视频驱动的人群疏散行为仿真方法及系统
技术领域
本发明涉及计算机仿真技术领域,特别是涉及视频驱动的人群疏散行为仿真方法及系统。
背景技术
近些年国内外的一些大型公共场所相继发生了一系列群体踩踏事件,发生这些事件的很大一个原因是因为没有提前做好人群疏散应急预案。当聚集人群的密度较高时,个体之间相互挤压、推搡,人群处于高度不稳定状态,是发生大规模群体踩踏事故的安全隐患。由于公共场所人员众多,一旦发生紧急事故,如何保证人群快速安全疏散是突发事件应急处理的重要环节。由于人数众多,采用真人进行疏散模拟训练不现实,因此目前通用的方法是通过计算机模拟仿真技术进行场景建模、路径规划和人群疏散模拟仿真,可以有效的进行疏散演练,同时可以降低演练的成本。
目前关于仿真模型的研究,主要分为宏观模型和微观模型。宏观模型的研究对象为仿真人群整体,通过力学、数学等宏观统计行人的特征,如行人的密度、速度等,宏观模型能从群体角度研究整个人群疏散的运动过程,但无法区别对待个体之间的差异性,表现出一定的局限性。微观模型主要研究的是个体的差异,首先根据行人个体建立模型,然后通过个体考虑整体从而获取人群的行为特征。微观模型主要有社会力模型、Agent模型等。采用Agent模型思想的有Hoogendoom于2002年提出的多层效果最大化模型,Angomini提出的基于认知启发规则的模型,以及相互速度障碍模型(Reciprocal Velocity Obstacle,RVO)等。其中RVO模型引入了速度障碍模型(Velocity Obstacle,VO),从而将复杂个体Agent的运动疏散简化为了低维的线性规划问题,另外,该模型还可以在场景中添加动态障碍物,从而在大规模的人群疏散仿真中,体现出了独有的性能优势,因此受到研究人员的重视。
在实际疏散过程中,一方面,由于人与人之间存在个体差异,导致其步长和行走频率会具有一定的差异性,而这种差异性使不同的个体在同一环境下产生了不同的行进速度;另一方面,当人群的拥堵程度不同时,个体的行走速度也会有所不同,这说明人群密度会直接影响到个体的运动速度,即密度与速度之间存在着负相关性。然而大多数的人群疏散仿真模型往往忽略了这种个体的差异性和人群密度与疏散速度的负相关性,从而影响到其模型的真实性。
发明内容
为了解决现有技术的不足,本发明提供了视频驱动的人群疏散行为仿真方法,以实现真实、有效地对突发情况下高密度人群疏散行为进行仿真;该方法考虑了人群运动速度和密度的负相关关系,从真实视频中提取人群运动参数,分析这些参数得出运动速度和人群密度的关系模型,然后结合Roadmap全局路径规划和RVO避障策略进行人群疏散。人群密度相关的疏散仿真模型不仅能够对安全疏散有较强的借鉴意义,还可以为建筑物结构的安全性设计提供一定的科学指导。
视频驱动的人群疏散行为仿真方法,包括以下步骤:
根据需要对实际建筑物进行抽象建模,得到二维空间模型;
在二维空间模型中初始化障碍物信息、房间的个数、每个房间出口位置和最终安全出口的位置;
采用随机路标图PRM法来生成路标点,并对随机生成的路标点进行优化处理,优化方法为在每个房间的出口位置设置固定的路标点;依据AStar算法寻找路标点之间的最短路径,得到不同位置路标点的最优疏散路径;
在二维空间模型中初始化个体的数量和个体的位置;
依据人群中个体的年龄、性别和身高因素,采用高斯正态分布方法对不同个体的初速度进行初始化;
从真实视频中提取个体运动速度和周围人群运动密度,分析个体运动速度和周围人群运动密度之间的负相关关系;依据个体运动速度和周围人群运动密度之间的负相关关系对每个个体的速度进行初始化;
最后,采用RVO避障策略对仿真人群进行疏散。
进一步的,二维空间模型中初始化的个体的位置和个体的数量是从真实视频中提取后进行坐标转换得到的;
进一步的,由于个体运动初速度与个体的年龄、性别和身高等因素呈正态分布,因此用高斯正态分布来对人群中的不同个体的初速度进行随机初始化,初始化步骤为:
假设个体在紧急情况下的平均运动速度vd为2m/s,综合考虑不同个体之间的差异性,设第i个个体的初速度为vi,第i个个体的初速度为vi设为一个在高斯正态分布上的随机数,即对于第i个个体的初速度vi表示为:
u'=rand1*2-1; (2-1)
v'=rand2*2-1; (2-2)
s=u'2+v'2; (2-3)
其中,rand1、rand2为(0,1)的随机数,u'、v'、s为随机变量,vi使用C++库函数中高斯正态分布函数表示。
当个体开始运动的瞬间,第i个个体的速度为初速度vi;在运动过程中,个体的运动速度根据周围人群密度的大小进行实时变化;
