基于超像素分割與三維空間的智慧站場(chǎng)人員違規(guī)行為全方位跟蹤監(jiān)測(cè)方法

摘"要：現(xiàn)有智慧站場(chǎng)人員跟蹤監(jiān)測(cè)方法難以在兼顧多目標(biāo)的同時(shí)保證較高的監(jiān)測(cè)性能。為此，設(shè)計(jì)了基于超像素分割與三維空間的智慧站場(chǎng)人員違規(guī)行為全方位跟蹤監(jiān)測(cè)方法?；诟倪M(jìn)的Itti視覺(jué)模型，提取感興趣區(qū)域，通過(guò)小波變換替換Itti視覺(jué)模型中的高斯金字塔。設(shè)計(jì)結(jié)合超像素分割與聯(lián)級(jí)AdaBoost檢測(cè)的ABS運(yùn)動(dòng)檢測(cè)算法，基于三維空間與孿生網(wǎng)絡(luò)，設(shè)計(jì)三維多目標(biāo)跟蹤監(jiān)測(cè)算法，聯(lián)合運(yùn)動(dòng)預(yù)測(cè)模塊、數(shù)據(jù)關(guān)聯(lián)模塊與跟蹤監(jiān)測(cè)管理模塊，實(shí)現(xiàn)智慧站場(chǎng)人員違規(guī)行為的全方位跟蹤監(jiān)測(cè)。實(shí)驗(yàn)結(jié)果表明，該方法的AMOTA最高達(dá)到39.32，多目標(biāo)跟蹤監(jiān)測(cè)準(zhǔn)確性得到保證。

關(guān)鍵詞：改進(jìn)的Itti視覺(jué)模型；超像素分割；三維空間；聯(lián)級(jí)AdaBoost檢測(cè)；智慧站場(chǎng)人員；違規(guī)行為跟蹤監(jiān)測(cè)

中圖分類號(hào)：TP242.6""""""文獻(xiàn)標(biāo)識(shí)碼：A

A"Comprehensive"Tracking"and"Monitoring"

Method"for"Violations"of"Intelligent"Station"Personnel"Based"

on"Hyperpixel"Segmentation"and"3D"Space

WANG"Quanle，"ZHANG"Yanyi，"JIANG"Yanmin，"ZHANG"Fen，"ZHOU"Saifeng，"BAI"Shefeng

（PipeChina"Beijing"Pipeline"CO.，Ltd.，Yulin，"Shaanxi"719000，"China）

Abstract：The"existing"methods"for"tracking"and"monitoring"personnel"in"smart"stations"are"difficult"to"ensure"high"monitoring"performance"while"balancing"multiple"objectives."Therefore，"this"paper"proposes"a"comprehensive"tracking"and"monitoring"method"for"personnel"violations"in"smart"stations"based"on"superpixel"segmentation"and"threedimensional"space."Based"on"the"improved"Itti"visual"model，"extract"regions"of"interest"and"replace"the"Gaussian"pyramid"in"the"Itti"visual"model"with"wavelet"transform."Design"an"ABS"motion"detection"algorithm"that"combines"superpixel"segmentation"and"cascaded"AdaBoost"detection."Based"on"3D"space"and"twin"networks，"design"a"3D"multi"object"tracking"and"monitoring"algorithm，"which"combines"motion"prediction"module，"data"association"module，"and"tracking"and"monitoring"management"module"to"achieve"comprehensive"tracking"and"monitoring"of"violations"by"intelligent"station"personnel."The"experimental"results"show"that"the"AMOTA"of"this"method"reaches"a"maximum"of"39.32，"ensuring"the"accuracy"of"multi"target"tracking"and"monitoring.

Key"words："improved"Itti"visual"model;"hyperpixel"segmentation;"three"dimensional"space;"cascade"AdaBoost"detection;"smart"station"personnel;"tracking"and"monitoring"of"violations

