英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料
基于人群聚集模式和多列卷积神经网络的人群密度检测方法
刘 白，程 武，冯 谢，王一鸣
摘要
人群聚集场所经常发生人群拥堵和踩踏事件，这会造成大量人员伤亡和巨大的社会负面影响。传统的人群聚集安全动态评估研究主要依靠实时视频监控，但缺乏从不同来源、不同视角、不同粒度处理大量视频数据的可靠方法。本文以爱德华·霍尔的个人空间理论为基础，考虑了人群心理等因素，建立了人群聚集模式的静态基本模型。为了将实时多粒度监控视频与不同的视角结合在一起，利用了多列卷积神经网络（M-CNN）从低空视角提取人群的局部密度特征，从而建立了人群时间和空间的全息模型，并采用了一种新的人群聚集安全评估方法。该方法被应用于苏州地标城市生活喷泉广场人群聚集安全评价时取得了良好的效果，为人群聚集场所的安全管理提供了理论支持。
- 介绍
近年来，人群聚集区域频繁发生的公共事件引起了社会的关注。当有限空间内的人流继续长时间聚集时，人群密度将显著增加，并呈现不均匀分布，这将增加安全风险，严重威胁人身安全。此外，在扩散过程中，密集的人群也会影响周围的交通。作为典型的人群聚集引发的突发公共事件，2014年12月31日，上海陈毅外滩广场相反的人流形成撞击流，造成拥挤踩踏事故，造成36人死亡，49人受伤。此外，据不完全统计，从2001年至2014年，全世界有150多人发生践踏事件，均发生在人群密集的地方。此类事故具有突发性、复杂性、控制水平低等特点，极易造成大规模人员伤亡。这也使得对拥挤踩踏事故的预防和研究成为人群迅速、管理相对落后的发展中国家的迫切需要。
事实上，目前对拥挤场所的拥挤度和变化趋势的监控得益于物联网，特别是无处不在的视频监控系统的广泛使用。互联视频采集设备提供的综合视角和动态覆盖为人群密度估计提供了更多的数据支持。来自不同领域的学者已经对视频图像帧进行了处理，以获得准确的人数和人口密度，如Pu等人， Fradi 和 Dugelay ， Grant 和 Flynn。另一方面，从事故分析和预防的角度出发，群体动力相关的研究工作更多地集中在行人流动模拟和个体运动模型上。Helbing等人在分析了2006年1月12日1426小时的朝圣期间的米纳/麦加人群拥堵灾难的视频后，分析了层流从层流到停止流和“紊流”两种现象。。Johansson等人讨论了如何在Helbing的基础上，基于适当的视频数据研究高密度条件，并解释了人群紊流的临界条件，提出了相应的改善人口安全的措施。Moussaiuml;d 等人提出了一种基于认知启发式的认知科学方法，可以预测个体的轨迹和集体的运动模式。然而，在目前的研究中，数据收集过程的异质性和数据本身的多粒度导致了对人口状况的分析与对个体运动的感知分离，无法确定不同的人群聚集模式及相关的综合评价指标，并以此建立安全预警系统。
针对上述问题，本文以“异构协同智能感知与数据融合”智能交通关键技术为背景，综合考虑了人群聚集场所的整体人群状况和个体运动模式。重点从准确估计当前视频帧上的人数转移到合理分配人群密度，综合考虑有限空间内的地形环境、人群与吸引点的距离、人群的心理状态等因素，建立一个合理的人群密度分布模型以个体为中心的人群基础模型。将不同角度的异构多粒度实时动态监控视频相融合，建立了人群状况时空演化的全息模型，提出了一种新的人群安全评价方法。
本文的结构如下：第2节介绍了近年来人群密度检测和个体运动模型的相关工作；第3节根据个人空间理论对人群聚集状态进行了界定，总结了人群聚集模式，并利用多重卷积神经网络（MCNN）计算了人群聚集状态人群密度。第4节对视频帧图像进行个人空间计算和密度拟合，分析密度变化趋势，并讨论卷积网络密度估计图输出的准确性。在此基础上，获得安全评价指标；在第5节讨论了评价结果。
- 相关工作
2.1. 人群密度检测
