CN114841084B - 一种基于航拍图像的人员疏散模拟方法、系统及设备 - Google Patents
一种基于航拍图像的人员疏散模拟方法、系统及设备 Download PDFInfo
- Publication number
- CN114841084B CN114841084B CN202210777418.8A CN202210777418A CN114841084B CN 114841084 B CN114841084 B CN 114841084B CN 202210777418 A CN202210777418 A CN 202210777418A CN 114841084 B CN114841084 B CN 114841084B
- Authority
- CN
- China
- Prior art keywords
- space
- pedestrian
- image
- walking
- cellular
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请提供一种基于航拍图像的人员疏散模拟方法、系统及设备,涉及人员疏散模拟技术领域。该方法包括:根据图像场景特征,从航拍图像中提取不同空间类型的场景,得到用不同的颜色表征不同空间类型的场景的第一图像;通过预定矩形,对第一图像进行离散化处理得到由多个元胞空间组成的第二图像;根据预设颜色规则,确定每个元胞空间的空间属性,空间属性包括走行空间和非走行空间;基于走行空间和非走行空间,建立模拟行人在元胞自动机模型下的行人运动场域;根据行人移动规则,利用行人运动场域进行人员疏散模拟,记录人员疏散时间,可以快速并准确地得到人员疏散时间,可以为现实生活中进行人员疏散提供快速有效的疏散指引。
Description
技术领域
本申请涉及人员疏散模拟技术领域,尤其涉及一种基于航拍图像的人员疏散模拟方法、系统及设备。
背景技术
随着社会经济快速发展,社会人口以及公共活动需求显著增长,公共建筑内一旦发生突发事件将面临巨大的人员疏散压力。为确保人员疏散策略的合理性,使用模拟的方法模拟人员疏散过程,进而科学地指导人员疏散具有重要的意义。
现有利用元胞自动机模型进行人员疏散模拟方法中,为了能够得到更贴近真实疏散场景的疏散时间,在建立行人疏散场景时,往往需要人为地进行大量的场景参数设置,需要花费很多的时间成本,而且不同人员进行参数设置,如果没有统一的标准,可能会导致最终得到疏散时间并不准确,存在误差较大的情况。
发明内容
本申请实施例提供了一种基于航拍图像的人员疏散模拟方法、系统及设备,能够快速并准确地得到人员疏散时间,可以为现实生活中进行人员疏散提供快速有效的疏散指引。
第一方面,本申请提供一种基于航拍图像的人员疏散模拟方法,包括:根据图像场景特征,从上述航拍图像中提取不同空间类型的场景,得到第一图像,上述第一图像中用不同的颜色表征不同空间类型的场景;通过预定矩形,对上述第一图像进行离散化处理,得到由多个元胞空间组成的第二图像;根据预设颜色规则,确定上述第二图像中每个元胞空间的空间属性,上述空间属性包括走行空间和非走行空间;基于上述走行空间和上述非走行空间,建立模拟行人在元胞自动机模型下的行人运动场域;根据行人移动规则,利用上述行人运动场域进行人员疏散模拟,记录人员疏散时间。
本申请实施例通过从航拍图像中提取不同空间类型的场景,再对提取到场景进行离散化处理,得到多个元胞空间组成的第二图像,再根据预设颜色规则确定每个元胞空间的空间属性,利用确定的空间属性建立行人运动场域,再根据行人移动规则,利用该行人运动场域进行人员疏散模拟,记录人员疏散时间,可以快速并准确地得到人员疏散时间,可以为现实生活中进行人员疏散提供快速有效的疏散指引。
在第一方面提供的一个可选方式中,上述根据图像场景特征,从上述航拍图像中提取不同空间类型的场景,包括:
将上述航拍图像输入到训练好的卷积神经网络模型中,确定上述航拍图像中每个像素点对应的场景的空间类型;
根据与上述航拍图像中每个像素点对应的场景的空间类型相对应的颜色,对上述像素点进行颜色填充。
在第一方面提供的另一个可选方式中,上述通过预定矩形,对上述第一图像进行离散化处理,得到由多个元胞空间组成的第二图像,包括:
根据上述第一图像的像素坐标与现实物理坐标的比例关系,确定上述预定矩形的尺寸,上述预定矩形的尺寸为在上述第一图像中一个或若干个行人运动所处的空间大小。
在第一方面提供的另一个可选方式中,根据上述预设颜色规则,确定上述第二图像中每个元胞空间的空间属性中,包括:
通过走行空间像素点总和计算公式,计算走行空间像素点总和,上述走行空间像素点总和为上述元胞空间中设定为走行空间的颜色对应的像素点的总和,其中,上述走行空间像素点总和计算公式为:
其中,L sum 表示预设颜色规则中被设定为走行空间对应的颜色G和W的像素点的总和,m和n表示元胞空间中像素点的行数和列数,且m<=w,n<=y,w和y代表元胞空间的宽度和高度;A mn 表示元胞空间中m行n列的像素点的RGB分量,G代表第一颜色的RGB分量,W代表第二颜色的RGB分量,B代表第三颜色的RGB分量,cos()表示两个不同RGB分量之间的余弦相似度;
根据上述走行空间像素点总和,确定上述元胞空间的空间属性通过走行空间像素点总和计算公式,计算其中,上述走行空间像素点总和计算公式为。
在第一方面提供的另一个可选方式中,上述根据预设颜色规则,确定上述第二图像中每个元胞空间的空间属性中,包括:
根据上述元胞空间的空间属性,使用第一预设数值对上述第二图像中的元胞空间进行数字化处理,建立标签矩阵,上述第一预设数值包括第一数值和第二数值;
当上述元胞空间为走行空间时,使用上述第一数值对上述元胞空间进行标记;
当上述元胞空间为非走行空间时,使用上述第二数值对上述元胞空间进行标记。
在第一方面提供的另一个可选方式中,基于上述走行空间和上述非走行空间,建立模拟行人在元胞自动机模型下的行人运动场域,包括:
获取行人起点和行人终点,上述行人起点和上述行人终点为在上述走行空间和上述非走行空间的边界处设定的任意点;
依据行人走行顺序,基于上述行人终点所在的元胞空间到上述行人起点所在的元胞空间的距离,利用上述标签矩阵建立行人运动场域。
在第一方面提供的另一个可选方式中,上述依据行人走行顺序,基于上述行人终点所在的元胞空间到上述行人起点所在的元胞空间的距离,利用上述标签矩阵建立行人运动场域中,包括:
建立与上述标签矩阵大小相等的场域矩阵;
基于上述行人终点所在的元胞空间到上述行人起点所在的元胞空间的距离,对上述场域矩阵中被标注为第一数值的区域进行置空重填直至该区域的元素全部更新;
