城轨在城市公共交通中占比逐渐变大，其安全问题不容忽视。本文从技术角度分析城轨安全监测问题，研究AI技术在城轨安全监测中的应用。

1.1 重要性与必要性  

城轨是城市快速便捷的交通方式之一，在现代城市生活中凭借高速、集约的优点占据着重要地位。以北京市轨道交通为例，城轨占公共交通出行总量58%，运营里程达807km、线路27条、车站477座、单日最高客运量1300万人次。综合相关文献，文章对国内城轨典型的安全事故汇总如表1所示，从表中可知，城轨一旦发生安全事故，损失往往是非常严重的，不仅会对乘客造成伤害或死亡，还会对经济、社会和环境造成巨大的影响。因此，对城轨进行安全监测，防范于未然，不仅是一项必要的安全措施，更是一种责任和义务。

1.2 影响城轨安全因素  

影响城轨安全的因素很多，主要归为2类：针对人的安全因素和针对关键设备设施类的安全因素。针对人的安全因素主要表现为乘客携带禁限带品进站乘车；客流密度聚集导致的乘客推搡、拥挤和踩踏风险；乘客的异常行为如发病、跌倒、逆行、打架、剧烈奔跑等；乘客的异常情绪状态如生气、恐惧、厌恶、悲伤等。针对关键基础设备设施类的安全因素主要表现为火灾风险、温湿度异常风险、水淹风险、轨道上存在异物、隧道内壁产生裂纹或者脱落等。  

1.3 城轨安全监测传统技术手段及缺点  

针对人的安全因素，城轨常见的安全监测传统技术手段主要包括以下几个方面。  

（1）基于安检X光机的乘客物品检测、危险液体检测、爆炸物检测、基于金属探测门和手持探测仪的乘客人身检测。检查方式分为2步，即对人身和随身携带物品的初检与复检。第一步初检是对进入车站的人员通过金属探测门进行人身检查，对随身携带的物品使用X光机进行检查；第二步复检是对金属探测门初检报警的，使用手持金属探测器进行人身复检。对X光机检查随身携带物品发现疑点，开包或取出物品进行复检。其中，未携带物品的人员可直接进入金属探测门进行人身安检后进站。经验证，此类经过人工的安全检查技术手段与方式，每小时综合检查包裹和人身的数量仅为1000人次，效率很低，安全度不高，在早晚高峰客流大的情况下，往往无法进行有效的安全监测。  

（2）针对客流拥挤情况，传统的方法主要依靠人工进行观测和风险评估，并安排工作人员进行疏导，这种依赖人的方法往往由于人的主观判断而忽视风险存在，另外可能导致风险排查不及时而引发严重后果，没有达到“防微杜渐”效果。  

（3）针对乘客异常行为和异常情绪等，城轨传统监测方式通常是通过安全员进行巡逻以及分布在车站各个点位的工作人员进行观察，或者乘客的求助举报等。这种方式延迟性很大，经常导致错过对问题处理的最佳时机。  

（4）针对关键基础设备设施类的安全监测，传统手段主要是利用人工巡检以及部分传感器结合的方式，比如烟感报警器、水位报警器，通过职工对轨道或者隧道进行人工检测等。这种方式由于传感器覆盖的密度和范围小，可能会导致某些区域已经发生火情而无法探测到，人工巡检通常为周期性，无法及时排除设备设施的安全隐患。  

为解决城轨安全监测传统技术缺点，文章对AI技术在城轨安全监测中的应用进行研究。  

  02  AI技术在 城轨安全监测中的应用

2.1 AI技术简介  

AI技术是一种通过计算机模拟人类智能的技术。它可以在各种领域中应用，例如图像识别、语音识别、自然语言处理、机器翻译、智能推荐、人机交互、人机对弈等。AI技术经过数十年的发展，目前以深度学习为主的算法是AI技术的核心，通过对大量样本的训练生成预训练模型，并结合微调和提示等技巧，已可自动处理多种任务。城轨安全监测相关的AI 技术主要包括：人脸检测和识别技术、目标检测技术、人体姿态识别技术、目标跟踪技术、人脸表情识别技术、基于飞行时间（TOF）的多维传感行为识别技术、图像分割技术等。  

