CN103093283A - 行人引导标志设置优化方法 - Google Patents

Abstract

本发明涉及道路交通标志、标识技术领域。对行人引导标志位置设置优化方法进行研究，为达到上述目的，本发明采取的技术方案是，行人引导标志设置优化方法，分为初始化、模型选择、仿真及评价三个部分；在初始化阶段，将行人属性、枢纽环境和引导标志位置转化为数值模型进行仿真条件的初始化，在模型选择即行人流的动态特征描述中，通过判断满足行人自组织特征模型的条件采用对应的行人流仿真模型，并采用元胞自动机加以实现，最后通过对仿真结果的行人流冲突判断和拥堵进行评价，对引导标志位置进行优化。本发明主要应用于道路交通标志、标识技术领域的设计。

Description

行人引导标志设置优化方法

技术领域

本发明涉及道路交通标志、标识技术领域,具体讲，涉及行人引导标志设置优化方法。

背景技术

影响枢纽行人寻路行为的影响因素中，当基础交通设施如出入口数量、位置等都确定的前提下，行人引导标志的设置对行人路径选择的有效性至关重要，在现有技术中鲜有对此类问题的报道。

由于枢纽空间的结构复杂及可视条件不足，行人在面临多种路径决策时迷失方向的几率大大增加。通过调查同时发现，在枢纽复杂空间中，行人借助引导标识定位寻找目的地和选择路径的行为较为普遍。有效的标识可以引导旅客快速明确路线方向，掌握换乘空间的局部乃至全局的特征，最终选择最适合自己的路径。由此可见，引导标识对现代综合客运枢纽的空间诠释功能越来越突出。随着综合客运枢纽建设的快速发展，对枢纽换乘标识的研究与应用正逐渐受到国内外的普遍关注。

国外有关于客运枢纽行人导向标识的研究出现于20世纪九十年代，其研究主要集中于对地下空间、地铁站、公共空间的标识系统的研究，成果也相对较少。例如1996年,美国交通运输研究委员会(TRB)发布了Guidelines for Transit Facility Signing and Graphics,基于寻路原理制定了交通设施标识的设计准则。1998年，文野洋和市原茂研究了行人在地下街的寻路行为以及认知地图，提出引导标识的合理设置有利于行人快速建立地下空间感，形成认知地图。安德烈亚斯·于贝勒在《导向系统设计》一书中，从视觉、字体、排版系统与网格、图形标识、箭头、色彩、代码等方面探讨了导向系统设计。

在对枢纽行人引导标识的研究方面，我国还处于探索阶段，且追随国外的步伐，对标识的研究仍大部分围绕标识的字体、色彩、排版等设计细节展开，研究结果也只能解决具体每块标志牌的设计问题，对标识的系统性缺乏研究。例如2008年，陈军根据旅客进出流线、车站功能分析等方面，按静态标志系统的分类，分别提出导向标志、位置标志、平面图和信息板、安全标志、疏散标志、文字标志的设置原则和方法。2010年，同济大学交通运输工程学院的孔情情分析了综合客运枢纽客流引导标识的现状问题，将标识系统分为导向标识、定点标识、区域标识、辅助标识，分别从信息内容、信息组织、位置设置、设置方式等方面探讨了标识的设计要点。

总之，目前国内外关于综合客运枢纽行人引导导向标识的研究普遍是针对某些关键因素、单一因素的研究和探讨，大部分研究成果主要集中于理论性和概念性的标识系统设计原则，缺少具体的理论依据和数据支撑，未能从标识版面设计、标识系统组织、标识设置形式、标识设置位置方面系统地提出具体的设计方法，缺乏可操作性。

发明内容

本发明旨在克服现有技术的不足，对行人引导标志位置设置优化方法进行研究，为达到上述目的，本发明采取的技术方案是，行人引导标志设置优化方法，分为初始化、模型选择、仿真及评价三个部分；在初始化阶段，将行人属性、枢纽环境和引导标志位置转化为数值模型进行仿真条件的初始化，在模型选择即行人流的动态特征描述中，通过判断满足行人自组织特征模型的条件采用对应的行人流仿真模型，并采用元胞自动机加以实现，最后通过对仿真结果的行人流冲突判断和拥堵进行评价，对引导标志位置进行优化。

模型选择具体包括行人引导标志特征模型构建、行人自组织特征模型构建及引导标志对行人的影响三部分。

行人引导标志特征模型构建包括：

1.1枢纽陆侧交通标志标线颜色特征描述

暖色色彩度:令A_P(x,y)表示行人引导标志中像素颜色对应的色调角度，则如果A_P(x,y)≤90°且A_P(x,y)≥0°，暖色色彩度 $D_P^a(x,y)=\cos A_P(x,y),$ 否则 $D_P^a(x,y)=0.$ 令

表示像素(x,y)的暖色色彩度显著度，则

亮度：令

表示像素(x,y)的亮度显著度，则

通过对枢纽场景中行人引导标志的颜色特征进行显著性提取，再采用眼动模拟实验得到在综合显著度中所占的权重，即可在行人智能体中加入上述感知特征，用来描述行人在颜色属性方面感知枢纽陆侧行人引导标志的行为；

1.2枢纽陆侧行人引导标志颜色特征描述

1.2.1枢纽陆侧行人引导标志轮廓特征提取

1）色调对比：令H_P(x,y)表示行人引导标志图像P坐标(x,y)的色调角度，则坐标(x,y)的色调对比度 $D_P^h(x,y)=\left|\frac{H_P(x,y)-\underset{x\∈P,y\∈P}{\mathrm{\Σ}}{H}_P(x,y)/\left|N_P\right|}{180}\right|,$ 其中N_P表示图像P中的像素数，即

表示行人引导标志图像的平均色调角度，令

表示像素(x,y)的色调对比显著度，则 $G_P^h(x,y)=1-D_P^h(x,y);$

2）饱和度对比：令S_P(x,y)表示行人引导标志图像坐标(x,y)的饱和度值，则坐标(x,y)的饱和度对比度 $D_P^s(x,y)=|S_P(x,y)-\underset{x\∈P,y\∈P}{\mathrm{\Σ}}{S}_P(x,y)/|N_P\left|\right|,$ $\underset{x\∈P,y\∈P}{\mathrm{\Σ}}{S}_P(x,y)/\left|N_P\right|$ 表示行人引导标志图像的平均饱和度，令

