CN111368650A - 一种基于轨迹数据的人群拥挤行为识别方法 - Google Patents

Abstract

本发明提供了一种基于轨迹数据的人群拥挤行为识别方法。包括：利用Petrack软件提取行人流视频中每个行人的轨迹数据，该轨迹数据包括位置、速度和速度方向信息；利用所述行人的轨迹数据进行基于Voronoi元胞的行人异常行为检测；利用所述行人的轨迹数据进行基于速度障碍的行人异常行为检测；利用各个行人的异常行为检测结果进行基于相邻关系的行人运动冲突行为辨识。本发明基于轨迹数据来对行人流的个体拥挤行为进行评估，能够实现对行人流拥挤状态的实时动态预测和识别，能够利用轨迹数据能够为行人流的动力学特性进行精细化评估。

Description

一种基于轨迹数据的人群拥挤行为识别方法

技术领域

本发明涉及行人运动行为识别技术领域，尤其涉及一种基于轨迹数据的人群拥挤行为识别方法。

背景技术

随着我国经济社会发展以及居民出行需求的增长，在交通港站、体育馆、音乐厅以及大型商场超市等公共场所内的大型活动数量显著增加，由此产生的大规模人群集聚极易发生拥挤、踩踏等危险行为，并引发群死群伤等恶性事故。研究表明，部分拥挤事故的风险与行人流的动力学特性显著相关。应用行人流的动力学特性对人群的个体拥挤行为进行识别和预测，能够为大型公共场所内的客流管控措施制定提供科学依据。其中，基于轨迹数据分析行人的行为特性和运动特性，进而对行人流的激进行为、冲突行为进行精确识别，是对行人流拥挤状态进行识别，评估大型活动中密集人群安全性的有效方法。

现阶段，关于行人流动力学特性的研究在理论上已经有一定的积累。大多数关于行人流动力学特性的研究，主要是对行人流的宏观动力学特性进行估计，但是对于微观层面的行人运动特征描述较为粗糙，而关键原因在于对于行人运动状态的微观定量测度较为困难，同时缺少真实合理的方法来定量判断行人的冲突状态，导致估计的行人流状态不够精确，无法对行人流拥挤状态进行精准识别，难以及时有效地预防和处理行人流的拥挤状态。

发明内容

本发明的实施例提供了一种基于轨迹数据的人群拥挤行为识别方法，以克服现有技术的问题。

一种基于轨迹数据的人群拥挤行为识别方法，包括：

提取行人流视频中每个行人的轨迹数据，该轨迹数据包括位置、速度和速度方向信息；

利用所述行人的轨迹数据进行基于Voronoi元胞的行人异常行为检测；

利用所述行人的轨迹数据进行基于速度障碍的行人异常行为检测；

利用各个行人的异常行为检测结果进行基于相邻关系的行人运动冲突行为辨识。

优选地，所述的利用所述行人的轨迹数据进行基于Voronoi元胞的行人异常行为检测，包括：

根据每个行人当前时刻的位置，运用Voronoi方法对行人的运动空间进行切分，得到若干凸多边形，其中每个凸多边形仅包含一个行人，定义每个凸多边形为一个Voronoi元胞。假设行人i在时刻t所在的Voronoi元胞为VD_i，t，用p(x_i，t+1∈VD_i，t)表示行人i在第t+1时刻仍然在该元胞VD_i，t的概率，如果p(x_i，t+1∈VD_i，t)低于设定的概率阈值，即判断该行人的行为异常。

优选地，所述的概率p(x_i，t+1∈VD_i，t)的计算过程包括：

设d为行人当前位置距离Voronoi边界的距离，τ为松弛时间，行人的限制速度v＝d/τ，行人i在下一时刻的位置x_i，t+1＝x_i，t+v_t+1·τ；

判定行人i在下一时刻的位置x_i，t+1＝x_i，t+v_t+1·τ，是否位于该位置元胞的范围之内，给定计数函数，

所述计数函数g(x_i，t+1，VD_i，t)是统计总人数N_t中下一时刻的位置仍在当前时刻的Voronoi元胞内的人数总和，N_t为一个区域内总人数，统计行人下一时刻的位置仍在当前时刻的Voronoi元胞的人数