对上述场域矩阵中被标注为第二数值的区域进行指定值更新,将上述第二数值更新为上述指定值,上述指定值用于表示该区域与行人终点的距离无穷大。
在第一方面提供的另一个可选方式中,上述基于上述行人终点所在的元胞空间到上述行人起点所在的元胞空间的距离,对上述场域矩阵中被标注为第一数值的区域进行置空重填直至该区域的元素全部更新,包括:
确定上述场域矩阵中是否存在空元素;
当上述场域矩阵中存在空元素时,寻找上述场域矩阵中走行空间的最大元素位置,并记录在向量清单中;
对与上述向量清单中记录的最大元素位置相邻的且为空元素的区域进行元素填充,直至上述场域矩阵中不再存在空元素,所填充的原始值为上述最大元素位置的值按照第二预设数值增加,表示填充元素值后的区域与最大元素位置的距离为上述第二预设数值。
第二方面,本申请提供一种基于航拍图像的人员疏散模拟系统,包括:
场景提取单元,用于根据图像场景特征,从上述航拍图像中提取不同空间类型的场景,得到第一图像,上述第一图像中用不同的颜色表征不同空间类型的场景;
离散化处理单元,用于通过预定矩形,对上述第一图像进行离散化处理,得到由多个元胞空间组成的第二图像;
空间属性确定单元,用于根据预设颜色规则,确定上述第二图像中每个元胞空间的空间属性,上述空间属性包括走行空间和非走行空间;
行人运动场域建立单元,用于基于上述走行空间和上述非走行空间,建立模拟行人在元胞自动机模型下的行人运动场域;
人员疏散模拟单元,用于根据行人移动规则,利用上述行人运动场域进行人员疏散模拟,记录人员疏散时间。
在第二方面提供的一个可选方式中,上述场景提取单元包括:
空间类型确定子单元,用于将上述航拍图像输入到训练好的卷积神经网络模型中,确定上述航拍图像中每个像素点对应的场景的空间类型;
颜色填充子单元,用于根据与上述航拍图像中每个像素点对应的场景的空间类型相对应的颜色,对上述像素点进行颜色填充。
在第二方面提供的另一个可选方式中,上述离散化处理单元具体用于:
根据上述第一图像的像素坐标与现实物理坐标的比例关系,确定上述预定矩形的尺寸,上述预定矩形的尺寸为在上述第一图像中一个或若干个行人运动所处的空间大小。
在第二方面提供的另一个可选方式中,上述空间属性确定单元具体用于:
通过走行空间像素点总和计算公式,计算走行空间像素点总和,上述走行空间像素点总和为上述元胞空间中设定为走行空间的颜色对应的像素点的总和,其中,上述走行空间像素点总和计算公式为:
其中,L sum 表示预设颜色规则中被设定为走行空间对应的颜色G和W的像素点的总和,m和n表示元胞空间中像素点的行数和列数,且m<=w,n<=y,w和y代表元胞空间的宽度和高度;A mn 表示元胞空间中m行n列的像素点的RGB分量,G代表第一颜色的RGB分量,W代表第二颜色的RGB分量,B代表第三颜色的RGB分量,cos()表示两个不同RGB分量之间的余弦相似度;
根据上述走行空间像素点总和,确定上述元胞空间的空间属性通过走行空间像素点总和计算公式,计算其中,上述走行空间像素点总和计算公式为。
在第二方面提供的另一个可选方式中,上述空间属性确定单元具体用于:
根据上述元胞空间的空间属性,使用第一预设数值对上述第二图像中的元胞空间进行数字化处理,建立标签矩阵,上述第一预设数值包括第一数值和第二数值;
当上述元胞空间为走行空间时,使用上述第一数值对上述元胞空间进行标记;
当上述元胞空间为非走行空间时,使用上述第二数值对上述元胞空间进行标记。
在第二方面提供的另一个可选方式中,行人运动场域建立单元具体用于:
获取行人起点和行人终点,上述行人起点和上述行人终点为在上述走行空间和上述非走行空间的边界处设定的任意点;
依据行人走行顺序,基于上述行人终点所在的元胞空间到上述行人起点所在的元胞空间的距离,利用上述标签矩阵建立行人运动场域。
在第二方面提供的另一个可选方式中,上述行人运动场域建立单元,包括:
场域矩阵建立子单元,用于建立与上述标签矩阵大小相等的场域矩阵;
第一元素值更新子单元,用于基于上述行人终点所在的元胞空间到上述行人起点所在的元胞空间的距离,对上述场域矩阵中被标注为第一数值的区域进行置空重填直至该区域的元素全部更新;
第二元素值更新子单元,用于对上述场域矩阵中被标注为第二数值的区域进行指定值更新,将上述第二数值更新为上述指定值,上述指定值用于表示该区域与行人终点的距离无穷大。
在第二方面提供的另一个可选方式中,上述第一元素值更新子单元具体用于:
确定上述场域矩阵中是否存在空元素;
当上述场域矩阵中存在空元素时,寻找上述场域矩阵中走行空间的最大元素位置,并记录在向量清单中;
对与上述向量清单中记录的最大元素位置相邻的且为空元素的区域进行元素填充,直至上述场域矩阵中不再存在空元素,所填充的原始值为上述最大元素位置的值按照第二预设数值增加,表示填充元素值后的区域与最大元素位置的距离为上述第二预设数值。
第三方面,本申请提供一种基于航拍图像的人员疏散模拟设备,包括处理器、存储器以及存储在上述存储器中并可在上述处理器上运行的计算机程序,上述处理器执行上述计算机程序时实现如第一方面或第一方面的任意可选方式上述的方法。
第四方面,本申请提供一种计算机可读存储介质,上述计算机可读存储介质存储有计算机程序,上述计算机程序被处理器执行时实现如第一方面或第一方面的任意可选方式上述的方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在基于航拍图像的人员疏散模拟设备上运行时,使得基于航拍图像的人员疏散模拟设备执行上述第一方面上述的基于航拍图像的人员疏散模拟方法的步骤。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术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申请的一些实施例,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是本申请实施例提供的一种基于航拍图像的人员疏散模拟方法的流程示意图;
图2是本申请实施例提供一种场景提取方法的流程示意图;
图3是本申请实施例提供的一种行人运动场域的建立方法的流程示意图;
图4是本申请实施例提供的一种场域元素的更新方法的流程示意图;
图5是本申请实施例提供的一种基于航拍图像的人员疏散模拟系统的结构示意图;
图6是本申请实施例提供的一种基于航拍图像的人员疏散模拟设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、系统、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