近年來(lái)，我國(guó)鐵路得到了高速發(fā)展，投入使用長(zhǎng)度逐年增加，智慧站場(chǎng)應(yīng)運(yùn)而生。作為乘客搭乘中的必經(jīng)之地，智慧站場(chǎng)的安全保障問(wèn)題不容忽視。然而，國(guó)內(nèi)外智慧站場(chǎng)安全事故一直頻發(fā)。智慧站場(chǎng)的人員復(fù)雜，因此一直有著較大的管理難度，若發(fā)生恐怖襲擊等安全事件，后果可以說(shuō)是不堪設(shè)想。在高峰時(shí)期，由于搭乘人員較多，其管理難度更大[1]。過(guò)往的慘痛教訓(xùn)使我們將目光集中在智慧站場(chǎng)安全保障工作中。作為人員復(fù)雜、客流量大的公共場(chǎng)所，其運(yùn)營(yíng)問(wèn)題與安全問(wèn)題十分重要[2]。時(shí)刻對(duì)人員違規(guī)行為實(shí)施跟蹤與檢測(cè)，不僅有利于智慧站場(chǎng)的安全保障，還能夠同時(shí)優(yōu)化地鐵的乘客服務(wù)水平。然而在智慧站場(chǎng)中，乘客行路線多變，要想對(duì)人員違規(guī)行為進(jìn)行跟蹤監(jiān)測(cè)，難度很高，并且通過(guò)人眼是難以準(zhǔn)確捕捉的，因此需要借助計(jì)算機(jī)技術(shù)手段?；谠摫尘皩?duì)智慧站場(chǎng)人員違規(guī)行為跟蹤監(jiān)測(cè)問(wèn)題進(jìn)行研究。

對(duì)于行為跟蹤監(jiān)測(cè)問(wèn)題的研究，目前學(xué)者們已經(jīng)從多方面開展研究，其中文獻(xiàn)[3]中提出一種基于機(jī)器視覺(jué)的人員行為監(jiān)測(cè)及違章識(shí)別系統(tǒng)，實(shí)現(xiàn)了人員行為的跟蹤檢測(cè)以及違章操作的自動(dòng)識(shí)別。文獻(xiàn)[4]中提出一種基于DOG的異常行為監(jiān)測(cè)模型，測(cè)試結(jié)果表明，該模型可以成功跟蹤運(yùn)動(dòng)目標(biāo)，并實(shí)現(xiàn)其行為類型區(qū)分，有著比較精確、可靠的跟蹤效果。將以上方法應(yīng)用于智慧站場(chǎng)人員違規(guī)行為的跟蹤監(jiān)測(cè)時(shí)，存在無(wú)法兼顧多目標(biāo)的問(wèn)題，因此設(shè)計(jì)一種基于超像素分割與三維空間的智慧站場(chǎng)人員違規(guī)行為全方位跟蹤監(jiān)測(cè)方法。

1nbsp;智慧站場(chǎng)人員違規(guī)行為全方位跟蹤監(jiān)測(cè)

方法設(shè)計(jì)

1.1"智慧站場(chǎng)監(jiān)控視頻圖像感興趣區(qū)域提取

基于改進(jìn)的Itti視覺(jué)模型提取智慧站場(chǎng)監(jiān)控視頻圖像中的感興趣區(qū)域。在Itti視覺(jué)模型的改進(jìn)中，由于小波變換在頻帶、空間方向選擇上比較敏感，通過(guò)小波變換替換Itti視覺(jué)模型中的高斯金字塔。

利用改進(jìn)的Itti視覺(jué)模型實(shí)施感興趣區(qū)域提取的步驟如下：

（1）輸入智慧站場(chǎng)監(jiān)控視頻圖像。

（2）將輸入的原始圖像當(dāng)作金字塔的第1層，利用小波變換獲得九層金字塔的2到9層，分別提取全部層的黃色、藍(lán)色、綠色、紅色、亮度特征以及多個(gè)方向上的方向特征，構(gòu)成各自不同的金字塔[5]。

其中黃色特征通過(guò)下式得到：

μ=Rr+Gg2－Rr－Gg2－Bb（1）

式中：Rr、Gg、Bb指紅綠藍(lán)三個(gè)通道的分量[6]。

藍(lán)色特征通過(guò)下式得到：

=Bb-Rr+Gg2"（2）

綠色特征通過(guò)下式得到：

κ=Gg-Rr+Bb2（3）

紅色特征通過(guò)下式得到：

σ=Rr-Gg+Bb2（4）

亮度特征通過(guò)下式得到：

ρ=Rr+Gg+Bb3（5）

方向特征為0°、45°、90°、135°四個(gè)方向上Gabor小波的分量[7]。

（3）對(duì)各種特征實(shí)施線性合并，獲取顯著圖。

1.2"基于超像素分割與聯(lián)級(jí)AdaBoost檢測(cè)的人

員違規(guī)行為檢測(cè)