概率值p(x_i，t+1∈VD_i，t)的计算公式如下：

。

优选地，所述的利用所述行人的轨迹数据进行基于速度障碍的行人异常行为检测，包括：

行人的速度障碍区域由行人的位置和相对速度确定，其几何形状为多边形，将行人在速度障碍区域内的平均逗留时间DT_i，t用下式表示：

当所述平均逗留时间DT_i，t大于设定的时间值，则判定行人的行为异常；

将在距离d_k范围内行人的速度v_i，t+1落在速度障碍区域VO_i，t的概率表示成p(x_i，t+1∈VO_i，t)，用g(d_i，t，d_k)计数函数进行计算，如下公式：

其中，d_i，t为t时刻行人的速度距离速度障碍区域边界的最小距离；y_i，t为0-1变量，表示是否落在速度障碍区域；δ为统计区域所划分的组距

概率值p(x_i，t+1∈VO_i，t)服从Logistic响应函数

其中，β₀，β₁表示参数。

如果所述概率值

大于设定的概率阈值，即判断该行人的行为异常。

优选地，所述的利用各个行人的异常行为检测结果进行基于相邻关系的行人运动冲突行为辨识，包括：

用式(5)来判断行人当前的速度v_i，t是否指向他所在的Voronoi元胞的Voronoi边e＝(p₁，p₂)，d₁，d₂是从行人当前位置x_i，t指向Voronoi元胞的顶点位置p₁，p₂的单位向量；

arccos是反余弦函数，arccos(d₁·d₂)表示向量d₁和d₂的夹角；

当行人i的速度方向指向他所在的Voronoi元胞的Voronoi边e，并且，该边e对应其邻居行人j时，该行人将沿着行人j的元胞运动，则建立一条从i指向j的有向弧来表示二者的空间拓扑关系；同时，如果该行人的速度落在行人j的速度障碍区间，则建立另外一条有向弧表示其速度障碍关系；

通过连接所有具有相邻关系的行人，得到一个基于速度信息的相邻图，根据所述相邻图得到行人与其邻居行人的运动速度方向之间的夹角，根据所述夹角确定行人更换邻居的概率，并根据所述夹角确定行人是否选择同方向行人作为邻居。

优选地，所述的方法具体包括：

当行人与其邻居行人的运动速度方向之间的夹角小于40°时，行人更换邻居的概率小于设定的数值；当行人与其邻居行人的运动速度方向之间的夹角大于等于80°时，行人更换邻居的概率增加至30％；

在对向流场景下行人选择同方向行人作为邻居的概率与所述夹角呈线性单调递减的形式。

优选地，所述的方法还包括：

基于Voronoi图、相邻图、速度障碍区域以及相邻行人之间冲突特征的分析基础上，对行人流群体的拥挤状态进行系统化测度，实现对行人流拥挤状态的总体识别。

由上述本发明的实施例提供的技术方案可以看出，本发明实施例基于轨迹数据来对行人流的个体拥挤行为进行评估，能够实现对行人流拥挤状态的实时动态预测和识别，能够利用轨迹数据能够为行人流的动力学特性进行精细化评估。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于轨迹数据的人群拥挤行为识别方法的实现原理示意图；

图2为本发明实施例提供的一种个体行人运动空间划分示意图；

图3为本发明实施例提供的一种行人群体运动特性示意图。

具体实施方式

为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。

本发明提出了用于刻画行人异质性运动的空间切分和速度障碍模型，该模型运用了简单的启发式规则，保证了模型的仿真效率和精度。通过对位置空间下的Voronoi图进行变换，得到了考虑松弛时间的基于速度空间的Voronoi图，来描述行人的个体运动速度空间。同时考虑行人的绕行特性，将速度障碍模型与Voronoi图进行整合，得到了综合的速度空间。根据运动区域是否会与其他人发生冲突，个体的运动速度空间被切分为无障碍区域和障碍区域，进而对行人状态进行统计分析。通过对行人运动轨迹数据进行运动行为特性分析，对Voronoi图和速度障碍模型的适用性进行了验证，并对个体速度落入其速度障碍区间和Voronoi元胞的概率进行统计分析。该结果可以用于对人群中个体行人的拥挤行为进行有效判别。

