铁路客运站旅客异常行为的监测方法及系统

摘要

本发明提供了一种铁路客运站旅客异常行为的监测方法及系统，通过读取铁路客运站内各个位置的摄像头采集的数据，对读取的数据进行解码，得到解码后的数据；根据解码后的数据的采集位置调用相应的算法；通过算法对解码后数据进行分析，得到旅客行为的监测结果；输出旅客异常行为的监测结果。采用各种智能识别算法，实时分析客运站内的摄像头数据，从而对旅客异常行为进行监测报警。该方法通过相应的算法可以对旅客行为进行全面、精准及高效的监测。

说明书

技术领域

本发明涉及铁路客运领域，尤其涉及一种铁路客运站旅客异常行为的监测方法及系统。

背景技术

由于高铁具有运行速度快且乘车环境好的特点，已成为公众日常出行的首选，如何更好地管理铁路客运站已成为提升铁路出行的服务质量的重点之一。

目前管理铁路客运站主要通过视频监控的方式进行，现有的视频主要依靠人工，这样不仅很难全面实时监控，而且报警响应时间长，误报和漏报率高，监视系统已基本丧失应有的预警能力，成为一种提供事后取证录像的工具；而且，随着车站列车到发数量和旅客乘降人数的明显增加，传统依靠人工盯控的防控模式，已无法实现人员的高效利用和站台端部、站台越线、扶梯异常等的安全管理，极易造成非正常入侵站台边界和越界进入站区线路的安全事故。

发明内容

本发明提供一种铁路客运站旅客异常行为的监测方法及系统，用以解决现有技术监控的误报率高以及监控效率低的缺陷，可以提升监控的准确度和效率。

第一方面，本发明提供了一种铁路客运站旅客异常行为的监测方法，包括：读取铁路客运站内各个位置的摄像头采集的数据，对读取的数据进行解码，得到解码后的数据；根据所述解码后的数据的采集位置调用相应的算法；通过所述算法对所述解码后数据进行分析，得到旅客行为的监测结果；输出旅客异常行为的监测结果。

进一步地，所述根据所述解码后的数据的采集位置调用相应的算法，包括：根据解码后的站台处第一数据调用目标检测算法；所述第一数据为所述站台警戒线位置的数据；根据解码后的电梯处数据调用所述目标检测算法、目标跟踪算法、姿势识别算法和改进的骨架识别算法；根据解码后的站台处第二数据调用所述目标检测算法、衣着识别算法和步态识别算法；所述第二数据为停靠在所述站台的列车端部的数据；根据解码后的铁路客运站内数据调用预设的人数密度统计算法；根据解码后的进站口、出站口和售票处数据调用所述目标检测算法。

进一步地，所述通过所述算法对所述数据进行分析，得到旅客行为的监测结果，包括:通过所述目标检测算法在所述解码后的站台处第一数据中确定所述站台警戒线、所述旅客和/或列车，基于判断所述旅客跨越所述站台警戒线的行为是否发生在列车停靠时，得到所述旅客是否存在越线行为的监测结果；通过所述目标检测算法在所述解码后的电梯处数据中确定所述旅客，通过所述目标跟踪算法对所述旅客进行追踪，通过所述姿势识别算法和所述改进的骨架识别算法确定追踪到的旅客在电梯上的行为，得到所述旅客是否存在异常电梯行为的监测结果；通过所述目标检测算法在所述解码后的站台处第二数据中确定目标人物，通过所述衣着识别算法和所述步态识别算法将所述目标人物的衣着和步姿与预设的数据库中的衣着与步姿进行匹配，得到所述旅客是否存在端部入侵行为的监测结果；通过所述预设的人数密度统计算法在所述解码后的铁路客运站内数据中确定人头数目，得到所述铁路客运站内旅客人数密度是否超过第一阈值的监测结果；通过所述目标检测算法在所述解码后的进站口、出站口和售票处数据中确定所述旅客的数目，得到所述旅客排队人数是否超过第二阈值的监测结果。

