CN110175547B - 一种多域信息的人群密度预警方法 - Google Patents

Abstract

本发明公开了一种多域信息的人群密度预警方法。对场所空间配置图进行空间坐标系建模，依据地形选取不同的特征区域，确定人群密度阈值，得到人群密度阈值面；建立个体模型，设定空间吸引点，计算个人空间变化趋势，对场所进行个人空间建模，再依据不同地形特征区域，对人群分布进行密度拟合，得到人群密度吸引面；对场景内视频帧图像进行运动目标前景提取，分级显示人群密度，得到场景实时检测人群密度面。本发明提供的预警方法，是将得到的实时人群密度面与场所密度阈值面及场所的人群密度吸引面进行对比分析，可在时间和空间上对人群密度进行分析和安全预警，为人群聚集地的安全管控提供理论支持和信息交流，提高了人群聚集地的管理水平和安全性。

Description

一种多域信息的人群密度预警方法

技术领域

本发明涉及图像处理技术领域，尤其涉及一种多域信息的人群密度预警方法。

背景技术

空间场所往往承担着人流长时间高度聚集的公共职能，尤其在特定节日或者大型活动的开展，强烈的吸引力促使人群蜂拥而至，导致空间场所内人群密度急剧上升且分布极不合理，增加了安全隐患，严重威胁人身安全，扩散后甚至影响周边交通的流通和控制。

目前运行的传统安全监控系统在实时统计方案的方式还存在着一些不足，尤其是在精确度和时效性方面，缺乏实时有效精度较高的统计手段，也缺乏技术层面的算法验证。人流的统计数据比较差强人意，特别是在对历史人流数据的统计、分析、挖掘来准确判断人流情况并提供预警提示。现在的智能安全管控体系的检测往往是针对事故发生后进行的，这仅有助于对事故的处理，而对事故的预防作用有限。每件事故事件的发生虽然有着其随机性，但也存在着一定的规律，具有可借鉴性。

当前，对空间场所内的人群拥挤程度及变化趋势的监测，得益于智能监控视频系统的成熟使用，其全方位的视角覆盖给人群密度估计提供了更多的数据支撑。现有技术中，已有针对视频帧图像进行处理，得到人群数量和人群密度，有着良好的精确度的报道；也有利用手机信号进行人群监控，使用蓝牙读数分析来估计人群密度的技术方案。现有技术公开的这些检测方法，一定程度上解决了目前人群密度检测中存在的精度问题，但并没有将地形环境等考虑进去，然而，这些因素包含的信息可能更多。

发明内容

本发明针对现有技术存在的不足，提供一种多域信息的人群密度预警方法，利用空间内人群距离吸引点的远近、地形环境等多域信息，对场所内人群进行密度分布分析，为人群聚集地的安全管控提供理论支持和信息交流，有利于提高人群聚集地的安全性和管理水平。

实现本发明目的的技术方案是提供一种基于多域信息的人群密度预警方法，包括如下步骤：

（1）对场所空间配置图进行空间坐标系建模，依据地形选取不同的特征区域，获取各特征区域的像素坐标，再转化为对应的实际坐标；确定各特征区域人群密度阈值，对应赋值于各像素点，得到人群密度阈值面；

（2）建立个体模型，所述个体模型为以成年人肩宽值为半径的圆，再以个体模型的同心圆为个体活动范围；按需要对场所空间配置图设定若干空间吸引点，选取某一个吸引点，设置离该吸引点最近处和最远处的两个个体活动范围，Rmin为距离吸引点的最近的个体活动范围的半径，Rmax为距离吸引点的最远的个体活动范围的半径，按式

，

，

计算个人空间变化趋势R，其中，θ为所设置的两个个体活动范围圆心连线与水平面的夹角，L为最远处个体活动范围的圆心与吸引点间的直线距离，A为取值于0.22～0.25的常量，x为沿L变化的A到A+L之间的变量；依据得到的个人空间变化趋势R，对场所进行个人空间建模，再依据不同地形特征区域，对人群分布进行密度拟合，得到人群密度吸引面；分别选取不同的吸引点，重复本步骤，得到场景内所选吸引点的全部人群密度吸引面；