本发明提供了一种基于轨迹数据的个体拥挤行为识别方法，建立行人流状态仿真模型，来对行人流的个体异常行为、邻居个体冲突行为等进行系统评估，从而实现对拥挤条件下行人流状态的识别。在本发明的方法中，首先应用行人实验的轨迹数据来对详细说明本发明的实施过程。图1为本发明实施例提供的一种基于轨迹数据的人群拥挤行为识别方法的实现原理示意图，本发明将对实验数据中对向行人流通过瓶颈的状态进行识别，具体的操作步骤如下所示。

步骤1，基于Petrack的行人的运动轨迹信息提取。

利用Petrack软件来提取行人流视频中每个行人的运动轨迹信息，该运动轨迹信息包括位置、速度和速度方向等信息，从而为估计行人流的动力学特性提供数据支持。

PeTrack是一种专门的行人轨迹提取软件。运用PeTrack软件提取行人轨迹数据的方式主要由以下步骤组成。

1.项目生成：直接导入目标视频，并新建轨迹提取项目；

2.参数标定：主要分为内生参数标定和外生参数标定。内生参数通过黑白板方法拍摄图片标定，外生参数通过输入二维视频坐标及其对应的三维真实空间坐标进行标定；

3.目标物识别：可以识别多种特征物而目前较常用基于颜色区间的特征物识别方法。通过选择特定颜色范围区间，在视频中捕捉该颜色区间内大小匹配的相关目标物进行识别。

4.轨迹生成和导出：自动匹配前后帧不同时间歩的目标物位置，生成目标物轨迹并转换为地面轨迹导出。

步骤2，基于Voronoi位置元胞的行人异常行为检测。

Voronoi图，又叫泰森多边形或Dirichlet图，它是由一组由连接两邻点直线的垂直平分线组成的连续多边形组成。N个在平面上有区别的点，按照最邻近原则划分平面；每个点与它的最近邻区域相关联。

本发明将基于行人流的轨迹数据利用Voronoi图来对行人的运动特征进行分析，从而识别出行人的个体异常行为。根据每个行人当前时刻的位置，运用Voronoi方法对行人的运动空间进行切分，可以得到若干凸多边形，其中每个凸多边形仅包含一个行人。这里定义每个凸多边形为一个Voronoi元胞。假设行人i在时刻t所在的Voronoi元胞为VD_i，t，用p(x_i，t+1∈VD_i，t)表示行人i在第t+1时刻仍然在该元胞VD_i，t的概率，并根据概率值的高低来对行人的异常行为进行检测。本发明拟采用以下的几何算法来计算概率值p(x_i，t+1∈VD_i，t)。

图2为本发明实施例提供的一种个体行人的运动空间划分示意图。本发明拟利用Voronoi元胞数据以及松弛时间τ来计算速度元胞的大小。通过增加松弛时间τ，行人的限制速度v＝d/τ与Voronoi元胞逐步变小，d为行人当前位置距离Voronoi边界的距离，行人在Voronoi元胞边界内的概率值p(x_i，t+1∈VD_i，t)也相应的下降。

首先，判定行人i在下一时刻的位置x_i，t+1＝x_i，t+v_t+1·τ，是否位于该位置元胞的范围之内，具体如图2所示。然后，给定计数函数，

通过统计行人下一时刻的位置仍在当前时刻的Voronoi元胞的人数

最后，概率值p(x_i，t+1∈VD_i，t)可近似计算如下：

N_t为一个区域内总人数，上述计数函数g(x_i，t+1，VD_i，t)是统计总人数N_t中下一时刻的位置仍在当前时刻的Voronoi元胞内的人数总和。

人数

是用来计算概率p(x_i，t+1∈VD_i，t)的。这个概率是用于行人异常行为检测，具体的是通过设定一个阈值(如90％)，如果行人的运动位置频繁的越过Voronoi元胞，则可以认定为具有危险性的异常行为。

