刘 京 李宇杰 李 强 王 璐 裴中阳

（1.北京市地铁运营有限公司，北京 100044；2.北京久译科技有限公司，北京 100070）

0 引言

随着社会的发展与经济的繁荣，城市化进程使越来越多的人口涌入城市。作为大型城市的主要公共交通设施，轨道交通是人流密集的典型场所，它具有客流密度大（尤其是瞬时客流高峰大）的特点，客流高峰期容易出现严重拥挤的情况，造成乘客滞留站台的现象，甚至引发乘客纠纷、踩踏以及骚乱等安全事故，影响列车的正常运营。运营管理方对车站的大厅、站台以及换乘通道等区域进行实时监控，利用视频智能分析技术及时掌握车站整体和局部的客流密度情况，及时地对可能出现的客流拥堵情况进行预判，保障轨道交通的安全运行。同时，可以实时地向乘客发布车站客流密度的相关情况。

基于公共安全的需求，在轨道交通车站内部组建完善的监控安防系统，对站内重点区域进行图像采集[1]。早期主要依靠站内工作人员（监视监控画面）和安保人员（巡逻车站）来收集客流密度数据，在发生客流拥挤时通知站区其他工作人员对相关情况进行处理。除了存在人力消耗大、智能化程度低等问题以外，还无法保证对所有监控点位进行全程、实时监控，不能及时发现潜在的安全隐患。目前，深度学习在计算机视觉领域获得了跨越式发展[2]。但是，在轨道交通场景下，会遇到人群遮挡、光线变化、监视范围大以及距离远等问题。因此，亟需建立1 个检测精确度更高、效率更快的模型。……