CN109740455A

CN109740455A - 一种人群疏散仿真方法和装置

Info

Publication number: CN109740455A
Application number: CN201811557088.1A
Authority: CN
Inventors: 刘弘; 孙雨彤
Original assignee: Shandong Normal University
Current assignee: Shandong Normal University
Priority date: 2018-12-19
Filing date: 2018-12-19
Publication date: 2019-05-10
Anticipated expiration: 2038-12-19
Also published as: CN109740455B

Abstract

本发明公开了一种人群疏散仿真方法和装置，能够给人群提供疏散路径指导，防止陷入局部最优，提高疏散效率。该人群疏散仿真方法包括以下步骤：获取人群图像，并对人群图像进行预处理；提取人群图像的纹理特征；根据人群图像的纹理特征，利用极限学习机算法对人群密度进行估计和分类，得到人群密度等级；依据人群密度等级，利用人工鱼群算法对人群图像进行仿真，得到最佳疏散路径。

Description

一种人群疏散仿真方法和装置

技术领域

本公开属于人群疏散仿真领域，具体是一种基于人工鱼群算法与极限学习机算法结合的人群疏散仿真方法和装置。

背景技术

随着经济的飞速发展，人们的业余生活也越来越丰富，公共场所内经常出现大规模人群聚集现象，由于人群过度拥挤而造成的安全隐患也越来越严重。为规避拥塞事件出现，减少生命财产损失，通过计算机仿真技术来进行场景建模、路径寻优以及人群运动行为建模，可以在达到最佳疏散演练效果的同时将成本最小化。因此,计算机仿真模拟成为研究突发事件下人群疏散的最主要方法。

极限学习机(extreme learning machine,ELM)是一类基于前馈神经网络设计的机器学习算法，该算法随机产生输入层与隐含层间的连接权值及隐含层神经元的阈值，且在训练过程中无需调整，只需要设置隐含层神经元的个数，便可以获得唯一的最优解。利用极限学习机算法可对从人群图像中提取出来的纹理特征进行分类，得到较为精确的人群密度。由于利用极限学习机算法进行分类大大减少了训练与测试的时间，同时具有很高的实时性，且极限学习机算法可以达到最小的训练误差，而其他算法可能产生局部最小解或因迭代太多而停止。因此极限学习机算法不仅学习速度快、泛化性能好且能得到最小权重范数。

人工鱼群算法(Artificial Fish School Algorithm；AFSA)是通过模拟鱼类的觅食、聚群、追尾随机等行为在搜索域中进行寻优。在寻优过程中，通常会有两种方式表现出来：一种形式是通过人工鱼最终的分布情况来确定最优解的分布，通常随着寻优过程的进展，人工鱼往往会聚集在极值点的周围，而且全局最优的极值点周围通常能聚集较多的人工鱼；另一种形式是在人工鱼的个体状态之中表现出来的，即在寻优过程中，跟踪记录最优个体的状态。人工鱼群算法具有克服局部极值、取得全局极值的能力；算法中仅使用目标问题的函数值，对搜索空间有一定的自适应能力；具有对初值与参数选择不敏感、鲁棒性强、简单易实现、收敛速度快和使用灵活等特点。