进一步地，所述输出所述旅客异常行为的监测结果，包括:输出所述旅客存在越线行为的监测结果、所述旅客存在异常电梯异行为的监测结果、所述旅客存在端部入侵行为的监测结果、所述铁路客运站内旅客人数密度的监测结果和/或所述旅客排队人数的监测结果。

进一步地，所述输出旅客异常行为的监测结果之后，还包括：根据所述旅客异常行为的监测结果发出对应等级的警报。

进一步地，所述改进的骨架识别算法是通过设计的有向图神经网络对基于骨骼和关节构建的有向无环图进行动作识别的算法；所述设计的有向图神经网络是基于对有向无环图样本进行建模得到的；所述预设的人数密度统计算法是基于特征点映射的回归模型构建的；所述回归模型是基于全卷积神经网络对客流密度图像进行逐层认知并结合多尺度特征融合得到的。

第二方面，本发明还提供了一种铁路客运站旅客异常行为的监测系统，包括：视频解码模块，用于读取铁路客运站内各个位置的摄像头采集的数据，对读取的数据进行解码，得到解码后的数据；算法接入模块，用于接收所述解码后的数据，对算法模块中对应的算法进行调用，输出旅客异常行为的监测结果；所述算法模块，用于通过所述算法对所述解码后数据进行分析，得到旅客行为的监测结果；通讯传输模块，用于在所述视频解码模块与所述算法模块之间传递通消息、服务监听和请求响应。

第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述的铁路客运站旅客异常行为的监测方法的步骤。

第四方面，本发明实施例还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所述的铁路客运站旅客异常行为的监测方法的步骤。

第五方面，本发明实施例还提供了一种计算机程序产品，其上存储有可执行指令，该指令被处理器执行时使处理器实现如第一方面所述的铁路客运站旅客异常行为的监测方法的步骤。

本发明提供的路客运站旅客异常行为的监测方法及系统，通过读取铁路客运站内各个位置的摄像头采集的数据，对读取的数据进行解码，得到解码后的数据；根据解码后的数据的采集位置调用相应的算法；通过算法对解码后数据进行分析，得到旅客行为的监测结果；输出旅客异常行为的监测结果。根据不同的算法对不同位置采集的数据进行分析，可以保证对旅客行为分析的全面性、准确性及高效性。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的铁路客运站旅客异常行为的监测方法实施例的流程示意图；

图2为本发明提供的视频解码过程的流程示意图；

图3为本发明提供的铁路客运站旅客异常行为的监测方法中的算法调用方法实施例中的流程示意图；

图4为本发明提供的铁路客运站旅客异常行为的监测方法中的获取旅客行为的监测结果方法实施例中的流程示意图；

图5为本发明提供的YOLO算法进行目标检测的流程示意图；

图6为本发明提供的根节点示意图；

图7为本发明提供的CNN和FCN的结构对比图；

图8为本发明提供的基于全卷积网络的客流密度分析模型示意图；

图9为本发明提供的密度图回归及计数回归相结合流程图；

图10为本发明提供的铁路客运站旅客异常行为的监测系统实施例的结构组成示意图；

图11为本发明提供的算法接入模块的接口与算法模块的算法的对应关系图；

图12为本发明提供的铁路客运站旅客异常行为的监测系统的功能示意图；

图13示例了一种电子设备的实体结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明提供的铁路客运站旅客异常行为的监测方法实施例的流程示意图。如图1所示，该基铁路客运站旅客异常行为的监测方法，可以包括以下步骤：

S101，读取铁路客运站内各个位置的摄像头采集的数据，对读取的数据进行解码，得到解码后的数据。

在步骤S101中，在铁路客运站内各个位置可以布设多个摄像头，比如在铁路客运站的进站口、出站口、售票处、站台处、电梯处以及安检入口等，本发明实施例对此不作限定。

在读取各个摄像头采集的数据后，可以通过视频解码模块对读取的数据进行实时解码，具体过程可以如图2所示：摄像机的RTSP码流进入视频解码模块后，可以通过四种模式进行解码，视频解码模块在运行时可以根据现场实际情况选择其中之一对RTSP流进行解码，输出图片流。

