基于邊緣計算的公共交通工具疫情監測系統

夏慧雯，趙中雨，王卓爾*，張清勇，彭峰

基于邊緣計算的公共交通工具疫情監測系統

夏慧雯1，趙中雨2，王卓爾2*，張清勇1，彭峰3

（1.武漢理工大學 自動化學院，武漢 430070； 2.武漢理工大學 信息工程學院，武漢 430070； 3.武漢理工大學 智能交通系統研究中心，武漢 430063）（ ? 通信作者電子郵箱288484@whut.edu.cn）

現有監測系統無法很好地應對疫情環境下存在的交叉傳染以及追溯困難等問題，因此提出了一套基于邊緣計算的公共交通檢測系統的設計方案。首先，建立圖數據庫來儲存乘車人員與乘車信息，同時使用雙數據庫模型防止建立索引帶來的阻塞，從而完成插入效率與搜索效率的均衡；其次，在車輛人像信息提取中，采用HSV色彩空間對圖片進行預處理，并建立人臉三維空間模型來提升神經網絡的識別準確率，在目標佩戴口罩時，通過較明顯的鼻尖特征點、下頜特征點與未遮擋的鼻梁部特征點回歸出其口鼻等特征點信息；最后，通過度搜索快速找出密切接觸乘客。在特征對比測試中，該方案在BioID數據集和PubFig數據集上分別達到了99.44%和99.23%的正確率，且在兩數據集上的假陰性率均小于0.01%；在圖搜索效率測試中，在淺層次搜索的時候，圖數據庫與關系型數據庫并無較大差異，當搜索層次變深時，圖數據庫效率更高；在驗證理論可行性之后，模擬了公交車與公交站的實際環境，經測試所提系統在其中的識別準確率為99.98%，識別時間平均約為21 ms，符合疫情監測的要求。所提系統設計可以滿足疫情時期公共安全的特殊需求，能夠實現人員甄別、路徑記錄、潛在接觸者搜索等功能，從而有效地保證公共交通安全。

邊緣計算；公共交通；面部特征；圖數據庫；神經網絡；HSV色彩空間；疫情監測

0 引言

城市公共交通發展程度標志著城市的現代化程度，它不僅提供了大容量的交通運輸，也改善了居民的出行條件。其節約能源、減緩擁堵等優點使得公共交通在現代生活中扮演著不可或缺的角色。

公共交通覆蓋面廣、交叉點多、人員可控性弱等特點使得其若成為疫情傳播途徑，則會造成危害強度大、范圍廣、群體廣泛的嚴重后果。流行性傳染及疾病可能通過直接傳播、接觸傳播、氣溶膠傳播等多種方式將病原體傳遞給易感染者。而在乘客進入公共交通后，其搭乘空間相對自由、登乘時間與地點較為無序，可以有效控制傳染的“保持距離”更多靠乘客自覺，司機對乘客測溫的方法繁瑣且易受環境干擾。因而，若有乘客攜帶傳染病病原體，則可能通過四通八達的公共交通線路傳遞至城市各角落，帶來較大的衛生安全隱患。所以，在新型冠狀病毒疫情中，公共交通的衛生安全成為了防控等方面的重點與難點。

大規模的公共交通安全系統領域研究始于2018年，而正式系統方案的提出則始于2020年。2020年，趙曉樸［1］針對軌道交通的安全問題提出了視頻監控系統方案，然而該方案僅能夠完成視頻數據的采集與儲存，因而存在智能化程度低、儲存成本高、搜索效率低、不易精準定位個體等問題；2021年初，林曉偉等［2］提出了智慧安防系統，引入了智慧決策，但仍無法解決計算延遲大、儲存成本高、搜索效率低的問題。同時，現有的系統都無法很好地應對傳染性疾病帶來的個體快速定位與接觸網追溯的新考驗。

也正因此，繼續研究如何監督、追溯公共交通的數據信息對于公共安全與衛生事業具有重要意義。若能對病原體攜帶者進行精確識別與記錄，高效地搜索潛在的接觸者，則可以為最大限度減少傳染風險提供有力支撐，因而如何對乘客特征進行提取，如何快速地對大量數據進行深層次的搜索便成為了值得研究的問題。針對該問題的研究也將對提高城市軌道交通運營安全、保障社會穩定發展具有實踐價值。

