摘 要：近年來(lái)高密度人群聚集活動(dòng)經(jīng)常因?yàn)槿狈皶r(shí)有效的管理而導(dǎo)致安全事故頻頻發(fā)生，人群活動(dòng)的應(yīng)急管理、風(fēng)險(xiǎn)評(píng)估、隱患識(shí)別越來(lái)越受到重視。鑒于系留無(wú)人機(jī)的自由靈活性，其可長(zhǎng)時(shí)間、全方位監(jiān)測(cè)密集人群，將監(jiān)測(cè)數(shù)據(jù)傳入深度學(xué)習(xí)的卷積模型中，計(jì)算人群密度等指標(biāo)，并驗(yàn)證實(shí)驗(yàn)結(jié)果的可行性，將預(yù)警信息、風(fēng)險(xiǎn)點(diǎn)數(shù)據(jù)推送至相關(guān)管理單位，形成監(jiān)測(cè)信息、預(yù)警信息、對(duì)應(yīng)措施信息化安全管理系統(tǒng)，為安全管理部門(mén)提供幫助。

　　關(guān)鍵詞：城市安全;高密度人群;系留無(wú)人機(jī);深度學(xué)習(xí);場(chǎng)景分析;卷積模型

　　《新疆財(cái)經(jīng)大學(xué)學(xué)報(bào)》(季刊)2001年創(chuàng)刊。本刊為綜合性學(xué)術(shù)期刊，堅(jiān)持社會(huì)主義辦刊方向，堅(jiān)持質(zhì)量及時(shí)的原則，立足新疆，面向全國(guó)，以“求實(shí)、創(chuàng)新、科學(xué)、民主”為辦刊方針，注重文章選題的現(xiàn)實(shí)性、學(xué)術(shù)性、前瞻性和創(chuàng)造性，注重多學(xué)科多方位的綜合研究和超前研究。榮獲2004年獲“編輯質(zhì)量獎(jiǎng)”、“主編(社長(zhǎng))獎(jiǎng);第四屆”新疆社科期刊獎(jiǎng);;第五屆“新疆社科獎(jiǎng)”。

　　0 引 言

　　當(dāng)今國(guó)民經(jīng)濟(jì)快速發(fā)展，人們的物質(zhì)生活和精神生活大幅提升，節(jié)假日旅游、明星演唱會(huì)、城市各大廣場(chǎng)商場(chǎng)、地鐵站、火車站等大型人群活動(dòng)越來(lái)越多，急劇發(fā)展的同時(shí)也帶來(lái)了城市的安全問(wèn)題。群眾的聚集性活動(dòng)具有秩序混亂、容易恐慌、擁擠度高、管理困難等特點(diǎn)，比較容易發(fā)生意外，比如踩踏性事件、重大傷亡事件、財(cái)產(chǎn)丟失事件等[1]。近年來(lái)，我國(guó)頻頻發(fā)生大型人群活動(dòng)惡性事件，2004年2月5日在北京市密云縣密虹公園舉辦的密云縣第二屆迎春燈展中，因?yàn)橛稳嗽诠珗@橋上跌倒，引起身后游人擁擠，造成踩死、擠傷游人的特大惡性事故，事故造成37人死亡、37人受傷;2007年11月，重慶一家樂(lè)福超市因食用油打折促銷引發(fā)踩踏事故，造成3人死亡，31人受傷;2014年12月31日上海外灘陳毅廣場(chǎng)發(fā)生踩踏性事件，造成36人死亡，49人受傷[2]。若能實(shí)時(shí)監(jiān)測(cè)每個(gè)場(chǎng)景中的人群密度、擁擠度、人群流向、人群異常行為等指標(biāo)，然后根據(jù)實(shí)時(shí)監(jiān)測(cè)指標(biāo)采取相對(duì)應(yīng)的安保措施和實(shí)行不同等級(jí)的緊急預(yù)案，就能及時(shí)避免或者減少此類事件的發(fā)生。

　　傳統(tǒng)的人群計(jì)數(shù)研究方法分為兩種：第一種是基于檢測(cè)的方法，使用一個(gè)滑動(dòng)窗口檢測(cè)器來(lái)檢測(cè)場(chǎng)景中的人群，并統(tǒng)計(jì)對(duì)應(yīng)人數(shù);第二種是基于回歸的方法，該方法通過(guò)提取一些低級(jí)特征學(xué)習(xí)一個(gè)人群計(jì)數(shù)的回歸模型，但很難處理人群之間嚴(yán)重遮擋的問(wèn)題[3]。隨著深度學(xué)習(xí)計(jì)算機(jī)視覺(jué)技術(shù)的發(fā)展，卷積模型處理視頻數(shù)據(jù)的效果顯著，同樣也被應(yīng)用于人群計(jì)數(shù)的研究中。因?yàn)榫矸e神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的特征學(xué)習(xí)能力，可以解決遮擋、視角等問(wèn)題，所以深度學(xué)習(xí)在人群計(jì)數(shù)數(shù)據(jù)集和卷積神經(jīng)網(wǎng)絡(luò)模型等方面表現(xiàn)良好。

　　1 系留無(wú)人機(jī)監(jiān)測(cè)系統(tǒng)

　　系留無(wú)人機(jī)近年來(lái)已被廣泛應(yīng)用在應(yīng)急搶險(xiǎn)工作中，國(guó)內(nèi)外很多公司對(duì)系留無(wú)人機(jī)的相關(guān)設(shè)備有了成熟的研究并不斷完善，在起飛、懸停高度、載荷等方面也進(jìn)行了不斷探索[4]。系留無(wú)人機(jī)通過(guò)系留電纜連接系留控制箱，系留控制箱與地面電源連接，具有續(xù)航時(shí)間長(zhǎng)、穩(wěn)定性高、精度高、成本低、拍攝范圍廣、實(shí)時(shí)監(jiān)測(cè)等特點(diǎn)。系留無(wú)人機(jī)可以搭載高清廣角相機(jī)、紅外相機(jī)、雷達(dá)傳感器等監(jiān)測(cè)工具，采集的高質(zhì)量視頻圖像通過(guò)HDMI接口傳入電腦，視頻數(shù)據(jù)經(jīng)計(jì)算處理得出監(jiān)控場(chǎng)景中的人群數(shù)量等指標(biāo)，傳輸?shù)街笓]中心進(jìn)行判斷，對(duì)人群疏導(dǎo)、安全事故、風(fēng)險(xiǎn)評(píng)估起預(yù)測(cè)作用，可節(jié)約人力，提高效率。系留無(wú)人機(jī)監(jiān)測(cè)平臺(tái)方案示意如圖1所示。

　　2 基于深度學(xué)習(xí)的監(jiān)測(cè)數(shù)據(jù)處理方法

　　深度學(xué)習(xí)的基本工作原理如圖2所示。圖像輸入設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)提取特征通過(guò)權(quán)重值輸出預(yù)測(cè)值，一一對(duì)應(yīng)的預(yù)測(cè)值與真實(shí)值利用損失函數(shù)判斷之間的差異，作為反饋信號(hào)權(quán)重進(jìn)行微調(diào)，在調(diào)節(jié)過(guò)程中使用優(yōu)化器來(lái)完成，最終經(jīng)過(guò)數(shù)次迭代使模型達(dá)到最小的損失值，訓(xùn)練結(jié)束，保存權(quán)重。

　　數(shù)據(jù)來(lái)源于公開(kāi)的shanghai-tech數(shù)據(jù)集(1 100張圖片)和自己拍攝的大型活動(dòng)場(chǎng)景圖片(900張)，所有圖片數(shù)據(jù)均需經(jīng)過(guò)標(biāo)準(zhǔn)化處理。將高密度人群圖像和稀疏人群圖像整合后，訓(xùn)練一個(gè)適用于普遍場(chǎng)景下的人群計(jì)數(shù)模型。數(shù)據(jù)標(biāo)記過(guò)程是把每一張圖像中的頭部標(biāo)注成稀疏矩陣，再通過(guò)高斯濾波轉(zhuǎn)換成2D密度圖，密度圖中所有單元格的總和為圖像中的實(shí)際人數(shù)，經(jīng)數(shù)據(jù)預(yù)處理后生成一一對(duì)應(yīng)的數(shù)據(jù)標(biāo)簽圖像[5-6]。其中1 400張為訓(xùn)練圖像，600張為測(cè)試和驗(yàn)證圖像。

　　2.1 網(wǎng)絡(luò)結(jié)構(gòu)

　　本文通過(guò)兩類卷積神經(jīng)網(wǎng)絡(luò)模型計(jì)算人群指標(biāo)并驗(yàn)證深度學(xué)習(xí)的準(zhǔn)確率。一類是基于卷積+空洞卷積的CNN模型，其前端利用預(yù)訓(xùn)練的VGG16網(wǎng)絡(luò)前的十層卷積層和三層池化層，每次卷積采用補(bǔ)0操作，保持輸出的圖像大小不變，最大池化步幅為2，圖像輸入網(wǎng)絡(luò)中，經(jīng)過(guò)4次卷積和3次池化后，輸出圖像尺寸變?yōu)橹暗?/8，圖像變小后生成密度圖比較困難，所以后端加上六層空洞卷積(Dilated Convolution)，設(shè)置膨脹率為2[7-8]，其網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

　　另一類是基于多尺度的編碼-解碼(Encoder-Decoder)網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)的編碼部分使用多尺度卷積結(jié)構(gòu)，通過(guò)不同大小的卷積核可以很好地學(xué)習(xí)不同尺度的人群特征，使模型的泛化能力更強(qiáng)。本次研究設(shè)計(jì)了4種不同尺度的卷積核，串聯(lián)輸出，采用最大池化，每次池化圖像變?yōu)橹暗?/p>

　　1/2[9-10]。網(wǎng)絡(luò)解碼部分使用卷積和三層轉(zhuǎn)置卷積得到最終的人群密度圖，網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

　　2.2 損失函數(shù)

　　(1)基于CSRNet的損失函數(shù)采用歐式距離來(lái)計(jì)算標(biāo)簽圖像的真值和預(yù)測(cè)密度圖之間的差異[11]，計(jì)算過(guò)程如下：

　　式中：N為訓(xùn)練樣本的數(shù)量;Z(Xi; θ)為輸入第i個(gè)樣本的預(yù)測(cè)密度;ZiGT為第i個(gè)樣本的真實(shí)密度;L(θ)代表密度損失。

　　(2)基于SANet的損失函數(shù)采用SSIM和歐氏距離的結(jié)合來(lái)計(jì)算密度圖與真實(shí)值之間的相似性[9]，計(jì)算過(guò)程如下：

　　式中：N代表樣本的數(shù)量;C1和C2代表常數(shù);μF為樣本F的均值;μY為樣本Y的均值;σF為樣本F的方差;σY為樣本Y的方差;σFY為樣本Y，F(xiàn)的協(xié)方差;SSIM衡量真實(shí)值與密度圖之間的一致性;LC代表圖片的一致性損失;Lθ代表歐式距離的密度損失;LOSS代表總的密度損失。