基于Matlab GUI的大型公共活动拥挤踩踏事故风险预警及应用研究

郝豫

摘 要： 利用MATLAB GUI开发平台设计具有图形用户界面的算法，用于分析和计算视频中人群聚集可能导致的拥挤踩踏事故风险，采用基于互相关算法的速度特征提取方法，并使用速度方差等参数进行风险的表征，从而在时间和空间上对大型公共活动拥挤踩踏事故风险进行实时分析和事前预警。最后使用该算法对上海 “12·31”踩踏事故监控视频进行实际运用，验证了其适用性。该算法将为大型公共活动人群聚集的安全管理提供更加充分可靠的信息支撐，提升现有的大型公共活动安全管理水平。

关键词： 大型公共活动； 拥挤踩踏事故； 风险分析； 事故预警

中图分类号： TN98?34 文献标识码： A 文章编号： 1004?373X（2017）13?0110?04

Abstract： The Matlab GUI development platform is used to design the algorithm with graphical user interface to analyze and calculate the stampede accident risks caused by gathered crowds in the video. The velocity feature extraction method based on cross?correlation algorithm is adopted， and the parameter such as velocity variance is employed to represent the risk to analyze and warn the stampede accident risk of large public event in real time in the aspects of time and space. The algorithm is applied to the surveillance video of the stampede accident at December 31 in Shanghai， and its feasibility is proved. The algorithm will provide a solid information support for safety management in crowded places， and improve the existing safety management level of large public event.

Keywords： large public event； stampede accident； risk analysis； accident pre?warning

0 引 言

自21世纪以来，现代城市中人群聚集的公共场所已经屡见不鲜，一些承担公共职能的场所诸如宗教场所、体育场馆、公众集会场所等，在各种大型活动中都面临着参与人数众多、风险因素复杂、社会影响广泛、事故后果严重等潜在威胁。据统计，本世纪以来的150起重大拥挤踩踏事故中，已造成5 867人死亡，12 722人受伤，亚洲成为这类事故的高发地区[1]。大型公共活动人群密集场所发生的这类拥挤踩踏事故，具有比较突出的几个特点，即诱发原因复杂、突发性、难以控制性、易造成群死群伤[2]，这也使得针对拥挤踩踏事故的防范与研究成为目前人口增长迅速且管理相对落后的发展中国家极为迫切的需求。

目前，基于智能视频分析的方法不仅被用于科学研究中，而且还被实际运用到密集人群的安全管理中，对于动态场景的视觉监控技术已经逐步成熟，有很强的适用性和可信度[3]，已衍生出一系列的智能视频监控系统。例如，W4系统可以用来在室外环境中检测和跟踪人群，并监控人的异常行为[4]；Pfinder系统可以对室内的个体进行三维重建，并在复杂场景中追踪个体[5]；卡内基梅隆大学研发的系统可以通过联网的多个摄像头监控大场景下的人群活动，完成复杂场景下长时间对多个运动目标的检测跟踪[6]。但是，这类监控系统基本都是采用基于对个体的监控和分析，而在人群大量聚集场景下，人体相互拥挤在一起时，移动就是一种群体行为，而个体作用基本已经失去[7]，所以检测个体很难真实反映密集人群的运动趋势，且在出现遮挡时，这种检测和跟踪的误差也会增大。最重要的是原有系统没有涉及到大型公共活动人群聚集发生拥挤踩踏的内在机理，无法真实准确地给出风险预警信息。

为了对大型公共活动人群聚集场景下可能发生的拥挤踩踏事故进行实时的风险分析，服务于大型公共活动人群的安全管理，本文设计了一种可用于分析拥挤踩踏事故风险的软件算法，采用一种基于互相关原理的图像处理技术提取人群运动的速度场[8]，并利用文献[9]提出的风险表征方法对提取的人群运动速度场信息进行风险量化，通过Matlab GUI平台设计的人机交互图形化用户界面允许用户对导入的视频进行同步的风险分析。

