CN109242183A - 基于人工鱼群算法与目标检测的人群仿真疏散方法与装置 - Google Patents
基于人工鱼群算法与目标检测的人群仿真疏散方法与装置 Download PDFInfo
- Publication number
- CN109242183A CN109242183A CN201811030222.2A CN201811030222A CN109242183A CN 109242183 A CN109242183 A CN 109242183A CN 201811030222 A CN201811030222 A CN 201811030222A CN 109242183 A CN109242183 A CN 109242183A
- Authority
- CN
- China
- Prior art keywords
- evacuation
- individual
- crowd
- speed
- fish
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000004088 simulation Methods 0.000 title claims abstract description 18
- 241000251468 Actinopterygii Species 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 12
- 230000006399 behavior Effects 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 22
- 238000011156 evaluation Methods 0.000 claims description 14
- 239000002245 particle Substances 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000003643 water by type Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000004459 forage Substances 0.000 description 2
- 230000019637 foraging behavior Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- 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
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Multimedia (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Security & Cryptography (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于人工鱼群算法与目标检测的人群仿真疏散方法与装置,所述方法包括以下步骤:根据疏散场景平面图建立拓扑地图,其中,结点表示疏散出口,连线表示两个出口连通,并且标记最终出口;根据视频数据对疏散人群的个体进行检测和跟踪,获得疏散人群的个体速度;采用所述个体速度表示鱼群进食行为中的进食速度,初始化鱼群,以场景的最终出口位置表示食物,基于人工鱼群算法对疏散人群个体进行路径规划;当最终出口的疏散人数等于总人数时疏散过程结束,得到疏散路径。本发明识别疏散中速度较慢的个体,指导人群进行疏散,从而照顾到疏散中的弱势群体,同时提高疏散效率,避免过分拥堵。
Description
技术领域
本发明属于人群疏散仿真领域,尤其涉及一种基于人工鱼群算法与目标检测的人群仿真疏散方法与装置。
背景技术
在实际的疏散情况中,问题日益复杂,非确定性因素、不可知因素众多,因果关系复杂,而演习代价大,周期长,难以对规律进行研究。因而国内外学者针对疏散问题开发出许多计算机模型和软件。人工鱼群算法是新型的群智能优化算法,在一片水域中,鱼通常能够自由游动或者跟随其他个体找到食物多的地方,因此水域中鱼生存数目最多的地方一般就是本水域中富含营养物质最多的地方,根据这一特点,李晓磊提出人工鱼群算法,通过模拟鱼群的觅食、追尾、聚群等行为,达到搜索寻优的目的。鱼群算法自提出以来,已经在机器人路径规划,车辆调度等问题上得到了广泛应用,展示了其良好的搜索能力。