通过设定一个阈值(如90％)，如果计算的概率低于阈值，即表明行人的运动位置频繁的越过Voronoi元胞，则可以认定为行人具有危险性的异常行为；严重的将会导致拥挤、踩踏等安全事故。通过上述方法，可以对行人流中个体的异常行为进行辨识，为宏观层面的行人流拥挤状态识别奠定基础。

步骤3，基于速度障碍的行人异常行为检测。

本发明拟采用速度障碍区域的方法来对行人的异常行为进行检测，速度障碍(velocity obstacle)区域由行人的位置和相对速度确定，其几何形状为锥形。如果行人的运动速度落在速度障碍区域，则会与其他人产生接触或冲突。与Voronoi元胞类似，如果行人的速度频繁落在速度障碍区间，概率超过给定的阈值，则可以判定行人的行为具有潜在的危险性，可认定为异常行为。

将行人的速度v_i，t+1落在速度障碍区域VO_i，t的概率为p(v_i，t+1∈VO_i，t)，由于速度障碍区域为多边形，可以采用经典的几何算法来判断某个点是否落在多边形内。由于惰性的存在，可以将行人在速度障碍区域内的平均逗留时间DT_i，t用下式表示：

落在速度障碍区间的平均逗留时间，将用于分析行人的拥挤行为以及人群的拥挤程度。如果持续时间较长，则行人的行为具有一定的危险性。当所述平均逗留时间DT_i，t大于设定的时间值，则判定行人的行为异常。

可以将在距离d_k范围内属于速度障碍区域的概率表示成p(x_i，t+1∈VO_i，t)，用g(d_i，t，d_k)表示成计数函数，则可以表示成如下公式：

其中，d_i，t为t时刻行人的速度距离速度障碍区域边界的最小距离；y_i，t为0-1变量，表示是否落在速度障碍区域；δ为统计区域所划分的组距。

用0-1变量Y来表示距离为D时行人是否在某个速度障碍区域内，由公式3可以得到概率p(v_i，t+1∈VO_i，t)的近似统计规律，通过大量的数据分析，可以得到该曲线基本符合Logistics相应函数。进一步运用统计回归方法，可以得出概率表达式如式4所示。

然后用如下的Logistic响应函数来估计行人在速度障碍区域内的概率。

其中，β₀，β₁表示参数。

如果所述概率值

大于设定的概率阈值，即判断该行人的行为异常。

基于Voronoi元胞和速度障碍的方法，分别考虑行人的速度和位置，采用不同空间切分方法，解释了行人运动可能产生接触或者冲突的作用机理。在检测行人运动的异常行为时，应将二者有机结合、综合考虑。

步骤4，基于相邻关系的行人运动冲突行为辨识。

本发明拟结合Voronoi元胞来对行人运动的相互关系进行分析。考虑到行人在运动过程中，会与邻居发生作用，尤其是对向运动的行人会产生一定程度的冲突，这也是造成人群拥挤状态的重要原因。结合Voronoi邻居和速度障碍区间，本发明可以得到行人运动的相互关系图。对于每个行人，用式(5)来判断行人当前的速度v_i，t是否指向他所在的Voronoi元胞的Voronoi边e＝(p₁，p₂)。这里，d₁，d₂是从行人当前位置，x_i，t指向Voronoi元胞的顶点位置p₁，p₂的单位向量。这里，arccos是反余弦函数，arccos(d₁·d₂)表示向量d₁和d₂的夹角。

当行人i的速度方向指向他所在的Voronoi元胞的Voronoi边e，并且，该边e对应其邻居行人j时，该行人将沿着行人j的元胞运动。此时，建立一条从i指向j的有向弧来表示二者的空间拓扑关系。同时，如果该行人的速度落在行人j的速度障碍区间，则建立另外一条有向弧表示其速度障碍关系。通过连接所有具有相邻关系的行人，得到一个基于速度信息的相邻图G_V。由于相邻图中的所有行人均为相邻行人，因此该图为Delaunay图的一个子图，如图3a)所示。

