基于社会视频监控信息源的地震影响范围快速勾画

李东平 陈海鹏 张凯 刘倩倩

摘要：广泛分布于城乡各地的社会视频监控是震后获取地震灾情的重要数据源。基于地震视频灾情判读系统，对基于视频运动估计方法的主要技术原理和分析处理过程进行改进，并将其应用于2017年浙江临安4.2级地震影响场快速评估中。结果表明：利用该改进方法在震后4 h内得到了基于社会监控的烈度分布，计算得到的最高烈度与现场实际调查相同，等震线优势方向与现场工作结果一致，V度面积和现场工作结果接近。

关键词：地震影响场;视频监控;地震应急;场景深度估算

中图分类号：P315.941   文献标识码：A   文章编号：1000-0666（2019）02-0187-09

0 引言

破坏性地震发生后如何快速准确地了解灾情范围，准确绘制地震影响范围分布图，并在此基础上做出快速灾情评估，从而及时组织震后救灾工作，是当前防震减灾工作中一个亟待解决的科学问题。地震科技工作者一直努力研究地震烈度快速评估相关技术，当前主要方法包括：基于强震动观测台网获得仪器烈度分布图，利用无人机、遥感技术进行烈度图的快速勾画或采用历史经验公式生成地震影响场（周洋等，2017）。以上技术近年来取得了一定进展，但在实际地震应急中效果不尽理想，最直接的灾情获取手段仍有欠缺（李东平等，2017）。

近年来，随着信息和大数据等各类高新技术的飞速发展，对信息采集传感器的需求不断增加，作为典型的信息采集终端，视频监控得以大量布设，遍及城乡各处。海量的社会视频源可以真实记录地震发生时的状况，通过技术处理还可以提取灾害空间分布情况。2015年9月，国家发布了《促进大数据发展行动纲要》，提出要“大力推动政府部门数据共享”;2016年12月，发布了《“十三五”国家信息化规划》，将“推动信息跨部门跨层级共享共用”列入重点任务分工清单（刘艳，2017）。此后各级政府多次发文推进和落实部门间数据共享工作，这些都为数字政府的实施和推广提供了强大推力，政府数据共享作为改革的重要内容，备受关注。由政府专业部门掌握的公共安全视频监控联网也是数据共享的重要内容之一。省级地震部门作为公益性政府部门，也开始获取包括公共安全视频监控联网在内的大量社会视频源数据。

目前在青海、浙江、四川等省都有通过社会视频监控信息获取震后灾情分布的案例，许多学者开展了基于视频监控的地震灾情获取和损失评估研究，取得了一定的成果。夏旻等（2008）使用监控录像资料进行强地面运动参数估计，并在汶川地震中初步应用;田国伟等（2015）采用视频图像处理技术进行振动台试验、动态位移测量;日本千叶商业大学通过研究震后人们在社交媒体上讨论的各种话题，基于视频共享网站中的用户评论数据，分析地震造成的破坏情况（Takako，Tesuji，2013），为地震灾情获取开拓了新思路。笔者在前人研究的基础上，探索了基于规范建设的视频监控信息源，利用模型算法提取震时的监控视频运动估计值，以推断地震影响范围的方法。

1 基于场景深度估算地面强震动

1.1 前期的研究成果

笔者自2013年以来开展了基于社会视频源的地震影响场勾画方法研究，基于多次震例探索了震后在海量的社会视频监控信息源支持下，利用定性分析烈度经验矩阵，建立监控视频与地震烈度的相对关系，在视频监控中通过模型提取震害和烈度信息，建立了基于视频运动估计的地面强震动定量分析方法，目前利用该方法可计算出监控点的近似地震动峰值加速度值。基于該原理开发了地震视频灾情判读系统（图1），并应用于2014年浙江文成—泰顺4.2级地震、2017年浙江磐安3.5级地震等应急处置工作（李东平等，2017）。

