隨著城市軌道交通的高速發(fā)展,選擇地鐵方式出行的人群越來越多,一旦發(fā)生危險會對人身和財產(chǎn)造成巨大威脅。目前,大多數(shù)研究方向在單次預(yù)測（比如體育館有大型活動）或者事故后的致因分析,缺乏有效的擁擠風(fēng)險實時監(jiān)測預(yù)警手段。為此,本文提出了一種基于視頻圖像評估地鐵站擁擠風(fēng)險參數(shù)的新方法。該方法解決了此類場景下人群構(gòu)成復(fù)雜、流動量大、持續(xù)時間長的問題,實現(xiàn)了人群狀態(tài)的實時監(jiān)測預(yù)警,并且以此為基礎(chǔ)設(shè)計了一套疏散路線。本文以西直門地鐵站的實際流通人群為研究對象,進行視頻采集和圖像處理,主要的研究內(nèi)容如下:1.確定實時擁擠風(fēng)險預(yù)測方法。從目前常用的三種風(fēng)險預(yù)測方法入手,分析了這三種方法的優(yōu)缺點,并最終提出了結(jié)合視頻圖像處理的實時監(jiān)測方法。2.研究人群密度檢測算法。基于傳統(tǒng)算法存在的問題,提出了一種結(jié)合紋理分析和神經(jīng)網(wǎng)絡(luò)的算法對某段區(qū)域內(nèi)人群密度進行預(yù)測。該算法通過紋理分析將多張圖片內(nèi)容轉(zhuǎn)化為參數(shù)的方式描述圖片,以此分析地鐵站的不同人群情況,從而達到減弱人與人之間互相遮擋和攝像頭遠近影響的目的。轉(zhuǎn)化結(jié)果輸入神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練,形成樣本庫,達成了紋理分析與神經(jīng)網(wǎng)絡(luò)結(jié)合的算法流程。實際檢測時直接將預(yù)測圖片以紋理分... 

【文章來源】：北京交通大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：87 頁

【學(xué)位級別】：碩士

【部分圖文】：

地鐵踩踏事件

的人群密度檢測算法和結(jié)合紋理分析與神經(jīng)網(wǎng)絡(luò)的人群密度檢測算法；人群速度??檢測算法包括基于均值濾波的人群跟蹤算法和基于卡爾曼濾波的人群跟蹤計算。??具體的預(yù)測系統(tǒng)構(gòu)成如圖１－２所示。???基于紋理分析的人流密度計算?＜——??對?對一??比?比?－?－ｊ???？風(fēng)險標(biāo)準(zhǔn)?—?Ｈｏｕｇｈ圓變換計算人流密度４?１二值化處理?＜?圖像灰度處理??Ｋａｌｍａｎ濾波箅法計算人流速度」?????超過標(biāo)準(zhǔn)進行報聱?＿?＿????女??像素統(tǒng)計法人流密度計算，——??人群疏散路線設(shè)計??圖１－２擁擠風(fēng)險預(yù)測結(jié)構(gòu)圖??Ｆｉｇ?１－２?Ｔｈｅ?ｂａｓｉｃ?ｓｔｒｕｃｔｕｒｅ?ｏｆ?ｃｏｎｇｅｓｔｉｏｎ?ｒｉｓｋ?ｐｒｅｄｉｃｔｉｏｎ??人群特征突出采用二值化算法進行處理。二值化算法種類良多，應(yīng)用場所各??不相同，且二值化處理結(jié)果直接決定人群特征突出的準(zhǔn)確性。本文通過對不同的??二值化算法進行實驗仿真并進行參數(shù)優(yōu)化。??傳統(tǒng)的基于人群輪廓提取或者Ｈｏｕｇｈ圓變換的像素統(tǒng)計算法受復(fù)雜環(huán)境影響??較大。針對這一問題，本文提出了一種算法并進行了實驗驗證。??根據(jù)地鐵站人群特點不同，提取不同的人群特征。包括直方圖特征和邊緣信??息特征。根據(jù)兩者特征信息選擇合理的特征提取點。??研究了人群跟蹤算法。根據(jù)單人跟蹤算法，構(gòu)造多人模糊跟蹤。經(jīng)過多人跟??蹤的樣本訓(xùn)練，對此算法進行了實驗驗證。??根據(jù)地鐵站內(nèi)人流變化規(guī)律和站內(nèi)分布

