面向大型体育场馆的人群应急疏散路径规划方法

1.本发明涉及一种面向大型体育场馆的人群应急疏散路径规划方法。
2.背景介绍
3.非常规的突发社会安全事件，往往会给快速处置及应急管理带来严峻挑战。大型公共场所具有空间面积大，内部结构复杂，人群聚集等特征。一旦出现重大的安全事故，将会带来严重的财产损失和人员伤亡。如何在有秩序的情况下制定出合理的路径，保证群众安全、迅速地撤离，是紧急情况下疏散成功与否的关键。因此，开展非常规突发事件下人群应急疏散建模仿真方法的研究、合理疏散路径生成方法的研究，对于指导和解决此类问题具有重要的现实意义。
4.目前，对体育场馆疏散仿真的模拟研究多是考虑建筑的空间结构、道路、建筑布局对疏散时间的影响，忽略了人在突发事件下的活动因素；传统的方法通常直接按照就近撤离的原则选择最短的距离通道进行人员撤离，却忽略了大量人员往最短的距离通道撤离时可能造成的拥堵问题，按照传统方式进行疏散模拟将缺乏科学性和直观展示的可行性。


技术实现要素：

5.本方法要克服现有技术的上述缺点，基于当前时代背景以及防灾救助的迫切需求，运用虚拟现实技术和web技术，将突发意外时的灾情发展蔓延规律以及人群在突发事件下的疏散情况映射到三维环境中进行可视化模拟，从而节省人力物力，有效增强体育场馆安全性。
6.本发明的面向大型体育场馆的人群应急疏散路径规划方法，包括如下步骤：
7.(1)基于卷积神经网络实现对体育场馆目标的自动识别与标注，构建场景信息；
8.(2)然后使用基于密度驱动的人群仿真技术获取体育场馆人员分布情况；
9.(3)最后基于人群密度的路径规划算法，确定每个区域人员的疏散路径。
10.本发明通过对人群密度、建筑物地形、出口分布等实时数据进行科学的检测和综合分析，从而实现灾情检测、灾情分布显示、人群疏散避障、救援方案决策等功能。
11.本发明的优点是：在险情发生时能够快速找到最佳疏散的路径；科学性和直观性好，容易使用和操作；工作人员能够完整模拟疏散全过程，并熟悉防灾应急流程，以便掌握体育场馆信息，从而在灾情发生时立即作出反应。
附图说明
12.图1是本发明方法的流程图。
具体实施方式
13.下面结合附图，进一步说明本发明的技术方案。
14.面向大型体育场馆的人群应急疏散路径规划方法，包括如下步骤：
15.(1)采用基于卷积神经网络进行大型体育场馆的目标自动识别与标注，构建三维
虚拟场景信息。
16.为了便于建模场景目标，本方法通过分布在场馆内顶棚、比赛区域、过道、安全出口处的摄像头对体育场馆中的座位、比赛区域、过道、安全出口等目标进行自动识别采集，采集到的图像经卷积神经网络处理生成虚拟3d目标，实现场景目标标定的自动化，提高虚拟体育馆的建模效率。
17.本方法将识别任务分成2个子任务处理：对比赛区域与过道的识别使用传统的cnn检测方法；对观众座位和安全出口等标识，构建样本库用于训练检测网络。
18.由于比赛区域与过道主要是由几何特征构成，使用传统方法就能够高效实现对几何形状的识别。而观众座位，则需构建相对应的样本库。由于单个观众座位这类检测对象的尺度反映在图像上主要为数个像素的小尺寸，所以网络需着重处理对小目标的识别。为增强模型对小目标对象的检测能力，本方法基于yolov4网络，采用多尺度对齐的思想将低分辨率的小尺度图像和高分辨率的大尺度图像在特征图大小的维度对齐，实现跨分辨率的知识提取。
19.具体来说，在训练过程中，本方法构建了2种输入尺度，大尺度图像是小尺度图像的2倍大小，通过共享的主干网络进行特征提取。网络将会输出三层不同尺度的特征图，其中大尺度图像下两层的特征图尺度大小与小尺度图像输出的上两层特征图尺度大小一致。
20.经此处理得到的多尺度特征图经残差连接的方式进行特征融合，即将大尺度特征图与上采样后的小尺度特征图进行加和生成虚拟场景图，构建三维场景信息。
21.(2)利用跨模态信息聚合和分布模型进行人群识别，获取人员分布信息。
22.为了便于建模仿真人群，本方法利用跨模态信息聚合和分布模型对馆内人群进行自动识别，根据生成的密度图构建虚拟人群信息，帮助用户快速标注目标位置和种类。
