闸机作为城市轨道交通线网运营管理中重要的交互设备之一，其通行控制的性能直接关系到乘客的出行体验和企业的票务收益。随着城市轨道交通迈入“网络化运营”时期，城市轨道交通承担着越来越繁重的城市客运工作。现有的基于红外传感器的闸机乘客通行行为识别算法已经难以满足复杂场景下的检测需求。如何高效地提取出更为完整的乘客通行时的姿态特征，从中检测并识别出乘客的通行行为，以避免客流量较大时的各种问题和风险，具有重要的理论意义和工程实用价值。
　　考虑到端到端的有监督学习算法难以满足实际场景下的应用和迁移需求，本文加入了人体骨架提取的中间环节，并采用深度学习模型对其进行检测，从而识别出乘客的通行行为。
　　主要工作内容如下：
　　（1）考虑到模型实际部署时的运算和存储资源限制，本文充分利用深度可分离卷积神经网络降低参数规模、提高计算速度的优势。搭建的高性能的实时多人姿态估计和跟踪模型可以稳定地从图像中提取出不易被遮挡的上半身关节点三维坐标，构成人体姿态流输出。模型中加入的SEBlock轻量级注意力模型，实现了特征通道的自适应选通，加快模型的特征学习进度。
　　（2）考虑到模型实际部署时相机安装视角的多样性，本文结合深度感知摄像头提取的距离信息完成基于棋盘格标定法的特征空间三维重建。以闸机通道坐标系为参考的姿态特征标准化处理，可以有效提高后续行为识别模型的泛化能力。
　　（3）以标准化的姿态流为输入特征，本文搭建了一种时域卷积神经网络和图卷积神经网络交替级联的人体行为识别模型，从每个关节点的时空间运动特征中解析出乘客的通行行为。其中，图卷积神经网络模型主要完成非欧氏空间中人体骨架拓扑图的空间信息融合，时域卷积神经网络模型主要完成变长时间序列的信息跟踪。同时，加入的多种过拟合应对措施，可以有效保证模型的泛化能力。
　　（4）为了验证模型实际性能，搭建了实验平台，并分别在“MS COCO 2017”数据集和“NTU RGB+D”数据集上进行了训练与测试。与国外经典算法对比的结果表明，本文构建的人体姿态估计模型和行为识别模型在保持较高检测精度的基础上，具有显著的运算速度快和空间占用少的优势，可以为现有城市轨道交通闸机通行控制的改进和完善提供了理论和算法的支持。