人群仿真作为虚拟现实技术的一个重要研究分支,通过在计算机构建的虚拟世界中对人群行为进行仿真模拟,来揭示人群行为受外部环境和人际间交互共同影响的潜在规律,为研究人员和用户提供人群行为的分析和可视化技术。近年来,人群仿真技术在公共安全、军事训练、重大活动以及计算机动画等诸多领域得到了广泛应用。然而,受数据获取手段和信息提取方法的限制,现有的人群仿真研究方法主要集中在基于模型驱动的方法,该类方法在仿真效果和真实度方面具有一定的局限性。为此,本文研究视频数据驱动的智能人群仿真方法,以人群视频为真实数据源,利用计算机视觉的目标检测与跟踪算法从视频中自动提取行人运动信息,结合三维可视化技术和机器学习方法,实现三维重现、实例学习和模型优化三种不同数据驱动模式的人群仿真,有效的将计算机视觉、人工智能和人群仿真相关技术进行融合,进一步推动人群仿真领域中基于数据驱动方法的理论与应用研究。主要研究工作与成果如下:(1)针对人群仿真技术对真实行人数据的需求,提出一种基于计算机视觉的人群运动信息自动提取方法。首先利用混合高斯模型背景差分的目标检测方法,实现了无需先验知识的行人目标自动检测;然后改进基于粒子滤波和数据关联的目标跟踪方法,准确的提取行人多目标的运动轨迹;最后通过坐标转换方法将轨迹从视频图像的二维坐标转换成真实世界的三维坐标,并在数字地球科学平台上实现了视频中人群运动的三维可视化仿真。实验结果表明,该方法能够从人群视频中自动提取准确的行人运动轨迹,获取丰富的人群运动相关参数,并可以用于人群运动行为的真实三维重现。(2)针对多数模型驱动方法不能有效的模拟稀疏人群自由度较高的运动行为,提出一种基于实例学习的仿真方法。通过构造运动轨迹实例来描述行人运动的局部时空特征要素,利用层次聚类算法构建分层的运动轨迹实例数据库;建立基于BP神经网络的运动模式分类器,实现运动轨迹实例的快速有效查询;提出智能体运动行为的学习方法,采用K最近邻算法和局部加权线性回归算法来实现智能体下一时刻运动行为的预测。实验结果表明,该方法能够对行人的运动行为进行逼真的模拟,并显著的提高实例的查询匹配速度,当实例样本数量达到6000时,查询所需耗时小于0.06秒/帧。(3)针对密集人群中行人的感知和决策存在模糊性的建模问题,提出一种基于遗传模糊系统的仿真方法。通过建立基于智能体模型和社会力模型的行人运动混合模型,实现对行人感知能力、决策能力和运动行为的分层建模;提出基于视域的环境空间表示方法,模拟行人视野对周围环境信息的感知;通过引入模糊逻辑系统,实现智能体对行人具有不精确的感知和决策能力的模拟;利用遗传算法来优化模糊隶属度函数的参数,实现行人运动行为模型的参数学习。实验结果表明,该方法能够有效的提高人群运动仿真精度,测试实验的均方误差平均值为0.0213 m~2,优化后仿真精度提高了9.75%,并且仿真效果与实际观测更相符。(4)面向典型场景的人群流动,采用真实数据分析和仿真实验模拟两种方式进行研究。通过采集地铁站、商场、公园和步行街四类常见公共场所的人群流动视频,分析人群流动特征因素,划分人群流动状态类型,讨论人群流动常见现象;通过对多种典型场景的人群流动进行仿真模拟,分析场景中环境因素对人群运动行为的影响,为场所布局规划和建筑设计提供科学依据,为人员安全管理和应急预案制定提供理论与技术支持。