基于图像增强的城市应急避难拥挤风险评估方法及系统与流程

本发明涉及图像处理，具体是指基于图像增强的城市应急避难拥挤风险评估方法及系统。

背景技术：

1、城市应急避难拥挤风险评估方法是基于实时和历史数据的综合分析技术，用于识别城市应急避难场所内的人群分布状态，并通过对人群密集程度、场地条件和潜在风险区域的动态分析，评估场所内可能存在的拥挤风险，进而为疏散和管理提供决策支持。但是一般城市应急避难拥挤风险评估方法存在仅依赖实时图像，受光照和噪声影响明显，忽略重要的拥挤区域细节，进而导致拥挤风险评估结果准确性差的问题；一般城市应急避难拥挤风险评估方法存在难以适应密集区域和分散区域的特征变化，捕捉密集到稀疏过渡的人群分布特征，进而导致拥挤风险评估效果差的问题。

技术实现思路

1、针对上述情况，为克服现有技术的缺陷，本发明提供了基于图像增强的城市应急避难拥挤风险评估方法及系统，针对一般城市应急避难拥挤风险评估方法存在仅依赖实时图像，受光照和噪声影响明显，忽略重要的拥挤区域细节，进而导致拥挤风险评估结果准确性差的问题，本方案引入全局-局部动态权重，平衡特征提取优先级，兼顾密集区域的纹理信息与整体场地布局；通过特征一致性约束，优化实时与历史数据特征的融合，消除噪声干扰；基于动态区域权重构建损失，对城市应急避难图像进行优化；进而提高拥挤风险评估结果的准确性；针对一般城市应急避难拥挤风险评估方法存在难以适应密集区域和分散区域的特征变化，捕捉密集到稀疏过渡的人群分布特征，进而导致拥挤风险评估效果差的问题，本方案引入动态区域感知权重，通过软注意力机制生成权重，聚焦人群密集分布中心，同时抑制空旷区域的无效特征；使用密度感知权重融合多尺度膨胀卷积特征，实现精细的密集区域边界分割；并基于动态区域权重和历史相关性对实时城市应急避难图像进行风险评估；进而提高拥挤风险评估效果。

2、本发明采取的技术方案如下：本发明提供的基于图像增强的城市应急避难拥挤风险评估方法，该方法包括以下步骤：

3、步骤s1：图像采集；

4、步骤s2：图像增强；

5、步骤s3：风险评估。

6、进一步地，在步骤s1中，所述图像采集是采集实时城市应急避难图像和对应的历史城市应急避难图像，并标记高风险区域，对采集的实时图像和历史图像进行动态加权融合，以适应光照条件和噪声水平；表示为：；；其中，是输入的图像；是环境感知权重；和分别是实时城市应急避难图像和历史城市应急避难图像；brightness是图像亮度；noiselevel是噪声水平；是sigmoid激活函数；mlp(·)是多层感知机。

7、进一步地，在步骤s2中，所述图像增强具体包括以下步骤：

8、步骤s21：动态特征提取；具体为：浅层特征提取，输入图像通过卷积层提取浅层特征，表示为：；基于全局空间通道注意力，突出图像中重要的拥挤区域，抑制无关背景特征；基于环境特征生成动态全局-局部权重，分别控制布局信息的全局特征和拥挤区域细节的局部特征的提取优先级；全局与局部动态加权表示为：；；；；空间注意力权重计算表示为：；得到加权输出，表示为：；通过非局部特征组合，结合拥挤区域的全局和局部特征；特征级联表示为：；非局部加权特征计算表示：；；其中，是3×3的卷积核；和分别是全局特征图和局部特征图；和分别是全局特征权重和局部特征权重；area是场地面积；density是人群密集度；是1×1的卷积核；是全局平均池化；是逐元素相乘操作；是级联后的特征图；是特征级联操作；w是非局部特征权重矩阵；、和分别是特征压缩、特征降维和特征变换；是矩阵乘法操作；是归一化操作；是最终的非局部特征图；

9、步骤s22：特征域增强；具体为：动态提取图像中拥挤区域的多尺度上下文特征，引入动态上下文特征提取权重，引入特征一致性约束；动态提取表示为：；特征一致性约束表示为：；特征域去噪，在特征域内增强图像清晰度并去除低质量区域的伪影；特征融合，表示为：；；跳跃连接优化，表示为：；其中，是下采样操作；是分组卷积操作；是l2范数的平方；是融合后的特征图；是最终优化的特征输出；和分别是编码器和解码器提取的特征；是约束系数；是约束权重；