23.2.1将光信息、热信息和拥挤度信息用于人群理解。
24.光信息、热信息和拥挤度信息是用于人群理解的三个维度，反映到载体上，分别是rgb图、热成像图、计数图。将三种图作为一组输入模态输入到网络，获得更为精确的密度图。再对密度图积分，得到场景人数。
25.2.2构建信息聚合传输模块(iat)与信息分布传输模块(idt)。
26.iat旨在聚合所有模态特定特征的上下文信息，以增强模态共享特征。具体来说，先在l
th
级别(l＝1,
…
,l)用2
l-1
×2l-1
最大池化层生成特征，然后通过最近邻插值将其上采样到h
×
w像素级别，最后特征i
i,j
的中的上下文信息f
i,j
如公式(1)所示：
[0027][0028]
其中i，j分别代表i，j方向上一个单位长度的基向量；是特征的级联操作，conv1×1为1
×
1卷积层，f
i,j.l
代表第l个上下文信息。iat获取上下文信息后，通过公式(2)将上下文信息聚合，转换为特征信息：
[0029][0030][0031]
[0032][0033]
其中r，t，c，s分别代表rgb图、热图、计数图、地面真值图；代表由rgb向真值转换的特征值；代表rgb的特征值；代表1
×
1卷基层实现的rgb权重，后面的公式同理；
⊙
为矩阵乘法；即为转换后的特征信息。
[0034]
在经过iat聚合上下文信息转换为特征信息之后，使用idt在网络中将转换后的模态共享特征信息分发，以分别细化每个模态的特定特征。具体来说，rgb信息、热信息、拥挤度特征信息的细化分别如公式(3)-(5)所示：
[0035][0036][0037][0038][0039][0040]
其中分别代表转换后的rgb信息、热信息、拥挤度信息。
[0041]
2.3识别人员分布模型。
[0042]
首先将光信息、热信息和拥挤度信息输入libranet网络，然后通过信息聚合传输模块(iat)将上下文特征信息聚合转换为特征信息，再通过信息分布传输模块(idt)将转换后的模态共享特征信息分发，以分别细化每个模态的特定特征，使模态共享特征能够完全学习到每一组输入信息。最后，对特征图进行细化，输出更高精度的密度图，得到人员分布模型。
[0043]
(3)基于人群密度的规划算法，确定进行人群疏散的路径。
[0044]
为了便于构建疏散路径，解决大规模人群的观众集结疏散线路会因活动内容、体育场馆布局或特殊因素频繁改变的问题，本发明采用基于单元网格的寻路方法对虚拟人群进行路径规划：将虚拟场景划分为多个均匀网格，通过网格形成连通，完成路径搜索。
[0045]
在使用导航网格的基础上，本发明在传统的a*算法上加以改进，结合速度密度模型使用了基于人群密度的a*算法。在已知全局环境信息(即场景网格划分结果)的前提下，对空间中的节点采取代价评估方式进行逐一筛选，最终获得一条最优(或较优)路径。
[0046]
为了解决目前的大规模人群仿真方法缺乏科学性和直观展示的可信性等问题，在a*算法的基础上，结合行人速度-人群密度关系(行人速度如公式(6)所示)进行最短时间路径规划。在该算法中，评估函数将以时间作为代价。
[0047]vt
＝-0.0057d4+0.0744d
3-0.2745d
2-0.0142d+1.567
ꢀꢀ
(6)
[0048]
其中，v
t
为单人行走速度；d为人群密度。
[0049]
假设虚拟人的平均速度为v。人群密度d下的总时间评估函数f
t
(n,d)如公式(7)所示。
[0050][0051]
其中，n为起始点，goal为目标点；α是调节系数，当应用场景不同时，可以通过调节α的大小，使得公式更适用于当前环境。本方法基于人群密度的a*算法把f
t
(n)函数评估的最短距离改为了最短时间，有效地避免了大量人员都往最近出口撤离时的拥挤问题，提高了人群应急疏散仿真的真实性，对于实际的建筑设计及应急疏散策略的制定具有较高的指导意义和应用价值。
[0052]
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

