一种基于数据驱动的人群群组运动仿真方法及系统

1.本公开属于人群疏散仿真技术领域，具体涉及一种基于数据驱动的人群群组运动仿真方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
3.随着世界人口和社会活动的增加，一些拥挤的公共场所将会发生紧急情况。当发生紧急情况时，很容易造成人群拥挤和踩踏。现实的人群疏散演习不仅消耗了大量资源，而且不能很好地处理多变的场景。因此，人群模拟技术的出现解决了这一问题，并引起了广泛的关注。该技术可以科学地模拟人群运动，为人群疏散提供安全指导。这项技术的发展对维护社会的公共安全具有重要意义。
4.传统的人群疏散模拟方法侧重于分析人群中的个体行为，而忽略了人群运动过程中对潜在群组属性的分析，降低了人群疏散模拟过程的视觉真实性。在人群运动过程中，人群由于共同的目的地和社会关系而导致无意识的自组织，从而形成群组。考虑群组属性对人群运动的影响，对提高人群运动模拟的视觉真实性具有重要意义。在仿真过程中，仿真结果的视觉现实性非常重要。
5.据发明人了解，在人群模拟的过程中，通常使用数据驱动的方法来分析和研究人群中个体的行为，而忽略了群体间的属性。群组属性作为影响群体行为的主要因素，在社会心理学和生物学中得到了广泛的关注和研究。研究中，群组属性主要分为组内属性和组间属性。组内属性是稳定性，即同一组成员保持同一组关系的稳定性，是成员间内部协调的表现。组间属性是冲突性，它反映了组中成员与其他组之间的冲突特征，是组间交互的表现。


技术实现要素：

6.为了解决上述问题，本公开提出了一种基于数据驱动的人群群组运动仿真方法及系统，通过群组属性分析进行群组运动建模，准确量化人群中的群组属性，分析群组属性对人群运动的影响，真实模拟人群群组运动。
7.根据一些实施例，本公开的第一方案提供了一种基于数据驱动的人群群组运动仿真方法，采用如下技术方案：
8.一种基于数据驱动的人群群组运动仿真方法，包括以下步骤：
9.获取人群视频数据；
10.对所获取的人群视频数据进行人群群组的划分；
11.基于划分后的人群群组提取人群运动属性；
12.对所提取的人群运动属性进行群组属性量化，得到群组属性量化结果；
13.根据所得到的群组属性量化结果和人群仿真平台，得到人群群组运动的仿真动画，实现人群群组运动的仿真。
14.作为进一步的技术限定，在提取人群运动属性的过程中，采用目标跟踪检测学习框架进行群组划分后的人群轨迹采样与跟踪，得到人群的位置和速度，以位置和速度作为人群运动属性。
15.进一步的，所述目标跟踪检测学习包括跟踪模块、检测模块和学习模块。
16.作为进一步的技术限定，所述群组属性量化至少包括组内稳定性和组间冲突性。
17.进一步的，所述组内稳定性包括组内成员保持速度大小稳定和组内成员保持速度方向稳定。
18.进一步的，所述组间冲突性包括群组之间成员位置冲突性、群组之间成员速度大小冲突性和群组之间成员速度方向冲突性。
19.进一步的，在合成场景中验证所述组内稳定性和所述组间冲突性的有效性，通过图形的方式进行人群群组运动过程中稳定性和冲突性的可视化，得到人群群组运动的仿真动画。
20.根据一些实施例，本公开的第二方案提供了一种基于数据驱动的人群群组运动仿真系统，采用如下技术方案：
21.一种基于数据驱动的人群群组运动仿真系统，包括：
22.群组信息提取模块，其被配置为获取人群视频数据，对所获取的人群视频数据进行人群群组的划分，基于划分后的人群群组提取人群运动属性；
23.群组属性量化模块，其被配置为对所提取的人群运动属性进行群组属性量化，得到群组属性量化结果；
24.人群仿真模块，其被配置为根据所得到的群组属性量化结果和人群仿真平台，得到人群群组运动的仿真动画，实现人群群组运动的仿真。
25.根据一些实施例，本公开的第三方案提供了一种计算机可读存储介质，采用如下技术方案：
26.一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的基于数据驱动的人群群组运动仿真方法中的步骤。
27.根据一些实施例，本公开的第四方案提供了一种电子设备，采用如下技术方案：
28.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的基于数据驱动的人群群组运动仿真方法中的步骤。
