耗模型进行能耗预测，并据此对能耗设备***自动调节，具有高度的智能性，对地铁能源管理***的建设提出了新的思路。

附图说明

图1是本发明的一种基于人脸检测技术的地铁能源管理***示意图。

图2是本发明的城市轨道交通能源管理***硬件结构图。

图3是本发明的轨道交通用电网络图。

具体实施方式

以下结合附图来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

本实施例的基于人脸检测技术的地铁能耗管理***，通过对地铁站摄像头获取的图像进行人脸检测，进行实时客流分析和能耗预测，用于地铁能源监控***的能耗控制，包括如下子***：视频采集模块、人脸检测模块、客流分析模块、能耗建模模块、能耗预测模块、地铁能耗监控模块、以及能源设备。

以上子***信息传递及通信过程如下：

视频采集模块利用地铁站分布的摄像头，采集各监测点的视频数据，将其传输至人脸检测模块进行视频数据分析和提取，获取单位时间内的乘客数目、运行轨迹等特征，然后传送至人脸检测模块；客流分析模块统计各监测点的实时客流分布情况，将其一方面传输到能耗建模模块供其修正模型，另一方面将其传送到能耗预测模块实行能耗预测模块；能耗预测模块利用实时客流量和地铁能耗监控模块采集的设备参数，对短期内能耗设备的能耗进行预测，预测产生的结果发送回能耗监控***，由能耗监控模块进行能耗调节和控制。同时，能耗建模模块使用客流数据及设备历史能耗，能够对模型不断进行修正，使预测结果更加准确。

各模块的进一步特征如下：

1.视频采集模块，视频采集模块包括：地铁站每个出入口的摄像头、列车出入口摄像头、扶梯摄像头、电梯摄像头等，通过地铁***内的摄像头拍摄乘客进出站画面。

2.人脸检测模块，使用视频采集模块传送的画面，对画面上的人脸进行检测，从而确定乘客数目。该模块无需额外安装硬件设备，直接利用地铁里现有的摄像头，通过软件对视频中出现的人物图像进行数据化分析和识别进出站乘客，可以识别乘客的数目、大致年龄、运动轨迹等。

人脸检测模块使用基于AdaBoost的学习算法对摄像头获取的视频画面进行人脸检测。AdaBoost算法是一种迭代算法，其思想主要是将一系列的弱分类器级联组合成一个强分类。算法的主要过程是：

首先，给出样本集合，然后对该样本集合进行循环操作，每次循环首先得到一个假设，然后计算该假设的错误率，根据该假设的错误率改变每个样本的权重进入下一个循环。

在具体实现上，首先令每个样本的权重都相等，在此样本分布下训练出一弱分类器；然后根据这个分类器，来提高被它错误分类的样本点的权重，这样分类错误的样本就被突出，我们得到一个新的样本分布。然后，权重更新后的样本集被用来训练下一个分类器，依次类推，我们经过T次这样的循环，得到T个弱分类器，把这T个弱分类器按一定权重累加起来，就得到了我们最终想要的强分类器。

Adaboost算法步骤如下：

第一步：选取弱分类器。

一个弱分类器h(x，f，p，θ)由一个特征f，阈值θ和指示不等号方向的p组成：

训练一个弱分类器(特征f)就是在当前权重分布的情况下，确定f的最优阈值以及不等号的方向，使得这个弱分类器(特征f)对所有训练样本的分类误差最低。具体算法描述如下：

输入：一组训练集：(x₁，y₁)，…，(x_n，y_n)，其中x_i为样本描述，y_i为样本标识，y_i∈(0，1)；其中0，1分别表示正例和反例。在人脸检测中，可以定义0为非人脸，1为人脸。

初始化：初始化训练样本的权重D(i)，其中或者(人脸样本和非人脸样本初始化为不同的值，m为非人脸样本总数，1为人脸样本总数)。对t＝1，2，…，T，循环执行下面的步骤：

(1)归一化权重：

(2)对每个特征f，训练一个弱分器h(x，f，p，θ)；计算所有特征的弱分类器的加权错误率ε_f＝∑_iq_i|h(x_i，f，p，θ)-y_i|。

(3)选取最住分类器h_t(x)，按最小错误率率。

ε_t＝min_f，p，θ∑_iq_i|h(x_i，f，p，θ)-y_i|＝∑_iq_i|h(x_i，f_t，p_t，θ_t)-y_i|

h_t(x)＝h(x，f_t，p_t，θ_t)