1 算法设计

1.1 Matlab GUI平台

Matlab GUI是一种功能强大的可扩展系统开发平台，它提供了GUIDE开发环境，可以方便进行人机交互图形化用户界面的设计及相应功能模块的开发。本文利用该开发环境设计了具有图形化用户界面的算法软件，可以用来对监控视频进行风险分析和计算。

1.2 运行流程

算法的运行流程如图1所示，用户需要提前将视频窗口的空间参数坐标输入到界面中，软件则会按照运行流程自行分析导入视频中人群运动的实时风险，并与视频同步呈现给用户。

1.3 速度场提取算法

传统的基于视频分析的速度提取算法主要采用个体运动检测并跟踪其轨迹线的方法，已在人群分析领域中形成了诸多应用算法[10]。也有学者利用基于聚类低层次的粒子轨迹的方法[11]和简化速度场的方法来提取人群的主流运动信息，但都不甚准确，尤其在人群数量显著增加的情况下，以上方法的适用性都面临着巨大的挑战，运算效率也急剧下降。

因此，本文采用基于互相关算法的速度场提取算法[12?13]，该方法的过程如下：

（1） 将每帧图片分成更小的诊断窗口，并将诊断窗口的中心定义为计算点；

（2） 利用快速傅里叶变换将原始图像从时域转换到频域；

（3） 在频域中，对连续两帧图像中相同位置的两个诊断窗口进行互相关计算，再对上述结果进行快速傅里叶逆变换；

（4） 峰值偏移原點的位移即是像素空间中窗口的位移，为了得到真实物理空间的位移，还需进行正交投影变换。该位移值与连续两帧的时间间隔相除即可得到该计算点的速度值，也就是该诊断窗口的平均速度。

1.4 风险表征方法

国内外很多研究人员都试图通过分析真实拥挤踩踏事故中获取的视频资料来研究踩踏事故发生的内在机理，分析事故发生前后人群运动状态和运动特征参量的动态变化过程，以此得到可以量化拥挤踩踏事故风险的参数及阈值。最有代表性的就是Helbing提出的“人群压力”的概念，并用于量化2006年麦加朝圣踩踏事故中风险的变化过程，可以为拥挤踩踏事故进行事前预警。其计算公式为：

其中速度方差按下式计算：

式中为时间内的平均速度场。

本文设计的算法一方面可以利用提取的速度场信息绘制实时速度矢量图与流线图，用于观察人群整体的运动状态；同时计算场景内人群的平均速度随时间的变化曲线图，观察速度是否出现骤增骤减情况；而后利用一段时间内的平均速度计算实时的速度方差空间分布，并以此来表征风险的时空分布特征。需要注意的是，在Helbing等人的计算中，均使用整个时间段内的速度信息计算平均速度场，但这不能满足实际应用中实时性的需求，因而本文的软件设计中采用如图2所示的方法，即先提取一个时间段内的速度场信息，计算其平均速度场，然后利用该平均速度场计算下一个时间段内的实时速度方差空间分布；最后再绘制速度方差随时间的变化曲线，用于判断风险随时间的变化情况，当出现突然增大并超过临界阈值时，意味着可能出现拥挤踩踏事故。

另一方面，为了降低实时信息中出现的无规律干扰，还需要取固定时间间隔对速度场进行平均。可以绘制平均速度矢量图和矢量流线图，观察人群整体在一定时间范围内的运动状态；同时，绘制速度大小分布直方图，用于观察速度大小分布状态，判断人群运动是否处于层流、走停波等特殊阶段；另外，绘制速度方向分布图，用于观察人群运动方向的分布状态，判断人群运动是否处于单向流、双向流或者无主运动方向的杂乱状态；最后就是绘制平均速度方差空间分布图，需要计算一段时间内整体的平均速度场，然后利用式（3）计算每一时刻的速度方差空间分布矩阵，进而得到平均速度方差空间分布矩阵，它可以更加准确、全面地描述人群整体运动在一定时间范围内积累导致的风险分布情况。