29.与现有技术相比，本公开的有益效果为：
30.(1)本公开通过数据驱动的群组属性量化(dgpq)模型来精确地描述群组运动的特性，基于该模型提取视频中人群的运动属性，量化人群的基本属性，即群内稳定性和组间冲突；
31.(2)本公开通过基于稳定性和冲突的人群运动分析(sc-cma)模型，利用量化的组内稳定性和组间冲突性来分析它们对人群运动的影响；
32.(3)本公开将群体稳定性和冲突性应用于人群仿真，在不同的场景设置下证明了sc-cma的有效性；
33.(4)本公开搭建人群仿真平台，与不同的人群仿真方法进行比较，可更真实地模拟人群运动。
附图说明
34.构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
35.图1是本公开实施例一中的基于数据驱动的人群群组运动仿真方法的流程图；
36.图2是本公开实施例一中的基于数据驱动的人群群组运动仿真方法的框架图；
37.图3(a)是本公开实施例一中的基于ct的群组划分结果图；
38.图3(b)是本公开实施例一中的群组轨迹提取结果图；
39.图4(a)是本公开实施例一中的s＝0.35，t＝0s时群组稳定性的有效性验证图；
40.图4(b)是本公开实施例一中的s＝0.35，t＝10s时群组稳定性的有效性验证图；
41.图4(c)是本公开实施例一中的s＝0.35，t＝20s时群组稳定性的有效性验证图；
42.图5(a)是本公开实施例一中的s＝0.84，t＝0s时群组稳定性的有效性验证图；
43.图5(b)是本公开实施例一中的s＝0.84，t＝10s时群组稳定性的有效性验证图；
44.图5(c)是本公开实施例一中的s＝0.84，t＝20s时群组稳定性的有效性验证图；
45.图6(a)是本公开实施例一中的s＝1.76，t＝0s时群组稳定性的有效性验证图；
46.图6(b)是本公开实施例一中的s＝1.76，t＝10s时群组稳定性的有效性验证图；
47.图6(c)是本公开实施例一中的s＝1.76，t＝20s时群组稳定性的有效性验证图；
48.图7(a)是本公开实施例一中的c＝1.53时群组冲突性的有效性验证图；
49.图7(b)是本公开实施例一中的c＝1.24时群组冲突性的有效性验证图；
50.图8(a)是本公开实施例一中的t＝5s时已有的未考虑群组属性的人群运动仿真结果图；
51.图8(b)是本公开实施例一中的t＝10s时已有的未考虑群组属性的人群运动仿真结果图；
52.图8(c)是本公开实施例一中的t＝15s时已有的未考虑群组属性的人群运动仿真结果图；
53.图8(d)是本公开实施例一中的t＝20s时已有的未考虑群组属性的人群运动仿真结果图；
54.图9(a)是本公开实施例一中的t＝5s时考虑群组属性的人群运动仿真结果图；
55.图9(b)是本公开实施例一中的t＝10s时考虑群组属性的人群运动仿真结果图；
56.图9(c)是本公开实施例一中的t＝15s时考虑群组属性的人群运动仿真结果图；
57.图9(d)是本公开实施例一中的t＝20s时考虑群组属性的人群运动仿真结果图；
58.图10是本公开实施例二中的基于数据驱动的人群群组运动仿真系统的结构框图。
具体实施方式
59.下面结合附图与实施例对本公开作进一步说明。
60.应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
61.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式
也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
62.在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
63.实施例一
64.本公开实施例一介绍了一种基于数据驱动的人群群组运动仿真方法。
65.如图1和图2所示的一种基于数据驱动的人群群组运动仿真方法，包括以下步骤：
66.获取人群视频数据；
67.对所获取的人群视频数据进行人群群组的划分；
68.基于划分后的人群群组提取人群运动属性；
69.对所提取的人群运动属性进行群组属性量化，得到群组属性量化结果；
