CN112464546A - 基于动态数据分析的公共空间行人流运动风险判别方法 - Google Patents
基于动态数据分析的公共空间行人流运动风险判别方法 Download PDFInfo
- Publication number
- CN112464546A CN112464546A CN202011465742.3A CN202011465742A CN112464546A CN 112464546 A CN112464546 A CN 112464546A CN 202011465742 A CN202011465742 A CN 202011465742A CN 112464546 A CN112464546 A CN 112464546A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- risk
- pedestrian flow
- calculating
- dynamic data
- 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
- 230000033001 locomotion Effects 0.000 title claims abstract description 67
- 238000007405 data analysis Methods 0.000 title claims abstract description 17
- 238000012850 discrimination method Methods 0.000 title description 3
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims description 31
- 230000002159 abnormal effect Effects 0.000 claims description 26
- 230000008859 change Effects 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 11
- 239000002245 particle Substances 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- FBOUIAKEJMZPQG-AWNIVKPZSA-N (1E)-1-(2,4-dichlorophenyl)-4,4-dimethyl-2-(1,2,4-triazol-1-yl)pent-1-en-3-ol Chemical compound C1=NC=NN1/C(C(O)C(C)(C)C)=C/C1=CC=C(Cl)C=C1Cl FBOUIAKEJMZPQG-AWNIVKPZSA-N 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- XXSCONYSQQLHTH-UHFFFAOYSA-N 9h-fluoren-9-ylmethanol Chemical compound C1=CC=C2C(CO)C3=CC=CC=C3C2=C1 XXSCONYSQQLHTH-UHFFFAOYSA-N 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000001125 extrusion Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 208000027744 congestion Diseases 0.000 description 21
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000009183 running Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Geometry (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明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***的评估,时效性高,有效性高。
Description
技术领域
本发明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。
背景技术
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***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。
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***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。
发明内容
本发明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。
本发明的上述技术目的是通过以下技术方案得以实现的:
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,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。
作为优选,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。
作为优选,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)
(3)速度方向大小熵:
E=Em·Ed
(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,Pi为图像中速度交点个数,Si为交点区域所占图像上的面积;
(6)总能量:
其中,vi为第i个行人的速度,A=2000N,B=0.08m,D=2m,dij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,cpi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:
(10)受力和:
作为优选,步骤S3中建立的行人流风险分层模型具体为:
其中,confi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;congi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。
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:
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;
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;
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ORi;
根据每个指标i的ORi计算行人流风险指标权重bi:
sumi=∑ORi,i∈conf or i∈cong
bi=ORi/sumi
作为优选,步骤S4中计算行人流运动风险偏向具体为:
通过冲突度dcof与拥挤度dcong描述人群中冲突和拥挤的程度,具体计算分别为:
Sconf为冲突性衡量指标集合;
Scong为拥挤性衡量指标集合;
xi,xj为离差标准化后数据。
作为优选,步骤S5中建立目标场景深度学习训练模型如下:
选取训练指标为行人流风险指标的十项一维训练指标及四组16维HOF频率统计直方图指标;
通过基于MATLAB中libSVM平台的模型训练模块进行分类训练;
二维空间中,计算公式如下:
结合行人流风险分层模型及目标场景深度学习训练模对行人运动状态进行预测,若预测值为异常,则进入下一步;若预测值为正常,则返回步骤S3。
作为优选,16维HOF频率统计直方图指标具体:
计算行人速度大小统计直方图HOFM、行人速度方向统计直方图HOFO、行人加速度大小统计直方图HOFA,将直方图划分为16组进行计算;
计算行人间作用力大小统计直方图HOFF,计算每时刻下目标场景中每个目标行人所受挤压力的和,计算公式如下:
作为优选,步骤S6具体为:
对行人运动状态进行判断,若行人运动状态为异常,根据风险定位公式进行计算,
其中,研究区域被划分成0.15*0.15m的网格,通过运动轨迹计算每个网格内的速度矢量用于计算;特定区域ROI由直径为7个网格单位组成,以研究对象为中心的3*3网格区域用于计算速度旋度rz;max(rz)和min(rz)分别为以研究对象为中心的3*3网格区域中的速度旋度最大值与最小值,为特定区域中的速度平均值;ρ为该位置的局部密度,通过维诺图计算得到。
综上所述,本发明具有以下有益效果:
基于目标场景的行人实时动态数据的提取,时效性高,根据行人流风险分层模型、目标场景深度学习训练模型能进行行人流运动风险的分析和行人运动状态的获取,高效、有效的获取、预测行人流运动风险。
附图说明
图1为本方法的流程示意框图;
图2为本方法具体步骤图;
图3为实例中行人流风险指标计算结果图;
图4为实例中预测得到每个指标的Odd Ratio结果图;
图5为实例中行人流运动风险偏向计算数据图;
图6为实例中行人流运动风险偏向结果图;
图7为实例中16维HOF频率统计直方图指标部分结果图;
图8为实例中目标场景及绘出的热力图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
根据一个或多个实施例,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,如图1所示,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目标场景的行人运动状态;
S6:根据目标场景的行人运动状态计算获取存在的风险定位结果。
具体步骤如图1及图2所示。
具体的步骤S1中选择目标场景,可以为室内及室外公共场所;具体步骤如下:
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,并提取获得二维俯视图中的行人流实时动态数据,包括进入画面的行人id,行人位于画面中的像素坐标以及拍摄时间。
若有多个场景,可每个单独场景计算指标完成步骤S2后进行汇总,再进行步骤S3及之后的步骤。
步骤S2利用所提取的行人实时动态数据计算行人流风险指标,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:
I(X,Y)=H(X)+H(Y)-H(X,Y)
(2)互信息:
I(X,Y)=H(X)+H(Y)-H(X,Y)
(3)速度方向大小熵:
E=Em·Ed
(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,Pi为图像中速度交点个数,Si为交点区域所占图像上的面积;
(6)总能量:
其中,vi为第i个行人的速度,A=2000N,B=0.08m,D=2m,dij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,cpi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:
(10)受力和:
步骤S3中建立的行人流风险分层模型具体为:
其中,confi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,分别与前文中(1)、(3)、(4)、(7)、(8)对应;congi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,分别与前文中(2)、(5)、(9)、(10)、(6)对应;为对应冲突态和拥挤态的指标权重,由二元logit模型得到。临界阈值根据实验情况设定,取第三四分位数。
冲突态和拥挤态的指标权重的计算获取具体如下:
将行人实时动态数据集中,计算每时刻下指标(1)-(10),形成行人状态数据集。将其中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。完整训练数据包括训练集以及人为添加的人群状态;
