基于边缘计算的公共交通工具疫情监测系统

夏慧雯，赵中雨，王卓尔*，张清勇，彭峰

基于边缘计算的公共交通工具疫情监测系统

夏慧雯1，赵中雨2，王卓尔2*，张清勇1，彭峰3

（1.武汉理工大学 自动化学院，武汉 430070； 2.武汉理工大学 信息工程学院，武汉 430070； 3.武汉理工大学 智能交通系统研究中心，武汉 430063）（ ∗ 通信作者电子邮箱288484@whut.edu.cn）

现有监测系统无法很好地应对疫情环境下存在的交叉传染以及追溯困难等问题，因此提出了一套基于边缘计算的公共交通检测系统的设计方案。首先，建立图数据库来储存乘车人员与乘车信息，同时使用双数据库模型防止建立索引带来的阻塞，从而完成插入效率与搜索效率的均衡；其次，在车辆人像信息提取中，采用HSV色彩空间对图片进行预处理，并建立人脸三维空间模型来提升神经网络的识别准确率，在目标佩戴口罩时，通过较明显的鼻尖特征点、下颌特征点与未遮挡的鼻梁部特征点回归出其口鼻等特征点信息；最后，通过度搜索快速找出密切接触乘客。在特征对比测试中，该方案在BioID数据集和PubFig数据集上分别达到了99.44%和99.23%的正确率，且在两数据集上的假阴性率均小于0.01%；在图搜索效率测试中，在浅层次搜索的时候，图数据库与关系型数据库并无较大差异，当搜索层次变深时，图数据库效率更高；在验证理论可行性之后，模拟了公交车与公交站的实际环境，经测试所提系统在其中的识别准确率为99.98%，识别时间平均约为21 ms，符合疫情监测的要求。所提系统设计可以满足疫情时期公共安全的特殊需求，能够实现人员甄别、路径记录、潜在接触者搜索等功能，从而有效地保证公共交通安全。

边缘计算；公共交通；面部特征；图数据库；神经网络；HSV色彩空间；疫情监测

0 引言

城市公共交通发展程度标志着城市的现代化程度，它不仅提供了大容量的交通运输，也改善了居民的出行条件。其节约能源、减缓拥堵等优点使得公共交通在现代生活中扮演着不可或缺的角色。

公共交通覆盖面广、交叉点多、人员可控性弱等特点使得其若成为疫情传播途径，则会造成危害强度大、范围广、群体广泛的严重后果。流行性传染及疾病可能通过直接传播、接触传播、气溶胶传播等多种方式将病原体传递给易感染者。而在乘客进入公共交通后，其搭乘空间相对自由、登乘时间与地点较为无序，可以有效控制传染的“保持距离”更多靠乘客自觉，司机对乘客测温的方法繁琐且易受环境干扰。因而，若有乘客携带传染病病原体，则可能通过四通八达的公共交通线路传递至城市各角落，带来较大的卫生安全隐患。所以，在新型冠状病毒疫情中，公共交通的卫生安全成为了防控等方面的重点与难点。

大规模的公共交通安全系统领域研究始于2018年，而正式系统方案的提出则始于2020年。2020年，赵晓朴［1］针对轨道交通的安全问题提出了视频监控系统方案，然而该方案仅能够完成视频数据的采集与储存，因而存在智能化程度低、储存成本高、搜索效率低、不易精准定位个体等问题；2021年初，林晓伟等［2］提出了智慧安防系统，引入了智慧决策，但仍无法解决计算延迟大、储存成本高、搜索效率低的问题。同时，现有的系统都无法很好地应对传染性疾病带来的个体快速定位与接触网追溯的新考验。

也正因此，继续研究如何监督、追溯公共交通的数据信息对于公共安全与卫生事业具有重要意义。若能对病原体携带者进行精确识别与记录，高效地搜索潜在的接触者，则可以为最大限度减少传染风险提供有力支撑，因而如何对乘客特征进行提取，如何快速地对大量数据进行深层次的搜索便成为了值得研究的问题。针对该问题的研究也将对提高城市轨道交通运营安全、保障社会稳定发展具有实践价值。