(4)按照这个最佳弱分类器，调整权重：

其中e_i＝0表示x_i被正确分类，e_i＝1表示x_i被错误分类。

第二步：由弱分类器确定强分类器。

经过第一步中的T次迭代后，得到T个最住弱分类器h₁(x)，…，h_T(x)，可以按照下面的方式组合成一个强分类器：

其中，那么，这个强分类器对待一幅待检测图像时，相当于让所有弱分类器投票，再对投票结果按照弱分类器的错误率加权求和，将投票加权求和的结果与平均投票结果比较得出最终的结果。

第三步：训练L层级联分类器。

(1)训练第i层强分类器H_i(x)；

(2)保存强分类器H_i(x)的参数，即各弱分类器的参数、强分类器的阈值以及被H_i(x)误判为人脸的非人脸样本；

(3)补充非人脸样本集，组合前i层强分类器对候选非人脸样本进行检测，将被误判为人脸的非人脸样本加入到样本集中(人脸样本不更新)；

(4)训练第i+1层强分类器。

至此就完成了人脸检测过程。

3.客流分析模块根据人脸检测模块传输的数据，对各监测点的实时客流进行统计分析，例如地铁站内等待乘车、等待电梯、扶梯，和使用空调及照明等设备的乘客数量。

4.能耗建模模块根据大量历史数据建立客流量、设备其他参数与设备能耗之间的模型关系。

5.能耗预测模块根据设备运行参数、实时客流以及能耗模型，预测短期内车站不同监测点相关设备的能耗。

6.地铁能耗监控模块则根据预测能耗结果，一方面对能源设备的运行方式和运行参数进行调节，另一方面能够预警大客流，采用优化的客流疏导方案，从而达到节约能源的目的。同时，地铁能耗监控***能够采集能耗设备的运行参数，发送到人机界，供地铁工作人员进行监控，发送到能耗建模模块进行模型修正，发送到能耗预测模块进行能耗预测。

7.能源设备，包含环境设备、行车设备、供配电设备、以及商业设备等。用于地铁内行车和为乘客提供服务。

在图2所示的地铁能源管理***中，每条地铁线路设置一个能源管理中心，通过地铁的骨干网络以及车站能源子站中获取能源数据，实现全线能源数据集中监控和管理。图3是本***对应的轨道交通用电网络图。

中央级能源管理***

设置在地铁控制中心，完成能源数据的采集，存储，分析发布，并配备能源管理分析服务器。

车站级能源管理***

设置在地铁车站控制室，完成车站能耗数据实时动态采集，监控，趋势图显示和故障异常报警等功能，车站级能源管理***通过地铁骨干网，将处理后的能源数据传送给中央级能源管理***。

现场级数据采集终端

通过其通信控制模块，现场总线及高低压开关柜内计量装置(带通信接口和电能累计功能)连接，并通过以太网模块，将信息转换到车站及以太网层面，与车站级能源管理***服务器连接。

本发明主要应用于车站级能源***中，通过现场级数据采集终端中的车站视频采集模块上传实时视频数据至车站级能源***中，由车站级能源***的软件模块对视频数据进行人脸检测、客流分析，最终用于实时能耗预测与能耗调节。

以上仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种基于人脸检测技术的地铁能源管理***，通过对地铁站摄像头获取的图像进行人脸检测，进行实时客流分析和能耗预测，用于地铁能源监控***的能耗控制，其特征在于，包括：视频采集模块、人脸检测模块、客流分析模块、能耗建模模块、能耗预测模块、地铁能耗监测模块以及能源设备；其中，所述视频采集模块用于采集地铁***内各监测点的乘客视频数据；所述人脸检测模块用于对视频中出现的图像进行人脸检测，获取乘客数目、运动轨迹数据；所述客流分析模块根据所述人脸检测模块传输的数据，对各监测点的实时客流进行统计分析；所述能耗建模模块根据大量历史数据建立实时客流量、设备其他运行参数与设备能耗之间的模型关系；所述能耗预测模块根据设备运行参数、实时客流以及能耗模型，预测短期内车站不同监测点相关设备的能耗；所述地铁能耗监测模块则根据预测能耗，对设备进行参数进行调节控制，同时采集能耗设备的运行参数，一方面发送到人机界面供用户查看，另一方面发送到能耗建模模块进行模型修正和发送到能耗预测模块进行能耗预测；所述能源设备用于地铁内行车和乘客服务。