和評價集合Ｆ，其次利用模糊關(guān)系矩陣將因素集［／和評價集ｒ建立對應(yīng)Ｆｕｚｚｙ??（模糊）變換器。評判因素權(quán)向量ｄ通過模糊變換器的到評判結(jié)果向量５，具體??過程如圖２－１所示。??權(quán)重向量Ａ?：?評判結(jié)果Ｂ??「——?——；丨?Ｆｕｚｚｙ變換器Ｒ?ｒ—?——＇；；．．．．．．．??圖２－１模糊綜合評判基本模型??Ｆｉｇ?２－１?Ｔｈｅ?ｂａｓｉｃ?ｍｏｄｅｌ?ｏｆ?ｆｕｚｚｙ?ｃｏｍｐｒｅｈｅｎｓｉｖｅ?ｅｖａｌｕａｔｉｏｎ??首先對以及模糊綜合評價模型進行介紹，具體的計算步驟如下：??（１）

【參考文獻】：
期刊論文
[1]基于像素統(tǒng)計的人群數(shù)量檢測方法研究[J]. 孫著研.  數(shù)字技術(shù)與應(yīng)用. 2016(10)
[2]地鐵場所踩踏事故的生成特征與風(fēng)險治理——2008年以來15起典型事故的考察[J]. 王瑞山,靳瀾濤.  中國人民公安大學(xué)學(xué)報(社會科學(xué)版). 2016(04)
[3]圖像邊緣檢測的分?jǐn)?shù)階微分算子研究[J]. 李軍成.  計算機應(yīng)用與軟件. 2015(12)
[4]基于像素統(tǒng)計和紋理特征的人群密度估計[J]. 王強,孫紅.  電子科技. 2015(07)
[5]幾種經(jīng)典的圖像邊緣檢測算子分析比較[J]. 賀桂嬌.  計算機光盤軟件與應(yīng)用. 2014(09)
[6]地鐵車站擁擠踩踏事故風(fēng)險評價DEA模型研究[J]. 劉艷,汪彤,丁輝,吳宗之.  中國安全科學(xué)學(xué)報. 2013(10)
[7]基于脆弱性的地鐵運營安全事故致因分析[J]. 韓豫,成虎.  中國安全科學(xué)學(xué)報. 2013(08)
[8]Canny算子子像素邊緣檢測方法[J]. 薛武,張永生,董廣軍,紀(jì)松,于英.  遙感信息. 2013(01)
[9]彩色圖像二值化算法及應(yīng)用[J]. 劉玉紅,王志芳,楊佳儀,謝正祥.  中國醫(yī)學(xué)物理學(xué)雜志. 2013(01)
[10]城市軌道交通擁擠踩踏事件的事故樹分析[J]. 黃鈴琳,吳金洪.  現(xiàn)代城市軌道交通. 2012(01)

博士論文
[1]視頻圖像處理中的關(guān)鍵技術(shù)研究[D]. 竇建方.上海交通大學(xué) 2014
[2]視頻監(jiān)控系統(tǒng)中的運動目標(biāo)識別匹配及跟蹤算法研究[D]. 陳曉博.北京郵電大學(xué) 2011

碩士論文
[1]地鐵車站突發(fā)性大客流應(yīng)急疏散研究[D]. 朱小馬.蘭州交通大學(xué) 2017
[2]北京地鐵乘客大客流下應(yīng)急疏散行為研究[D]. 宋超.北京交通大學(xué) 2017
[3]基于視頻圖像處理的公交車人流量統(tǒng)計系統(tǒng)的研究[D]. 蔣曉峰.華南理工大學(xué) 2013
[4]基于視頻分析的多目標(biāo)人流自動計數(shù)研究[D]. 胡耀武.浙江理工大學(xué) 2012
[5]Kalman濾波在視頻目標(biāo)跟蹤中的應(yīng)用研究[D]. 胡鵬.重慶大學(xué) 2010
[6]視覺監(jiān)控中的多物體跟蹤技術(shù)研究[D]. 鄧志輝.上海交通大學(xué) 2010
[7]MeanShift算法在運動人體跟蹤中的應(yīng)用研究[D]. 袁霄.浙江工業(yè)大學(xué) 2007
[8]Kalman濾波技術(shù)在目標(biāo)跟蹤中的應(yīng)用研究[D]. 申逸.國防科學(xué)技術(shù)大學(xué) 2006



本文編號：3588894