（3）对场景内视频帧图像进行运动目标前景提取，分级显示人群密度，得到场景实时检测人群密度面；

（4）将步骤（3）得到的实时人群密度面与步骤（1）得到的场所密度阈值面及步骤（2）得到的场所吸引力密度面进行对比，得到预警结果。

与现有技术相比，本发明具有以下优越性：确定了场所内的理论密度阈值，给实时检测的人群密度提供了参照标准；在现有的检测人群密度基础上，把关注点从精准估计当前图片或者信号上的人群数量，转移到人群密度合理分布上，考虑了空间内人群距离吸引点的远近、地形环境、人群心理状态等因素，建立了个体模型以及人群聚集模型，更能真实客观地反应人群密度的分布，为人群聚集地的安全管控提供理论支持和信息交流。

附图说明

图1为本发明实施例提供的多域信息的人群密度预警方法的流程示意图；

图2为本发明实施例提供的场所内分区后的密度阈值图；

图3为本发明实施例提供的人群密度变化趋势图；

图4为本发明实施例提供的人群合理站位方法示意图；

图5为本发明实施例提供的密度拟合后的场所的吸引力密度图；

图6为本发明实施例提供的将实时检测视频高斯建模后的分级显示密度图。

具体实施方式

下面结合附图和实施例对本发明技术方案作进一步的详细阐述。

实施例1

本实施例以某喷泉广场为例，结合具体的场景，对本发明技术方案进行描述。

参见附图1，为本实施例提供的多域信息的人群密度预警方法的流程示意图；具体实施步骤如下：

第一步，对广场空间配置图进行空间坐标系建模，根据地形划分不同的特征区域（如平地、台阶、水池、树、石桩等），并确定各特征区域人群密度阈值，得到广场内分区后的密度阈值图，结果参见附图2，具体方法为：

（1）去除广场空间配置图中与本工作无关因素并调整图片至合适大小；

（2）设定吸引点位置如图2中白点A处，标注图像中相关地形区域为特征区域，并获取相应像素点坐标转化到实际坐标；

（3）在空间坐标系中根据不同的特征区域设置不同的密度值，在本实施例中，主要考虑了平地、台阶、水池、树、石桩，分别设置了5、3、0、0、0密度值；

（4）可结合原场所图进行对比，对密度值作适当的调整。

第二步，在划分好的区域内设定空间吸引点，在本实施例中，设置一个吸引点，即喷泉所在位置（本实施例以吸引点A为例），计算个人空间变化趋势，对场所进行个人空间建模，依据不同地形特征区域（本实施例仅考虑台阶和平地），对人群分布进行密度拟合，得到人群密度吸引面，具体方法为：

（1）以成年人肩宽22厘米设定为个体模型的半径，以个体模型的同心圆为个体活动范围；

（2）计算个人空间距离变化趋势，并合理分配人群站位使得个体按照个人空间距离变化趋势严密地分布，参见附图3；

对场所空间配置图设定一个空间吸引点，设置离该吸引点最近处和最远处的两个个体活动范围，Rmin为距离吸引点的最近的个体活动范围的半径，Rmax为距离吸引点的最远的个体活动范围的半径，按式

计算个人空间变化趋势R，其中，θ为所设置的两个个体活动范围圆心连线与水平面的夹角，L为最远处个体活动范围圆心距离吸引点的直线距离，A为0.22~0.25的常量，x为沿L变化的A到A+L之间的变量。再依据R，对场所进行个人空间建模，依据不同地形特征区域，对人群分布进行密度拟合，得到人群密度吸引面；也可按需对场所空间配置图设定若干空间吸引点，重复本步骤，得到场景内所选吸引点的全部人群密度吸引面。

在上述步骤中，所述的个人空间建模本实施例采用以下方法来合理分配站位,参见附图4：

（i）定义基准圆的圆心坐标P(x1,y1)与半径R1；

（ii）求解在个人空间变化趋势内，与基准圆相切的圆的圆心坐标 Q(x2,y2)与Q’(x2’,y2’)，其中，y2<y1,y2’>y1;