S102，根据解码后的数据的采集位置调用相应的算法。

在步骤S102中，解码后的数据的采集位置可以包括站台处警戒线位置、电梯处、停靠在站台的列车端部处、铁路客运站内以及进站口、出站口和售票处，本发明实施例对此不作限定。算法可以包括目标检测算法、目标追踪算法、姿势识别算法、改进的骨架识别算法、衣着识别算法、步态识别算法和预设的人数密度统计算法等，本发明实施例对此不作限定。

S103，通过算法对解码后数据进行分析，得到旅客行为的监测结果。

在步骤S103中，旅客行为可以包括旅客是否跨越警戒线、旅客是否存在异常电梯行为、旅客是否存入侵端部、铁路客运站内旅客人数密度和旅客排队人数是否超过对应的设定值，本发明实施例对此不作限定。

S104，输出旅客异常行为的监测结果。

在步骤S104中，旅客异常行为可以包括旅客存在越线行为、旅客存在异常电梯行为、旅客存在端部入侵行为、铁路客运站内旅客人数密度的和旅客排队人数超过对应的阈值，本发明实施例对此不作限定。上述旅客异常行为存在任意的一个或者多个，需要将其输出，即输出旅客存在越线行为的监测结果、旅客存在异常电梯异行为的监测结果、旅客存在端部入侵行为的监测结果、铁路客运站内旅客人数密度超过第一阈值的监测结果和/或旅客排队人数超过第二阈值的监测结果。

本发明实施例提供的路客运站旅客异常行为的监测方法，通过读取铁路客运站内各个位置的摄像头采集的数据，对读取的数据进行解码，得到解码后的数据；根据解码后的数据的采集位置调用相应的算法；通过算法对解码后数据进行分析，得到旅客行为的监测结果；输出旅客异常行为的监测结果。根据不同的算法对不同位置采集的数据进行分析，可以保证对旅客行为分析的全面性、准确性及高效性。

图3为本发明提供的铁路客运站旅客异常行为的监测方法中的算法调用方法实施例中的流程示意图。如图3所示，该铁路客运站旅客异常行为的监测方法中的算法调用方法，可以包括以下步骤：

S301，根据解码后的站台处第一数据调用目标检测算法；第一数据为站台警戒线位置的数据；

S302，根据解码后的电梯处数据调用目标检测算法、目标跟踪算法、姿势识别算法和改进的骨架识别算法；

S303，根据解码后的站台处第二数据调用目标检测算法、衣着识别算法和步态识别算法；第二数据为停靠在站台的列车端部的数据；

S304，根据解码后的铁路客运站内数据调用预设的人数密度统计算法；

S305，根据解码后的进站口、出站口和售票处数据调用目标检测算法。

在步骤S301至步骤S305中，解码后的站台处第一数据是将位于站台处摄像头采集的站台警戒线位置数据进行解码得到的；解码后的电梯处数据是将电梯处摄像头采集的数据进行解码得到的；解码后的站台处第二数据是将位于站台处摄像头采集的停靠在站台的列车端部的数据进行解码得到的；解码后的铁路客运站内数据是将站台内全部摄像机采集的数据进行解码得到的；解码后的进站口、出站口和售票处数据是将进站口、出站口和售票处的摄像机采集的数据进行解码得到的。

图4为本发明提供的铁路客运站旅客异常行为的监测方法中的获取旅客行为的监测结果方法实施例中的流程示意图。如图4所示，该铁路客运站旅客异常行为的监测方法中的获取旅客行为的监测结果方法，可以包括以下步骤：

S401，通过目标检测算法在解码后的站台处第一数据中确定站台警戒线、旅客和/或列车，基于判断旅客跨越站台警戒线的行为是否发生在列车停靠时，得到旅客是否存在越线行为的监测结果。

在步骤S401中，首先基于目标检测算法在解码后的站台处第一数据中识别站台警戒线、旅客和列车，若列车停靠在站台时存在旅客跨越站台警戒线的行为，将该行为识别为旅客在上下车，得到旅客不存在越线行为的监测结果；若列车没有停靠在站台时，存在旅客跨越站台警戒线的行为，将该行为识别为旅客存在越线行为，得到旅客存在越线行为的监测结果。