1 系統方案設計

針對以上問題，本文提出了一套基于邊緣計算的公共交通檢測系統的設計方案。該方案可以快速提取與對比人體關鍵特征點，高效搜索可能接觸過感染者的其他乘客。

對于常時運作，公交車會在乘客搭乘時采集乘客的體溫、數字化原始生理特征等信息。隨后，上傳至邊緣計算節點，使用特征點檢測神經網絡對面部不可變特征信息進行提取。若邊緣計算節點存有云端下發的攜帶者信息，則將提取的特征點信息與其求取距離，若總距離小于閾值則發出預警，阻止乘客登乘；若無異常，則上傳數據到云端雙數據庫服務器，為數據挖掘等操作提供基礎。同時，針對信息安全的問題，本文方案全程提供了基于Token的合法性驗證。其系統方案功能框圖如圖1所示。

圖1　系統方案功能框圖

硬件部分，本文方案使用車載端與邊緣計算節點分離的方式，兩者用2.4 GHz進行通信傳輸。車載端負責采集人臉數據，處理后呈遞至邊緣計算節點，邊緣計算節點負責主體算法的運行。當公交車?？寇囌緯r，會自動嘗試使用2.4 GHz頻段對邊緣計算設備提供的無線網絡進行無線連接。當公交車連接上該網絡后，會向局域網中的計算節點發送數據。

本文方案提出的特征點檢測神經網絡具有準確率較高、深度低、計算量小、適于邊緣計算的特點。雙數據庫設計能夠適應數據庫操作量大、查詢層數深的特點，能夠提高讀寫與查詢效率。信息安全設計可以保護數據安全與清潔，保證搜索結果的可靠性。

2 云端服務器

由于運算的實時性要求較高，因而云端服務器不承擔較復雜的運算任務，僅需維護數據庫并執行可能存在的深層查詢。關系型數據庫（Relational Database）是基于關系模型建立的數據儲存系統，其使用列（字段）與行（記錄）儲存結構化信息。當有多類信息間存在關聯性時，則可使用外鍵等約束將之有機地聯系到一起。但當遇到關系復雜或層次結構較深的查詢操作時，此類型數據庫則會消耗可觀的時間。

2.1　圖數據庫

為解決不同數據結構的存儲問題，非關系型數據庫——NoSQL（Not Only SQL）被提出。圖數據庫是一種使用圖結構的NoSQL，它以節點（Node）、邊（Edge）與相應的屬性（Properties）的形式存儲數據；因而，它可以將儲存的數據有機地連接在一起，同時也提供了較高的查詢效率。

對于本文方案，人員信息與公交車信息可以儲存為節點。其中乘車人員數據從公交車信息獲取節點與邊緣計算卡中獲取。為保證人員節點的唯一性，則可以對人員節點的身份證號添加唯一約束。公交車則分配唯一識別碼作為記錄標志。對于每一個登車的乘客，公交車上的采集系統可以獲得用戶的面部信息與登車時間等信息，并儲存為節點間的邊。若乘客搭乘公交車，則記錄其當前相關信息并存入數據庫；而當乘客與公交車沒有乘車行為時，則兩節點間沒有邊相連。

對于進一步的大數據分析，本文可以對某一節點及與其相連的邊進行數據挖掘。當出現緊急疫情時，云端服務器也可以根據乘車時間等數據進行潛在感染者分析。

2.2　深層搜索加速方法

因傳染性疾病在公共區域內有交叉傳染的風險，所以需要對乘客進行高效的查詢與跟蹤。為提高圖數據庫的搜索效率，則必須對圖建立索引，但建立索引的代價是插入與修改效率的下降。

為解決上述矛盾，本文提出了雙數據庫方法，記錄數據庫負責接收所有上傳信息，但僅對信息的合法性做篩查，同時以記錄增量的方式儲存信息；查詢數據庫定期從記錄數據庫獲取增量記錄，并對表更新索引。其執行方法框圖如圖2所示。此方法可以保證記錄的及時性與查詢的高效性，避免了因更新索引帶來的插入效率下降［3］。

