CN109086673A - 一种基于人群密度和行人速度的人群安全程度评估方法 - Google Patents

Abstract

本发明公开了一种基于人群密度和行人速度的人群安全程度评估方法，其内容包括：以获取的视频帧图像的前景面积和周长构成特征向量，采用神经网络模型回归预测出人群密度；基于LK光流改进的金字塔Lucas‑Kanade光流算法处理连续图像帧，求取行人速度，即不同行人个体运动的平均速度；构建模糊推理系统，评估人群安全等级：选择评价因素及确定其隶属度函数；建立人群属性与安全风险规则库，根据规则库对输入进行模糊推理；对推理结果进行去模糊化，进而评估出人群安全风险等级。本发明对人群密度、行人速度和输出人群安全风险等级建立数学模型，采用模糊推理方法来确定人群属性各要素对预警等级的影响，设计合理，操作简单，提高了实际应用性。

Description

一种基于人群密度和行人速度的人群安全程度评估方法

技术领域

本发明涉及视频分析与公共安全领域，尤其涉及一种基于人群密度和行人速度的人群安全程度评估方法。

背景技术

人群密集是现代化大型活动的一个突出特点，密集人群引发的安全问题也是大型活动安全管理的一个重点。一般情况下，大量的人群聚集并不会引起意外事故，但发生突发事故时由于没能做到有效的预警与控制，时常会造成较大的人员伤亡。比如，2014年12月31日23时35分上海外滩陈毅广场通往黄浦江观景平台的人行通道阶梯处，因有人失衡摔倒继而引发多人拥挤踩踏，造成36人死亡，49人受伤。上述事件因未能做到对大型活动的及时预警和有效管控而导致悲剧发生。

中国专利申请号为CN200710179883.7的发明专利提出了一种基于统计特征的人群密度分析方法。该方法通过分析摄像机捕捉到的视频帧图像，由计算机自动实时地计算出当前视频中的人群密度，但是该方法的缺陷在于得到的人群密度是一个0到1之间的小数，表示拥挤程度，无法得到人们所关心的具体人数。中国专利申请号为CN105868845A的发明专利提出了一种风险预警方法和装置，该方法通过实时监测设定时长内用户通过网络地图对预定地点的搜索量是否超过预设搜索量阈值来判断是否发出预警信息。但是该方法不能有效统计预定区域人群密度，没有明确预警等级，预警的准确度较低。

鉴于现有技术存在的缺点，本发明将模糊推理逻辑应用于人群安全评估，具有设计简单、应用性较强的优点。

发明内容

本发明的目的是提供一种基于人群密度和行人速度的人群安全程度评估方法，通过人群密度与行人速度作为预警指标，通过模糊推理的方法找出人群密度、行人速度与人群安全程度之间的映射关系。

为实现上述目的，本发明采用了以下技术方案：

为了提高人群安全风险预警等级的实际应用性，本发明引入模糊推理方法来确定人群属性各要素对预警等级的影响。首先对获取的视频帧图像进行预处理，通过背景差分法获取人群的图像特征构成特征向量T，将特征向量T输入至神经网络进行回归，从而得到场景中的人群密度。进一步的利用光流法计算行人速度。选取场景中的人群密度和行人速度作为模糊推理系统的评价因素，通过建立人群属性与安全风险规则库以及去模糊化操作得出人群安全风险等级。

一种基于人群密度和行人速度的人群安全程度评估方法，所述方法内容包括如下步骤：

步骤1，以视频监控下获取视频帧图像，对所获取的图像序列进行预处理；采用背景差分法对预处理后的图像进行处理，获取图像的前景，计算图像特征前景面积和周长，构成特征向量T，输入至神经网络模型回归预测出人群密度；

步骤2，基于LK光流改进的金字塔Lucas-Kanade光流算法处理连续图像帧，求取行人速度，即不同行人个体运动的平均速度；

步骤3，构建模糊推理系统，评估人群安全等级：选择评价因素以及确定其隶属度函数；建立人群属性与安全风险规则库，根据规则库对输入进行模糊推理；对推理结果进行去模糊化，进而评估出人群安全风险等级。

进一步的，在步骤1中，所述以视频监控下获取的视频帧图像的前景面积和周长构成特征向量，采用神经网络模型回归预测出人群密度，其具体过程如下：

视频监控中获取视频帧图像，对所获取的图像序列进行预处理；采用背景差分法对预处理后的图像进行处理，获取图像的前景，计算图像特征前景面积和周长，构成特征向量T，输入至神经网络模型回归预测出人群密度；

