高密度人群踩踏事故风险计算与预警方法

摘要

本发明公开了一种高密度人群踩踏事故风险计算与预警方法，包括以下步骤：输入视频；根据基于互相关算法的粒子图像测速方法获取人群运动的实时速度场；根据人群运动的实时速度场计算实时的风险分布；根据实时的风险分布发布预警信息。本发明实施例的方法可以进行实时的监控预警，帮助管理部门及时准确地掌握目标区域的人群状态，预防踩踏事故，提高管理水平。

说明书

技术领域

本发明涉及视频分析技术领域，特别涉及一种高密度人群踩踏事故风险计算与预警方法。

背景技术

高密度人群踩踏事故具有发生突然、难以控制、诱发原因多等特点，一旦发生将造成严重的人员伤亡，因此对高密度人群进行实时的监控预警就显得十分必要。

相关技术中视频监控需要人工同时监控多个视角的区域图像，观察是否有异常活动，并做出相应的预警，然而对于大场景中的高密度人群，随着摄像头的大量增加，采集的监控视频数据量越来越大，导致人工视频监控需要耗费大量的人力，而且监控人员在同时长时间观测多个目标时，很容易混乱并产生疲倦心理，出现失误，并且只能根据管理人员的个人经验进行判断，预警的及时性和准确性很难保证。

发明内容

本发明旨在至少在一定程度上解决上述相关技术中的技术问题之一。

为此，本发明的目的在于提出一种能够准确掌握目标区域的人群动态，提高管理水平的高密度人群踩踏事故风险计算与预警方法。

为达到上述目的，本发明实施例提出了一种高密度人群踩踏事故风险计算与预警方法，包括以下步骤：输入视频；根据基于互相关算法的粒子图像测速方法获取人群运动的实时速度场；根据所述人群运动的实时速度场计算实时的风险分布；根据所述实时的风险分布发布预警信息。

根据本发明实施例提出的高密度人群踩踏事故风险计算与预警方法，通过获取人群运动的实时速度场，从而计算实时的风险分布，并且根据风险分布发布预警信息，实现进行实时的监控预警，帮助管理部门及时准确地掌握目标区域的人群状态，预防踩踏事故，提高管理水平。

另外，根据本发明上述实施例的高密度人群踩踏事故风险计算与预警方法还可以具有如下附加的技术特征：

进一步地，在本发明的一个实施例中，所述粒子图像测速方法的计算公式为：

$>v=\frac{S\left(t_2\right)-S\left(t_1\right)}{t_2-t_1}$>

其中，S(t₁)和S(t₂)为图像中相关度最大的两个小区域、t₁和t₂为所述两个小区域对应的拍摄时间。

进一步地，在本发明的一个实施例中，所述根据基于互相关算法的粒子图像测速方法获取人群运动的实时速度场具体包括：将所述视频中的每帧图像分成多个诊断窗口，并将各诊断窗口的中心设置为计算点；将连续的两帧图像中同一位置的诊断窗口组成一对，并利用二维快速傅里叶变换FFT算法分别计算以将原图像从空间域转换到频域中；在所述频域中进行互相关计算，并经过快速傅里叶逆变换得到其峰值；利用高斯插值方法作为子像素寻峰插值算法获取所述峰值的位置偏移原点的距离，以得到最大值位置；针对第一个诊断窗口中心及所述最大值位置进行透视变换，以得到真实位移矢量的可靠估计值，位移矢量的2-范数除以连续两帧图像的时间间隔为所述第一个诊断窗口中心的速度矢量估计值；移动诊断窗口，重复上述步骤依次求得图像中不同点的速度矢量值，以得到所述人群运动的实时速度场。

进一步地，在本发明的一个实施例中，所述透视变换的具体步骤为：输入变换前后的对应的4个点坐标，求取变换公式，根据求解得到的变换公式将视频中的图像变换为实际空间的俯视图，其中，输入的坐标分别为实际空间的位置坐标和对应的像素坐标。

