郝豫

摘 要： 利用MATLAB GUI開發(fā)平臺設(shè)計(jì)具有圖形用戶界面的算法，用于分析和計(jì)算視頻中人群聚集可能導(dǎo)致的擁擠踩踏事故風(fēng)險，采用基于互相關(guān)算法的速度特征提取方法，并使用速度方差等參數(shù)進(jìn)行風(fēng)險的表征，從而在時間和空間上對大型公共活動擁擠踩踏事故風(fēng)險進(jìn)行實(shí)時分析和事前預(yù)警。最后使用該算法對上海 “12·31”踩踏事故監(jiān)控視頻進(jìn)行實(shí)際運(yùn)用，驗(yàn)證了其適用性。該算法將為大型公共活動人群聚集的安全管理提供更加充分可靠的信息支撐，提升現(xiàn)有的大型公共活動安全管理水平。

關(guān)鍵詞： 大型公共活動； 擁擠踩踏事故； 風(fēng)險分析； 事故預(yù)警

中圖分類號： TN98?34 文獻(xiàn)標(biāo)識碼： A 文章編號： 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世紀(jì)以來，現(xiàn)代城市中人群聚集的公共場所已經(jīng)屢見不鮮，一些承擔(dān)公共職能的場所諸如宗教場所、體育場館、公眾集會場所等，在各種大型活動中都面臨著參與人數(shù)眾多、風(fēng)險因素復(fù)雜、社會影響廣泛、事故后果嚴(yán)重等潛在威脅。據(jù)統(tǒng)計(jì)，本世紀(jì)以來的150起重大擁擠踩踏事故中，已造成5 867人死亡，12 722人受傷，亞洲成為這類事故的高發(fā)地區(qū)[1]。大型公共活動人群密集場所發(fā)生的這類擁擠踩踏事故，具有比較突出的幾個特點(diǎn)，即誘發(fā)原因復(fù)雜、突發(fā)性、難以控制性、易造成群死群傷[2]，這也使得針對擁擠踩踏事故的防范與研究成為目前人口增長迅速且管理相對落后的發(fā)展中國家極為迫切的需求。

目前，基于智能視頻分析的方法不僅被用于科學(xué)研究中，而且還被實(shí)際運(yùn)用到密集人群的安全管理中，對于動態(tài)場景的視覺監(jiān)控技術(shù)已經(jīng)逐步成熟，有很強(qiáng)的適用性和可信度[3]，已衍生出一系列的智能視頻監(jiān)控系統(tǒng)。例如，W4系統(tǒng)可以用來在室外環(huán)境中檢測和跟蹤人群，并監(jiān)控人的異常行為[4]；Pfinder系統(tǒng)可以對室內(nèi)的個體進(jìn)行三維重建，并在復(fù)雜場景中追蹤個體[5]；卡內(nèi)基梅隆大學(xué)研發(fā)的系統(tǒng)可以通過聯(lián)網(wǎng)的多個攝像頭監(jiān)控大場景下的人群活動，完成復(fù)雜場景下長時間對多個運(yùn)動目標(biāo)的檢測跟蹤[6]。但是，這類監(jiān)控系統(tǒng)基本都是采用基于對個體的監(jiān)控和分析，而在人群大量聚集場景下，人體相互擁擠在一起時，移動就是一種群體行為，而個體作用基本已經(jīng)失去[7]，所以檢測個體很難真實(shí)反映密集人群的運(yùn)動趨勢，且在出現(xiàn)遮擋時，這種檢測和跟蹤的誤差也會增大。最重要的是原有系統(tǒng)沒有涉及到大型公共活動人群聚集發(fā)生擁擠踩踏的內(nèi)在機(jī)理，無法真實(shí)準(zhǔn)確地給出風(fēng)險預(yù)警信息。

為了對大型公共活動人群聚集場景下可能發(fā)生的擁擠踩踏事故進(jìn)行實(shí)時的風(fēng)險分析，服務(wù)于大型公共活動人群的安全管理，本文設(shè)計(jì)了一種可用于分析擁擠踩踏事故風(fēng)險的軟件算法，采用一種基于互相關(guān)原理的圖像處理技術(shù)提取人群運(yùn)動的速度場[8]，并利用文獻(xiàn)[9]提出的風(fēng)險表征方法對提取的人群運(yùn)動速度場信息進(jìn)行風(fēng)險量化，通過Matlab GUI平臺設(shè)計(jì)的人機(jī)交互圖形化用戶界面允許用戶對導(dǎo)入的視頻進(jìn)行同步的風(fēng)險分析。

1 算法設(shè)計(jì)