ASP是微软公司开发的代替CGI脚本程序的一种应用，它可以与数据库和其它程序进行交互，是一种简单、方便的编程工具。ASP是一种服务器端脚本编写环境，可以用来创建和运行动态网页或web应用程序，它包含HTML标记、普通文本、脚本命令以及COM组件等（胡秀源，2011），ASP的以上特点比较适合应急指挥中心的工作环境。地震视频灾情判读系统就是基于ASP开发的。

1.2 基于视频运动估计方法的改进

在近年来的几次地震应急中，笔者及团队不断改进视频分析方法，总结了在不同烈度下的探头晃动和人员反应表现形式，并推导出地震烈度经验矩阵，进一步进行以视频运动估计的精确定量计算。但该方法只对高烈度区、图像抖动明显的监控点识别较好，而低烈度区监控点的计算值与实际差距较大。在对算法进行了部分优化，引入场景深度估计方法后，图像帧之间像素的运动距离和速度值计算准确性均有明显提高。

地震视频分析的步骤如下：①对地震视频逐帧进行分析，利用宏块分析法计算出相邻帧之间发生位移的宏块。②对帧间图像发生位移的宏块进行统计，近而可以计算出地震视频中每一帧图像发生震动的像素个数。例如：导入的视频分辨率为320×384像素，每一帧图像共有20×24个16×16宏块。通过对地震发生时振动视频某帧图像进行运动计算分析，得出该帧图像的振动宏块为M块，该帧图像发生震动的像素为M×16×16个

③计算地震视频片段所有图像帧中上述运动像素的运动矢量均值，并将其作为该视频地震烈度的参考值（常安琪，2015）

由于不同的地震视频具有不同的地震加速度和速度值，为此需要构建地震视频数据库。在该数据库中，每个地震视频样本均以预先通过地震设备得到的Ground Truth地震数据（烈度、速度和加速度等）作为人工标注值。将具有相似烈度（比如某一范围内的烈度）的地震视频归为同一类，并通过支持向量机（Support Vector Machine，简称SVM）对不同烈度的地震视频样本进行学习，而输入的特征值即为该视频的运动矢量均值。利用训练好的SVM模型，对不同特征值输入的地震视频样本输出其烈度的预测。笔者及团队自2013年开始至今，已完成了1 000余个地震视频的建库工作。

通过地震视频计算地震的速度和加速度，需要知道地震视频中不同像素点之间代表的真实距离值。由于不同监控摄像机架设的高度和俯仰角都不同，因此像素之间的真实距离难以准确获取，主要是因为：不同监控场景中任意2个像素点的距离所对应的真实世界中的距离都是不同的，并且随着距离监控相机光心的距离变化而变化，无法通过参考图像中的某些物体尺寸做等价距离推算。一种近似的解决方案是通过机器学习技术估计场景深度信息，而这可通过单幅图像深度估计算法获得。

场景深度估计算法步骤如图2所示。首先，对地震视频中的每幅图像进行无监督分割操作以生成超像素（Superpixel）区域。再以每个超像素为中心，尺寸为224×224像素的矩形图像块作为输入，训练一个具有5个卷积层和4个全连接层（5conv+4fc）的卷积神经网络（Convolutional Neural Network，简称CNN），如图3所示。在5个卷积层中分别使用了11×11，5×5和3×3的卷积模板，并采用修正线性单元（Rectified LinearUnits，简称ReLU）作为激活函数以及2×2的池化操作;在前2个全连接层中使用ReLU作为激活函数，第3个全连接层使用f（x）-（1+e-z）-1作为激活函数，而最后一个全连接层则没有使用。最终的网络输出为对应每个超像素的一維深度值（杨宇翔等，2015）。

对该CNN模型进行训练时，样本采用的是NYU v2 Kinect 数据集和Make3D数据集，上述数据集不仅具有不同场景类别的图像样本，而且每个图像样本均有对应的采集自Kinect深度相机和激光雷达的真实距离数据。通过上述2个数据集训练得到的CNN模型，可输出每个超像素所对应的深度预测值ZP。

然而，仅通过CNN模型推理得到的深度图通常存在相邻超像素的深度跳跃的情况。为了获取更为平滑而准确的深度图，笔者采用了条件随机场（Conditional Random Field，简称CRF）模型，通过最大后验概率（Maximum A Posteriori，简称MAP）估计最小化条件概率分布Pr（y|x）：