进一步地，在本发明的一个实施例中，所述移动诊断窗口，重复上述步骤依次求得图像中不同点的速度矢量值具体包括：每个诊断窗口的中心设置为计算点，每次将诊断窗口横向或纵向移动预设像素值，以再次得到另一个诊断窗口，同时确定另一个计算点，当所有诊断窗口覆盖整幅图像时，所有计算点的速度矢量值构成了所述实时速度场。

进一步地，在本发明的一个实施例中，所述计算实时风险分布与所述根据实时的风险分布发布预警信息具体包括：根据所述实时速度场计算预设时间内的平均速度矢量场；根据所述平均速度矢量场计算实时的速度方差空间分布，并根据所述实时的速度方差空间分布衡量人群聚集场所实时的空间风险分布；绘制实时的空间风险分布图，确定视频场景中的高风险区域；根据所述高风险区域的变化情况发布预警信息。

进一步地，在本发明的一个实施例中，所述实时的空间风险分布图为根据各区域速度方差值的高低绘制等高曲线图，以描述各区域风险程度。

进一步地，在本发明的一个实施例中，所述高风险区域的变化情况指：在所述预设时间内，某一局部区域的风险值始终是视频场景中风险最高，则发布预警信息，并且通报高风险区域的具体位置。

进一步地，在本发明的一个实施例中，二维快速傅里叶变换的公式为：

$>F(u,v)=\frac{1}{\mathrm{MN}}\underset{m=0}{\overset{M-1}{\Sigma }}\underset{n=0}{\overset{N-1}{\Sigma }}f(m,n)e^{-j2\pi (\frac{\mathrm{um}}{M}+\frac{\mathrm{vn}}{N})},$>

其中，u＝0,1,2……M-1，v＝0,1,2……N-1，M、N为原始图像中诊断窗口的横向与纵向的像素坐标差；

并且，互相关的计算公式为：

$>\Phi (u,v)=F(u,v)\overline{G(u,v)},$>

其中，为G(u,v)的复共轭函数；

以及，快速傅里叶逆变换的公式为：

$>\phi (m,n)=\underset{u=0}{\overset{M-1}{\Sigma }}\underset{v=0}{\overset{N-1}{\Sigma }}\Phi (u,v)e^{j2\pi (\frac{\mathrm{um}}{M}+\frac{\mathrm{vn}}{N})},$>

其中，m＝0,1,2……M-1，n＝0,1,2……N-1；

另外，透视变换的公式为：

$>[x^{\prime },y^{\prime },w^{\prime }]=[m,n,w]·\left(\begin{array}{ccc}{a}_{11}& a_{12}& a_{13}\\ a_{21}& a_{22}& a_{23}\\ a_{31}& a_{32}& a_{33}\end{array}\right),$>

$>x=\frac{x^{\prime }}{w^{\prime }}=\frac{a_{11}u+a_{21}v+a_{31}}{a_{13}u+a_{23}v+a_{33}},y=\frac{y^{\prime }}{w^{\prime }}=\frac{a_{12}u+a_{22}v+a_{32}}{a_{13}u+a_{23}v+a_{33}},$>

其中，[m,n]为原始图像坐标，[x,y]为透视变换后图像的坐标，$>\left(\begin{array}{ccc}{a}_{11}& a_{12}& a_{13}\\ a_{21}& a_{22}& a_{23}\\ a_{31}& a_{32}& a_{33}\end{array}\right)$>为变换矩阵。

进一步地，在本发明的一个实施例中，平均速度矢量场的计算公式为：

$>\overrightarrow{U}\left(\overrightarrow{r}\right)={<\overrightarrow{V}(\overrightarrow{r},t)>}_{t^{,}},$>

其中，为位置矢量处t时刻的瞬时速度矢量，下标变量t′表示对时间变量求平均值；

并且，速度方差的计算公式为：

$>{\mathrm{Var}}_{\overrightarrow{r}}\left(\overrightarrow{V}\right)={<{[V(\overrightarrow{r},t)-U\left(\overrightarrow{r}\right)]}^2>}_{t^{,}},$>