1 系统方案设计

针对以上问题，本文提出了一套基于边缘计算的公共交通检测系统的设计方案。该方案可以快速提取与对比人体关键特征点，高效搜索可能接触过感染者的其他乘客。

对于常时运作，公交车会在乘客搭乘时采集乘客的体温、数字化原始生理特征等信息。随后，上传至边缘计算节点，使用特征点检测神经网络对面部不可变特征信息进行提取。若边缘计算节点存有云端下发的携带者信息，则将提取的特征点信息与其求取距离，若总距离小于阈值则发出预警，阻止乘客登乘；若无异常，则上传数据到云端双数据库服务器，为数据挖掘等操作提供基础。同时，针对信息安全的问题，本文方案全程提供了基于Token的合法性验证。其系统方案功能框图如图1所示。

图1　系统方案功能框图

硬件部分，本文方案使用车载端与边缘计算节点分离的方式，两者用2.4 GHz进行通信传输。车载端负责采集人脸数据，处理后呈递至边缘计算节点，边缘计算节点负责主体算法的运行。当公交车停靠车站时，会自动尝试使用2.4 GHz频段对边缘计算设备提供的无线网络进行无线连接。当公交车连接上该网络后，会向局域网中的计算节点发送数据。

本文方案提出的特征点检测神经网络具有准确率较高、深度低、计算量小、适于边缘计算的特点。双数据库设计能够适应数据库操作量大、查询层数深的特点，能够提高读写与查询效率。信息安全设计可以保护数据安全与清洁，保证搜索结果的可靠性。

2 云端服务器

由于运算的实时性要求较高，因而云端服务器不承担较复杂的运算任务，仅需维护数据库并执行可能存在的深层查询。关系型数据库（Relational Database）是基于关系模型建立的数据储存系统，其使用列（字段）与行（记录）储存结构化信息。当有多类信息间存在关联性时，则可使用外键等约束将之有机地联系到一起。但当遇到关系复杂或层次结构较深的查询操作时，此类型数据库则会消耗可观的时间。

2.1　图数据库

为解决不同数据结构的存储问题，非关系型数据库——NoSQL（Not Only SQL）被提出。图数据库是一种使用图结构的NoSQL，它以节点（Node）、边（Edge）与相应的属性（Properties）的形式存储数据；因而，它可以将储存的数据有机地连接在一起，同时也提供了较高的查询效率。

对于本文方案，人员信息与公交车信息可以储存为节点。其中乘车人员数据从公交车信息获取节点与边缘计算卡中获取。为保证人员节点的唯一性，则可以对人员节点的身份证号添加唯一约束。公交车则分配唯一识别码作为记录标志。对于每一个登车的乘客，公交车上的采集系统可以获得用户的面部信息与登车时间等信息，并储存为节点间的边。若乘客搭乘公交车，则记录其当前相关信息并存入数据库；而当乘客与公交车没有乘车行为时，则两节点间没有边相连。

对于进一步的大数据分析，本文可以对某一节点及与其相连的边进行数据挖掘。当出现紧急疫情时，云端服务器也可以根据乘车时间等数据进行潜在感染者分析。

2.2　深层搜索加速方法

因传染性疾病在公共区域内有交叉传染的风险，所以需要对乘客进行高效的查询与跟踪。为提高图数据库的搜索效率，则必须对图建立索引，但建立索引的代价是插入与修改效率的下降。

为解决上述矛盾，本文提出了双数据库方法，记录数据库负责接收所有上传信息，但仅对信息的合法性做筛查，同时以记录增量的方式储存信息；查询数据库定期从记录数据库获取增量记录，并对表更新索引。其执行方法框图如图2所示。此方法可以保证记录的及时性与查询的高效性，避免了因更新索引带来的插入效率下降［3］。

图2　双数据库执行方法框图

3 边缘计算

对于边缘计算节点，在与公交车进行通信后获得其图片与相关信息。在对图片进行信息提取后，将所有信息提交到云端数据库。若乘客中存在云端数据库存在的病原体携带者或疑似感染者，则可以在乘客完成识别后的极短时间内完成判断，并提示司机或直接阻止搭乘。其响应速度能达到秒级，与云端服务器处理方案高压力下分钟级响应相比，边缘计算节点可以更有效地保护公共卫生安全。

