地鐵系統中的人員自動識別與追蹤技術應用研究

摘要：探討了自動識別和追蹤地鐵系統人員的創新技術，重點研究了英國交通網絡的應用。主要技術包括虹膜掃描識別和多目標跨攝像頭跟蹤，通過結合深度學習、多特征融合模型與超寬帶技術，顯著提高了識別和追蹤的精度和效率。盡管該系統存在成本、識別速度與準確性的挑戰，但其展示了在地鐵復雜環境中有效識別和追蹤人員的潛力，提升了公共交通的安全性和運營效率。

關鍵詞：地鐵系統"多特征融合"深度學習"虹膜識別"超寬帶技術

Application"of"Automatic"Personnel"Identification"and"Tracking"Technology"in"Subway"System

HAO"Feng

University"of"Glasgow，"Glasgow，"G116EH"Scotland

Abstract："The"paper"explores"innovative"technologies"for"automaticallynbsp;identifying"and"tracking"subway"system"personnel，"with"a"focus"on"the"application"of"the"UK"transport"network."Key"technologies"include"iris"scanning"recognition"and"multi-target"cross-camera"tracking，"which"significantly"improves"the"accuracy"and"efficiency"of"recognition"and"tracking"by"combining"deep"learning"and"multi-feature"fusion"models"with"ultra-wideband（UWB）"technology."Despite"the"challenges"of"cost，"identification"speed"and"accuracy，"the"system"demonstrates"the"potential"to"effectively"identify"and"track"personnel"in"the"complex"environment"of"the"subway，"improving"the"safety"and"operational"efficiency"of"public"transportation.

Key"Words："Subway"system;"Mmulti-feature"fusion;"Deep"learning;"Iris"recognition;"UWB"technology

在城市化進程加快和交通需求增加的背景下，地鐵已成為大城市中的主要公共交通方式，并承載了巨大的乘客流量，這不僅對地鐵系統的運營效率提出了高要求，同時也對安全管理系統的完善性提出了挑戰。尤其在監控效率和安全性方面，傳統的手段已無法滿足當今地鐵系統的需求。利用最新的多特征融合識別和超寬帶追蹤技術，可以在不打擾乘客的情況下實現對乘客身份的高精度識別。通過這些綜合技術的應用，不僅可以優化地鐵的運營效率，還可以在緊急情況下迅速定位并處理問題，從而保障乘客的安全和舒適。

1多特征融合識別技術

與深度學習跟蹤技術相結合的多特征融合模型可以有效地適應地鐵內乘客識別的高精度和非合作性要求。目前，基于多特征值的融合系統可以整合人體的多個生物特征，并且由單一特征值的偏差引起的誤差擾動可以通過多特征值的綜合判斷來避免。通過模型優化，整個模型的檢測時間可以在極短時間內完成，以實現乘客在不知情情況下的高精度跟蹤。該方法識別乘客的虹膜、面部特征、步態姿態等特征值，在乘客進入地鐵站后生成一個唯一標識并存儲在數據庫中，然后將乘客的個人信息與該標識進行匹配，實現跨攝像頭的多目標跟蹤。

由于每個識別模型的網絡結構基本相同，它們都采用卷積神經網絡（Convolutional"Neural"Network，"CNN）的結構，并且參數僅根據實際網絡進行微調，因此，單個模型的原理基本相同，主要區別在于不同模型使用的訓練數據集來源于人體的不同部分。因此，本文以虹膜周圍區域融合模型為例，描述融合模型的基本結構和原理。

1.1"虹膜與眼周融合識別模型

虹膜是生物識別技術中較為突出的生物特征之一，具有獨特性、穩定性和非接觸性的優勢[1]。盡管虹膜識別技術在許多應用中具有較高的識別精度，但在遠距離、面部遮擋和非合作場景中仍面臨很大限制。因此，將眼周特征融合到虹膜識別模型中，以同時捕捉人類虹膜和眼周圖像，并通過眼周識別來提高模型在不合作情況下的識別精度[2]。

1.1.1"圖像預處理

通過歸一化處理，將不同尺寸的虹膜圖像轉換為相同長度、寬度和尺寸的圖像，以便于后續處理和處理訓練的訓練。通過原始尺寸瞳孔位置與歸一化后瞳孔位置的比例，原始圖像將被均勻縮放到歸一化寬度和高度的相同比例。具體的歸一化過程可以通過以下公式表示：

式（1）中：和為歸一化后的寬度和高度；和分別為原始和歸一化后的瞳孔半徑；和為原始圖像的瞳孔位置；?和為歸一化后圖像的瞳孔位置。通過這種歸一化處理，將不同尺寸的虹膜圖像轉換為相同長度、寬度和尺寸的圖像，以便于后續處理和處理訓練的訓練。

1.1.2"虹膜識別和眼周融合網絡

基于CNN的虹膜識別和眼周融合系統由3個主要的組成部分：圖像預處理、數據增強與分類特征學習。所提出的系統的框架如圖1所示[3]。

CNN識別網絡架構如下。

（1）輸入層。輸入層接收預處理后的虹膜和眼周區域圖像。預處理包括歸一化、調整大小和增強，以提高模型的魯棒性。輸入圖像I表示為像素值矩陣。

（2）卷積層。通過卷積操作，可以從輸入圖像中提取特征。這些卷積層能夠學習特征的空間層次結構，包括邊緣、紋理和形狀等，這是區分不同虹膜模式和眼周特征的關鍵。

卷積操作將卷積核（濾波器）W應用于輸入圖像I，以生成特征圖F[4]，這可以表示為

式（2）中，m和n是卷積核的維度，卷積核會在輸入圖像上滑動，每一次滑動，卷積核會覆蓋輸入圖像的一個子區域。然后，將該子區域內的每個像素值與卷積核對應位置的權重進行相乘，并將這些乘積累加起來。