10、步骤s23：特征融合；具体为：生成动态显著性权重，表示为：；显著区域融合，表示为：；其中，scm(·)是显著性特征模块；是融合后的显著特征图；γ是尺度因子；β是偏移因子；和分别是经过显著性加权后的非局部特征和上下文特征的映射；

11、步骤s24：损失函数设计；具体为：定义结构相似性，表示为：；引入动态区域权重，构建最终损失，表示为：；；其中，x和分别是真实场景图像和生成的增强图像；和分别是x和的均值；和分别是x和的标准差；是协方差；c1、c2和c3是常量；和是损失权重；和分别是高密集区域和低密集区域的特征。

12、进一步地，在步骤s3中，所述风险评估具体包括以下步骤：

13、步骤s31：特征提取；用膨胀卷积捕捉避难场所内广范围的人群分布和全局背景特征，并引入动态上下文感知权重，表示为：；将动态特征和膨胀卷积特征进行融合，表示为：；；其中，是膨胀卷积特征；是膨胀卷积操作；是膨胀率；是融合后的多特征图；

14、步骤s32：显著区域增强；具体为：通过软注意力机制生成权重，突出关键区域，并基于动态区域感知权重突出避难场所中的密集人群中心；表示为：；注意力加权表示为：；其中，是注意力权重矩阵；是矩阵乘法操作；是加权后的显著区域特征；

15、步骤s33：分割解码；具体为：使用密度感知权重控制多尺度膨胀卷积的融合，表示为：；解码模块中结合多卷积操作，表示为：；多尺度解码特征融合，表示为：；其中，是融合多尺度膨胀卷积的特征图；是密度阈值；是固定中值权重；是分割解码特征；是7×1的卷积核；是11×1的卷积核；是最终的融合分割特征图；是上采样操作；

16、步骤s34：风险区域提取；识别避难场所中的高风险区域，提取位置和边界，根据人群密集程度进行分级；具体为：使用分割结果生成风险区域的坐标，表示为：；其中，是高风险区域的像素坐标集合；(x1,y1)是图像的像素位置；是密度值；brightness是亮度水平；

17、步骤s35：风险评分；根据密集区域的人群密度和面积，计算图像的风险评分，并引入动态区域权重调整风险评分优先级；划分风险评分范围，若，则划分为低风险；，则划分为中风险；若，则划分为高风险；进而得到城市应急避难拥挤风险评估等级；风险评分表示为：

18、；；；；其中，n和m分别是实时图像和历史图像高风险区域的数量，i是高风险区域索引；是面积；是历史风险评分；是图像的第i个高风险区域；和分别是历史相关性和实时相关性；是历史数据与当前数据之间的特征距离；和是风险评分阈值。

19、本发明提供的基于图像增强的城市应急避难拥挤风险评估系统，包括图像采集模块、图像增强模块和风险评估模块；

20、所述图像采集模块采集实时城市应急避难图像和对应的历史城市应急避难图像，并将数据发送至图像增强模块；

21、所述图像增强模块通过动态特征提取、多阶段特征域增强和显著区域融合，强化图像的清晰度和细节保留，突出拥挤区域的重要特征；并将数据发送至风险评估模块；

22、所述风险评估模块利用多尺度特征提取和动态注意力机制，实现密集区域的精细分割和高风险区域的精准识别。

23、采用上述方案本发明取得的有益效果如下：

24、（1）针对一般城市应急避难拥挤风险评估方法存在仅依赖实时图像，受光照和噪声影响明显，忽略重要的拥挤区域细节，进而导致拥挤风险评估结果准确性差的问题，本方案引入全局-局部动态权重，平衡特征提取优先级，兼顾密集区域的纹理信息与整体场地布局；通过特征一致性约束，优化实时与历史数据特征的融合，消除噪声干扰；基于动态区域权重构建损失，对城市应急避难图像进行优化；进而提高拥挤风险评估结果的准确性。

25、（2）针对一般城市应急避难拥挤风险评估方法存在难以适应密集区域和分散区域的特征变化，捕捉密集到稀疏过渡的人群分布特征，进而导致拥挤风险评估效果差的问题，本方案引入动态区域感知权重，通过软注意力机制生成权重，聚焦人群密集分布中心，同时抑制空旷区域的无效特征；使用密度感知权重融合多尺度膨胀卷积特征，实现精细的密集区域边界分割；并基于动态区域权重和历史相关性对实时城市应急避难图像进行风险评估；进而提高拥挤风险评估效果。