对于车辆人像信息提取，本文使用CenterNet方法的轻量级的神经网络模型，并针对公交车的特殊光照环境进行了色彩空间的转换，从而进一步提升神经网络的识别精度。同时，增加眼、眉部特征点个数，辅以深度较为明显的特征点，实现了口罩遮挡条件下的特征点识别与特征匹配。

3.1　面部特征点与检测方法

人类面部特征包括可变特征与不可变特征两大类。可变特征例如面部装饰品、妆容等，而不可变特征则以面部特征点（landmark）为主。

面部特征点是指人类面部能保持长期不变的、具有较高识别度与判别性的特征点信息。特征点大部分处于骨骼或软骨边缘，在解剖学上具有一定的不变性，适于进行匹配［4-5］。边缘节点特征提取流程如图3所示。

图3　边缘节点特征提取流程

在先前的研究中，有研究人员使用过梯度方向直方图特征进行匹配。此外，也有使用局部二值化模式（Local Binary Pattern， LBP）特征进行识别的方法，如圆形LBP特征与旋转不变LBP特征可以更好地应对多样化的面部特征。

但对于环境相对复杂、面部角度多变的公交车面部识别环境，以上几种方法都不能精确地完成高准确率特征点的匹配，因此本文系统选择使用深度神经网络对人脸特征进行检测。

3.2　色彩空间选择

对于摄像头采集到的画面，可能存在环境光照不稳，如过度曝光或曝光不足、模糊等现象，因而需要对图片进行简单的预处理。

面部特征识别需要对光线具有较高鲁棒性的算法或色彩空间，而常用的RGB色彩空间虽然可以连续地表示任意颜色，但对光照比较敏感，轻微的光照扰动便会影响色彩值。而HSV（Hue Saturation Value）对光照条件具有较高的鲁棒性。实验结果表明面部识别在HSV色彩空间下具有较高的准确率［6-7］。

HSV空间，也被称作HSB（Hue Saturation Brightness）空间，其三通道分别是色调、饱和度、亮度。

色调的取值范围为0～360，表征了色彩的颜色信息；饱和度即色彩的纯度，当其值较低时，图像更偏向灰度图；亮度指的是整个图像明暗程度，亮度越大，则更偏向白色，亮度越小，则更偏向黑色。

同时，对于HSV色彩空间，色调通道会带来最大的准确率损失，原因在于皮肤的部分区域如果过亮，则会与背景混淆，进而影响准确率［7］。在公交车环境中，前景与背景颜色差异明显，且主体可由相机光源补光，进一步增大对比，所以HSV色彩空间可以在该环境中达到更高的准确率。

3.3　特征点检测网络

边缘计算节点算力有限，通勤高峰期算力需求激增，部分学者提出的包括沙漏网络在内的多种网资源消耗严重［8］。总耗时亦会显著增加。因而选用MobileNet V3以提高读取与处理速度，同时也能保证可接受的准确率。

对于建立面部特征点模型，本文提出了一个计算简单、精确度较高的方法，同时通过公交车信息节点获取距离，进而可以获得人脸的尺寸信息，进一步提高模型建立准确率。

3.3.1CenterNet特征点提取

因为人类面部特征明确、边缘信息与中心点信息突出，所以可以直接使用特征点检测的方式对目标特征点进行定位，CenterNet便可以提供检测方法［9-10］。

对于检测方案，本文系统将HSV色彩空间的图像输入神经网络。有多种面部特征点方案可以表征个人的生物特征。对于任一分类特征，其期望输出是分类热力图，而任一像素，有归一化置信度，如式（1）：

