随着城市轨道交通的高速发展,选择地铁方式出行的人群越来越多,一旦发生危险会对人身和财产造成巨大威胁。目前,大多数研究方向在单次预测(比如体育馆有大型活动)或者事故后的致因分析,缺乏有效的拥挤风险实时监测预警手段。为此,本文提出了一种基于视频图像评估地铁站拥挤风险参数的新方法。该方法解决了此类场景下人群构成复杂、流动量大、持续时间长的问题,实现了人群状态的实时监测预警,并且以此为基础设计了一套疏散路线。本文以西直门地铁站的实际流通人群为研究对象,进行视频采集和图像处理,主要的研究内容如下:1.确定实时拥挤风险预测方法。从目前常用的三种风险预测方法入手,分析了这三种方法的优缺点,并最终提出了结合视频图像处理的实时监测方法。2.研究人群密度检测算法。基于传统算法存在的问题,提出了一种结合纹理分析和神经网络的算法对某段区域内人群密度进行预测。该算法通过纹理分析将多张图片内容转化为参数的方式描述图片,以此分析地铁站的不同人群情况,从而达到减弱人与人之间互相遮挡和摄像头远近影响的目的。转化结果输入神经网络进行训练,形成样本库,达成了纹理分析与神经网络结合的算法流程。实际检测时直接将预测图片以纹理分析参数的方式自动输入到神经网络库中进行判定,得出结果。将该算法与传统基于像素统计和基于Hough变换的人流密度估计算法进行实验比较,结果表明该算法准确率可以达到百分之八十远高于现有传统人群算法。3.研究了人群速度检测算法。通过对视频中人群的追踪,判定人群具体的流动速度。实践了两种目标跟踪的算法:均值滤波算法和卡尔曼滤波跟踪算法。基于地铁站的背景情况,本文进行了分类实验:固定背景下单人标跟踪、变化背景下单人跟踪和固定背景下多人跟踪。实验证明,卡尔曼滤波算法受到复杂背景及人群遮挡影响较大,且在大密度人群跟中容易出现跟踪丢失的情况。而均值滤波算法可以克服背景及人群遮挡的影响,在三类情况中都能准确跟踪到人群。4.研究了人群疏散路线。本文首先对西直门地铁站人流进行了分类,然后对整个站内不同的结构和各个站口不同时间人流的变化规律进行调查,最终制定一个针对于西直门地铁站的人流疏散路线。