还应当理解,在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
在说明本申请实施例提供的基于航拍图像的人员疏散模拟方法进行具体说明之前,对本申请实施例中涉及的应用场景进行示例性说明。
请参见图1,图1是一种基于航拍图像的人员疏散模拟方法的流程示意图,详述如下:
步骤S101,根据图像场景特征,从上述航拍图像中提取不同空间类型的场景,得到第一图像,上述第一图像中用不同的颜色表征不同空间类型的场景。
在本申请实施例中,航拍图像为使用无人机或者其他航拍工具对某地图的俯拍图像,在该图像中包括有各式各样的建筑物、道路和空地。
因卷积神经网络在图像分割上具有良好的处理效果,根据图像场景特征,可以通过训练好的卷积神经网络将航拍图像中的像素按空间类型进行场景分类,比如,将航拍图像中的像素按照空间类型分为建筑物、道路和空地这三个场景,并使用不同的颜色表征不同的空间类型的场景,比如,使用黑色表示道路、白色表示建筑物,绿色表示空地。
具体的,请参见图2,图2是本申请实施例提供的一种场景提取方法的流程示意图,详述如下:
步骤S201,将上述航拍图像输入到训练好的卷积神经网络模型中,确定上述航拍图像中每个像素点对应的场景的空间类型。
在本申请实施例中,在通过卷积神经网络提取不同空间类型的场景时,使用D-CrossLinknet网络进行语义分割,从而提取不同空间类型的场景区域。在使用D-CrossLinknet网络结构进行语义分割之前,利用DeepGlobe Road Extraction Challenge2018比赛提供的 DeepGlobe 数据集进行训练。然后将无人机拍摄的航拍图像进行测试,测试后一张俯拍图像会被分成三类空间,道路、空地和建筑物。
具体的,D-CrossLinknet网络包括编码器、中心部分和解码器这三个部分,在训练时,使用两个包含有分辨率为1024 * 1024 的航拍图像的数据集作为D-CrossLinknet网络的输入,经过一系列编码器和池化层,直到特征图的分辨率32 * 32。在中心部分处理的特征图被发送到不同的解码器。在解码器部分,一系列上采样恢复特征图分辨率,最终生成二值图像,即场景提取的空间类型分类结果。
在训练过程采用二分类交叉熵损失函数L作为目标函数,训练结果应该使得该目标函数的值尽可能小。
其中,L表示目标函数的值,n是像素数量,i是当前像素点序号,a i 表示像素点i的属于某一空间类型的得分,0<a i <1,y i 代表当前像素是否属于当前空间类型(如果y i =1代表像素点i属于,y i =0代表像素点 i不属于)。
步骤S202,根据与上述航拍图像中每个像素点对应的场景的空间类型相对应的颜色,对上述像素点进行颜色填充。
在本申请实施例中,对于输入图像,通过训练好的D-LinkCrossNet网络结构能够输出一个与原图像像素大小一致的矩阵A,矩阵A中的对应a i 为像素点序号为i的像素的得分。由于图像场景特征的不同,使用三个并行的D-LinkCrossNet网络对每一个像素点输出一个三个得分构成的向量,随后经过一个softmax结构进行判断,并将输入图像的场景划分为三类空间,确定空间类型后将该像素点进行颜色填充,比如空地填充为(0,255,0),道路填充为(255,255,255),建筑填充为(0,0,0)。
步骤S102,通过预定矩形,对上述第一图像进行离散化处理,得到由多个元胞空间组成的第二图像。
在本申请实施例中,预定矩形的尺寸可以为在第一图像中一个行人运动所处的空间大小,也即在该预定矩形内行人刚好可以通过。在通过预定矩形对第一图像进行离散化处理后,得到由多个元胞空间组成的第二图像,这里所说的元胞空间,实际上也就是预定矩形,第二图像实际为由多个预定矩形组成的元胞空间,该元胞空间用于表征行人可能的位置。
在本申请的另一些实施例中,预定矩形的尺寸也可以为在第一图像中若干个行人运动所处的空间大小,也即在该预定矩形内若干个行人刚好可以通过,以方便后续对一群人的运动过程进行仿真模拟。
为了提高人员疏散模拟的准确率,方便后续建立行人运动场域,将第二图像上的像素坐标与现实物理坐标对应起来,需要将两类坐标系中行人占据的空间大小离散为规则的矩形,也即需要根据第一图像的像素坐标与现实物理坐标的比例关系,确定预定矩形的尺寸,从而使得最终得到的第二图像中的元胞空间能够更准确地表征行人可能的位置。比如,在现实物理坐标中,设置矩形的宽度为w像素,高度为y像素。根据图像的像素坐标与现实物理坐标的比值确定每个像素代表长度和宽度p(m/像素)。随后将行人运动空间离散为更小的矩形,根据一般经验,行人的平均肩宽为0.4m。所以离散后的矩形也即元胞空间在第二图像上的大小为w=0.4/p像素,y=0.4/p像素。
步骤S103,根据预设颜色规则,确定上述第二图像中每个元胞空间的空间属性,上述空间属性包括走行空间和非走行空间。
在本申请实施中,预设颜色规则中设定不同的颜色对应不同空间类型的场景,比如,用黑色、白色和绿色分别对应建筑物、道路和空地,走行空间属于行人可以走动的空间,比如道路和空地,而非走行空间为行人不能走动的空间,比如建筑物。
在一个元胞空间中,可能包含有不同颜色的像素点,要精确地确定该元胞空间的空间属性,需要通过走行空间像素点总和计算公式,计算走行空间像素点总和,上述走行空间像素点总和为上述元胞空间中设定为走行空间的颜色对应的像素点的总和,其中,上述走行空间像素点总和计算公式为:
其中,L sum 表示预设颜色规则中被设定为走行空间对应的颜色G和W的像素点的总和,m和n表示元胞空间中像素点的行数和列数,且m<=w,n<=y,w和y代表元胞空间的宽度和高度;A mn 表示元胞空间中m行n列的像素点的RGB分量,G代表第一颜色的RGB分量,比如绿色的RGB分量(0,255,0),W代表第二颜色的RGB分量,比如白色的RGB分量(255,255,255),B代表第三颜色的RGB分量,cos()表示两个不同RGB分量之间的余弦相似度,比如黑色的RGB分量(0,0,0)。
在本申请实施例中,在计算得到任意一个元胞空间的走行空间像素点总和后,通过根据走行空间像素点总和,确定该元胞空间的空间属性。
具体的,将计算得到的走行空间像素点总和与元胞空间的面积的1/2进行大小比较,比如,当L sum >1/2* w * y时,则判定该元胞空间为走行空间,否则为非走行空间。
为了提高人员疏散模拟的效率以及准确率,在确定第二图像中每个元胞空间的空间属性后,需要根据元胞空间的空间属性,使用第一预设数值对第二图像中的元胞空间进行数字化处理,建立标签矩阵,上述第一预设数值包括第一数值和第二数值。
