基于目的驅(qū)使—格子Boltzmann模型的高密度人群視頻穩(wěn)定性分析及風(fēng)險預(yù)測

陶冶　劉鵬　趙巍　唐降龍

摘要：提出一種視頻中群體狀態(tài)演進的預(yù)報方法。該方法在連續(xù)介質(zhì)流體動力學(xué)模型格子Boltzmann模型的基礎(chǔ)上增加表現(xiàn)群體運動目的驅(qū)使項，使該模型更能描述高密度人群粒子向目標(biāo)位置聚集的特點。模型還能預(yù)報高密度人群場景的風(fēng)險最高位置。由于該模型只需輸入視頻初始時某幀的速度場，就可演進出場景未來的狀態(tài)，所以，該方法是對高密度人群視頻未來狀態(tài)的預(yù)報方法。實驗證明，該模型預(yù)報的速度、密度場準(zhǔn)確，定位的場景最高風(fēng)險位置也與場景本身的最高風(fēng)險位置接近。

關(guān)鍵詞：視頻分析；目的驅(qū)使；群體密度預(yù)報；群體速度預(yù)報；格子Boltzmann模型

0引言

隨著社會的發(fā)展，大規(guī)模人員聚集與運動的情況和場所大量增加，如運動會、音樂會、群眾集會、節(jié)日期間形成的人員密集區(qū)和大型商業(yè)區(qū)等等。自2001年以來，全球在群體事故中有超過四千人死亡，其中典型的事件有2006年麥加朝圣的踩踏事故、2010年德國杜伊斯堡音樂會踩踏事故、2014年上海外灘踩踏事故等。如果能夠在群體事故發(fā)生前對群體狀態(tài)進行準(zhǔn)確的預(yù)報，并對群體的行為施加干預(yù)，就能夠避免事故的發(fā)生或減少事故造成的損失。計算機視覺和智能監(jiān)控領(lǐng)域現(xiàn)有的研究主要集中于目標(biāo)跟蹤和動作識別，對群體（人群）運動和行為的研究并不充分。

目前，視覺領(lǐng)域?qū)θ后w行為的研究重點，多是設(shè)定在針對群體密度、速度等視覺特征的提取方法展開探討。多數(shù)研究工作針對場景中的個體展開，對其進行識別和跟蹤，也有少量工作以群體異常檢測作為研究目標(biāo)。近年來，有學(xué)者開始研究視頻中個體在大規(guī)模群體中的運動規(guī)律，這些研究提高了以群體為背景的個體運動的識別與跟蹤算法。2012年，Barbara與Christian提出一種群體災(zāi)難自動視頻分析系統(tǒng)，該系統(tǒng)選取災(zāi)難視頻的一段圖像序列，提取光流特征，把這些特征作為異常檢測分析的依據(jù)。該方法對于不同場景和拍攝角度，需要建立不同的場景模型，工作量大，通用性不強。在一些研究中引入了動力學(xué)模型，Ali和Shah把群體的行動信息、障礙物位置和重要區(qū)域（如出口）整合成一個整體，并由此計算力場，在此基礎(chǔ)上，提出了基于元胞自動機模型的跟蹤算法，利用流體細胞分裂結(jié)構(gòu)，可以檢測到群體狀態(tài)和速度的改變。然而這些方法都立足于檢測人群中已發(fā)生的異常狀態(tài)，不能對群體異常事件進行預(yù)報。文獻則研發(fā)提出了一種基于場景當(dāng)前壓力的風(fēng)險檢測的方法，而壓力只能在短時間內(nèi)代表人群場景的特征，雖然實時性很高，但也不能應(yīng)用于人群異常事件的預(yù)測。

本文擬將從視頻中提取到的實時高密度人群特征輸入到格子Boltzmann模型，該模型模擬人群運動演進過程，進而實現(xiàn)對群體狀態(tài)的預(yù)報。研究中即是將人群運動的目的驅(qū)使以一種速度增量的形式添加到模型中，以使模型能夠描述具有智能體性質(zhì)的人群運動的特點。由此可得，本文設(shè)計提出的目的驅(qū)使一格子Bollzmann模型將會以當(dāng)前人群的粒子分布特征為輸入，經(jīng)過演進可以得到人群未來狀態(tài)，進而能夠預(yù)報人群風(fēng)險。