基于贝叶斯网络的视频监控盲区人群状态推演_陈优阔.pdf

第 卷 第期河南大学学报（自然科学版）年月 （）基于贝叶斯网络的视频监控盲区人群状态推演陈优阔，宋宏权（兖矿东华建设有限公司，山东 邹城 ；河南大学 地理与环境学院，河南 开封 ）收稿日期：基金项目：国家自然科学基金资助项目（）；国家科技支撑计划项目（）作者简介：陈优阔（），男，山东兰陵人，博士 研究方向：矿山信息化通信作者，：摘要：公共场所人群具有密度高、流动性大等特点，易发生拥挤踩踏等突发公共事件 由于目前对监控摄像机的布设大都离散无重叠，造成现有基于视频分析的人群监控主要面向独立的监控摄像机，难以监测整个区域的人群状态 将视频监控与 技术有机结合，设计了监控盲区人群状态的贝叶斯网络推演模型，并对未布设监控摄像机路段人群状态进行了推演结果表明：利用本文提出的监控盲区人群状态推演方法，可推测人群运动速率、人群流量及人群密度等人群状态的空间分布，基于此可实现对区域人群状态的实时态感知，可为安防部门的密集人群智能管理提供技术支撑关键词：视频 ；地理视频；贝叶斯网络；人群状态推演；时空格局中图分类号：文献标志码：文章编号：（），（，；，）：，：；引言随着我国社会经济的发展，人群密集场所越来越多，隐藏着较大的安全隐患实现对人群状态的实时感知监控，可为突发事件的预防预警提供技术支持 近年来，视频监控摄像机已遍布城市的各个角落，基于视频分析的智能人群监控技术已成为研究热点但现有对摄像机的布设大都选择在道路交叉口等位置，因摄像机的监控场景之间无重叠，对于摄像机间几何关系的获取较为困难 因此，目前基于视频监控的人群状态感知研究，主要面向单个摄像机监控场景进DOI:10.15991/ki.411100.2023.02.006陈优阔，等：基于贝叶斯网络的视频监控盲区人群状态推演 行人群密度估计 与行为理解 等，有关多摄像机协同下的人群状态监控研究较少如何使用人群监控数据推断监控盲区的人群状况，是实现人群状态空间分析的基础鉴于此，本文拟采用贝叶斯网络构建监控盲区的人群状态推演模型，将视频监控系统与 有机集成 ，尝试采用人群状态监控数据，推测监控盲区的人群密度、人群流量和人群运动速度等信息的空间分布，可为安防部门进行人群智能化管理等提供技术支持图基于图表达的人群流动节点关系 监控盲区人群状态推演模型贝叶斯网络是一种不确定性的因果关联关系模型，主要应用于不确定知识表达和推理，它是一个有向无环图，由代表变量的节点及节点间的有向边组成 在有向环图中的节点代表随机变量，有向边代表随机变量间的关系，节点间的关系强度以条件概率描述 密集人群在区域内的自组织可形成具有一定规律的人群运动系统，其又可分为单向和双向两种双向型可抽象为个单向但方向相反的人群运动系统，而单向类型又分为单向但没有分支（图）、单向分支汇聚（图）和单向分支分流（图）等种类型最简人群运动系统贝叶斯网络确定节点之间的有向边概率是构建贝叶斯网络的基础，图描述了最简人群运动系统的贝叶斯网络节点关系将该路段抽象为、与节点，其中与节点为布设有监控摄像机的路段，为监控盲区，与为视频监控数据基于作者提出的人群特征提取与群体行为分析方法，利用与视频监控数据，可提取地理参考下与节点路段的人群状态信息，包括人群密度、人群运动模式、运动趋势、运动速率等，基于此如何推测节点路段的人群状态信息，是本文要解决的问题设第个摄像机节点集合为（式）：，.（）式中的、分别为监控摄像机监控区域内的人群密度、人群运动模式、各方向人群运动概率分布、人群运动速率人群运动系统可表示为（式）：.（）式中：为路段节点个数；用于描述人群状态，可表示为（式）：（，）.（）其中：为人群流量，即单位时间内在单位长度路段通过的人数；为平均运动速率监控摄像机可视范围的人群状态节点集合为（式）：（）.（）监控盲区人群状态节点表示为?（），则 可表示为（式）：（）?（）.