CN111738513A - 一种疏散路径动态优化方法和装置 - Google Patents

一种疏散路径动态优化方法和装置 Download PDF

Info

Publication number
CN111738513A
CN111738513A CN202010578371.3A CN202010578371A CN111738513A CN 111738513 A CN111738513 A CN 111738513A CN 202010578371 A CN202010578371 A CN 202010578371A CN 111738513 A CN111738513 A CN 111738513A
Authority
CN
China
Prior art keywords
people
floor
trapped
stairs
stair
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN202010578371.3A
Other languages
English (en)
Inventor
辛改芳
曹钰鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changzhou College of Information Technology CCIT
Original Assignee
Changzhou College of Information Technology CCIT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changzhou College of Information Technology CCIT filed Critical Changzhou College of Information Technology CCIT
Priority to CN202010578371.3A priority Critical patent/CN111738513A/zh
Publication of CN111738513A publication Critical patent/CN111738513A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Multimedia (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种疏散路径动态优化方法和装置，所述方法包括获取多层建筑中各层受困人群信息；基于各层内受困个体与楼梯口的最短折线距离，对各层内的人群进行分类；考虑每层不同楼梯口的排队长度，对受困人群的疏散路径进行动态优化，得到受困人群的最佳疏散路径。本发明解决了现有多层建筑在紧急情况下人员疏散无序、不及时，楼梯人群拥挤，不同类型人群移动速度不一致等问题。

Description

一种疏散路径动态优化方法和装置
技术领域
本发明属于密集人群疏散路径优化技术领域，具体涉及一种疏散路径动态优化方法和装置。
背景技术
随着世界范围内多层以及高层建筑的增加，安全问题也日益受到重视。在大型购物中心、教学场所、商业写字楼以及博物馆等建筑，往往会在有限空间内聚集大量的人群，当前可以通过设置消防器械、通信设备以及预警设施来保障多层建筑物日常运行。一旦发生火灾或者爆炸等紧急情况容易使得密集人群迅速陷入恐慌，缺乏有效的疏散措施会降低疏散效率从而进一步加剧人群危险。因此，面对多层建筑密集人群的疏散问题，必须在加强保障安全运行硬件设施升级的基础上，能够根据多层建筑物的结构特性提供行之有效的疏散策略，一旦发生紧急事件能够帮助受困密集人群有序安全地转移到安全场所，从而保障救援措施的实施。
因此，多层建筑受困密集人群疏散的研究具有重要意义。当前人群疏散路径的设计主要有流体力学法、动态路径规划法、元胞自动机法以及神经网络法等。流体力学法把人群视为一种连续流动的媒介，获得人流的动力学特性，但宏观模型忽略了人与人之间的相互作用；动态路径规划法是一种微观方法，考虑了人群之间的互相影响，效果优于流体力学法；元胞自动机法可以完整模拟疏散过程，但缺乏实际实验验证；神经网络法用于捕捉受困人群行为特征和运动轨迹，但难以解决神经网络规模与实际问题规模的矛盾。多层建筑受困人群的疏散需要考虑人群之间相互作用，以及人群拥挤、最短路径和人群特征的问题。
