基于Matlab GUI的大型公共活動擁擠踩踏事故風險預警及應用研究

郝豫

摘 要： 利用MATLAB GUI開發平臺設計具有圖形用戶界面的算法，用于分析和計算視頻中人群聚集可能導致的擁擠踩踏事故風險，采用基于互相關算法的速度特征提取方法，并使用速度方差等參數進行風險的表征，從而在時間和空間上對大型公共活動擁擠踩踏事故風險進行實時分析和事前預警。最后使用該算法對上海 “12·31”踩踏事故監控視頻進行實際運用，驗證了其適用性。該算法將為大型公共活動人群聚集的安全管理提供更加充分可靠的信息支撐，提升現有的大型公共活動安全管理水平。

關鍵詞： 大型公共活動； 擁擠踩踏事故； 風險分析； 事故預警

中圖分類號： TN98?34 文獻標識碼： A 文章編號： 1004?373X（2017）13?0110?04

Abstract： The Matlab GUI development platform is used to design the algorithm with graphical user interface to analyze and calculate the stampede accident risks caused by gathered crowds in the video. The velocity feature extraction method based on cross?correlation algorithm is adopted， and the parameter such as velocity variance is employed to represent the risk to analyze and warn the stampede accident risk of large public event in real time in the aspects of time and space. The algorithm is applied to the surveillance video of the stampede accident at December 31 in Shanghai， and its feasibility is proved. The algorithm will provide a solid information support for safety management in crowded places， and improve the existing safety management level of large public event.

Keywords： large public event； stampede accident； risk analysis； accident pre?warning

0 引 言

自21世紀以來，現代城市中人群聚集的公共場所已經屢見不鮮，一些承擔公共職能的場所諸如宗教場所、體育場館、公眾集會場所等，在各種大型活動中都面臨著參與人數眾多、風險因素復雜、社會影響廣泛、事故后果嚴重等潛在威脅。據統計，本世紀以來的150起重大擁擠踩踏事故中，已造成5 867人死亡，12 722人受傷，亞洲成為這類事故的高發地區[1]。大型公共活動人群密集場所發生的這類擁擠踩踏事故，具有比較突出的幾個特點，即誘發原因復雜、突發性、難以控制性、易造成群死群傷[2]，這也使得針對擁擠踩踏事故的防范與研究成為目前人口增長迅速且管理相對落后的發展中國家極為迫切的需求。

目前，基于智能視頻分析的方法不僅被用于科學研究中，而且還被實際運用到密集人群的安全管理中，對于動態場景的視覺監控技術已經逐步成熟，有很強的適用性和可信度[3]，已衍生出一系列的智能視頻監控系統。例如，W4系統可以用來在室外環境中檢測和跟蹤人群，并監控人的異常行為[4]；Pfinder系統可以對室內的個體進行三維重建，并在復雜場景中追蹤個體[5]；卡內基梅隆大學研發的系統可以通過聯網的多個攝像頭監控大場景下的人群活動，完成復雜場景下長時間對多個運動目標的檢測跟蹤[6]。但是，這類監控系統基本都是采用基于對個體的監控和分析，而在人群大量聚集場景下，人體相互擁擠在一起時，移動就是一種群體行為，而個體作用基本已經失去[7]，所以檢測個體很難真實反映密集人群的運動趨勢，且在出現遮擋時，這種檢測和跟蹤的誤差也會增大。最重要的是原有系統沒有涉及到大型公共活動人群聚集發生擁擠踩踏的內在機理，無法真實準確地給出風險預警信息。

為了對大型公共活動人群聚集場景下可能發生的擁擠踩踏事故進行實時的風險分析，服務于大型公共活動人群的安全管理，本文設計了一種可用于分析擁擠踩踏事故風險的軟件算法，采用一種基于互相關原理的圖像處理技術提取人群運動的速度場[8]，并利用文獻[9]提出的風險表征方法對提取的人群運動速度場信息進行風險量化，通過Matlab GUI平臺設計的人機交互圖形化用戶界面允許用戶對導入的視頻進行同步的風險分析。