紧急情况发生时,人群疏散效率与人群密度有很大关系。当一个出口聚集的人很多时,势必影响整体的疏散。我们从疏散视频中应该了解到,个体的疏散速度具有差异性,比如老人、孩子、和残疾人群的疏散速度慢,若一个疏散出口的人群密度低,但疏散人群大部分是上述行动速度较慢的三类人群时,疏散效率也会大打折扣。同时,若仅以人群密度作为衡量,会导致大量人群往这个出口聚集,从而使疏散更加缓慢,甚至造成拥挤踩踏等事故。目前还未发现将个体速度差异性考虑入人群疏散的相关方法。
发明内容
为克服上述现有技术的不足,本发明提供了一种基于人工鱼群算法与目标检测的人群仿真疏散方法与装置,首先基于目标检测方法获取行人运动速度,然后在人工鱼原有属性的基础上添加进食速度一项,把进食速度快的个体类比于疏散中行动缓慢的个体,识别疏散中速度较慢的个体,指导人群进行疏散,从而照顾到疏散中的弱势群体,同时提高疏散效率,避免过分拥堵。
为实现上述目的,本发明采用如下技术方案:
一种基于人工鱼群算法与目标检测的人群仿真疏散方法,包括以下步骤:
根据疏散场景平面图建立拓扑地图,其中,结点表示疏散出口,连线表示两个出口连通,并且标记最终出口;
根据视频数据对疏散人群的个体进行检测和跟踪,获得疏散人群的个体实时速度;
采用所述个体速度表示鱼群进食行为中的进食速度,初始化鱼群,以场景的最终出口位置表示食物,基于人工鱼群算法对疏散人群个体进行路径规划;
当最终出口的疏散人数等于总人数时疏散过程结束,得到疏散路径。
进一步地,获得疏散人群的个体速度包括:
获取通道出口处视频数据;
基于RCNN检测所述视频数据中的行人目标;
采用粒子滤波器进行行人运动的跟踪;
对于每个行人,根据当前帧和前一帧该行人的位置差异换算实际位移;
根据所述实际位移和视频的拍摄帧频,计算该行人的速度。
进一步地,所述基于RCNN检测所述视频数据中的行人目标包括:
使用二值归一化梯度算法选取目标候选区域;
采用卷积神经网络对候选区域内进行特征提取;其中,所述卷积神经网络选用包含5个卷积层和3个全连接层的网络结构;
提取后的特征采用支持向量机进行分类,识别所述候选区域为行人目标还是背景。
进一步地,所述基于人工鱼群算法对疏散人群个体进行路径规划包括:
初始化鱼群,包括人工鱼的编号、所在位置、视野范围、移动步长以及个体的进食速度;
对于每个个体,根据欲选择的出口到疏散最终出口的距离、拥挤度和进食速度较快的个体数目,确定个体的下一个位置;其中,采用速度低于一定阈值的行人表示所述进食速度较快的个体。
进一步地,所述确定个体的下一个位置包括:
对于每个个体,预先判断所述个体在当前位置发生不同行为时选定的下一出口,根据选定的所述下一出口到最终疏散出口的距离、拥挤度和进食速度较快的个体数目分别计算评价函数;所述评价函数为:
B(vi)=μDis(vi)+λδ+ωNums
其中,下一出口到最终出口的距离Yi表示所述下一出口结点vi所在位置的食物浓度;δ表示拥挤度因子;Nums表示所述下一出口进食速度较快的个体的数目;μ、λ和ω表示权重系数,μ+λ+ω=1;μ、λ和ω表示权重系数,μ+λ+ω=1;
选择评价函数最小的行为执行个体的移动。
进一步地,所述行为包括觅食、聚群、追尾和随机行为。
进一步地,执行觅食、聚群、追尾行为的移动公式为:
执行随机行为的移动公式为:
其中,rand()为随机函数,取值为0~1;表示个体当前所处位置,Xj表示目标个体所在出口位置,表示个体移动后的位置;step表示移动步长;Visual为个体的可见范围。
一个或多个实施例提供了一种计算装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1-6任一项所述的基于人工鱼群算法与目标检测的人群仿真疏散方法。
一个或多个实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述的基于人工鱼群算法与目标检测的人群仿真疏散方法。
本发明的有益效果
(1)本发明将复杂环境用拓扑地图表示出来,简洁地表示了区域之间的连通性问题,能直观地反映疏散的过程及路径。
(2)本发明考虑到实际疏散中老人小孩和残疾人群与正常人群的速度差异,将行人速度作为选择疏散结点的重要指标,利用RCNN和粒子滤波器对行人运动检测跟踪,能获得行人实时速度,反映出口疏散的真实情况,为疏散结点的选择提供依据,照顾到了疏散中的弱势群体,同时避免了出口拥堵加剧,提高了疏散效率。
(3)本发明利用鱼群算法模拟疏散过程,有较快的寻优速度和良好的全局寻优能力。通过引入对进食速度的判断,人工鱼在选择下一个结点时,除了要考虑该位置的伙伴拥挤度,还要考虑伙伴进食速度的问题。相对应于人群疏散中,行人在选择下一个位置时,考虑行人速度差异对疏散效率的影响,选择使目标函数得到最优值的行为,展现了一种高效的寻优方法。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1是本发明人群疏散方法的流程图;
图2是疏散场景的二维平面图;
图3是由出口的连通性生成的拓扑地图;
图4是人群在场景中初始化随机分布示意图;
