Face recognition algorithm based on Faster R-CNN
-
摘要: 人脸识别技术是身份认证的重要方式。旨在设计算法识别身份证人像与待检人像是否为同一旅客。使用卷积神经网络进行人脸识别算法的研究。使用检测人脸后计算人脸特征间欧式距离的方式进行算法设计,最终达到95%的正确率。结果表明, Faster R-CNN算法能较精准地检测人脸, VGG-Net可以较好地提取人脸特征值。
-
关键词:
- 卷积神经网络 /
- 人脸检测 /
- 人脸识别 /
- Faster R-CNN算法
Abstract: Face recognition technology is an important way of identity authentication. The purpose of this paper was to design an algorithm to identify whether the identity witness and the person to be inspected were the same passengers. Face recognition algorithm based on convolutional neural network was studied. The algorithm was designed by calculating the Euclidean distance between face features after face detection, and the final accuracy was 95%. The results show that Faster R-CNN algorithm can detect face accurately, VGG-Net can extract face feature values well. -
站台门是城市轨道交通中,保障乘客安全、改善候车环境的重要设施,已在城市轨道交通中取得广泛应用。在全自动运行线路中,引入了许多新的应用场景,对站台门控制系统也提出了新的需求。之前对于全自动运行线路中站台门控制系统的研究,提到的多组就地控制盘(PSL,Platform Screen doors Local control panel)应用[1]、障碍物探测[2]、间隙探测[3]等多种研究成果,其实已在人工驾驶线路中取得了普遍应用,在全自动运行线路中并无重大变化。而基于图像识别的障碍物探测技术[4],并未在全自动运行线路中取得广泛应用。其实,全自动运行线路中,站台门控制系统新增的两项关键需求,是对位隔离功能和达到SIL2级别的高可靠性和高安全性运行。之前的研究多是针对全自动运行模式下,站台门新增系统需求的探讨和论证,并未给出具体的解决方案。本文根据行业研究成果,结合项目应用情况,针对全自动运行模式下站台门的新增需求,设计研发一套满足功能和性能要求的智能站台门控制系统:实现了对位隔离功能,支持多种列车车型的不同开关门控制方式,符合SIL2的相关要求,满足全自动运行线路的需求。
1 全自动运行场景下的新增需求
1.1 对位隔离
当前的城市轨道交通人工驾驶线路中,当单个站台门或列车门发生故障无法打开时,其对应的列车门或站台门无法获知对方运行状态,依然会打开。这就造成站台门或列车门只有一方打开,而另一方不打开的问题,可能引起乘客撞伤、挤伤、物品掉落到轨行区等危险事故发生。若因为单个列车门或站台门无法动作,而让整侧站台门或列车门停止使用,对线路运行影响过大。尤其在全自动运行线路中,站台候车区域配备值守人员较少,特别需要在单个站台门或列车门故障时,能让其对应列车门或站台门不打开,同时不影响其它正常站台门和列车门打开,即对位隔离[5],以此提高系统自动化运行程度,减少运营人员劳动量,降低人力成本。
1.2 安全完整性等级
EN50126[6]、EN50128[7]、EN50129[8]3项标准,是由欧洲电气化标准委员会制定,以计算机控制的信号系统作为对象的铁道信号标准,对轨道交通安全相关的电子系统及软件的可靠性、可用性、可维护性和安全性提出了具体要求,并给出规定和示例来描述相关的评估活动和评估方式。目前轨道交通行业均以此3项标准为依据,对站台门控制系统进行安全评估。
目前,在全自动运行线路中,上海地铁10号线和北京地铁燕房线、北京大兴机场线均将SIL2认证作为站台门控制系统交付的条件[2],而新建的全自动运行线路中,SIL2认证已成为必备的投标资质。目前,我国正在运营的全自动驾驶线路均在站台设有站务人员值守,对站台门控制系统的运营情况进行监控和管理。随着运营组织要求的不断提高,实现站台无人监管将成为必然趋势[9]。因此,对站台门控制系统进行全生命周期的可靠性、可用性、可维护性和安全性(RAMS,Reliability, Aviliailability, Maintainability, Safety)管理。
2 功能实现
2.1 架构设计