70.根据所得到的群组属性量化结果和人群仿真平台，得到人群群组运动的仿真动画，实现人群群组运动的仿真。
71.从人群中提取群组信息
72.群组是人群的重要组成部分。行人在进行一系列的社会活动时，通常会形成群组。为了更真实地模拟人群的疏散，可以方便地提取人群的运动特征，更好地捕捉人群的潜在动态。主要从以下两个方面来处理人群视频：
73.(1)群组划分
74.采用ct方法进行分组划分，ct是一种鲁棒的人群视频分组划分方法。在该方法中，提出了一个ct先验来捕获形成群体之前的集体行为。通过学习ct先验，可以准确地划分各组。给定一个很短的视频片段，可以将人群分成若干组；图3(a)表示群组划分的结果，相同颜色的特征点代表同一组行人，记录每个行人的特征点的坐标。
75.(2)运动属性提取
76.采用目标跟踪检测学习(tld)框架对视频中的人群的轨迹进行采样和跟踪。在视频移动对象跟踪中，tld是一个用于针对视频中物体长期跟踪的架构。简单来说，tld算法由三部分组成：跟踪模块、检测模块、学习模块。跟踪模块是观察帧与帧之间的目标的动向。检测模块是把每张图看成独立的，然后去定位。学习模块将根据跟踪模块的结果对检测模块的错误进行评估，生成训练样本来对检测模块的目标模型进行更新，避免以后出现类似错误。如图3(b)所示，通过tld对象跟踪算法得到所需要的人群的位置和速度，以位置和速度作为运动属性来量化群组属性。
77.视频中每个个体的位置和速度用一系列二维位置坐标表示；基于跟踪的结果，记录视频中人群的分组情况并使用一个三元组i＝(pi,vi,oi)表示每个个体i在视频中的位置、速度大小和方向信息。代表了个体i在t时刻的位置。代表了个体i在t时刻的速度大小。代表了个体i在t时刻的方向，其中在这里，n表示视频中的所有帧。
78.群组属性量化
79.群组之中有各种各样的群组属性。不同的群组系统具有相似的原则，可以用一组基本的行为属性来表示。群组行为属性在提高人群模拟的真实性方面起着重要的作用。在这些群组属性中，最为重要的是组内稳定性和组间冲突性。
80.一方面，组内稳定性主要表现为群组内部的属性。稳定属性的特征是组内的个体以小组的形式移动，在一段时间内组内成员保持一种稳定的联系。例如，在人群灾难中，当人群中有不同的社会关系时，群组共同移动时的稳定性变得尤为重要。另一方面，组间冲突性主要表现为群组与群组之间的属性，冲突属性的特征是群组之间相互接近时的相互作用和影响。例如，两个目标不同的行人群体，当从不同的方向穿越道路时，会表现出冲突行为。
81.(1)组内稳定性的量化
82.稳定性是群组运动中的一个重要的群组属性，是指组内成员之间由于存在特殊关系而形成的群组运动特征，是描述群组运动的一个通用属性。稳定的群组具有以下特征：(1)组内成员保持速度大小稳定；(2)组内成员保持速度方向稳定；因此，基于提取的真实数据，本实施例从以上两个方面对群组的稳定性进行量化。
83.关于速度大小稳定性，首先计算组内所有成员在t时刻速度大小的平均值为：
[0084][0085]
式中，n代表组内成员的数目，代表i在t时刻的速度大小。然后定义一个速度差振幅函数spe(i,n,δt)来表示群组在δt时间内的速度大小稳定性：
[0086][0087]
式中，表示成员i在t时刻的速度与平均速度的差。为了使它们之间的差异更加显著，在本实施例中用方差计算了速度的波动。spe(i,n,δt)越小，群组越稳定。
[0088]
关于速度方向稳定性，在速度方向方面，首先计算组内所有成员在t时刻速度方向的矢量和为：
[0089][0090]
式中，表示组内成员i在t时刻的速度方向，然后定义一个方向差振幅函数dir(i,n,δt)来表示群组在δt时间内的速度方向稳定性：
[0091][0092]
式中，表示成员i在t时刻的速度方向与平均方向的角度差。dir(i,n,δt)越大，群组越稳定。
[0093]
关于群组稳定性，结合前面提到的稳定性的定义，将群组的稳定性定义为s(i,n,δt),其计算如下：
[0094][0095]
上式中，ws wd＝1，ws，wd分别表示速度大小稳定性，速度方向稳定性的权重，s(i,n,δt)越大，群组越稳定。
[0096]
(2)组间冲突性的量化
[0097]