综上所述，如何将极限学习机算法与人工鱼群算法相结合来进行人群疏散仿真，提高收敛速度，尚缺乏有效的解决方案。

发明内容

为了克服上述现有技术的不足，本公开提供了一种人群疏散仿真方法和装置，能够给人群提供疏散路径指导，防止陷入局部最优，提高疏散效率。

本公开所采用的技术方案是：

一种人群疏散仿真方法，该方法包括以下步骤：

获取人群图像，并对人群图像进行预处理；

提取人群图像的纹理特征；

根据人群图像的纹理特征，利用极限学习机算法对人群密度进行估计和分类，得到人群密度等级；

依据人群密度等级，利用人工鱼群算法对人群图像进行仿真，得到最佳疏散路径。

进一步的，所述提取人群图像的纹理特征的步骤包括；

计算四个不同方向的灰度共生矩阵；

针对每个灰度共生矩阵，分别计算能量、熵、惯性矩、相关性四个纹理特征值，得到十六个纹理特征参数；

计算灰度-梯度共生矩阵；

利用灰度-梯度共生矩阵，计算小梯度优势、大梯度优势、梯度平均和梯度平均四个纹理特征值，得到四个纹理特征参数；

将灰度共生矩阵得到的十六个纹理特征参数与灰度-梯度共生矩阵得到的四个纹理特征参数相结合，得到二十维纹理特征向量。

进一步的，所述小梯度优势、大梯度优势、梯度平均和梯度平均四个纹理特征值的计算方法为：

设置人群图像为f(x,y)，梯度图像为g(x,y)，将梯度图像g(x,y)压缩成灰度级为L_g的新的梯度图像G(x,y)；

对人群图像f(x,y)进行归一化处理，得到图像对梯度图像G(x,y)进行归一化处理，得到图像则灰度-梯度共生矩阵的元素H(x,y)定义为在图像和图像中分别具有灰度值x和梯度值y的像素数；

对灰度-梯度共生矩阵进行归一化处理；

利用归一化后的灰度-梯度共生矩阵，计算小梯度优势、大梯度优势、梯度平均和梯度平均四个纹理特征值。

进一步的，所述利用极限学习机算法对人群密度进行估计和分类的方法具体为：

设置训练集、激活函数和隐藏节点个数，根据人群图像的纹理特征，计算人群密度的输出权重；

利用输出权重，构建人群密度的输出函数，并划分人群密度等级。

进一步的，所述人群密度等级包括高密度人群等级、较高密度人群等级、较低密度人群等级和低密度人群等级。

进一步的，所述人群密度的输出权重的计算方法为：

对输入权重和偏差进行赋值；

计算隐藏层输出矩阵；

根据人群图像的纹理特征值、输入权重和偏差的赋值以及隐藏层输出矩阵，计算人群密度的输出权重。

进一步的，所述利用人工鱼群算法对人群图像进行仿真的方法为：

给定视野Visual，步长Step，拥挤度因子δ，最大迭代次数Max，随机初始化N个个体；

设个体当前状态为X_i，在其感知范围内随机选择一个状态X_j，获取状态X_i的人群密度Y_i和状态X_j的人群密度Y_j；

如果Y_i<Y_j，则将状态X_j作为移动目标点，个体向状态X_j的方向前进一步；反之则重新选择状态X_j；该目标点与个体的当前位置的连线即为最佳疏散路径；

当拥挤人群中有大面积的聚群行为时，根据人群自发的聚群行为，在状态为X_j的目标点的邻域内伙伴数目为n_f，中心位置为X_c，若中心位置X_c的人群密度Y_c与伙伴数目n_f的比值大于状态X_j的人群密度Y_j与拥挤度因子δ的乘积，则表明X_c的人群密度大且不太拥挤，则个体向X_c移动一步；

通过极限学习机算法不断迭代，不断更新场景中的人群密度，重复上述步骤，直至场景内人群密度为零，最终完成仿真疏散。

一种人群疏散仿真装置，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行如上所述的人群疏散仿真方法。

通过上述技术方案，本公开的有益效果是：

(1)本公开将极限学习机算法与人工鱼群算法的结合，有效弥补人工鱼群算法因迭代次数太多而导致算法终止的不足；利用极限学习机的实时性与测试、训练速度高的特点，通过不断迭代，对某一场所内人群进行人群密度的估计；将返回的人群密度数据应用在人工鱼群算法中，在紧急情况发生时，有效地提高公共场所中人群疏散的效率以及危机情况下的疏散人群的安全性，有利于设计疏散方案，为真实的疏散演练提供帮助；