进一步的,个体运动速度和周围人群运动密度之间的负相关关系,即在个体周围人数少(密度小)时,个体的运动速度加快;在个体周围人数多(密度大)时,运动速度减慢,依据人群运动速度和人群运动密度的负相关关系模型,来实时调整疏散过程中的个体运动速度;
首先,设以第i个个体的坐标为圆心,r为半径的范围内,个体的个数为ni,则第i个个体周围人群密度ρi表示如下:
ρi=ni/(πr2)
进一步的,所述第i个个体实际运动速度vi'和第i个个体周围人群运动密度ρi之间的负相关关系:
vi'=0.0243ρi 2-0.6032ρi+3.113 (3)
进一步的,为了避免疏散过程中多个个体之间出现碰撞现象,采用RVO避障策略来实现个体运动过程中无碰撞地安全抵达出口的过程;
进一步的,所述采用RVO避障策略对仿真人群进行疏散:
对于个体A和B,VOτ A|B表示当个体A的速度为vA,个体B的速度为vB时,个体A和B在τ时间内避免发生碰撞的集合。
D(p,r)={q|||p-q||<r} (4)
其中,D(p,r)是一个以p为圆心,以r为半径的开区间。
VOτ A|B表示为:
速度障碍物表示为:
vA-vB∈VOτ A|B,
当A、B分别以各自的当前速度运动时,
若vA-vB∈VOτ A|B,个体A和B会在τ时间内发生碰撞;
若个体A和B则不会在τ时间内发生碰撞;
将表示为则B的速度集为VB,
若那么能够保证个体A和B在τ时间段内不会发生碰撞,得出A和B的避免碰撞集合CAτ A|B;
为了解决现有技术的不足,本发明还提供了视频驱动的人群疏散行为仿真系统,以实现真实、有效地对突发情况下高密度人群疏散行为进行仿真;
视频驱动的人群疏散行为仿真系统,包括:存储器、处理器和存储在存储器上并在处理器上运行的计算机指令,所述计算机指令在被处理器运行时,完成以下步骤:
根据需要对实际建筑物进行抽象建模,得到二维空间模型;
在二维空间模型中初始化障碍物信息、房间的个数、每个房间出口位置和最终安全出口的位置;
采用随机路标图PRM法来生成路标点,并对随机生成的路标点进行优化处理,优化方法为在每个房间的出口位置设置固定的路标点;依据AStar算法寻找路标点之间的最短路径,得到不同位置路标点的最优疏散路径;
在二维空间模型中初始化个体的数量和个体的位置;
依据人群中个体的年龄、性别和身高因素,采用高斯正态分布方法对不同个体的初速度进行初始化;
从真实视频中提取个体运动速度和周围人群运动密度,分析个体运动速度和周围人群运动密度之间的负相关关系;依据个体运动速度和周围人群运动密度之间的负相关关系对每个个体的速度进行初始化;
最后,采用RVO避障策略对仿真人群进行疏散。
一种计算机可读存储介质,其上存储有计算机指令,所述计算机指令被处理器执行时,完成以下步骤:
根据需要对实际建筑物进行抽象建模,得到二维空间模型;
在二维空间模型中初始化障碍物信息、房间的个数、每个房间出口位置和最终安全出口的位置;
采用随机路标图PRM法来生成路标点,并对随机生成的路标点进行优化处理,优化方法为在每个房间的出口位置设置固定的路标点;依据AStar算法寻找路标点之间的最短路径,得到不同位置路标点的最优疏散路径;
在二维空间模型中初始化个体的数量和个体的位置;
依据人群中个体的年龄、性别和身高因素,采用高斯正态分布方法对不同个体的初速度进行初始化;
从真实视频中提取个体运动速度和周围人群运动密度,分析个体运动速度和周围人群运动密度之间的负相关关系;依据个体运动速度和周围人群运动密度之间的负相关关系对每个个体的速度进行初始化;
最后,采用RVO避障策略对仿真人群进行疏散。
与现有技术相比,本发明的有益效果是:
在原始RVO原始模型的基础上加入了人群运动速度和密度负相关关系,加入了个体运动速度与个体密度的负相关关系,并结合全局路径规划算法,在保证了疏散过程的高效性和个体碰撞避免的基础上,使人群的运动体现出多样性,更加符合实际情况。
为使所有个体能够以最快的速度从当前位置到达安全出口,采用AStar算法寻找最短路径。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1是本发明的人群疏散行为仿真方法流程示意图;
图2是本发明实例中对建筑物进行二维建模的示意图;
图3是本发明实例中使用PRM算法进行路径规划生成的路标点的示意图;
图4是本发明实例中使用PRM算法进行路径规划最短路径生成结果的示意图;
图5(a)是本发明实例中对个体数量和个体位置初始化的示意图:个体A、B下一时刻位置集合;