表示像素(x,y)的饱和对比显著度，则

3）亮度对比：令V_P(x,y)表示行人引导标志图像坐标(x,y)的亮度值，则坐标(x,y)的亮度对比度 $D_P^v(x,y)=|V_P(x,y)-\underset{x\∈P,y\∈P}{\mathrm{\Σ}}{V}_P(x,y)/|N_P\left|\right|,$ 其中 $\underset{x\∈P,y\∈P}{\mathrm{\Σ}}{S}_P(x,y)/\left|N_P\right|$ 表示行人引导标志图像的平均饱和度，令

表示像素(x,y)的亮度对比显著度，则

1.2.2枢纽陆侧行人引导标志轮廓边界判断

采用前述色调对比、饱和度对比和亮度对比值来进行轮廓特征的提取，为了提高提取效率，令λ_X、λ_Y表示标志轮廓特征提取在X、Y轴方向的搜索步长，设置边界识别条件a. $|G_P^h(x,y)-G_P^h(x-{\mathrm{\λ}}_X,y)|\≥G_H;$ b. $|G_P^s(x,y)-G_P^s(x-{\mathrm{\λ}}_X,y)|\≥G_S;$ c.

其中G_H,G_S,G_V分别表示隧道行人引导标志色调、饱和度和亮度边界变化阈值。采用主要的特征提取步骤如下：

1）初始化x＝0，y＝0；

2）x:＝x+λ_X；

3）如果x＞X_P，转5），否则继续；

4）计算(x,y)、(x-λ_X,y)两个位置的色调、饱和度和亮度对比显著度值，如果满足边界识别条件a,b,c三个条件中的2条及以上，则判定对应区域为轮廓边界区域，将(x,y)归入轮廓边界点集B，并在区域(x-λ_X,y-λ_Y),(x-λ_X,y),(x,y),(x-λ_X,y)四点围合区域突出显示显著度，转2）；

5）y:＝y+λ_Y；

6）如果y＞Y_P，结束，否则x＝0，转2）；

1.2.3枢纽陆侧行人引导标志轮廓特征感知

枢纽陆侧行人引导标志轮廓特征感知步骤如下：

1）将轮廓边界点集B中最外侧的点先按y坐标从大到小进行排序，在此基础上对同一y坐标下的x坐标从小到大进行排序，得到排序后的新边界点序列B'＝(d₁(x₁,y₁),d₂(x₂,y₂),...,d_n(x_n,y_n))，其中d_i(x_i,y_i)i＝1,2,...,n表示序列中的点；

2）令η_b表示枢纽陆侧行人引导标志轮廓特征边界干扰噪声阈值，在集合C中对所有点周边半径内的区域进行扫描，凡是进入到该区域的相邻点，全部突出显著度进行显示；

3）采用Hough变换算法对上述排除干扰后的区域进行识别，检测图像中存在的轮廓边界；

4）将无规则图形、正三角形、圆形和矩形分别标记为N，T，C，R并进行返回，分别对应不同的形状，这些参数将是行人引导标志对行人感知影响程度的依据。

2行人自组织特征模型构建

2.1行人分流行为模型

分别表示在正向行人流方向，对于当前行人而言，前方行人和后方行人的距离，

分别表示在反向行人流方向，对于当前行人而言，前方行人和后方行人的距离；令S_R、S_L表示正向、反向行人的路径选择视觉影响距离，ρ_R(S_R)、ρ_L(S_R)表示正向和反向行人流在S_R范围内的密度，ρ_R(S_L)、ρ_L(S_L)表示正向和反向行人流在S_L范围内的密度，则行人流形成和分散规则如下：

1）如果

则正反向均无行人流形成，行人自由行走或者形成紊流状态，其中

表示正向行人流形成下限阈值，表示反向行人流形成下限阈值；

2）如果

则正向和反向均为有序的行人流，相互之间干扰较小，其中

表示正向行人流形成上限阈值，

表示反向行人流形成上限阈值；

3）如果

则正向行人流有序流量以步长λ_R扩大，则反向行人流有序流量以步长λ_L减小；

4）如果

则反向行人流有序流量以步长λ_L扩大，则正向行人流有序流量以步长λ_R减小；

5）如果

则反向行人流有序流量有扩大趋势，正向行人流有序流量有减小趋势；如果

则正向行人流有序流量有扩大趋势，反向行人流有序流量有减小趋势。扩大或减小趋势是否形成取决于参数

及步行速度，具体规则见行人流波动模型；

2.2行人流波动模型

令a(k,t)表示第k类行人在t时刻的加速度，影响行人加速度的因素包括当前行人的速度、当前行人和紧前方行人的速度差、当前行人和紧前方行人的距离、当前行人在所在行人群体中的位置，则第k类行人在t+1时刻的加速度通用公式表达为： $a(k,t+1)={\mathrm{\ω}}_1(k,p)v{(k,t)}^{{\mathrm{\ω}}_2\left(k\right)}\frac{\mathrm{\Δv}{\left(t\right)}^{{\mathrm{\ω}}_3\left(k\right)}}{\mathrm{\Δx}{\left(t\right)}^{{\mathrm{\ω}}_4\left(k\right)}},$ 其中，v(k,t)第k类行人在t时刻速度，Δv(t)表示行人在t时刻与紧前行人的速度差，△x(t)表示行人在t时刻与紧前行人的距离，ω₁(k,p)表示第k类行人在所在行人群体的位置p的影响系数，p分为群头、群中和群尾三种情况，分别用代码1，2，3表示；ω₂(k)表示当前行人速度对加速度的影响系数，ω₃(k)表示当前行人与紧前行人速度差对加速度的影响系数；ω₄(k)表示当前行人与紧前行人的距离对加速度的影响系数，由于行人加速度的确定，则在t+1时刻行人速度v(k,t+1)＝v(k,t)+a(k,t+1)，根据此公式可得到行人在下一时刻的位置；