式中：z（x）是z以观察序列x为条件的概率归一化因子。将CNN模型输出的每个超像素的深度预测值ZP作为数据项U（yp，x）（x为超像素特征，即超像素的深度值）的核心部分。在构建平滑项U（yp，yq，x）时，则通过一个具有全连接层的单层神经网络模型训练多种不同类型的超像素相似度Rpq，比如：相邻超像素p和q颜色均值之差，颜色直方图之差以及纹理特征值之差等。最后的能量函数E（y，x）定义为：

最终经过CRF优化得到的场景深度估计结果如图4所示。在图4a和4c所对应的场景深度图4b和4d中，像素对比度越弱的代表距离相机越近，像素对比度越强则代表距离越远。

在得到场景深度图之后，便可以估计所得到图像中像素之间所代表的大致真实距离。地震视频片段中每幅图像的地震速度和加速度均可由其运动矢量对应的真实运动距离分别计算得到。在地震视频片段中，第N帧图像中每个运动像素的速度VN可由其运动矢量MV所对应的真实距离DN（即运动矢量起点像素和终点像素所对应的深度值之差）除以时间T（即1/F，其中F为当前图像帧率）计算得到：

地震视频的加速度aN则是由相邻图像帧N和N+1之间的速度差除以时间T计算求得：

由于该模块需要逐帧计算场景深度，因而运算速度较为缓慢。针对基于运动矢量统计截取的地震视频中可能存在一些误检，比如夜间车辆的灯光以及白天的车辆移动等场景时常会因为存在较大的像素运动而被误检为地震。为此，我们加入一些处理方法将上述可能的误检场景剔除。

2 地震实例2.1 地震概况  2017年4月12日2时25分，浙江省杭州市临安区发生4.2级地震，微观震中位于临安区河桥镇与潜川镇交界处的九龙坑（30.08°N，119.34°E），震源深度15 km。震中附近区域震感强烈，部分房屋出现墙体裂缝、掉瓦等震害现象。地震发生后，浙江省地震局立即启动Ⅲ级应急响应。现场震害评估与科学考察组通过对25个调查点资料的综合整理分析，参考震源机制解和震中附近地震构造等资料，确定了此次地震的最高烈度为Ⅴ度，等震线呈椭圆形，长轴方向呈NE向，为7.4 km，短轴为3.8 km，V度区总面积约22.6 km2，主要涉及到临安市潜川镇和於潜镇。

2.2 视频监控资料的选取及分析流程

地震发生后，浙江省地震应急指挥中心通过视频监控共享系统，在震后2 h内获取了震中附近发震时刻77个视频点位图像数据，通过对比摄像数据中人员反应、镜头晃动等情况，对烈度做了初步判定，并利用地震视频灾情判读系统对视频点的地面强震动进行了定量分析。震后4 h内得到了基于社会视频监控的烈度分布，计算得到的最高烈度与现场实际调查相同，等震线优势方向与现场工作结果一致，V度区面积和现场工作结果接近。

工作流程如下：首先，浙江省地震应急指挥中心启动了快速评估系统，绘制了基于经验模型的地震影响场分布图（图5），在模型计算得出的IV度区及其以上区域进一步选取了监控探头。浙江区域的烈度衰减模

型采用经过修正的经典模型（李东平，2011）：

通过初步筛选，剔除了部分非高清视频和受干扰视频，选取了49个点位进行数据分析。个别摄像头处理结果和现场科考调查队得出的数据有一定差距，这是因为对比2013年以来的视频资源发现，每年的高清监控比例在不断增加，大量的高清探头替代了非高清探头（图6），获取的数据质量也大幅度提高。从第一时间获取的视频监控中，列出20个典型的摄像头，获取的资料包括标准的经纬度信息和视频分析得出的烈度加速度、现场调查烈度值（表1）。由于在Ⅴ度区范围内没有强震台，因此笔者采用的对比数据是现场调查数据。从表1可以看出视频分析加速度与现场调查烈度值有一定差距，但已经比较接近（图7）。