圖2　雙數據庫執行方法框圖

3 邊緣計算

對于邊緣計算節點，在與公交車進行通信后獲得其圖片與相關信息。在對圖片進行信息提取后，將所有信息提交到云端數據庫。若乘客中存在云端數據庫存在的病原體攜帶者或疑似感染者，則可以在乘客完成識別后的極短時間內完成判斷，并提示司機或直接阻止搭乘。其響應速度能達到秒級，與云端服務器處理方案高壓力下分鐘級響應相比，邊緣計算節點可以更有效地保護公共衛生安全。

對于車輛人像信息提取，本文使用CenterNet方法的輕量級的神經網絡模型，并針對公交車的特殊光照環境進行了色彩空間的轉換，從而進一步提升神經網絡的識別精度。同時，增加眼、眉部特征點個數，輔以深度較為明顯的特征點，實現了口罩遮擋條件下的特征點識別與特征匹配。

3.1　面部特征點與檢測方法

人類面部特征包括可變特征與不可變特征兩大類?？勺兲卣骼缑娌垦b飾品、妝容等，而不可變特征則以面部特征點（landmark）為主。

面部特征點是指人類面部能保持長期不變的、具有較高識別度與判別性的特征點信息。特征點大部分處于骨骼或軟骨邊緣，在解剖學上具有一定的不變性，適于進行匹配［4-5］。邊緣節點特征提取流程如圖3所示。

圖3　邊緣節點特征提取流程

在先前的研究中，有研究人員使用過梯度方向直方圖特征進行匹配。此外，也有使用局部二值化模式（Local Binary Pattern， LBP）特征進行識別的方法，如圓形LBP特征與旋轉不變LBP特征可以更好地應對多樣化的面部特征。

但對于環境相對復雜、面部角度多變的公交車面部識別環境，以上幾種方法都不能精確地完成高準確率特征點的匹配，因此本文系統選擇使用深度神經網絡對人臉特征進行檢測。

3.2　色彩空間選擇

對于攝像頭采集到的畫面，可能存在環境光照不穩，如過度曝光或曝光不足、模糊等現象，因而需要對圖片進行簡單的預處理。

面部特征識別需要對光線具有較高魯棒性的算法或色彩空間，而常用的RGB色彩空間雖然可以連續地表示任意顏色，但對光照比較敏感，輕微的光照擾動便會影響色彩值。而HSV（Hue Saturation Value）對光照條件具有較高的魯棒性。實驗結果表明面部識別在HSV色彩空間下具有較高的準確率［6-7］。

HSV空間，也被稱作HSB（Hue Saturation Brightness）空間，其三通道分別是色調、飽和度、亮度。

色調的取值范圍為0～360，表征了色彩的顏色信息；飽和度即色彩的純度，當其值較低時，圖像更偏向灰度圖；亮度指的是整個圖像明暗程度，亮度越大，則更偏向白色，亮度越小，則更偏向黑色。

同時，對于HSV色彩空間，色調通道會帶來最大的準確率損失，原因在于皮膚的部分區域如果過亮，則會與背景混淆，進而影響準確率［7］。在公交車環境中，前景與背景顏色差異明顯，且主體可由相機光源補光，進一步增大對比，所以HSV色彩空間可以在該環境中達到更高的準確率。

3.3　特征點檢測網絡

邊緣計算節點算力有限，通勤高峰期算力需求激增，部分學者提出的包括沙漏網絡在內的多種網資源消耗嚴重［8］?？偤臅r亦會顯著增加。因而選用MobileNet V3以提高讀取與處理速度，同時也能保證可接受的準確率。

對于建立面部特征點模型，本文提出了一個計算簡單、精確度較高的方法，同時通過公交車信息節點獲取距離，進而可以獲得人臉的尺寸信息，進一步提高模型建立準確率。

3.3.1CenterNet特征點提取

因為人類面部特征明確、邊緣信息與中心點信息突出，所以可以直接使用特征點檢測的方式對目標特征點進行定位，CenterNet便可以提供檢測方法［9-10］。

對于檢測方案，本文系統將HSV色彩空間的圖像輸入神經網絡。有多種面部特征點方案可以表征個人的生物特征。對于任一分類特征，其期望輸出是分類熱力圖，而任一像素，有歸一化置信度，如式（1）：