2.3行人从众行为模型

在一定的视野阈值δ内，在目标O方向的行人密度为ρ，如果ρ＞ρ_c，且

则认为该区域内行人行走行为满足从众行为模型条件，其中，ρ_c表示从众行为产生的最小行人密度，S(δ)表示视野δ范围的面积，

表示行人k在时刻t的速度，θ_o(k,t)表示k在t时刻的速度方向与目标O的夹角；

从众行为的速度：令v_e(k,t)表示第k类行人在时间t的期望速度，则v_e(k,t)＝[1-p(k,t)]v_n(k,t)+p(k,t)v_max(k,t)，其中，v_n(k,t)表示第k类行人在时间t的正常速度，v_max(k,t)表示第k类行人在时间t的可能的最大速度，p(k,t)表示第k类行人在时间t的任务紧急程度，是0-1之间的系数，在得到期望速度的前提下，就能根据当前速度和期望速度，得到下一时间刻度下的速度，v(k,t+1)＝v(k,t)+v_e(k,t).η，其中v(k,t)、v(k,t+1)表示第k类行人在时间t,t+1的速度，η加、减速系数；

从众行为的方向：

1）如果π/2＜θ_o(k,t)≤3π/2，行人行走方向不受从众行为模式影响，θ_o(k,t+1)＝θ_o(k,t)+ω_r，其中ω_r为较小的随机数；

2）如果θ_o(k,t)≤π/2或者θ_o(k,t)＞3π/2时，行人行走方向与行走速度、行人密度均有关系，采用的规则为：θ_o(k,t+1)＝θ_o(k,t)+ω(ρ(t),v(k,t))，其中ρ(t)表示t时刻行人视野范围的行人密度，ω(ρ(t),v(k,t))为在ρ(t)和v(k,t)条件下行人行走方向调整系数，ω(ρ(t),v(k,t))是ρ(t)的增函数，是v(k,t)的减函数，通过视频观测的统计规律得到。

引导标志对行人的影响是：

δ₁区域表示引导标志的视觉影响区域，指在这个范围内，行人能看到引导标志，并有可能靠近确认其引导信息；δ₂区域表示引导标志的引导作用区域，指在这个范围内，行人能确认信息对其的引导作用；

令R(k,s,d)表示引导标志在距离行人s范围内，对第k类行人在d方向的引导影响程度，则：

$R(k,s,d)=\left\{\begin{array}{cc}0& s>{\mathrm{\δ}}_1\\ {\mathrm{\λ}}_{v1}\left(s\right).d\left(k\right).\tan {\mathrm{\θ}}_v\left(d\right)& {\mathrm{\δ}}_2\≤s\≤{\mathrm{\δ}}_1\\ {\mathrm{\λ}}_{v2}\left(s\right).d\left(k\right).\tan {\mathrm{\θ}}_I\left(d\right)& s\≤{\mathrm{\δ}}_2\end{array}\right.$

上式中，λ_v1(s)为在交通标志视觉影响区域（δ₂≤s≤δ）内的引导系数，是距离s的函数，λ_v2(s)表示在交通标志视觉引导区域（s≤δ₂）内的引导系数，是距离s的函数，d(k)表示第k类人的目的地方向，θ_v(d)为目的地方向与该行人与标志连线的夹角，θ_I(d)为信息引导方向与该行人目的地位置的夹角，在δ₂≤s≤δ₁区域内，引导标志的主要作用是将行人吸引到进一步能确认标志导向的位置，在s≤δ₂区域内，引导标志的主要作用是行人根据引导标志标示的方向，对行人当前位置与目的地的路径进行引导。

本发明的技术特点及效果：

附图说明

图1行人分流示意图。

图2行人分流简化图。

图3行人从众行为示意图。

图4引导标志信息强度示意图。

图5枢纽行人引导标志位置设置优化框架。

图6仿真场景。

图7标志1。

图8标志2。

图9标志3。

图10流量为1500人/小时时的仿真时空图。

图11流量为2500人/小时时的仿真时空图。

图12不同标志高度下行人识别标志的延误时间。

图13不同标志高度下行人路径长度。

图14实验2条件下流量为2500人/小时时的仿真时空图。

图15不同标志密度下的行人识别标志的延误时间。

图16不同标志密度下的行人的路径长度。

具体实施方式

影响枢纽行人寻路行为的影响因素中，当基础交通设施如出入口数量、位置等都确定的前提下，行人引导标志的设置对行人路径选择的有效性至关重要，本发明在基于视觉感知机理的枢纽行人寻路行为仿真框架基础上，有针对性的根据枢纽引导标志的特征构建模型并通过多智能体集成，对行人引导标志位置设置优化方法进行研究。

行人引导标志特征模型构建，是把引导标志进行描述；行人自组织特征模型构建，是描述行人的；引导标志对行人的影响是怎样的关系，是描述行人对引导标志的影响的。

1行人引导标志特征模型构建

主要对行人行走场景中提取引导标志可能颜色、位置、轮廓等特征，设计显著性提取方法和焦点移动轨迹算法，在此基础上建立行人引导标志视认模型，模拟行人在枢纽陆侧行车中对引导标志的感知行为。

1.1枢纽陆侧交通标志标线颜色特征描述

采用行人引导标志中暖色色彩度和亮度进行表示，但是其特征值占总值的权重根据眼动实验得到。

暖色色彩度:由于色调环中接近红色的颜色对人的眼睛刺激度更大，因此将行人引导标志显著性与其中的暖色像素及其对应在色环中的角度加以考虑。令A_P(x,y)表示行人引导标志中像素颜色对应的色调角度，则如果A_P(x,y)≤90°且A_P(x,y)≥0°，暖色色彩度 $D_P^a(x,y)=\cos A_P(x,y),$ 否则令

表示像素(x,y)的暖色色彩度显著度，则 $G_P^a(x,y)=1-D_P^a(x,y).$

亮度：高亮度的行人引导标志是引起行人注意的重要因素，因此将标志图像中的亮度值作为影响行人感知的因素。令表示像素(x,y)的亮度显著度，则

通过对枢纽场景中行人引导标志的颜色特征进行显著性提取，再采用眼动模拟实验得到在综合显著度中所占的权重，即可在行人智能体中加入上述感知特征，用来描述行人在颜色属性方面感知枢纽陆侧行人引导标志的行为。

1.2枢纽陆侧行人引导标志颜色特征描述

1.2.1枢纽陆侧行人引导标志轮廓特征提取

行人引导标志的颜色特征用来判断行人引导标志在位置，但是行人引导标志的标志轮廓特征是在标志牌上的，需要采用显著性识别的方法，在排除干扰的前提下进行轮廓特征的描述，这是用来识别轮廓特征的前提。本发明采用色调对比、饱和度对比和亮度对比三个特征进行描述。