1 算法設計

1.1 Matlab GUI平臺

Matlab GUI是一種功能強大的可擴展系統開發平臺，它提供了GUIDE開發環境，可以方便進行人機交互圖形化用戶界面的設計及相應功能模塊的開發。本文利用該開發環境設計了具有圖形化用戶界面的算法軟件，可以用來對監控視頻進行風險分析和計算。

1.2 運行流程

算法的運行流程如圖1所示，用戶需要提前將視頻窗口的空間參數坐標輸入到界面中，軟件則會按照運行流程自行分析導入視頻中人群運動的實時風險，并與視頻同步呈現給用戶。

1.3 速度場提取算法

傳統的基于視頻分析的速度提取算法主要采用個體運動檢測并跟蹤其軌跡線的方法，已在人群分析領域中形成了諸多應用算法[10]。也有學者利用基于聚類低層次的粒子軌跡的方法[11]和簡化速度場的方法來提取人群的主流運動信息，但都不甚準確，尤其在人群數量顯著增加的情況下，以上方法的適用性都面臨著巨大的挑戰，運算效率也急劇下降。

因此，本文采用基于互相關算法的速度場提取算法[12?13]，該方法的過程如下：

（1） 將每幀圖片分成更小的診斷窗口，并將診斷窗口的中心定義為計算點；

（2） 利用快速傅里葉變換將原始圖像從時域轉換到頻域；

（3） 在頻域中，對連續兩幀圖像中相同位置的兩個診斷窗口進行互相關計算，再對上述結果進行快速傅里葉逆變換；

（4） 峰值偏移原點的位移即是像素空間中窗口的位移，為了得到真實物理空間的位移，還需進行正交投影變換。該位移值與連續兩幀的時間間隔相除即可得到該計算點的速度值，也就是該診斷窗口的平均速度。

1.4 風險表征方法

國內外很多研究人員都試圖通過分析真實擁擠踩踏事故中獲取的視頻資料來研究踩踏事故發生的內在機理，分析事故發生前后人群運動狀態和運動特征參量的動態變化過程，以此得到可以量化擁擠踩踏事故風險的參數及閾值。最有代表性的就是Helbing提出的“人群壓力”的概念，并用于量化2006年麥加朝圣踩踏事故中風險的變化過程，可以為擁擠踩踏事故進行事前預警。其計算公式為：

其中速度方差按下式計算：

式中為時間內的平均速度場。

本文設計的算法一方面可以利用提取的速度場信息繪制實時速度矢量圖與流線圖，用于觀察人群整體的運動狀態；同時計算場景內人群的平均速度隨時間的變化曲線圖，觀察速度是否出現驟增驟減情況；而后利用一段時間內的平均速度計算實時的速度方差空間分布，并以此來表征風險的時空分布特征。需要注意的是，在Helbing等人的計算中，均使用整個時間段內的速度信息計算平均速度場，但這不能滿足實際應用中實時性的需求，因而本文的軟件設計中采用如圖2所示的方法，即先提取一個時間段內的速度場信息，計算其平均速度場，然后利用該平均速度場計算下一個時間段內的實時速度方差空間分布；最后再繪制速度方差隨時間的變化曲線，用于判斷風險隨時間的變化情況，當出現突然增大并超過臨界閾值時，意味著可能出現擁擠踩踏事故。

另一方面，為了降低實時信息中出現的無規律干擾，還需要取固定時間間隔對速度場進行平均?？梢岳L制平均速度矢量圖和矢量流線圖，觀察人群整體在一定時間范圍內的運動狀態；同時，繪制速度大小分布直方圖，用于觀察速度大小分布狀態，判斷人群運動是否處于層流、走停波等特殊階段；另外，繪制速度方向分布圖，用于觀察人群運動方向的分布狀態，判斷人群運動是否處于單向流、雙向流或者無主運動方向的雜亂狀態；最后就是繪制平均速度方差空間分布圖，需要計算一段時間內整體的平均速度場，然后利用式（3）計算每一時刻的速度方差空間分布矩陣，進而得到平均速度方差空間分布矩陣，它可以更加準確、全面地描述人群整體運動在一定時間范圍內積累導致的風險分布情況。