目标检测是指利用视觉算法自动识别并定位图像中感兴趣的目标，即找出每个感兴趣类别的实例，并报告实例在图像中的位置、所属类别及置信度。目前，满足工业应用实时性要求的目标检测算法主要集中于基于回归方法的YOLO算法和SSD算法等。以YOLO算法进行目标检测的过程可以如图5所示：

YOLO算法的输入为416*416的图像，输出为一组目标检测框及其对应的目标类别和置信度。YOLO算法基本流程为：(1)将输入图像划分成7*7的方格，每个方格负责给出两个预测信息：中心点落在该方格中的物体的位置以及物体属于每个类别的概率；(2)运行yolo模型，给出每个方格的预测结果，包括物体位置(中心点坐标、长、宽、置信度)和类别概率；(3)使用非极大值抑制算法NMS选取置信度最高的目标检测框；(4)汇总检测结果并输出。

通过对YOLO v3版本进行了封装，使其支持图像批处理和并行resize操作，有效提高了多图像目标检测的性能。

S402，通过目标检测算法在解码后的电梯处数据中确定旅客和电梯，通过目标跟踪算法对旅客进行追踪，通过姿势识别算法和改进的骨架识别算法确定追踪到的旅客在电梯上的行为，得到旅客是否存在异常电梯行为的监测结果。

在步骤S402中，异常电梯行为可以包括旅客在电梯上逆行、旅客携带的行李从电梯掉落、旅客滞留、旅客携带婴儿、旅客携带大件行李等，本发明实施例对此不作限定。

目标跟踪算法是指利用视觉算法对前后帧中的目标进行自动关联，确定每个目标所属id，并绘出运动轨迹。采用SORT目标跟踪算法的输入为每帧图像的所有目标检测框，输出为目标跟踪框及目标id，SORT目标跟踪算法分为两个基本步骤：(1)匈牙利匹配，其主要目的是关联前一帧的目标跟踪框和当前帧的目标检测框。匈牙利匹配从全局最优的角度利用欧氏距离对前后帧的目标中心点进行关联，并为目标标识id；(2)卡尔曼滤波，其主要目的是校正跟踪框的位置。由于目标检测检测环节可能存在漏检或检测框偏移现象，需要利用卡尔曼滤波对这些系统误差进行校正，其主要流程是：根据目标运动的历史轨迹预测出它在当前帧中的位置，作为预测值；接收当前帧目标检测结果作为观测值，融合预测值和观测值，计算卡尔曼增益，得到校正值，作为跟踪结果进行输出，同时根据预测误差更新协方差矩阵，作为下一帧预测的输入参数。

由于铁路客运站场景复杂，站内人员密度大，人员之间的遮挡严重，使得完整地识别到一个人的动作变化存在很大的困难，因此，采用改进的骨架识别算法基于骨骼进行动作识别。

对于自然人体，关节和骨骼是强耦合的，每个关节(骨骼)的位置实际上是由他们相连的骨骼(关节)决定的。现有的基于图的方法通常将骨骼表示为无向图，并用两个独立的网络对骨骼和关节进行建模，这不能充分利用关节和骨骼之间的依赖性。为了解决这个问题，将骨骼表示为有向无环图，以关节为顶点，骨骼为边，其中关节和骨骼之间的依赖关系可以很容易的通过图的有向边来建模。

此外，还设计了一种新的有向图神经网络(directed graph neural network,简称DGNN)，该有向图神经网络基于对构造的有向无环图进行建模得到的，可以利用关节和骨骼之间的依赖关系进行动作分类。该有向图神经网络包含多个层，每个层都有一个包含顶点和边属性的图形，输出具有更新属性的相同图形。在每一层中，顶点和边的属性根据相邻的边和顶点进行更新。在底层，每个顶点或边只能从相邻的边或顶点接收属性，这些层中的模型旨在更新属性时提取顶点和边缘的局部信息。在顶层，来自彼此距离更远的关节和骨骼的信息可以累积在一起。

原始骨架数据是一系列帧，每个帧包含一组关节坐标。给定一个骨骼序列，首先根据关节的二维或三维坐标提取骨骼信息。然后将每一帧中的关节和骨骼(空间信息)表示为有向无环图内的顶点和边缘，并将其送入设计的有向图神经网络(DGNN)中提取特征进行动作识别。最后，利用与空间信息相同的图形结构提取运动信息，并与空间信息在双流框架中结合，进一步提高性能。

两个相关连关节之间的向量(坐标)差表示骨骼。如图6所示，树形图最上方的点是根节点，即树根，对于每个顶点V

有向图G＝(υ,ε)，其中υ是一组顶点(关节)，ε是一组有向边(骨骼)，基于骨架的视频是一系列帧S＝{G

有向图网络块(DGN)：包含两个更新函数h

更新过程可以包括：通过大量的实验，选择平均池化作为聚合函数来处理输入边和输出边，并选择全连接层作为更新函数。

DGN实现的过程可以包括：顶点输入：张量f

使用图的关联矩阵：给定具有N

为了分离源顶点和目标顶点，用A

在自适应DGN块后添加一个BN层和一个ReLU层。自适应DGN块可以用于增加一个固定拓扑的图相当于基于人体的先验知识对模型进行正则化，可以帮助模型收敛到全局最优。直接将关联矩阵设置为模型的参数，但是在最初的几个训练时期对其进行修正。在早期固定图形结构可以简化训练，而在后期取消图形结构可以为图形构建提供更大的灵活性。

时间信息建模的过程可以包括：在更新每个DGN块中的关节和骨骼空间信息之后，由于所有帧中相同的关节或骨骼可以自然地组织成1D序列，因此沿着时间维度应用1D卷积来建模时间信息。每个1D卷积层之后是BN层和ReLU层，以形成时间卷积块(TCN)。DGNN总体结构9个单元，每个单元包含一个DGN块和一个TCN块。这些单元的输出通道是64、64、64、128、128、128、256、256和256。在类预测的末尾添加一个全局平均池层，后面是softmax层。

双流框架通过提取了关节的运动和骨骼的变形来帮助识别。由于骨架数据被表示为关节的坐标，关节的运动很容易被计算为沿时间维度的坐标差。类似地，骨骼的变形被表示为连续帧中相同骨骼的向量之差。与空间信息建模一样，运动信息被公式化为一系列有向无环图，然后运动图形被馈送到另一个DGNN，以对动作标签进行预测。通过将softmax层的输出分数相加，最终融合两个网络。

该改进的骨架识别算法可以传递相邻关节和骨骼信息并更新其在每个层中的相关信息，最终提取的特征不仅包含每个关节和骨骼信息，还包含其依赖关系，有助于动作识别。

S403，通过目标检测算法在解码后的站台处第二数据中确定目标人物，通过衣着识别算法和步态识别算法将目标人物的衣着和步姿与预设的数据库中的衣着与步姿进行匹配，得到旅客是否存在端部入侵行为的监测结果。

在步骤S403中，将铁路客运站的工作人员的制服预先收集在预设的数据库中。由于旅客的衣着和收集在预设的数据中的衣着可能类似，为了进一步提升监测的准确性，将铁路客运站的工作人员的步姿收集在预设的数据库中，将目标人物的衣着和步姿与预设的数据库中的衣着与步姿进行匹配，若衣着与步姿均匹配成功，则说明该目标任务为工作人员，得到旅客不存在端部入侵行为的监测结果；若衣着与步姿存在一个匹配不成功，则说明该目标任务为旅客，得到旅客存在端部入侵行为的监测结果。

S404，通过预设的人数密度统计算法在解码后的铁路客运站内数据中确定人头数目，得到铁路客运站内旅客人数密度是否超过第一阈值的监测结果。

在步骤S404中，第一阈值可以根据具体的要求进行设定，本发明对此不作限定。当铁路客运站内旅客人数密度超过第一阈值时，会根据超出的程度发出不同等级的报警。

在高密度人群场景下，人与人之间的相互遮挡严重，此外在铁路客运站的复杂场景下，行人的姿势各异，完全采用行人检测进行人群密度估计，将会存在很大的误报和漏报情况。为了在保障人群密度估计性能的同时有效地提升算法的效率，采用基于特征点映射的回归模型构建的人数密度统计算法，统计铁路客运站的人数密度，其中全卷积神经网络对客流密度图像进行逐层认知，结合多尺度特征融合实现特征点映射的回归模型。

全卷积网络(Fully Convolutional Network,FCN)是在卷积神经网络CNN的基础上，将如ResNet特征提取网络模型中的全连接层全部改为卷积层，使其可以接受任意尺寸的输入图像。FCN是对图像中的各个像素进行分类，在输出端得到每个像素所属的类。然后利用反卷积操作对最终获得的特征映射进行上采样，通过放大操作使处理后的图像尺寸与输入图像尺寸相同。在这个过程中，不仅可以保留原始输入图像中的空间信息，还能够对特征图内的每个像素做出预测，进而实现逐像素分类。

图7为本发明提供的CNN和FCN的结构对比图，如图7所示，FCN可以分为FCN-8s、FCN-16s和FCN-32s这3种模型，反卷积实质上是将不同卷积层和池化层的上采样结果求和，然后利用反向传播算法对网络进行端对端的训练。

相对于经典的CNN模型，全卷积网络的优点有：(1)卷积层参数少于全连接层，有效降低过拟合现象的出现；(2)全卷积网络特征图中的像素只需提取其对应的图像感受野内的信息，不需要提取全图信息，减少了无关背景的干扰；(3)全卷积网络能够适应不同尺寸的输入图像，应用更广。

图8为本发明提供的基于全卷积网络的客流密度分析模型示意图。如图8所示，该模型分为编码、译码和输出3部分。编码部分有3个阶段，每个阶段由两个卷积层和一个最大池层组成。卷积层的内核大小、步长和填充分别设置为3、1和1。最大池层的内核大小和步长都设置为2。在解码部分，也有3个阶段，每个阶段由一个卷积层和一个反卷积层组成。利用卷积层来减少特征映射的数目，因此设置特征映射的核大小和步长为1。为了对特征映射进行升序，卷积层的内核大小、步长和填充分别设置为4、2和1。解码阶段的特征映射将与编码阶段的特征映射连接起来，以重用低级特征。

使用基于回归的方法进行计数有两种方式：一种方法是通过训练一个模型，直接从给定的图像中输出头部数量估计；另一种方法是输出人群密度图，通过对密度图进行积分，获得人群的头部计数。尽管密度图能够给出人群的空间分布，而且模型容易训练，如果训练参数、学习率、批量大小等参数设置不恰当时，密度图上的人数通常会被高估。为了解决这一问题，本发明采用密度图回归和计数回归相结合的方式进行人群估计，训练结构如图9所示。

头部模型为二维高斯分布，其中，x是密度图上的位置，N

其中，N

由于来自训练模型的密度图可能会导致对头部数量的高估，本文采用计数回归方法对模型的输出值进行正则化，然后对H

其中，

结合密度图回归和计数回归的总的代价函数为

E(W)＝αE

其中，α和β是用来规范化训练的超参数。

在训练前，该模型不能估计人群密度图。如果直接应用计数回归，训练损失很难收敛，因此需要对模型进行逐步训练。首先，利用密度图回归对模型进行训练。在模型能够很好地估计密度图后，再加入计数回归模型。由于密度图回归的误差是每个像素上所有误差的积分，导致它比计数回归的误差大很多。因此，超参数α在设置时应该小于β，故(α,β)在第二次和第三次的设置分别为(0.1,10)、(0.1,100)。

