[发明专利]一种人群疏散仿真方法和装置

权利要求书

1.一种人群疏散仿真方法，其特征是，该方法包括以下步骤：

获取人群图像，并对人群图像进行预处理；

提取人群图像的纹理特征；

根据人群图像的纹理特征，利用极限学习机算法对人群密度进行估计和分类，得到人群密度等级；

依据人群密度，利用人工鱼群算法对人群图像进行仿真，得到最佳疏散路径；所述利用人工鱼群算法对人群图像进行仿真的方法为：

给定视野Visual，步长Step，拥挤度因子δ，最大迭代次数Max，随机初始化N个个体；

设个体当前状态为X_i，在其感知范围内随机选择一个状态X_j，获取状态X_i的人群密度Y_i和状态X_j的人群密度Y_j；

如果Y_iY_j，则将状态X_j作为移动目标点，个体向状态X_j的方向前进一步；反之则重新选择状态X_j；该目标点与个体的当前位置的连线即为最佳疏散路径；

当拥挤人群中有大面积的聚群行为时，根据人群自发的聚群行为，在状态为X_j的目标点的邻域内伙伴数目为n_f，中心位置为X_c，若中心位置X_c的人群密度Y_c与伙伴数目n_f的比值大于状态X_j的人群密度Y_j与拥挤度因子δ的乘积，则表明X_c的人群密度大且不太拥挤，则个体向X_c移动一步；

通过极限学习机算法不断迭代，不断更新场景中的人群密度，重复上述步骤，直至场景内人群密度为零，最终完成仿真疏散。

2.根据权利要求1所述的人群疏散仿真方法，其特征是，所述提取人群图像的纹理特征的步骤包括：

计算四个不同方向的灰度共生矩阵；

针对每个灰度共生矩阵，分别计算能量、熵、惯性矩、相关性四个纹理特征值，得到十六个纹理特征参数；

计算灰度-梯度共生矩阵；

利用灰度-梯度共生矩阵，计算小梯度优势、大梯度优势、梯度平均和灰度平均四个纹理特征值，得到四个纹理特征参数；

将灰度共生矩阵得到的十六个纹理特征参数与灰度-梯度共生矩阵得到的四个纹理特征参数相结合，得到二十维纹理特征向量。

3.根据权利要求2所述的人群疏散仿真方法，其特征是，所述小梯度优势、大梯度优势、梯度平均和灰度平均四个纹理特征值的计算方法为：

设置人群图像为f(x,y)，梯度图像为g(x,y)，将梯度图像g(x,y)压缩成灰度级为L_g的新的梯度图像G(x,y)；

对人群图像f(x,y)进行归一化处理，得到图像对梯度图像G(x,y)进行归一化处理，得到图像则灰度-梯度共生矩阵的元素H(x,y)定义为在图像和图像中分别具有灰度值x和梯度值y的像素数；

对灰度-梯度共生矩阵进行归一化处理；

利用归一化后的灰度-梯度共生矩阵，计算小梯度优势、大梯度优势、梯度平均和灰度平均四个纹理特征值。

4.根据权利要求1所述的人群疏散仿真方法，其特征是，所述利用极限学习机算法对人群密度进行估计和分类的方法具体为：

设置训练集、激活函数和隐藏节点个数，根据人群图像的纹理特征，计算人群密度的输出权重；

利用输出权重，构建人群密度的输出函数，并划分人群密度等级。

5.根据权利要求4所述的人群疏散仿真方法，其特征是，所述人群密度等级包括高密度人群等级、较高密度人群等级、较低密度人群等级和低密度人群等级。

6.根据权利要求4所述的人群疏散仿真方法，其特征是，所述人群密度的输出权重的计算方法为：

对输入权重和偏差进行赋值；

计算隐藏层输出矩阵；

根据人群图像的纹理特征值、输入权重和偏差的赋值以及隐藏层输出矩阵，计算人群密度的输出权重。

7.一种人群疏散仿真装置，其特征是，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行权利要求1-6中任一项所述的人群疏散仿真方法。