其中：是輸出圖像的期望縮放比例；為輸出的總通道數，即特征點數量；圖像寬高分別為與［10］。

面部特征點識別中，特征點熱力圖重合的現象并不罕見，因而需要在重合的情況下選取可能性最大的點進行分類，同時也需要對圖像進行像素分割，其焦點損失如下。

為保證計算準確率，本文系統也需要修正下采樣帶來的偏差，因而對特征點添加一個偏移來保證定位的準確性。

所有預測偏差共用一個平均損失，其計算方法如下：

因需要用特征點估計來得到所有的中心點，所以還需要回歸出目標的尺寸，同樣存在損失函數如下：

最后，可以獲得總損失函數如下：

3.3.2三維模型建立

三維（Three-Dimensional， 3D）檢測是對每個目標進行寬高與額外的深度估計，因而每個中心點需要3個附加信息：深度（Depth）、三維尺度（Scale）、方向（Orientation）［11］。

深度值是常量，但很難通過回歸得到，因而可以對輸出做變換。在特征點估計網絡上添加一個深度計算通道，該通道使用了兩個卷積層與反Sigmoid實現。而物體對三維尺度是3個常量，所以可以根據特征點的深度值恢復物體的三維尺寸。對于物體的方向估計，則可通過對特征點下采樣的方法使特征點的距離尺度減小，從而被感知［11-12］。而人類面部的相似性較大，因而可以通過其距離尺度回歸出角度。對于人類面部存在旋轉的現象，可以通過對稱檢測的方式回歸出人臉的單應性矩陣，進而得到面部映射關系，以修正所獲得的面部矢量［13］。

綜上，本文系統使用深度學習的方法建立人臉的三維空間模型，進而將人的面部特征點更準確地在空間中描繪。

當人們佩戴口罩的時候，其面部特征點會被遮擋，無法通過未佩戴口罩時的關鍵點監測得出。同時，口罩整體顏色相近、特征不明顯，因而使用傳統神經網絡識別的方式可能會出現較大損失。

本系統可以估計面部的三維信息，因而，模型可以在目標佩戴口罩時，通過較明顯的鼻尖特征點、下頜特征點與未遮擋的鼻梁部特征點回歸出其口鼻等特征點信息；同時，為保證此時的判斷準確率，可以對眼、眉部增加特征點采樣數，以保證識別準確率。

3.4　特征距離計算與比較

為增強系統魯棒性、減少人物面部傾角對判斷結果的影響，本文系統引入當前人臉與標準人臉的單應性矩陣以實現標準化。首先，根據醫學與統計數據建立人種標準臉型，當獲得目標的關鍵點向量后，計算單應性矩陣，此時可以列出最多為采樣點個數的方程組，求解后，可以通過此映射將人臉規范到統一的標準，即標準化面部特征向量集合［14］。

對于人類面部信息比較，則可以將采集到的面部信息中所有特征點信息保存為向量，通過對比向量之間的距離，得出面部特征點信息的相似度，當距離小于閾值時，則認為兩個面部歸屬于同一個體。

因需要應對面部存在遮擋物的情況，故本文系統選取了較高的采樣點數。當出現個別極端值（誤識別或其他原因）時，其對整體的影響相對較小。同時，本文系統根據人類顱骨特征建立了一個標準人臉模型，其每個采樣點都有一個分布范圍，若某采樣點遠超正常范圍時，系統也將其舍棄。在極端值出現概率較小的前提下：若關鍵點誤差較小，則對結果幾乎沒有影響；若誤差較大，則無法通過標準人臉模型判定。因此，此方法可以快速且較為準確地完成關鍵點提取任務。

雖然在使用神經網絡進行人臉對比可以達到更高的精確度，但受限于邊緣計算卡的算力與較高的實時性要求，同時考慮到假陰性的危險程度較大，因而在應用中，系統可以通過降低判斷閾值的方式提高安全性。當懷疑某乘客疑似病原體攜帶者，則通過多次拍照、核驗乘車碼綁定的身份信息等方式進一步確認身份。而當事態較為嚴重時，可適當犧牲實時性，引入人臉對比深度神經網絡以取得更精確的結果。

4 數據檢索

當感染者登乘某班次公共交通工具后，會使大量乘客成為潛在感染者、病原體攜帶者等密切接觸者，而此類密切接觸者可能將病毒再次傳播，進而造成大面積感染。因此，本文系統需要在獲得相關信息后，盡快找出直接接觸者、經一次傳播的接觸者等。這種搜索方式即為度（-hop）搜索。