2 案例應用

2.1 視頻源

本文利用上?！?2.31”陳毅外灘廣場發生踩踏事故時的監控視頻對算法進行驗證，監控點位于陳毅廣場南，時間為2014年12月31日，其幀速率為25 f/s，像素為704×576，截取其中時間為23：31：18—23：35：32共計254 s進行分析。

從監控視頻中可以觀察到，該場景為觀景平臺樓梯處，在23：35：05，即截取視頻中第227 s左右有人在樓梯底端受壓摔倒，后續發生擁擠踩踏事故。

2.2 參數輸入

為了對監控視頻中的場景進行投影變換，獲得真實空間的位移及速度場信息，軟件要求用戶依次輸入場景的空間坐標參數。參數輸入過程需保證空間位置坐標點與像素坐標點相對應，軟件還允許用戶通過圖片的方式進行檢查，更加直觀地將實際位置與像素點對應顯示，便于校對。

2.3 風險計算

首先利用空間坐標參數計算投影變換矩陣，同時得到速度場中每個點在像素場及實際空間中的橫坐標、縱坐標矩陣，并將上述信息保存在后綴為.mat的文件中并添加到GUI的handles變量中。之后，每間隔1 s取兩幀圖像計算一個實時速度場，這兩幀圖像需為前后間隔0.2 s的兩幀連續圖像。計算得到的速度場信息包括像素場中方向的速度矩陣，實際空間中方向的速度矩陣，實際速度標量矩陣及該時刻的空間平均速度值，以上信息將被保存到以該幀圖像序號命名的后綴為.mat的文件中，代表該時刻的實時速度場信息。另外，有關計算實時速度方差的過程將按照上文所述的方法進行，得到的實際平均速度在方向的速度矩陣，實時速度方差矩陣，方差最大值及空間平均方差值等信息也同樣被保存到一個后綴為.mat的文件中。最后，軟件將調用以上所有.mat文件中的數據，繪制成各種分析結果，供用戶實時觀察和判斷人群聚集帶來的風險及其分布狀態。

2.4 結果分析

通過分析計算，可以得到如圖3所示的平均速度矢量圖，它們分別代表發生事故前75～100 s，50～75 s，25～50 s及0～25 s之間速度矢量場的平均結果?？梢园l現，由于極度擁擠，人群運動的速度本身并不大，但是個體已經失去了自我控制的能力而不得不跟隨整體人群涌動，因而速度方向比較雜亂，且速度出現明顯的分區現象，即一定區域的人群速度較大，而其相鄰區域的人群卻并未發生運動。在人群運動過程中，事故前0～25 s內人群運動的速度突然增大，如圖3（d）所示，這對擁擠人群而言是極度危險的誘因，而踩踏事故也正是在該時間段后隨即發生。

圖4為整體視頻時間范圍內的速度大小分布圖，圖5為整體視頻時間范圍內的速度方向分布圖，總體而言，人群移動的速度較為緩慢，涌動的方向是隨機的，因而各個運動方向都存在，難以保證運動方向的一致性，容易使得人群出現混亂。從視頻中可以觀察到在事故發生前的一段時間內，觀景平臺上的人流基本處于向左運動的狀態，而后突然改變運動方向，發生急速地向右運動，這直接誘發了踩踏事故。

以上分析結果可以幫助管理者從多個角度識別可能臨近的風險，但基本屬于定性判斷，需要結合現有知識經驗。因而軟件還提供了從時間和空間上更加直觀的風險分析結果。

從預估事故發生的位置角度來看，圖6為視頻中210～235 s，即共計25 s內平均速度方差的空間分布圖，事故發生在227 s。顏色較深的區域意味著風險越高，可以發現圖中較為明顯的高風險區域與實際發生踩踏事故的位置基本相互吻合，可以大致預估發生事故的具體區域，如圖6（a），圖6（b）所示。如果按照平均速度方差的空間分布進行風險分級，則可以將人群運動的狀態描述為稀疏、正常、擁擠、危險等4個等級，分別對應不同的速度方差區間，如圖6（c）所示，相比于從速度大小的角度做出的人群運動狀態分級，速度方差更利于對人群聚集狀態做出區分，為啟動應急預案進行應急處置提供更加可靠的依據。