发明内容
针对上述问题，本发明提出一种疏散路径动态优化方法和装置，解决了现有多层建筑在紧急情况下人员疏散无序、不及时，楼梯人群拥挤，不同类型人群移动速度不一致等问题。
为了实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：
第一方面，本发明提供了一种疏散路径动态优化方法，包括：
获取多层建筑中各层受困人群信息；
基于各层内受困个体与楼梯口的最短折线距离，对各层内的人群进行分类；
考虑每层不同楼梯口的排队长度，对受困人群的疏散路径进行动态优化，得到受困人群的最佳疏散路径。
可选地，所述获取多层建筑中各层受困人群信息，包括以下步骤：
获取多层建筑中各层的图像；
基于高斯混合模型对图像中的个体目标的前景进行提取；
筛选出感兴趣的区域，计算出该区域每个像素点的梯度大小和梯度方向；
设置细胞单元为设定个数的像素点，采用直方图统计每个细胞单元的梯度信息；
将设定个数的细胞单元组成一个块，得出一个块的梯度直方图，并对块进行归一化处理，最后将所有块的梯度直方图统计得出感兴趣区域的HOG特征向量；
基于所述感兴趣区域的HOG特征向量，采用滑动窗口技术并以设定步长扫描整个图像；利用K-means分类器对每个窗口进行分类，初始聚类中心C1(1),C2(1),...,Ck(1)，当第l次迭代时||x-Cj(l)||＜||x-Ci(l)||，i,j∈[1,k]，则x∈Fj(l)，其中，x为图像样本，k为分类的数目，l为迭代次数，Fj(l)代表第j个聚类中心为代表的类；更新聚类中心，均值作为新的聚类中心使误差平方和取最小值，直到Ci(l+1)＝Ci(l)，则分类结束，确定出图像样本所属类型，统计出多层建筑中各层受困人群信息。
可选地，所述多层建筑中各层的图像通过安装在多层建筑中视觉传感器采集获得。
可选地，所述对各层内的人群进行分类，包括以下步骤：
设受困人群位置为x＝[x1,x2,...,xN]，其中xi表示第i个人的位置，N是人数；
基于多层建筑的几何结构图确定各层楼梯分布，楼梯的位置表示为s＝[s1,s2,...,sM]，其中M是楼层中的楼梯数；
以受困人群位置作为训练数据集，楼层中的楼梯为分类类别，计算每个个体到每个楼梯的最短折线距离，将受困个体到每个楼梯的距离作为决策规则，来确定个体所属的类别y＝[y1,y2,...,yN]，其中yi∈{c1,c2,...,cM}是xi所属的类别。
可选地，所述对受困人群的疏散路径进行动态优化，包括以下步骤：
定义楼梯区域人数为N＝[N1,N2,...,NM]；
基于楼梯区域人数以及人流量系数r(αNi(t)-β)，计算出每个楼梯排队长度Ai(t)，其中α是人选择楼梯的概率，β是每分钟通过楼梯的平均人数，r是人流量系数；
计算拥挤度δi(t)＝ni(t)/Ai(t)，其中，ni(t)为每个楼梯的人数；
以受困人群初始位置为起点，以最终安全出口为终点，每层楼的楼梯作为节点可由线进行连接，每层楼梯之间的连线具有一个权重wij(t)，权重表示为dij(δi(t)+δj(t))/2，其中dij是楼梯间距离；
利用楼梯拥挤度的变化引起对应权重的变化，引导处于拥挤度高的楼梯向拥挤度低的楼梯疏散，通过遍历从起点到终点之间所经历的楼梯节点数，得到受困人群的疏散路径。
第二方面，本发明提供了一种疏散路径动态优化装置，包括：
获取单元，用于获取多层建筑中各层受困人群信息；
分类单元，用于基于各层内受困个体与楼梯口的最短折线距离，对各层内的人群进行分类；
优化单元，用于考虑每层不同楼梯口的排队长度，对受困人群的疏散路径进行动态优化，得到受困人群的最佳疏散路径。
可选地，所述获取多层建筑中各层受困人群信息，包括以下步骤：
获取多层建筑中各层的图像；
基于高斯混合模型对图像中的个体目标的前景进行提取；
筛选出感兴趣的区域，计算出该区域每个像素点的梯度大小和梯度方向；
设置细胞单元为设定个数的像素点，采用直方图统计每个细胞单元的梯度信息；
将设定个数的细胞单元组成一个块，得出一个块的梯度直方图，并对块进行归一化处理，最后将所有块的梯度直方图统计得出感兴趣区域的HOG特征向量；