1）色调对比：图像中不同色调在颜色环上的角度差异可以对人眼产生刺激。大的色调角度差显然可以形成较多的色调对比。在色调环中，两个最大的角度差异为180度。令H_P(x,y)表示行人引导标志图像P坐标(x,y)的色调角度，则坐标(x,y)的色调对比度 $D_P^h(x,y)=\left|\frac{H_P(x,y)-\underset{x\∈P,y\∈P}{\mathrm{\Σ}}{H}_P(x,y)/\left|N_P\right|}{180}\right|,$ 其中N_P表示图像P中的像素数，即

表示行人引导标志图像的平均色调角度。令

表示像素(x,y)的色调对比显著度，则 $G_P^h(x,y)=1-D_P^h(x,y).$

2）饱和度对比：由图像中高低不同的颜色饱和度形成了对比。饱和度对比的强弱由颜色的饱和度差异决定。令S_P(x,y)表示行人引导标志图像坐标(x,y)的饱和度值，则坐标(x,y)的饱和度对比度 $D_P^s(x,y)=|S_P(x,y)-\underset{x\∈P,y\∈P}{\mathrm{\Σ}}{S}_P(x,y)/|N_P\left|\right|,$ $\underset{x\∈P,y\∈P}{\mathrm{\Σ}}{S}_P(x,y)/\left|N_P\right|$ 表示行人引导标志图像的平均饱和度。令

表示像素(x,y)的饱和对比显著度，则

3）亮度对比：图像中的明暗变化也可以对人眼产生刺激。亮度的差异越大，则对比越强烈。令V_P(x,y)表示行人引导标志图像坐标(x,y)的亮度值，则坐标(x,y)的亮度对比度 $D_P^v(x,y)=|V_P(x,y)-\underset{x\∈P,y\∈P}{\mathrm{\Σ}}{V}_P(x,y)/|N_P\left|\right|,$ 其中 $\underset{x\∈P,y\∈P}{\mathrm{\Σ}}{S}_P(x,y)/\left|N_P\right|$ 表示行人引导标志图像的平均饱和度。令

表示像素(x,y)的亮度对比显著度，则 $G_P^v(x,y)=1-D_P^v(x,y).$

1.2.2枢纽陆侧行人引导标志轮廓边界判断

采用4.2.1.1中定义的枢纽陆侧行人引导标志色调对比、饱和度对比和亮度对比值来进行轮廓特征的提取，为了提高提取效率，令λ_X、λ_Y表示标志轮廓特征提取在X、Y轴方向的搜索步长。设置边界识别条件a. $|G_P^h(x,y)-G_P^h(x-{\mathrm{\λ}}_X,y)|\≥G_H;$ b. $|G_P^s(x,y)-G_P^s(x-{\mathrm{\λ}}_X,y)|\≥G_S;$ c. $|G_P^v(x,y)-G_P^v(x-{\mathrm{\λ}}_X,y)|\≥G_V,$ 其中G_H,G_S,G_V分别表示隧道行人引导标志色调、饱和度和亮度边界变化阈值。采用主要的特征提取步骤如下：

1）初始化x＝0，y＝0；

2）x:＝x+λ_X；

3）如果x＞X_P，转5），否则继续；

4）计算(x,y)、(x-λ_X,y)两个位置的色调、饱和度和亮度对比显著度值，如果满足边界识别条件a,b,c三个条件中的2条及以上，则判定对应区域为轮廓边界区域，将(x,y)归入轮廓边界点集B，并在区域(x-λ_X,y-λ_Y),(x-λ_X,y),(x,y),(x-λ_X,y)四点围合区域突出显示显著度，转2）；

5）y:＝y+λ_Y；

6）如果y＞Y_P，结束，否则x＝0，转2）。

1.2.3枢纽陆侧行人引导标志轮廓特征感知

1.2.2中将隧道行人引导标志轮廓边界进行了提取，但如果要对轮廓特征进行提取，则需要对最外界的边界进行识别，以判断标志轮廓特征，并对标志类型进行初步判断。行人引导标志的视认性与显示程度是否良好与行人引导标志的形状有重要关系。在外形同等面积的情况下，效果好又容易识别的顺序是：三角形、菱形、正方形、正五边形、正六边形、圆形、正八角形等。国际《安全色和安全标志》标准草案中关于几何图形的规定是：正三角形表示警告：圆形表示禁止和限制；正方形、长方形表示提示。我国现代的行人引导标志几何形状国际标准和国家《安全标志》标准的规定是基本一致的。由于行人看到上述标志后的敏感程度是不一样的，因此在模拟行人在隧道行车中对行人引导标志的感知模型中，需要首先判断行人引导标志形状，在此基础上设置一定的权重来对该标志对行人的吸引程度进行描述。枢纽陆侧行人引导标志轮廓特征感知步骤如下：

1）将轮廓边界点集B中最外侧的点先按y坐标从大到小进行排序，在此基础上对同一y坐标下的x坐标从小到大进行排序，得到排序后的新边界点序列B'＝(d₁(x₁,y₁),d₂(x₂,y₂),..,d_n(x_n,y_n))，其中d_i(x_i,y_i)i＝1,2,..,n表示序列中的点；

2）令η_b表示枢纽陆侧行人引导标志轮廓特征边界干扰噪声阈值，在集合C中对所有点周边半径才的区域进行扫描，凡是进入到该区域的相邻点，全部突出显著度进行显示；

3）采用Hough变换算法对上述排除干扰后的区域进行识别，检测图像中存在的轮廓边界；

4）将无规则图形、正三角形、圆形和矩形分别标记为N，T，C，R并进行返回，分别对应不同的形状，这些参数将是行人引导标志对行人感知影响程度的依据。

2行人自组织特征模型构建

2.1行人分流行为模型

反向行人流在通道内行进时，一般会在各自方向上形成有序流线通道，而不会占用对向的通道空间，行人行为主要表现为跟随、减速、规避。行人在既无意要表现这种分流行为、又无与他人沟通的情况下，自动形成了逆向分流的行为，对向流形成的流线数目取决于行走空间的宽度和长度、行人流的输入输出流、流线间的波动及相互干扰。这是自组织现象中最典型的例子，这种分流现象减少了逆向流线界面上的阻抗和冲突，同时各流线的平均流速和行进效率也能达到最大化。在对向人群相遇时，一开始行人会形成一些窄而小的道路，随着时间的推移，对向人群会逐渐形成更宽的流线通路，流线的形成有助于减少对向行人的“摩擦”，使同向的行人群能更快地移动。行人流的分流将形成自动渠化，如图1所示。行人分流行为模型的适用条件为区域或者通道内行人对向行走流线明显。