(2)本公开通过极限学习机算法与人工鱼群算法的结合，可实现在提高收敛速度的同时，也能适当的提高收敛精度，克服局部极值；同时，将实时人群密度用于人群疏散的引导，可以提高疏散效率，减少生命与财产的损失。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本申请，并不构成对本公开的不当限定。

图1是人群疏散仿真方法的流程图；

图2是人群图像的纹理特征提取的流程图；

图3是基于极限学习机算法的人群密度等级分类示意图；

图4是某地铁站内人群流动示意图；

图5是某地铁站出站口的人群流动示意图；

图6是人群初始化后人群的随机分布情况图；

图7是人群疏散仿真的成组图像；

图8是人群疏散仿真的临近疏散结束的图像。

具体实施方式

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本公开使用的所有技术和科学术语具有与本公开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。

极限学习机是一种实时的算法，是一类基于前馈神经网络设计的机器学习算法，该算法随机产生输入层与隐含层间的连接权值及隐含层神经元的阈值，且在训练过程中无需调整，只需要设置隐含层神经元的个数，便可以获得唯一的最优解。将极限学习机算法引入人群疏散仿真系统的好处在于：面对特定的环境，可对从人群图像中提取出来的纹理特征进行分类，得到较为精确的人群密度。

一种或多种实施例提供一种基于人工鱼群算法与极限学习机算法结合的人群疏散仿真方法。图1是该人群疏散仿真方法的流程图，该人群疏散仿真方法包括以下步骤：

S101，获取人群图像，并对人群图像进行预处理。

在至少一个实施例中，通过摄像机对应用场景中的人群目标进行拍摄或对视频序列采样，图像采集卡将连续时间内获取的人群图像传输到处理器中，处理器对人群图像进行预处理，构建人群密度分析的原始数据库。

S102，提取人群图像的纹理特征。

在至少一个实施例中，利用灰度共生矩阵、灰度-梯度共生矩阵对人群图像进行特征提取，获取人群图像的纹理特征，分别选择小梯度优势、大梯度优势、灰度平均以及梯度平均四个特征值以及能量(ASM)、熵(ENT)、惯性矩(CON)、相关性(COR)四个纹理特征值作为人群图像的纹理特征。

如图2所示，在步骤S102中，利用灰度共生矩阵对人群图像进行特征提取的方法具体为：

S1021-1，计算四个不同方向的灰度共生矩阵。

所述S1021-1的具体实现方式如下：

取图像(N×N)中任意一点(x，y)及偏离它的另一点(x+a，y+b)，设该点对的灰度值为(g1，g2)；令点(x，y)在整个图像上移动，则会得到各种灰度值(g1，g2)，设灰度值的级数为k，则(g1，g2)的组合共有k的平方种。

对于整个图像，统计出每一种(g1，g2)值出现的次数，然后排列成一个方阵，再用(g1，g2)出现的总次数将它们归一化为出现的概率P(g1，g2)，这样的方阵称为灰度共生矩阵。

S1021-1，针对每个灰度共生矩阵，分别计算能量(ASM)、熵(ENT)、惯性矩(CON)、相关性(COR)四个纹理特征值，得到十六个纹理特征参数。

在本实施例中，采用现有的方法分别计算能量(ASM)、熵(ENT)、惯性矩(CON)、相关性(COR)四个纹理特征值，在本申请中不再赘述。

在步骤S102中，利用灰度-梯度共生矩阵对人群图像进行特征提取的方法具体为：

S1022-1，设置人群图像为f(x,y)，设其是一幅大小为M*N的二维图像；梯度图像为g(x,y)，将g(x,y)压缩成灰度级为L_g的新的梯度图像G(x,y)，即：

其中，g_min和g_max是梯度图像灰度级的最小值和最大值。

S1022-2，对人群图像f(x,y)进行归一化处理，得到图像对梯度图像G(x,y)进行归一化处理，得到图像则灰度-梯度共生矩阵的元素H(x,y)定义为在图像和图像中分别具有灰度值x和梯度值y的像素数。