4.1　k度鄰居

一個節點的度鄰居為距離該節點最短距離為的所有節點的集合。在圖4中，一個節點的度鄰居為距離該節點最短距離為的所有節點的集合。對于目標節點，其1度關系為除外內的節點，2度關系為除外、內的所有節點［15］。

圖4　節點k度關系示意圖

4.2　搜索算法

對于度鄰居的搜索度本質上是圖論中的搜索問題，可在無環或去環的情況下應用各種搜索算法，如深度優先搜索、廣度優先搜索或混合使用兩者進行搜索。

以廣度優先搜索為例，其核心思想在于，從初始節點開始，獲取當前節點的所有直接鄰居節點，即1度鄰居。再從1度鄰居中的每個節點出發，搜索每個節點的1度鄰居，同時排除已搜索過的節點。重復此過程，直到達到第度。

若使用深度優先搜索，則需要注意計算重復路徑的最短距離，取最短路徑計入。因而單純的深度優先搜索很少用于度搜索中，深度優先搜索往往與廣度優先搜索共同使用。

4.3　數據庫設計與對比

在實際生產環境中，數據必然需要持久化，因而必然需要數據庫來存儲數據。關系型數據庫中使用了B+樹、B*樹等數據結構，使檢索成本有所降低，但關系型數據庫的陣列結構決定了對于每一個個體都要單獨查詢，而在數據量較大的情況下，這樣的代價是難以接受的。如索引單個節點的時間復雜度為對數級，若想找出所有與該節點有直接關聯的節點，則需要對所有節點進行搜索，進而會帶來較大的代價。

圖數據庫則使用了免索引鄰接引擎，這意味著每個節點都會記錄相鄰節點，整個數據庫是一張圖。因此全局索引便簡化為節點對直接相鄰節點的索引，從而使得尋找相鄰節點的復雜度與總節點數無關。

對于圖數據庫，其節點、屬性、關系往往儲存在不同文件中，從而可保證大部分數據的長度為定值，進而通過單位長度乘以序號的方式直接計算偏置，快速定位目標數據位置。因而，此設計可以使數據的度搜索效率獲得極大提升。

5 數據安全

5.1　網絡通信設計

對于無線網絡，邊緣計算節點不進行廣播。同時，對于每一個熱點，可以使用定期更改密碼的方式防止暴力破解?？梢允褂媚骋欢我幝勺兓淖址底鳛樵獢祿?，計算其MD5信息摘要算法（MD5 message-digest algorithm， MD5）摘要得到長度為32位的密碼。

同時，對于發送的信號包，設計幀結構如圖5。

圖5　幀設計

5.2　數據合法性保證措施

對于中間人攻擊，本文系統在幀中設計了僅允許單次使用的token，即對于每一次傳輸，都為該公交車的以后的車站與該公交車分發唯一的token。通信時，雙方通過校驗token的一致性以保證數據的合法。

對于任意token，是一個鍵值（Key-value）對，其中鍵是公交車的UID，值是當前token的數據。為保證公交車在無法與某一邊緣計算節點通信時，仍可以與其后節點進行數據交換，可以將公交車運行路線組成環路（cycle）。token將向后廣播一定長度（或整個環路廣播），以避免某個車站出現異常后無法繼續傳遞信息。

每日啟動時，公交車將獲取或計算車站邊緣計算節點網絡密碼表。當進入邊緣計算節點的無線通信范圍后，嘗試與節點建立通信。通信建立成功后，公交車便會發送封裝好的數據包，其中包含校驗用token。

公交車站接收到第一個檢驗信息后，立刻向公交車節點回發新token并在計算節點網中聲明新token的合法性。若當公交車無法與當前車站建立通信時，因token并未作廢，公交車便可與下一節點繼續使用原token通信。而當公交車未傳完便離開時，因其已獲取新token，則可以繼續使用新token完成傳輸。而對于新舊數據同時存在的情況，應優先傳送新數據，當新數據發送完畢后，回傳舊數據。

6 實驗與結果分析

6.1　面部特征對比

使用本文方法訓練的深度學習模型在數據集上進行人臉對比，將數據集依次輸入進系統，將系統認為是同一人的所有人臉歸于一類，若有多個人，則輸出多類及各類所包含的圖片。正確率為分類正確的人臉個數與數據集中人臉個數的比值。