其中，为位置矢量处t时刻的瞬时速度标量，为位置矢量处的平均速度标量。

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

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明实施例的高密度人群踩踏事故风险计算与预警方法的流程图；

图2为根据本发明一个实施例的高密度人群踩踏事故风险计算与预警方法的流程图；

图3为根据本发明一个实施例的获取人员运动的实时速度场的流程图；

图4为根据本发明一个实施例的实时速度方差空间分布计算的流程图；

图5为根据本发明一个具体实施例的高密度人群踩踏事故风险计算与预警方法的流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度小于第二特征。

下面参照附图描述根据本发明实施例提出的高密度人群踩踏事故风险计算与预警方法。参照图1所示，该方法包括以下步骤：

S101，输入视频。

S102，根据基于互相关算法的粒子图像测速方法获取人群运动的实时速度场。

进一步地，在本发明的一个实施例中，粒子图像测速方法的计算公式为：

$>v=\frac{S\left(t_2\right)-S\left(t_1\right)}{t_2-t_1}$>

其中，S(t₁)和S(t₂)为图像中相关度最大的两个小区域、t₁和t₂为两个小区域对应的拍摄时间。简言之，其原理就是在图像上找到相关度最大的两个小区域，用它们之间的距离除以两次拍摄之间的间隔，就是这个小区域在间隔时间内的平均速度。

进一步地，在本发明的一个实施例中，根据基于互相关算法的粒子图像测速方法获取人群运动的实时速度场具体包括：将视频中的每帧图像分成多个诊断窗口，并将各诊断窗口的中心设置为计算点；将连续的两帧图像中同一位置的诊断窗口组成一对，并利用二维快速傅里叶变换FFT算法分别计算以将原图像从空间域转换到频域中；在频域中进行互相关计算，并经过快速傅里叶逆变换得到其空间域函数；利用高斯插值方法作为子像素寻峰插值算法获取峰值的位置即最大值位置，以得到每个像素点偏移原点的距离；针对第一个诊断窗口中心及最大值位置进行透视变换，以得到真实位移矢量的可靠估计值，位移矢量的2-范数除以连续两帧图像的时间间隔为第一个诊断窗口中心的速度矢量估计值；移动诊断窗口，重复上述步骤依次求得图像中不同点的速度矢量值，以得到人群运动的实时速度场。需要说明的是，子像素寻峰插值算法获取的峰值的位置偏移原点的距离即是人群的位移，为了得到更加准确的位移，利用高斯插值方法作为子像素寻峰插值算法。

其中，在本发明的一个实施例中，本发明实施例将每帧图像分成较小的诊断窗口，窗口的大小根据图像与实际空间的比例确定(如32像素×32像素、64像素×64像素)，每一个诊断窗口可以确定一个计算点。

进一步地，在本发明的实施例中，连续的两帧图像是指，对于一个固定的采样时间间隔，满足该时间间隔的两帧图像，且采样时间间隔根据分析视频的帧速率进行选取。其中，连续两帧图像的时间间隔即采样时间间隔。

进一步地，在本发明的一个实施例中，透视变换的具体步骤为：输入变换前后的对应的4个点坐标，求取变换公式，根据求解得到的变换公式将视频中的图像变换为实际空间的俯视图，其中，输入的坐标分别为实际空间的位置坐标和对应的像素坐标。

进一步地，在本发明的一个实施例中，移动诊断窗口，重复上述步骤依次求得图像中不同点的速度矢量值具体包括：每个诊断窗口的中心设置为计算点，每次将诊断窗口横向或纵向移动预设像素值，以再次得到另一个诊断窗口，同时确定另一个计算点，当所有诊断窗口覆盖整幅图像时，所有计算点的速度矢量值构成了实时速度场。其中，预设像素值可以根据实际情况进行设置，通常取诊断窗口边长的四分之一。

