基于计算机视觉的地铁车站内乘客异常行为检测模型

来源：交通运输系统工程与信息杂志2025年第4期北京时间：

作者：吴剑凡, 谢征宇, 秦勇, 王力, 王佳丽

单位：北京交通大学，a.交通运输学院；b.运营主动安全保障与风险防控铁路行业重点实验室；c. 北京市城市交通信息智能感知与服务工程技术研究中心；d.先进轨道交通自主运行全国重点实验室，北京100044

摘要：为及时有效地应对地铁车站内乘客异常行为事件，本文提出一种基于计算机视觉的两阶段融合模型BiFuseNet(Bi-Fusion Network)，该模型通过融合轻量级检测网络LMD(LCAB, MCAB, DyHead)-YOLO和基于EfficientformerV2的高效分类网络，实现高效且精准的异常行为检测。在模型第1阶段，通过引入轻量卷积聚合块(LCAB)、混合卷积聚合块(MCAB)和动态检测头(DyHead)，有效减少模型的规模，同时，提升对小目标和遮挡目标的检测能力；在第2阶段，采用多层次加权融合策略优化检测和分类结果，进一步增强模型的鲁棒性。实验结果表明，BiFuseNet在自建的MetroAB数据集上取得了89.3%的准确率，较传统模型提高了6.1%，且实现了43.7 frame·s-1的检测速度(FPS)；在PASCAL VOC(Pattern Analysis, Statistical Modelling and Computational Learning Visual Object Classes)和VisDrone(Visual Detection of Drones)公开数据集上，分别提高了10.1%和2.7%的准确率，进一步验证了模型在小目标和遮挡目标检测方面的优势，以及其优异的泛化能力。通过以上设计，BiFuseNet显著提升了地铁车站内乘客异常行为检测的效率和精度。

关键词：智能交通,异常行为检测,两阶段融合,地铁车站,计算机视觉

基金资助：国家重点研发计划项目 (2022YFB4301305)。