設(shè)計(jì)結(jié)合超像素分割與聯(lián)級(jí)AdaBoost檢測(cè)的復(fù)雜場(chǎng)景下的ABS運(yùn)動(dòng)檢測(cè)算法，實(shí)施智慧站場(chǎng)人員違規(guī)行為的運(yùn)動(dòng)檢測(cè)[8]。

在待檢測(cè)目標(biāo)的快速搜索中，構(gòu)建AdaBoost人員違規(guī)行為運(yùn)動(dòng)目標(biāo)判別模型[9]。首先實(shí)施圖像灰度化處理，提取圖像的LBP特征與HOG特征。接著設(shè)計(jì)運(yùn)動(dòng)目標(biāo)的AdaBoost強(qiáng)分類器，并將提取的LBP特征與HOG特征作為AdaBoost強(qiáng)分類器的輸入，實(shí)現(xiàn)待檢測(cè)目標(biāo)的快速搜索，確定后續(xù)超像素跟蹤檢測(cè)的搜索區(qū)域[10]。

運(yùn)動(dòng)目標(biāo)的AdaBoost強(qiáng)分類器的構(gòu)建流程如下：

（1）輸入迭代次數(shù)r、樣本類別B、樣本空間A，并輸入訓(xùn)練樣本集，其表達(dá)式如下：

G=a1，b1，a2，b2，…，ai，biai∈Abi∈BB∈－1.+1"（6）

式中：G指訓(xùn)練樣本集；ai，bi是指訓(xùn)練樣本集中第i幀的像素坐標(biāo)；當(dāng)B的取值為-1時(shí)，表明為負(fù)樣本，即為非檢測(cè)目標(biāo)，當(dāng)B的取值為1時(shí)，表明為正樣本，即為檢測(cè)目標(biāo)[11]。

（2）實(shí)施樣本訓(xùn)練集權(quán)重的初始化處理，為訓(xùn)練樣本分配同樣的權(quán)值。以弱分類算法為依據(jù)實(shí)施分布加權(quán)系數(shù)Wiai，bi的學(xué)習(xí)，具體如下式：

Wiai，bi=1M（7）

式中：M指弱分類次數(shù)。

（3）根據(jù)Wiai，bi獲取弱分類器fiai，并對(duì)允許的最小誤差ηi進(jìn)行計(jì)算。

（4）通過(guò)允許的最小誤差ηi對(duì)弱分類器fiai的權(quán)重βi實(shí)施調(diào)節(jié)[12]。

當(dāng)ηi滿足下式：

ηilt;0.45（8）

則權(quán)重計(jì)算式如下：

βi=In1－ηiηi2（9）

此時(shí)對(duì)訓(xùn)練樣本學(xué)習(xí)來(lái)說(shuō)，最佳弱分類器滿足設(shè)定要求，實(shí)施訓(xùn)練樣本權(quán)重的更新。

當(dāng)ηi滿足下式：

ηi≥0.45"（10）

則訓(xùn)練獲得的分類器是不滿足設(shè)定的，將該弱分類器刪除。

根據(jù)分布加權(quán)系數(shù)Wiai，bi、權(quán)重βi、弱分類器fiai計(jì)算新的樣本分布，保留此時(shí)的弱分類器并將其作為最佳分類器[13]。

Q輪訓(xùn)練后，可獲得Q個(gè)最佳混合弱分類器，將以上最佳混合弱分類器分別與其權(quán)重級(jí)聯(lián)起來(lái)，獲取運(yùn)動(dòng)目標(biāo)的強(qiáng)分類器。

接著基于超像素分割生成站場(chǎng)人員違規(guī)行為的生成型外觀模型，具體步驟如圖1所示。

最終在貝葉斯框架下實(shí)現(xiàn)目標(biāo)的檢測(cè)定位。通過(guò)貝葉斯框架搭建目標(biāo)觀測(cè)模型（觀測(cè)方程）與目標(biāo)運(yùn)動(dòng)模型（系統(tǒng)狀態(tài)轉(zhuǎn)移方程）[14]。利用粒子濾波實(shí)施貝葉斯問(wèn)題的求解，在概率模型下獲取一階馬爾科夫過(guò)程的后驗(yàn)概率，計(jì)算最大后驗(yàn)估計(jì)值，依據(jù)最大后驗(yàn)估計(jì)值對(duì)目標(biāo)檢測(cè)結(jié)果進(jìn)行確定。

