基于目的驱使—格子Boltzmann模型的高密度人群视频稳定性分析及风险预测

陶冶　刘鹏　赵巍　唐降龙

摘要：提出一种视频中群体状态演进的预报方法。该方法在连续介质流体动力学模型格子Boltzmann模型的基础上增加表现群体运动目的驱使项，使该模型更能描述高密度人群粒子向目标位置聚集的特点。模型还能预报高密度人群场景的风险最高位置。由于该模型只需输入视频初始时某帧的速度场，就可演进出场景未来的状态，所以，该方法是对高密度人群视频未来状态的预报方法。实验证明，该模型预报的速度、密度场准确，定位的场景最高风险位置也与场景本身的最高风险位置接近。

关键词：视频分析；目的驱使；群体密度预报；群体速度预报；格子Boltzmann模型

0引言

随着社会的发展，大规模人员聚集与运动的情况和场所大量增加，如运动会、音乐会、群众集会、节日期间形成的人员密集区和大型商业区等等。自2001年以来，全球在群体事故中有超过四千人死亡，其中典型的事件有2006年麦加朝圣的踩踏事故、2010年德国杜伊斯堡音乐会踩踏事故、2014年上海外滩踩踏事故等。如果能够在群体事故发生前对群体状态进行准确的预报，并对群体的行为施加干预，就能够避免事故的发生或减少事故造成的损失。计算机视觉和智能监控领域现有的研究主要集中于目标跟踪和动作识别，对群体（人群）运动和行为的研究并不充分。

目前，视觉领域对群体行为的研究重点，多是设定在针对群体密度、速度等视觉特征的提取方法展开探讨。多数研究工作针对场景中的个体展开，对其进行识别和跟踪，也有少量工作以群体异常检测作为研究目标。近年来，有学者开始研究视频中个体在大规模群体中的运动规律，这些研究提高了以群体为背景的个体运动的识别与跟踪算法。2012年，Barbara与Christian提出一种群体灾难自动视频分析系统，该系统选取灾难视频的一段图像序列，提取光流特征，把这些特征作为异常检测分析的依据。该方法对于不同场景和拍摄角度，需要建立不同的场景模型，工作量大，通用性不强。在一些研究中引入了动力学模型，Ali和Shah把群体的行动信息、障碍物位置和重要区域（如出口）整合成一个整体，并由此计算力场，在此基础上，提出了基于元胞自动机模型的跟踪算法，利用流体细胞分裂结构，可以检测到群体状态和速度的改变。然而这些方法都立足于检测人群中已发生的异常状态，不能对群体异常事件进行预报。文献则研发提出了一种基于场景当前压力的风险检测的方法，而压力只能在短时间内代表人群场景的特征，虽然实时性很高，但也不能应用于人群异常事件的预测。

本文拟将从视频中提取到的实时高密度人群特征输入到格子Boltzmann模型，该模型模拟人群运动演进过程，进而实现对群体状态的预报。研究中即是将人群运动的目的驱使以一种速度增量的形式添加到模型中，以使模型能够描述具有智能体性质的人群运动的特点。由此可得，本文设计提出的目的驱使一格子Bollzmann模型将会以当前人群的粒子分布特征为输入，经过演进可以得到人群未来状态，进而能够预报人群風险。