S1022-3，对灰度-梯度共生矩阵进行归一化处理，使得各元素之和为1，即：

S1022-4，计算小梯度优势、大梯度优势、梯度平均和梯度平均四个纹理特征值。具体为：

(1)小梯度优势：

(2)大梯度优势：

(3)灰度平均：

(4)梯度平均：

将四个不同方向的灰度共生矩阵提取到的十六个纹理特征值和灰度-梯度共生矩阵提取到的四个纹理特征值相结合，得到一个二十维纹理特征向量。

本实施例利用四个不同方向的灰度共生矩阵和灰度-梯度共生矩阵进行人群特征提取，可以清晰的得到图像内像素灰度与梯度的分布规律，同时也体现了各像素与邻域像素的空间关系，可以很好的描绘出图像的纹理特征。

S103，根据人群图像的纹理特征，利用极限学习机算法对人群密度进行估计和分类，得到人群密度等级。

在至少一个实施例中，利用极限学习机算法地对人群图像的纹理特征进行分类，得到人群密度等级，其中，所述人群密度等级包括高密度人群等级、较高密度人群等级、较低密度人群等级和低密度人群等级。

所述步骤S103中，根据人群图像的纹理特征，利用极限学习机算法对人群密度进行估计和分类的方法具体为：

S1031，计算人群密度的输出权重。

设置训练集为激活函数为g(x)，隐藏节点个数为

S1031-1，对输入权重W_i和偏差b_i赋值，

S1031-1：计算隐藏层输出矩阵H；

S1031-3：根据人群图像的纹理特征，以及上述两步得到的输入权重W_i和偏差b_i赋值以及输出矩阵H，计算输出权重β：

β＝H^-1T (7)

即：

β＝H'(1/λ+HH')^-1T (8)

或者

β＝H'(1/λ+H'H)^-1H'T (9)

其中，H为隐藏层输出矩阵；H'为隐藏层输出矩阵的转置矩阵；λ为一个正值；T为输出矩阵H与输出权重β的乘积。

用激活函数g(x)和个隐藏节点学习N个样本时的零错误率的表示：的简写形式Hβ＝T，其中W_i为输入权重，β_i为输出权重。

S1032，利用输出权重构建输出函数，进行分类。

(1)单输出节点。

对于二分类，极限学习机算法只需要依次输出节点，人群密度的输出函数为：

f(x)＝sign(h(x)H'(I/λ+HH')^-1T) (10)

式中，h(x)是根据岭回归方法，常用的最小二乘法是一种无偏估计，h(x)即代表一个矩阵，这个矩阵通常是列满秩的，此处为X不是列满秩的情况；f(x)为人群密度的输出函数。即人群密度为f(x)。

(2)多输出节点。

对于多类情况，人群中个体的类为最大输出值节点的序号。

f_j(x)是第j个输出点的人群密度输出函数，如下：

f(x)＝[f₁(x),...,f_m(x)]' (11)

则人群中个体x的人群密度类标签为：

基于极限学习机算法的人群密度等级分类示意图如图3所示，利用极限学习机算法在复杂场景下根据人群的纹理特征对人群进行密度估计。

S104，依据人群密度等级，利用人工鱼群算法对数据库中获取的应用场景的人群图像进行仿真，得到最佳疏散路径。

在至少一个实施例中，利用人工鱼群算法作为人员疏散模型的基础建模方式，将宏观与微观相结合，把疏散个体看作人工鱼智能体，定义其离散视野、步长等；利用人工鱼当前所在位置的食物浓度，即依据人群密度高低，结合可感知范围判断是否满足前进条件。