图2为简化的行人分流示意图，其中

分别表示在正向行人流方向，对于当前行人而言，前方行人和后方行人的距离，

分别表示在反向行人流方向，对于当前行人而言，前方行人和后方行人的距离。

这四个参数是行人流形成和分散的重要依据。

令S_R、S_L表示正向、反向行人的路径选择视觉影响距离，ρ_r(S_R)、ρ_L(S_R)表示正向和反向行人流在S_R范围内的密度，ρ_R(S_L)、ρ_L(S_L)表示正向和反向行人流在S_L范围内的密度，则行人流形成和分散规则如下：

1）如果

则正反向均无行人流形成，行人自由行走或者形成紊流状态，其中

表示正向行人流形成下限阈值，

表示反向行人流形成下限阈值；

2）如果

则正向和反向均为有序的行人流，相互之间干扰较小，其中

表示正向行人流形成上限阈值，

表示反向行人流形成上限阈值；

3）如果

则正向行人流有序流量以步长λ_R扩大，则反向行人流有序流量以步长λ_L减小；

4）如果

则反向行人流有序流量以步长λ_L扩大，则正向行人流有序流量以步长λ_R减小；

5）如果

则反向行人流有序流量有扩大趋势，正向行人流有序流量有减小趋势；如果

则正向行人流有序流量有扩大趋势，反向行人流有序流量有减小趋势。扩大或减小趋势是否形成取决于参数

及步行速度，具体规则见行人流波动模型。

2.2行人流波动模型

一般的，行人交通流密度较大时，队列中的行人总不愿意落后，而是紧随前面行人前进，逐步缩小自身与前方行人的间距，而随着行人交通流密度的降低，当行人之间的距离增加到一定的范围时，距离越大，前面行人对后面行人的影响越小。行人流波动模型的适用条件为行人行走方向一致，且有明显的积聚群体特征。

令a(k,t)表示第k类行人在t时刻的加速度，影响行人加速度的因素包括当前行人的速度、当前行人和紧前方行人的速度差、当前行人和紧前方行人的距离、当前行人在所在行人群体中的位置等。则第k类行人在t+1时刻的加速度通用公式可表达为： $a(k,t+1)={\mathrm{\ω}}_1(k,p)v{(k,t)}^{{\mathrm{\ω}}_2\left(k\right)}\frac{\mathrm{\Δv}{\left(t\right)}^{{\mathrm{\ω}}_3\left(k\right)}}{\mathrm{\Δx}{\left(t\right)}^{{\mathrm{\ω}}_4\left(k\right)}},$ 其中，v(k,t)第k类行人在t时刻速度，Δv(t)表示行人在t时刻与紧前行人的速度差，△x(t)表示行人在t时刻与紧前行人的距离，ω₁(k,p)表示第k类行人在所在行人群体的位置p的影响系数，p分为群头、群中和群尾三种情况，分别用代码1，2，3表示；ω₂(k)表示当前行人速度对加速度的影响系数，ω₃(k)表示当前行人与紧前行人速度差对加速度的影响系数；ω₄(k)表示当前行人与紧前行人的距离对加速度的影响系数。由于行人加速度的确定，则在t+1时刻行人速度v(k,t+1)＝v(k,t)+a(k,t+1)，根据此公式可得到行人在下一时刻的位置。

2.3行人从众行为模型

从众行为是指个体行动时，常常考虑他人的判断和行为，即使知道其他人是一种从众行为，完全理性的人也会参与其中并采取类似的行为。如果行人对于枢纽环境生疏，对路径的选择模糊不清，往往会对自己的知觉和判断缺乏信心，不自觉地以大多数人的知觉和判断结果作为自己的行为依据，使个体失去了自己的判断能力。所以人们更倾向于跟大多数人在一起，以从心理上增加判断的准确性，但是，这种从众心理常常会造成疏散出口堵塞。本节主要对枢纽行人从众行为进行建模，用来仿真其对疏散出口拥堵的情况。

从众行为的产生条件：要产生从众行为，需要在群体规模和移动方向上达到一定的条件，如图3所示，在一定的视野阈值δ内，在目标O方向的行人密度为ρ，如果ρ＞ρ_c，且则可认为该区域内行人行走行为满足从众行为模型条件，其中，ρ_c表示从众行为产生的最小行人密度，S(δ)表示视野δ范围的面积，

表示行人k在时刻t的速度，θ_o(k,t)表示k在t时刻的速度方向与目标O的夹角。

从众行为的速度：从众行为一般都是在比较拥堵的条件下产生，从众行为的个体都有期望速度，且期望速度会随着任务的紧急程度增加和增加，令v_e(k,t)表示第k类行人在时间t的期望速度，则v_e(k,t)＝[1-p(k,t)]v_n(k,t)+p(k,t)v_max(k,t)，其中，v_n(k,t)表示第k类行人在时间t的正常速度，v_max(k,t)表示第k类行人在时间t的可能的最大速度，p(k,t)表示第k类行人在时间t的任务紧急程度，是0-1之间的系数，任务越紧急，系数越大。在得到期望速度的前提下，就能根据当前速度和期望速度，得到下一时间刻度下的速度，v(k,t+1)＝v(k,t)+v_e(k,t).η，其中v(k,t)、v(k,t+1)表示第k类行人在时间t,t+1的速度，η加、减速系数。

从众行为的方向：由于从众行为的影响，会对影响范围内的行人行走角度产生影响，使最终的行走速度与目标方向趋于一致。值得注意的是，不是所有行人都参与了从纵行为，因此需要采用一定的方法加以区分，本节采用的规则如下：