其中：是输出图像的期望缩放比例；为输出的总通道数，即特征点数量；图像宽高分别为与［10］。

面部特征点识别中，特征点热力图重合的现象并不罕见，因而需要在重合的情况下选取可能性最大的点进行分类，同时也需要对图像进行像素分割，其焦点损失如下。

为保证计算准确率，本文系统也需要修正下采样带来的偏差，因而对特征点添加一个偏移来保证定位的准确性。

所有预测偏差共用一个平均损失，其计算方法如下：

因需要用特征点估计来得到所有的中心点，所以还需要回归出目标的尺寸，同样存在损失函数如下：

最后，可以获得总损失函数如下：

3.3.2三维模型建立

三维（Three-Dimensional， 3D）检测是对每个目标进行宽高与额外的深度估计，因而每个中心点需要3个附加信息：深度（Depth）、三维尺度（Scale）、方向（Orientation）［11］。

深度值是常量，但很难通过回归得到，因而可以对输出做变换。在特征点估计网络上添加一个深度计算通道，该通道使用了两个卷积层与反Sigmoid实现。而物体对三维尺度是3个常量，所以可以根据特征点的深度值恢复物体的三维尺寸。对于物体的方向估计，则可通过对特征点下采样的方法使特征点的距离尺度减小，从而被感知［11-12］。而人类面部的相似性较大，因而可以通过其距离尺度回归出角度。对于人类面部存在旋转的现象，可以通过对称检测的方式回归出人脸的单应性矩阵，进而得到面部映射关系，以修正所获得的面部矢量［13］。

综上，本文系统使用深度学习的方法建立人脸的三维空间模型，进而将人的面部特征点更准确地在空间中描绘。

当人们佩戴口罩的时候，其面部特征点会被遮挡，无法通过未佩戴口罩时的关键点监测得出。同时，口罩整体颜色相近、特征不明显，因而使用传统神经网络识别的方式可能会出现较大损失。

本系统可以估计面部的三维信息，因而，模型可以在目标佩戴口罩时，通过较明显的鼻尖特征点、下颌特征点与未遮挡的鼻梁部特征点回归出其口鼻等特征点信息；同时，为保证此时的判断准确率，可以对眼、眉部增加特征点采样数，以保证识别准确率。

3.4　特征距离计算与比较

为增强系统鲁棒性、减少人物面部倾角对判断结果的影响，本文系统引入当前人脸与标准人脸的单应性矩阵以实现标准化。首先，根据医学与统计数据建立人种标准脸型，当获得目标的关键点向量后，计算单应性矩阵，此时可以列出最多为采样点个数的方程组，求解后，可以通过此映射将人脸规范到统一的标准，即标准化面部特征向量集合［14］。

对于人类面部信息比较，则可以将采集到的面部信息中所有特征点信息保存为向量，通过对比向量之间的距离，得出面部特征点信息的相似度，当距离小于阈值时，则认为两个面部归属于同一个体。

因需要应对面部存在遮挡物的情况，故本文系统选取了较高的采样点数。当出现个别极端值（误识别或其他原因）时，其对整体的影响相对较小。同时，本文系统根据人类颅骨特征建立了一个标准人脸模型，其每个采样点都有一个分布范围，若某采样点远超正常范围时，系统也将其舍弃。在极端值出现概率较小的前提下：若关键点误差较小，则对结果几乎没有影响；若误差较大，则无法通过标准人脸模型判定。因此，此方法可以快速且较为准确地完成关键点提取任务。

虽然在使用神经网络进行人脸对比可以达到更高的精确度，但受限于边缘计算卡的算力与较高的实时性要求，同时考虑到假阴性的危险程度较大，因而在应用中，系统可以通过降低判断阈值的方式提高安全性。当怀疑某乘客疑似病原体携带者，则通过多次拍照、核验乘车码绑定的身份信息等方式进一步确认身份。而当事态较为严重时，可适当牺牲实时性，引入人脸对比深度神经网络以取得更精确的结果。

4 数据检索

当感染者登乘某班次公共交通工具后，会使大量乘客成为潜在感染者、病原体携带者等密切接触者，而此类密切接触者可能将病毒再次传播，进而造成大面积感染。因此，本文系统需要在获得相关信息后，尽快找出直接接触者、经一次传播的接触者等。这种搜索方式即为度（-hop）搜索。