进一步的，在步骤2中，所述基于LK光流改进的金字塔Lucas-Kanade光流算法处理连续图像帧，求取行人速度，其具体过程如下：

步骤2.1，求取三维目标行人运动速度与图像平面投影速度之间的关系；

步骤2.2，采用基于LK光流改进的金字塔Lucas-Kanade光流算法计算出每个特征点的水平方向和垂直方向的光流速度；在此基础上，根据步骤2.1中求取的三维目标行人运动速度与图像平面投影速度之间的关系，从而求得行人速度提取人群的流速。

进一步的，在步骤3中，所述选择评价因素以及确定其隶属度函数；建立人群属性与安全风险规则库，根据规则库对输入进行模糊推理；对推理结果进行去模糊化，进而评估出人群安全风险等级。其具体过程如下：

步骤3.1，选择评价因素

模糊规则选择的好坏对模糊系统至关重要。模糊化的关键在于设计语言变量定性值的隶属度函数。在综合考虑各类可能的预警指标后，优选出人群密度与行人速度作为输入，人群安全风险等级作为输出；

步骤3.2，确定隶属度函数

将模糊输入的论域定义为:人群密度＝{很小，较小，适中，较大，很大}，人群行人速度＝{很慢，较慢，适中，较快，很快}；模糊输出的论域定义为：人群安全风险等级＝{一般，较重，严重，特别严重}；

模糊控制的隶属度函数，选择常用的三角形隶属度函数(Triangular membershipfunction，缩写为trimf)和梯形隶属度函数(trapezium membership function，缩写为trapmf)；

步骤3.3，建立人群属性与安全风险规则库

模糊推理机制基于人的控制经验，例如当人群密度为很大，行人速度很大的情况下，人群安全风险等级必然为最高级，即特别严重。当人群密度减小或者行人速度减小时，人群安全风险等级也会随之降低。其他情况也可作同样的推理，由此即可得出人群安全程度评估的模糊推理规则表。

步骤3.4，结合输入值人群密度和行人速度，建立人群安全风险等级模糊推理数学模型，勾画出输入与输出的三维关系图。

由于采用上述技术方案，本发明提供的一种基于人群密度和行人速度的人群安全程度评估方法，与现有技术相比具有这样的有益效果：

本发明对人群密度、行人速度和输出人群安全风险等级建立数学模型，采用模糊推理方法来确定人群属性各要素对预警等级的影响，设计合理，操作简单，提高了实际应用性。

附图说明

图1为本发明方法的流程图；

图2为本发明方法的具体实现步骤流程图；

图3为本发明方法的模糊系统结构图；

图4中(a)为输入人群密度的隶属度函数，(b)为输入人行速度的隶属度函数；

图5为输出人群安全风险等级的隶属度函数；

图6为输入人群密度、行人速度和输出人群安全风险等级的三维关系图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步说明。

本发明的一种基于人群密度和行人速度的人群安全程度评估方法，首先对获取的视频帧图像进行预处理，通过背景差分法获取人群图像特征构成特征向量T，进而将特征向量T输入至神经网络进行回归，得到场景中的人群密度及其变化规律。进一步的利用光流法计算行人速度。选取场景中的人群密度和行人速度作为模糊推理系统的评价因素，经过模糊推理知识库以及去模糊化从而得出人群安全程度评估。

如图1、图2所示，所述评估方法包括以下步骤：

步骤1，以视频监控下获取视频帧图像，对所获取的图像序列进行预处理；采用背景差分法对预处理后的图像进行处理，获取图像的前景，计算图像特征前景面积和周长，构成特征向量T，输入至神经网络模型回归预测出人群密度；

