基于动态数据分析的公共空间行人流运动风险判别方法技术

本发明专利技术公开了一种基于动态数据分析的公共空间行人流运动风险判别方法，解决了目前风险判断缺乏有效性和实时性的问题，其技术方案要点通过获取目标场景的摄像角度画幅信息和相关参数信息，提取行人流实时动态数据；利用行人流实时动态数据计算获取行人流风险指标；根据行人流风险指标建立行人流风险分层模型；根据行人流风险指标计算获取行人流运动风险偏向；根据行人流风险指标建立目标场景深度学习训练模型，并结合行人流风险分层模型预测目标场景的行人运动状态；根据行人运动状态计算获取存在的风险定位结果，本发明专利技术的一种基于动态数据分析的公共空间行人流运动风险判别方法，能实时进行行人流状态和风险水平的评估，时效性高，有效性高。有效性高。有效性高。

【技术实现步骤摘要】
基于动态数据分析的公共空间行人流运动风险判别方法


[0001]本专利技术涉及行人流运动风险判断技术，特别涉及一种基于动态数据分析的公共空间行人流运动风险判别方法。

技术介绍

[0002]公共空间在人们的生活中随处可见，其重要程度不言而喻。随着人们生活水平的提高，在公共空间的活动也越来越多，不论是日常通勤、娱乐，还是大型集会都离不开公共空间的支持。因此人群在公共空间活动的安全性显得尤为重要，如果发生人群踩踏事件，不仅会扰乱社会治安秩序，造成只有及时有效地掌握公共空间的行人状态，才能在异常发生伊始及时加以干预与调控，稳定行人流的秩序。
[0003]由于相关分析数据的匮乏，目前对于行人流运动风险的判别缺乏有效性和时效性。当前学术界对于行人监控、风险识别主要聚焦于以下两点：(1)静态异常点识别。主要为行人异常行为的识别，如下蹲、跳跃、爬行、奔跑；(2)基于大型踩踏事件的视频分析。这类研究主要通过历史上真实发生的灾难视频获得数据，或者由大学或实验室进行实验所得的数据。但是这两点中，前者识别出的异常行为与行人冲突、行人状态风险之前的联系不紧密，后者通常为事后分析，即对已发生的事故分析，时效性不足。