群体运动过程中群组之间的运动会相互影响，为了更好地仿真人群的运动，提高仿真的真实性，本实施例提出了冲突性来表示群组之间运动的影响。一般来说群组之前的影响越大，冲突性就越大。因此，基于提取的真实数据，本实施例从三个方面对组间的冲突性进行量化：位置冲突性、速度大小冲突性和速度方向冲突性。
[0098]
关于位置冲突性，首先计算在t时刻场景中每个群组中所有成员的平均位置作为群组中心，然后运用欧氏距离公式计算群组a在t时刻受到的位置冲突性：
[0099][0100][0101]
其中，n表示当前组内成员的数量，表示组内成员i在t时刻的位置坐标，n表示场景中所有群组的集合，表示在t时刻群组a的群组中心，表示在t时刻群组b的群组中心，d(a,b,t)越小，群组a受到的位置冲突性越大。
[0102]
关于速度方向冲突性，首先计算组内所有成员在t时刻速度方向的矢量和作为该组的速度方向：
[0103][0104]
式中，表示t时刻组内成员i的速度方向然后运用群组的速度方向夹角的余弦函数来量化群组a受到的所有的速度方向冲突性：
[0105][0106]
式中，和分别表示群组a和b在t时刻的方向向量，or(a,b,t)越大，群组a受到的速度冲突性越大。
[0107]
关于速度大小冲突性，首先计算组内所有成员在t时刻的平均速度大小作为该组的运动速度，然后定义了一个速度差函数v(a,b,t)来表示群组a受到群组b在t时刻的速度大小冲突性：
[0108][0109][0110]
式中，n表示当前组内成员的数量，表示t时刻当前组内成员i的速度大小，和分别表示群组a和b在t时刻的速度大小，vc(a,b,t)越大，群组a受到的速度冲突性越大。
[0111]
关于群组冲突性，结合前面提到的冲突性的定义，将群组a所受群组b的冲突性定义为c(a,b,t),其计算如下：
[0112][0113]
上式中，wd wo wv＝1，wd，wo，wv分别表示位置冲突性，速度方向冲突性和速度大小冲突性的权重，c(a,b,t)越大，群组a所受冲突性就越大。
[0114]
群组属性影响下的人群运动
[0115]
分析稳定性和冲突性对组内个体的影响。在人群运动过程中，组内个体的运动状态直接受组内稳定性的影响，间接受到组间冲突性的影响。本实施例使用真实数据计算了个体受稳定性和冲突性影响的速度方向向量。
[0116]
(1)个体i在稳定性影响下的速度方向向量
[0117]
组内个体i为保持一段时间内的组内稳定性，会保持速度方向逐渐接近于群组的平均速度方向。
[0118][0119]
式中，表示t时刻个体i的速度方向向量。α是一个稳定性控制参数,用来表示个体在运动中的所在群组的稳定程度，它的取值由定义3中的函数s决定，α越大，群组的稳定程度就越高。
[0120]
(2)个体i在冲突性影响下的速度方向向量
[0121]
组内个体i为减少所受到冲突性的影响，会发生速度方向上的偏移。
[0122][0123]
式中,表示群组a在t时刻的速度方向向量。n表示场景中所有的群组的集合，β是一个冲突性控制参数,用来表示个体在运动中受到的冲突程度，它的取值由定义7中的函数c决定，β值越大，个体受到的冲突程度就越高。
[0124]
(3)个体i在群组属性影响下的速度方向向量
[0125]ei
＝w1×
e1(i,t) w2×
e2(i,a,t) (15)
[0126]
式中，ei表示个体i在群组属性影响下的速度方向向量，w1，w2分别代表稳定性影响和冲突性影响的权重。
[0127]
为了进一步验证本实施例中的方法能够增强仿真结果的视觉真实性，在合成场景中来验证组内稳定性和组间冲突性的有效性，以图形的方式将群组运动过程中的稳定性和冲突性可视化。
[0128]
(1)稳定性的有效性
[0129]
采用自驱动粒子模型(sdp)来评估所提出的稳定性，因为sdp已经被广泛用于研究粒子运动的特征，并且与自然界中的各种人群系统具有很高的相似性。合成场景sdp能够很好的再现群体集体运动和自有序运动的主要观察特征。为了评估本实施例的稳定性的有效性，设置所有粒子都以运动速度大小是随机的，每个粒子的运动方向等于在一些随机扰动
下相邻粒子的平均运动方向，在这个混合人群系统中测量群组的稳定性。
[0130]
在sdp模型中评估组内稳定性的有效性，粒子随机分布在一个大小为25
×