所述采用背景差分法对预处理后的图像进行处理的具体过程如下：

步骤1.1，将当前获取的图像帧与背景图像做差分运算，得到目标运动区域的灰度图，对灰度图进行阈值化处理提取运动区域；

步骤1.2，目标运动区域的灰度值大于阈值时则被视为运动物体即为前景，目标运动区域的灰度值小于等于阈值时则为背景，由此得到二值图像；

步骤1.3，由此根据阈值分割图像，并处理为二值化图像，进而统计前景像素点，即为前景面积S。利用sobel边缘算子提取前景边缘，统计边缘像素数，即为前景周长C。

将图像序列的多图像特征融合构成人群特征向量T，然后输入至神经网络回归预测,得出场景中人群密度。

步骤2，采用基于LK光流改进的金字塔Lucas-Kanade光流算法处理连续图像帧，求取行人速度，即不同行人个体运动的平均速度；其具体过程如下：

步骤2.1，求取三维目标行人运动速度与图像平面投影速度之间的关系；

假设目标行人上一点p₀相对于摄像机具有速度v₀，从而在图像平面上对应的投影点p_i具有速度v_i。在时间间隔σ_t时，点p₀运动了p₀σ₀；速度由下式表示：

其中，r₀和r_i之间的运动关系式为：

r_i/f＝r₀/z (2)

其中，f为镜头焦距，z为镜头中心到目标的距离(表示为z轴的单位矢量)。由式(2)求导和式(1)可得到赋予每个像素的速度矢量关系如式(3)，而这些矢量构成运动场。

v₀/v_i＝dr₀/dr_i＝z/f＝k (3)

由式(3)就可以得出三维目标行人运动速度与图像平面投影速度之间的关系。

步骤2.2，采用基于LK光流改进的金字塔Lucas-Kanade光流算法计算光流值；

图像金字塔的构建：假如输入连续两帧图像为I、J，时间间隔为t,其金字塔层数表示为L_m，则该金字塔表示为I^L和J^L，其中L＝0···m，则有式(4)：

计算分辨率最底层：即计算第L_m层光流通过采用自适应多尺度光流算法，光流初始值为0，迭代公式为：

其中uⁿ⁺¹和vⁿ⁺¹分别代表迭代n+1次时刻该像素点的水平和垂直的光流场值；和分别代表该像素点水平和垂直方向的光流场值的邻域的平均值；K_ρ是调整参数；f_xf_y和f_t分别代表该点灰度值关于(x,y,t)的偏导数；α是控制平滑度的参数。

由分辨率低的层到分辨率高的层进行流速映射：映射因子为2，并采用双线性插值法来计算非整数位置点。若L层点(x,y)处光流值为(u^L,v^L),映射到分辨率更高层的值为有式(6)：

其中，α_x、α_y为小数部分，x₀、y₀为整数部分。同理可得

由L层计算L-1层的光流：将上一步得到的光流值作为L-1层光流计算的迭代初始值，会使该层的迭代运算较快达到收敛。重复该步，直到计算到第0层为止。第0层所得的光流值即为最终光流值。

步骤2.3，行人运动速度的计算，其具体过程如下：

首先，选定需要计算人群流速的区域I_m，选择行人运动方向为主方向，再根据基于LK光流改进的金字塔Lucas-Kanade光流算法计算出每个特征点的水平方向和垂直方向的光流速度，并计算出这些特征点的水平和垂直方向上光流速度的平均值和计算公式如式(7)和式(8)；

即可求得行人的宏观光流速度I＝v_i，计算公式：

根据式(3)即可把以像素为单位的速度转化为以距离为单位的速度，求得行人的实际移动速度：

v₀＝kv_i。 (10)

步骤3，如图3所示，构建模糊推理系统，评估人群安全等级：选择评价因素及确定其隶属度函数；建立人群属性与安全风险规则库，根据安全风险规则库对输入进行模糊推理；对推理结果进行去模糊化，进而评估出人群安全风险等级。其具体实施过程如下：

步骤3.1，选择评价因素

模糊推理系统是一种基于规则的系统，模糊规则库是模糊规则的核心。模糊规则选择的好坏对模糊推理系统至关重要。模糊化的关键在于设计语言变量定性值的隶属度函数。在综合考虑各类可能的预警指标后，优选出人群密度与行人速度作为输入，人群安全风险等级作为输出。

(1)人群密度反映了一个空间内人员的稠密程度,通常用单位面积上分布的人员数目表示。一般情况下,最大人群密度是7人/m²或8人/m²，这主要取决于组成人群的个体生理尺寸。个体的最大生理尺寸通常由肩宽b_p和身体厚度d_p决定。为便于计算,将个体抽象成椭圆形或矩形区域,个体所占面积采用下列公式计算：

S_pS＝b_pd_p (12)