图3b为行人当前位置到Voronoi边界的距离与速度大小关系的箱型图表示。上述相邻图G_V可以用于分析行人之间的相互关联关系，例如行人周围产生联系的行人数量以及平均距离等。根据相邻图可以得到行人与其邻居行人的运动速度方向之间的夹角，该物理量可以用于分析行人运动过程中的邻居选择行为的动力学特性。图3c为行人之间的速度夹角与选择新邻居概率的关系。结果显示，当夹角小于40°时行人更换邻居的概率非常小，大约为8％左右；当夹角继续增大至80°时，行人更换邻居的概率呈线性趋势增加至30％左右。

相邻图还可以用于分析行人运动过程中的邻居选择行为的动力学特性。图3d为对向流场景下行人选择同方向行人作为邻居的概率，在对向流场景下行人选择同方向行人作为邻居的概率与所述夹角呈线性单调递减的形式。角度与概率呈线性单调递减的形式。当夹角小于设定角度阈值时，行人基本上会选择同方向的行人作为邻居；当夹角大于设定角度阈值时，行人将与对向的行人发生冲突。上述角度阈值可以为45°等。

步骤5，基于群体的人群拥挤状态测度。

本发明拟对基于Voronoi图、速度障碍区域以及相邻行人之间冲突特征的分析基础上，对行人流群体的拥挤状态进行系统化测度，从而实现对行人流拥挤状态的总体识别。

图4给出了4个对向行人流实验场景下的行人速度与Voronoi元胞关系图，行人的速度落在Voronoi元胞里的概率约为98.5％，并且概率随着人数的增多而增大。

行人的位置落在Voronoi元胞里的平均概率由步骤2中的公式(1)得到，行人的速度v_i，t+1落在速度障碍区域VO_i，t的概率由步骤3中的公式(4)得到。

这说明了行人在低密度下的运动较为自由，行人的速度较大，有一定概率进入其他人的Voronoi元胞；在高密度下，行人的运动速度较小，多采用排队等待的策略进行运动，速度基本落在自身的Voronoi元胞中。通过设定阈值，概率小于该阈值的行人，则可认定为行人将会产生拥挤行为，需要进一步观测该类行人的运动。根据本发明的行人流拥挤状态识别结果，在该实验数据中存在一定比例的异常个体行为，并且部分对向的行人能够产生一定程度的冲突，因此具有一定的突发事故风险。这说明本发明应用轨迹数据来对个体拥挤行为进行识别，具有较好的效果。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

本领域普通技术人员可以理解：实施例中的设备中的模块可以按照实施例描述分布于实施例的设备中，也可以进行相应变化位于不同于本实施例的一个或多个设备中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

综上所述，本发明实施例基于轨迹数据来对行人流的个体拥挤行为进行评估，能够实现对行人流拥挤状态的实时动态预测和识别，具有如下优点：

(1)利用轨迹数据能够为行人流的动力学特性进行精细化评估；

(2)本发明提出的行人流状态仿真模型较为简单，易于理解和计算，具有较强的应用型。

(3)应用计算机仿真技术来对行人流的拥挤状态进行评估，计算速度快。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (7)

1.一种基于轨迹数据的人群拥挤行为识别方法，其特征在于，包括：

提取行人流视频中每个行人的轨迹数据，该轨迹数据包括位置、速度和速度方向信息；

利用所述行人的轨迹数据进行基于Voronoi元胞的行人异常行为检测；

利用所述行人的轨迹数据进行基于速度障碍的行人异常行为检测；

利用各个行人的异常行为检测结果进行基于相邻关系的行人运动冲突行为辨识。

2.根据权利要求1所述的方法，其特征在于，所述的利用所述行人的轨迹数据进行基于Voronoi元胞的行人异常行为检测，包括：

根据每个行人当前时刻的位置，运用Voronoi方法对行人的运动空间进行切分，得到若干凸多边形，其中每个凸多边形仅包含一个行人，定义每个凸多边形为一个Voronoi元胞。假设行人i在时刻t所在的Voronoi元胞为VD_i，t，用p(x_i，t+1∈VD_i，t)表示行人i在第t+1时刻仍然在该元胞VD_i，t的概率，如果p(x_i，t+1∈VD_i,t)低于设定的概率阈值，即判断该行人的行为异常。

