随着城镇化进程的加快,城市的人口快速增长,各种公共场所活动日益增多,这些场所具有人群流动性大、高度聚集等特征。若活动期间,公共场所发生不确定的突发事件,例如人员摔倒、火灾等情况,容易造成人群拥挤,给人群快速疏散带来安全隐患。研究公共场所的人群密度图中的人群密度特征,确定高密度人群位置,设计人群安全疏散路线,对于人群快速疏散,保障生命安全具有重要意义。针对如何更精确地获取图片中不同远近的人群密度图,提出了一种改进的多列卷积神经网络算法。首先,采集商场某一时间的人群活动视频,将其分割成图片帧,截取将近700张的人群图片,分成训练集与测试集;其次,对图片中的人头做标签处理,并制作对应的地面实况文件;最后,运用全卷积层代替全连接的改进的MCNN算法对训练集中的图片进行训练,得到人群头部特征模型,并将模型用于测试集图片,得出商场的人群密度图。针对如何及时获取到拥挤区域的位置,提出将人群密度图进行地理配准的方法,并创建该区域的环境模型。首先,利用人群密度图可反映出人群分布情况的特点,运用ArcGIS对人群密度图与室内平面图做地理配准处理,使其处于同一坐标系内,得出图中高密度人群的地理位置;其次,通过对人群密度图的像素求和来估计人群总数,求得人群密度值,并将高密度区域所占百分比加入到定义预警判别标准中;最后,当达到红色预警时,需对该区域及时进行疏散,运用栅格法对室内平面图进行环境模型创建。针对如何获取到一条最优的疏散路径,提出了一种改进的蚁群算法。首先,通过大量仿真实验,确定蚁群算法中的信息素启发因子α、期望启发式因子β、蚂蚁数目M等参数的最优参数组合;其次,运用指数下降法对信息素挥发系数ρ进行自适应调整的方法以及引入精英蚂蚁对蚁群信息素进行优化更新的方法对蚁群算法进行改进,设计出从高密度人群位置到出口的最优安全疏散路径,通过进行仿真模拟,分析出该算法无论在正常情况还是突发情况,均可使该算法下的疏散路径达到最优。以北京西单大悦城为例,对本文的研究方法进行验证。通过运用改进的多列卷积神经网络对采集的图片数据进行训练,与传统的MCNN进行对比分析,改进的MCNN算法可使MAE和MSE的指标值分别降低10%和7%,说明训练得到的模型效果更好,提高了人群密度图的准确性;再运用改进的蚁群算法对疏散路径进行仿真,与传统的算法进行对比分析,仿真结果表明,改进的算法可使疏散路径的折点减少25%、路径长度减少10%,得出商场人群的最优安全疏散路径。