目前，在计算机视觉领域用于视频监控人群密度估计和计数方法的主要包括两条技术路线：基于个体提取分割的模型标注和基于整体纹理分析的特征提取。
模型标注的主要思想是直接对图像中的人体模型进行标注和计数。Luo等人将人群图像直接映射到其人群密度图上，然后通过积分获得总人数。Zhao和Nevatia将人体分成多个物体，并使用椭圆形模型进行全局跟踪以计算人群密度。Ge和Collins提出了一种用于估计视频帧中个体数量和位置的贝叶斯方法，该方法将控制个体数量和位置的空间随机过程与选择体型和方向的条件标记过程相结合，最终给出个体数量。Rao等人提出了一种通过运动提示和分层聚类估计人群密度的方法，该方法利用光流进行运动估计，对人群进行轮廓分析，并通过聚类获得人群密度。虽然这种方法最大限度地保留了探测目标的特征，但由于单个轮廓模糊和密集人群定位不准确，很容易造成检测结果不准确，难以满足要求。
特征提取方法的核心思想是通过提取人类特征或使用其他参数代替人类行为，然后使用归一化的方法来估计人群密度。Nagao等人利用人体旋转角速度作为测试数据，采用连续波变换和机器学习方法测量人群密度。Kok和Chan学会区分人群特征和颗粒，并确定了人群和背景（即非人群）区域之间的轮廓，以此来进行密度估计。Meynberg等人比较了bow和Gabor滤波器两种纹理分类方法在航空图像斑块数据集上的的应用，以区分不同的人群密度。Zhang等人提出了一个简单有效的多列卷积神经网络结构，将图像映射到其人群密度图。通过使用不同接收场尺寸的滤波器，CNN的每一列特征都能适应透视效应或图像分辨率引起的头部尺寸变化，效果显著。虽然随着深度网络结构的飞速发展，提取整个纹理特征然后计算人群密度的方法大大提高了人群密度估计的准确性，但由于缺乏自然人的细节提取，它在面对复杂背景质地的挑战时，难以消除与人无关的噪声，从而无法准确把握场地区域的有效人群密度。
事实上，随着监控摄像机的广泛普及，高空和低空不同角度的动态监控视频不仅可以满足人体细节模型标注的要求，还可以满足群体纹理特征提取的需要。因此，研究中心正逐步向两种技术方法的融合转变。
2.2. 群体灾害模型
群体灾害模型的研究重点是包含每个自然人位置和状态的信息的行人运动模型。主要的行人运动模型包括元胞自动机模型、社会力模型和基于代理的模型。
基于元胞自动机模型的个体运动分析，Feliciani和Nishinari提出了元胞自动机场模型的改进版本，使用子网格系统增加模拟过程中允许的最大密度，并在密集人群中再现观察到的现象。Ji等人针对高密度人群疏散的特点，提出了新的三角网格元胞自动机模型，精确模拟了高密度人群的疏散过程。这种模型的优点是相对简单，适用于大规模场景中的行人行为模拟。但它的缺点仍然很明显。该算法本身是一种启发式算法，其具有统计意义的结果是不可预测的。由于规则设置的分歧，无法对其进行合理的解释。
基于社会力模型的个人运动分析，Helbing和Molnar建议将行人运动描述为'社会力'，这不是由行人的个人环境直接施加的，而是对个体执行任务的内在动机的测量。Yang等人提出了基于社会力模型的行人动态校正方法。通过将密度-速度和密度-流量图与基本图进行比较，验证了引导人群模型能够更好地反映紧急情况下的行人行为特征。然而，社会力模式缺乏一个明确和有效的机制，以确保行人不会过度接触（也称为重叠），因此需要引入反重叠机制。
基于代理模型的单个运动分析，Tak等人提出了基于代理的行人小区传输模型（A-PCTM），该模型显示了根据前方情况切换目的地和选择行驶方向的灵活性。Ben等人介绍了基于代理的元胞自动机（CA）环境建模方法，模拟了四种不同的疏散场景，并有效地引导了人群疏散。Was和Lubas提出了一种基于代理的非齐次元胞自动机模型和一种异步元胞自动机模型，使人们能够模拟复杂环境中的行人复杂决策过程。
群体灾害模型的实质是研究人群的时间和空间演化趋势。模型的输入来自一些简单的规则和假设。实际上，这些投入往往依赖于人类经验的帮助。事实上，随着传感器技术的不断发展，实时人群采集信息可以有效地取代人工体验，成为群体灾害模型的输入模式。