图5是人群按照规则疏散示意图;
图6是人群疏散结束时刻示意图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
本发明提出的总体思路:本发明将复杂的疏散环境用拓扑地图表示,以点和线的关系表示出相关出口的连通性。考虑到疏散过程中老人、儿童、残疾人群等行动相对缓慢的个体的真实情况,本发明在人工鱼原有属性的基础上添加进食速度一项:由于鱼群个体差异,进食速度不同,若某区域人工鱼密度小,但个体进食速度快,该区域食物浓度就会很快降低,因此,人工鱼在执行聚群行为前应预先判断鱼群中是否存在进食速度过快的个体,以免劳而无功。把进食速度快的个体类比于疏散中行动缓慢的个体,将个体的疏散速度作为疏散中需要衡量的重要指标,避免了单以密度作为衡量而忽略个体疏散速度差异造成的出口拥堵,提高疏散效率。利用RCNN识别运动中的行人,并进一步计算得出他们的速度,统计某区域行动缓慢的个体数量,为行人疏散出口的选择提供依据,反映疏散的真实情况,避免次生事故发生。
拓扑地图是机器人学中环境的重要表示方法,它把室内环境表示为带结点和相关连接线的拓扑结构图,其中结点表示环境中的重要位置点(拐角、门、电梯、楼梯等),边表示结点间的连接关系,如走廊等。拓扑地图是实际环境的简单化和规则化表示,用结点和连线建立位置关系,具有较低的复杂度,同时能简单有效地表示人群疏散中出口路径的选择问题。
RCNN(Regions with CNN features)是一种目标检测方法,是将卷积神经网络方法应用到目标检测问题上的一个里程碑,它利用卷积神经网络的特征提取功能和支持向量机的分类功能,通过Region Proposal方法实现目标检测问题的转化。它具有准确性和高效性,能满足实时性问题的需求。
实施例一
本实施例公开了一种基于人工鱼群算法与目标检测的人群仿真疏散方法,如图1所示,包括以下步骤:
步骤1:根据疏散场景平面图获取区域之间的连通关系,建立拓扑地图,其中结点代表疏散出口,连线代表两出口的连通关系,并且标记最终出口。
获取疏散环境的二维平面图,根据区域的连通性建立拓扑地图,疏散出口编号为vi(i=1,2,…n),结点代表疏散出口,连线代表两出口的连通关系。如图2所示,其中标号为⑤和⑥的结点表示最终出口。
步骤2:根据视频数据对行人进行检测和跟踪,获得行人实时速度。
利用RCNN和粒子滤波器对某出口疏散的行人进行检测跟踪,获得行人实时速度,计算某出口处聚集的行动缓慢的s个体的数目,为行人选择出口提供依据。将某出口处s个体筛选出来,统计其数量。
具体地,在疏散场景每个出口处均安装CCD摄像机,对行人进行全方位的检测跟踪,行人无论从哪个出口走,都能测得其实时速度。获取视频数据后,首先利用卷积神经网络提取行人特征,进行跟踪,测得行人速度。具体步骤包括:
采用RCNN来检测监控视频中行人目标,描述如下:
使用二值归一化梯度算法BING选取可能的目标,获得候选区域;
用卷积神经网络算法(CNN)对候选区域内进行特征提取。可选用包含5个卷积层和3个全连接层的Alex net网络结构。首先输入向量x与滤波器权值进行卷积运算,计算公式为
f=g(∑i∈Mxi×w+b) (1)
增加偏量b,然后使用ReLU激活函数g=max(0,x),最后进行最大池化,输入到下一层。最后一个全连接层输出一个4096维的特征向量。经CNN提取后的特征最后由SVM进行分类,识别候选区域为行人目标或背景。
然后使用粒子滤波器进行行人运动的预测跟踪,描述如下:
假设Y={y1,y2,…yt}表示观测变量序列,X={x1,x2…,xt}表示被跟踪向量序列,yt与xt分别代表在t时刻观测变量和被跟踪目标的状态变量,权值是wt。那么后验概率p为
比较当前粒子和之前目标的相似程度可以得出下一帧目标的位置。粒子从重要性分布q(xt|x1:1-t,y1:t)中采样得到。具有最高的相似度的粒子位置通过权重确定,权重的更新依据为
权值更新后如果小于一个阈值,就需要对粒子重新采样,淘汰权值过低的粒子。
获得行人在下一帧的坐标位置后,与前一帧的坐标相比较,得出图像中行人位移l。根据图像中行人位移l与实际位移的对应关系,得到实际位移l′。由于摄像机拍摄帧频是一定的,由此可计算出行人速度v。
通过如上过程可测得欲从某个出口疏散的行人速度,当行人速度v低于1m/s时,可认为该行人的疏散速度比较慢的,将其定义为s,并记录该区域s的数量Nums。设置不影响某出口疏散的情况下s的最大数目T。
步骤3:按照一定阈值划分速度较快和速度较慢的行人,分别对应鱼群进食行为中的进食较慢和进食较快的个体;
在鱼群原有属性的基础上定义鱼群的进食行为,按进食速度分为进食快速的个体和一般个体,相应对于疏散过程疏散速度慢的个体和普通个体,将疏散速度慢的个体在某出口的数目统计出来,指导行人疏散,避免拥堵加剧。将人工鱼的进食速度分为正常速度和快速两种,分别对应疏散中一般个体和行动缓慢的个体。将进食速度过快的个体(行动缓慢的个体)记为s,其数目记为Nums。
