一种公共区域群体走行结构中角色辨识方法

本发明涉及行人走行行为仿真，尤其涉及一种公共区域群体走行结构中角色辨识方法。

背景技术：

1、slf(spontaneous leader-follower，自发式群体结构)走行是公共场所人群走行和疏散的普遍现象，对行人流/疏散流的效率有直接影响，探测群体内leader(领导者)和follower(跟随者)角色，有助于探究公共场所场景中人群走行行为影响机理，精细化群体和个体走行行为模型参数，并将角色辨识手段集成于行人流走行行为模型，更符合公共区域的走行/疏散场景中人群运动的特征。目前针对群体结构行人流走行行为仿真主要有以下3种方法：(1)预定义群体中的leader和follower角色，根据角色的不同，修改走行行为社会力模型或元胞自动机模型的相关参数，仿真群体的走行/疏散过程，诠释leader或follower角色的相关特性对于走行效率的影响，而个体的角色不变；(2)集成个体走行行为信息探测和社会力模型技术，首先基于个体的速度序列采用te计算方法得到表征个体间的走行行为信息流向的传递熵。在探讨个体是主动(driving)还是响应(responding)角色随传递熵阈值变化的基础上，以主动角色走行参数为基准，将相关参数集成于社会力模型中，仿真走行行为；(3)基于走行场景的走行行为视频分析技术，根据研究目的制定测试内容，获取目标场景的控制性试验的时频数据，应用petrack、tracker等软件对行人流走行真实视频进行处理，或者设计行人检测与追踪算法，基于深度学习算法处理行人走行视频，由行人走行数据参数分析相应场景中行人流的行为特征，探讨走行/疏散效率影响机理。由于行人走行环境限制及行人安全隐私问题，许多场景下很难获取大规模、真实的行人流走行数据。

2、目前，针对行人流群体leader-follower结构的研究多集中于预先定义的个体角色，显然不适用个体没有强关联社会关系的slf群体行为的描述；面向群体探测个体角色辨识、探测及其行为特征的研究方兴未艾，将个体的走行过程表述为时间序列，由个体走行过程相应的时间序列的非线性和非对称性关系确定群体中不同个体的角色，由主导个体走行参数。深度学习、智能算法则需要大量真实数据进行训练、学习，而大规模、完整的行人流走行数据很难在现实场景中获取，小批量的数据也难以支撑有效的深度学习。因此，利用有限的数据探究群组走行过程中个体之间的相互影响机理，可以有效揭示群组走行过程的规律，为疏散/走行效率提高的措施制定提供理论依据。

3、目前，现有技术中的一种群体走行行为中的角色辨识方法的处理过程包括：

4、步骤1：基于个体速度计算其时间序列的传递熵。

5、将个体的走行行为通过相空间重构等操作转化为相应的时间序列，在此基础上将需要考察的时间序列设定一定的时滞，由速度参数的滞后性，进行相关时间序列对称性的计算，以此确定相关时间序列间的信息流向。