基于所述感兴趣区域的HOG特征向量，采用滑动窗口技术并以设定步长扫描整个图像；利用K-means分类器对每个窗口进行分类，初始聚类中心C1(1),C2(1),...,Ck(1)，当第l次迭代时||x-Cj(l)||＜||x-Ci(l)||，i,j∈[1,k]，则x∈Fj(l)，其中，x为图像样本，k为分类的数目，l为迭代次数，Fj(l)代表第j个聚类中心为代表的类；更新聚类中心，均值作为新的聚类中心使误差平方和取最小值，直到Ci(l+1)＝Ci(l)，则分类结束，确定出图像样本所属类型，统计出多层建筑中各层受困人群信息。
可选地，所述多层建筑中各层的图像通过安装在多层建筑中视觉传感器采集获得。
可选地，所述对各层内的人群进行分类，包括以下步骤：
设受困人群位置为x＝[x1,x2,...,xN]，其中xi表示第i个人的位置，N是人数；
基于多层建筑的几何结构图确定各层楼梯分布，楼梯的位置表示为s＝[s1,s2,...,sM]，其中M是楼层中的楼梯数；
以受困人群位置作为训练数据集，楼层中的楼梯为分类类别，计算每个个体到每个楼梯的最短折线距离，将受困个体到每个楼梯的距离作为决策规则，来确定个体所属的类别y＝[y1,y2,...,yN]，其中yi∈{c1,c2,...,cM}是xi所属的类别。
可选地，所述对受困人群的疏散路径进行动态优化，包括以下步骤：
定义楼梯区域人数为N＝[N1,N2,...,NM]；
基于楼梯区域人数以及人流量系数r(αNi(t)-β)，计算出每个楼梯排队长度Ai(t)，其中α是人选择楼梯的概率，β是每分钟通过楼梯的平均人数，r是人流量系数；
计算拥挤度δi(t)＝ni(t)/Ai(t)，其中，ni(t)为每个楼梯的人数；
以受困人群初始位置为起点，以最终安全出口为终点，每层楼的楼梯作为节点可由线进行连接，每层楼梯之间的连线具有一个权重wij(t)，权重表示为dij(δi(t)+δj(t))/2，其中dij是楼梯间距离；
利用楼梯拥挤度的变化引起对应权重的变化，引导处于拥挤度高的楼梯向拥挤度低的楼梯疏散，通过遍历从起点到终点之间所经历的楼梯节点数，得到受困人群的疏散路径。
与现有技术相比，本发明的有益效果：
本发明通过在多层建筑三维空间部署视觉传感器，来对每层聚集的密集人群进行视觉检测，结合多层建筑的几何结构对每层密集人群进行分层映射，同时统计每层建筑的人群；考虑到每层建筑有多个楼梯口，而处于不同区域的密集人群移动到对应楼梯口需要耗费不同的时间，通过计算个体与不同楼梯口的距离对同层受困密集人群进行分类；同时，受困个体在每层建筑间进行疏散时，并未考虑了人群相互作用、楼梯人群拥挤、最短路径和人群特征等对疏散速度的影响，为人群寻找到离自己最近的楼梯，需要提供动态的疏散路径来帮助获得最短逃生路径，同时为疏导人员和管理人员提供及时准确的疏导路线，为大型多层建筑在紧急情况下提供高效有序安全的疏散过程。与其他发明相比，本发明注重疏散的效率与实际的可操作性，可以使大型多层建筑发生紧急情况受困人群在最短的时间内寻找到最优的疏散路线。
附图说明
为了使本发明的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本发明作进一步详细的说明，其中：
图1是本发明的一种疏散路径动态优化方法的结构图。
图2是本发明的一种疏散路径动态优化方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明的保护范围。
下面结合附图对本发明的应用原理作详细的描述。
实施例1
为了克服现有多层建筑紧急疏散中存在的问题，需要对聚集在楼梯口的密集人群进行动态路径规划。在考虑楼梯排队拥挤以及不同个体疏散速度的基础上，根据实际情况提供及时准确的疏导路线，帮助受困个体在疏散过程中找到离自己最近的楼梯口，引导人们走最短、最不拥挤的路径，以此往复直至到达安全场所，为多层建筑在紧急情况下提供高效有序安全的疏散。
具体地，如图1-2所示，本发明实施例中提供了一种疏散路径动态优化方法，包括以下步骤：
获取多层建筑中各层受困人群信息；
基于各层内受困个体与楼梯口的最短折线距离，对各层内的人群进行分类；
考虑每层不同楼梯口的排队长度，对受困人群的疏散路径进行动态优化，得到受困人群的最佳疏散路径。
在本发明实施例的一种具体实施方式中，所述获取多层建筑中各层受困人群信息，包括以下步骤：
获取多层建筑中各层的图像；具体地，所述多层建筑中各层的图像通过安装在多层建筑中视觉传感器采集获得；
基于高斯混合模型对图像中的个体目标的前景进行提取；
筛选出感兴趣的区域，计算出该区域每个像素点(x,y)的梯度大小
Figure BDA0002552135240000051
和梯度方向θ(x,y)＝arctan(Gy/Gx)，其中Gx、Gy分别表示图像在像素点(x,y)的水平方向和垂直方向的梯度；
设置细胞单元为8×8个像素点，采用9个bin的直方图统计每个细胞单元的梯度信息；
2×2个细胞单元组成一个块，得出一个块的梯度直方图，并对块进行归一化处理，最后将所有块的梯度直方图统计得出感兴趣区域的HOG特征向量；
基于所述感兴趣区域的HOG特征向量，采用滑动窗口技术并以1个细胞单元大小为步长扫描整个图像；利用K-means分类器对每个窗口进行分类，初始聚类中心C1(1),C2(1),...,Ck(1)，当第l次迭代时||x-Cj(l)||＜||x-Ci(l)||，i,j∈[1,k]，则x∈Fj(l)，其中，x为图像样本，k为分类的数目，l为迭代次数，Fj(l)代表第j个聚类中心为代表的类；更新聚类中心，均值作为新的聚类中心使误差平方和取最小值，直到Ci(l+1)＝Ci(l)，则分类结束，确定出图像样本所属类型，统计出多层建筑中各层受困人群信息。
在本发明实施例的一种具体实施方式中，由于受困人群移动到不同的楼梯口需要不同的时间，所述对各层内的人群进行分类，包括以下步骤：
设受困人群位置为x＝[x1,x2,...,xN]，其中xi表示第i个人的位置，N是人数；
基于多层建筑的几何结构图确定各层楼梯分布，楼梯的位置表示为s＝[s1,s2,...,sM]，其中M是楼层中的楼梯数；
以受困人群位置作为训练数据集，楼层中的楼梯为分类类别，计算每个个体到每个楼梯的最短折线距离，将受困个体到每个楼梯的距离作为决策规则，来确定个体所属的类别y＝[y1,y2,...,yN]，其中yi∈{c1,c2,...,cM}是xi所属的类别。
在本发明实施例的一种具体实施方式中，根据统计规律采用随机分布来描述复杂变化对大量人群的影响。对于每一个楼梯，所在区域内的人数满足先增大，后平稳，最后下降的分段函数。该区域人数与楼梯排队长度满足一阶线性常微分方程的关系。用样本均值替换总体均值，使用样本方差替换总体方差，在紧急情况下到达每个楼梯的人数服从正态分布，并将到达人数与队伍长度的比值定义为拥挤度，为此，所述对受困人群的疏散路径进行动态优化，包括以下步骤：
定义楼梯区域人数为N＝[N1,N2,...,NM]；
基于楼梯区域人数以及人流量系数r(αNi(t)-β)，计算出每个楼梯排队长度Ai(t)，其中α是人选择楼梯的概率，β是每分钟通过楼梯的平均人数，r是人流量系数；
计算拥挤度δi(t)＝ni(t)/Ai(t)，其中，ni(t)为每个楼梯的人数；
以受困人群初始位置为起点，以最终安全出口为终点，每层楼的楼梯作为节点可由线进行连接，每层楼梯之间的连线具有一个权重wij(t)，权重表示为dij(δi(t)+δj(t))/2，其中dij是楼梯间距离；
利用楼梯拥挤度的变化引起对应权重的变化，引导处于拥挤度高的楼梯向拥挤度低的楼梯疏散，通过遍历从起点到终点之间所经历的楼梯节点数，得到受困人群的疏散路径，实现了把每层楼的每一个楼梯都看作一个节点，节点由线连接，每条线对应一个权重。出口可以看作终点，任何楼层上的任何楼梯都可以看作起点，线只指向从上一层楼梯到下一层楼梯，连接线的长度代表两楼梯间的距离，通过遍历到起点距离最近且未被访问的节点的相邻节点，可以得到任何一个楼梯到达出口节点的最短路径，人们只需要沿着最短路径可到达安全区域。
实施例2
本发明实施例中提供了一种疏散路径动态优化装置，包括：
获取单元，用于获取多层建筑中各层受困人群信息；
分类单元，用于基于各层内受困个体与楼梯口的最短折线距离，对各层内的人群进行分类；
优化单元，用于考虑每层不同楼梯口的排队长度，对受困人群的疏散路径进行动态优化，得到受困人群的最佳疏散路径。
在本发明实施例的一种具体实施方式中，所述获取多层建筑中各层受困人群信息，包括以下步骤：
获取多层建筑中各层的图像；
基于高斯混合模型对图像中的个体目标的前景进行提取；
筛选出感兴趣的区域，计算出该区域每个像素点的梯度大小和梯度方向；
设置细胞单元为设定个数的像素点，采用直方图统计每个细胞单元的梯度信息；
将设定个数的细胞单元组成一个块，得出一个块的梯度直方图，并对块进行归一化处理，最后将所有块的梯度直方图统计得出感兴趣区域的HOG特征向量；