- 人群聚集模式的划分和密度估计
3.1. 个人空间和人群聚集状态
霍尔个人空间理论依赖于对社会公共关系的深入解释，确定个人空间的距离，并普遍用于个人运动研究。该理论定义了四个个人空间距离、亲密距离、个人距离、社交距离和公共距离，如图1（a）所示。我们的人群聚集模式遵循霍尔的圆形个人空间假设，模拟台阶变化，以提高行人模型的预测能力。为了直接量化人群密度与距离之间的关系，我们将自然人定义为半径r的实心圆，将个人空间定义为半径为ℛ的空心圆，如图1（b）所示。在人群聚集场所，人群密度与距离的确定关系有助于更好地分析大人群聚集场所的人群密度分布规律。
图1.个人空间理论和个人空间
定义：（拥挤状态）
1） 人群存在于有限的聚集地，处于静止状态，以T表示：
2） 在有限的地方有n个吸引点Oj（j=1，2,...,n）。
如果每个吸引点都以 U（Oj）为核心进行人群分布，那么在这个有限的地方，以吸引点为核心的拥挤状态是：
（1）
3.2. 人群聚集模式
根据上述人群聚集状态的定义，将人群聚集分为两种模式：中心包裹型和单边排列型。
3.2.1. 中心包裹型
中心包裹型人群聚集的原因是吸引点的可见范围小，人群聚集在吸引点附近。聚集在内层的人群紧紧围绕着吸引点，其个人空间有限。虽然外层人群无法靠近吸引点，但他们活跃在外部区域，他们的个人空间不受限制，如图2（a）。在图2（b）中，黑色区域表示吸引点，灰色区域表示禁止人群活动的区域（具体大小取决于实际情况）。实心的蓝色圆圈是一个个人模型，空心的黑色实心圆圈是内部的个人空间，大小是确定的。空心的黑色点圆则代表外部个人空间，大小不限。这种聚集类型的特点是人群密集分布在吸引点附近，然后迅速向远处分散。这一原理决定了个体离吸引点越远，个体的圆形个人空间趋于无穷大。中心包裹型人群个人空间的变化可以通过公式（2）表示：
（2）
其中，ℛ表示个人空间，内在个人空间大小以恒定R表示，外部个人空间无限，以infin;表示。
图2.中心包装型
3.2.2. 单边排列型
单边排列型人群聚集的原因是吸引点视觉范围广，且水平距离大，形成了较宽的吸引边缘。这样人们就可以沿着吸引边缘平行排列和聚集，并按照“距离越近、密度越大”的原则，逐步减小分布密度，如图3（a）所示。在图3（b）中，黑色区域表示吸引点的吸引力边缘，灰色区域表示禁止人群活动的区域，实心的蓝色圆圈代表个人模型，空心的黑色实心圆圈表示个人空间。内层的大小确定，外层逐渐扩大，但大小有上限。其特点聚集类型是，有限空间内每个人的圆形个人空间与具有吸引点的个体之间的距离密切相关，群体聚集密度也与此距离密切相关。单侧排列人群个体空间的变化可以用公式表示：
（3）
其中Rmin是距离吸引点最近的个人活动范围的半径，Rmax是距离吸引点最远的个人活动范围的半径，theta;是两个个人活动范围的中心线和水平平面之间的夹角，d是不允许站立的区域大小，L是最远个人活动范围中心点和吸引点之间的线性距离，x是0和L之间的变量，如图4中所示。
根据个人空间和距离之间的对应关系，假设个人i的活动半径为Ri，则个人在该位置占用区域的面积为SI，则该位置密度rho;i为：
（4）
因此，这里显示了不同大小的活动空间与个体位置密度之间的对应关系。
图3.单边排列型
图4.个人空间和距离之间的关系
3.2.3. 地形因素的影响
基于上述基本模式，进一步考虑了地形因素对人群聚集模式的影响。它通常显示不均匀分布的趋势。以单边排列型为例。在这类类型中，吸引点的视觉范围较大，人群聚集也按照“近距离、大密度”的原则进行分布。由于台
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[258200]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