4.1　k度邻居

一个节点的度邻居为距离该节点最短距离为的所有节点的集合。在图4中，一个节点的度邻居为距离该节点最短距离为的所有节点的集合。对于目标节点，其1度关系为除外内的节点，2度关系为除外、内的所有节点［15］。

图4　节点k度关系示意图

4.2　搜索算法

对于度邻居的搜索度本质上是图论中的搜索问题，可在无环或去环的情况下应用各种搜索算法，如深度优先搜索、广度优先搜索或混合使用两者进行搜索。

以广度优先搜索为例，其核心思想在于，从初始节点开始，获取当前节点的所有直接邻居节点，即1度邻居。再从1度邻居中的每个节点出发，搜索每个节点的1度邻居，同时排除已搜索过的节点。重复此过程，直到达到第度。

若使用深度优先搜索，则需要注意计算重复路径的最短距离，取最短路径计入。因而单纯的深度优先搜索很少用于度搜索中，深度优先搜索往往与广度优先搜索共同使用。

4.3　数据库设计与对比

在实际生产环境中，数据必然需要持久化，因而必然需要数据库来存储数据。关系型数据库中使用了B+树、B*树等数据结构，使检索成本有所降低，但关系型数据库的阵列结构决定了对于每一个个体都要单独查询，而在数据量较大的情况下，这样的代价是难以接受的。如索引单个节点的时间复杂度为对数级，若想找出所有与该节点有直接关联的节点，则需要对所有节点进行搜索，进而会带来较大的代价。

图数据库则使用了免索引邻接引擎，这意味着每个节点都会记录相邻节点，整个数据库是一张图。因此全局索引便简化为节点对直接相邻节点的索引，从而使得寻找相邻节点的复杂度与总节点数无关。

对于图数据库，其节点、属性、关系往往储存在不同文件中，从而可保证大部分数据的长度为定值，进而通过单位长度乘以序号的方式直接计算偏置，快速定位目标数据位置。因而，此设计可以使数据的度搜索效率获得极大提升。

5 数据安全

5.1　网络通信设计

对于无线网络，边缘计算节点不进行广播。同时，对于每一个热点，可以使用定期更改密码的方式防止暴力破解。可以使用某一段规律变化的字符串值作为元数据，计算其MD5信息摘要算法（MD5 message-digest algorithm， MD5）摘要得到长度为32位的密码。

同时，对于发送的信号包，设计帧结构如图5。

图5　帧设计

5.2　数据合法性保证措施

对于中间人攻击，本文系统在帧中设计了仅允许单次使用的token，即对于每一次传输，都为该公交车的以后的车站与该公交车分发唯一的token。通信时，双方通过校验token的一致性以保证数据的合法。

对于任意token，是一个键值（Key-value）对，其中键是公交车的UID，值是当前token的数据。为保证公交车在无法与某一边缘计算节点通信时，仍可以与其后节点进行数据交换，可以将公交车运行路线组成环路（cycle）。token将向后广播一定长度（或整个环路广播），以避免某个车站出现异常后无法继续传递信息。

每日启动时，公交车将获取或计算车站边缘计算节点网络密码表。当进入边缘计算节点的无线通信范围后，尝试与节点建立通信。通信建立成功后，公交车便会发送封装好的数据包，其中包含校验用token。

公交车站接收到第一个检验信息后，立刻向公交车节点回发新token并在计算节点网中声明新token的合法性。若当公交车无法与当前车站建立通信时，因token并未作废，公交车便可与下一节点继续使用原token通信。而当公交车未传完便离开时，因其已获取新token，则可以继续使用新token完成传输。而对于新旧数据同时存在的情况，应优先传送新数据，当新数据发送完毕后，回传旧数据。

6 实验与结果分析

6.1　面部特征对比

使用本文方法训练的深度学习模型在数据集上进行人脸对比，将数据集依次输入进系统，将系统认为是同一人的所有人脸归于一类，若有多个人，则输出多类及各类所包含的图片。正确率为分类正确的人脸个数与数据集中人脸个数的比值。

以此方法进行测试，在BioID数据集上达到了99.44%的正确率，在PubFig数据集上达到了99.23%的正确率，且在两数据集上的假阴性率均小于0.01%。在实验中，平均每张图片的识别时间小于20 ms。