（iii）剔除圆Q(x2,y2)并以Q’(x2’,y2’)作为基准圆；

（iv）重复步骤步骤（ii）～步骤（iii）。

（3）根据人群分布，拟合密度函数，从而确定各位置的人群密度；

其中，拟合的方法为：

（i）计算不同距离处圆的面积S，其中半径由个人空间变化趋势确定；

（ii）记散点矩阵E(y,1/S)；

（iii）最小二乘法拟合离散点并使得误差平方和第一次小于门限值0.1；

（iv）得到密度——距离函数关系。

最小二乘法拟合散点：

其中，观测值

就是本实施例的多组样本，理论值

就是假设拟合函数。目标函数即损失函数E，目标是得到使目标函数最小化时的参数。

（4）由拟合得到的密度函数计算坐标系中各点的密度值，并分级显示密度。

（5）考虑地形特征，本实例引入台阶参数，具体方法为：

其中，

表示台阶处的密度，

表示Nelson和Mowrer模型下的人群密度，

为上一步拟合得到的密度与距离的函数，

为针对不同台阶的距离系数，进行实验反复计算得到。最后得到拟合后的人群密度图如附图5所示。

第三步，对视频进行人群前景提取，并分级显示人群密度，方法包括：

（1）提取视频帧进行以高斯混合模型为基础的运动目标前景分割；

其中，

是第k个高斯模型的概率密度函数，可以看成选定第k个模型后，该模型产生x的概率；

是第k个高斯模型的权重，称作选择第k个模型的先验概率，且满足

。

（2）对进行高斯混合模型后的结果开运算去噪形态学去噪；

（3）对去噪后的图像中像素进行密度处理，再用颜色分级显示如图6所示。

第四步，对比分析三个密度面，即实时人群密度面与场所密度阈值面及场所吸引力密度面进行对比分析包括：

实时检测的人群密度若是高于场所密度阈值则判定为不安全，指导工作人员进行人流疏散工作，而场所吸引力密度面表示该场所人群密度普遍较高区域需要重点关注与必要时采取相应的预警措施。

Claims (1)

1.一种基于多域信息的人群密度预警方法，其特征在于包括如下步骤：

（1）对场所空间配置图进行空间坐标系建模，依据地形选取不同的特征区域，获取各特征区域的像素坐标，再转化为对应的实际坐标；确定各特征区域人群密度阈值，对应赋值于各像素点，得到人群密度阈值面；

（2）建立个体模型，所述个体模型为以成年人肩宽值为半径的圆，再以个体模型的同心圆为个体活动范围；按需要对场所空间配置图设定若干空间吸引点，选取某一个吸引点，设置离被选取的吸引点最近处和最远处的两个个体活动范围，Rmin为距离吸引点的最近的个体活动范围的半径，Rmax为距离吸引点的最远的个体活动范围的半径，按式

，

，

计算个人空间变化趋势R，其中，θ为所设置的两个个体活动范围圆心连线与水平面的夹角，L为最远处个体活动范围的圆心与吸引点间的直线距离，A为取值于0.22～0.25的常量，x为沿L变化的A到A+L之间的变量；依据得到的个人空间变化趋势R，对场所进行个人空间建模，再依据不同地形特征区域，对人群分布进行密度拟合，得到人群密度吸引面；分别选取不同的吸引点，重复本步骤，得到场景内所选吸引点的全部人群密度吸引面；

其中，依据不同地形特征区域对人群分布进行密度拟合的具体方法为，考虑地形特征，引入台阶参数，具体为：

其中，

表示台阶处的密度，

表示Nelson和Mowrer模型下的人群密度，

为上一步进行个人空间建模后拟合得到的密度和距离的函数，Q为针对不同台阶的距离系数；

（3）对场景内视频帧图像进行运动目标前景提取，分级显示人群密度，得到场景实时检测人群密度面；

（4）将步骤（3）得到的实时人群密度面与步骤（1）得到的场所密度阈值面及步骤（2）得到的场所吸引力密度面进行对比，得到预警结果。

Images