2.2 国内外技术及应用现状  

基于AI 技术的城轨安全监测系统架构图如图1所示。系统划分为设备层、算法层和应用层。设备层主要负责AI算法所需要的数据，如人脸图像数据、安检X光数据、深度图像TOF 数据等。算法层主要负责对数据进行处理和分析，采用前沿的AI技术，生成应用层需要的目标分类、目标检测、目标跟踪、目标识别、行为分析等结果，为应用层提供支持。应用层主要负责场景落地，解决场景化的需求，比如地铁安检需求。

2.3 AI技术应用与实践  

文章对AI技术在城轨安全监测中的应用方面总结如下。  

（1）智能快速检人。通过多角度1：N人脸识别技术，可以对城轨中的人员进行身份识别和记录， 从而有效缓解安全隐患和提高安全性。为了让乘客在戴口罩的情况下无感通行，文章提出多角度带有面部特征缺失的人脸识别算法，将智能人检装置摄像机组采集的多角度人脸图像序列输入生成器和鉴别器网络，利用对抗网络重构多角度人脸模型。对抗网络中生成模型用带有缺失数据的人脸作为输入，自编码器和解码器各层之间采用跳跃链接，判别模型利用人脸识别的结果作为其中的局部准则，训练的对抗网络能更好用于人脸识别，最大程度保留身份识别特征。智能快速检人框图如图2所示。

（2）智能精准检物。通过AI辅助识图技术，可以对X光机识别的海量图片进行智能精准分析，从而减少大客流期间的识图工作量。为此，文章提出基于层次化感知的安检X光图像物品识别技术，安检X光图像和可见光图像由于成像原理上导致图像存在差别，X光图像是透视，带有分层结构。因此，网络结构上采用分层的金字塔结构，对于每层的网络，研究引入注意力机制。视觉注意力机制是人类的大脑信号处理机制，禁带品识别算法模拟人类的注意力机制，关注目标区分度高的特征，抑制背景和干扰物的特征。在连续两层中间，建立注意力的交互通道，从而提高模型建模能力。  

（3）乘客情绪识别。通过AI的能力，可以针对乘客的情绪进行检测，筛查出具有生气、恐惧、厌恶、悲伤等负面倾向情绪的乘客，及时进行关注，从而保证乘客和轨道交通的安全。研究采用一种能够同时提取空间和时域信息的3D神经网络捕捉细微的表情变化，提取人脸中数百关键点（如眉心、嘴角）表情特征，形成人的皱眉、撇嘴等微表情特征库，再基于深度学习算法对特征进行训练，设计分类器并结合心理学知识最终综合评判，得出表情识别结果，乘客情绪识别原理图如图3所示。

（4）基于TOF的多维传感行为识别。通过采集可见光图像、红外图像和TOF深度图像等多维空间和时间特征，构建多维传感数据，利用AI目标检测技术和跟踪技术（图4），以及行为识别算法，从而实现乘客的异常行为检测，例如乘客强行插队检测、乘客推搡肢体冲突检测，以及乘客滞留、客流密度和速度检测等，最终达到城轨安全检测的目的，规避乘客带来的风险。

（5）基于时空域特征烟火烟雾检测。基于视频烟火烟雾算法，通过视频提取烟火烟雾的闪动特征、颜色特征、轮廓特征等，综合以上特征定位烟火烟雾候选像素区域，再通过卷积神经网络对候选区域进行分类。首先通过融合像素点时间和空间信息的时空背景建模方法提取疑似烟火烟雾区域，然后将烟火烟雾的颜色、模糊度和纹理特征进行多特征提取和融合，如图5所示。