以此方法進行測試，在BioID數據集上達到了99.44%的正確率，在PubFig數據集上達到了99.23%的正確率，且在兩數據集上的假陰性率均小于0.01%。在實驗中，平均每張圖片的識別時間小于20 ms。

對于邊緣計算節點，若能滿足數據樣本代表性強、傳輸量小、模型算力占用較低的條件即可以較高速度對輸入量進行處理，實現即時計算、減少等待延時。對于數據庫，系統需要在保證讀寫速度的同時提高數據的組織性、優化深度搜索的效率，這可以更好地適應對數據關系的挖掘與整理，便利系統的智能化決策。最后，系統也需要具有較強的可擴展性，以便后續加入更多模塊，進行多來源數據的融合。

現有的公共交通疫情監測系統往往使用服務器集群進行數據處理、或者將數據處理的任務交予值守的專人，不僅提高了運行成本，也降低了執行效率。此外，其系統也并未對數據進行特征提取，直接將元數據儲存在服務器中，這會帶來可搜索性的下降與儲存成本的上升，當需要搜索特定目標的相關信息時，往往需要專人花費大量的時間閱覽數據庫中的記錄，若要尋找到存在關聯的其他數據，其難度可想而知。最后，現有系統往往布線固定、數據格式固定，若要添加新模塊，則需要重新規劃設計與儲存方案。

綜上，現有系統存在需專人值守、數據通信量大、時延大、不便查詢、不便擴展、成本高等缺點。而本文提出的系統盡可能克服了以上缺點，具有實時性強、準確率高、搜索效率高、可擴展性強等優點。各系統方案的對比，如表1所示。

表1系統設計方案對比

Tab.1　Comparison of system design schemes

注：可搜索性表征了指定某一屬性（如姓名、身份證號、面部特征等）后，是否容易找到對應結果。

6.2　圖數據庫搜索效率

使用圖數據庫Neo4j與關系型數據庫MySQL進行對比。對于Neo4j，使用單數據表，內含人員節點、車輛節點數共500萬。對于MySQL，使用3張數據表，分別為人員信息、車輛信息與乘車關系表，其中人員與車輛數量相同，表間使用外鍵約束。

設計任務為指定某一乘客為感染者，找出度關系內可能被感染的乘客。測試結果如表2所示?？梢妼τ诙汝P系問題，在淺層次搜索時，圖數據庫與關系型數據庫并無較大差異；而當搜索層次變深時，差異急劇增大。

表2度關系搜索效率對比 單位：s

Tab.2　Comparison of search efficiency of k-hop relation unit：s

6.3　面部特征點提取

若面部特征點被口罩遮擋，識別模型仍可以保證一定的準確率。同時，本文系統也增加了眉、眼部采樣點來保證對比準確率。

使用本文方法訓練的深度學習模型數據進行面部特征點檢測，將模型所檢測到的關鍵點與數據集標注關鍵點進行比較，并計算得到像素誤差，即真實中心點和預測中心點的歐氏距離。經測試，本文方法在BioID上的平均誤差為2.32像素。

驗證了本文所提出的訓練方法的理論可行性之后，將以此方法訓練出的神經網絡模型部署至Nvidia Jetson AGX Xavier平臺，進行實物測試。測試條件為30 cm人臉間距，光線條件為正常室內光線。在實驗中，平均每張圖片的識別時間約為18 ms。

6.4　通信與計算

車載端與邊緣端的鏈接采用2.4 GHz無線網絡，對通信過程進行測試，測試條件為15 m有障礙通信測試。其圖片內容經過base64加密后置于信道傳輸。

實際測試中，批量上傳面部特征信息的任務未達到邊緣計算節點處理能力上限，因而可以認為邊緣計算節點可以及時給出乘客比對結果，阻止可能攜帶有病原體的乘客登乘。

在實際測試中，僅信號強度高于閾值時啟動數據傳輸，根據估算與測試，在公交車站這樣較為空曠的地帶、使用12 dB增益天線時，其范圍覆蓋公交車?？繀^間，丟包率<0.01%。