基于所述感兴趣区域的HOG特征向量，采用滑动窗口技术并以设定步长扫描整个图像；利用K-means分类器对每个窗口进行分类，初始聚类中心C1(1),C2(1),...,Ck(1)，当第l次迭代时||x-Cj(l)||＜||x-Ci(l)||，i,j∈[1,k]，则x∈Fj(l)，其中，x为图像样本，k为分类的数目，l为迭代次数，Fj(l)代表第j个聚类中心为代表的类；更新聚类中心，均值作为新的聚类中心使误差平方和取最小值，直到Ci(l+1)＝Ci(l)，则分类结束，确定出图像样本所属类型，统计出多层建筑中各层受困人群信息。
在本发明实施例的一种具体实施方式中，所述对各层内的人群进行分类，包括以下步骤：
设受困人群位置为x＝[x1,x2,...,xN]，其中xi表示第i个人的位置，N是人数；
基于多层建筑的几何结构图确定各层楼梯分布，楼梯的位置表示为s＝[s1,s2,...,sM]，其中M是楼层中的楼梯数；
以受困人群位置作为训练数据集，楼层中的楼梯为分类类别，计算每个个体到每个楼梯的最短折线距离，将受困个体到每个楼梯的距离作为决策规则，来确定个体所属的类别y＝[y1,y2,...,yN]，其中yi∈{c1,c2,...,cM}是xi所属的类别。
在本发明实施例的一种具体实施方式中，所述对受困人群的疏散路径进行动态优化，包括以下步骤：
定义楼梯区域人数为N＝[N1,N2,...,NM]，即分类结果中与各楼梯对应的人的数量；
基于楼梯区域人数以及人流量系数r(αNi(t)-β)，计算出每个楼梯排队长度Ai(t)，其中α是人选择楼梯的概率，β是每分钟通过楼梯的平均人数，r是人流量系数；所述人流量系数r(αNi(t)-β)是对每个楼梯排队长度Ai(t)进行微分得到的。
计算拥挤度δi(t)＝ni(t)/Ai(t)，其中，ni(t)为每个楼梯的人数；
以受困人群初始位置为起点，以最终安全出口为终点，每层楼的楼梯作为节点可由线进行连接，每层楼梯之间的连线具有一个权重wij(t)，权重表示为dij(δi(t)+δj(t))/2，其中dij是楼梯间距离；
利用楼梯拥挤度的变化引起对应权重的变化，引导处于拥挤度高的楼梯向拥挤度低的楼梯疏散，通过遍历从起点到终点之间所经历的楼梯节点数，得到受困人群的疏散路径。
综上所述：
本发明通过在多层建筑三维空间部署视觉传感器，来对每层聚集的密集人群进行视觉检测，结合多层建筑的几何结构对每层密集人群进行分层映射，同时统计每层建筑的人群；考虑到每层建筑有多个楼梯口，而处于不同区域的密集人群移动到对应楼梯口需要耗费不同的时间，通过计算个体与不同楼梯口的距离对同层受困密集人群进行分类；同时，受困个体在每层建筑间进行疏散时，并未考虑人群相互作用、楼梯人群拥挤、最短路径和人群特征等对疏散速度的影响，为帮助受困人群寻找到离自己最近的楼梯从而得到动态优化的疏散路径。本发明针对受困密集人群的疏散，结合视觉传感与建筑物几何结构图，对受困密集人群进行分层映射、分类以及路径动态优化，能够帮助受困密集人群获得最佳疏散路径和争取宝贵的逃生时间。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种疏散路径动态优化方法，其特征在于，包括：
获取多层建筑中各层受困人群信息；
基于各层内受困个体与楼梯口的最短折线距离，对各层内的人群进行分类；
考虑每层不同楼梯口的排队长度，对受困人群的疏散路径进行动态优化，得到受困人群的最佳疏散路径。
2.根据权利要求1所述的一种疏散路径动态优化方法，其特征在于，所述获取多层建筑中各层受困人群信息，包括以下步骤：
获取多层建筑中各层的图像；
基于高斯混合模型对图像中的个体目标的前景进行提取；
筛选出感兴趣的区域，计算出该区域每个像素点的梯度大小和梯度方向；
设置细胞单元为设定个数的像素点，采用直方图统计每个细胞单元的梯度信息；
将设定个数的细胞单元组成一个块，得出一个块的梯度直方图，并对块进行归一化处理，最后将所有块的梯度直方图统计得出感兴趣区域的HOG特征向量；
基于所述感兴趣区域的HOG特征向量，采用滑动窗口技术并以设定步长扫描整个图像；
利用K-means分类器对每个窗口进行分类，初始聚类中心C1(1),C2(1),...,Ck(1)，当第l次迭代时||x-Cj(l)||＜||x-Ci(l)||，i,j∈[1,k]，则x∈Fj(l)，其中，x为图像样本，k为分类的数目，l为迭代次数，Fj(l)代表第j个聚类中心为代表的类；更新聚类中心，均值作为新的聚类中心使误差平方和取最小值，直到Ci(l+1)＝Ci(l)，则分类结束，确定出图像样本所属类型，统计出多层建筑中各层受困人群信息。