1.1 Matlab GUI平臺

Matlab GUI是一種功能強(qiáng)大的可擴(kuò)展系統(tǒng)開發(fā)平臺，它提供了GUIDE開發(fā)環(huán)境，可以方便進(jìn)行人機(jī)交互圖形化用戶界面的設(shè)計(jì)及相應(yīng)功能模塊的開發(fā)。本文利用該開發(fā)環(huán)境設(shè)計(jì)了具有圖形化用戶界面的算法軟件，可以用來對監(jiān)控視頻進(jìn)行風(fēng)險分析和計(jì)算。

1.2 運(yùn)行流程

算法的運(yùn)行流程如圖1所示，用戶需要提前將視頻窗口的空間參數(shù)坐標(biāo)輸入到界面中，軟件則會按照運(yùn)行流程自行分析導(dǎo)入視頻中人群運(yùn)動的實(shí)時風(fēng)險，并與視頻同步呈現(xiàn)給用戶。

1.3 速度場提取算法

傳統(tǒng)的基于視頻分析的速度提取算法主要采用個體運(yùn)動檢測并跟蹤其軌跡線的方法，已在人群分析領(lǐng)域中形成了諸多應(yīng)用算法[10]。也有學(xué)者利用基于聚類低層次的粒子軌跡的方法[11]和簡化速度場的方法來提取人群的主流運(yùn)動信息，但都不甚準(zhǔn)確，尤其在人群數(shù)量顯著增加的情況下，以上方法的適用性都面臨著巨大的挑戰(zhàn)，運(yùn)算效率也急劇下降。

因此，本文采用基于互相關(guān)算法的速度場提取算法[12?13]，該方法的過程如下：

（1） 將每幀圖片分成更小的診斷窗口，并將診斷窗口的中心定義為計(jì)算點(diǎn)；

（2） 利用快速傅里葉變換將原始圖像從時域轉(zhuǎn)換到頻域；

（3） 在頻域中，對連續(xù)兩幀圖像中相同位置的兩個診斷窗口進(jìn)行互相關(guān)計(jì)算，再對上述結(jié)果進(jìn)行快速傅里葉逆變換；

（4） 峰值偏移原點(diǎn)的位移即是像素空間中窗口的位移，為了得到真實(shí)物理空間的位移，還需進(jìn)行正交投影變換。該位移值與連續(xù)兩幀的時間間隔相除即可得到該計(jì)算點(diǎn)的速度值，也就是該診斷窗口的平均速度。

1.4 風(fēng)險表征方法

國內(nèi)外很多研究人員都試圖通過分析真實(shí)擁擠踩踏事故中獲取的視頻資料來研究踩踏事故發(fā)生的內(nèi)在機(jī)理，分析事故發(fā)生前后人群運(yùn)動狀態(tài)和運(yùn)動特征參量的動態(tài)變化過程，以此得到可以量化擁擠踩踏事故風(fēng)險的參數(shù)及閾值。最有代表性的就是Helbing提出的“人群壓力”的概念，并用于量化2006年麥加朝圣踩踏事故中風(fēng)險的變化過程，可以為擁擠踩踏事故進(jìn)行事前預(yù)警。其計(jì)算公式為：

其中速度方差按下式計(jì)算：

式中為時間內(nèi)的平均速度場。

本文設(shè)計(jì)的算法一方面可以利用提取的速度場信息繪制實(shí)時速度矢量圖與流線圖，用于觀察人群整體的運(yùn)動狀態(tài)；同時計(jì)算場景內(nèi)人群的平均速度隨時間的變化曲線圖，觀察速度是否出現(xiàn)驟增驟減情況；而后利用一段時間內(nèi)的平均速度計(jì)算實(shí)時的速度方差空間分布，并以此來表征風(fēng)險的時空分布特征。需要注意的是，在Helbing等人的計(jì)算中，均使用整個時間段內(nèi)的速度信息計(jì)算平均速度場，但這不能滿足實(shí)際應(yīng)用中實(shí)時性的需求，因而本文的軟件設(shè)計(jì)中采用如圖2所示的方法，即先提取一個時間段內(nèi)的速度場信息，計(jì)算其平均速度場，然后利用該平均速度場計(jì)算下一個時間段內(nèi)的實(shí)時速度方差空間分布；最后再繪制速度方差隨時間的變化曲線，用于判斷風(fēng)險隨時間的變化情況，當(dāng)出現(xiàn)突然增大并超過臨界閾值時，意味著可能出現(xiàn)擁擠踩踏事故。

