基于目的驅使—格子Boltzmann模型的高密度人群視頻穩定性分析及風險預測

陶冶　劉鵬　趙巍　唐降龍

摘要：提出一種視頻中群體狀態演進的預報方法。該方法在連續介質流體動力學模型格子Boltzmann模型的基礎上增加表現群體運動目的驅使項，使該模型更能描述高密度人群粒子向目標位置聚集的特點。模型還能預報高密度人群場景的風險最高位置。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，所以，該方法是對高密度人群視頻未來狀態的預報方法。實驗證明，該模型預報的速度、密度場準確，定位的場景最高風險位置也與場景本身的最高風險位置接近。

關鍵詞：視頻分析；目的驅使；群體密度預報；群體速度預報；格子Boltzmann模型

0引言

隨著社會的發展，大規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、節日期間形成的人員密集區和大型商業區等等。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生前對群體狀態進行準確的預報，并對群體的行為施加干預，就能夠避免事故的發生或減少事故造成的損失。計算機視覺和智能監控領域現有的研究主要集中于目標跟蹤和動作識別，對群體（人群）運動和行為的研究并不充分。

目前，視覺領域對群體行為的研究重點，多是設定在針對群體密度、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。近年來，有學者開始研究視頻中個體在大規模群體中的運動規律，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提出一種群體災難自動視頻分析系統，該系統選取災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。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模型，Ali和Shah把群體的行動信息、障礙物位置和重要區域（如出口）整合成一個整體，并由此計算力場，在此基礎上，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構，可以檢測到群體狀態和速度的改變。然而這些方法都立足于檢測人群中已發生的異常狀態，不能對群體異常事件進行預報。文獻則研發提出了一種基于場景當前壓力的風險檢測的方法，而壓力只能在短時間內代表人群場景的特征，雖然實時性很高，但也不能應用于人群異常事件的預測。

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，進而實現對群體狀態的預報。研究中即是將人群運動的目的驅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的人群運動的特點。由此可得，本文設計提出的目的驅使一格子Bollzmann模型將會以當前人群的粒子分布特征為輸入，經過演進可以得到人群未來狀態，進而能夠預報人群風險。