技术特征：
1.面向大型体育场馆的人群应急疏散路径规划方法，包括如下步骤：(1)采用基于卷积神经网络进行大型体育场馆的目标自动识别与标注，构建三维虚拟场景信息；为了便于建模场景目标，通过分布在场馆内顶棚、比赛区域、过道、安全出口处的摄像头对体育场馆中的座位、比赛区域、过道、安全出口等目标进行自动识别采集，采集到的图像经卷积神经网络处理生成虚拟3d目标，实现场景目标标定的自动化，提高虚拟体育馆的建模效率；将识别任务分成2个子任务处理：对比赛区域与过道的识别使用传统的cnn检测方法；对观众座位和安全出口的标识，构建样本库用于训练检测网络；基于yolov4网络，采用多尺度对齐的思想将低分辨率的小尺度图像和高分辨率的大尺度图像在特征图大小的维度对齐，实现跨分辨率的知识提取；经此处理得到的多尺度特征图经残差连接的方式进行特征融合，即将大尺度特征图与上采样后的小尺度特征图进行加和生成虚拟场景图，构建三维场景信息；(2)利用跨模态信息聚合和分布模型进行人群识别，获取人员分布信息；为了便于建模仿真人群，利用跨模态信息聚合和分布模型对馆内人群进行自动识别，根据生成的密度图构建虚拟人群信息，帮助用户快速标注目标位置和种类；2.1将光信息、热信息和拥挤度信息用于人群理解；光信息、热信息和拥挤度信息是用于人群理解的三个维度，反映到载体上，分别是rgb图、热成像图、计数图；将三种图作为一组输入模态输入到网络，获得更为精确的密度图；再对密度图积分，得到场景人数；2.2构建信息聚合传输模块(iat)与信息分布传输模块(idt)；iat旨在聚合所有模态特定特征的上下文信息，以增强模态共享特征；具体来说，先在l
th
级别(l＝1,
…
,l)用2
l-1
×2l-1
最大池化层生成特征，然后通过最近邻插值将其上采样到h
×
w像素级别，最后特征i
i,j
的中的上下文信息f
i,j
如公式(1)所示：其中i，j分别代表i，j方向上一个单位长度的基向量；是特征的级联操作，conv1×1为1
×
1卷积层，f
i,j.l
代表第l个上下文信息；iat获取上下文信息后，通过公式(2)将上下文信息聚合，转换为特征信息：聚合，转换为特征信息：聚合，转换为特征信息：聚合，转换为特征信息：其中r，t，c，s分别代表rgb图、热图、计数图、地面真值图；代表由rgb向真值转换的特征值；代表rgb的特征值；代表1
×
1卷积层实现的rgb权重，后面的公式同理；
⊙
为矩阵乘法；即为转换后的特征信息；在经过iat聚合上下文信息转换为特征信息之后，使用idt在网络中将转换后的模态共享特征信息分发，以分别细化每个模态的特定特征；具体来说，rgb信息、热信息、拥挤度特征信息的细化分别如公式(3)-(5)所示：(5)所示：(5)所示：(5)所示：(5)所示：(5)所示：(5)所示：(5)所示：(5)所示：其中分别代表转换后的rgb信息、热信息、拥挤度信息；2.3识别人员分布模型；首先将光信息、热信息和拥挤度信息输入libranet网络，然后通过信息聚合传输模块(iat)将上下文特征信息聚合转换为特征信息，再通过信息分布传输模块(idt)将转换后的模态共享特征信息分发，以分别细化每个模态的特定特征，使模态共享特征能够完全学习到每一组输入信息；最后，对特征图进行细化，输出更高精度的密度图，得到人员分布模型；(3)基于人群密度的规划算法，确定进行人群疏散的路径；为了便于构建疏散路径，解决大规模人群的观众集结疏散线路会因活动内容、体育场馆布局或特殊因素频繁改变的问题，采用基于单元网格的寻路方法对虚拟人群进行路径规划：将虚拟场景划分为多个均匀网格，通过网格形成连通，完成路径搜索；在使用导航网格的基础上，在传统的a*算法上加以改进，结合速度密度模型使用了基于人群密度的a*算法；在已知全局环境信息(即场景网格划分结果)的前提下，对空间中的节点采取代价评估方式进行逐一筛选，最终获得一条最优(或较优)路径；为了解决目前的大规模人群仿真方法缺乏科学性和直观展示的可信性等问题，在a*算法的基础上，结合行人速度-人群密度关系，进行最短时间路径规划行人速度如公式(6)所示；在该算法中，评估函数将以时间作为代价；v
t
＝-0.0057d4+0.0744d
3-0.2745d
2-0.0142d+1.567
ꢀꢀꢀ
(6)其中，v
t
为单人行走速度；d为人群密度；假设虚拟人的平均速度为v；人群密度d下的总时间评估函数f
t
(n,d)如公式(7)所示；
其中，n为起始点，goal为目标点；α是调节系数，当应用场景不同时，可以通过调节α的大小，使得公式更适用于当前环境。2.如权利要求1所述的面向大型体育场馆的人群应急疏散路径规划方法，其特征在于：所述的基于yolov4网络采用多尺度对齐的思想将低分辨率的小尺度图像和高分辨率的大尺度图像在特征图大小的维度对齐，包括：在训练过程中，构建了2种输入尺度，大尺度图像是小尺度图像的2倍大小，通过共享的主干网络进行特征提取；网络将会输出三层不同尺度的特征图，其中大尺度图像下两层的特征图尺度大小与小尺度图像输出的上两层特征图尺度大小一致。

技术总结
面向大型体育场馆的人群应急疏散路径规划方法，包括：(1)基于卷积神经网络实现对体育场馆目标的自动识别与标注，构建场景信息；(2)然后使用基于密度驱动的人群仿真技术获取体育场馆人员分布情况；(3)最后基于人群密度的路径规划算法，确定每个区域人员的疏散路径。本发明通过对人群密度、建筑物地形、出口分布等实时数据进行科学的检测和综合分析，从而实现灾情检测、灾情分布显示、人群疏散避障、救援方案决策等功能。本发明的优点是：在险情发生时能够快速找到最佳疏散的路径；科学性和直观性好，容易使用和操作；工作人员能够完整模拟疏散全过程，并熟悉防灾应急流程，以便掌握体育场馆信息，从而在灾情发生时立即作出反应。从而在灾情发生时立即作出反应。


技术研发人员：董银燕 陈寅 胡克凡 苗聪慧 董天阳
受保护的技术使用者：浙江工业大学
技术研发日：2023.04.03
技术公布日：2023/7/28