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;
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ORi(Odd Ratio);
根据每个指标i的ORi计算行人流风险指标权重bi:
sumi=∑ORi,i∈conf or i∈cong
bi=ORi/sumi
步骤S4中计算行人流运动风险偏向具体为:
Sconf为冲突性衡量指标集合;
Scong为拥挤性衡量指标集合;
xi,xj为离差标准化后数据。
根据冲突度dconf与拥挤度dcong绘制其随时间变化波动图像,可以得知每时刻下人群中风险偏向。
步骤S5中建立目标场景深度学习训练模型具体如下:
选取训练指标为行人流风险指标的十项一维训练指标及四组16维HOF频率统计直方图指标;
通过基于MATLAB中libSVM平台的模型训练模块进行分类训练,常量与参数选择按照平台默认值设置;
以二维空间为例,在二维空间中,计算公式如下:
结合行人流风险分层模型(S3)及目标场景深度学习训练模型(S5)对行人运动状态进行预测,若预测值为异常,则进入下一步S6;若预测值为正常,则返回步骤S3。
其中,16维HOF频率统计直方图指标具体包括有:
计算行人速度大小统计直方图HOFM、行人速度方向统计直方图HOFO、行人加速度大小统计直方图HOFA,将直方图划分为16组进行计算;
计算行人间作用力大小统计直方图HOFF,计算每时刻下目标场景中每个目标行人所受挤压力的和,计算公式如下:
在步骤S6中,对行人运动状态进行判断,若行人运动状态为异常,根据风险定位公式进行计算,
其中,研究区域被划分成0.15*0.15m的网格,通过运动轨迹计算每个网格内的速度矢量用于计算;特定区域ROI由直径为7个网格单位组成,以研究对象为中心的3*3网格区域用于计算速度旋度rz;max(rz)和min(rz)分别为以研究对象为中心的3*3网格区域中的速度旋度最大值与最小值,为特定区域中的速度平均值,Cl为Congestion level拥挤水平,Cd为Congestion danger拥挤风险。ρ为该位置的局部密度,通过维诺图计算得到,计算间隔为0.3秒,绘出热力图。
本次方法基于监控设备,能够实时获得行人对应坐标与id等实时数据,对公共空间下行人流风险状态进行判别,包含了支持向量机预测模型与二元logit回归预测。与现有技术相比,本方法适用于数据样本量较小的情况,通过获取行人数据实时预测行人流运动风险,时效性高;结合支持向量机模型,有较强推广性,不局限于某一特定数据集。
为表述清楚,现举一实例:
步骤S1中,取场景一与场景二的相关信息,经过变换,获得场景一长宽为8m*10m,场景二长宽为10m*18m。进行行人流实时动态数据的提取。
S2中利用提取的行人实时动态数据计算行人流风险指标,部分计算结果如图3所示。
S3根据行人流风险指标建立行人流风险分层模型,为:
将行人实时动态数据集中60%数据作为训练集设定人群异常情况,添加人群异常与否(0/1),形成完整数据。设定界限如上述,状态设定结果如图4所示。
根据训练集集中的完整数据,利用二元Logit模型预测剩余40%数据,得到每个指标i的Odd Ratio(ORi),如图5所示。
根据每个指标i的Odd Ratio(ORi)计算指标权重bi:
sumcong=0.998+0.001+0.909+1.006+1.000=3.917
S4根据行人流行人流风险指标计算行人流运动风险偏向,计算行人流运动风险偏向冲突度dconf与拥挤度dcong,分别用来描述人群中冲突与拥挤的程度,结果如图6所示。
S5中建立目标场景深度学习训练模型,结合行人流风险分层模型预测目标场景中行人运动状态,取步骤S3与步骤S5的并集作为行人运动状态预测值,若预测值为异常,进行步骤S6;如否,返回步骤S3。
计算HOFM、HOFO、HOFA;计算HOFF即行人间作用力大小统计直方图,部分结果如图7所示。
S6根据目标场景行人运动状态计算可能存在的风险的定位结果。研究区域被划分成0.15*0.15m的网格,场景一中存在54*67个网格,通过运动轨迹计算每个网格内的速度矢量用于计算。计算间隔为0.3秒。绘出热力图如图8所示。
本具体实施例仅仅是对本发明的解释,其并不是对本发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (9)
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)
(3)速度方向大小熵:
E=Em·Ed
(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,Pi为图像中速度交点个数,Si为交点区域所占图像上的面积;
(6)总能量:
其中,vi为第i个行人的速度,A=2000N,B=0.08m,D=2m,dij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,cpi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:
(10)受力和:
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;
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;
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ORi;
根据每个指标i的ORi计算行人流风险指标权重bi:
sumi=∑ORi,i∈conf or i∈cong
bi=ORi/sumi
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011465742.3A CN112464546B (zh) | 2020-12-14 | 2020-12-14 | 基于动态数据分析的公共空间行人流运动风险判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011465742.3A CN112464546B (zh) | 2020-12-14 | 2020-12-14 | 基于动态数据分析的公共空间行人流运动风险判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112464546A true CN112464546A (zh) | 2021-03-09 |