其中最大后驗(yàn)估計(jì)值的計(jì)算公式如下：

Yi=arg"max"Yi"qαkiχ1：kk=1，2，…，u（11）

式中：Yi指檢測(cè)目標(biāo)狀態(tài)；qαkiχ1：k是指一階馬爾科夫過(guò)程的后驗(yàn)概率；u指i時(shí)刻粒子濾波的采樣數(shù)。

在檢測(cè)中，為更好地適應(yīng)目標(biāo)當(dāng)前狀態(tài)，需要對(duì)聚類訓(xùn)練集實(shí)施實(shí)時(shí)更新，使模型擁有更好的自適應(yīng)性。

1.3"基于三維空間與孿生網(wǎng)絡(luò)的人員違規(guī)行為跟

蹤監(jiān)測(cè)

基于三維空間與孿生網(wǎng)絡(luò)設(shè)計(jì)一種三維多目標(biāo)跟蹤監(jiān)測(cè)算法，實(shí)現(xiàn)智慧站場(chǎng)人員違規(guī)行為的全方位跟蹤監(jiān)測(cè)。

該三維多目標(biāo)跟蹤監(jiān)測(cè)算法共由三個(gè)模塊構(gòu)成，包括運(yùn)動(dòng)預(yù)測(cè)模塊、數(shù)據(jù)關(guān)聯(lián)模塊與跟蹤監(jiān)測(cè)管理模塊。

對(duì)于在上節(jié)中獲得的人員違規(guī)行為檢測(cè)結(jié)果，利用三維空間對(duì)其進(jìn)行表示：

Hti=x，y，z，δ，ε，φ，φ，γ"（12）

式中：x，y，z表示三維目標(biāo)的空間位置坐標(biāo)；δ，ε，φ代表三維目標(biāo)的大?。沪帽硎救S目標(biāo)的預(yù)測(cè)得分；φ指三維目標(biāo)的朝向角[15]。

在運(yùn)動(dòng)預(yù)測(cè)模塊中，通過(guò)下式實(shí)現(xiàn)運(yùn)動(dòng)預(yù)測(cè)：

ζl+1i，l+1i=Γιlνi，ιl+1λi;（13）

式中：指孿生跟蹤器Γ的參數(shù)；ιlνi是指第l幀跟蹤結(jié)果中三維空間νli內(nèi)的特征圖；ζl+1i指的是第l+1幀中檢測(cè)實(shí)例i出現(xiàn)的置信度；ιl+1λi是指第l+1幀中三維搜索空間λl+1i內(nèi)的特征圖；l+1i指的是第l+1幀中的跟蹤實(shí)例。

對(duì)于各跟蹤實(shí)例Hti∈νl，均執(zhí)行一次式（13），同時(shí)以上過(guò)程能夠并行完成，保證跟蹤的實(shí)時(shí)性。

在數(shù)據(jù)關(guān)聯(lián)模塊中，為匹配檢測(cè)結(jié)果與預(yù)測(cè)軌跡定義一個(gè)nl×ml+1維度的相似度矩陣θ，其中ml+1是指第l+1幀檢測(cè)結(jié)果的數(shù)量，nl指的是第l幀的軌跡個(gè)數(shù)。0-

相似度矩陣的表達(dá)式如下：

θx，y，z，δ，ε，φ=2-cos"φ，γ"（14）

根據(jù)相似度矩陣θx，y，z，δ，ε，φ定義一種新的尺寸距離Dx，y，z，δ，ε，φ，具體如下式：

Dx，y，z，δ，ε，φ=‖x，y，z-δ，ε，φ‖×θx，y，z，δ，ε，φ（15）

相比3D"IoU，定義的這種新的尺度距離能夠更好地實(shí)現(xiàn)幀率較低數(shù)據(jù)地度量。

在檢測(cè)結(jié)果與預(yù)測(cè)軌跡的關(guān)聯(lián)中，對(duì)閾值ψ進(jìn)行設(shè)置，利用Dx，y，z，δ，ε，φ與閾值ψ，通過(guò)匈牙利算法實(shí)施匹配[16]。

在跟蹤監(jiān)測(cè)管理模塊中，由于跟蹤的人員違規(guī)行為可能離開場(chǎng)景，同時(shí)場(chǎng)景中也可能出現(xiàn)新目標(biāo)，需要管理跟蹤監(jiān)測(cè)軌跡的生成和消亡。