3.根据权利要求2所述的一种疏散路径动态优化方法，其特征在于：所述多层建筑中各层的图像通过安装在多层建筑中视觉传感器采集获得。
4.根据权利要求1所述的一种疏散路径动态优化方法，其特征在于：所述对各层内的人群进行分类，包括以下步骤：
设受困人群位置为x＝[x1,x2,...,xN]，其中xi表示第i个人的位置，N是人数；
基于多层建筑的几何结构图确定各层楼梯分布，楼梯的位置表示为s＝[s1,s2,...,sM]，其中M是楼层中的楼梯数；
以受困人群位置作为训练数据集，楼层中的楼梯为分类类别，计算每个个体到每个楼梯的最短折线距离，将受困个体到每个楼梯的距离作为决策规则，来确定个体所属的类别y＝[y1,y2,...,yN]，其中yi∈{c1,c2,...,cM}是xi所属的类别。
5.根据权利要求1所述的一种疏散路径动态优化方法，其特征在于，所述对受困人群的疏散路径进行动态优化，包括以下步骤：
定义楼梯区域人数为N＝[N1,N2,...,NM]；
基于楼梯区域人数以及人流量系数r(αNi(t)-β)，计算出每个楼梯排队长度Ai(t)，其中α是人选择楼梯的概率，β是每分钟通过楼梯的平均人数，r是人流量系数；
计算拥挤度δi(t)＝ni(t)/Ai(t)，其中，ni(t)为每个楼梯的人数；
以受困人群初始位置为起点，以最终安全出口为终点，每层楼的楼梯作为节点可由线进行连接，每层楼梯之间的连线具有一个权重wij(t)，权重表示为dij(δi(t)+δj(t))/2，其中dij是楼梯间距离；
利用楼梯拥挤度的变化引起对应权重的变化，引导处于拥挤度高的楼梯向拥挤度低的楼梯疏散，通过遍历从起点到终点之间所经历的楼梯节点数，得到受困人群的疏散路径。
6.一种疏散路径动态优化装置，其特征在于，包括：
获取单元，用于获取多层建筑中各层受困人群信息；
分类单元，用于基于各层内受困个体与楼梯口的最短折线距离，对各层内的人群进行分类；
优化单元，用于考虑每层不同楼梯口的排队长度，对受困人群的疏散路径进行动态优化，得到受困人群的最佳疏散路径。
7.根据权利要求6所述的一种疏散路径动态优化装置，其特征在于，所述获取多层建筑中各层受困人群信息，包括以下步骤：
获取多层建筑中各层的图像；
基于高斯混合模型对图像中的个体目标的前景进行提取；
筛选出感兴趣的区域，计算出该区域每个像素点的梯度大小和梯度方向；
设置细胞单元为设定个数的像素点，采用直方图统计每个细胞单元的梯度信息；
将设定个数的细胞单元组成一个块，得出一个块的梯度直方图，并对块进行归一化处理，最后将所有块的梯度直方图统计得出感兴趣区域的HOG特征向量；
基于所述感兴趣区域的HOG特征向量，采用滑动窗口技术并以设定步长扫描整个图像；
利用K-means分类器对每个窗口进行分类，初始聚类中心C1(1),C2(1),...,Ck(1)，当第l次迭代时||x-Cj(l)||＜||x-Ci(l)||，i,j∈[1,k]，则x∈Fj(l)，其中，x为图像样本，k为分类的数目，l为迭代次数，Fj(l)代表第j个聚类中心为代表的类；更新聚类中心，均值作为新的聚类中心使误差平方和取最小值，直到Ci(l+1)＝Ci(l)，则分类结束，确定出图像样本所属类型，统计出多层建筑中各层受困人群信息。
8.根据权利要求7所述的一种疏散路径动态优化装置，其特征在于，所述多层建筑中各层的图像通过安装在多层建筑中视觉传感器采集获得。
9.根据权利要求6所述的一种疏散路径动态优化装置，其特征在于，所述对各层内的人群进行分类，包括以下步骤：
设受困人群位置为x＝[x1,x2,...,xN]，其中xi表示第i个人的位置，N是人数；
基于多层建筑的几何结构图确定各层楼梯分布，楼梯的位置表示为s＝[s1,s2,...,sM]，其中M是楼层中的楼梯数；
以受困人群位置作为训练数据集，楼层中的楼梯为分类类别，计算每个个体到每个楼梯的最短折线距离，将受困个体到每个楼梯的距离作为决策规则，来确定个体所属的类别y＝[y1,y2,...,yN]，其中yi∈{c1,c2,...,cM}是xi所属的类别。
10.根据权利要求6所述的一种疏散路径动态优化装置，其特征在于，所述对受困人群的疏散路径进行动态优化，包括以下步骤：
定义楼梯区域人数为N＝[N1,N2,...,NM]；
