卢 颖，吕希凡，郭良杰，仇 乐，路越茗

(1.武汉科技大学 资源与环境学院，湖北 武汉 430081；2.中国地质大学(武汉) 工程学院，湖北 武汉 430074)

0 引言

当前地铁视频监控系统多为“只记录不判断”模式，需要工作人员轮流值守监督站内乘客活动，发生事故后通过回看视频进行取证，无法实时判断[1]。为加强地铁乘客行为管理，可在地铁口、闸机、扶梯等人员密集部位加设视频监控装置，但传统检测识别主要依靠单目视觉[2]，存在识别精度低、稳定性差等问题。因此，基于新一代深度传感器开展地铁乘客不安全行为的智能识别研究具有重要理论意义和实际应用价值。

深度传感器解决了传统监控设备存在的问题，以红外结构光检测为核心，可实时捕捉人体动作骨骼信息[3]。基于实时骨骼信息，结合机器学习[4]或深度学习[5]算法实现行为的智能识别。当前行为识别算法主要分为2类，一类是以隐马尔科夫模型[6]、贝叶斯网络[7]以及BP神经网络[8]等为代表的状态空间法。该类方法数据获取简单，只需获得传统的视频信息、图片信息等即可进行后续行为识别。但这类方法往往需要大量训练数据，对于小型数据集处理效果差，且寻找模型最优参数过程复杂，难度较大，复现率较低。另一类是运用帧与帧匹配[9]、帧融合匹配[10]和关键帧匹配[11]的模板匹配法，其中以动态时间规整(Dynamic Time Warping，DTW)算法最为典型。该方法通过提取样本中行为特征序列与对应标准行为进行匹配，再判断序列间的距离大小从而得到动作相似度，其优势在于无需大量样本作为识别基础，且算法过程简单、易操作实现。……