图5(b)A相对B速度障碍物集合;
图6(a)-图6(d)是本发明中采用的RVO避障策略的原理示意图。
具体实施方式
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,视频驱动的人群疏散行为仿真方法,包括以下步骤:
参阅图2所示,根据需要提取实际建筑物的场景特征,通过抽象建模得到疏散模拟所需建筑物场景的二维模型,并获取二维建筑物模型中房间数、房间出口位置、最终安全出口地位置、出口宽度以及建筑物内障碍物等信息;
参阅图3所示,路标点位置直接决定了所构建路标图的质量,本发明采用随机路标图(PRM)法来生成路标点并对随机生成的路标点进行优化处理,在每个房间的出口位置设置固定的路标点,从而使每个个体的疏散路径均通过房间出口,向最终出口疏散。
参阅图4所示,随机生成的路标点都是一些离散的点,需要在这些点之间建立连线生成路径。为使所有个体能够以最快的速度从当前位置到达安全出口,本发明采用AStar算法寻找最短路径。
原始RVO算法中所有个体的初始坐标都是随机生成的,由于初始化位置的随机性,导致实验初始阶段,个体的坐标与真实情况存在较大的差异,从而影响实验结果的真实度与准确度。本发明的方法是从真实的场景视频中提取个体的位置信息作为初始化坐标;本发明选取了具有代表性的大学教学楼作为测试场景,教学楼内学生较为密集,上下课时间段有集中的群体运动行为,因此可以获取工作日期间上课时间教学楼中监控视频,从中提取人群位置作为个体初始化坐标。
原始RVO算法中所有个体的初始速度都相同,没有考虑个体的多样性。本文的方法综合了人群中个体的年龄、性别、身高等差异,为了体现这种差异性,本文借助高斯正态分布函数生成个体的速度,实现更加真实的方针效果。
本发明假设个体在紧急情况下的平均运动速度vd为2m/s,综合考虑不同个体之间的差异性,设第i个个体的开始速度为vi,对于vi可以表示为:为体现出不同个体之间的差异性,本实验将个体的初始速度设为一个在高斯正态分布上的随机数,即对于第i个个体,其初始速度vi可表示为:
u'=rand1*2-1; (2-1)
v'=rand2*2-1; (2-2)
s=u'2+v'2; (2-3)
其中,rand1、rand2为(0,1)的随机数,u'、v'、s为随机变量,vi可以使用C++函数库中高斯正态分布函数表示,如公式(1)、(2)所示。
原始RVO算法假设所有个体在整个疏散过程中都是以匀速运动,这与真实人群疏散情况不符。本文综合考虑个体运动速度与人群密度的负相关性,即在个体周围人数较少(密度较小)时,个体的运动速度会加快;在个体周围人数较多(密度较大)时,运动速度会减慢。
本发明针对人群疏散过程,研究了个体的运动速度和人群密度呈现负相关关系。当人群密度小于等于4人/m2时,人群运动速度基本保持在1m/s以上,比较符合实际人群行走情况;当人群密度大于5人/m2时,人群运动速度变得非常缓慢。当人群密度为7人/m2时的情景,此时7个人已经基本上不能运动,人们的腿部基本上没有可以移动的空间,非常容易发生踩踏事故。
本发明通过对不同密度下的运动速度通过实验进行归纳拟合,得到个体运动与个体周围密度的拟合关系为公式(3)所示:
vi'=0.0243ρi 2-0.6032ρi+3.113 (3)
RVO算法的描述如下:对于个体A和B,VOτ A|B是表示当B的速度为vB时,个体A相对于个体B的速度vA的相对空间,从而使两个体A、B在时间τ之内会发生碰撞。
D(p,r)={q|||p-q||<r} (4)
其中,D(p,r)如图5(a)所示,是一个以p为圆心,以r为半径的开区间。
VOτ A|B可以表示为:
速度障碍物的几何意义如图5(b)所示,假设个体A、B的速度分别为vA和vB,速度障碍物可以表示为vA-vB∈VOτ A|B,即当A、B分别以各自的当前速度运动时,个体A和B会在τ时间内发生碰撞;若个体A和B则不会在τ时间内发生碰撞。
将表示为:
则B的速度集为VB,若
那么,能够保证个体A和B在τ时间段内不会发生碰撞,得出A和B的避免碰撞集合CAτ A|B。
参阅图6(a)-图6(d)所示,本发明仿真的为教学楼单层平面较为复杂的场景,包括多个教室、报告厅和安全通道,由四个出口、二十多个教师个三个大厅构成;图6(a)-图6(d)中4个不同时刻的疏散仿真图显示,所有个体都在向距离自己最近的出口运动,并且在运动过程中个体之间不会发生碰撞。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。