一種基于天網(wǎng)監(jiān)控系統(tǒng)的踩踏事件預(yù)警疏散方法
【專利說明】一種基于天網(wǎng)監(jiān)控系統(tǒng)的踩踏事件預(yù)警疏散方法
[0001]
技術(shù)領(lǐng)域
[0002]本發(fā)明涉及數(shù)據(jù)處理中模式識別研究領(lǐng)域，特別涉及一種基于天網(wǎng)監(jiān)控系統(tǒng)的踩踏事件預(yù)警疏散方法。
[0003]
【背景技術(shù)】
[0004]隨著城市化進(jìn)程的迅速推進(jìn)，公共場所(火車站、地鐵、酒吧、學(xué)校)人口密集程度呈指數(shù)級飛躍，大規(guī)模的人群聚集很容易導(dǎo)致人群踩踏等事故。人群踩踏是指大量人流在相對擁擠空間活動時，由于某種原因發(fā)生不可控制的秩序混亂，導(dǎo)致人群擁擠踩踏，造成大量人員傷亡的災(zāi)難事件。目前該類事故的規(guī)模及其破壞程度愈來愈大，對社會造成極其惡劣的影響，已成為全世界關(guān)注的熱點(diǎn)問題。
[0005]目前研究人員提出采用人群監(jiān)測和模式識別技術(shù)來避免上述人群踩踏事故的發(fā)生。其中人群監(jiān)測技術(shù)能實(shí)現(xiàn)對人群進(jìn)行定量的科學(xué)管理。主要包括人員的運(yùn)動速度、密度和人員流量，人群的突然散開、突然聚集和滯留等?，F(xiàn)有的監(jiān)測技術(shù)主要有人工統(tǒng)計、機(jī)械統(tǒng)計、電子計數(shù)、射頻識別技術(shù)、手機(jī)信號掃描計數(shù)及最新發(fā)展的智能圖像監(jiān)測識別技術(shù)等。模式識別(Pattern Recognit1n)，是研究如何通過計算機(jī)技術(shù)進(jìn)行模式的判別處理。模式識別的基本框架主要包括:數(shù)據(jù)預(yù)處理、特征選擇與提取、分類器設(shè)計及分類結(jié)果。
[0006]但目前使用的監(jiān)測系統(tǒng)布局不夠全面，得到的監(jiān)測數(shù)據(jù)準(zhǔn)確性不太高，真實(shí)性和時效性上尚有欠缺，且采用的識別算法也具有算法復(fù)雜、時效性差的缺點(diǎn)，且不能對事故進(jìn)行預(yù)警，更無法對外輸出相應(yīng)的疏散預(yù)案，因此已不能滿足相應(yīng)場合的需求。
[0007]天網(wǎng)監(jiān)控系統(tǒng)是公安機(jī)關(guān)打擊街面犯罪的一項(xiàng)法寶，是城市治安的堅(jiān)強(qiáng)后盾，其實(shí)質(zhì)是利用設(shè)置在大街小巷的大量攝像頭組成的監(jiān)控網(wǎng)絡(luò)。現(xiàn)在各大城市基本上都在運(yùn)行此套系統(tǒng)?！疤炀W(wǎng)監(jiān)控系統(tǒng)”是“科技強(qiáng)警”的標(biāo)志性工程。公安機(jī)關(guān)通過天網(wǎng)監(jiān)控系統(tǒng)中的監(jiān)控平臺，可以對城市各街道轄區(qū)的主要道路、重點(diǎn)單位、熱點(diǎn)部位進(jìn)行24小時監(jiān)控，可有效消除治安隱患，使發(fā)現(xiàn)、抓捕街面現(xiàn)行犯罪的水平得到提高。
[0008]因此，如果可以基于現(xiàn)有的天網(wǎng)監(jiān)控系統(tǒng)，根據(jù)該系統(tǒng)監(jiān)測的數(shù)據(jù)來進(jìn)行特征提取，進(jìn)而實(shí)現(xiàn)踩踏事件預(yù)警疏散，則具有重要的應(yīng)用價值。