技术实现思路

[0004]本专利技术的目的是提供一种基于动态数据分析的公共空间行人流运动风险判别方法，能实时进行行人流状态和风险水平的评估，时效性高，有效性高。
[0005]本专利技术的上述技术目的是通过以下技术方案得以实现的：
[0006]一种基于动态数据分析的公共空间行人流运动风险判别方法，包括有以下步骤：
[0007]S1、获取一目标场景的摄像角度画幅信息和相关参数信息，提取行人流实时动态数据；
[0008]S2：利用提取的行人流实时动态数据计算获取行人流风险指标；
[0009]S3：根据行人流风险指标建立所述目标场景的一行人流风险分层模型；
[0010]S4：根据行人流风险指标计算获取行人流运动风险偏向；
[0011]S5：根据行人流风险指标建立目标场景深度学习训练模型，并结合行人流风险分层模型预测所述目标场景的行人运动状态；
[0012]S6：根据所述目标场景的行人运动状态计算获取存在的风险定位结果。
[0013]作为优选，步骤S1具体包括有：
[0014]选择目标场景，包括有室内及室外公共场所；
[0015]确定摄像角度画幅信息，确定相关参数信息，相关参数信息包括有相关集合尺寸参数及测距参照物长度；
[0016]通过摄像角度画幅信息相关参数信息将拍摄画面投影成二维俯视图；
[0017]提取二维俯视图中的行人流实时动态数据。
[0018]作为优选，步骤S2具体包括有：
[0019]计算获取行人流风险指标，包括有人群速度方差、互信息、速度方向大小熵、粒子熵变化率、异常度能量、总能量、帧非同向指数、帧非同向指数变化率、冲突次数、受力和，具体计算分别为：
[0020](1)人群速度方差：
[0021][0022](2)互信息：
[0023]I(X,Y)＝H(X)+H(Y)
‑
H(X,Y)
[0024]其中，
[0025]H(X)和H(X,Y)分别为熵与联合熵的计算公式，p(x
i
)为视频某帧下位于第i个区间内的速度方向概率分布；
[0026](3)速度方向大小熵：
[0027]E＝E
m
·
E
d
[0028]其中，p(x
m,i
)为视频某帧下位于第i个区间内的速度大小概率分布；E
d
＝H(X)。
[0029](4)粒子熵变化率：
[0030][0031]其中，dt为一次分析时长；
[0032](5)异常度能量：
[0033][0034]其中，P
i
为图像中速度交点个数，S
i
为交点区域所占图像上的面积；
[0035](6)总能量：
[0036][0037]其中，v
i
为第i个行人的速度，A＝2000N，B＝0.08m，D＝2m，d
ij
为行人i与行人j之间的距离；
[0038](7)帧非同向指数：
[0039][0040]其中，n为该时刻下行人个数，c
pi
为当前帧中所有运动行人的非同向运动，当运动速度方向超过90
°
时为非同向运动；
[0041](8)帧非同向指数变化率：
[0042][0043]其中，dt为一次分析时长；
[0044](9)冲突次数：
[0045][0046]其中，θ
ij
为行人i与j速度矢量夹角；
[0047](10)受力和：
[0048][0049]其中，τ＝0.5s，τ＝0.5s，为i指向j的单位切向量，r
i
、r
j
分别为行人i与j的理论半径，d
ij
为行人间距离，为行人指向目的地切向单位向量。
[0050]作为优选，步骤S3中建立的行人流风险分层模型具体为：
[0051][0052]其中，conf
i
为冲突态衡量指标，包括人群速度方差、速度方向大小熵、粒子熵变化率、帧非同向指数、帧非同向指数变化率；cong
i
为拥挤态衡量指标，包括互信息、异常度能量、冲突次数、受力和、总能量；为对应冲突态和拥挤态的指标权重，由二元logit模型得到。
[0053]作为优选，冲突态和拥挤态的指标权重的计算获取具体如下：
[0054]将行人实时动态数据集中，计算每时刻下行人流风险指标，形成行人状态数据集，将行人状态数据集其中60％数据作为训练集，设定人群异常情况，对训练集添加人群状态异常与否，形成完整训练数据；
[0055]设定人群状态界限如下：正常态用“0”表示，指行人流平稳有序地运行；异常态用“1”，指行人有明显的回避、停顿、改变行走轨迹或聚集和拥挤现象；
[0056]根据训练集中的完整数据，利用二元Logit模型预测剩余40％数据，得到每个指标
i的相对危险度OR
i
；
[0057]根据每个指标i的OR
i
计算行人流风险指标权重b
i
：
[0058]sum
i
＝∑OR
i
，i∈conf or i∈cong
[0059]b
i
＝OR
i
/sum
i
[0060]根据行人流风险指标权重根据行人流风险指标权重计算冲突态与拥挤态的状态权重
[0061][0062][0063]作为优选，步骤S4中计算行人流运动风险偏向具体为：
[0064]通过冲突度d
cof
与拥挤度d
con本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态数据分析的公共空间行人流运动风险判别方法，其特征是，包括有以下步骤：S1、获取一目标场景的摄像角度画幅信息和相关参数信息，提取行人流实时动态数据；S2：利用提取的行人流实时动态数据计算获取行人流风险指标；S3：根据行人流风险指标建立所述目标场景的一行人流风险分层模型；S4：根据行人流风险指标计算获取行人流运动风险偏向；S5：根据行人流风险指标建立目标场景深度学习训练模型，并结合行人流风险分层模型预测所述目标场景的行人运动状态；S6：根据所述目标场景的行人运动状态计算获取存在的风险定位结果。2.根据权利要求1所述的基于动态数据分析的公共空间行人流运动风险判别方法，其特征是，步骤S1具体包括有：选择目标场景，包括有室内及室外公共场所；确定摄像角度画幅信息，确定相关参数信息，相关参数信息包括有相关集合尺寸参数及测距参照物长度；通过摄像角度画幅信息相关参数信息将拍摄画面投影成二维俯视图；提取二维俯视图中的行人流实时动态数据。3.根据权利要求2所述的基于动态数据分析的公共空间行人流运动风险判别方法，其特征是，步骤S2具体包括有：计算获取行人流风险指标，包括有人群速度方差、互信息、速度方向大小熵、粒子熵变化率、异常度能量、总能量、帧非同向指数、帧非同向指数变化率、冲突次数、受力和，具体计算分别为：(1)人群速度方差：(2)互信息：I(X，Y)＝H(X)+H(Y)
‑
H(X，Y)其中，其中，H(X)和H(X，Y)分别为熵与联合熵的计算公式，p(x
i
)为视频某帧下位于第i个区间内的速度方向概率分布；(3)速度方向大小熵：E＝E
m
·
E
d
其中，p(x
m，i
)为视频某帧下位于第i个区间内的速度大小概率分布；E
d
＝H(X)。(4)粒子熵变化率：
其中，dt为一次分析时长；(5)异常度能量：其中，P
i
为图像中速度交点个数，S
i
为交点区域所占图像上的面积；(6)总能量：其中，v
i
为第i个行人的速度，A＝2000N，B＝0.08m，D＝2m，d
ij
为行人i与行人j之间的距离；(7)帧非同向指数：其中，n为该时刻下行人个数，c
pi
为当前帧中所有运动行人的非同向运动，当运动速度方向超过90
°
时为非同向运动；(8)帧非同向指数变化率：其中，dt为一次分析时长；(9)冲突次数：其中，θ
ij
为行人i与j速度矢量夹角；(10)受力和：其中，τ＝0.5s，τ＝0.5s，为i指向j的单位切向量，r
i
、r
j
分别为行人i与j的理论半径，d
ij
为行人间距离，为行人指向目的地切向单位向量。4.根据权利要求3所述的基于动态数据分析的公共空间行人流运动风险判别方法，其特征是，步骤S3中建立的行人流风险分层模型具体为：
其中，conf
i
为冲突态衡量指标，包括人群速度方差、速度方向大小熵、粒子熵变化率、帧非同向指数、帧非同向指数变化率；cong
i
为拥挤态衡量指标，包括互信息、异常度能量、冲突次数、受力和、总能量；为对应冲突态和拥挤态的指标权重，由二元logit模型得到。5.根据权利要求4所述的基于动态数据分析的公共空间行人流运动风险判别方法，其特征是，冲突态和拥挤态的指标权重的计算获取具体如下：将行...

【专利技术属性】
技术研发人员：陆林军，张奕菁，黄浩，吴慧悦，
申请(专利权)人：上海交通大学设计研究总院有限公司，
类型：发明
国别省市：