进一步地，在本发明的一个实施例中，二维快速傅里叶变换的公式为：

$>F(u,v)=\frac{1}{\mathrm{MN}}\underset{m=0}{\overset{M-1}{\Sigma }}\underset{n=0}{\overset{N-1}{\Sigma }}f(m,n)e^{-j2\pi (\frac{\mathrm{um}}{M}+\frac{\mathrm{vn}}{N})},$>

其中，u＝0,1,2……M-1，v＝0,1,2……N-1，M、N为原始图像中诊断窗口的横向与纵向的像素坐标差；

并且，互相关的计算公式为：

$>\Phi (u,v)=F(u,v)\overline{G(u,v)},$>

其中，为G(u,v)的复共轭函数；

以及，快速傅里叶逆变换的公式为：

$>\phi (m,n)=\underset{u=0}{\overset{M-1}{\Sigma }}\underset{v=0}{\overset{N-1}{\Sigma }}\Phi (u,v)e^{j2\pi (\frac{\mathrm{um}}{M}+\frac{\mathrm{vn}}{N})},$>

其中，m＝0,1,2……M-1，n＝0,1,2……N-1，M、N为原始图像中诊断窗口的横向与纵向的像素坐标差；

另外，透视变换的公式为：

$>[x^{\prime },y^{\prime },w^{\prime }]=[m,n,w]·\left(\begin{array}{ccc}{a}_{11}& a_{12}& a_{13}\\ a_{21}& a_{22}& a_{23}\\ a_{31}& a_{32}& a_{33}\end{array}\right),$>

$>x=\frac{x^{\prime }}{w^{\prime }}=\frac{a_{11}u+a_{21}v+a_{31}}{a_{13}u+a_{23}v+a_{33}},y=\frac{y^{\prime }}{w^{\prime }}=\frac{a_{12}u+a_{22}v+a_{32}}{a_{13}u+a_{23}v+a_{33}},$>

其中，[m,n]为原始图像坐标，[x,y]为透视变换后图像的坐标，$>\left(\begin{array}{ccc}{a}_{11}& a_{12}& a_{13}\\ a_{21}& a_{22}& a_{23}\\ a_{31}& a_{32}& a_{33}\end{array}\right)$>为变换矩阵。

进一步地，在本发明的一个实施例中，当m＝Δx并且n＝Δy时，φ(m,n)为最大值。因此，求解人群位移转化成查找φ(m,n)最大值即峰值的问题。

S103，根据人群运动的实时速度场计算实时的风险分布。

S104，根据实时的风险分布发布预警信息。

具体地，在本发明的一个实施例中，计算实时风险分布与根据实时的风险分布发布预警信息具体包括：根据实时速度场计算预设时间内的平均速度矢量场；根据平均速度矢量场计算实时的速度方差空间分布，并根据实时的速度方差空间分布衡量人群聚集场所实时的空间风险分布；绘制实时的空间风险分布图，确定视频场景中的高风险区域；根据高风险区域的变化情况发布预警信息。

其中，在本发明的一个实施例中，为了计算得到平均速度矢量场，需要先输入视频并提取时间跨度t内的速度场进行计算，此后第二个时间跨度为t的时间段内，速度方差空间分布由该平均速度矢量场计算得出。然后，利用第二个t时间段内的速度场更新一次平均速度矢量场，用于此后第三个时间跨度为t的时间内速度方差空间分布计算，依次进行。

进一步地，在本发明的一个实施例中，实时的空间风险分布图为根据各区域速度方差值的高低绘制等高曲线图，以描述各区域风险程度。

进一步地，在本发明的一个实施例中，高风险区域的变化情况指：在预设时间内，某一局部区域的风险值始终是视频场景中风险最高，则发布预警信息，并且通报高风险区域的具体位置，以便及时处理，防止踩踏事故的发生。其中，预设时间可以根据实际情况进行设置。

进一步地，在本发明的一个实施例中，平均速度矢量场的计算公式为：

$>\overrightarrow{U}\left(\overrightarrow{r}\right)={<\overrightarrow{V}(\overrightarrow{r},t)>}_{t^{,}},$>