[0009]

【發(fā)明內(nèi)容】

[0010]本發(fā)明為了克服以上現(xiàn)有技術(shù)存在的不足，提供了一種基于天網(wǎng)監(jiān)控系統(tǒng)的踩踏事件預(yù)警疏散方法，其具有監(jiān)測準(zhǔn)確、時效性高的優(yōu)點(diǎn)，且能夠快速輸出行之有效的疏散預(yù)案，具有重要的實(shí)用價值。
[0011]本發(fā)明的目的通過以下的技術(shù)方案實(shí)現(xiàn):一種基于天網(wǎng)監(jiān)控系統(tǒng)的踩踏事件預(yù)警疏散方法，包括步驟:
構(gòu)建踩踏事件專家知識庫；
構(gòu)建基于ELM訓(xùn)練判讀發(fā)生踩踏事件危險性的分類器；
根據(jù)監(jiān)測區(qū)域安裝的攝像頭采集人群分布數(shù)據(jù)；
根據(jù)人群分布數(shù)據(jù)提取人群分布特征；
預(yù)測下個時段的人群分布特征；
將上述下個時段的人群分布特征輸入到所述分類器進(jìn)行模式識別，輸出下個時段人群發(fā)生踩踏事件的危險性。
[0012]更進(jìn)一步的，所述方法還包括疏散步驟，具體為:
基于當(dāng)?shù)厮锌尚械氖枭⒎桨妇垲?，?gòu)建疏散預(yù)案的先驗(yàn)庫；
將所述預(yù)測的下個時段的人群分布特征與先驗(yàn)庫中的人群分布特征進(jìn)行相似性比對；
輸出最匹配的疏散預(yù)案。
[0013]更進(jìn)一步的，為了得到最優(yōu)解，縮小搜索空間，大幅度降低仿真時間，所述疏散步驟中在得到最匹配的疏散預(yù)案后還進(jìn)行下面步驟:
將最匹配的疏散預(yù)案輸入到仿真模型進(jìn)行仿真優(yōu)化；
輸出最終得到的最優(yōu)疏散預(yù)案。
[0014]優(yōu)選的，所述構(gòu)建踩踏事件專家知識庫的方法是:
采集研究區(qū)域近期的人群分布數(shù)據(jù)；
研究該地區(qū)各種典型的人群分布類型，經(jīng)計算機(jī)技術(shù)分級及專家評定，為每個典型分布類型確定發(fā)生踩踏事件的危險性標(biāo)簽，危險性標(biāo)簽分為危險、嚴(yán)重、有風(fēng)險三種，將分布類型與相應(yīng)標(biāo)簽匹配構(gòu)成踩踏事件專家知識庫。
[0015]優(yōu)選的，所述構(gòu)建基于ELM訓(xùn)練判讀發(fā)生踩踏事件危險性的分類器的方法是:
確定隱層節(jié)點(diǎn)數(shù)、激勵函數(shù)G(x)，匯總專家知識庫中描述圖像內(nèi)人群分布的特征向量到表X，匯總專家知識庫內(nèi)各特征向量對應(yīng)的標(biāo)簽到向量T ；
隨機(jī)產(chǎn)生輸入權(quán)值矩陣W、偏移標(biāo)量矩陣B，計算XW+B并輸入激勵函數(shù)計算G (XW+B)，輸出隱層輸出矩陣Η ；
判斷輸出矩陣是否可逆，若可逆，根據(jù)線性代數(shù)理論求逆Η \否則根據(jù)SVD理論求廣義逆Hf;計算輸出權(quán)值向量々=H-1T (々=HfT);
根據(jù)上述確定的參數(shù)，構(gòu)建分類器。