對(duì)于全部未被匹配的檢測(cè)結(jié)果，為避免假陽(yáng)性檢測(cè)結(jié)果對(duì)于目標(biāo)跟蹤監(jiān)測(cè)結(jié)果的影響，只有其被連續(xù)匹配多次后，才認(rèn)為該目標(biāo)是新出現(xiàn)的實(shí)例。

對(duì)于全部未被匹配的軌跡，為避免假陰性檢測(cè)結(jié)果對(duì)于目標(biāo)跟蹤監(jiān)測(cè)結(jié)果的影響，只有其連續(xù)多次未被匹配后，才認(rèn)為該目標(biāo)應(yīng)該被消亡。

2"實(shí)例應(yīng)用

2.1"實(shí)驗(yàn)過(guò)程

對(duì)于設(shè)計(jì)的智慧站場(chǎng)人員違規(guī)行為全方位跟蹤監(jiān)測(cè)方法，利用其對(duì)某地鐵智慧站場(chǎng)人員違規(guī)行為實(shí)施全方位跟蹤監(jiān)測(cè)，測(cè)試該方法的表現(xiàn)性能。

將實(shí)驗(yàn)地鐵智慧站場(chǎng)某日12：00-14：00時(shí)段的監(jiān)控?cái)?shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)集，該時(shí)段人流量較高，人員違規(guī)行為多發(fā)，能夠取得良好的測(cè)試效果。

對(duì)于實(shí)驗(yàn)數(shù)據(jù)集，首先基于改進(jìn)的Itti視覺(jué)模型提取各幀圖像中的感興趣區(qū)域。其中某幀的提取結(jié)果如圖2所示。

接著利用結(jié)合超像素分割與聯(lián)級(jí)AdaBoost檢測(cè)的復(fù)雜場(chǎng)景下的ABS運(yùn)動(dòng)檢測(cè)算法實(shí)施人員違規(guī)行為的運(yùn)動(dòng)檢測(cè)。其中在弱分類器的訓(xùn)練中，參數(shù)的輸入情況如下式所示：

r=9A=2B=0"（16）

選用實(shí)驗(yàn)數(shù)據(jù)集視頻序列前3000幀作為訓(xùn)練樣本集。

某幀的運(yùn)動(dòng)檢測(cè)結(jié)果如圖3所示。

最后利用設(shè)計(jì)的三維多目標(biāo)跟蹤監(jiān)測(cè)算法實(shí)現(xiàn)人員違規(guī)行為的全方位跟蹤監(jiān)測(cè)，如圖4所示。

根據(jù)多位人員的違規(guī)行為全方位跟蹤監(jiān)測(cè)結(jié)果對(duì)設(shè)計(jì)方法的性能進(jìn)行評(píng)價(jià)。

2.2"評(píng)價(jià)指標(biāo)

在性能評(píng)價(jià)中，將評(píng)價(jià)指標(biāo)定為AMOTA，即MOTA（多目標(biāo)跟蹤監(jiān)測(cè)準(zhǔn)確性）的平均變體。AMOTA的計(jì)算公式具體如下：

AMOTA=1I∑p∈1I，2I，…，1MOTA

MOTA=1-FP+FN+YSNG（17）

式（17）中，F(xiàn)P指假陽(yáng)性數(shù)量；NG是指真值目標(biāo)數(shù)量；FN指假陰性數(shù)量；I是指做出違規(guī)行為的人數(shù)；YS表示身份變換的數(shù)量；p代表違規(guī)行為者的序號(hào)；MOTA表示目標(biāo)跟蹤準(zhǔn)確度。

在測(cè)試中，將基于機(jī)器視覺(jué)的人員行為監(jiān)測(cè)及違章識(shí)別系統(tǒng)與基于DOG的異常行為監(jiān)測(cè)模型作為比對(duì)測(cè)試方法，并分別用方法1、方法2來(lái)表示，以簡(jiǎn)化實(shí)驗(yàn)結(jié)果的表述。

2.3"實(shí)驗(yàn)結(jié)果

設(shè)計(jì)方法、方法1、方法2的AMOTA測(cè)試結(jié)果如表1所示。

其中↑是指AMOTA指標(biāo)的數(shù)值越高，效果越好。根據(jù)表1測(cè)試結(jié)果，多目標(biāo)數(shù)量越來(lái)越多后，三種方法的AMOTA均逐漸降低，其中設(shè)計(jì)方法的AMOTA最高，說(shuō)明設(shè)計(jì)方法在多目標(biāo)跟蹤監(jiān)測(cè)準(zhǔn)確性上取得了突破。