2 案例应用

2.1 视频源

本文利用上海“12.31”陈毅外滩广场发生踩踏事故时的监控视频对算法进行验证，监控点位于陈毅广场南，时间为2014年12月31日，其帧速率为25 f/s，像素为704×576，截取其中时间为23：31：18—23：35：32共计254 s进行分析。

从监控视频中可以观察到，该场景为观景平台楼梯处，在23：35：05，即截取视频中第227 s左右有人在楼梯底端受压摔倒，后续发生拥挤踩踏事故。

2.2 参数输入

为了对监控视频中的场景进行投影变换，获得真实空间的位移及速度场信息，软件要求用户依次输入场景的空间坐标参数。参数输入过程需保证空间位置坐标点与像素坐标点相对应，软件还允许用户通过图片的方式进行检查，更加直观地将实际位置与像素点对应显示，便于校对。

2.3 风险计算

首先利用空间坐标参数计算投影变换矩阵，同时得到速度场中每个点在像素场及实际空间中的横坐标、纵坐标矩阵，并将上述信息保存在后缀为.mat的文件中并添加到GUI的handles变量中。之后，每间隔1 s取两帧图像计算一个实时速度场，这两帧图像需为前后间隔0.2 s的两帧连续图像。计算得到的速度场信息包括像素场中方向的速度矩阵，实际空间中方向的速度矩阵，实际速度标量矩阵及该时刻的空间平均速度值，以上信息将被保存到以该帧图像序号命名的后缀为.mat的文件中，代表该时刻的实时速度场信息。另外，有关计算实时速度方差的过程将按照上文所述的方法进行，得到的实际平均速度在方向的速度矩阵，实时速度方差矩阵，方差最大值及空间平均方差值等信息也同样被保存到一个后缀为.mat的文件中。最后，软件将调用以上所有.mat文件中的数据，绘制成各种分析结果，供用户实时观察和判断人群聚集带来的风险及其分布状态。

2.4 结果分析

通过分析计算，可以得到如图3所示的平均速度矢量图，它们分别代表发生事故前75～100 s，50～75 s，25～50 s及0～25 s之间速度矢量场的平均结果。可以发现，由于极度拥挤，人群运动的速度本身并不大，但是个体已经失去了自我控制的能力而不得不跟随整体人群涌动，因而速度方向比较杂乱，且速度出现明显的分区现象，即一定区域的人群速度较大，而其相邻区域的人群却并未发生运动。在人群运动过程中，事故前0～25 s内人群运动的速度突然增大，如图3（d）所示，这对拥挤人群而言是极度危险的诱因，而踩踏事故也正是在该时间段后随即发生。

图4为整体视频时间范围内的速度大小分布图，图5为整体视频时间范围内的速度方向分布图，总体而言，人群移动的速度较为缓慢，涌动的方向是随机的，因而各个运动方向都存在，难以保证运动方向的一致性，容易使得人群出现混乱。从视频中可以观察到在事故发生前的一段时间内，观景平台上的人流基本处于向左运动的状态，而后突然改变运动方向，发生急速地向右运动，这直接诱发了踩踏事故。

以上分析结果可以帮助管理者从多个角度识别可能临近的风险，但基本属于定性判断，需要结合现有知识经验。因而软件还提供了从时间和空间上更加直观的风险分析结果。

从预估事故发生的位置角度来看，图6为视频中210～235 s，即共计25 s内平均速度方差的空间分布图，事故发生在227 s。颜色较深的区域意味着风险越高，可以发现图中较为明显的高风险区域与实际发生踩踏事故的位置基本相互吻合，可以大致预估发生事故的具体区域，如图6（a），图6（b）所示。如果按照平均速度方差的空间分布进行风险分级，则可以将人群运动的状态描述为稀疏、正常、拥挤、危险等4个等级，分别对应不同的速度方差区间，如图6（c）所示，相比于从速度大小的角度做出的人群运动状态分级，速度方差更利于对人群聚集状态做出区分，为启动应急预案进行应急处置提供更加可靠的依据。