具体的,当上述元胞空间为走行空间时,使用第一数值对上述元胞空间进行标记;当上述元胞空间为非走行空间时,使用第二数值对上述元胞空间进行标记。比如,第一数值为0,第二数值为1。
步骤S104,基于上述走行空间和上述非走行空间,建立模拟行人在元胞自动机模型下的行人运动场域。
在本申请实施例中,进行人员疏散模拟仿真的模型为元胞自动机模型,元胞自动机模型是定义在1个由具有离散、有限状态的元胞组成的元胞空间上,并按照一定局部规则,在离散的时间维上演化的动力学系统。通过元胞自动机模型可以准确地描述和重现行人疏散行为。
为了能够通过元胞自动机模型准确地描述和重现行人疏散行为,需要建立模拟行人在元胞自动机模型下的行人运动场域,以确保行人能够从起点运动到终点。同时,为了能够准确地在行人运动场域中描述和重现行人疏散行为,需要将行人起点、行人终点、走行空间和非走行空间纳入到行人运动场域中。
在本申请实施例中,在边界处设置行人起点和行人终点,依据每个元胞空间到行人起点所在的元胞空间的距离,建立行人运动场域。
在设置行人起点和行人终点后,需要更新标签矩阵,将行人起点和行人终点所在的元胞空间使用不同的数值进行区分,例如,使用第三数值比如数字2表示行人起点,使用第四数值比如数字3表示行人终点,得到更新后的标签矩阵。后文除非特殊说明,出现的标签矩阵一般为更新后的标签矩阵。
需要说明的是,上述行人起点和上述行人终点为在走行空间和非走行空间的边界处设定的任意点。
在获取行人起点和行人终点后,依据行人走行顺序,基于每个元胞空间到行人起点所在的元胞空间的距离,利用标签矩阵建立行人运动场域。
在本申请实施例中,行人终点的不同,所建立的行人运动场域也不尽相同,为了使得所建立的行人运动场域能够更好的进行人员疏散模拟,更精确地统计人员疏散的时间,以行人终点为行人走行顺序的起点,确定该行人运动场域的场域值,该场域值实际上也为行人从行人起点运动到行人终点的势能值,行人在该行人运动场域中运动时,只能前往场域值比其当前所在元胞空间的场域值更低的元胞空间。
请参见图3,图3是本申请实施例提供的一种行人运动场域的建立方法的流程示意图,详述如下:
步骤S301,建立与上述标签矩阵大小相等的场域矩阵。
步骤S302,基于上述行人终点所在的元胞空间到上述行人起点所在的元胞空间的距离,对上述场域矩阵中被标注为第一数值的区域进行置空重填直至该区域的元素全部更新。
在本申请实施例中,为了能够更准确地模拟统计行人疏散时间,需要对场域矩阵中被标记为走行空间的区域,也即被标注为第一数值的区域进行置空重填,重填过程中,根据从终点所在的元胞空间到行人起点所在的元胞空间距离,确定置空区域的元素值。
步骤S303,对上述场域矩阵中被标注为第二数值的区域进行指定值更新,将上述第二数值更新为上述指定值,上述指定值用于表示该区域与行人终点的距离无穷大。
在本申请实施例中,在对场域矩阵中被标注为第一数值的区域进行置空的同时,为了避免第二数值对重填元素值的干扰,导致模拟统计到的行人疏散时间误差较大的问题,需要同时对场域矩阵中被标注为第二数值的区域进行指定值更新,该指定值与置空重填区域中的元素值不一致,用于表示该区域与行人终点的距离无穷大,也即行人不能通过该区域到达行人终点。
需要说明的是,因为行人起点和行人终点为行人运动开始的起始点和终止点,为了避免行人起点和行人终点对重填元素值的干扰,导致模拟统计到的行人疏散时间误差较大的问题,需要将行人起点和行人终点所在元胞空间的值更新为指定值。
还需要说明的是,步骤S302在步骤S303之后,或者两者同步执行。
在本申请实施例中,场域矩阵从标签矩阵经过,将标签矩阵中的非零区域填写指定值inf,含零的区域则全部置空,再依据行人终点所在的元胞空间到行人起点所在的元胞空间的距离重新填充元素值,使得填充完毕的场域矩阵中不含有空元素。
在本申请的一些实施例中,可以采用其他方便标记行人起点和行人终点,比如用颜色标注,使得在建立行人运动场域时能够准确地识别行人起点和终点。
请参见图4,图4是本申请实施例提供的一种场域元素的更新方法的流程示意图,详述如下:
步骤S401,确定上述场域矩阵中是否存在空元素。
在本申请实施例中,循环判断场域矩阵中是否存在着空元素,当在场域矩阵中不存在空元素时,说明行人运动场域已经建立完成,可以进行人员疏散模拟,统计人员疏散时间。
步骤S402,当上述场域矩阵中存在空元素时,寻找上述场域矩阵中走行空间的最大元素位置,并记录在向量清单中。
在本申请实施例中,行人终点所在的元胞空间为元胞自动机模型的仿真模拟过程中可能是楼梯口、大门、通道口等限制性通道,表示行人会从该元胞空间区域离开模拟区域,该元胞空间也就是行人最后一块踏足的区域,因此在开始循环判断场域矩阵中是否存在着空元素时,将该行人终点所在的元胞空间所在的位置设置为场域矩阵中的最大元素位置。
在每一次循环判断场域矩阵中是否存在着空元素的过程中,最大元素位置会相应地发生变化,一般与该最小元素位置相邻的邻域且为最新填充的空元素对应的位置。
步骤S403,对与上述向量清单中记录的最大元素位置相邻的且为空元素的区域进行元素填充,直至上述场域矩阵中不再存在空元素。
在本申请实施例中,所填充的元素值为上述最大元素位置的值按照第二预设数值增加,表示填充元素值后的区域与最大元素位置的距离为上述第二预设数值。在这里,第二预设数值一般为1,表示相邻两个区域之间的距离为1。
比如,在与行人终点相邻的右侧的空元素填写为1,这时,向量清单中记录的最大元素位置为填写了元素1的位置,在下一次循环判断时,与元素1相邻的且为空元素的区域的元素值,则是在元素1的基础上增加1,也即变为2,以此类推。
步骤S105,根据行人移动规则,利用上述行人运动场域进行人员疏散模拟,记录人员疏散时间。
在本申请实施例中,行人移动规则为行人仅在邻域内更新位置,并且更新时只能前往场域值比其当前所在元胞空间场域值更低的元胞空间,当多个行人争抢一个元胞空间时,等概率进入一个人。
需要说明的是,这里所指的邻域为与行人当前所在位置相邻的四个区域,也即在行人当前所在元胞空间的上下左右四个方向的元胞空间。
假设自由状态下,行人往Von-Neumann四邻域各个方向移动的概率分别为p u ,p d ,p l ,p r 。如果运动过程中与障碍物发生接触,运动方向则会减少,对此设置障碍物阻碍参数k u ,k d ,k l ,k r 。当障碍物对行人运动某一方向产生阻碍作用时,令该方向上的阻碍参数等于0。同理,对行人运动的四邻域,也设置行人的阻挡参数g u ,g d ,g l ,g r 。
可得,行人x运动过程中的状态概率分别为:
其中,p u ,p d ,p l ,p r 是行人初始转移概率,是静态场的灵敏度,S u ,S d ,S l ,S r 是行人x邻域中对应的场域值。通过归一化运算,能够计算出行人x停留原地的概率为p x (0)=1-p u (x)-p d (x)-p l (x)-p r (x),至此计算完毕。行人运动过程中的转移概率:分别是停留在原地的概率p x (0),向上运动概率p u (x),向下运动概率p d (x),向左运动概率p l (x),向右运动概率p r (x)。
在确定了行人运动场域和行人运动规则后,设定第t出发点行人的出发的总数量S t 。并在元胞自动机模型中不断更新行人的运动位置。对于每个行人x统计从行人起点走到行人终点的更新次数U x 设置行人的运动速度为v x 。则行人x的疏散时间为U x *0.4/v x ,总疏散时间为。
在本申请实施例中,通过从航拍图像中提取不同空间类型的场景,再对提取到场景进行离散化处理,得到多个元胞空间组成的第二图像,再根据预设颜色规则确定每个元胞空间的空间属性,利用确定的空间属性建立行人运动场域,再根据行人移动规则,利用该行人运动场域进行人员疏散模拟,记录人员疏散时间,可以快速并准确地得到人员疏散时间,可以为现实生活中进行人员疏散提供快速有效的疏散指引。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
基于上述实施例所提供的基于航拍图像的人员疏散模拟方法,本申请实施例进一步给出实现上述方法实施例的系统实施例。
请参见图5,图5是本申请实施例提供的基于航拍图像的人员疏散模拟系统的示意图。包括的各单元用于执行图1对应的实施例中的各步骤。具体请参阅图1对应的实施例中的相关描述。为了便于说明,仅示出了与本实施例相关的部分。参见图5,基于航拍图像的人员疏散模拟系统5包括:
场景提取单元51,用于根据图像场景特征,从上述航拍图像中提取不同空间类型的场景,得到第一图像,上述第一图像中用不同的颜色表征不同空间类型的场景;
离散化处理单元52,用于通过预定矩形,对上述第一图像进行离散化处理,得到由多个元胞空间组成的第二图像;
空间属性确定单元53,用于根据预设颜色规则,确定上述第二图像中每个元胞空间的空间属性,上述空间属性包括走行空间和非走行空间;
行人运动场域建立单元54,用于基于上述走行空间和上述非走行空间,建立模拟行人在元胞自动机模型下的行人运动场域;
人员疏散模拟单元55,用于根据行人移动规则,利用上述行人运动场域进行人员疏散模拟,记录人员疏散时间。
在本申请的一些实施例中,上述场景提取单元51包括:
空间类型确定子单元,用于将上述航拍图像输入到训练好的卷积神经网络模型中,确定上述航拍图像中每个像素点对应的场景的空间类型;
颜色填充子单元,用于根据与上述航拍图像中每个像素点对应的场景的空间类型相对应的颜色,对上述像素点进行颜色填充。
在第二方面提供的另一个可选方式中,上述离散化处理单元52具体用于:
根据上述第一图像的像素坐标与现实物理坐标的比例关系,确定上述预定矩形的尺寸,上述预定矩形的尺寸为在上述第一图像中一个或若干个行人运动所处的空间大小。
在本申请的另一些实施例中,上述空间属性确定单元53具体用于:
通过走行空间像素点总和计算公式,计算走行空间像素点总和,上述走行空间像素点总和为上述元胞空间中设定为走行空间的颜色对应的像素点的总和,其中,上述走行空间像素点总和计算公式为:
其中,L sum 表示预设颜色规则中被设定为走行空间对应的颜色G和W的像素点的总和,m和n表示元胞空间中像素点的行数和列数,且m<=w,n<=y,w和y代表元胞空间的宽度和高度;A mn 表示元胞空间中m行n列的像素点的RGB分量,G代表第一颜色的RGB分量,W代表第二颜色的RGB分量,B代表第三颜色的RGB分量,cos()表示两个不同RGB分量之间的余弦相似度;
根据上述走行空间像素点总和,确定上述元胞空间的空间属性。
在本申请的另一些实施例中,上述空间属性确定单元53具体用于:
根据上述元胞空间的空间属性,使用第一预设数值对上述第二图像中的元胞空间进行数字化处理,建立标签矩阵,上述第一预设数值包括第一数值和第二数值;
当上述元胞空间为走行空间时,使用上述第一数值对上述元胞空间进行标记;
当上述元胞空间为非走行空间时,使用上述第二数值对上述元胞空间进行标记。
在本申请的另一些实施例中,行人运动场域建立单元54具体用于:
获取行人起点和行人终点,上述行人起点和上述行人终点为在上述走行空间和上述非走行空间的边界处设定的任意点;
依据行人走行顺序,基于上述行人终点所在的元胞空间到上述行人起点所在的元胞空间的距离,利用上述标签矩阵建立行人运动场域。
在本申请的另一些实施例中,上述行人运动场域建立单元54,包括:
场域矩阵建立子单元,用于建立与上述标签矩阵大小相等的场域矩阵;
第一元素值更新子单元,用于基于上述行人终点所在的元胞空间到上述行人起点所在的元胞空间的距离,对上述场域矩阵中被标注为第一数值的区域进行置空重填直至该区域的元素全部更新;
第二元素值更新子单元,用于对上述场域矩阵中被标注为第二数值的区域进行指定值更新,将上述第二数值更新为上述指定值,上述指定值用于表示该区域与行人终点的距离无穷大。
在本申请的另一些实施例中,上述第一元素值更新子单元具体用于:
确定上述场域矩阵中是否存在空元素;
当上述场域矩阵中存在空元素时,寻找上述场域矩阵中走行空间的最大元素位置,并记录在向量清单中;
对与上述向量清单中记录的最大元素位置相邻的且为空元素的区域进行元素填充,直至上述场域矩阵中不再存在空元素,所填充的原始值为上述最大元素位置的值按照第二预设数值增加,表示填充元素值后的区域与最大元素位置的距离为上述第二预设数值。
在本申请实施例中,通过从航拍图像中提取不同空间类型的场景,再对提取到场景进行离散化处理,得到多个元胞空间组成的第二图像,再根据预设颜色规则确定每个元胞空间的空间属性,利用确定的空间属性建立行人运动场域,再根据行人移动规则,利用该行人运动场域进行人员疏散模拟,记录人员疏散时间,可以快速并准确地得到人员疏散时间,可以为现实生活中进行人员疏散提供快速有效的疏散指引。
需要说明的是,上述模块之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
图6是本申请实施例提供的基于航拍图像的人员疏散模拟设备的示意图。如图6所示,该实施例的基于航拍图像的人员疏散模拟设备6包括:处理器60、存储器61以及存储在存储器61中并可在处理器60上运行的计算机程序62,例如基于航拍图像的人员疏散模拟程序。处理器60执行计算机程序62时实现上述各个基于航拍图像的人员疏散模拟方法实施例中的步骤,例如图1所示的步骤101-105。或者,处理器60执行计算机程序62时实现上述各系统实施例中各模块/单元的功能,例如图5所示单元51-55的功能。