6.5　安全測試

經分析，空間中存在大量無線信號，使用強度探測等方法，可以確定公交站節點的無線網絡信息，并使用kali常用字典與暴力窮舉法攻擊該無線網絡，在1 h內無法破解密碼。對嗅探工具設置監聽模式進行全信號抓包分析。對通信內容進行分析，可見其內容加密，無法獲得具體信息。

對于大中型城市，其主要公交車站客流量較大，對邊緣計算節點算力要求較高，所以選擇Nvidia Jetson AGX Xavier作為計算卡。該設備使用Linux的Ubuntu發行版，在硬件層面，該設備具有64個Tensor核心、32 GB的LPDDR4X內存，可以高速完成推理任務。車流量較小的車站可以酌情使用Nvidia Jetson Nano、Nvidia Jetson TX2等型號。車載端考慮到成本問題，采用K210實現，其具有快速、準確識別人臉的能力。

測試環境模擬了公交車與公交站的實際環境，車載端布置于公交車內，邊緣計算節點布置于公交站外。測試對象隨機選取了不同年齡段的多人，按照1∶1的比例進行標記，記錄中包含身份信息。

經測試，本系統識別準確率99.98%，識別時間平均約為21 ms，符合疫情監測的要求。

7 結語

本文提出了一套基于邊緣計算的公共交通安全監控系統。在云端，為提升深層搜索搜索效率，本文系統建立了圖數據庫，儲存乘車人員與乘車信息，同時使用雙數據庫模型防止了建立索引帶來的阻塞，完成了插入與搜索效率的均衡。在邊緣節點，為優化邊緣計算節點計算效率，本文系統對三維模型建模進行了優化，使得模型能夠快速且精確地獲得面部特征點的深度與旋轉角度等信息，實現了高實時性的數據處理與決策。在公交與邊緣節點的通信過程中，提出了一套基于安全的信息交換系統，在一定程度上抵抗了臟數據攻擊，保證了云端數據的清潔性，為以后的數據挖掘等操作提供了良好的數據。在算法層面，下一步將繼續提高識別準確度，尤其是對于相似者的對比與分析；在硬件層面，還需進行相關的工程化改進，例如通過對各運算單元進行專一化處理降低其成本，提高其穩定性。

[1] 趙曉樸. 上海城市軌道交通網絡級視頻監控系統的研制［J］. 城市軌道交通研究， 2020， 23（S2）：132-137.（ZHAO X P. Research and development of Shanghai urban rail transit network video surveillance system［J］. Urban Mass Transit， 2020， 23（S2）：132-137.）

[2] 林曉偉，王俠. 城市軌道交通智慧安防系統的建設［J］. 工業控制計算機， 2021， 34（3）：112-114.（LIN X W， WANG X. Construction of smart security system for urban rail transit［J］. Industrial Control Computer， 2021， 34（3）：112-114.）

[3] HUANG H C， DONG Z Y. Research on architecture and query performance based on distributed graph database Neo4j［C］// Proceedings of the 3rd International Conference on Consumer Electronics， Communications and Networks. Piscataway： IEEE， 2013： 533-536.

[4] WU Y， JI Q. Facial landmark detection： a literature survey［J］. International Journal of Computer Vision， 2019， 172（2）： 115-142.

[5] DONG X Y， YAN Y， OUYANG W L， et al. Style aggregated network for facial landmark detection［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018：379-388.

[6] ROY S， BANDYOPADHYAY S K. Face detection using a hybrid approach that combines HSV and RGB［J］. International Journal of Computer Science and Mobile Computing， 2013， 2（3）： 127-136.

[7] CHAVES-GONZáLEZ J M， VEGA-RODRíGUEZ M A， GóMEZ-PULIDO J A， et al. Detecting skin in face recognition systems： a colour spaces study［J］. Digital Signal Processing， 2010， 20（3）： 806-823.

[8] YANG J， LIU Q S， ZHANG K H. Stacked hourglass network for robust facial landmark localisation［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops. Piscataway： IEEE， 2017：2025-2033.

[9] DUAN K W， BAI S， XIE L X， et al. CenterNet： keypoint triplets for object detection［C］// Proceedings of the 2019 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2019：6568-6577.

[10] ZHOU X Y， WANG D Q， KR?HENBüHL P. Objects as points［EB/OL］. （2019-04-25） ［2021-04-21］.https：//arxiv.org/pdf/1904.07850.pdf.