3 結 論

針對人群聚集場所可能發生的擁擠踩踏事故，安全管理面臨著重大的實際困難和挑戰。本文為幫助管理部門更好地識別和分析人群聚集所帶來的擁擠踩踏事故風險，進行了相關的算法及軟件設計。利用Matlab GUI軟件開發平臺設計了較為友好的圖形用戶界面，采用基于互相關算法的速度場提取方法，并對提取到的速度場及速度方差等參數進行定量計算，同時從時間和空間上對人群聚集場景可能發生的擁擠踩踏事故風險進行分析。并利用該算法對上海“12.31”踩踏事故視頻資料進行驗證，得到了一致的結果，證明該算法具有一定的適用性。

但是，也需要認識到，由于對擁擠踩踏事故發生機理的認識不深，在風險計算和分析時所采用的方法還有一定的局限性，并不能適用所有情景；另外，在事故前的監測階段，相應風險表征參數的閾值十分關鍵，既要減少誤報還要避免漏報的發生，需要進一步研究方能更好地應用于人群聚集場所的人群安全管理，為事故預警和事中處置提供準確的信息支撐。

參考文獻

[1] 周進科，劉翠萍，靳鳳彬，等.擁擠踩踏事件傷亡情況和發生原因分析[J].中華災害救援醫學，2015，3（2）：67?71.

[2] 張慧，吳愛枝，張鑫，等.城市公共場所擁擠踩踏事故的應對[J].安全，2015（6）：16?18.

[3] HARITAOGLU I， HARWOOD D， DAVIS L S. W4： real?time surveillance of people and their activities [J]. IEEE transactions on pattern analysis and machine intelligence， 2000， 22（8）： 809? 830.

[4] WREN C R， AZARBAYEJANI A， DARRELL T， et al. Pfinder： real?time tracking of the human body [J]. IEEE transactions on pattern analysis and machine intelligence， 1997， 19（7）： 780?785.

[5] LIPTON A J， FUJIYOSHI H， PATIL R S. Moving target classification and tracking from real?time video [C]// Proceedings of the Fourth IEEE Workshop on Applications of Computer Vision. New Jersey： IEEE， 1998： 8?14.

[6] HELBING D， JOHANSSON A， AL?ABIDEEN H Z. Crowd turbulence： the physics of crowd disasters [C]// Proceedings of 2007 the Fifth International Conference on Nonlinear Mechanics. Shanghai， China： arXiv， 2007： 967?969.

[7] 翁文國，廖光煊，王喜世.基于互相關的DPIV圖像診斷方法研究[J].實驗力學，1999，14（3）：323?329.

[8] HELBING D， JOHANSSON A， AL?ABIDEEN H Z. Dynamics of crowd disasters： an empirical study [J]. Physical review E， 2007， 75（4）： 1?7.

[9] 林秀娜，曲保安，陳傳華，等.基于Matlab GUI的數據格式標準化軟件設計[J].電腦知識與技術，2015，11（1）：63?65.

[10] ZHAN B B， MONEKOSSO D N， REMAGNINO P， et al. Crowd analysis： a survey [J]. Machine vision and applications， 2008， 19（5/6）： 345?357.

[11] 章東平，童超，蘆亞飛.基于粒子視頻的高密度人群主流運動檢測[J].電子技術應用，2012，38（4）：123?125.

[12] 李楠，張志敏.基于速度場簡化的人群行為分析[J].高技術通訊，2012，22（5）：490?496.

[13] ZHANG Xiaole， WENG Wenguo， YUAN Hongyong. Empirical study of crowd behavior during a real mass event [J]. Journal of statistical mechanics： theory and experiment， 2012（8）： 8?18.