基于楼梯区域人数以及人流量系数r(αNi(t)-β)，计算出每个楼梯排队长度Ai(t)，其中α是人选择楼梯的概率，β是每分钟通过楼梯的平均人数，r是人流量系数；
计算拥挤度δi(t)＝ni(t)/Ai(t)，其中，ni(t)为每个楼梯的人数；
以受困人群初始位置为起点，以最终安全出口为终点，每层楼的楼梯作为节点可由线进行连接，每层楼梯之间的连线具有一个权重wij(t)，权重表示为dij(δi(t)+δj(t))/2，其中dij是楼梯间距离；
利用楼梯拥挤度的变化引起对应权重的变化，引导处于拥挤度高的楼梯向拥挤度低的楼梯疏散，通过遍历从起点到终点之间所经历的楼梯节点数，得到受困人群的疏散路径。
CN202010578371.3A 2020-06-23 2020-06-23 一种疏散路径动态优化方法和装置 Withdrawn CN111738513A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010578371.3A CN111738513A (zh) 2020-06-23 2020-06-23 一种疏散路径动态优化方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010578371.3A CN111738513A (zh) 2020-06-23 2020-06-23 一种疏散路径动态优化方法和装置

Publications (1)

Publication Number Publication Date
CN111738513A true CN111738513A (zh) 2020-10-02

Family

ID=72650554

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010578371.3A Withdrawn CN111738513A (zh) 2020-06-23 2020-06-23 一种疏散路径动态优化方法和装置

Country Status (1)

Country Link
CN (1) CN111738513A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113313895A (zh) * 2021-07-04 2021-08-27 杭州晶志康电子科技有限公司 一种楼宇逃生自适应导向系统及其控制方法
CN113408857A (zh) * 2021-05-24 2021-09-17 柳州东风容泰化工股份有限公司 一种硫代乙酸泄漏应急处理的管理方法及系统
CN116337085A (zh) * 2023-05-26 2023-06-27 武汉理工大学三亚科教创新园 基于前景理论的渡海车辆应急疏散路径优化方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408857A (zh) * 2021-05-24 2021-09-17 柳州东风容泰化工股份有限公司 一种硫代乙酸泄漏应急处理的管理方法及系统
CN113408857B (zh) * 2021-05-24 2023-03-24 柳州东风容泰化工股份有限公司 一种硫代乙酸泄漏应急处理的管理方法及系统
CN113313895A (zh) * 2021-07-04 2021-08-27 杭州晶志康电子科技有限公司 一种楼宇逃生自适应导向系统及其控制方法
CN116337085A (zh) * 2023-05-26 2023-06-27 武汉理工大学三亚科教创新园 基于前景理论的渡海车辆应急疏散路径优化方法
CN116337085B (zh) * 2023-05-26 2023-08-11 武汉理工大学三亚科教创新园 基于前景理论的渡海车辆应急疏散路径优化方法

Similar Documents

Publication Publication Date Title
CN111738513A (zh) 一种疏散路径动态优化方法和装置
Teknomo Microscopic pedestrian flow characteristics: Development of an image processing data collection and simulation model
CN107729799A (zh) 基于深度卷积神经网络的人群异常行为视觉检测及分析预警系统
