1.基于残差网络的人群疏散仿真方法,其特征是,包括:获取待进行人群疏散仿真的视频;从待进行人群疏散仿真的视频中,提取实际的群体内聚性特征和实际的群体集群性特征;
基于实际的群体内聚性特征,将待进行人群疏散仿真的视频中的人群划分为若干个实际群组;
针对每个实际群组,将当前实际群组中每个实际个体的运动特征和实际的群体集群性特征作为训练好的残差网络的输入值,训练好的残差网络输出当前实际个体下一时间步的预测速度;
根据当前实际个体下一时间步的预测速度,生成人群疏散的仿真动画,对人群运动疏散速度进行引导。
2.如权利要求1所述的方法,其特征是,训练好的残差网络的训练过程,包括:S31:构建残差网络;基于历史真实视频提取训练用群体内聚性特征和训练用群体集群性特征;
S32:基于训练用群体内聚性特征,将历史真实视频中的人群划分为若干个训练群组;
S33:针对每个训练群组,将当前训练群组中每个训练个体的运动特征和训练用群体集群性特征作为残差网络的输入值,将当前训练群组中当前训练个体的下一时间步的速度作为残差网络的输出值,对残差网络进行训练,得到训练好的残差网络。
3.如权利要求1所述的方法,其特征是,实际的群体内聚性特征,等于任意两个个体间的位置相似性、速度大小相似性和运动方向相似性的三者加权求和。
4.如权利要求1所述的方法,其特征是,实际的群体集群性特征的获取步骤,包括:S11:基于个体位置集合Pi,对于个体i,将个体i与其邻居连接成图;个体i的邻居是指距离个体i最近的四个其他个体;
S12:根据广度优先搜索算法选择个体i和其余个体间的最短路径,并将个体i和其余个体间的最短路径存于路径集合W中;
S13:根据路径集合W和个体的当前速度集Vt,计算所有个体对个体i的集群性影响值;输出 的值。
5.如权利要求1所述的方法,其特征是,基于实际的群体内聚性特征,将待进行人群疏散仿真的视频中的人群划分为若干个实际群组;具体步骤包括:判断相邻个体的实际的群体内聚性特征的特征值是否大于等于设定阈值,如果大于等于设定阈值,则表示当前相邻个体属于同一个实际群组;否则,表示当前相邻个体不属于同一个实际群组。
6.如权利要求1所述的方法,其特征是,每个实际个体的运动特征,具体包括:目标个体当前运动特征的水平速度和垂直速度、目标个体与障碍物的相对水平距离和相对垂直距离、目标个体与最终目标的相对水平距离和相对垂直距离、目标个体所在的群体对当前个体i的集群性影响 和场景内的所有个体对目标个体的影响力f。
7.如权利要求2所述的方法,其特征是,构建残差网络,所述残差网络的结构,包括依次连接的:输入层,用于特征数据的输入;
第一卷积层,使用卷积核进行特征提取和特征映射;
第一批归一化层:用于在网络中对特征归一化,加速训练和优化结果;
第一残差模块,用于缓解梯度消失;
第二残差模块,用于缓解梯度消失;
全连接层,通常在网络的尾部进行重新拟合,减少特征信息的损失;
输出层,用于输出结果;
其中,第一残差模块,包括:
第二卷积层,使用卷积核进行特征提取和特征映射;
第二批归一化层,用于在网络中对特征归一化,加速训练和优化结果;
第三卷积层,使用卷积核进行特征提取和特征映射;
第三批归一化层,用于在网络中对特征归一化,加速训练和优化结果;
其中,第二残差模块,包括:
第四卷积层,使用卷积核进行特征提取和特征映射;
第四批归一化层,用于在网络中对特征归一化,加速训练和优化结果;
第五卷积层,使用卷积核进行特征提取和特征映射;
第五批归一化层,用于在网络中对特征归一化,加速训练和优化结果;
其中,第三批归一化层的输出值与第一批归一化层的输出值求和后作为第四卷积层的输入值;
其中,第三批归一化层的输出值、第一批归一化层的输出值与第五批归一化层求和后,作为全连接层的输入值。
8.基于残差网络的人群疏散仿真系统,其特征是,包括:特征提取模块,其被配置为:获取待进行人群疏散仿真的视频;从待进行人群疏散仿真的视频中,提取实际的群体内聚性特征和实际的群体集群性特征;
群组划分模块,其被配置为:基于实际的群体内聚性特征,将待进行人群疏散仿真的视频中的人群划分为若干个实际群组;
速度预测模块,其被配置为:针对每个实际群组,将当前实际群组中每个实际个体的运动特征和实际的群体集群性特征作为训练好的残差网络的输入值,训练好的残差网络输出当前实际个体下一时间步的预测速度;
人群疏散仿真动画生成模块,其被配置为:根据当前实际个体下一时间步的预测速度,生成人群疏散的仿真动画,对人群运动疏散速度进行引导。
9.一种电子设备,其特征是,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-7任一项方法所述的步骤。
10.一种计算机可读存储介质,其特征是,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7任一项方法所述的步骤。