对于边缘计算节点，若能满足数据样本代表性强、传输量小、模型算力占用较低的条件即可以较高速度对输入量进行处理，实现即时计算、减少等待延时。对于数据库，系统需要在保证读写速度的同时提高数据的组织性、优化深度搜索的效率，这可以更好地适应对数据关系的挖掘与整理，便利系统的智能化决策。最后，系统也需要具有较强的可扩展性，以便后续加入更多模块，进行多来源数据的融合。

现有的公共交通疫情监测系统往往使用服务器集群进行数据处理、或者将数据处理的任务交予值守的专人，不仅提高了运行成本，也降低了执行效率。此外，其系统也并未对数据进行特征提取，直接将元数据储存在服务器中，这会带来可搜索性的下降与储存成本的上升，当需要搜索特定目标的相关信息时，往往需要专人花费大量的时间阅览数据库中的记录，若要寻找到存在关联的其他数据，其难度可想而知。最后，现有系统往往布线固定、数据格式固定，若要添加新模块，则需要重新规划设计与储存方案。

综上，现有系统存在需专人值守、数据通信量大、时延大、不便查询、不便扩展、成本高等缺点。而本文提出的系统尽可能克服了以上缺点，具有实时性强、准确率高、搜索效率高、可扩展性强等优点。各系统方案的对比，如表1所示。

表1系统设计方案对比

Tab.1　Comparison of system design schemes

注：可搜索性表征了指定某一属性（如姓名、身份证号、面部特征等）后，是否容易找到对应结果。

6.2　图数据库搜索效率

使用图数据库Neo4j与关系型数据库MySQL进行对比。对于Neo4j，使用单数据表，内含人员节点、车辆节点数共500万。对于MySQL，使用3张数据表，分别为人员信息、车辆信息与乘车关系表，其中人员与车辆数量相同，表间使用外键约束。

设计任务为指定某一乘客为感染者，找出度关系内可能被感染的乘客。测试结果如表2所示。可见对于度关系问题，在浅层次搜索时，图数据库与关系型数据库并无较大差异；而当搜索层次变深时，差异急剧增大。

表2度关系搜索效率对比 单位：s

Tab.2　Comparison of search efficiency of k-hop relation unit：s

6.3　面部特征点提取

若面部特征点被口罩遮挡，识别模型仍可以保证一定的准确率。同时，本文系统也增加了眉、眼部采样点来保证对比准确率。

使用本文方法训练的深度学习模型数据进行面部特征点检测，将模型所检测到的关键点与数据集标注关键点进行比较，并计算得到像素误差，即真实中心点和预测中心点的欧氏距离。经测试，本文方法在BioID上的平均误差为2.32像素。

验证了本文所提出的训练方法的理论可行性之后，将以此方法训练出的神经网络模型部署至Nvidia Jetson AGX Xavier平台，进行实物测试。测试条件为30 cm人脸间距，光线条件为正常室内光线。在实验中，平均每张图片的识别时间约为18 ms。

6.4　通信与计算

车载端与边缘端的链接采用2.4 GHz无线网络，对通信过程进行测试，测试条件为15 m有障碍通信测试。其图片内容经过base64加密后置于信道传输。

实际测试中，批量上传面部特征信息的任务未达到边缘计算节点处理能力上限，因而可以认为边缘计算节点可以及时给出乘客比对结果，阻止可能携带有病原体的乘客登乘。

在实际测试中，仅信号强度高于阈值时启动数据传输，根据估算与测试，在公交车站这样较为空旷的地带、使用12 dB增益天线时，其范围覆盖公交车停靠区间，丢包率<0.01%。

6.5　安全测试

经分析，空间中存在大量无线信号，使用强度探测等方法，可以确定公交站节点的无线网络信息，并使用kali常用字典与暴力穷举法攻击该无线网络，在1 h内无法破解密码。对嗅探工具设置监听模式进行全信号抓包分析。对通信内容进行分析，可见其内容加密，无法获得具体信息。