[11] WANG Q， CHEN J， DENG J Q， et al. 3D-CenterNet： 3D object detection network for point clouds with center estimation priority［J］. Pattern Recognition， 2021， 115： No.107884.

[12] EIGEN D， PUHRSCH C， FERGUS R. Depth map prediction from a single image using a multi-scale deep network［C］// Proceedings of the 27th International Conference on Neural Information Processing Systems. Cambridge： MIT Press， 2014：2366-2374.

[13] SU Y， LIU Z， BAN X J. Symmetric face normalization［J］ Symmetry， 2019， 11（1）： No.96.

[14] SHI X P， SHAN S G， KAN M N， et al. Real-time rotation-invariant face detection with progressive calibration networks［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018：2295-2303.

[15] MENG T， CAI L J， HE T Q， et al. K-hop community search based on local distance dynamics［J］. KSII Transactions on Internet and Information Systems， 2018， 12（7）： 3041-3063.

XIA Huiwen， born in 1992， M. S. candidate， experimentalist. Her research interests include intelligent control， machine learning.

ZHAO Zhongyu， born in 1999. Her research interests include machine learning， data science.

WANG Zhuoer， born in 2000. His research interests include embedded system， machine vision.

ZHANG Qingyong， born in 1984， Ph. D.， senior experimentalist. Her research interests include intelligent optimization and control.

PENG Feng， born in 1990， Ph. D. candidate， engineer. His research interests include new energy vehicle， intelligent control.

Public transportation epidemic monitoring system based on edge computing

XIA Huiwen1， ZHAO Zhongyu2， WANG Zhuoer2*， ZHANG Qingyong1， PENG Feng3

（1，，430070，；2，，430070，；3，，430063，）

In view of the existing monitoring system’s inability to cope with the problems of cross-infection and traceability difficulties in the epidemic environment， a design scheme for a public transportation detection system based on edge computing was proposed. Firstly， a graph database was established to store passengers and ride information， and at the same time a dual database model was used to prevent the blockage caused by building index， thereby achieving the balance between insertion efficiency and search efficiency. Then， in the extraction of vehicle and human image information， the HSV （Hue Saturation Value） color space was used to preprocess the image， and a three-dimensional space model of face was established to improve the recognition accuracy of the neural network. When the object wore a mask， the feature point information was able to be regressed through the obvious nose tip feature points， lower jaw feature points， and unobstructed nose bridge feature points. Finally，-hop search was used to find close contacts quickly. In the feature comparison test， the correct rates of this model are 99.44% and 99.23% on BioID dataset and PubFig dataset， respectively， and the false negative rates of the model on the two datasets are both less than 0.01%. In the graph search efficiency test， there is no big difference between the graph database and the relational database when searching at a shallow level. When the search level becomes deeper， the graph database is more efficient. After verifying the theoretical feasibility， the actual environment of buses and bus stops was simulated. In the test， the proposed system has the recognition accuracy of 99.98%， and the average recognition time of about 21 ms， which meets the requirements of epidemic monitoring. The proposed system design can meet the special needs of public safety during the epidemic period， and can realize the functions of person recognition， route recording， and potential contact search， which can effectively ensure public transportation safety.

edge computing; public transportation; facial feature; graph database; neural network; HSV (Hue Saturation Value) color space; epidemic monitoring

This work is partially supported by Hubei Natural Science Foundation （2019CFB571）.

TP274.5

A

1001-9081（2022）07-2132-07

10.11772/j.issn.1001-9081.2021050727

2021?05?08；

2021?11?16；

2021?11?23。

湖北省自然科學基金資助項目（2019CFB571）。

夏慧雯（1992—），女，湖北仙桃人，實驗師，碩士研究生，主要研究方向：智能控制、機器學習； 趙中雨（1999—），女，山東菏澤人，主要研究方向：機器學習、數據科學； 王卓爾（2000—），男，湖北武漢人，主要研究方向：嵌入式系統、機器視覺； 張清勇（1984—），女，湖北仙桃人，高級實驗師，博士，主要研究方向：智能優化與控制； 彭峰（1990—），男，湖北黃岡人，工程師，博士研究生，主要研究方向：新能源汽車、智能控制。