所述步骤104的具体实现方式如下：

使用极限学习机对应用场景中的人群分类之后，实时得到场景中每部分的人群密度ρ，令ρ＝f(X)。

将疏散个体看作人工鱼智能个体，设置初始状态为X_i(i＝1,...,n)；定义其视野范围，设置人工鱼个体的虚拟视觉以及前进一步后的位置，其中，人工鱼个体的虚拟视觉为：

X_V＝X+Visual*Rand() (13)

人工鱼个体前进一步后的位置为：

人工鱼个体当前所在位置的食物浓度表示为：

Y＝f(x) (15)

其中Y为目标函数值；人工鱼个体之间的距离表示为

d_i,j＝||X_i-X_j|| (16)

用Visual表示人工鱼的感知范围；δ表示拥挤度因子；Step表示人工鱼移动的步长，为了减少收敛过程中震荡的发生，算法中采用的是随机步长，即每移动1步的距离为Rand(0,1)*Step。

由于不同的场景出口数不同，应用到本实施例即对应不同位置密度的不同，食物浓度高的位置即是出口位置。因此针对数据库中获取的应用场景的人群图像按如下步骤进行仿真：

S1041，给定视野Visual，步长Step，拥挤度因子δ，最大迭代次数Max，随机初始化N个个体；

S1042，设个体当前状态为X_i，在其感知范围内随机选择一个状态X_j，用Y接收实时反馈回的人群密度。如果Y_i<Y_j，则将状态X_j作为移动目标点，个体向状态X_j的方向前进一步；反之则重新选择状态X_j；该目标点与个体的当前位置的连线即为最佳疏散路径；

S1043，当拥挤人群中有大面积的聚群行为时，其他的个体偏向于向群体靠拢，根据人群自发的聚群行为，在状态为X_j的目标点的邻域内(即d_i,j<Visual)的伙伴数目n_f及中心位置X_c，若满足则表明X_c的人群密度大且不太拥挤，则个体向X_c移动一步；否则重复执行S1042；如图4和图5所示。

S1044，通过极限学习机算法不断迭代，不断更新场景中的人群密度，重复上述步骤S1042-S1043，直至场景内人群密度为0，最终完成仿真疏散。疏散过程如图6-8所示。

本公开通过自下而上的思路，从实现人群个体的个体行为出发，逐步形成群体效应，突现最优的疏散路径。通过极限学习机算法不断迭代，不断更新场景中的人群密度，使完成疏散的个体快速跟踪场景内的变化，直至密度为0，场景内所有行人均疏散至安全位置，完成疏散。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开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公开的保护范围以内。

Claims

1.一种人群疏散仿真方法，其特征是，该方法包括以下步骤：

获取人群图像，并对人群图像进行预处理；

提取人群图像的纹理特征；

2.根据权利要求1所述的人群疏散仿真方法，其特征是，所述提取人群图像的纹理特征的步骤包括；

计算四个不同方向的灰度共生矩阵；

计算灰度-梯度共生矩阵；

3.根据权利要求1所述的人群疏散仿真方法，其特征是，所述小梯度优势、大梯度优势、梯度平均和梯度平均四个纹理特征值的计算方法为：

对灰度-梯度共生矩阵进行归一化处理；

4.根据权利要求1所述的人群疏散仿真方法，其特征是，所述利用极限学习机算法对人群密度进行估计和分类的方法具体为：

5.根据权利要求4所述的人群疏散仿真方法，其特征是，所述人群密度等级包括高密度人群等级、较高密度人群等级、较低密度人群等级和低密度人群等级。

6.根据权利要求1所述的人群疏散仿真方法，其特征是，所述人群密度的输出权重的计算方法为：

对输入权重和偏差进行赋值；

计算隐藏层输出矩阵；

7.根据权利要求1所述的人群疏散仿真方法，其特征是，所述利用人工鱼群算法对人群图像进行仿真的方法为：

8.一种人群疏散仿真装置，其特征是，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行权利要求1-7中任一项所述的人群疏散仿真方法。