CN112464546B CN112464546B (zh) | 2024-03-19 |
Family
ID=74804062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011465742.3A Active CN112464546B (zh) | 2020-12-14 | 2020-12-14 | 基于动态数据分析的公共空间行人流运动风险判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112464546B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112182133A (zh) * | 2020-09-29 | 2021-01-05 | 南京北斗创新应用科技研究院有限公司 | 一种基于ais数据的船舶徘徊检测方法 |
CN118015844A (zh) * | 2024-04-10 | 2024-05-10 | 成都航空职业技术学院 | 一种基于深度学习网络的交通动态控制方法和*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103150A (zh) * | 2017-05-11 | 2017-08-29 | 山东师范大学 | 一种具有避让机制的双向行人流仿真方法及*** |
CN107729799A (zh) * | 2017-06-13 | 2018-02-23 | 银江股份有限公司 | 基于深度卷积神经网络的人群异常行为视觉检测及分析预警*** |
CN107862437A (zh) * | 2017-10-16 | 2018-03-30 | 中国人民公安大学 | 基于风险概率评估的公共区域人群聚集预警方法及*** |
CN108230676A (zh) * | 2018-01-23 | 2018-06-29 | 同济大学 | 一种基于轨迹数据的交叉口行人过街风险评估方法 |
CN108805105A (zh) * | 2018-06-29 | 2018-11-13 | 大连民族大学 | 构建俯视二维世界坐标系车前风险矩阵的方法 |
CN108961313A (zh) * | 2018-06-29 | 2018-12-07 | 大连民族大学 | 二维世界坐标系的俯视行人风险量化方法 |
CN109086673A (zh) * | 2018-07-05 | 2018-12-25 | 燕山大学 | 一种基于人群密度和行人速度的人群安全程度评估方法 |
CN111402632A (zh) * | 2020-03-18 | 2020-07-10 | 五邑大学 | 一种交叉口行人运动轨迹的风险预测方法 |
CN111414874A (zh) * | 2020-03-26 | 2020-07-14 | 中国平安财产保险股份有限公司 | 基于人脸的驾驶风险预测方法、装置、设备和存储介质 |
CN112016499A (zh) * | 2020-09-04 | 2020-12-01 | 山东大学 | 基于多分支卷积神经网络的交通场景风险评估方法及*** |
-
2020
- 2020-12-14 CN CN202011465742.3A patent/CN112464546B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103150A (zh) * | 2017-05-11 | 2017-08-29 | 山东师范大学 | 一种具有避让机制的双向行人流仿真方法及*** |
CN107729799A (zh) * | 2017-06-13 | 2018-02-23 | 银江股份有限公司 | 基于深度卷积神经网络的人群异常行为视觉检测及分析预警*** |
CN107862437A (zh) * | 2017-10-16 | 2018-03-30 | 中国人民公安大学 | 基于风险概率评估的公共区域人群聚集预警方法及*** |
CN108230676A (zh) * | 2018-01-23 | 2018-06-29 | 同济大学 | 一种基于轨迹数据的交叉口行人过街风险评估方法 |
CN108805105A (zh) * | 2018-06-29 | 2018-11-13 | 大连民族大学 | 构建俯视二维世界坐标系车前风险矩阵的方法 |
CN108961313A (zh) * | 2018-06-29 | 2018-12-07 | 大连民族大学 | 二维世界坐标系的俯视行人风险量化方法 |
CN109086673A (zh) * | 2018-07-05 | 2018-12-25 | 燕山大学 | 一种基于人群密度和行人速度的人群安全程度评估方法 |
CN111402632A (zh) * | 2020-03-18 | 2020-07-10 | 五邑大学 | 一种交叉口行人运动轨迹的风险预测方法 |
CN111414874A (zh) * | 2020-03-26 | 2020-07-14 | 中国平安财产保险股份有限公司 | 基于人脸的驾驶风险预测方法、装置、设备和存储介质 |
CN112016499A (zh) * | 2020-09-04 | 2020-12-01 | 山东大学 | 基于多分支卷积神经网络的交通场景风险评估方法及*** |
Non-Patent Citations (3)
Title |
---|
LEKSHMI SASIDHARAN: "Exploring the application of latent class cluster analysis for investigating pedestrian crash injury severities in Switzerland", 《ACCIDENT ANALYSIS & PREVENTION》, vol. 85, pages 219 - 228 * |