统计数据得出,紧急情况中,普通人的行走速度为1.25m/s,老人或小孩的行走速度为0.65m/s,需要帮助的残疾人的速度为0.57m/s,在不妨碍正常疏散的情况下,取1m/s为阈值,行走速度在阈值以下的个体记作s。为了疏散效率和安全考虑,需要对s个体进行筛选,统计其个数,以反映出口的真实疏散情况及疏散能力,为行人的正确选择提供依据,避免出口拥堵加剧。将某出口处s个体筛选出来,统计其数量。
步骤4:初始化鱼群,以场景的最终出口位置表示食物,基于人工鱼群算法对疏散人群个体进行路径规划。
利用人工鱼群搜索食物的行为对人群疏散进行模拟。人工鱼判断某结点优劣的依据包括食物浓度,拥挤度因子和进食快速的个体的数目。人工鱼的行为有觅食,聚群,追尾三种,从中选择使得目标函数值最小的行为。
初始化鱼群,包括人工鱼的编号、所在位置、视野范围、移动步长以及个体的进食速度,其中个体的进食速度分为较快和一般。按照鱼群算法指导行人疏散。向量X=(x1,x2,…,xn)代表人工鱼个体的状态,其中xi(i=1,2,…n)是欲搜索寻优的变量;Y是食物浓度;di,j=||Xi-Xj||为个体之间的距离;Visual为个体的可见范围;step表示移动步长;δ(0<δ<1)为拥挤度因子;Trynum为最大尝试次数。
利用鱼群搜索食物的行为对人群疏散进行仿真,鱼群算法中人工鱼与食物距离越小食物浓度越大,食物位置可代表人群疏散中最终出口位置,某出口结点vi与最终疏散出口的距离Dis(vi)可表示为出口结点的选择由出口结点vi距离最终疏散出口的距离Dis(vi),结点的拥挤度因子δ和结点处s个体的数目Nums共同决定,评价函数可表示为
B(vi)=μDis(vi)+λδ+ωNums,其中μ+λ+ω=1
分别模拟个体在当前位置发生觅食、群聚、追尾和随机行为时的选择的下一结点,针对下一结点采用评价函数判断其优劣,人工鱼选择使评价函数最小的行为执行。
人工鱼的行为表述如下:
觅食:人在慌乱过程中随机选择疏散路径类似于鱼群的觅食行为,评价函数仅由下一结点与最终出口的距离Dis(vi)决定。假设行人xi此时处于vt结点,在其视野范围内随机选择结点vp,若vp结点食物浓度YP>Yt,则可以选择vp作为下一个结点,评价函数记为B(vi)forage;否则选择其他结点。如上重复Trynum次后,人工鱼执行随机行为。移动公式为:
rand()为随机函数,取值为0~1。
聚群:疏散过程中人往往有着从众心理,类似于鱼群的聚群行为,聚群行为中人工鱼想选择的目标是视野中中心鱼所在的出口位置。假设行人xi此时处于vt结点,获取其视野范围内伙伴的聚集中心结点vc及结点处伙伴的数量nf,若证明中心位置食物充足且伙伴密度不是很高,此时判断伙伴中s个体数目与阈值T的关系,若Nums<T,则可以选择vc作为下一个结点,评价函数记为B(vi)bunching。移动公式表示如下:
否则执行其他行为。
追尾:疏散过程中的行人由于盲目性,容易跟随他人做疏散运动,类似于鱼群算法中的追尾,追尾行为中想选择的目标是视野中状态最优的鱼所在的出口位置。假设行人xi此时处于vt结点,获取其视野范围内具有最优状态的伙伴所处结点vp及其周围的伙伴数量nf,若证明该状态有较多的食物且伙伴密度不是很大,进一步判断伙伴中s个体数目与阈值T的关系,若Nums<T,则可以选择vp作为下一个结点,评价函数记为B(vi)pursue。
移动公式为:
否则选择其他行为。
随机:随机行为是觅食行为的一个缺省行为,人工鱼随机地选择状态或伙伴,评价函数记作B(vi)random。移动公式为:
人工鱼进行下一步行为的预判断后,选择使得评价函数取最小值的行为,即
min(B(vi)forage,B(vi)bunching,B(vi)pursue,B(vi)random)。
步骤5:当最终出口的疏散人数等于总人数时疏散过程结束,导出疏散路径。
即,当从最终出口出来的人数等于总人数时结束,如图6所示。
实施例二
本实施例的目的是提供一种计算装置。
一种计算装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤,包括:
根据疏散场景平面图建立拓扑地图,其中,结点表示疏散出口,连线表示两个出口连通,并且标记最终出口;
根据视频数据对疏散人群的个体进行检测和跟踪,获得疏散人群的个体实时速度;
采用所述个体速度表示鱼群进食行为中的进食速度,初始化鱼群,以场景的最终出口位置表示食物,基于人工鱼群算法对疏散人群个体进行路径规划;
当最终出口的疏散人数等于总人数时疏散过程结束,得到疏散路径。
实施例三
本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时执行以下步骤:
根据疏散场景平面图建立拓扑地图,其中,结点表示疏散出口,连线表示两个出口连通,并且标记最终出口;
根据视频数据对疏散人群的个体进行检测和跟踪,获得疏散人群的个体实时速度;
采用所述个体速度表示鱼群进食行为中的进食速度,初始化鱼群,以场景的最终出口位置表示食物,基于人工鱼群算法对疏散人群个体进行路径规划;
当最终出口的疏散人数等于总人数时疏散过程结束,得到疏散路径。
以上实施例二和三中涉及的各步骤与方法实施例一相对应,具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质;还应当被理解为包括任何介质,所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本发明的有益效果
(1)本发明将复杂环境用拓扑地图表示出来,简洁地表示了区域之间的连通性问题,能直观地反映疏散的过程及路径。
(2)本发明考虑到实际疏散中老人小孩和残疾人群与正常人群的速度差异,将行人速度作为选择疏散结点的重要指标,利用RCNN和粒子滤波器对行人运动检测跟踪,能获得行人实时速度,反映出口疏散的真实情况,为疏散结点的选择提供依据,照顾到了疏散中的弱势群体,同时避免了出口拥堵加剧,提高了疏散效率。
(3)本发明利用鱼群算法模拟疏散过程,有较快的寻优速度和良好的全局寻优能力。通过引入对进食速度的判断,人工鱼在选择下一个结点时,除了要考虑该位置的伙伴拥挤度,还要考虑伙伴进食速度的问题。相对应于人群疏散中,行人在选择下一个位置时,考虑行人速度差异对疏散效率的影响,选择使目标函数得到最优值的行为,展现了一种高效的寻优方法。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种基于人工鱼群算法与目标检测的人群仿真疏散方法,其特征在于,包括以下步骤:
根据疏散场景平面图建立拓扑地图,其中,结点表示疏散出口,连线表示两个出口连通,并且标记最终出口;
根据视频数据对疏散人群的个体进行检测和跟踪,获得疏散人群的个体实时速度;
采用所述个体速度表示鱼群进食行为中的进食速度,初始化鱼群,以场景的最终出口位置表示食物,基于人工鱼群算法对疏散人群个体进行路径规划;
当最终出口的疏散人数等于总人数时疏散过程结束,得到疏散路径。
2.如权利要求1所述的一种基于人工鱼群算法与目标检测的人群仿真疏散方法,其特征在于,获得疏散人群的个体速度包括:
获取通道出口处视频数据;
基于RCNN检测所述视频数据中的行人目标;
采用粒子滤波器进行行人运动的跟踪;
对于每个行人,根据当前帧和前一帧该行人的位置差异换算实际位移;
根据所述实际位移和视频的拍摄帧频,计算该行人的速度。
3.如权利要求2所述的一种基于人工鱼群算法与目标检测的人群仿真疏散方法,其特征在于,所述基于RCNN检测所述视频数据中的行人目标包括:
使用二值归一化梯度算法选取目标候选区域;
采用卷积神经网络对候选区域内进行特征提取;其中,所述卷积神经网络选用包含5个卷积层和3个全连接层的网络结构;
提取后的特征采用支持向量机进行分类,识别所述候选区域为行人目标还是背景。
4.如权利要求1所述的一种基于人工鱼群算法与目标检测的人群仿真疏散方法,其特征在于,所述基于人工鱼群算法对疏散人群个体进行路径规划包括:
初始化鱼群,包括人工鱼的编号、所在位置、视野范围、移动步长以及个体的进食速度;
对于每个个体,根据可选择的出口到最终出口的距离、可选择的出口位置的拥挤度和进食速度较快的个体数目,确定个体的下一个位置;其中,采用速度低于一定阈值的行人表示所述进食速度较快的个体。
5.如权利要求4所述的一种基于人工鱼群算法与目标检测的人群仿真疏散方法,其特征在于,所述确定个体的下一个位置包括:
对于每个个体,预先判断所述个体在当前位置发生不同行为时选定的下一出口,根据选定的所述下一出口到最终疏散出口的距离、拥挤度和进食速度较快的个体数目分别计算评价函数;所述评价函数为:
B(vi)=μDis(vi)+λδ+ωNums
其中,下一出口到最终出口的距离Yi表示所述下一出口体vi所在位置的食物浓度;δ表示拥挤度因子;Nums表示所述下一出口进食速度较快的个体的数目;μ、λ和ω表示权重系数,μ+λ+ω=1;
选择评价函数最小的行为执行个体的移动。
6.如权利要求5所述的一种基于人工鱼群算法与目标检测的人群仿真疏散方法,其特征在于,所述行为包括觅食、聚群、追尾和随机行为。
7.如权利要求6所述的一种基于人工鱼群算法与目标检测的人群仿真疏散方法,其特征在于,发生觅食、聚群、追尾行为的移动公式为:
执行随机行为的移动公式为:
其中,rand()为随机函数,取值为0~1;表示个体当前所处位置,Xj表示目标个体所在出口位置,表示个体移动后的位置;step表示移动步长;Visual为个体的可见范围。