6、步骤2：确定群体中模型个体的主导和响应角色。

7、现有方法多预先定义个体的主导或响应角色，或者基于个体的速度变化计算其传递熵，确定其间行为信息的对称性，设定一定的传递熵阈值判定两个个体行为的主导和响应角色。

8、步骤3：根据个体角色调整社会力模型中的走行参数。

9、以主导角色个体走行行为参数为基准，对社会力模型中个体走行期望方向参数进行修正，在走行行为仿真过程中，个体的主导/响应角色可能相互转化。

10、上述现有技术中的群体走行行为中的角色辨识方法的缺点包括：

11、(1)预定义个体角色与实际走行过程中个体充当的角色不符，走行行为参数将造成较大的偏差；

12、(2)基于速度计算衡量个体行为不对称性的传递熵，速度应该表示为矢量的形式，而传递熵公式中计算的变量为标量；

13、(3)辨识群体角色的传递熵阈值设置依据研究者的主观和经验，对于群体中角色辨识差异性较大；

14、(4)行人流在走行过程中具有一定的随机性，传递熵值也随之波动，在场景中个体数量大和走行行为时间序列元素数量大时，辨识角色的工作量大且不准确。

技术实现思路

1、本发明的实施例提供了一种公共区域群体走行结构中角色辨识方法，以实现有效地提高公共场合中行人群体疏散效率。

2、为了实现上述目的，本发明采取了如下技术方案。

3、一种公共区域群体走行结构中角色辨识方法，包括：

4、根据获得的群体走行现场的视频数据，提取个体走行轨迹的像素坐标并转换为复平面坐标形式，将个体走行轨迹转换为时间序列的瞬态相位；

5、根据所述时间序列的瞬态相位计算出个体走行轨迹的时间序列的相位传递熵；

6、根据所述相位传递熵计算出个体角色的信息流向，辨识出个体角色的类型；

7、根据各个个体角色的类型构建自发群体走行结构中的群体走行模型，利用群体走行模型输出各个个体在整个群体走行过程中的走行轨迹。

8、优选地，所述的根据获得的群体走行现场的视频数据，提取个体走行轨迹的像素坐标并转换为复平面坐标，将个体走行轨迹转换为时间序列的瞬态相位，包括：

9、获得群体走行现场的视频数据，提取所述视频数据中个体走行轨迹的像素坐标，将提取的个体走行轨迹的像素坐标矢量(x,y)转换为复平面坐标，将像素坐标矢量(x,y)表示为复数的表示形式a+b·i，所述复数的表示形式包含尺度、角度和相位参数；

10、个体x的位置变化表示为如下的复数形式：

11、x(t+nδt)＝(a′(t)―a(t))+((b′(t)―b(t)))·i    (1)

12、其中，x(t+nδt)为经过nδt时间间隔个体位置的变化，a′(t)―a(t)为相应时间间隔复数表示的个体位置实部的变化，(b′(t)―b(t))为虚部的变化；

13、个体在时刻t位置变化的偏移角表示为：

14、

15、个体走行过程时间序列x(t)中的偏移角定义为瞬态的相位，将个体走行轨迹转换为时间序列的瞬态相位θ(t)。

16、优选地，所述的根据所述时间序列的瞬态相位计算出个体走行轨迹的时间序列的相位传递熵，包括：

17、基于个体的走行轨迹坐标和时间间隔，应用希尔伯特变换和角度获取函数根据走行速度幅值a(t)和瞬态相位θ(t)，计算得到个体在走行过程中的各个时间间隔的瞬态速度s(t)：

18、s(t)＝a(t)epx(iθ(t))                        (3)

19、其中，a(t)为走行速度包络幅值；

20、给定时滞δ，时间序列x→y相位传递熵ptex→y基于个体走行的瞬态相位由下式计算：

21、ptex→y＝h(θy(t),θy(t′))+h(θy(t′),θx(t′))―h(θy(t′))―h(θy(t),θy(t′),θy(t′))         (4)

22、上式中θy(t′)和θx(t′)为时刻t′＝t―δ个体y和x的相位状态，各个相位状态的联合熵和边际熵计算如下：

23、考虑2个随机变量x和y的联合分布p(x,y)＝prob(x＝x,y＝y)，则其联合熵和边际熵定义为，

24、h(θy(t),θy(t′))＝―∑p(θy(t),θy(t′))logp(θy(t),θy(t′))             (5)

25、h(θy(t′),θx(t′))＝―∑p(θy(t′),θx(t′))logp(θy(t′),θx(t′))          (6)

26、h(θy(t′))＝―∑p(θy(t′))log(θy(t′))  (7)

27、h(θy(t),θy(t′),θx(t′))＝―∑p(θy(t),θy(t′),θx(t′))logp(θy(t),θy(t′),θx(t′))    (8)

28、式中p(θy(t),θy(t'))，p(θy(t'),θx(t'))，p(θy(t'))，p(θy(t),θy(t'),θx(t'))分别为相应时间序列的概率分布，θx(t')和θy(t')分布是时间点t'＝t―δ个体y和x的相位状态，θx(t')＝θx(t―δ)，θy(t′)＝θy(t―δ)；