1）如果π/2＜θ_o(k,t)≤3π/2，行人行走方向不受从众行为模式影响，θ_o(k,t+1)＝θ_o(k,t)+ω_r，其中ω_r为较小的随机数。

2）如果θ_o(k,t)≤π/2或者θ_o(k,t)＞3π/2时，行人行走方向与行走速度、行人密度等均有关系。通过研究发现，在密度增加的情况下，会加速行人进行决策，使行走方向与从众群体的目标方向一致；而当行人行走速度较慢时，则表示行人很有可能正在决策是否服从从众群体，采用的规则为：θ_o(k,t+1)＝θ_o(k,t)+ω(ρ(t),v(k,t))，其中ρ(t)表示t时刻行人视野范围的行人密度，ω(ρ(t),v(k,t))为在ρ(t)和v(k,t)条件下行人行走方向调整系数，一般来说ω(ρ(t),v(k,t))是ρ(t)的增函数，是v(k,t)的减函数，可通过视频观测的统计规律得到。

3引导标志对行人的影响

枢纽中，行人所在的环境对行人影响很大，其中最大的因素为行人引导标志，本节采用行人视野内的引导标志信息强度来标志引导标志对行人的影响。

引导标志信息强度表示引导标志对所在区域的行人的影响程度，与行人与引导标志距离、引导信息、行人目标等均有关联，如图4所示，δ₁区域表示引导标志的视觉影响区域，指在这个范围内，行人能看到引导标志，并有可能靠近确认其引导信息；δ₂区域表示引导标志的引导作用区域，指在这个范围内，行人能确认信息对其的引导作用。

令R(k,s,d)表示引导标志在距离行人s范围内，对第k类行人在d方向的引导影响程度，则：

$R(k,s,d)=\left\{\begin{array}{cc}0& s>{\mathrm{\δ}}_1\\ {\mathrm{\λ}}_{v1}\left(s\right).d\left(k\right).\tan {\mathrm{\θ}}_v\left(d\right)& {\mathrm{\δ}}_2\≤s\≤{\mathrm{\δ}}_1\\ {\mathrm{\λ}}_{v2}\left(s\right).d\left(k\right).\tan {\mathrm{\θ}}_I\left(d\right)& s\≤{\mathrm{\δ}}_2\end{array}\right.$

上式中，λ_v1(s)为在交通标志视觉影响区域（δ₂≤s≤δ）内的引导系数，是距离s的函数，λ_v2(s)表示在交通标志视觉引导区域（s≤δ₂）内的引导系数，是距离s的函数，d(k)表示第k类人的目的地方向，θ_v(d)为目的地方向与该行人与标志连线的夹角，θ_I(d)为信息引导方向与该行人目的地位置的夹角。在δ₂≤s≤δ₁区域内，引导标志的主要作用是将行人吸引到进一步能确认标志导向的位置，在s≤δ₂区域内，引导标志的主要作用是行人根据引导标志标示的方向，对行人当前位置与目的地的路径进行引导。

4枢纽行人引导标志位置设置优化框架

枢纽行人引导标志位置设置优化框架如图5所示。

如图5所示，枢纽行人引导标志位置设置优化框架分为初始化、模型选择、仿真及评价三个部分。在初始化阶段，将行人属性、枢纽环境和引导标志位置转化为数值模型进行仿真条件的初始化，即进行计算机描述，比如引导标志的位置（距离出入口多少米等），在行人流的动态特征描述中，通过判断满足行人自组织特征模型的条件采用对应的行人流仿真模型，并采用元胞自动机加以实现，最后通过对仿真结果的行人流冲突判断和拥堵进行评价，对引导标志位置进行优化。

通过判断满足行人自组织特征模型的条件采用对应的行人流仿真模型是，不同条件下采用不同的模型来描述行人流。

行人分流行为模型的适用条件为区域或者通道内行人对向行走流线明显；

行人流波动模型的适用条件为行人行走方向一致，且有明显的积聚群体特征；

从众行为的产生条件：要产生从众行为，需要在群体规模和移动方向上达到一定的条件。

5仿真实验

5.1仿真环境

如下图所示，仿真场景由通道、值机区、安检区和候机区组成，行人登机正常的流程为通道-值机柜台-安检-候机-登机，其中这几个流程需要在枢纽行人标志的引导下完成，当标志设置不合理时，会增加行人的驻留时间，影响旅客手续办理进行，同时也给枢纽承载带来了压力。仿真场景中，L1、L2、L3、L4长度分别为40米、50米、50米和100米，

本节设置的枢纽内部交通设施场景示意图如图6-9所示，其中行人引导标志采用悬挂式，其数量、高度根据不同试验要求进行不同设置。

5.2仿真实验设计

通过上述分析可知，交通标志设置密度和高度对行人路经选择都有影响，且与行人流量大小有很大关系。本报告将上述参数分为2个部分，分别为引导标志数量优化和引导标志高度优化。本报告的仿真实验设计如下表所示。

表4-1实验1-改变引导标志高度实验

表4-2实验2-改变引导标志设置密度实验

5.3仿真实验结果

5.3.1实验1仿真结果

在4.5.2仿真实验1条件下进行实验，得到如3分钟的枢纽空间示意图10、11(h表示高度,q表示行人流量)。

图12为实验1条件下，行人识别标志的延误时间以及到达候机室的路径长度对比图。

5.3.2实验2仿真结果

在5.2仿真实验2条件下进行实验，得到3分钟的枢纽空间示意图14(ρ表示密度,q表示行人流量)。

图15为实验2条件下，行人识别标志的延误时间以及到达候机室的路径长度对比图。

5.4仿真实验结果分析

1）从仿真实验1结果的仿真时空图可以看出，在行人流量为1500人/小时时，标志高度对枢纽行人影响不大，行人在各种高度条件下的路径选择决策区域没有明显的聚集。当行人流量为2500人/小时时，不同高度对行人路径选择决策产生了不同影响，不同条件下的行人在不同位置的空间聚集程度不一样，过高和过低的标志高度都会造成行人在选择决策区域的停留，从仿真实验1不同标志高度下行人识别标志的延误时间和路径长度可以定量看出不同标志高度对行人路径选择影响的差异，从图中可知本实验条件下行人引导标志的推荐高度是2.6米。

2）从仿真实验2结果的仿真时空图可以看出，在行人流量为2500人/小时时，不同标志密度对行人路径选择决策产生了不同影响，不同条件下的行人在不同位置的空间聚集程度有差异，当标志间隔过大时，行人一方面寻找标志时间过长，另一方面也有可能由于缺少标志而路径选择错误，造成局部空间行人聚集，当标志间隔过小时，由于标志过多也会给行人增加识别负担，从从仿真实验2不同标志高度下行人识别标志的延误时间和路径长度可以看出，本实验条件下的行人引导标志的推荐密度是3个/50米。