如图1所示,站台门控制系统由多个门机控制单元(DCU,Door Control Unit)、2套单元控制器(PEDC,Platform Emergency Door Controller)、两台工控机(运行有监控软件)组成。其中,2套PEDC分别由可编程逻辑控制器(PLC, Programmable Logic Controller)和继电器模组构成,分别控制上行和下行的DCU,并采集每个DCU的运行状态,即每个站台门的状态;将状态信息整合汇总后,通过交换机发送给两台工控机(工控机A和B)。2台工控机分别通过两条通信链路与列车自动运行(ATO,Automatic Train Operation)系统进行通信,交换每个列车门和每个站台门的状态信息。
站台门控制系统和ATO系统通过网络接口实现双向、实时通信,向对方传输自身状态信息的同时,也要接收对方的状态信息,并据此控制自身设备,实现站台门和列车门的对位隔离。
如图2所示,列车门信息通过车辆控制系统传输给信号系统,再经过行车综合自动化系统(TIAS,Traffic control Integrated Automation System)和2台前端机FEP-A和FEP-B发送给站台门控制系统的2台工控机,工控机接收到列车门状态信息后,判断每个列车门的状态,并据此控制站台门实现对未隔离。同时,DCU可通过声光警报等方式提示站台候车的乘客,该站台门处于对位隔离状态,需要通过其它站台门上车。同理,处于对位隔离状态的列车门也不打开,并提示车上乘客通过其它列车门下车。
2.2 工作流程
如图3所示,站台门控制系统在完成系统初始化工作后,开始数据发送和数据接收2项工作,2项工作相互独立,互不影响。
2.2.1 数据发送
在数据发送过程中,站台门控制系统中的PLC会周期性(每隔0.5 s)采集每个DCU的运行状态,站台门控制系统中某个站台门故障或隔离时,该站台门对应的DCU将其故障或隔离信息上传给PLC,PLC则根据每个DCU的状态,生成站台门对位隔离状态字,将其传输给工控机A和工控机B。2台工控机上均运行一套监控软件,负责与ATO系统进行通信,将PLC发送过来的站台门对位隔离状态字发送给ATO。该状态信息可供ATO判断当前的站台门状态,并根据当前站台门状态,控制与故障或隔离的站台门相对应的列车门不再打开,而其它列车门正常打开。
2.2.2 数据接收
在数据接收流程中,站台门控制系统中的2台工控机,能够同时接收信号系统发来的列车门状态信息,将该信息传输给PLC。PLC会对来自2台工控机的数据进行智能判断,先判断工控机A是否正常工作,若正常,则采信工控机A中的列车门状态数据;若工控机A发生故障,则判断工控机B是否正常工作,若其正常工作,则使用工控机B中的列车门状态数据;若工控机B也发生故障,则清除所有站台门的对位隔离信息,将站台门系统置于没有对位隔离的状态运行,以此保证对位隔离失效后,不会对站台门系统本身的控制逻辑产生不利影响。
在确定状态数据来源之后,站台门控制系统会对接收的报文进行安全校验,在应用层采用双重CRC校验,保障报文传输的完整性和正确性;同时,对数据发送方的IP地址和身份标识进行双重认证,保证对方身份合法性。站台门控制系统仅对通过安全校验的报文进行解析。
当前数据通过安全校验后,站台门控制系统从中解析出当前的列车门状态,并将其与上一条接收到的报文进行对比,当某个或多个列车门的对位隔离状态发生变化时,则将其对位隔离信息发送给对应的DCU。
DCU在接收到开门指令时(来自ATO系统和PSL的硬线指令),会对自身对位隔离状态进行智能判断:若其没有处于对位隔离状态,则正常打开站台门;若处于对位隔离状态,则不执行开门指令,并发出声光报警提示乘客从其它站台门上下车。
3 高可靠性控制系统方案
3.1 二取二冗余架构PEDC
如图4所示,为提高站台门控制系统的可靠性,本文所述站台门控制系统使用PLC和继电器模组构成的异构“二取二”架构,两者同时运行,同时接收ATO系统的开、关门指令,进行逻辑判断后生成发送给DCU的控制命令,仅当两者输出的控制命令一致时,才向DCU输出开门或关门命令。该方案采用不同的处理方式对同一指令进行逻辑判断,并对判断结果进行二取二操作,极大降低单点故障对站台门控制系统运行产生的不利影响,提高系统的可靠性、可用性。
3.2 冗余控制和通信链路
3.2.1 监控主机与TIAS通信冗余
监控主机与TIAS之间采用工业以太网连接,其中,监控主机作为从站响应TIAS的数据读写请求。监控主机提供两套独立的接口程序,共用一套寄存器组提供相同的服务,TIAS可以访问任何一套接口获取服务,当其中一条通信线路出现故障时,由TIAS负责切换通道。
3.2.2 PEDC与DCU通信冗余
PEDC与DCU之间采用双MODBUS总线冗余方式进行通信,正常运营时,由一条总线与每个DCU交互信息,另一条总线处于热备状态。PEDC对两条总线的运行状态进行实时监测,并智能选择可用链路:当运行中的总线发生故障,如总线堵塞、断线等状况时,PEDC选取另一条总线来代替故障总线,负责与每一个DCU通信。保障信息传输的实时性、准确性,降低安全隐患,保障运营安全。
3.2.3 PEDC与DCU硬线控制线缆冗余
PEDC和DCU之间的控制线缆采用环形接线方式,从PEDC引出后,将每个DCU串行连接后,再次回到PEDC,控制指令可以通过环形线缆两端中的任意一端传送给DCU,当控缆的某一处断开时,不影响控制命令下发至每个DCU,不影响站台门控制系统的正常运行。
4 多车型智能控制
国内有些轨道交通线路中,存在多种车型同时运行的问题,每种车型的列车门数量和位置均不相同,这就要求站台门控制系统根据不同车型的列车门位置,提供相应的控制方式[10]。为此,本方案还能通过配置PEDC和DCU之间的控制线缆接口,实现多种开门方式的控制。收到车型信息和开门指令时,PEDC对相关信息进行智能分析后,控制相应的开门继电器,向对应的一组DCU发送开门命令。