示例性的,计算机程序62可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器61中,并由处理器60执行,以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序62在基于航拍图像的人员疏散模拟设备6中的执行过程。例如,计算机程序62可以被分割成场景提取单元51、离散化处理单元52、空间属性确定单元53、行人运动场域建立单元54、人员疏散模拟单元55,各单元具体功能请参阅图1对应的实施例中地相关描述,此处不赘述。
基于航拍图像的人员疏散模拟设备可包括,但不仅限于,处理器60、存储器61。本领域技术人员可以理解,图6仅仅是基于航拍图像的人员疏散模拟设备6的示例,并不构成对基于航拍图像的人员疏散模拟设备6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如基于航拍图像的人员疏散模拟设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器60可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器61可以是基于航拍图像的人员疏散模拟设备6的内部存储单元,例如基于航拍图像的人员疏散模拟设备6的硬盘或内存。存储器61也可以是基于航拍图像的人员疏散模拟设备6的外部存储设备,例如基于航拍图像的人员疏散模拟设备6上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。进一步地,存储器61还可以既包括基于航拍图像的人员疏散模拟设备6的内部存储单元也包括外部存储设备。存储器61用于存储计算机程序以及基于航拍图像的人员疏散模拟设备所需的其他程序和数据。存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时可实现上述基于航拍图像的人员疏散模拟方法。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在基于航拍图像的人员疏散模拟设备上运行时,使得基于航拍图像的人员疏散模拟设备执行时实现可实现上述基于航拍图像的人员疏散模拟方法。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将系统的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于航拍图像的人员疏散模拟方法,其特征在于,所述方法包括:
根据图像场景特征,从所述航拍图像中提取不同空间类型的场景,得到第一图像,所述第一图像中用不同的颜色表征不同空间类型的场景;
通过预定矩形,对所述第一图像进行离散化处理,得到由多个元胞空间组成的第二图像;
根据预设颜色规则,确定所述第二图像中每个元胞空间的空间属性,所述空间属性包括走行空间和非走行空间;
基于所述走行空间和所述非走行空间,建立模拟行人在元胞自动机模型下的行人运动场域;
根据行人移动规则,利用所述行人运动场域进行人员疏散模拟,记录人员疏散时间;
其中,所述根据预设颜色规则,确定所述第二图像中每个元胞空间的空间属性,所述空间属性包括走行空间和非走行空间,包括:
计算所述第二图像中每个元胞空间的像素点的颜色分量与预设颜色的颜色分量的余弦相似度;
根据计算得到的余弦相似度,确定当前像素点是否属于走行空间的颜色对应的像素点;
统计所述第二图像中每个元胞空间中属于走行空间的颜色对应的像素点总和,得到走行空间像素点总和;
根据所述走行空间像素点总和,确定所述元胞空间的空间属性。
2.如权利要求1所述的基于航拍图像的人员疏散模拟方法,其特征在于,所述根据图像场景特征,从所述航拍图像中提取不同空间类型的场景,包括:
将所述航拍图像输入到训练好的卷积神经网络模型中,确定所述航拍图像中每个像素点对应的场景的空间类型;
根据与所述航拍图像中每个像素点对应的场景的空间类型相对应的颜色,对所述像素点进行颜色填充。
3.如权利要求1所述的基于航拍图像的人员疏散模拟方法,其特征在于,所述通过预定矩形,对所述第一图像进行离散化处理,得到由多个元胞空间组成的第二图像,包括:
根据所述第一图像的像素坐标与现实物理坐标的比例关系,确定所述预定矩形的尺寸,所述预定矩形的尺寸为在所述第一图像中一个或若干个行人运动所处的空间大小。
4.如权利要求1至3任一所述的基于航拍图像的人员疏散模拟方法,其特征在于,根据所述预设颜色规则,确定所述第二图像中每个元胞空间的空间属性中,包括:
通过走行空间像素点总和计算公式,计算走行空间像素点总和,所述走行空间像素点总和为所述元胞空间中设定为走行空间的颜色对应的像素点的总和,其中,所述走行空间像素点总和计算公式为:
其中,L sum 表示预设颜色规则中被设定为走行空间对应的颜色G和W的像素点的总和,m和n表示元胞空间中像素点的行数和列数,且m<=w,n<=y,w和y代表元胞空间的宽度和高度;A mn 表示元胞空间中m行n列的像素点的RGB分量,G代表第一颜色的RGB分量,W代表第二颜色的RGB分量,B代表第三颜色的RGB分量,cos()表示两个不同RGB分量之间的余弦相似度;
根据所述走行空间像素点总和,确定所述元胞空间的空间属性。
5.如权利要求4所述的基于航拍图像的人员疏散模拟方法,其特征在于,所述根据预设颜色规则,确定所述第二图像中每个元胞空间的空间属性中,包括:
根据所述元胞空间的空间属性,使用第一预设数值对所述第二图像中的元胞空间进行数字化处理,建立标签矩阵,所述第一预设数值包括第一数值和第二数值;
当所述元胞空间为走行空间时,使用所述第一数值对所述元胞空间进行标记;
当所述元胞空间为非走行空间时,使用所述第二数值对所述元胞空间进行标记。
6.如权利要求5所述的基于航拍图像的人员疏散模拟方法,其特征在于,基于所述走行空间和所述非走行空间,建立模拟行人在元胞自动机模型下的行人运动场域,包括:
获取行人起点和行人终点,所述行人起点和所述行人终点为在所述走行空间和所述非走行空间的边界处设定的任意点;
依据行人走行顺序,基于所述行人终点所在的元胞空间到所述行人起点所在的元胞空间的距离,利用所述标签矩阵建立行人运动场域。
