基于視頻圖像處理的地鐵站擁擠風(fēng)險(xiǎn)預(yù)測(cè)與人群疏散.pdf

1、隨著城市軌道交通的高速發(fā)展，選擇地鐵方式出行的人群越來(lái)越多，一旦發(fā)生危險(xiǎn)會(huì)對(duì)人身和財(cái)產(chǎn)造成巨大威脅。目前，大多數(shù)研究方向在單次預(yù)測(cè)（比如體育館有大型活動(dòng)）或者事故后的致因分析，缺乏有效的擁擠風(fēng)險(xiǎn)實(shí)時(shí)監(jiān)測(cè)預(yù)警手段。為此，本文提出了一種基于視頻圖像評(píng)估地鐵站擁擠風(fēng)險(xiǎn)參數(shù)的新方法。該方法解決了此類(lèi)場(chǎng)景下人群構(gòu)成復(fù)雜、流動(dòng)量大、持續(xù)時(shí)間長(zhǎng)的問(wèn)題，實(shí)現(xiàn)了人群狀態(tài)的實(shí)時(shí)監(jiān)測(cè)預(yù)警，并且以此為基礎(chǔ)設(shè)計(jì)了一套疏散路線(xiàn)。
　　本文以西直門(mén)地鐵站的實(shí)際

2、流通人群為研究對(duì)象，進(jìn)行視頻采集和圖像處理，主要的研究?jī)?nèi)容如下:
　　1.確定實(shí)時(shí)擁擠風(fēng)險(xiǎn)預(yù)測(cè)方法。從目前常用的三種風(fēng)險(xiǎn)預(yù)測(cè)方法入手，分析了這三種方法的優(yōu)缺點(diǎn)，并最終提出了結(jié)合視頻圖像處理的實(shí)時(shí)監(jiān)測(cè)方法。
　　2.研究人群密度檢測(cè)算法?；趥鹘y(tǒng)算法存在的問(wèn)題，提出了一種結(jié)合紋理分析和神經(jīng)網(wǎng)絡(luò)的算法對(duì)某段區(qū)域內(nèi)人群密度進(jìn)行預(yù)測(cè)。該算法通過(guò)紋理分析將多張圖片內(nèi)容轉(zhuǎn)化為參數(shù)的方式描述圖片，以此分析地鐵站的不同人群情況，從而達(dá)到減弱

3、人與人之間互相遮擋和攝像頭遠(yuǎn)近影響的目的。轉(zhuǎn)化結(jié)果輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，形成樣本庫(kù)，達(dá)成了紋理分析與神經(jīng)網(wǎng)絡(luò)結(jié)合的算法流程。實(shí)際檢測(cè)時(shí)直接將預(yù)測(cè)圖片以紋理分析參數(shù)的方式自動(dòng)輸入到神經(jīng)網(wǎng)絡(luò)庫(kù)中進(jìn)行判定，得出結(jié)果。將該算法與傳統(tǒng)基于像素統(tǒng)計(jì)和基于Hough變換的人流密度估計(jì)算法進(jìn)行實(shí)驗(yàn)比較，結(jié)果表明該算法準(zhǔn)確率可以達(dá)到百分之八十遠(yuǎn)高于現(xiàn)有傳統(tǒng)人群算法。
　　3.研究了人群速度檢測(cè)算法。通過(guò)對(duì)視頻中人群的追蹤，判定人群具體的流動(dòng)速度。實(shí)

4、踐了兩種目標(biāo)跟蹤的算法:均值濾波算法和卡爾曼濾波跟蹤算法。基于地鐵站的背景情況，本文進(jìn)行了分類(lèi)實(shí)驗(yàn):固定背景下單人標(biāo)跟蹤、變化背景下單人跟蹤和固定背景下多人跟蹤。實(shí)驗(yàn)證明，卡爾曼濾波算法受到復(fù)雜背景及人群遮擋影響較大，且在大密度人群跟中容易出現(xiàn)跟蹤丟失的情況。而均值濾波算法可以克服背景及人群遮擋的影響，在三類(lèi)情況中都能準(zhǔn)確跟蹤到人群。
　　4.研究了人群疏散路線(xiàn)。本文首先對(duì)西直門(mén)地鐵站人流進(jìn)行了分類(lèi)，然后對(duì)整個(gè)站內(nèi)不同的結(jié)構(gòu)和各個(gè)