3 结 论

针对人群聚集场所可能发生的拥挤踩踏事故，安全管理面临着重大的实际困难和挑战。本文为帮助管理部门更好地识别和分析人群聚集所带来的拥挤踩踏事故风险，进行了相关的算法及软件设计。利用Matlab GUI软件开发平台设计了较为友好的图形用户界面，采用基于互相关算法的速度场提取方法，并对提取到的速度场及速度方差等参数进行定量计算，同时从时间和空间上对人群聚集场景可能发生的拥挤踩踏事故风险进行分析。并利用该算法对上海“12.31”踩踏事故视频资料进行验证，得到了一致的结果，证明该算法具有一定的适用性。

但是，也需要认识到，由于对拥挤踩踏事故发生机理的认识不深，在风险计算和分析時所采用的方法还有一定的局限性，并不能适用所有情景；另外，在事故前的监测阶段，相应风险表征参数的阈值十分关键，既要减少误报还要避免漏报的发生，需要进一步研究方能更好地应用于人群聚集场所的人群安全管理，为事故预警和事中处置提供准确的信息支撑。

参考文献

[1] 周进科，刘翠萍，靳凤彬，等.拥挤踩踏事件伤亡情况和发生原因分析[J].中华灾害救援医学，2015，3（2）：67?71.

[2] 张慧，吴爱枝，张鑫，等.城市公共场所拥挤踩踏事故的应对[J].安全，2015（6）：16?18.

[3] HARITAOGLU I， HARWOOD D， DAVIS L S. W4： real?time surveillance of people and their activities [J]. IEEE transactions on pattern analysis and machine intelligence， 2000， 22（8）： 809? 830.

[4] WREN C R， AZARBAYEJANI A， DARRELL T， et al. Pfinder： real?time tracking of the human body [J]. IEEE transactions on pattern analysis and machine intelligence， 1997， 19（7）： 780?785.

[5] LIPTON A J， FUJIYOSHI H， PATIL R S. Moving target classification and tracking from real?time video [C]// Proceedings of the Fourth IEEE Workshop on Applications of Computer Vision. New Jersey： IEEE， 1998： 8?14.

[6] HELBING D， JOHANSSON A， AL?ABIDEEN H Z. Crowd turbulence： the physics of crowd disasters [C]// Proceedings of 2007 the Fifth International Conference on Nonlinear Mechanics. Shanghai， China： arXiv， 2007： 967?969.

[7] 翁文国，廖光煊，王喜世.基于互相关的DPIV图像诊断方法研究[J].实验力学，1999，14（3）：323?329.

[8] HELBING D， JOHANSSON A， AL?ABIDEEN H Z. Dynamics of crowd disasters： an empirical study [J]. Physical review E， 2007， 75（4）： 1?7.

[9] 林秀娜，曲保安，陈传华，等.基于Matlab GUI的数据格式标准化软件设计[J].电脑知识与技术，2015，11（1）：63?65.

[10] ZHAN B B， MONEKOSSO D N， REMAGNINO P， et al. Crowd analysis： a survey [J]. Machine vision and applications， 2008， 19（5/6）： 345?357.

[11] 章东平，童超，芦亚飞.基于粒子视频的高密度人群主流运动检测[J].电子技术应用，2012，38（4）：123?125.

[12] 李楠，张志敏.基于速度场简化的人群行为分析[J].高技术通讯，2012，22（5）：490?496.

[13] ZHANG Xiaole， WENG Wenguo， YUAN Hongyong. Empirical study of crowd behavior during a real mass event [J]. Journal of statistical mechanics： theory and experiment， 2012（8）： 8?18.