（）人群运动系统贝叶斯网络模型图为会聚型与分流型人群运动系统的有向无环图 节点到的有向边代表人群可从路段节点流向节点，在节点和（）间具有局部概率关系，可表示为（式）：（）（）贝叶斯网络各节点间概率关系确定后，可利用置信度传播法 推测监控盲区节点的后验条件概率（式）：（），?（）.（）图 为单向有分支会聚型人群运动系统，节点路段的平均人群流量为输入节点（）的平均人群流量之和（式），并伴随微小的高斯噪声：（）.（）假设节点处的人群平均运动速率为，则是（）输入节点的人群运动速率加权平均（式），同 河南大学学报（自然科学版），年，第 卷第期图会聚型（）与分流型（）人群运动系统示意图 时包括微弱的高斯噪声：（）（）.（）式中：为第个节点的权重，权重值与该节点路段与路段的夹角大小成反比；和分别与节点路段长度成正比分流型人群运动系统应依据人群运动趋势、运动速率及道路宽度等参数，对人群分流至子路段的概率进行分配（图）设（）是节点的子节点集合，人群从节点分流至（）各子节点，则节点与其子节点间的条件概率可表示为（）设人群由父节点运动至各子节点的概率为，且应满足条件：（）已知：人群流量（人）人群密度（人）人群运动速率（）.（）则有：.（）人群由节点运动至各子节点的概率，由各子路段方向的运动趋势概率、运动速率及路宽决定，可表示为（式）：（）（）（）.（）则由节点流向各子节点的人群流量函数模型可表示为（式）：.（）其中为高斯噪声，其大小与子节点路段长度成正比监控盲区人群状态推演方法利用作者提出的地理环境下人群特征提取方法，获取与监控区域的人群状态数据，通过空间化处理得到地理环境下的人群状态数据与（图）设和分别为路段节点和的人群运动速率，和分别为节点和的人群流量将路段与节点的平均运动速率分别作为路段结点起点和终点的人群运动速率，利用顾及方向线性插值方法对、和组成的路段进行插值处理，估算路段人群运动速率的空间分布 根据节点和的人群密度与运动速率计算各节点人群流量，将和节点的平均人群流量，分别设置为起点和终点的人群流量，通过顾及方向的线性插值估算路段的人群流量空间格局，在此基础上结合人群运动速率和人群流量的空间格局估测人群密度的空间分布对于有分支会聚型单向人群运动路网（图），提取视频监控区域（、和节点）的人群状态数据并对其进陈优阔，等：基于贝叶斯网络的视频监控盲区人群状态推演 图单向无分支路段人群状态推理 行空间化处理，得到地理参考下的人群状态数据（、和节点）设节点、和路段的人群运动速率分别为、和 因节点是由和节点汇合而成，则可将与节点的运动速率（与）均值作为节点的人群运动速率，和的人群流量（、）之和可作为的人群流量，故可看作与的均值，为人群流量与之和基于单向无分支类型的人群状态估算方法来计算、和的人群状态，得到整个路网的人群状态空间分布对于有分支分流型路网（图），首先获取、和监控区对应地理参考下的人群状态数据、和、和节点的人群运动速率分别为、和，平均人群流量分别为、和在节点处分流形成和子节点，的人群流量是和子节点人群流量（、）之和的人群运动速率可近似为与的均值 可根据单向无分支路段人群状态推理方法，估算节点、和的人群状态空间分布基于分流型人群状态推演贝叶斯网络，确定人群从节点运动至与的概率，进而可得的人群流量为，的人群流量为最后，利用单向无分支路段人群状态推演方法，估算整个路网人群状态的空间分布图单向有分支会聚型（）与分流型（）人群状态推理 河南大学学报（自然科学版），年，第 卷第期上述人群状态推演模型适用于单向人群运动类型，对于双向人群运动类型，可根据上述方法建立异向的两个贝叶斯网络，将异向的人群状态估算结果融合，即可推测得到整个路网的人群状态监控盲区人群状态推演实验研究区概况南京市夫子庙是集商业、文娱、旅游等多功能于一体的步行街区，据统计，黄金周与春节期间的人流量可达 万 日 元宵节夫子庙秦淮灯会的观灯游客数已超过 万 日，在元宵节当天观灯总人数可达 万 人群在夫子庙景区大量聚集，造成了较大的安全隐患为实时监控人群状况，在主干道及道路交叉口已布设大量监控摄像机，本文以此为实验区共选取了 