（3）池化層。這一層通過下采樣來縮小特征圖的尺寸，有助于減少計算負擔并防止過擬合。其中，最常見的操作是最大池化，池化后的特征圖P為

最大池化通過在窗口?*?內選擇最大值作為輸出。該操作的目的是保留窗口內的最顯著特征，同時丟棄其他不重要的特征，從而對特征圖進行壓縮。

（4）特征融合層。這一層結合從虹膜和眼周區域提取的特征，可以使用加權串聯或注意機制等技術來有效地整合這些特征。虹膜和眼周區域的特征融合形成一個組合特征向量，可以通過加權融合實現：

其中，表示融合后的特征向量，眼周區域特征向量，和是分配給虹膜和眼周特征的權重。

（5）全連接層。這些層充當分類器，根據融合特征區分個體，這些層輸出最終的識別結果。融合特征向量通過全連接層，這些層應用線性變換，隨后是非線性激活函數，通常是ReLU（修正線性單元）：

式（5）中：是全連接層的權重和偏差；是激活函數；b是偏置項。

（6）輸出層。輸出層使用Softmax函數生成類的概率分布。函數定義為

式（6）中：C是類的數量；是這是對輸出向量?中第?個元素取指數的操作；表示對所有類別的輸出值取指數后進行求和。

1.2"多目標跨攝像機跟蹤技術

基于多特征融合識別模型，可以識別乘客的身份信息以進行下一步跟蹤任務?？鐢z像頭跟蹤技術的難點在于乘客從一個攝像頭消失并出現在另一個攝像頭中的關聯性。為了解決這個問題，本文使用行人檢測和重新識別技術[5]。該技術通過比對各攝像頭捕獲的行人圖像與數據庫中的信息來實現識別，并為檢測到的行人分配標簽，以避免資源浪費因重復檢測而產生。其技術基于使用ResNet-50模型構建的對抗網絡來增強識別效果。

2"超寬帶技術

超寬帶技術（Ultra-Wideband，"UWB）是一種用于精確定位和追蹤的無線電技術，具有高精度、低功耗和抗干擾能力強的特點。通過發送非常短暫的脈沖信號，計算信號從發射器到接收器的傳播時間來定位物體的位置。這種技術特別適合于復雜和擁擠的環境，如地鐵系統中的人員追蹤。

2.1"UWB系統架構

在地鐵系統中，UWB技術可以用于實時追蹤乘客的動態位置，提高安全性和運營效率。其系統架構如下：（1）UWB接收器：安裝在地鐵站內的固定接收器，用于接收標簽信號并計算位置；（2）UWB標簽（地鐵票）：小型、低功耗的無線標簽，佩戴在乘客身上；（3）數據處理中心：集成接收器的數據，進行實時定位計算和分析。

3英國地鐵系統中的智能管理系統的應用

倫敦地鐵作為世界上最繁忙的地鐵系統之一，面臨著巨大的安全和運營壓力，應用多特征融合識別技術，可以顯著提升地鐵系統的安全性和運營效率。例如：在倫敦地鐵的主要站點安裝虹膜掃描和面部識別設備，通過與現有的攝像頭網絡和UWB"定位系統相結合，實現對乘客的實時監控和快速響應；同時，利用深度學習算法處理和融合多源數據，提高識別的精度和效率，確保乘客在地鐵站內的安全。應用流程如下。

3.1"乘客信息采集和識別

在乘客購票或進站時，通過掃描設備采集乘客的虹膜、面部特征等信息，并分配UWB標簽，將其數據存儲在數據庫中，并與購票信息關聯。

3.2"實時定位與跟蹤

乘客佩戴的UWB標簽不斷發送位置信號，地鐵站內的接收器接收并傳輸至數據處理中心。數據處理中心根據接收的信號時間差，精確計算乘客的位置，并更新到監控系統中。

3.3"跨攝像頭跟蹤

使用行人重新識別技術，確保乘客在不同區域的無縫追蹤。

3.4"數據分析與優化

分析乘客流量數據，優化地鐵站布局和列車調度策略，緩解高峰期的擁堵。

3.5"緊急事件響應

在緊急情況下，利用系統快速定位受困乘客的位置，并指導救援人員進行救援。

4"結語

現代城市地鐵系統面臨的安全與效率挑戰促使人們探索和采用更為先進的技術手段。本文探討了多特征識別與超寬帶技術在地鐵人口自動追蹤中的應用，通過結合深度學習和多特征融合模型，顯著提升了跟蹤的精度與效率。然而，盡管當前的技術已經取得了顯著的成果，但仍有若干挑戰和提升空間，如：如何進一步提高系統在高密度人群中的識別率和追蹤準確性、如何優化算法以減少誤識率，以及如何確保收集和處理的個人數據的安全性和隱私性。未來的研究應當聚焦這些領域，通過技術創新來解決這些挑戰。

參考文獻

• 馬文杰，黃彥天.虹膜識別技術的發展綜述[J].現代計算機，2023，29（17）：18-24.
• 李永剛.基于深度模型的虹膜和眼周融合識別方法研究[D].西安：西安工業大學，2022.
• 雷松澤，李永剛，單奧奎，等.虹膜與眼周深度特征融合網絡模型[J].工程科學與技術，2024，56（3）：240-248.
• 張雪鋒，常振會，張俊杰，等.指紋和虹膜特征融合的可撤銷模板保護方法[J].西安郵電大學學報，2023，28（4）：51-60.
• 金子豐.監控視頻中行人檢測與重識別技術研究[D].北京：中國科學院大學（中國科學院國家空間科學中心），2021.