S_pE＝0.098m²，S_pS＝0.125m²。取二者的平均值得到我国人群最大忍受密度为ρ_risk＝9人/m²。则人群密度ρ的取值范围为0＜ρ＜9。

(2)行人速度反映了人群运动的整体状态，指行人不同个体运动速度的平均值，对人群安全风险程度有着重要的影响。本发明参照我国交通工程手册制定的人行道服务水平标准，设置行人速度论域为0.6≤v₀≤1.2，单位m/s。

(3)参照《上海市处置人群密集公共场所事故应急预案》规定，根据人群密集公共场所事故的发生性质、可能造成的危害和影响范围，将人群密集场所事故预警级别分为四级：Ⅰ级(人群安全风险特别严重)、Ⅱ级(人群安全风险严重)、Ⅲ级(人群安全风险较重)和Ⅳ级(人群安全风险一般)。

步骤3.2，确定隶属度函数

将模糊输入的论域定义为:人群密度＝{很小，较小，适中，较大，很大}，人群行人速度＝{很慢，较慢，适中，较快，很快}。模糊输出的论域定义为：人群安全风险等级＝{一般，较重，严重，特别严重}。

如图4、5所示，模糊控制的隶属度函数，选择常用的三角形隶属度函数(Triangularmembership function，缩写为trimf)和梯形隶属度函数(trapeziummembership function，缩写为trapmf),具体的输入量人群密度模糊化隶属度函数设计如下：

①

②

③

④

⑤

x为当前人群密度值，按照上述人群密度的隶属度函数的设计方法，能够得到输入量行人速度的模糊化隶属度函数；

行人速度的模糊化隶属度函数的表达式如下：

①

②

③

④

⑤

y为当前行人速度值,按照上述人群密度和行人速度的隶属度函数设计方法能够设计出人群安全风险等级的隶属度函数。

步骤3.3，建立人群属性与安全风险规则库

模糊推理机制基于人的控制经验，例如当人群密度为很大，行人速度很大的情况下，人群安全风险等级必然为最高级，即特别严重。当人群密度减小或者行人速度减小时，人群安全风险等级也会随之降低。其他情况也可作同样的推理，由此建立如下表1：人群安全程度评估的模糊推理规则表；

表1：人群属性与安全风险等级规则表：

步骤3.4，结合输入值人群密度和行人速度，建立人群安全风险等级模糊推理数学模型，勾画出输入与输出的三维关系图。

建立人群安全风险等级模糊推理数学模型，其具体步骤为：

设x₁表示人群密度，x₂表示行人速度，y表示模糊推理的输出人群安全风险等级；A_i表示x₁属于a_i的真域，a_i表示人群密度的论域值；B_i表示x₂属于b_i的真域，b_i表示行人速度的论域值；D_i表示y属于d_i的真域，d_i表示输出人群安全风险等级的论域值。以人群属性与安全风险等级规则表1为依据，采用模糊控制理论的模糊推理方法，则可按照以下步骤建立人群安全风险等级模糊推理数学模型：

依据上述模糊推理规则表，模糊推理模型可以表示为：

R＝[A₁∩B₁→D₁]∩[A₂∩B₂→D₂]∩···∩[A₂₅∩B₂₅→D₂₅] (23)

从而推出：

R＝[A₁∩B₁×D₁]∩[A₂∩B₂×D₂]∩···∩[A₂₅∩B₂₅×D₂₅] (24)

得到简化表达式为：

其中A_i(x₁)表示x₁属于a_i的真域，B_i(x₂)表示x₂属于b_i的真域，D_i(y)表示y属于d_i的真域，R(x₁,x₂,y)表示得到的模糊推理数学模型。

将该模型采用图5所示的输出解模糊化隶属度函数解模糊化操作，并采用MATLAB仿真，得到仿真结果图如图6所示，图6能够清楚地反应输入与输出之间的模糊推理响应关系。

以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (2)

1.一种基于人群密度和行人速度的人群安全程度评估方法，其特征在于：其步骤包括如下内容：

步骤一：以视频监控下获取视频帧图像，对所获取的图像序列进行预处理；采用背景差分法对预处理后的图像进行处理，获取图像的前景，计算图像特征前景面积和周长，构成特征向量T，输入至神经网络模型回归预测出人群密度；