[0016]極限學(xué)習(xí)機(jī)(ELM)為主要用于解決一般的單隱層前饋神經(jīng)網(wǎng)絡(luò)(SLFNs)的算法。ELM最大的特點(diǎn)是隱層參數(shù)獨(dú)立于訓(xùn)練集、目標(biāo)函數(shù)。所以，采用該方法能夠避免耗時的迭代過程，大幅度降低訓(xùn)練時間，更能適應(yīng)處理海量數(shù)據(jù)的效率要求。
[0017]優(yōu)選的，所述人群分布數(shù)據(jù)基于天網(wǎng)監(jiān)控系統(tǒng)來采集，具體是:
對研究區(qū)域進(jìn)行網(wǎng)格化劃分，構(gòu)建一天網(wǎng)視頻網(wǎng)絡(luò)；
采集天網(wǎng)視頻網(wǎng)絡(luò)中多角度的視頻連續(xù)圖像。
[0018]通過基于天網(wǎng)視頻網(wǎng)絡(luò)，可以構(gòu)建多角度的視角進(jìn)而確定人群的空間分布，通過對多幅圖像的分析能保證后續(xù)特征提取的特征能夠準(zhǔn)確反映人群信息。
[0019]優(yōu)選的，所述提取人群分布特征的方法是: 圖像灰度值正則化處理，以突出圖像的特征；
采用基于圖像特征相似度量進(jìn)行配準(zhǔn)；
采用基于分水嶺算法進(jìn)行圖像分割，用于識別人群規(guī)模、密集程度及人群中心位置等特征；
將提取的特征共同組成特征向量。
[0020]優(yōu)選的，所述下個時段的人群分布特征基于時序分析模型得到。
[0021]優(yōu)選的，所述構(gòu)建疏散預(yù)案的先驗(yàn)庫的方法是:
基于當(dāng)?shù)厮锌尚械氖枭⒎桨妇垲惈@得K個疏散方案類，每個類內(nèi)綜合一個典型的疏散方案和一個人群分布特征向量，得到K個典型疏散方案，K個人群分布特征向量；所述典型疏散方案與相應(yīng)人群分布特征向量匹配構(gòu)成疏散預(yù)案先驗(yàn)庫。
[0022]
本發(fā)明相對于現(xiàn)有技術(shù)具有如下的優(yōu)點(diǎn)和有益效果:
1、本發(fā)明方法利用現(xiàn)有的天網(wǎng)監(jiān)控系統(tǒng)采集數(shù)據(jù)，基于這些數(shù)據(jù)分析人群分布特征，構(gòu)建專家知識庫并基于ELM訓(xùn)練分類器，事先建立預(yù)案先驗(yàn)庫，從先驗(yàn)庫抽取預(yù)案作為初始預(yù)案進(jìn)行優(yōu)化，在保證數(shù)據(jù)能夠真實(shí)反映監(jiān)察人群情況的前提下，在預(yù)警疏散各個環(huán)節(jié)可采用高效的方法節(jié)約時間，進(jìn)而大幅度提高整體的效率。
[0023]2、本發(fā)明天網(wǎng)監(jiān)控系統(tǒng)采集的數(shù)據(jù)能夠真實(shí)記錄人群變化，同時人群總體行為具有高度重復(fù)性，所以采用上述數(shù)據(jù)進(jìn)行人群特征分析具有明顯的真實(shí)性及時效性。
[0024]3、本發(fā)明采用基于ELM訓(xùn)練分類器，ELM最大的特點(diǎn)是隱層參數(shù)獨(dú)立于訓(xùn)練集、目標(biāo)函數(shù)。所以，能夠避免耗時的迭代過程，大幅度降低訓(xùn)練時間，更能適應(yīng)處理海量數(shù)據(jù)的效率要求。
[0025]4、本發(fā)明方法中，事先建立預(yù)案先驗(yàn)庫，從先驗(yàn)庫抽取預(yù)案作為初始預(yù)案，然后進(jìn)行優(yōu)化，大大縮小了仿真過程的搜索空間，加速仿真過程。
[0026]
【附圖說明】
[0027]圖1是本發(fā)明方法的流程圖。<