AI技术在城轨安全监测中的应用和实践，可以提高城轨的安全、效率和乘客服务质量，为美好出行和社会发展带来更多益处。  

2.4 AI技术对城轨安全监测改善效果  

（1）智能快速检人。在人员正常行进不停留条件下，识别准确率可达到99%以上，平均识别效率小于2s，通行能力大幅提升。  

（2）智能精准检物。检测物品数据库达到2000万级，20大类，150余种。横幅传单类、民用无人机类、压力喷灌类、管制刀具类、金属工具类、冷兵器类、军械警械类、烟花爆竹类、火源类、剧毒农药类、可疑液体类、电池类、爆破器材、炸药、弹药或枪支零部件类、军用枪支类、民用枪支类、可疑有机物类、有易燃、易爆等危险化学品标志或提示信息的日常用品类、毒品及可疑粉末。可疑物正确检出率不小于95%，误检率不大于5%，极大提高安检效率。  

（3）乘客情绪识别。通过AI技术对乘客情绪进行检测，能够发现人眼感知不到的潜在风险，化解90%以上由乘客心理因素导致的负面情绪风险。  

（4）基于TOF多维传感行为识别。可以监测到规则列表90%以上乘客异常行为，辅助城轨运行维护人员进行制止、疏导和管理，提高城轨乘客系统安全性。  

（5）基于时空域特征烟火烟雾检测。可以提前发现火灾风险，将影响控制在最小范围内。  

综上所述，AI技术对城轨安全方面的重大改善效果，可以有效提升城轨系统的安全性和可靠性，保障公众出行的安全。  

2.5 AI技术存在的问题及处理  

2.5.1存在的问题  

（1）技术缺陷。目前AI技术在城轨领域的应用还不够成熟，特别是在智能检物方面，尚未充分考虑到城轨特殊性，如新型违禁品的检查，还需要通过学习和积累完成有效识别。  

（2）安全隐患。AI技术应用需要大量的前端设备和算法，这些设备和系统本身可能会存在漏洞或故障，进而造成安全隐患。同时，智能控制系统的稳定性和可靠性也成为AI技术面临的困难。  

（3）系统兼容性。在不同线路和车站，城轨系统的设备和技术往往不同。因此，这些技术需要在不同的系统中得到有效的整合和兼容，避免出现互相干扰的情况。  

2.5.2 问题处理  

针对这些问题，可以采取以下方式处理。  

（1）加强技术研发。加大AI技术的投入与研发力度，培养AI自主学习能力，提升安全水平。最近的大模型和自监督训练等方法，在一定程度上可以解决零样本检测或识别的问题，应适时发展城轨领域的行业化大模型。  

（2）精细化管理。对智能控制系统进行全面的、动态的监控与管理，对其中的漏洞和安全隐患采取及时有效的措施和反制，使得AI技术在城轨领域的应用更加安全可靠。  

（3）标准化规范化建设。推动行业内相关技术设备向着规范化和标准化方向发展，确保各线路、车站的系统能够相互协调、兼容，减小出现干扰的可能性。  

  03  应用与展望

随着AI技术的不断发展，自动化监测系统已经开始在城轨安全监测领域得到广泛应用。借助高清监控设备、图像算法为核心的自动化监测系统，视频AI分析技术可以监测危险行为、恶劣行为和突发事件，确保地铁工作人员第一时间发现并处置，保障乘客安全。同时，人脸识别、行为识别、智能图像识别技术也在安全检查方面应用广泛。随着AI技术在城轨领域的不断应用和发展，相信将会为城轨的安全运营提供更全面、高效、智能的保障。此外，文章对未来AI技术在城轨安全上的应用进行展望，包括AI大模型建设，目前通用的大模型已经展现出强大的能力，未来AI大模型将会在各个行业落地，针对城轨领域，也将会出现与之对应的行业化大模型。还有“安全监测机器人”，能够自动接入安检设备，自动对乘客进行观察，并具备对话功能，能与乘客进行必要的沟通。  

AI技术应用为城轨安全监测问题解决带来前所未有的机遇和挑战，只有充分发挥AI技术的优势，建立完善可靠的安全监测模式，才能更有效地提高城轨安全水平，构建更优质、便利、高效的城市公共交通系统。

 / 参考文献 /   

[1] 马卫东，梁孟昌，崔博.城市轨道交通AI技术在安全监测中的应用研究[J].现代城市轨道交通，2023（11）：114-119.