25的区域中，初始化粒子的初始位置，使它们看起来更像一个组，通过设置邻域半径来改变群组的平均运动方向。从三种情况来评估组内稳定性的有效性，从而证明量化方法的可行性。
[0131]
情况1：粒子在一段时间内随机移动，保持无规律运动状态。如图4(a)、图4(b)和图4(c)所示，最初粒子是随机移动的，随着时间的推移，粒子继续保持无序运动状态，在这一段时间内的群组稳定性最小。
[0132]
情况2：粒子在一段时间内随机移动，随后保持有序运动状态。如图5(a)、图5(b)和图5(c)所示，粒子的初始位置保持不变，改变粒子邻域半径，随着时间的推移，使粒子有序运动并计算稳定性大小。
[0133]
情况3：粒子在一段时间内一直保持有序的运动状态。如图6(a)、图6(b)和图6(c)所示，继续让粒子的初始位置不变，通过改变粒子的邻域半径而使粒子一直有序运动，然后计算稳定性。
[0134]
采用sdp模型验证组内稳定性的过程中，粒子一直保持有序运动时稳定性最高，粒子从无序运动逐渐变得有序时稳定性其次，稳定性最小的情况是粒子一直在做无序运动。结果表明，稳定性有效衡量了粒子的运动状态，所提出的定义有效地量化了人群运动过程中的群组稳定性。
[0135]
(2)冲突性的有效性
[0136]
为了提高仿真的真实性，继续验证群组间冲突性的有效性。在采用sdp模型对群组之间的冲突性进行量化时，为了平衡模型的计算复杂度和可靠性，将粒子分为两个组来验证组间的冲突性。结合现实中群组的冲突特点，初始化两个分组的初始位置和方向，计算组间冲突性的大小，分析群组间冲突性的规律。设置30个正在运动的粒子，每组被分成15个粒子，利用sdp模型模拟人群的运动，分析群体间的冲突性。如图7(a)和图7(b)所示，结果表明，该定义有效地量化了群体间的冲突性。
[0137]
在该人群群组运动防真系统中，设置了对30个人进行了模拟，其中一组人群为10人，另外一组为20人。两个群组在运动过程中始终保持一段时间的稳定性，同时由于群组间的冲突性的影响而改变了个体的运动方向。为了证明本实施例方法更真实的模拟人群运动，与已有方法模拟的人群运动做比较。图8(a)、图8(b)、图8(c)和图8(d)为已有方法的人群仿真结果。红框中的行人受到稳定性和冲突性的影响时并未发生方向的改变。图9(a)、图9(b)、图9(c)和图9(d)展示了本实施例方法模拟的人群运动结果。可以发现，红框中的行人受到稳定性和冲突性的影响，运动方向发生改变，符合真实情况下行人的运动规律。结果表明，本实施例提出的仿真方法是有效的，而且可以更真实的模拟人群运动。
[0138]
实施例二
[0139]
本公开实施例二介绍了一种基于数据驱动的人群群组运动仿真系统。
[0140]
如图10所示的一种基于数据驱动的人群群组运动仿真系统，包括：
[0141]
群组信息提取模块，其被配置为获取人群视频数据，对所获取的人群视频数据进行人群群组的划分，基于划分后的人群群组提取人群运动属性；
[0142]
群组属性量化模块，其被配置为对所提取的人群运动属性进行群组属性量化，得到群组属性量化结果；
[0143]
人群仿真模块，其被配置为根据所得到的群组属性量化结果和人群仿真平台，得到人群群组运动的仿真动画，实现人群群组运动的仿真。
[0144]
详细步骤与实施例一提供的基于数据驱动的人群群组运动仿真方法相同，在此不再赘述。
[0145]
实施例三
[0146]
本公开实施例三提供了一种计算机可读存储介质。
[0147]
一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例一所述的基于数据驱动的人群群组运动仿真方法中的步骤。
[0148]
详细步骤与实施例一提供的基于数据驱动的人群群组运动仿真方法相同，在此不再赘述。
[0149]
实施例四
[0150]
本公开实施例四提供了一种电子设备。
[0151]
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例一所述的基于数据驱动的人群群组运动仿真方法中的步骤。
[0152]
详细步骤与实施例一提供的基于数据驱动的人群群组运动仿真方法相同，在此不再赘述。
[0153]
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。