Claims (4)

1.一种行人引导标志设置优化方法，其特征是，分为初始化、模型选择、仿真及评价三个部分；在初始化阶段，将行人属性、枢纽环境和引导标志位置转化为数值模型进行仿真条件的初始化，在模型选择即行人流的动态特征描述中，通过判断满足行人自组织特征模型的条件采用对应的行人流仿真模型，并采用元胞自动机加以实现，最后通过对仿真结果的行人流冲突判断和拥堵进行评价，对引导标志位置进行优化。

2.如权利要求1所述的行人引导标志设置优化方法，其特征是，模型选择具体包括行人引导标志特征模型构建、行人自组织特征模型构建及引导标志对行人的影响三部分。

3.如权利要求1所述的行人引导标志设置优化方法，其特征是，行人引导标志特征模型构建包括：

1.1枢纽陆侧交通标志标线颜色特征描述

暖色色彩度:令A_P(x,y)表示行人引导标志中像素颜色对应的色调角度，则如果A_P(x,y)≤90°且A_P(x,y)≥0°，暖色色彩度 $D_P^a(x,y)=\cos A_P(x,y),$ 否则 $D_P^a(x,y)=0.$ 令

表示像素(x,y)的暖色色彩度显著度，则 $G_P^a(x,y)=1-D_P^a(x,y);$

亮度：令

表示像素(x,y)的亮度显著度，则

通过对枢纽场景中行人引导标志的颜色特征进行显著性提取，再采用眼动模拟实验得到在综合显著度中所占的权重，即可在行人智能体中加入上述感知特征，用来描述行人在颜色属性方面感知枢纽陆侧行人引导标志的行为；

1.2枢纽陆侧行人引导标志颜色特征描述

1.2.1枢纽陆侧行人引导标志轮廓特征提取

1）色调对比：令H_P(x,y)表示行人引导标志图像P坐标(x,y)的色调角度，则坐标(x,y)的色调对比度 $D_P^h(x,y)=\left|\frac{H_P(x,y)-\underset{x\∈P,y\∈P}{\mathrm{\Σ}}{H}_P(x,y)/\left|N_P\right|}{180}\right|,$ 其中N_P表示图像P中的像素数，即

表示行人引导标志图像的平均色调角度，令

表示像素(x,y)的色调对比显著度，则 $G_P^h(x,y)=1-D_P^h(x,y);$

2）饱和度对比：令S_P(x,y)表示行人引导标志图像坐标(x,y)的饱和度值，则坐标(x,y)的饱和度对比度 $D_P^s(x,y)=|S_P(x,y)-\underset{x\∈P,y\∈P}{\mathrm{\Σ}}{S}_P(x,y)/|N_P\left|\right|,$ $\underset{x\∈P,y\∈P}{\mathrm{\Σ}}{S}_P(x,y)/\left|N_P\right|$ 表示行人引导标志图像的平均饱和度，令表示像素(x,y)的饱和对比显著度，则 $G_P^s(x,y)=1-D_P^s(x,y);$

3）亮度对比：令V_P(x,y)表示行人引导标志图像坐标(x,y)的亮度值，则坐标(x,y)的亮度对比度 $D_P^v(x,y)=|V_P(x,y)-\underset{x\∈P,y\∈P}{\mathrm{\Σ}}{V}_P(x,y)/|N_P\left|\right|,$ 其中 $\underset{x\∈P,y\∈P}{\mathrm{\Σ}}{S}_P(x,y)/\left|N_P\right|$ 表示行人引导标志图像的平均饱和度，令表示像素(x,y)的亮度对比显著度，则 $G_P^v(x,y)=1-D_P^v(x,y);$

1.2.2枢纽陆侧行人引导标志轮廓边界判断

采用前述色调对比、饱和度对比和亮度对比值来进行轮廓特征的提取，为了提高提取效率，令λ_X、λ_Y表示标志轮廓特征提取在X、Y轴方向的搜索步长，设置边界识别条件a. $|G_P^h(x,y)-G_P^h(x-{\mathrm{\λ}}_X,y)|\≥G_H;$ b. $|G_P^s(x,y)-G_P^s(x-{\mathrm{\λ}}_X,y)|\≥G_S;$ c.

其中G_H,G_S,G_V分别表示隧道行人引导标志色调、饱和度和亮度边界变化阈值。采用主要的特征提取步骤如下：

1）初始化x＝0，y＝0；

2）x:＝x+λ_X；

3）如果x＞X_P，转5），否则继续；

4）计算(x,y)、(x-λ_X,y)两个位置的色调、饱和度和亮度对比显著度值，如果满足边界识别条件a,b,c三个条件中的2条及以上，则判定对应区域为轮廓边界区域，将(x,y)归入轮廓边界点集B，并在区域(x-λ_X,y-λ_Y),(x-λ_X,y),(x,y),(x-λ_X,y)四点围合区域突出显示显著度，转2）；

5）y:＝y+λ_Y；

6）如果y＞Y_P，结束，否则x＝0，转2）；

1.2.3枢纽陆侧行人引导标志轮廓特征感知

枢纽陆侧行人引导标志轮廓特征感知步骤如下：

1）将轮廓边界点集B中最外侧的点先按y坐标从大到小进行排序，在此基础上对同一y坐标下的x坐标从小到大进行排序，得到排序后的新边界点序列B'＝(d₁(x₁,y₁),d₂(x₂,y₂),...,d_n(x_n,y_n))，其中d_i(x_i,y_i)i＝1，2,...,n表示序列中的点；

2）令η_b表示枢纽陆侧行人引导标志轮廓特征边界干扰噪声阈值，在集合C中对所有点周边半径内的区域进行扫描，凡是进入到该区域的相邻点，全部突出显著度进行显示；

3）采用Hough变换算法对上述排除干扰后的区域进行识别，检测图像中存在的轮廓边界；

4）将无规则图形、正三角形、圆形和矩形分别标记为N，T，C，R并进行返回，分别对应不同的形状，这些参数将是行人引导标志对行人感知影响程度的依据。

4.如权利要求1所述的行人引导标志设置优化方法，其特征是，行人自组织特征模型构建是：

2.1行人分流行为模型

分别表示在正向行人流方向，对于当前行人而言，前方行人和后方行人的距离，

分别表示在反向行人流方向，对于当前行人而言，前方行人和后方行人的距离；令S_R、S_L表示正向、反向行人的路径选择视觉影响距离，ρ_R(S_R)、ρ_L(S_R)表示正向和反向行人流在S_R范围内的密度，ρ_R(S_L)、ρ_L(S_L)表示正向和反向行人流在S_L范围内的密度，则行人流形成和分散规则如下：