7.如权利要求6所述的基于航拍图像的人员疏散模拟方法,其特征在于,所述依据行人走行顺序,基于所述行人终点所在的元胞空间到所述行人起点所在的元胞空间的距离,利用所述标签矩阵建立行人运动场域中,包括:
建立与所述标签矩阵大小相等的场域矩阵;
基于所述行人终点所在的元胞空间到所述行人起点所在的元胞空间的距离,对所述场域矩阵中被标注为第一数值的区域进行置空重填直至该区域的元素全部更新;
对所述场域矩阵中被标注为第二数值的区域进行指定值更新,将所述第二数值更新为所述指定值,所述指定值用于表示该区域与行人终点的距离无穷大。
8.如权利要求7所述的基于航拍图像的人员疏散模拟方法,其特征在于,所述基于所述行人终点所在的元胞空间到所述行人起点所在的元胞空间的距离,对所述场域矩阵中被标注为第一数值的区域进行置空重填直至该区域的元素全部更新,包括:
确定所述场域矩阵中是否存在空元素;
当所述场域矩阵中存在空元素时,寻找所述场域矩阵中走行空间的最大元素位置,并记录在向量清单中;
对与所述向量清单中记录的最大元素位置相邻的且为空元素的区域进行元素填充,直至所述场域矩阵中不再存在空元素,所填充的原始值为所述最大元素位置的值按照第二预设数值增加,表示填充元素值后的区域与最大元素位置的距离为所述第二预设数值。
9.一种基于航拍图像的人员疏散模拟设备,包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的基于航拍图像的人员疏散模拟方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的基于航拍图像的人员疏散模拟方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210777418.8A CN114841084B (zh) | 2022-07-04 | 2022-07-04 | 一种基于航拍图像的人员疏散模拟方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210777418.8A CN114841084B (zh) | 2022-07-04 | 2022-07-04 | 一种基于航拍图像的人员疏散模拟方法、系统及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114841084A CN114841084A (zh) | 2022-08-02 |
CN114841084B true CN114841084B (zh) | 2022-09-09 |
Family
ID=82575077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210777418.8A Active CN114841084B (zh) | 2022-07-04 | 2022-07-04 | 一种基于航拍图像的人员疏散模拟方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114841084B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1845846A (zh) * | 2003-09-05 | 2006-10-11 | 瑟布维克系统有限公司 | 潜水艇紧急撤离系统 |
CN103830855A (zh) * | 2014-03-17 | 2014-06-04 | 中国科学技术大学 | 一种针对大型公共建筑的动态消防应急疏散指示系统 |
CN104008417A (zh) * | 2014-05-27 | 2014-08-27 | 广西民族大学 | 建立高层建筑人员疏散生物荧光粒子群优化算法模型方法 |
WO2015057187A1 (en) * | 2013-10-14 | 2015-04-23 | Draeger Safety, Inc. | Intelligent personnel escape routing during hazard event |
CN105701314A (zh) * | 2016-02-25 | 2016-06-22 | 武汉大学 | 一种基于自适应智能体模型的复杂人群疏散行为仿真方法 |
CN106354978A (zh) * | 2016-09-30 | 2017-01-25 | 厦门大学嘉庚学院 | 一种考虑疏散引导的室内多出口行人流仿真方法 |
CN106650915A (zh) * | 2016-12-27 | 2017-05-10 | 天津师范大学 | 基于网格智能体的人群行为模拟方法 |
CN106897541A (zh) * | 2017-03-31 | 2017-06-27 | 华中师范大学 | 一种基于混合空间的室内人员疏散模拟方法 |
CN109522651A (zh) * | 2018-11-16 | 2019-03-26 | 中电科新型智慧城市研究院有限公司 | 一种基于静态场和有偏行走的人群疏散模拟方法 |
CN109766834A (zh) * | 2019-01-10 | 2019-05-17 | 成都师范学院 | 一种基于粒子流的人群疏散方法 |
CN109866798A (zh) * | 2019-01-10 | 2019-06-11 | 北京交通大学 | 一种基于引导员的轨道交通车站乘客疏散方法 |
CN110245403A (zh) * | 2019-05-31 | 2019-09-17 | 西南石油大学 | 一种基于元胞自动机的人员疏散模拟方法 |
CN114580308A (zh) * | 2022-05-07 | 2022-06-03 | 西南交通大学 | 一种人员疏散时间预测方法、装置、存储介质及终端设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304656B (zh) * | 2018-02-01 | 2022-02-01 | 三峡大学 | 一种劳务众包平台的任务接受情况仿真方法 |
CN112116160A (zh) * | 2020-09-25 | 2020-12-22 | 国网新疆电力有限公司电力科学研究院 | 一种基于优化神经网络改进元胞自动机的重要输电通道灾害监测方法 |
CN113297174B (zh) * | 2021-05-24 | 2023-10-13 | 中南大学 | 基于深度学习的土地利用变化模拟方法 |
-
2022