如图5所示,当开门继电器1被驱动后,DCU1 ~ DCU7通过红色控制线路接收到开门命令,执行开门动作。当开门继电器2被驱动后,DCU8 ~ DCU14通过蓝色控制线路接收到开门命令,执行开门动作。PEDC还可以同时驱动开门继电器1和开门继电器2,则所有DCU均会收到开门命令,整侧站台门全部打开。通过PEDC和DCU之间接口的灵活配置,可以实现多种开门方式的控制,适应多种车型列车混跑。
5 结束语
本文对于全自动运行模式下,站台门控制系统新增的对位隔离和RAMS要求,进行了深入的研究。在此基础上,设计并研发了一种智能站台门控制系统,实现全自动运行模式下站台门的对位隔离,将站台门自动控制级别延伸到单个站台门,提升了站台门智能化运行水平;通过“二取二”冗余架构及多重冗余措施,极大提高了系统的可靠性;同时还能支持多种车型混跑的运行场景,满足全自动运行线路对站台门控制系统的要求。该系统已成功应用于北京大兴机场线,自交付以来,运行安全可靠,RAM指标超过预期水平,对全自动运行线路中的站台门控制系统的设计与应用,具有很好的借鉴意义。
-
[1] Yang G, Huang T S. Human face detection in a complex background[J]. Pattern Recognition, 1994, 27(1):53-63.
[2] Kotropoulos C, Pitas I. Rule-based face detection in frontal views[C]//IEEE International Conference on Acoustics, Speech, and Signal Processing, 2002:2537-2540.
[3] 李华胜,杨桦,袁保宗. 人脸识别系统中的特征提取[J]. 北京交通大学学报, 2001, 25(2):18-21. [4] 姜军,张桂林. 一种基于知识的快速人脸检测方法[J]. 中国图象图形学报, 2002, 7(1):6-10. [5] 卢春雨,张长水. 基于区域特征的快速人脸检测法[J]. 清华大学学报(自然科学版), 1999(1):101-105. [6] Graf H P., Chen T., Petajan E., et al. Locating faces and facial parts[C]//Proc. of International Workshop on Automatic Faceand Gesture-Recognition, 1995:41-46.
[7] Leung T K, Burl M C, Perona P. Finding Faces in Cluttered Scenes using Random Labeled Graph Matching[C]//International Conference on Computer Vision, 1995:637.
[8] Kirby M, Sirovich L. Application of the Karhunen-Loeve Procedure for the Characterization of Human Faces[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2002,12(1):103-108.
[9] Turk M, Pentland A. Eigenfaces for recognition[J]. Journal of Cognitive Neuroscience, 1991, 3(1):71-86.
[10] Ren S, He K, Girshick R, et al. Faster R-CNN:Towards RealTime Object Detection with Region Proposal Networks[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2017, 39(6):1137-1149.
[11] 李鹍,吴宁,宋明,等. 基于级联滤波器深度学习的铁路安检人脸识别与验证研究[J]. 铁路计算机应用, 2018(6):17:20. [12] He K., Zhang X., Ren S., et al. Deep Residual Learning for Image Recognition[C]//IEEE Conference on Computer Vision & Pattern Recognition, 2016.
[13] Simonyan K, Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition[J]. Computer Science, 2014:1-14.
[14] 贾成强,戴琳琳,徐海涛,等. 基于人脸识别技术的铁路实名制进站核验系统研究及设计[J]. 铁路计算机应用, 2018(7):49-54.
计量
- 文章访问数: 151
- HTML全文浏览量: 1
- PDF下载量: 25