对于大中型城市，其主要公交车站客流量较大，对边缘计算节点算力要求较高，所以选择Nvidia Jetson AGX Xavier作为计算卡。该设备使用Linux的Ubuntu发行版，在硬件层面，该设备具有64个Tensor核心、32 GB的LPDDR4X内存，可以高速完成推理任务。车流量较小的车站可以酌情使用Nvidia Jetson Nano、Nvidia Jetson TX2等型号。车载端考虑到成本问题，采用K210实现，其具有快速、准确识别人脸的能力。

测试环境模拟了公交车与公交站的实际环境，车载端布置于公交车内，边缘计算节点布置于公交站外。测试对象随机选取了不同年龄段的多人，按照1∶1的比例进行标记，记录中包含身份信息。

经测试，本系统识别准确率99.98%，识别时间平均约为21 ms，符合疫情监测的要求。

7 结语

本文提出了一套基于边缘计算的公共交通安全监控系统。在云端，为提升深层搜索搜索效率，本文系统建立了图数据库，储存乘车人员与乘车信息，同时使用双数据库模型防止了建立索引带来的阻塞，完成了插入与搜索效率的均衡。在边缘节点，为优化边缘计算节点计算效率，本文系统对三维模型建模进行了优化，使得模型能够快速且精确地获得面部特征点的深度与旋转角度等信息，实现了高实时性的数据处理与决策。在公交与边缘节点的通信过程中，提出了一套基于安全的信息交换系统，在一定程度上抵抗了脏数据攻击，保证了云端数据的清洁性，为以后的数据挖掘等操作提供了良好的数据。在算法层面，下一步将继续提高识别准确度，尤其是对于相似者的对比与分析；在硬件层面，还需进行相关的工程化改进，例如通过对各运算单元进行专一化处理降低其成本，提高其稳定性。

[1] 赵晓朴. 上海城市轨道交通网络级视频监控系统的研制［J］. 城市轨道交通研究， 2020， 23（S2）：132-137.（ZHAO X P. Research and development of Shanghai urban rail transit network video surveillance system［J］. Urban Mass Transit， 2020， 23（S2）：132-137.）

[2] 林晓伟，王侠. 城市轨道交通智慧安防系统的建设［J］. 工业控制计算机， 2021， 34（3）：112-114.（LIN X W， WANG X. Construction of smart security system for urban rail transit［J］. Industrial Control Computer， 2021， 34（3）：112-114.）

[3] HUANG H C， DONG Z Y. Research on architecture and query performance based on distributed graph database Neo4j［C］// Proceedings of the 3rd International Conference on Consumer Electronics， Communications and Networks. Piscataway： IEEE， 2013： 533-536.

[4] WU Y， JI Q. Facial landmark detection： a literature survey［J］. International Journal of Computer Vision， 2019， 172（2）： 115-142.

[5] DONG X Y， YAN Y， OUYANG W L， et al. Style aggregated network for facial landmark detection［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018：379-388.

[6] ROY S， BANDYOPADHYAY S K. Face detection using a hybrid approach that combines HSV and RGB［J］. International Journal of Computer Science and Mobile Computing， 2013， 2（3）： 127-136.

[7] CHAVES-GONZÁLEZ J M， VEGA-RODRÍGUEZ M A， GÓMEZ-PULIDO J A， et al. Detecting skin in face recognition systems： a colour spaces study［J］. Digital Signal Processing， 2010， 20（3）： 806-823.

[8] YANG J， LIU Q S， ZHANG K H. Stacked hourglass network for robust facial landmark localisation［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops. Piscataway： IEEE， 2017：2025-2033.

[9] DUAN K W， BAI S， XIE L X， et al. CenterNet： keypoint triplets for object detection［C］// Proceedings of the 2019 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2019：6568-6577.

[10] ZHOU X Y， WANG D Q， KRÄHENBÜHL P. Objects as points［EB/OL］. （2019-04-25） ［2021-04-21］.https：//arxiv.org/pdf/1904.07850.pdf.

[11] WANG Q， CHEN J， DENG J Q， et al. 3D-CenterNet： 3D object detection network for point clouds with center estimation priority［J］. Pattern Recognition， 2021， 115： No.107884.