3"結(jié)"論

為消除智慧站場(chǎng)中存在的安全隱患，需要對(duì)人員進(jìn)行監(jiān)測(cè)，傳統(tǒng)方法不僅浪費(fèi)人力，還會(huì)造成一定遺漏，設(shè)計(jì)一種基于超像素分割與三維空間的智慧站場(chǎng)人員違規(guī)行為全方位跟蹤監(jiān)測(cè)方法，實(shí)現(xiàn)了很高的多目標(biāo)跟蹤監(jiān)測(cè)準(zhǔn)確性，能夠及時(shí)發(fā)現(xiàn)意外并同步發(fā)現(xiàn)多處意外，對(duì)于智慧站場(chǎng)的安全運(yùn)行有著積極意義。

參考文獻(xiàn)

［１］"云旭，宋煥生，梁浩翔，等.基于深度學(xué)習(xí)的關(guān)鍵崗位人員行為分析系統(tǒng)[J].計(jì)算機(jī)工程與應(yīng)用，"2021，"57（6）：225-231.

[2]"楊斌，云霄，董鍇文，等.基于機(jī)器視覺(jué)的石化場(chǎng)景人員危險(xiǎn)行為識(shí)別[J].激光與光電子學(xué)進(jìn)展，"2021，"58（22）：355-365.

[3]"游青山，冉霞.基于機(jī)器視覺(jué)的礦井作業(yè)人員行為監(jiān)測(cè)及違章識(shí)別系統(tǒng)[J].自動(dòng)化與信息工程，"2021，"42（4）：20-24.

[4]"張春芳，張軍，白會(huì)肖.基于DOG的異常行為監(jiān)測(cè)模型的設(shè)計(jì)[J].計(jì)算機(jī)工程與設(shè)計(jì)，"2008，"29（14）：3815-3817.

[5]"梁晨陽(yáng)，華鋼.基于信道狀態(tài)信息的井下人員行為識(shí)別方法研究[J].煤炭技術(shù)，"2022，"41（11）：182-186.

[6]"馮高敏，劉雨佳.基于視覺(jué)的對(duì)人員在崗行為分析的算法[J].計(jì)算機(jī)工程與設(shè)計(jì)，"2021，"42（6）：1668-1676.

[7]"王戈琛，閆雨寒，劉曉文，等.礦山人員行為視覺(jué)語(yǔ)義方法研究[J].工礦自動(dòng)化，"2021，"47（5）：40-45+51.

[8]"涂淑琴，劉曉龍，梁云，等.基于改進(jìn)DeepSORT的群養(yǎng)生豬行為識(shí)別與跟蹤方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，"2022，"53（8）：345-352.

[9]"羅霄月，王艷慧，張興國(guó).視頻與GIS協(xié)同的交通違規(guī)行為分析方法[J].武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），"2023，48（4）：647-655.

[10]"張星，劉濤，孫龍培，等.一種視覺(jué)與慣性協(xié)同的室內(nèi)多行人目標(biāo)定位方法[J].武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），"2021，46（5）：672-680.

[11]"毛燕茹，牛童，王鵬，等.利用Kalman濾波和Hungarian算法的多目標(biāo)奶牛嘴部跟蹤及反芻監(jiān)測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào)，"2021，"37（19）：192-201.

[12]"周兆銀，田書函，謝艷，等.計(jì)算機(jī)視覺(jué)技術(shù)在施工人員不安全行為管理中的應(yīng)用[J].重慶大學(xué)學(xué)報(bào)，"2022，"45（S1）：74-78.

[13]"陳赟，劉慧琳.基于演化博弈的地鐵施工人員不安全行為動(dòng)態(tài)懲罰策略優(yōu)化[J].科學(xué)技術(shù)與工程，"2022，"22（13）：5506-5512.

[14]"李偉，張?chǎng)锡?考慮個(gè)體行為的改進(jìn)CA模型人員疏散研究[J].計(jì)算機(jī)工程與應(yīng)用，"2021，"57（17）：275-282.

[15]"于潤(rùn)澤，任鴻翔，孔凡濤，等.考慮折返行為和響應(yīng)時(shí)間的大型郵輪人員疏散仿真[J].大連海事大學(xué)學(xué)報(bào)，"2022，"48（4）：55-64.

[16]"康俊瑄.基于微型慣性傳感器的井下人員跟蹤定位系統(tǒng)[J].中國(guó)安全生產(chǎn)科學(xué)技術(shù)，"2023，"19（1）：73-78.