1引言
城市轨道交通以其大运量、快捷、舒适、节能、环保已成为解决城市交通问题的必然发展趋势。近年来随着我国城市化进程的加速，城市轨道交通快速发展，建设规模迅速扩大，交通路网运营客流量逐年日益增大，客观存在的各类安全风险和隐患有不断上升的趋势，局部问题对整个运营网络的波及效应和联动性更加突出，安全形势十分严峻，路网安全运营管理、应急救援、联动协调等问题已经十分突出。因此开发客流监测与预警系统，实现城轨交通路网安全智能化管理，为全路网综合业务的信息服务与决策支持提供支撑，意义非常重大，一也非常迫切。
1.1研究背景及意义
截止2011年底，我国大陆已有10个城市的轨道交通投入运营，总里程达到1037km, 15个城市近期规划建设线路达61条、长1700km。预计到2020年，我国规划建设轨道交通总里程将达到6100km。北京、上海、广州等特大城市轨道交通运营线路己由单线变成多线并逐渐形成网络，到2015年，北京将建成“三环、四横、五纵、八放射”共20条线、594公里的轨道交通网络，每天承载客流量将由目前的20%提高到50%，网络化运营已成为我国城市轨道交通发展的必然趋势，也成为公共交通可持续发展的重大战略需求。
路网规模的不断扩大，对城市轨道交通网络化运营组织和安全保障等提出了更高的要求。然而，由于我国城市轨道交通建设阶段不一，目前主要存在以下问题:
(1)各条线路配套建立的监控系统、业务信息系统处于分离孤立状态，路网数据存在着存储与管理分散、异构、滞后、间断、标准规范不一致等问题;
(2)我国现有海量的城市轨道交通路网运营信息没有得到充分利用，难以实现客流数据和运营管理数据的一体化管理及分析，不利于城市轨道交通路网运营管理整体智能化和整体决策优化的实现;
(3)与各线路配套建设的安全监控系统存在着功能单一、各系统彼此孤立、联动性差、覆盖面窄和全局性弱等问题，无法直接构建功能上协同、信息能够共享、支持全路网应用的一体化城轨交通安全保障系统。运营安全综合监控预警、应急处置等关键技术与高密度、大运量的网络化运营要求尚有很大差距。
这些已经成为制约城市轨道交通网络化运营效率、安全、服务水平的瓶颈。另外，我国城轨交通运输组织模式、作业标准规范和建设条件与西方发达国家不同，所以无法直接从国外直接引进相关的网络化运营安全综合监控预警与应急处置技术。面向我国经济社会发展的索大战川各需求，为满足城市轨道交通网络化运营的新要求，打破国外技术垄断，使我国成为世界轨道交通强国，迫切需要研制支持城市轨道交通网络化运营的数据中心和安全保障系统。
通过构建城轨交通路网数据中心，为全路网综合业务的信息服务与决策支持提供支撑;综合分析安全状态，挖掘不同层次安全相关关系，诊断和预警安全隐患，对突发事件进行高效协同处置，实现城轨交通路网智能化系统安全管理，意义非常重大。这也是《国家中长期科学和技术发展规划纲要(2006-2020年)))的优先发展主题。
本项目属于山家科技支撑计划，由政府科技主管部门组织，采取以企业为主体、产学研相结合的研究机制，围绕城市轨道交通系统网络化、一体化、国产化的发展目标，针对城市轨道交通领域的信息共享与安全保障重大问题和关键技术开展研究和攻关。鉴于以上需求，此课题研究分为3个任务，如图1-1所示
本论文研究的内容来源于其中子任务一“城市交通路网数据中心构建”，旨在通过构建的城轨交通路网运营数据中心来获取、接入和集成包括路网基础设施、运营车辆状态、运输组织方案、客流分布等各个方面的数据信息，加强历史数据的挖掘和仿真分析，制定数据访问和共享服务的统一标准，为运营决策和信息服务提供技术支撑手段。论文的内容包括通过图像处理和视频分析技术获得客流状态的实时数据，并进一步将获得的客流数据按照规定格式送往层节点，为构建交通路网数据中心提供数据支持。
1.2国内外视频分析研究现状
视频分析技术起源于国外，开始是一些实验室及军方应用产品，后来逐渐走向工业及民用。主要集中在地铁、铁路、机场、军事设施等场所。在视频分析市场需求增长的刺激下，国外提供视频智能分析产品及软件的厂商已经有许多，以美国以色列的厂家居多，IOI, OV等都是其中比较著名的。
2 客流状态实时监测......... 16-22
2.1 系统描述......... 16
2.2 系统建设目......... 16
2.3 系统总体架......... 16-19
2.3.1 系统拓扑架构......... 17
2.3.2 系统逻辑结构......... 17-19
2.3.3 系统功能结构......... 19
2.4 系统开发运行......... 19-22
2.4.1 硬件设备......... 19-20
2.4.2 软件环境......... 20-22
3 客流检测子系统......... 22-26
3.1 现有系统存在......... 22
3.2 客流检测子系统......... 22-24
3.2.1 系统的功能......... 22-24
3.2.2 系统非功能......... 24
3.3 系统的技术......... 24-26
4 客流检测子系统的设计......... 26-74
4.1 客流检测子系统......... 26-27
4.2 机器学习模块设......... 27-64
4.2.1 创建样本库......... 27-28
4.2.2 样本预处理......... 28-33
4.2.3 HOG特征原理......... 33-42
4.2.4 HOG特征提取......... 42-47
4.2.5 SVM分类器......... 47-55
4.2.6 SVM分类器......... 55-64
4.3 视频分析模块设计......... 64-71
4.3.1 视频流接入......... 64-65
4.3.2 图像预处理......... 65
4.3.3 目标检测 .........65-71
4.4 系统界面展示......... 71-74
总结与展望
本文以目标检测为中心，以图像处理和机器学习理论为基础，详细介绍了客流检测子系统中机器学习和视频分析两大模块的设计与实现。
机器学习模块的最终目标是依靠样本的特征数据和选择的分类算法获得分类器，分类器的性能直接决定了整个检测系统的检测精度。因此本文对HOG特征提取过程做了详尽的理论分析，并在三维线性插值过程中对其做出了改进。由于传统的分类算法往往依靠增加样本的数量来提高分类器的性能，在选择样本时需要耗费大量的工作，本文中则选用了能够解决小样本问题和非线性问题的SVM支撑向量机分类算法，使得我们能够将主要的工作集中于样本特征提取过程，而非选择样本本身。视频分析模块面临的最大挑战是时延问题，这些时延主要来自于对视频帧的特征提取过程，而多分辨率检测更是加剧了这一现象。通过检测的效果来看，采用HOG特征的检测精度平均达到了95%以上的，实