另一方面，為了降低實(shí)時信息中出現(xiàn)的無規(guī)律干擾，還需要取固定時間間隔對速度場進(jìn)行平均?？梢岳L制平均速度矢量圖和矢量流線圖，觀察人群整體在一定時間范圍內(nèi)的運(yùn)動狀態(tài)；同時，繪制速度大小分布直方圖，用于觀察速度大小分布狀態(tài)，判斷人群運(yùn)動是否處于層流、走停波等特殊階段；另外，繪制速度方向分布圖，用于觀察人群運(yùn)動方向的分布狀態(tài)，判斷人群運(yùn)動是否處于單向流、雙向流或者無主運(yùn)動方向的雜亂狀態(tài)；最后就是繪制平均速度方差空間分布圖，需要計(jì)算一段時間內(nèi)整體的平均速度場，然后利用式（3）計(jì)算每一時刻的速度方差空間分布矩陣，進(jìn)而得到平均速度方差空間分布矩陣，它可以更加準(zhǔn)確、全面地描述人群整體運(yùn)動在一定時間范圍內(nèi)積累導(dǎo)致的風(fēng)險分布情況。

2 案例應(yīng)用

2.1 視頻源

本文利用上?！?2.31”陳毅外灘廣場發(fā)生踩踏事故時的監(jiān)控視頻對算法進(jìn)行驗(yàn)證，監(jiān)控點(diǎn)位于陳毅廣場南，時間為2014年12月31日，其幀速率為25 f/s，像素為704×576，截取其中時間為23：31：18—23：35：32共計(jì)254 s進(jìn)行分析。

從監(jiān)控視頻中可以觀察到，該場景為觀景平臺樓梯處，在23：35：05，即截取視頻中第227 s左右有人在樓梯底端受壓摔倒，后續(xù)發(fā)生擁擠踩踏事故。

2.2 參數(shù)輸入

為了對監(jiān)控視頻中的場景進(jìn)行投影變換，獲得真實(shí)空間的位移及速度場信息，軟件要求用戶依次輸入場景的空間坐標(biāo)參數(shù)。參數(shù)輸入過程需保證空間位置坐標(biāo)點(diǎn)與像素坐標(biāo)點(diǎn)相對應(yīng)，軟件還允許用戶通過圖片的方式進(jìn)行檢查，更加直觀地將實(shí)際位置與像素點(diǎn)對應(yīng)顯示，便于校對。

2.3 風(fēng)險計(jì)算

首先利用空間坐標(biāo)參數(shù)計(jì)算投影變換矩陣，同時得到速度場中每個點(diǎn)在像素場及實(shí)際空間中的橫坐標(biāo)、縱坐標(biāo)矩陣，并將上述信息保存在后綴為.mat的文件中并添加到GUI的handles變量中。之后，每間隔1 s取兩幀圖像計(jì)算一個實(shí)時速度場，這兩幀圖像需為前后間隔0.2 s的兩幀連續(xù)圖像。計(jì)算得到的速度場信息包括像素場中方向的速度矩陣，實(shí)際空間中方向的速度矩陣，實(shí)際速度標(biāo)量矩陣及該時刻的空間平均速度值，以上信息將被保存到以該幀圖像序號命名的后綴為.mat的文件中，代表該時刻的實(shí)時速度場信息。另外，有關(guān)計(jì)算實(shí)時速度方差的過程將按照上文所述的方法進(jìn)行，得到的實(shí)際平均速度在方向的速度矩陣，實(shí)時速度方差矩陣，方差最大值及空間平均方差值等信息也同樣被保存到一個后綴為.mat的文件中。最后，軟件將調(diào)用以上所有.mat文件中的數(shù)據(jù)，繪制成各種分析結(jié)果，供用戶實(shí)時觀察和判斷人群聚集帶來的風(fēng)險及其分布狀態(tài)。

2.4 結(jié)果分析

通過分析計(jì)算，可以得到如圖3所示的平均速度矢量圖，它們分別代表發(fā)生事故前75～100 s，50～75 s，25～50 s及0～25 s之間速度矢量場的平均結(jié)果?？梢园l(fā)現(xiàn)，由于極度擁擠，人群運(yùn)動的速度本身并不大，但是個體已經(jīng)失去了自我控制的能力而不得不跟隨整體人群涌動，因而速度方向比較雜亂，且速度出現(xiàn)明顯的分區(qū)現(xiàn)象，即一定區(qū)域的人群速度較大，而其相鄰區(qū)域的人群卻并未發(fā)生運(yùn)動。在人群運(yùn)動過程中，事故前0～25 s內(nèi)人群運(yùn)動的速度突然增大，如圖3（d）所示，這對擁擠人群而言是極度危險的誘因，而踩踏事故也正是在該時間段后隨即發(fā)生。