步骤二：采用基于LK光流改进的金字塔Lucas-Kanade光流算法处理连续图像帧，求取行人速度，即不同行人个体运动的平均速度；

步骤三：构建模糊推理系统，评估人群安全等级：选择评价因素以及确定其隶属度函数；建立人群属性与安全风险规则库，根据规则库对输入进行模糊推理；对推理结果进行去模糊化，进而评估出人群安全风险等级。

2.根据权利要求1所述的一种基于人群密度和行人速度的人群安全程度评估方法，其特征在于，在步骤3中，所述构建模糊推理系统，评估人群安全等级：选择评价因素以及确定其隶属度函数；建立人群属性与安全风险规则库，根据规则库对输入进行模糊推理；对推理结果进行去模糊化，进而评估出人群安全风险等级；其具体实施过程如下：

步骤1，选择评价因素

综合考虑各类可能的预警指标，优选出人群密度与行人速度作为预警指标；设定人群密度的取值范围为0＜ρ＜9，单位：人/m²；行人速度的取值范围为0.6≤v₀≤1.2，单位：m/s；将人群密集场所事故预警级别分为四级：Ⅰ级，是指人群安全风险特别严重；Ⅱ级，是指人群安全风险严重；Ⅲ级，是指人群安全风险较重；Ⅳ级，是指人群安全风险一般；

步骤2，确定隶属度函数

将模糊输入的论域定义为:人群密度＝{很小，较小，适中，较大，很大}，人群行人速度＝{很慢，较慢，适中，较快，很快}，模糊输出的论域定义为：人群安全风险等级＝{一般，较重，严重，特别严重}；

模糊控制的隶属度函数，选择三角形隶属度函数和梯形隶属度函数,具体的输入量人群密度模糊化隶属度函数设计如下：

x为当前人群密度值，按照上述人群密度的隶属函数的设计方法，能够得到输入量行人速度的模糊化隶属度函数；

行人速度的模糊化隶属函数的表达式如下：

y为当前行人速度值,按照上述人群密度和行人速度的隶属函数设计方法，能够设计出人群安全风险等级的隶属度函数；

步骤3，建立人群属性与安全风险规则库

模糊推理机制基于专家的控制经验，当人群密度为很大，行人速度很大的情况下，人群安全风险等级必然为最高级，即特别严重；当人群密度减小或者行人速度减小时，人群安全风险等级也会随之降低；其他情况也可作同样的推理，由此建立如下表1人群属性与安全风险等级规则表；

表1：人群属性与安全风险等级规则表：

步骤4，结合输入值人群密度和行人速度，建立人群安全风险等级模糊推理数学模型，勾画出输入与输出的三维关系图；

按如下方法建立人群安全风险等级模糊推理数学模型：

设x₁表示人群密度，x₂表示行人速度，y表示模糊推理的输出人群安全风险等级；A_i表示x₁属于a_i的真域，a_i表示人群密度的论域值；B_i表示x₂属于b_i的真域，b_i表示行人速度的论域值；D_i表示y属于d_i的真域，d_i表示输出人群安全风险等级的论域值；以人群属性与安全风险等级规则表为依据，采用模糊控制理论的模糊推理方法，则可按照以下步骤建立人群安全风险等级模糊推理数学模型：

If x₁＝a₁ and x₂＝b₁ Then y＝d₁

If x₁＝a₂ and x₂＝b₂ Then y＝d₂

If x₁＝a₃ and x₂＝b₃ Then y＝d₃

·

·

·

If x₁＝a₂₄ and x₂＝b₂₄ Then y＝d₂₄

If x₁＝a₂₅ and x₂＝b₂₅ Then y＝d₂₅

依据上述模糊推理规则表，模糊推理模型可以表示为：

R＝[A₁∩B₁→D₁]∩[A₂∩B₂→D₂]∩···∩[A₂₅∩B₂₅→D₂₅] (11)

从而推出：

R＝[A₁∩B₁×D₁]∩[A₂∩B₂×D₂]∩···∩[A₂₅∩B₂₅×D₂₅] (12)

得到简化表达式为：

其中A_i(x₁)表示x₁属于a_i的真域，B_i(x₂)表示x₂属于b_i的真域，D_i(y)表示y属于d_i的真域，R(x₁,x₂,y)表示得到的模糊推理数学模型；

将该模型采用输出解模糊化隶属度函数解模糊化操作，并采用MATLAB仿真，得到仿真结果图，该仿真结果图能够清楚地反应输入与输出之间的模糊推理响应关系。