8.一种计算装置,包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1-7任一项所述的基于人工鱼群算法与目标检测的人群仿真疏散方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一项所述的基于人工鱼群算法与目标检测的人群仿真疏散方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811030222.2A CN109242183B (zh) | 2018-09-05 | 2018-09-05 | 基于人工鱼群算法与目标检测的人群仿真疏散方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811030222.2A CN109242183B (zh) | 2018-09-05 | 2018-09-05 | 基于人工鱼群算法与目标检测的人群仿真疏散方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109242183A true CN109242183A (zh) | 2019-01-18 |
CN109242183B CN109242183B (zh) | 2019-06-28 |
Family
ID=65060509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811030222.2A Active CN109242183B (zh) | 2018-09-05 | 2018-09-05 | 基于人工鱼群算法与目标检测的人群仿真疏散方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109242183B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111066698A (zh) * | 2020-01-14 | 2020-04-28 | 清华大学 | 一种用于斑马鱼模拟人群流动的方形组合复层式实验装置 |
CN111709281A (zh) * | 2020-05-06 | 2020-09-25 | 北京图创时代科技有限公司武汉分公司 | 一种智慧安防辅助*** |
CN113221379A (zh) * | 2021-05-28 | 2021-08-06 | 视伴科技(北京)有限公司 | 一种规划赛事活动的观赛席位数量的方法及装置 |
CN114332170A (zh) * | 2021-12-24 | 2022-04-12 | 哈尔滨商业大学 | 新基建现场安全监测*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679264A (zh) * | 2013-12-23 | 2014-03-26 | 山东师范大学 | 基于人工鱼群算法的人群疏散路径规划方法 |
CN105468801A (zh) * | 2014-09-09 | 2016-04-06 | 中国科学院深圳先进技术研究院 | 公共场所人群疏散仿真方法及*** |
CN107194030A (zh) * | 2017-04-20 | 2017-09-22 | 山东师范大学 | 一种基于视频数据驱动的人群疏散仿真方法及*** |
CN107665269A (zh) * | 2017-08-11 | 2018-02-06 | 山东师范大学 | 基于地理信息的快速人群疏散仿真方法和装置 |
CN107679306A (zh) * | 2017-09-26 | 2018-02-09 | 山东师范大学 | 视频驱动的人群疏散行为仿真方法及*** |
-
2018
- 2018-09-05 CN CN201811030222.2A patent/CN109242183B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679264A (zh) * | 2013-12-23 | 2014-03-26 | 山东师范大学 | 基于人工鱼群算法的人群疏散路径规划方法 |
CN105468801A (zh) * | 2014-09-09 | 2016-04-06 | 中国科学院深圳先进技术研究院 | 公共场所人群疏散仿真方法及*** |
CN107194030A (zh) * | 2017-04-20 | 2017-09-22 | 山东师范大学 | 一种基于视频数据驱动的人群疏散仿真方法及*** |
CN107665269A (zh) * | 2017-08-11 | 2018-02-06 | 山东师范大学 | 基于地理信息的快速人群疏散仿真方法和装置 |