圖4為整體視頻時間范圍內(nèi)的速度大小分布圖，圖5為整體視頻時間范圍內(nèi)的速度方向分布圖，總體而言，人群移動的速度較為緩慢，涌動的方向是隨機(jī)的，因而各個運(yùn)動方向都存在，難以保證運(yùn)動方向的一致性，容易使得人群出現(xiàn)混亂。從視頻中可以觀察到在事故發(fā)生前的一段時間內(nèi)，觀景平臺上的人流基本處于向左運(yùn)動的狀態(tài)，而后突然改變運(yùn)動方向，發(fā)生急速地向右運(yùn)動，這直接誘發(fā)了踩踏事故。

以上分析結(jié)果可以幫助管理者從多個角度識別可能臨近的風(fēng)險，但基本屬于定性判斷，需要結(jié)合現(xiàn)有知識經(jīng)驗(yàn)。因而軟件還提供了從時間和空間上更加直觀的風(fēng)險分析結(jié)果。

從預(yù)估事故發(fā)生的位置角度來看，圖6為視頻中210～235 s，即共計(jì)25 s內(nèi)平均速度方差的空間分布圖，事故發(fā)生在227 s。顏色較深的區(qū)域意味著風(fēng)險越高，可以發(fā)現(xiàn)圖中較為明顯的高風(fēng)險區(qū)域與實(shí)際發(fā)生踩踏事故的位置基本相互吻合，可以大致預(yù)估發(fā)生事故的具體區(qū)域，如圖6（a），圖6（b）所示。如果按照平均速度方差的空間分布進(jìn)行風(fēng)險分級，則可以將人群運(yùn)動的狀態(tài)描述為稀疏、正常、擁擠、危險等4個等級，分別對應(yīng)不同的速度方差區(qū)間，如圖6（c）所示，相比于從速度大小的角度做出的人群運(yùn)動狀態(tài)分級，速度方差更利于對人群聚集狀態(tài)做出區(qū)分，為啟動應(yīng)急預(yù)案進(jìn)行應(yīng)急處置提供更加可靠的依據(jù)。

3 結(jié) 論

針對人群聚集場所可能發(fā)生的擁擠踩踏事故，安全管理面臨著重大的實(shí)際困難和挑戰(zhàn)。本文為幫助管理部門更好地識別和分析人群聚集所帶來的擁擠踩踏事故風(fēng)險，進(jìn)行了相關(guān)的算法及軟件設(shè)計(jì)。利用Matlab GUI軟件開發(fā)平臺設(shè)計(jì)了較為友好的圖形用戶界面，采用基于互相關(guān)算法的速度場提取方法，并對提取到的速度場及速度方差等參數(shù)進(jìn)行定量計(jì)算，同時從時間和空間上對人群聚集場景可能發(fā)生的擁擠踩踏事故風(fēng)險進(jìn)行分析。并利用該算法對上?！?2.31”踩踏事故視頻資料進(jìn)行驗(yàn)證，得到了一致的結(jié)果，證明該算法具有一定的適用性。

但是，也需要認(rèn)識到，由于對擁擠踩踏事故發(fā)生機(jī)理的認(rèn)識不深，在風(fēng)險計(jì)算和分析時所采用的方法還有一定的局限性，并不能適用所有情景；另外，在事故前的監(jiān)測階段，相應(yīng)風(fēng)險表征參數(shù)的閾值十分關(guān)鍵，既要減少誤報還要避免漏報的發(fā)生，需要進(jìn)一步研究方能更好地應(yīng)用于人群聚集場所的人群安全管理，為事故預(yù)警和事中處置提供準(zhǔn)確的信息支撐。

參考文獻(xiàn)

[1] 周進(jìn)科，劉翠萍，靳鳳彬，等.擁擠踩踏事件傷亡情況和發(fā)生原因分析[J].中華災(zāi)害救援醫(yī)學(xué)，2015，3（2）：67?71.

[2] 張慧，吳愛枝，張鑫，等.城市公共場所擁擠踩踏事故的應(yīng)對[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] 翁文國，廖光煊，王喜世.基于互相關(guān)的DPIV圖像診斷方法研究[J].實(shí)驗(yàn)力學(xué)，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，陳傳華，等.基于Matlab GUI的數(shù)據(jù)格式標(biāo)準(zhǔn)化軟件設(shè)計(jì)[J].電腦知識與技術(shù)，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] 章東平，童超，蘆亞飛.基于粒子視頻的高密度人群主流運(yùn)動檢測[J].電子技術(shù)應(yīng)用，2012，38（4）：123?125.

[12] 李楠，張志敏.基于速度場簡化的人群行為分析[J].高技術(shù)通訊，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.