2.根据权利要求1所述的地铁能源管理***，其特征在于：所述视频采集模块利用地铁站分布的摄像头，采集各监测点的视频数据，将其传输至人脸检测模块进行视频数据分析和提取，获取单位时间内的乘客数目、运行轨迹特征，然后传送至人脸检测模块；所述视频采集模块包括：地铁站每个出入口的摄像头、列车出入口摄像头、扶梯摄像头、电梯摄像头，通过地铁***内的摄像头拍摄乘客进出站画面。

3.根据权利要求1所述的地铁能源管理***，其特征在于：所述人脸检测模块使用基于AdaBoost的学习算法对摄像头获取的视频画面进行人脸检测，给出样本集合，然后对该样本集合进行循环操作，每次循环首先得到一个假设，然后计算该假设的错误率，根据该假设的错误率改变每个样本的权重进入下一个循环；具体为：首先令每个样本的权重都相等，在此样本分布下训练出一弱分类器；然后根据这个分类器，来提高被它错误分类的样本点的权重，这样分类错误的样本就被突出，得到一个新的样本分布；然后，权重更新后的样本集被用来训练下一个分类器，依次类推，经过T次这样的循环，得到T个弱分类器，把这T个弱分类器按一定权重累加起来，得到最终的强分类器；

Adaboost算法步骤如下：

第一步，选取弱分类器：

一个弱分类器h(x，f，p，θ)由一个特征f，阈值θ和指示不等号方向的p组成：

训练一个弱分类器(特征f)就是在当前权重分布的情况下，确定f的最优阈值以及不等号的方向，使得这个弱分类器(特征f)对所有训练样本的分类误差最低；

输入：一组训练集：(x₁，y₁)，...，(x_n，y_n)，其中x_i为样本描述，y_i为样本标识，y_i∈(0，1)；其中0，1分别表示正例和反例；在人脸检测中，可以定义0为非人脸，1为人脸；

初始化：初始化训练样本的权重D(i),其中或者(人脸样本和非人脸样本初始化为不同的值，m为非人脸样本总数，l为人脸样本总数)；对t＝1，2，...，T，循环执行下面的步骤：

(1)归一化权重：

(2)对每个特征f，训练一个弱分器h(x，f，p，θ)；计算所有特征的弱分类器的加权错误率ε_f＝∑_iq_i|h(x_i，f，p，θ)-y_i|；

(3)选取最佳分类器h_t(x)，按最小错误率率；

${\mathrm{\ϵ}}_t={\min }_{f,p,\mathrm{\θ}}{\mathrm{\Σ}}_i{q}_i|h(x_i,f,p,\mathrm{\θ})-y_i|={\mathrm{\Σ}}_i{q}_i|h(x_i,f_t,p_t,{\mathrm{\θ}}_t)-y_i|$

h_t(x)＝h(x，f_t，p_t，θ_t)

(4)按照这个最佳弱分类器，调整权重：

$w_{t+1,i}=w_{t,i}{\mathrm{\β}}_t^{1-e_i}{\mathrm{\β}}_t=\frac{{\mathrm{\ϵ}}_t}{1-{\mathrm{\ϵ}}_t}$

其中e_i＝0表示x_i被正确分类，e_i＝1表示x_i被错误分类；

第二步，由弱分类器确定强分类器：

经过第一步中的T次迭代后，得到T个最佳弱分类器h₁(x)，...，h_T(x)，按照下面的方式组合成一个强分类器：

其中，那么，强分类器对待一幅待检测图像时，相当于让所有弱分类器投票，再对投票结果按照弱分类器的错误率加权求和，将投票加权求和的结果与平均投票结果比较得出最终的结果；

第三步，训练L层级联分类器：

(1)训练第i层强分类器H_i(x)；

(2)保存强分类器H_i(x)的参数，即各弱分类器的参数、强分类器的阈值以及被H_i(x)误判为人脸的非人脸样本；

(3)补充非人脸样本集，组合前i层强分类器对候选非人脸样本进行检测，将被误判为人脸的非人脸样本加入到样本集中(人脸样本不更新)；

(4)训练第i+1层强分类器；

至此就完成了人脸检测过程。

4.一种基于人脸检测技术的地铁能源管理方法，其特征在于：首先根据视频采集***摄像头采集的视频数据，处理后获取单位时间内在地铁站内不同位置的乘客分布情况；然后根据历史客流和历史能耗数据对各主要设备的能耗进行建模；最后根据能耗模型和实时客流情况，预测短期内的设备能耗，用于调节能耗设备的运行模式、出力参数，以达到节约能源的目的。