个高清监控摄像机用于验证本文所提出方法的可行性（见图）图高清监控摄像机的空间分布 人群状态推演贝叶斯网络构建本文利用平江桥、老街唐狮、西牌坊外、北牌坊、东牌坊外、魁光阁东、帮贵火锅、广场西、文德桥北等个视频场景的人群特征数据来推演整个路网的人群状态信息（图），利用贡院西街、东牌坊内和晚晴楼角等个监控场景的人群特征数据评价结果的可靠性 对每个监控场景各选取个不同时刻的人群特征数据，图为某监控场景个时刻的人群图像示例，表为各场景不同时刻的人群状态监测数据图某监控场景个时刻的人群图像数据 陈优阔，等：基于贝叶斯网络的视频监控盲区人群状态推演 表各监控场景各时刻人群状态监测结果 监控场景路段运动速率（）人群密度（人）人群流量（人）方向 北牌坊 老街唐狮 贡院西街 魁光阁东 晚晴楼 广场西 帮贵火锅 西牌坊外 文德桥北 东牌坊内 东牌坊外 平江桥 注：代表东；代表东北；代表北；代表西北；代表西；代表西南；代表南；代表东南下同所选场景均为双向人群运动模式，需要创建两个相反方向的贝叶斯网络根据各监控摄像机与路网的关系（图），可抽象为两个单向人群运动系统，构建“方向”（图）与“方向”（图）两个人群运动贝叶斯网络模型，可利用章节中所述方法估算实验区人群状态的空间格局图人群流动“方向”（）和“方向”（）贝叶斯网络 河南大学学报（自然科学版），年，第 卷第期实验结果分析表为用于评价估算结果的个监控场景的人群状态数据，采用式 来评价人群状态推理结果的精度：表人群状态推理结果精度分析 人群状态监控摄像机方向时刻估计值实测值差值精度运动速率（）贡院西街晚晴楼东牌坊内 人群密度（人）贡院西街晚睛楼东牌坊内 人群流量（人）贡院西街晚睛楼东牌坊内 陈优阔，等：基于贝叶斯网络的视频监控盲区人群状态推演 （）（）（）.（）式中：（）为某时刻人群状态实测值；（）为监控区域某时刻人群状态估算值；为人群状态值个数，（）（）（）为平均相对误差；可代表模型估算结果的精确度 可知运动速率估算精度为，人群流量和人群密度推理精度分别为 和 基于各路段两端节点对应摄像机场景下的人群密度估算结果，根据路段两端人群密度的差值及路段长度，按照线性变化趋势来估算该路段的人群密度分布 图为时刻的人群密度空间分布，在此基础上可根据人群密度与面积对任意路段进行人群数量统计，如图中所选示例区域在时刻的人群数量约为 人图人群密度空间格局与分区人数统计示意 结论针对步行街人群密集场所，利用稀疏无重叠的人群特征数据，基于本文提出的人群状态推演模型，在道路路网等空间数据的辅助下，可推理监控盲区的人群密度等人群状态空间分布 实验表明，本文提出的推理模型精度可达 以上，利用人群状态空间格局，可进行分区人群数量统计、时空热点探测等分析，进而为探索区域人群时空分布模式的形成机理提供支持，同时可为警力动态部署、商业选址、人群管理等提供科学依据参考文献：宋宏权，刘学军，闾国年，等一种可跨摄像机的人群密度估计模型中国安全科学学报，（）：河南大学学报（自然科学版），年，第 卷第期 ，（）：覃勋辉，王修飞，周曦，等 多种人群密度场景下的人群计数 中国图象图形学报，（）：，（）：邓颖娜，朱虹，刘薇 基于贝叶斯模型的相机间人群目标识别 中国图象图形学报，（）：，（）：肖坦，杨栩，李黄煌 基于视频监控的铁路客运站人群密度分析算法 铁道通信信号，（）：，（）：吴晟，葛万成 基于可变形框的人群密度估计算法 通信技术，（）：，（）：孙银萍，张兴国，石新雨，等顾及视频地理映射的人群密度估计方法地球信息科学学报，（）：，（）：杨家林，林春雨，聂浪，等面向鱼眼图像的人群密度估计北京航空航天大学学报，（）：，（）：陈磊，王国栋用于人群密度估计的多级融合卷积神经网络青岛大学学报：自然科学版，（）：，：，（）：范绿源，仝明磊，李敏，等静态图像中采用混合卷积结构进行人群密度估计计算机应用研究，（）：，（）：胡学敏，郑宏，郭琳利用鱼眼相机对密集人群进行智能监控武汉大学学报（信息科学版），（）：，（），（）：胡学敏，郑宏，郭琳，等利用鱼眼相机对