其中，为位置矢量处t时刻的瞬时速度矢量，下标变量t′表示对时间变量求平均值；

并且，速度方差的计算公式为：

$>{\mathrm{Var}}_{\overrightarrow{r}}\left(\overrightarrow{V}\right)={<{[V(\overrightarrow{r},t)-U\left(\overrightarrow{r}\right)]}^2>}_{t^{,}},$>

其中，为位置矢量处t时刻的瞬时速度标量，为位置矢量处的平均速度标量。

综上所述，在本发明的实施例中，本发明实施例的方法包括：步骤1：利用基于互相关算法的粒子图像测速技术计算得到人群运动的实时速度场；步骤2：利用人群运动的速度场信息计算实时的风险分布并根据情况发布预警信息。本发明实施例基于互相关算法进行高密度人群的速度场计算，该方法可以在图像上找到相关度最大的两个小区域，用它们之间的距离除以两次拍摄之间的间隔，得到这个小区域在间隔时间内的平均速度，进而得到实时的速度场信息。另外，速度方差空间分布可以反映实时风险的空间分布，本发明实施例可以绘制空间风险分布图，确定视频场景中的高风险区域，根据高风险区域的变化情况向管理者发布预警信息。本发明实施例可以通过实时的风险分析计算方法对高密度人群踩踏事故进行实时的监控预警，帮助管理部门及时准确地掌握目标区域的人群状态，防范踩踏事故，提高管理水平。

下面以一个具体实施例对本发明的高密度人群踩踏事故风险计算与预警方法作进一步赘述。

在本发明的一个具体实施例中，参照图2所示，本发明实施例首先采集监控区域的监控视频图像，接下来对视频图像进行实时的分析处理，主要分为两个步骤：(1)利用基于互相关算法的粒子图像测速技术计算得到人群运动的实时速度场；(2)利用人群运动的速度场信息计算实时的风险分布并根据情况发布预警信息。

其中，参照图3所示，计算得到人群运动的实时速度场包括下述步骤：

S201，将视频中的每帧图像分成若干32像素×32像素的诊断窗口，并将各诊断窗口的中心设置为计算点。

S202，将采样时间间隔设置为0.2s，对于连续的两帧间隔为0.2s的图像中同一位置的诊断窗口组成一对，利用二维快速傅里叶变换FFT算法分别计算，将原图像从空间域转换到频域中，分别得到F(u,v)和G(u,v)。

其中，二维的快速傅里叶变换公式为：

$>F(u,v)=\frac{1}{\mathrm{MN}}\underset{m=0}{\overset{M-1}{\Sigma }}\underset{n=0}{\overset{N-1}{\Sigma }}f(m,n)e^{-j2\pi (\frac{\mathrm{um}}{M}+\frac{\mathrm{vn}}{N})}$>

u＝0,1,2……M-1；v＝0,1,2……N-1，M、N为原始图像中诊断窗口的横向与纵向的像素坐标差。

S203，在频域中进行互相关计算，并经过快速傅里叶逆变换得到其空间域函数φ(m,n)。

其中，计算互相关函数的公式为：为G(u,v)的复共轭函数。

进一步地，快速傅里叶逆变换的公式为：m＝0,1,2……M-1，n＝0,1,2……N-1，M、N为原始图像中诊断窗口的横向与纵向的像素坐标差；

S204，当m＝Δx并且n＝Δy时，φ(m,n)为最大值。因此，求解人群位移转化成查找φ(m,n)最大值的问题，峰值的位置偏移原点的距离即是人群的位移，为了得到更加准确的位移，利用高斯插值方法作为子像素寻峰插值算法。