29、使用相位空间分箱法分别计算时间序列(θy(t),θy(t′))、θy(t′),θx(t′)、θy(t′)、p(θy(t),θy(t′),θx(t′))的概率分布，相关概率由状态空间分箱和试验折叠方法相结合的估计。根据scott’s choice，箱体宽度定义为，

30、

31、式中，hj表示为时间序列θ(j)(j＝y(t),y(t′))相位的箱体宽度，n为样本的数量，σj为方向性变量的标准差，每个箱体内数据量的概率由数据总量除以箱体的数量得到，

32、p(bi)＝n(bi)/n                  (10)

33、式中，bi＝1,2,…,ki

34、由于相位区间为[―π,π]，则时间序列θy(t)和θx(t′)的箱体数量为

35、k(j)＝2π/h(j)                   (11)

36、数据在箱体的概率值通过该箱体的数据量除以数据点总数得到，进行pte正则化得到：

37、

38、dptex→y值表示个体x行为状态信息到个体y行为状态信息，dpte的值在0和1之间，若0.5<dptex→y≤1，则主动信息由时间序列x流向时间序列y；dptex→y＝0.5，则时间序列x与时间序列y之间信息平衡；dptex→y<0.5，认为时间序列x受时间序列y的影响大于其对于时间序列y的影响。

39、优选地，所述的根据所述相位传递熵计算出个体角色的信息流向，辨识出个体角色的类型，包括：

40、设置每个走行场景中个体走行行为的联合熵和边际熵是随机的，将行人穿越场景的过程xk分为m个片段，用pl表示行人的角色类型，包括领导者、追随者或自主走行者，(xk,pl)为第k片段中l类型的角色，构建数据集{(xk,pk)|xk∈rm,m>0,pk∈{1,2,…,l},l≥2,k＝1,2,…,n}，m为样本空间的维度，l为个体的角色类型，基于该数据集计算得到每个类型角色个体的信息流向平均值f-score，每个片段中f-score定义为：

41、

42、式中，和分别为第i个走行片段中所有个体dpte和第j类角色dpte的均值，为第i片段中第j类个体的dpte值，的f-score值越大，表示该个体属于j类角色的可能性越大；

43、将f-score作为输入集成于极限学习机k-elm中，进行群体结构中个体角色的辨识。

44、优选地，所述的根据各个个体角色的类型构建自发群体走行结构中的群体走行模型，利用群体走行模型输出各个个体在整个群体走行过程中的走行轨迹，包括：

45、社会力模型sfm表示如下：

46、

47、式中，mi为个体质量，vi(t)为走行速度，为个体i的自驱力，fij为个体i和j之间相互作用力，fiw为个体i与墙壁之间作用力；

48、根据个体的不同角色，在sfm中添加领导者和跟随者之间的吸引力，计算领导者对于跟随者的影响力，将群体结构中个体角色辨识集成于sfm中，在sfm中添加领导者和跟随者之间的吸引力，表示如下：

49、

50、式中，为个体i指向领导者的单位方向矢量，τi为单位时间，表示当前速度变量，为领导力强度因子取值为dpte，βil,1表示领导者是否处于视野内的效用因子，为阶跃函数；

51、

52、βil,2为阶跃函数，表示领导者在视野中的偏移角度的效用因子；

53、

54、式中，δ为跟随者追随领导者的方向校正参数，默认值为βil,3为阶跃参数，表示跟随者与目标领导者之间的跟随强度因子；

55、

56、式中，ril为个体i与领导者半径之和，dil为二者距离；

57、跟随者的走行速度由力fij,fiw和fi,l的合力决定，跟随者的走行速度与其视野范围内领导者的位置，以及二者之间的距离相关，其位置与所受合力由下式表示，

58、

59、由上式进行个体位置的更新，改进sfm进行迭代，直至个体位置更新完毕仿真结束，输出各个个体在整个仿真走行过程的走行轨迹。

60、由上述本发明的实施例提供的技术方案可以看出，本发明方法适用于公共场合中群组行人走行特征及走行过程中个体行为演化机理的揭示，为目前公共场合中行人群体疏散效率的衡量、组走行行为仿真提供了新的有利工具。

61、本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。