YIJING ZHANG等: "Modeling of low-risk behavior of pedestrian movement based on dynamic data analysis", 《TRANSPORTATION RESEARCH PART A:POLICY AND PRACTICE》, vol. 168, pages 1 - 26 * |
周泱等: "交叉口绿闪信号行人过街行为模型", 《交通信息安全》, vol. 2018, no. 1, pages 74 - 80 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112182133A (zh) * | 2020-09-29 | 2021-01-05 | 南京北斗创新应用科技研究院有限公司 | 一种基于ais数据的船舶徘徊检测方法 |
CN112182133B (zh) * | 2020-09-29 | 2022-02-15 | 南京北斗创新应用科技研究院有限公司 | 一种基于ais数据的船舶徘徊检测方法 |
CN118015844A (zh) * | 2024-04-10 | 2024-05-10 | 成都航空职业技术学院 | 一种基于深度学习网络的交通动态控制方法和*** |
CN118015844B (zh) * | 2024-04-10 | 2024-06-11 | 成都航空职业技术学院 | 一种基于深度学习网络的交通动态控制方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN112464546B (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aboah | A vision-based system for traffic anomaly detection using deep learning and decision trees | |
Zhang et al. | Combining motion and appearance cues for anomaly detection | |
Rabiee et al. | Novel dataset for fine-grained abnormal behavior understanding in crowd | |
CN103839065B (zh) | 人群动态聚集特征提取方法 | |
CN110059581A (zh) | 基于场景深度信息的人群计数方法 | |
CN104933412B (zh) | 中高密度人群的异常状态检测方法 | |
Li et al. | Traffic anomaly detection based on image descriptor in videos | |
CN109829382B (zh) | 基于行为特征智能分析的异常目标预警追踪***及方法 | |
CN103902966B (zh) | 基于序列时空立方体特征的视频交互事件分析方法及装置 | |
Gong et al. | Local distinguishability aggrandizing network for human anomaly detection | |
Bour et al. | Crowd behavior analysis from fixed and moving cameras | |
CN112329691A (zh) | 一种监控视频的分析方法及装置、电子设备、存储介质 | |
Ma et al. | A survey of video-based crowd anomaly detection in dense scenes | |
Abdullah et al. | Semantic segmentation based crowd tracking and anomaly detection via neuro-fuzzy classifier in smart surveillance system | |
CN112464546A (zh) | 基于动态数据分析的公共空间行人流运动风险判别方法 | |
Okal et al. | Towards group-level social activity recognition for mobile robots | |
Kwan-Loo et al. | Detection of violent behavior using neural networks and pose estimation | |
Biradar et al. | DEARESt: deep Convolutional aberrant behavior detection in real-world scenarios | |
Yugendar et al. | Crowd behavioural analysis at a mass gathering event | |
CN106066993A (zh) | 一种人群语义分割方法及*** | |
Yang et al. | Cluster-based crowd movement behavior detection | |
Leyva et al. | Video anomaly detection based on wake motion descriptors and perspective grids | |
Arshad et al. | Anomalous situations recognition in surveillance images using deep learning | |
Chebi et al. | Crowd events recognition in a video without threshold value setting | |
Khan et al. | Survey of holistic crowd analysis models |
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 |