1）如果

则正反向均无行人流形成，行人自由行走或者形成紊流状态，其中

表示正向行人流形成下限阈值，

表示反向行人流形成下限阈值；

2）如果

则正向和反向均为有序的行人流，相互之间干扰较小，其中

表示正向行人流形成上限阈值，

表示反向行人流形成上限阈值；

3）如果

则正向行人流有序流量以步长λ_R扩大，则反向行人流有序流量以步长λ_L减小；

4）如果

则反向行人流有序流量以步长λ_L扩大，则正向行人流有序流量以步长λ_R减小；

5）如果

则反向行人流有序流量有扩大趋势，正向行人流有序流量有减小趋势；如果

则正向行人流有序流量有扩大趋势，反向行人流有序流量有减小趋势。扩大或减小趋势是否形成取决于参数

及步行速度，具体规则见行人流波动模型；

2.2行人流波动模型

令a(k,t)表示第k类行人在t时刻的加速度，影响行人加速度的因素包括当前行人的速度、当前行人和紧前方行人的速度差、当前行人和紧前方行人的距离、当前行人在所在行人群体中的位置，则第k类行人在t+1时刻的加速度通用公式表达为： $a(k,t+1)={\mathrm{\ω}}_1(k,p)v{(k,t)}^{{\mathrm{\ω}}_2\left(k\right)}\frac{\mathrm{\Δv}{\left(t\right)}^{{\mathrm{\ω}}_3\left(k\right)}}{\mathrm{\Δx}{\left(t\right)}^{{\mathrm{\ω}}_4\left(k\right)}},$ 其中，v(k,t)第k类行人在t时刻速度，Δv(t)表示行人在t时刻与紧前行人的速度差，△x(t)表示行人在t时刻与紧前行人的距离，ω₁(k,p)表示第k类行人在所在行人群体的位置p的影响系数，p分为群头、群中和群尾三种情况，分别用代码1，2，3表示；ω₂(k)表示当前行人速度对加速度的影响系数，ω₃(k)表示当前行人与紧前行人速度差对加速度的影响系数；ω₄(k)表示当前行人与紧前行人的距离对加速度的影响系数，由于行人加速度的确定，则在t+1时刻行人速度v(k,t+1)＝v(k,t)+a(k,t+1)，根据此公式可得到行人在下一时刻的位置；

2.3行人从众行为模型

在一定的视野阈值δ内，在目标O方向的行人密度为ρ，如果ρ＞ρ_c，且

则认为该区域内行人行走行为满足从众行为模型条件，其中，ρ_c表示从众行为产生的最小行人密度，S(δ)表示视野δ范围的面积，

表示行人k在时刻t的速度，θ_o(k,t)表示k在t时刻的速度方向与目标O的夹角；

从众行为的速度：令v_e(k,t)表示第k类行人在时间t的期望速度，则v_e(k,t)＝[1-p(k,t)]v_n(k,t)+p(k,t)v_max(k,t)，其中，v_n(k,t)表示第k类行人在时间t的正常速度，v_max(k,t)表示第k类行人在时间t的可能的最大速度，p(k,t)表示第k类行人在时间t的任务紧急程度，是0-1之间的系数，在得到期望速度的前提下，就能根据当前速度和期望速度，得到下一时间刻度下的速度，v(k,t+1)＝v(k,t)+v_e(k,t).η，其中v(k,t)、v(k,t+1)表示第k类行人在时间t,t+1的速度，η加、减速系数；

从众行为的方向：

1）如果π/2＜θ_o(k,t)≤3π/2，行人行走方向不受从众行为模式影响，θ_o(k,t+1)＝θ_o(k,t)+ω_r，其中ω_r为较小的随机数；

2）如果θ_o(k,t)≤π/2或者θ_o(k,t)＞3π/2时，行人行走方向与行走速度、行人密度均有关系，采用的规则为：θ_o(k,t+1)＝θ_o(k,t)+ω(ρ(t),v(k,t))，其中ρ(t)表示t时刻行人视野范围的行人密度，ω(ρ(t),v(k,t))为在ρ(t)和v(k,t)条件下行人行走方向调整系数，ω(ρ(t),v(k,t))是ρ(t)的增函数，是v(k,t)的减函数，通过视频观测的统计规律得到。

引导标志对行人的影响是：

δ₁区域表示引导标志的视觉影响区域，指在这个范围内，行人能看到引导标志，并有可能靠近确认其引导信息；δ₂区域表示引导标志的引导作用区域，指在这个范围内，行人能确认信息对其的引导作用；

令R(k,s,d)表示引导标志在距离行人s范围内，对第k类行人在d方向的引导影响程度，则：

$R(k,s,d)=\left\{\begin{array}{cc}0& s>{\mathrm{\δ}}_1\\ {\mathrm{\λ}}_{v1}\left(s\right).d\left(k\right).\tan {\mathrm{\θ}}_v\left(d\right)& {\mathrm{\δ}}_2\≤s\≤{\mathrm{\δ}}_1\\ {\mathrm{\λ}}_{v2}\left(s\right).d\left(k\right).\tan {\mathrm{\θ}}_I\left(d\right)& s\≤{\mathrm{\δ}}_2\end{array}\right.$

上式中，λ_v1(s)为在交通标志视觉影响区域（δ₂≤s≤δ）内的引导系数，是距离s的函数，λ_v2(s)表示在交通标志视觉引导区域（s≤δ₂）内的引导系数，是距离s的函数，d(k)表示第k类人的目的地方向，θ_v(d)为目的地方向与该行人与标志连线的夹角，θ_I(d)为信息引导方向与该行人目的地位置的夹角，在δ₂≤s≤δ₁区域内，引导标志的主要作用是将行人吸引到进一步能确认标志导向的位置，在s≤δ₂区域内，引导标志的主要作用是行人根据引导标志标示的方向，对行人当前位置与目的地的路径进行引导。

Images