[12] EIGEN D， PUHRSCH C， FERGUS R. Depth map prediction from a single image using a multi-scale deep network［C］// Proceedings of the 27th International Conference on Neural Information Processing Systems. Cambridge： MIT Press， 2014：2366-2374.

[13] SU Y， LIU Z， BAN X J. Symmetric face normalization［J］ Symmetry， 2019， 11（1）： No.96.

[14] SHI X P， SHAN S G， KAN M N， et al. Real-time rotation-invariant face detection with progressive calibration networks［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018：2295-2303.

[15] MENG T， CAI L J， HE T Q， et al. K-hop community search based on local distance dynamics［J］. KSII Transactions on Internet and Information Systems， 2018， 12（7）： 3041-3063.

XIA Huiwen， born in 1992， M. S. candidate， experimentalist. Her research interests include intelligent control， machine learning.

ZHAO Zhongyu， born in 1999. Her research interests include machine learning， data science.

WANG Zhuoer， born in 2000. His research interests include embedded system， machine vision.

ZHANG Qingyong， born in 1984， Ph. D.， senior experimentalist. Her research interests include intelligent optimization and control.

PENG Feng， born in 1990， Ph. D. candidate， engineer. His research interests include new energy vehicle， intelligent control.

Public transportation epidemic monitoring system based on edge computing

XIA Huiwen1， ZHAO Zhongyu2， WANG Zhuoer2*， ZHANG Qingyong1， PENG Feng3

（1，，430070，；2，，430070，；3，，430063，）

In view of the existing monitoring system’s inability to cope with the problems of cross-infection and traceability difficulties in the epidemic environment， a design scheme for a public transportation detection system based on edge computing was proposed. Firstly， a graph database was established to store passengers and ride information， and at the same time a dual database model was used to prevent the blockage caused by building index， thereby achieving the balance between insertion efficiency and search efficiency. Then， in the extraction of vehicle and human image information， the HSV （Hue Saturation Value） color space was used to preprocess the image， and a three-dimensional space model of face was established to improve the recognition accuracy of the neural network. When the object wore a mask， the feature point information was able to be regressed through the obvious nose tip feature points， lower jaw feature points， and unobstructed nose bridge feature points. Finally，-hop search was used to find close contacts quickly. In the feature comparison test， the correct rates of this model are 99.44% and 99.23% on BioID dataset and PubFig dataset， respectively， and the false negative rates of the model on the two datasets are both less than 0.01%. In the graph search efficiency test， there is no big difference between the graph database and the relational database when searching at a shallow level. When the search level becomes deeper， the graph database is more efficient. After verifying the theoretical feasibility， the actual environment of buses and bus stops was simulated. In the test， the proposed system has the recognition accuracy of 99.98%， and the average recognition time of about 21 ms， which meets the requirements of epidemic monitoring. The proposed system design can meet the special needs of public safety during the epidemic period， and can realize the functions of person recognition， route recording， and potential contact search， which can effectively ensure public transportation safety.

edge computing; public transportation; facial feature; graph database; neural network; HSV (Hue Saturation Value) color space; epidemic monitoring

This work is partially supported by Hubei Natural Science Foundation （2019CFB571）.

TP274.5

A

1001-9081（2022）07-2132-07

10.11772/j.issn.1001-9081.2021050727

2021⁃05⁃08；

2021⁃11⁃16；

2021⁃11⁃23。

湖北省自然科学基金资助项目（2019CFB571）。

夏慧雯（1992—），女，湖北仙桃人，实验师，硕士研究生，主要研究方向：智能控制、机器学习； 赵中雨（1999—），女，山东菏泽人，主要研究方向：机器学习、数据科学； 王卓尔（2000—），男，湖北武汉人，主要研究方向：嵌入式系统、机器视觉； 张清勇（1984—），女，湖北仙桃人，高级实验师，博士，主要研究方向：智能优化与控制； 彭峰（1990—），男，湖北黄冈人，工程师，博士研究生，主要研究方向：新能源汽车、智能控制。