S405，通过目标检测算法在解码后的进站口、出站口和售票处数据中确定旅客的数目，得到旅客排队人数是否超过第二阈值的监测结果。

在步骤S405中，第二阈值可以根据具体的情况进行设定，本发明实施例对此不作限定。当旅客排队人数超过第一阈值时，会根据超出的程度发出不同等级的报警。

在一些可选的实施例中，通过接口输出旅客异常行为的监测结果之后，还可以包括：根据旅客异常行为的监测结果发出对应等级的警报。

图10为本发明提供的铁路客运站旅客异常行为的监测系统实施例的结构组成示意图。如图10所示，该铁路客运站旅客异常行为的监测系统，包括：

视频解码模块1001，用于读取铁路客运站内各个位置的摄像头采集的数据，对读取的数据进行解码，得到解码后的数据；

算法接入模块1002，用于接收解码后的数据，对算法模块中对应的算法进行调用，输出旅客异常行为的监测结果；

算法模块1003，用于通过算法对解码后数据进行分析，得到旅客行为的监测结果；

通讯传输模块1004，用于在视频解码模块与算法模块之间传递通消息、服务监听和请求响应。

其中，算法接入模块是平台层与算法层，也就是算法模块对接的接口模块，算法接入模块提供了所有视觉算法的API，可以包括站台越线接口、电梯行为接口、端部入侵接口、站内人数统计和排队警告接口，本发明实施例对此不作限定；算法的具体实现则被封装在算法层的.so文件中，算法可以包括目标检测算法、目标追踪算法、姿势识别算法、改进的骨架识别算法、衣着识别算法、步态识别算法和预设的人数密度统计算法，本发明实施例对此不作限定。换言之，算法接入模块不关心每个算法的具体实现，只负责接收算法参数、进行算法调用、输出算法结果。将解码后的数据发送到与之对应的接口中，该接口可以调用对应的算法。

算法接入模块的接口与算法模块的算法的对应关系如图11所示。其中，站台越线接口调用目标检测算法；电梯行为接口调用目标检测算法、目标跟踪算法、姿势识别算法和改进的骨架识别算法；端部入侵接口调用目标检测算法、衣着识别算法和步态识别算法；站内人数统计接口调用预设的人数密度统计算法；排队警告接口调用目标检测算法。本发明提供的铁路客运站旅客异常行为的监测系统，实现了算法与平台的分离，当算法升级时，只需要向平台层提供升级后的算法层文件并更新软链接，平台层代码无需重新编译，即可调用新的算法。

图12为本发明提供的铁路客运站旅客异常行为的监测系统的功能示意图，如图12所示，该系统用于监测站台越线行为、电梯异常行为、端部入侵行为、站内人数统计和排队告警。

图13示例了一种电子设备的实体结构示意图，如图13示，该电子设备可以包括：处理器(processor)1301、通信接口(CommunicationsInterface)1302、存储器(memory)1303和通信总线1304，其中，处理器1301，通信接口1302，存储器1303通过通信总线1304完成相互间的通信。处理器1301可以调用存储器1303中的逻辑指令，以执行如下铁路客运站旅客异常行为的监测方法：

读取铁路客运站内各个位置的摄像头采集的数据，对读取的数据进行解码，得到解码后的数据；根据解码后的数据的采集位置调用相应的算法；通过算法对解码后数据进行分析，得到旅客行为的监测结果；输出旅客异常行为的监测结果。

此外，上述的存储器1303中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各实施例提供的铁路客运站旅客异常行为的监测方法：

读取铁路客运站内各个位置的摄像头采集的数据，对读取的数据进行解码，得到解码后的数据；根据解码后的数据的采集位置调用相应的算法；通过算法对解码后数据进行分析，得到旅客行为的监测结果；输出旅客异常行为的监测结果。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的铁路客运站旅客异常行为的监测方法：

读取铁路客运站内各个位置的摄像头采集的数据，对读取的数据进行解码，得到解码后的数据；根据解码后的数据的采集位置调用相应的算法；通过算法对解码后数据进行分析，得到旅客行为的监测结果；输出旅客异常行为的监测结果。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的模块可以是或者也可以不是分开的，作为模块显示的部件可以是或者也可以不是第二模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。