S205，输入变换前后的对应的4个点坐标，即实际空间的位置坐标：(x₁,y₁)，(x₂,y₂)，(x₃,y₃)，(x₄,y₄)和对应的像素坐标：(m₁,n₁)，(m₂,n₂)，(m₃,n₃)，(m₄,n₄)。将坐标代入透视变换公式，求取变换矩阵，根据求解得到的变换公式，即可将视频中的图像变换为实际空间的俯视图。针对第一个窗口的中心及上一步中发现的最大值位置进行透视变换后，便能得到真实位移矢量的可靠估计值，位移矢量的2-范数除以连续两帧图像的时间间隔，即采样时间间隔0.2s，就是第一个诊断窗口中心的速度矢量估计值。

其中，透视变换的通用公式为：$>[x^{\prime },y^{\prime },w^{\prime }]=[m,n,w]·\left(\begin{array}{ccc}{a}_{11}& a_{12}& a_{13}\\ a_{21}& a_{22}& a_{23}\\ a_{31}& a_{32}& a_{33}\end{array}\right),$>$>x=\frac{x^{\prime }}{w^{\prime }}=\frac{a_{11}u+a_{21}v+a_{31}}{a_{13}u+a_{23}v+a_{33}},y=\frac{y^{\prime }}{w^{\prime }}=\frac{a_{12}u+a_{22}v+a_{32}}{a_{13}u+a_{23}v+a_{33}}.$>[m,n]为原始图像坐标，[x,y]为透视变换后图像的坐标，$>\left(\begin{array}{ccc}{a}_{11}& a_{12}& a_{13}\\ a_{21}& a_{22}& a_{23}\\ a_{31}& a_{32}& a_{33}\end{array}\right)$>为变换矩阵。

S206，每个诊断窗口的中心设置为计算点，每次将诊断窗口横向或纵向移动8个像素，便可以再次得到另一个诊断窗口，同时确定其中心为另一个计算点，重复上述步骤S201到步骤S205求得该点的速度矢量值。当所有诊断窗口覆盖整幅图像时，所有计算点的速度矢量值构成了图像的速度场。

进一步地，利用人群运动的速度场信息计算实时的风险分布并根据情况发布预警信息包括下述步骤：

S301，参照图4所示，根据实时的速度场计算Δt时间内的平均速度矢量场。其中，平均速度矢量场的计算公式为：为速度矢量，下标变量t′表示对时间变量求平均值。

参照图4所示，为了计算得到平均速度矢量场，需要先输入视频并提取第一个时间跨度Δt内的速度场进行计算，此后第二个时间跨度为Δt的时间段内，速度方差空间分布由该平均速度矢量场计算得出。然后，利用第二个Δt时间段内的速度场更新一次平均速度矢量场，用于此后第三个时间跨度为Δt的时间段内速度方差空间分布计算，依此进行。

S302，计算实时的速度方差空间分布，以此来衡量实时的人群踩踏事故空间风险分布。其中，计算速度方差的公式为：为位置矢量处t时刻的瞬时速度标量，为位置矢量处的平均速度标量，下标变量t′表示对时间变量求平均值

S303，参照图5所示，绘制实时的空间风险分布图，即根据各区域速度方差值的高低，绘制出等高曲线图，用以描述各区域风险程度，并确定视频场景中的高风险区域。

S304，参照图5所示，根据高风险区域的变化情况向管理者发布预警信息。其中高风险区域的变化情况是指，在一段时间内，某一局部区域的风险值始终是视频场景中风险最高，则会向管理人员发布预警信息，通报高风险区域的具体位置，以便及时处置，防止踩踏事故的发生。

在本发明的实施例中，本发明实施例采用视频分析方法发展的大场景下高密度人群运动特征提取算法，通过根据其运动特征的转变机理，从而自动呈现高密度人群运动过程的实时风险时空变化特征，同步绘制人群运动过程的实时风险分布图，并提供实时的风险预警信息。

根据本发明实施例提出的高密度人群踩踏事故风险计算与预警方法，通过获取人群运动的实时速度场，从而计算实时的风险分布，并且根据风险分布发布预警信息，实现对视频场景中的人群踩踏事故风险进行实时的监控预警和计算，并全面掌握人群运动状态的信息，以帮助管理部门及时准确地掌握目标区域的人群状态，预防踩踏事故，提高管理水平。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。