CN107679306A (zh) * | 2017-09-26 | 2018-02-09 | 山东师范大学 | 视频驱动的人群疏散行为仿真方法及*** |
Non-Patent Citations (2)
Title |
---|
蒋颖丽: "基于人工鱼群算法的应急疏散模型及优化研究", 《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》 * |
连海涛等: "地铁高峰段拥挤人流安全疏散路径规划仿真", 《计算机仿真》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111066698A (zh) * | 2020-01-14 | 2020-04-28 | 清华大学 | 一种用于斑马鱼模拟人群流动的方形组合复层式实验装置 |
CN111709281A (zh) * | 2020-05-06 | 2020-09-25 | 北京图创时代科技有限公司武汉分公司 | 一种智慧安防辅助*** |
CN113221379A (zh) * | 2021-05-28 | 2021-08-06 | 视伴科技(北京)有限公司 | 一种规划赛事活动的观赛席位数量的方法及装置 |
CN114332170A (zh) * | 2021-12-24 | 2022-04-12 | 哈尔滨商业大学 | 新基建现场安全监测*** |
CN114332170B (zh) * | 2021-12-24 | 2022-11-18 | 哈尔滨商业大学 | 新基建现场安全监测*** |
Also Published As
Publication number | Publication date |
---|---|
CN109242183B (zh) | 2019-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242183B (zh) | 基于人工鱼群算法与目标检测的人群仿真疏散方法与装置 | |
CN111625361B (zh) | 一种基于云端服务器和IoT设备协同的联合学习框架 | |
CN108805083A (zh) | 单阶段的视频行为检测方法 | |
CN112949508B (zh) | 模型训练方法、行人检测方法、电子设备及可读存储介质 | |
CN104915351B (zh) | 图片排序方法及终端 | |
CN107247938A (zh) | 一种高分辨率遥感影像城市建筑物功能分类的方法 | |
CN111723654A (zh) | 基于背景建模、YOLOv3与自优化的高空抛物检测方法及装置 | |
CN108764085A (zh) | 基于生成对抗网络的人群计数方法 | |
WO2020135392A1 (zh) | 异常行为检测方法及装置 | |
CN105005204A (zh) | 可自动触发智能家居和智慧生活情景的智能引擎***及方法 | |
CN110472612A (zh) | 人体行为识别方法及电子设备 | |
CN109886155A (zh) | 基于深度学习的单株水稻检测定位方法、***、设备及介质 | |
CN116258608B (zh) | 融合gis和bim三维技术的水利实时监测信息管理*** | |
CN107944386A (zh) | 基于卷积神经网络的视觉场景识别方法 | |
CN112469050B (zh) | 一种基于改进灰狼优化器的wsn三维覆盖增强方法 | |
CN106503275A (zh) | 聊天机器人的音色配置方法及装置 | |
CN113326925B (zh) | 基于密度图回归的卷积神经网络的花量统计方法、***、设备及介质 | |
CN114599069B (zh) | 一种基于能量自收集的水下无线传感器网络路由方法 | |
CN108985256A (zh) | 基于场景密度分布的多神经网络人数统计方法、***、介质、终端 | |
CN112052771A (zh) | 一种对象重识别方法及装置 | |
CN109104737A (zh) | 一种基于时变网络的集群对抗能力评估方法 | |
CN109886146A (zh) | 基于机器视觉检测的洪灾信息遥感智能采集方法及设备 | |
CN111291785A (zh) | 目标检测的方法、装置、设备及存储介质 | |
Gao et al. | 3D skeleton-based video action recognition by graph convolution network | |
CN104680118B (zh) | 一种人脸属性检测模型生成方法及*** |
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 |