Ding et al. Simulation-based optimization of emergency evacuation strategy in ultra-high-rise buildings
CN111709310A (zh) 一种基于深度学习的手势跟踪与识别方法
WO2017084326A1 (zh) 人员疏散仿真方法与装置、辅助决策方法与系统、应急平台
CN114353804B (zh) 火灾应急疏散路径规划方法、装置、智能终端及存储介质
Manley et al. Airport emergency evacuation planning: An agent-based simulation study of dirty bomb scenarios
Kim et al. Modeling handicapped pedestrians considering physical characteristics using cellular automaton
Ding et al. Simulation of high-rise building evacuation considering fatigue factor based on cellular automata: A case study in China
CN108701211B (zh) 用于实时地检测、跟踪、估计和识别占用的基于深度感测的系统
Yang et al. Path planning for guided passengers during evacuation in subway station based on multi-objective optimization
Huang et al. Performance of occupant evacuation in a super high-rise building up to 583 m
Ye et al. Pedestrian single-file movement on stairs under different motivations
Zeng et al. Effects of initial distribution ratio and illumination on merging behaviors during high-rise stair descent process
Xu et al. A review on passenger emergency evacuation from multimodal transportation hubs
CN116502763A (zh) 一种基于时空图神经网络的人群拥堵预测方法及系统
CN114913447B (zh) 基于场景识别的警务智慧指挥室系统及方法
Zhao et al. Dynamic crowd accident-risk assessment based on internal energy and information entropy for large-scale crowd flow considering covid-19 epidemic
Yang et al. An efficient evacuation path optimization for passengers in subway stations under floods
CN112199747A (zh) 基于排队网络的室内人员疏散方法和疏散系统
Gao et al. Experimental study on pedestrians’ uni-and bi-directional movement on staircases under emergency conditions
KR102592101B1 (ko) 인공지능 기반 건축구조물 내의 최적 대피경로 안내시스템 및 안내방법
Wu et al. The numerical analysis of mass evacuation in Taipei 101 with control volume model
CN110941278A (zh) 一种站内动态安全分析方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20201002