- 2022-07-04 CN CN202210777418.8A patent/CN114841084B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1845846A (zh) * | 2003-09-05 | 2006-10-11 | 瑟布维克系统有限公司 | 潜水艇紧急撤离系统 |
WO2015057187A1 (en) * | 2013-10-14 | 2015-04-23 | Draeger Safety, Inc. | Intelligent personnel escape routing during hazard event |
CN103830855A (zh) * | 2014-03-17 | 2014-06-04 | 中国科学技术大学 | 一种针对大型公共建筑的动态消防应急疏散指示系统 |
CN104008417A (zh) * | 2014-05-27 | 2014-08-27 | 广西民族大学 | 建立高层建筑人员疏散生物荧光粒子群优化算法模型方法 |
CN105701314A (zh) * | 2016-02-25 | 2016-06-22 | 武汉大学 | 一种基于自适应智能体模型的复杂人群疏散行为仿真方法 |
CN106354978A (zh) * | 2016-09-30 | 2017-01-25 | 厦门大学嘉庚学院 | 一种考虑疏散引导的室内多出口行人流仿真方法 |
CN106650915A (zh) * | 2016-12-27 | 2017-05-10 | 天津师范大学 | 基于网格智能体的人群行为模拟方法 |
CN106897541A (zh) * | 2017-03-31 | 2017-06-27 | 华中师范大学 | 一种基于混合空间的室内人员疏散模拟方法 |
CN109522651A (zh) * | 2018-11-16 | 2019-03-26 | 中电科新型智慧城市研究院有限公司 | 一种基于静态场和有偏行走的人群疏散模拟方法 |
CN109766834A (zh) * | 2019-01-10 | 2019-05-17 | 成都师范学院 | 一种基于粒子流的人群疏散方法 |
CN109866798A (zh) * | 2019-01-10 | 2019-06-11 | 北京交通大学 | 一种基于引导员的轨道交通车站乘客疏散方法 |
CN110245403A (zh) * | 2019-05-31 | 2019-09-17 | 西南石油大学 | 一种基于元胞自动机的人员疏散模拟方法 |
CN114580308A (zh) * | 2022-05-07 | 2022-06-03 | 西南交通大学 | 一种人员疏散时间预测方法、装置、存储介质及终端设备 |
Non-Patent Citations (2)
Title |
---|
基于视频检测和元胞自动机的人群疏散机理研究;朱诺;《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》;20130515(第05期);C034-95 * |
疏散人员路径选择行为多人在线式虚拟试验研究;李若愚 等;《安全与环境学报》;20220628;1-11 * |
Also Published As
Publication number | Publication date |
---|---|
CN114841084A (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102635987B1 (ko) | 이미지 시맨틱 세그멘테이션 네트워크를 트레이닝하기 위한 방법, 장치, 디바이스 및 저장 매체 | |
CN107704857B (zh) | 一种端到端的轻量级车牌识别方法及装置 | |
US10339669B2 (en) | Method, apparatus, and system for a vertex-based evaluation of polygon similarity | |
CN110472534A (zh) | 基于rgb-d数据的3d目标检测方法、装置、设备和存储介质 | |
CN111582189B (zh) | 交通信号灯识别方法、装置、车载控制终端及机动车 | |
CN110807496B (zh) | 一种密集目标检测方法 | |
CN111104538A (zh) | 一种基于多尺度约束的细粒度车辆图像检索的方法及装置 | |
CN111292377B (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
CN111931683B (zh) | 图像识别方法、装置及计算机可读存储介质 | |
US10776951B2 (en) | Method, apparatus, and system for an asymmetric evaluation of polygon similarity | |
CN113033497B (zh) | 车道线识别方法、装置、设备及计算机可读存储介质 | |
WO2021146906A1 (zh) | 测试场景仿真方法、装置、计算机设备和存储介质 | |
CN113449741A (zh) | 一种基于语义推断和图像理解的遥感影像定位方法及系统 | |
CN111382870A (zh) | 训练神经网络的方法以及装置 | |
JP2021532449A (ja) | 車線属性検出 | |
CN114359231A (zh) | 一种停车位的检测方法、装置、设备及存储介质 | |
CN116721229B (zh) | 地图中道路隔离带的生成方法、装置、设备及存储介质 | |
CN112241736A (zh) | 一种文本检测的方法及装置 | |
CN112084988B (zh) | 车道线实例聚类方法、装置、电子设备和存储介质 | |
CN114841084B (zh) | 一种基于航拍图像的人员疏散模拟方法、系统及设备 | |
CN115661444A (zh) | 图像处理方法、装置、设备、存储介质及产品 | |
CN112785083B (zh) | 到达时间的预估方法、装置、电子设备以及存储介质 | |
CN113989671A (zh) | 基于语义感知与动态图卷积的遥感场景分类方法及系统 | |
CN116665157B (zh) | 道路图像处理方法、装置、计算机设备和存储介质 | |
CN111368889A (zh) | 一种图像处理方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |