CN107194030A - 一种基于视频数据驱动的人群疏散仿真方法及系统 - Google Patents

Abstract

本发明涉及一种基于视频数据驱动的人群疏散仿真方法及系统，方法部分包括以下步骤：获取指定区域的视频录像，利用KLT追踪算法从所述视频录像中提取出人群疏散初始坐标、运动速度、出口位置和运动路径；根据所述初始坐标和运动速度初始化待疏散个体，将每个个体的初始坐标和出口间的相对位置与所述运动路径作交叉访问，获取每个个体的初始坐标到出口的最短路径，采用社会力模型基于上述初始坐标、运动速度和最短路径实时计算个体速度和方向，实现人群疏散行为的仿真。本发明仿真疏散的初始化设置和疏散引领路径来源于真实的视频，能够较为真实的实现仿真疏散，为疏散演练提供帮助。

Description

一种基于视频数据驱动的人群疏散仿真方法及系统

技术领域

本发明涉及人群疏散计算机仿真领域，具体是一种基于视频数据驱动的人群疏散仿真方法及系统。

背景技术

随着人们生活水平的提高和现代化城市建设的快速发展，人们出行越来越频繁，人们办公的场所也越来越密集，随之而来的大型公共场所发生拥挤、踩踏事故造成人员的伤亡的事故越来越频繁。尤其是大城市人群高度集中的办公场所，其建筑场景设计非常复杂，一旦发生危险情况，在没有合理疏散引导的情况下，人们往往难以迅速的找到距离近的出口，而且研究中还表明，由于在发生火灾、地震等灾难时，人群极度恐慌，无法合理的运用建筑内的多个出口，降低了疏散效率。现阶段针对以上问题，主要采用预防方法的是真实的人群演练，这种方法由于需要动用大量的人力资源与财力资源，而且还存在潜在的危险，因此并不能很好的解决人群疏散的问题。计算机模拟仿真技术能够较为有效的模拟人群疏散的情况，克服了真人演练方法存在的缺点和不足。对突发事件下人群疏散的行为特征和运动规律的研究，是解决火灾、踩踏等公共安全问题的有效途径。人群疏散仿真的重要社会意义在于通过模拟真实场景的疏散情况，制定相应的应急预案，指导场景的设计，预防和减少灾难突发时的人员伤亡。

视频追踪技术是指动态识别、捕捉视频图像中的运动物体的技术，是一项融合了计算机视觉、计算机科学、视频监控等多领域的交叉技术。该技术将数字图像处理领域扩展到了动态图像中。视频追踪系统以图像序列作为输入，输出则是图像中目标的各种属性，如目标的大小，坐标位置，移动速度等。该技术在军事、交通、医学等领域发挥着日益重要的作用。KLT(Kanade-Lucas-Tomasi)算法，是视频追踪领域著名的算法，它是一种以待跟踪窗口W在视频图像帧的灰度差平方和作为度量的跟踪算法。KLT算法包含以下三个假设：

(1)亮度基本恒定

(2)时间连续

(3)空间一致，临近点有相似的运动，保持相邻。

通过收集给定区域内的人群运动视频图像，运用KLT追踪算法，我们就能够提取到真实人群运动视频数据中的行人的初始坐标、运动速度和运动的轨迹，这些轨迹以坐标序列的形式存储，经过坐标转换、去重等处理，就能够得到真实的人群运动路径，从而再现真实的人群运动特征。

社会力模型是Helbing等人于1995年提出的一个新的行人流模型，在社会力模型中将行人运动描述为力作用的结果，行人运动由自身驱动力、个体间交互力、个体与环境间交互力共同驱动。其中，自身驱动力描述个体向目标运动的期望；个体间交互力反映个体对他人的心理排斥及物理排斥，使个体之间保持一定距离，实现行人运动的碰撞避免；个体与环境间交互力保证个体与障碍物间的安全距离，使行人运动过程中平滑的规避障碍物。

现有的人群疏散仿真模型大多侧重于如何仿真，例如宏观疏散模型把疏散人群作为一个整体对待，疏散速度虽然快，但是疏散效果和真实情况差距较大；微观模型虽然个体独立，但是个体运动仅按照模型定义的规则，缺乏宏观上的目标选择和路径导航，且要为每个疏散个体都作全局运动规划，计算开销太大，往往只能用于处理较小规模的群体，在实时计算环境中很难应用。因此，现有的疏散模型和现实生活中真实的疏散过程相差较大。

发明内容

本发明为了解决上述问题，提出了一种基于视频数据驱动的人群疏散仿真方法，该方法从真实的视频中提取人群的初始坐标、运动速度、运动轨迹等运动特征属性，用于仿真疏散过程中的疏散引领。在仿真疏散过程中，选出疏散引导者，引导者根据距离各个出口的远近以及出口位置的拥挤度运用社会力算法引领群组疏散到出口。由于仿真疏散的初始化设置和疏散引领路径来源于真实的视频，因此能够较为真实的实现仿真疏散，为疏散演练提供帮助。

为了实现上述目的，本发明采用如下方案：

一种基于视频数据驱动的人群疏散仿真方法，包括以下步骤：

获取指定区域的视频录像，利用KLT追踪算法从所述视频录像中提取出人群疏散初始坐标、运动速度、出口位置和运动路径；

根据所述初始坐标和运动速度初始化待疏散个体，将每个个体的初始坐标和出口间的相对位置与所述运动路径作交叉访问，获取每个个体的初始坐标到出口的最短路径，采用社会力模型基于上述初始坐标、运动速度和最短路径实时计算个体速度和方向，实现人群疏散行为的仿真。

进一步的，所述初始化仿真个体包括设置以下数据：待疏散个体数、每个待疏散个体相对于其他个体的关系值。

根据社会力模型计算所述每个待疏散个体相对于其他个体的关系值。

进一步的，根据每个个体距离出口的位置对全体个体进行分组，选取组内具有最大关系值的个体作为引领个体。

进一步的，根据引领个体的坐标位置与各个出口的距离以及各个出口的拥挤度，选择目标出口；将引领个体的坐标位置和目标出口间的相对位置与所述运动路径作交叉访问，获取引领个体的坐标位置到出口的最短路径，各组引领个体根据所述最短路径引领组内成员，基于社会力模型作跟随运动；

当引领个体到达所述目标出口，则重新选取组内引领个体，直至各组中已无个体可选，视为组中全部个体已经成功疏散。

进一步的，计算所述出口拥挤度的方法为：在所述各个出口设置计数器，用于记录各个出口在设定时刻、设定面积内的个体数，出口拥挤度为设定时刻的单位面积个体数。

进一步的，设置拥挤度阈值，当出口拥挤度大于所述拥挤度阈值时，认为出口发生了拥堵；设置出口疏散效率为v_γ,表示出口每秒能通过v_γ个人；设置个体疏散的速度为v₀，表示个体每秒行走v₀米。

当出口的拥挤度大于拥挤度阈值时，则计算出口疏散预计花费时间t₁＝p_i(t)/v_γ,其中P_i(t)为出口在设定时刻、设定面积内的个体数；

当出口的拥挤度不大于拥挤度阈值时，则选择出口疏散预计花费时间t₂＝Dis_i/v₀，其中Dis_i为引领个体到出口的距离，t₂表示引领个体正常运动到出口的时间；

计算所有出口的疏散预计花费时间并进行比较，选择最短花费时间的出口作为目标出口。

进一步的，对提取出的运动路径进行去重复，然后存储到路径知识库中。

进一步的，对所述去重复后的运动路径进行坐标转换，。然后存储到路径知识库中。

本发明还提出了一种基于上述方法的基于视频数据驱动的人群疏散仿真系统，其特征在于，包括：

获取单元，用于获取指定区域的视频录像；

提取单元，用于利用KLT追踪算法从所述视频录像中提取出人群疏散初始坐标、运动速度、出口位置和运动路径；

交叉访问单元：用于根据所述初始坐标和运动速度初始化待疏散个体，将每个个体的初始坐标和出口间的相对位置与所述运动路径作交叉访问，获取每个个体的初始坐标到出口的最短路径；

计算单元；用于采用社会力模型基于上述初始坐标、运动速度和最短路径实时计算个体速度和方向，实现人群疏散行为的仿真。

进一步的，本系统还包括分组单元，用于根据每个个体距离出口的位置对全体个体进行分组，选取组内具有最大关系值的个体作为引领个体；目标出口选取单元，用于根据引领个体的坐标位置与各个出口的距离以及各个出口的拥挤度，选择目标出口。

本发明的有益效果为：

(1)本发明的人群疏散仿真模型是由真实疏散视频数据驱动的。模型首先利用了KLT算法从视频中提取了人群运动的初始化坐标、运动速度和运动轨迹，提取到的运动属性在经过处理后被用到社会力模型中指导人群的疏散。与普通的疏散模型相比较，该发明由于引入了真实的视频数据，因此疏散仿真更真实。

(2)本发明通过分析视频数据中行人运动的特点，对原始社会力做出了改进。考虑到了人群关系对疏散的影响，使得关系亲密的个体成组移动；优化目标选择策略，综合考虑到了距离出口的远近以及出口拥挤度两方面的因素，改进后仿真效果更真实。另外，人群疏散仿真时只需要组内引领个体同路径库交互获取路径，组内其他成员在引领个体的引导下移动。就解决了大规模人群疏散计算机仿真系统为每个个体计算路径导致的速度过慢的问题。

(3)本发明在疏散过程中，建立双层疏散机制。上层为疏散提供路径导航知识，导航的路径提取自真实的疏散视频；下层主要利用改进后社会力模型实现运动跟随和碰撞避免。群组中的引领个体通过与上下两层的实时交互，建立了疏散人群与导航路径之间的联系，避免了疏散人群盲目的移动。

(4)在熟悉场景的导航的引导下分组疏散，能够有效提高公共场所中通道的利用率以及危机情况下的人员安全性，有利于设计疏散预案，为真实的疏散演练提供帮助。

附图说明

图1是本发明人群疏散方法的流程图；

图2是本发明双层疏散模型框架的示意图；

图3是本发明提取视频中的运动特征对仿真疏散的指导图；

图4是本发明双层社会力疏散模型的受力分析图；

图5是本发明人群疏散的初始化示意图：a和b；

图6是本发明人群分组后在引领个体的引导下各组向出口移动过程的示意图：a和b；

图7是本发明人群分组后在引领个体的引导下各组向出口移动过程的示意图：a和b；

图8在本发明引领个体引导各组移动接近出口的示意图：a和b；

图9是本发明仿真实验平台窗体图。

具体实施方式：

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

如图1所示，本发明的一种典型实施例是一种基于视频数据驱动的人群疏散仿真方法，包括以下步骤：

(1)获取指定区域的视频录像，利用KLT追踪算法从所述视频录像中提取出人群疏散初始坐标、运动速度、出口位置和运动路径，并将提取出的运动路径去重、坐标转换后，存储到路径知识库中备用。

(2)根据提取到的坐标和运动速度初始化人群，并将待疏散的个体根据关系进行分组，并且在每个出口处设置一个记数器，统计从该出口疏散的个体数；

初始化的相关参数为：待疏散场景的相关参数，待疏散个体数、个体在疏散场景中的位置，个体期望速度，个体之间的关系链接表；

根据社会力模型计算所述每个待疏散个体相对于其他个体的关系值，作为个体之间的关系链接表之数据。

(3)各组选取组中具有最大关系值的个体作为引领个体；

(4)引领个体根据自己当前位置距离各个出口的远近以及出口的拥挤度，选择目标出口。

(5)引领个体依据自己的当前位置和选择出的出口，和路径知识库交互，从知识库中获取当前位置到出口的最短路径；

(6)各组引领个体根据路径指导向出口疏散，组内成员执行社会力算法跟随组内引领运动。

(7)若引领个体到达安全区域出口，则重新选取组中引领个体，返回步骤(3)，直至各组中已无个体可选(组中全部个体已经成功疏散)，结束。

步骤(4)中选择目标出口的方法包括：

计算出口的拥挤度：出口处的计数器获记录出口i在t时刻的拥堵人数为P_i(t)，拥塞面积为S_i(t),则出口i在t时刻的拥挤度为λ_i(t)＝P_i(t)/S_i(t)

设置拥挤度阈值为C_σ，当出口拥挤度大于C_σ我们认为出口发生了严重拥堵；设置出口疏散效率为v_γ,表示出口每秒能通过v_γ个人；设置个体疏散的速度为v₀，表示个体每秒行走v₀米。

当出口i的拥挤度λ_i(t)大于阈值C_σ时，则选择出口i疏散需要花费的时间t₁＝p_i(t)/v_γ,既所有拥堵的粒子疏散完毕的时间。当出口i的拥挤度λ_i(t)小于阈值C_σ时，则选择出口i疏散需要花费的时间t₂＝Dis_i/v₀，其中Dis_i为粒子到出口i的距离，t₂表示粒子正常运动到出口i的时间。

计算所有出口的预计花费时间并进行比较，选择时间花费最短的出口作为目标v出口进行疏散。

本发明的再一实施例是一种基于上述方法的基于视频数据驱动的人群疏散仿真系统，包括：

获取单元，用于获取指定区域的视频录像；

提取单元，用于利用KLT追踪算法从所述视频录像中提取出人群疏散初始坐标、运动速度、出口位置和运动路径；

交叉访问单元：用于根据所述初始坐标和运动速度初始化待疏散个体，将每个个体的初始坐标和出口间的相对位置与所述运动路径作交叉访问，获取每个个体的初始坐标到出口的最短路径；

分组单元，用于根据每个个体距离出口的位置对全体个体进行分组，选取组内具有最大关系值的个体作为引领个体；

目标出口选取单元，用于根据引领个体的坐标位置与各个出口的距离以及各个出口的拥挤度，选择目标出口。

计算单元；用于采用社会力模型基于上述初始坐标、运动速度和最短路径实时计算个体速度和方向，实现人群疏散行为的仿真。

下面给出了本实施例的一个典型应用，由160个人在100×80的平面区域上进行计算机人群疏散仿真，如图2-图8所示。图2是建立的双层疏散模型示意图；图3是视频数据中人群运动特征属性对仿真疏散的指导图；图4是双层社会力中粒子受力的分析图，引领粒子引导组内三个粒子向目标运动；图5(a)是监控视频记录的一次疏散的开始阶段，图5(b)仿真疏散平台根据监控视频进行人群初始化的情况；图6和图7是各群组在引领个体的带领下向出口移动的状况；图8是各群组在引领个体的带领下接近出口状况。由图6和图7可以看出，由于增加了群组关系，仿真疏散的行人会成组的移动；另外由于考虑到了拥挤度和距离对疏散的影响，仿真疏散的疏散结果和真实视频的疏散结果较为一致。

图9是仿真实验平台，在该平台下通过设置不同的人数规模、初始化位置，可以对不同场景实现多次疏散演练，从而提前规避危险。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种基于视频数据驱动的人群疏散仿真方法，其特征在于，包括以下步骤：

获取指定区域的视频录像，利用KLT追踪算法从所述视频录像中提取出人群疏散初始坐标、运动速度、出口位置和运动路径；

根据所述初始坐标和运动速度初始化待疏散个体，将每个个体的初始坐标和出口间的相对位置与所述运动路径作交叉访问，获取每个个体的初始坐标到出口的最短路径，采用社会力模型基于上述初始坐标、运动速度和最短路径实时计算个体速度和方向，实现人群疏散行为的仿真。

2.根据权利要求1所述的方法，其特征在于：所述初始化仿真个体包括设置以下数据：待疏散个体数、每个待疏散个体相对于其他个体的关系值。

3.根据权利要求2所述的方法，其特征在于：根据每个个体距离出口的位置对全体个体进行分组，选取组内具有最大关系值的个体作为引领个体。

4.根据权利要求3所述的方法，其特征在于：根据引领个体的坐标位置与各个出口的距离以及各个出口的拥挤度，选择目标出口；将引领个体的坐标位置和目标出口间的相对位置与所述运动路径作交叉访问，获取引领个体的坐标位置到出口的最短路径，各组引领个体根据所述最短路径引领组内成员，基于社会力模型作跟随运动；

当引领个体到达所述目标出口，则重新选取组内引领个体，直至各组中已无个体可选，视为组中全部个体已经成功疏散。

5.根据权利要求4所述的方法，其特征在于，计算所述出口拥挤度的方法为：在所述各个出口设置计数器，用于记录各个出口在设定时刻、设定面积内的个体数，出口拥挤度为设定时刻的单位面积个体数。

6.根据权利要求5所述的方法，其特征在于：设置拥挤度阈值，当出口拥挤度大于所述拥挤度阈值时，认为出口发生了拥堵；设置出口疏散效率为v_γ,表示出口每秒能通过v_γ个人；设置个体疏散的速度为v₀，表示个体每秒行走v₀米。

当出口的拥挤度大于拥挤度阈值时，则计算出口疏散预计花费时间t₁＝p_i(t)/v_γ,其中P_i(t)为出口在设定时刻、设定面积内的个体数；

当出口的拥挤度不大于拥挤度阈值时，则选择出口疏散预计花费时间t₂＝Dis_i/v₀，其中Dis_i为引领个体到出口的距离，t₂表示引领个体正常运动到出口的时间；

计算所有出口的疏散预计花费时间并进行比较，选择最短花费时间的出口作为目标出口。

7.根据权利要求1所述的方法，其特征在于：对提取出的运动路径进行去重复，然后存储到路径知识库中。

8.根据权利要求7所述的方法，其特征在于：对所述去重复后的运动路径进行坐标转换，。然后存储到路径知识库中。

9.根据权利要求2所述的方法，其特征在于：根据社会力模型计算所述每个待疏散个体相对于其他个体的关系值。

10.一种基于权利要求1的基于视频数据驱动的人群疏散仿真系统，其特征在于，包括：

获取单元，用于获取指定区域的视频录像；

提取单元，用于利用KLT追踪算法从所述视频录像中提取出人群疏散初始坐标、运动速度、出口位置和运动路径；

交叉访问单元：用于根据所述初始坐标和运动速度初始化待疏散个体，将每个个体的初始坐标和出口间的相对位置与所述运动路径作交叉访问，获取每个个体的初始坐标到出口的最短路径；

计算单元；用于采用社会力模型基于上述初始坐标、运动速度和最短路径实时计算个体速度和方向，实现人群疏散行为的仿真。