3.根据权利要求2所述的方法，其特征在于，所述的概率p(x_i，t+1∈VD_i，t)的计算过程包括：

设d为行人当前位置距离Voronoi边界的距离，τ为松弛时间，行人的限制速度v＝d/τ，行人i在下一时刻的位置x_i，t+1＝x_i，t+v_t+1·τ；

判定行人i在下一时刻的位置x_i，t+1＝x_i，t+v_t+1·τ，是否位于该位置元胞的范围之内，给定计数函数，

所述计数函数g(x_i，t+1，VD_i，t)是统计总人数N_t中下一时刻的位置仍在当前时刻的Voronoi元胞内的人数总和，N_t为一个区域内总人数，统计行人下一时刻的位置仍在当前时刻的Voronoi元胞的人数

概率值p(x_i，t+1∈VD_i，t)的计算公式如下：

。

4.根据权利要求1所述的方法，其特征在于，所述的利用所述行人的轨迹数据进行基于速度障碍的行人异常行为检测，包括：

行人的速度障碍区域由行人的位置和相对速度确定，其几何形状为多边形，将行人在速度障碍区域内的平均逗留时间DT_i，t用下式表示：

当所述平均逗留时间DT_i，t大于设定的时间值，则判定行人的行为异常；

将在距离d_k范围内行人的速度v_i，t+1落在速度障碍区域VO_i，t的概率表示成p(x_i，t+1∈VO_i，t)，用g(d_i，t，d_k)计数函数进行计算，如下公式：

其中，d_i，t为t时刻行人的速度距离速度障碍区域边界的最小距离；y_i，t为0-1变量，表示是否落在速度障碍区域；δ为统计区域所划分的组距

概率值p(x_i，t+1∈VO_i，t)服从Logistic响应函数

其中，β₀，β₁表示参数。

如果所述概率值

大于设定的概率阈值，即判断该行人的行为异常。

5.根据权利要求4所述的方法，其特征在于，所述的利用各个行人的异常行为检测结果进行基于相邻关系的行人运动冲突行为辨识，包括：

用式(5)来判断行人当前的速度v_i，t是否指向他所在的Voronoi元胞的Voronoi边e＝(p₁，p₂)，d₁，d₂是从行人当前位置x_i，t指向Voronoi元胞的顶点位置p₁，p₂的单位向量；

arccos是反余弦函数，arccos(d₁·d₂)表示向量d₁和d₂的夹角；

当行人i的速度方向指向他所在的Voronoi元胞的Voronoi边e，并且，该边e对应其邻居行人j时，该行人将沿着行人j的元胞运动，则建立一条从i指向j的有向弧来表示二者的空间拓扑关系；同时，如果该行人的速度落在行人j的速度障碍区间，则建立另外一条有向弧表示其速度障碍关系；

通过连接所有具有相邻关系的行人，得到一个基于速度信息的相邻图，根据所述相邻图得到行人与其邻居行人的运动速度方向之间的夹角，根据所述夹角确定行人更换邻居的概率，并根据所述夹角确定行人是否选择同方向行人作为邻居。

6.根据权利要求5所述的方法，其特征在于，所述的方法具体包括：

当行人与其邻居行人的运动速度方向之间的夹角小于40°时，行人更换邻居的概率小于设定的数值；当行人与其邻居行人的运动速度方向之间的夹角大于等于80°时，行人更换邻居的概率增加至30％；

在对向流场景下行人选择同方向行人作为邻居的概率与所述夹角呈线性单调递减的形式。

7.根据权利要求5或者6所述的方法，其特征在于，所述的方法还包括：

基于Voronoi图、相邻图、速度障碍区域以及相邻行人之间冲突特征的分析基础上，对行人流群体的拥挤状态进行系统化测度，实现对行人流拥挤状态的总体识别。

Images