[发明专利]一种人群疏散仿真方法和装置有效
申请号: | 201811557088.1 | 申请日: | 2018-12-19 |
公开(公告)号: | CN109740455B | 公开(公告)日: | 2020-11-20 |
发明(设计)人: | 刘弘;孙雨彤 | 申请(专利权)人: | 山东师范大学 |
主分类号: | G06K9/00 | 分类号: | G06K9/00;G06K9/62;G06T7/45 |
代理公司: | 济南圣达知识产权代理有限公司 37221 | 代理人: | 李琳 |
地址: | 250014 山*** | 国省代码: | 山东;37 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 人群 疏散 仿真 方法 装置 | ||
本发明公开了一种人群疏散仿真方法和装置,能够给人群提供疏散路径指导,防止陷入局部最优,提高疏散效率。该人群疏散仿真方法包括以下步骤: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;依据人群密度等级,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。
技术领域
本公开属于人群疏散仿真领域,具体是一种基于人工鱼群算法与极限学习机算法结合的人群疏散仿真方法和装置。
背景技术
随着经济的飞速发展,人们的业余生活也越来越丰富,公共场所内经常出现大规模人群聚集现象,由于人群过度拥挤而造成的安全隐患也越来越严重。为规避拥塞事件出现,减少生命财产损失,通过计算机仿真技术来进行场景建模、路径寻优以及人群运动行为建模,可以在达到最佳疏散演练效果的同时将成本最小化。因此,计算机仿真模拟成为研究突发事件下人群疏散的最主要方法。
极限学习机(extreme learning machine,ELM)是一类基于前馈神经网络设计的机器学习算法,该算法随机产生输入层与隐含层间的连接权值及隐含层神经元的阈值,且在训练过程中无需调整,只需要设置隐含层神经元的个数,便可以获得唯一的最优解。利用极限学习机算法可对从人群图像中提取出来的纹理特征进行分类,得到较为精确的人群密度。由于利用极限学习机算法进行分类大大减少了训练与测试的时间,同时具有很高的实时性,且极限学习机算法可以达到最小的训练误差,而其他算法可能产生局部最小解或因迭代太多而停止。因此极限学习机算法不仅学习速度快、泛化性能好且能得到最小权重范数。
人工鱼群算法(Artificial Fish School Algorithm;AFSA)是通过模拟鱼类的觅食、聚群、追尾随机等行为在搜索域中进行寻优。在寻优过程中,通常会有两种方式表现出来:一种形式是通过人工鱼最终的分布情况来确定最优解的分布,通常随着寻优过程的进展,人工鱼往往会聚集在极值点的周围,而且全局最优的极值点周围通常能聚集较多的人工鱼;另一种形式是在人工鱼的个体状态之中表现出来的,即在寻优过程中,跟踪记录最优个体的状态。人工鱼群算法具有克服局部极值、取得全局极值的能力;算法中仅使用目标问题的函数值,对搜索空间有一定的自适应能力;具有对初值与参数选择不敏感、鲁棒性强、简单易实现、收敛速度快和使用灵活等特点。
综上所述,如何将极限学习机算法与人工鱼群算法相结合来进行人群疏散仿真,提高收敛速度,尚缺乏有效的解决方案。
发明内容
为了克服上述现有技术的不足,本公开提供了一种人群疏散仿真方法和装置,能够给人群提供疏散路径指导,防止陷入局部最优,提高疏散效率。
本公开所采用的技术方案是:
一种人群疏散仿真方法,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;
依据人群密度等级,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。
进一步的,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;
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于山东师范大学,未经山东师范大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201811557088.1/2.html,转载请声明来源钻瓜专利网。