CN106241584A - 一种基于扶梯安全的智能视频监控系统及方法 - Google Patents

Abstract

一种基于扶梯安全的智能视频监控方法，与现有技术相比具有以下有益效果：设置在扶梯出入口的视频摄像仪通过获取乘客视频图像信息，传输给智能视频监控仪SEM，SEM对视频图像信息进行分析及处理，在乘客非配合的情况下自动检测识别乘客面部特征或行为特征，判断乘客的年龄、性别等，根据判断的乘客年龄发出扶梯调速指令至扶梯控制器；避免老人和幼儿在扶梯出入口处摔倒及二次伤害，另外在扶梯出入口乘客一旦摔倒，摄像仪BOI将图像时时传输给智能视频监控仪，智能视频监控仪对乘客跌倒进行判别，判断出人员有异常状况，并控制扶梯降速或停下，避免意外或二次伤害的发生。

Description

一种基于扶梯安全的智能视频监控系统及方法

技术领域

本发明属于自动扶梯安全技术领域，具体属于一种自动扶梯的智能视频监控系统及方法。

背景技术

现实生活中，自动扶梯是公共场所运送乘客的最典型设备之一，在商场、宾馆、机场、车站等场所被广泛地使用，已是生活中不可或缺的公共设施。通常，扶梯入口都配有光眼，雷达传感器，在人员进入检测区内会输出给扶梯控制系统，使在节能低速运行的扶梯开始加速，当人员上到扶梯时，扶梯已经在一个合适的速度运行，其目的是兼顾节能和效率。

但问题是，如果这时后面来了个老人或小孩，扶梯现有的速度显然对一些行动不便的老人的反应来讲，还是有些高，有些快，他们在上扶梯时容易摔倒，造成伤害，这是因为老人或小孩在速度不降下来的情况，在这个地方运动的部件—梯级和非运动的部件---梳齿板汇合处抬腿晚的话，就会被梳齿板拌倒。而如果在扶梯入口，出口处摔倒，还会对跌倒的人造成二次伤害。

数据显示，最常见的自动扶梯的伤害，如腿部或头部骨折、擦伤和扭曲，大部分是老年人踏上或离开自动扶梯时滑倒、摔倒。自动扶梯伤害不仅多见于老年人，也多见于儿童，最易出事故的是12岁以下的儿童。

那么，如何能避免这些问题呢？

目前商家也好，火车站，地铁站也好，针对上述这些安全隐患，普遍采用的对策如下：

1、加强入口处的提醒宣传教育，提高安全意识。

2、加强入口处人员配置，以宣传教育和突发事件的处置。

从上面这些措施看，有个显著的特点或缺点是：依赖宣传和人工干预。

完全没有涉及到通过技术的手段来避免风险，

这里很大一个原因是目前行业内确实没有找到很有效的技术手段来防范出入口的风险。

那么，扶梯的安保、调度交给监控室的监控、安保人员不行吗？也就是说让安保人员通过监控室的视频图像来发现问题行吗？

事实证明也不可行。首先，人力成本过高。一天十几个小时盯着监视器，要有很多安保人员来换班，还不一定能避免意外。其次，人类并不是可以完全信赖的观察者；仅仅20分钟后，人对视频监视器的注意力就会下降30%,1小时后将会下降70%,达到一个非常低的水平。

这种视频监控系统只能实现录像、存储、事后取证，不能实时监控、时时自动报警。

视频监控系统的智能化程度还在发展中。近几年，随着计算机性能的不断提高，利用计算机视觉技术对监控系统中的视频信息进行分析，从而使视频监控系统向更智能化方向发展成为可能。

过去智能影像分析技术最早主要用于人数识别，行进方向识别。近年来发展到人脸识别方面。

而目前市场上的人脸识别技术大多是配合型的人脸识别，即需要检测者主动将脸凑到摄像头前，摄像头抓取人脸特征来判断，主要用于安防领域。

发明内容

本发明所要解决的技术问题是：提供一种基于扶梯安全的智能视频监控系统。本发明在扶梯出入口设置视频摄像仪，通过智能分析现场记录的视频画面，系统能即时自动实现对监控画面中人脸特征或行为特征进行检测、识别，判断出年龄、性别或异常行为，并及时作出信息的输出、预/报警，并控制扶梯安全运行。

为了解决上述技术问题，本发明采用以下技术方案：

一种基于扶梯安全的智能视频监控系统，其特征在于包括：

视频摄像仪,设置在扶梯的出入口，用于获取乘客视频图像，并将视频图像信息上传至智能视频监控仪；

智能视频监控仪,将智能视频信息分析模块嵌入到DSP处理器中运行，对视频图像信息进行分析及处理，在乘客非配合的、甚至没察觉到的情况下自动检测识别乘客人脸特征或行为特征，判断乘客的类型，根据判断结果发出扶梯调速指令至扶梯控制器；

扶梯控制器,与扶梯驱动器相连，接受智能视频监控仪发出的调速指令，控制扶梯起动、减速或停止。

所述智能视频信息分析模块包括乘客年龄判断模块：用于对视频图像信息进行识别，抓取乘客人脸特征，判断乘客的年龄，生成目标年龄的实际值P，设定非关注乘客年龄下限值N1和上限值N2，并与目标年龄的实际值P比对，当目标年龄的实际值P高出设定的年龄上限值N2或低于年龄下限值N1时，则得出乘客为老年人或幼儿，此时智能视频监控仪向扶梯控制器发出当前乘客年龄超出正常范围的信号，控制扶梯驱动器输出较低的加速度和较低的运行速度给扶梯主电机。

所述乘客年龄判断模块包括人脸特征抓取模块：抓取乘客皮肤、下巴、颈部、唇、鼻子、眼睛、或脸颊特征，生成目标年龄特征向量，与预先建立的年龄资料库中的平均年龄样本特征向量比对，最终得到目标年龄的实际值P。

所述智能视频信息分析模块还包括乘客性别判断模块：用于对视频图像信息进行识别，抓取乘客双眼、头发、胡须或脸型特征，生成目标性别特征向量，与预先建立的性别资料库中的性别样本特征向量比对，最终得到目标性别。

所述智能视频信息分析模块还包括乘客异常行为判断模块：用于对视频图像信息进行识别，通过速度对比，在人体的摔倒特征明显，且速度降为0或接近0速时，智能视频监控仪向扶梯控制器发出乘客异常行为信号，控制扶梯立刻停下或降速。

本发明所要解决的另一个技术问题是：提供一种基于扶梯安全的智能视频监控方法。

本发明采用以下技术方案：

一种基于扶梯安全的智能视频监控方法，其特征在于包括以下步骤：

1）设置在扶梯出入口的视频摄像仪获取乘客视频图像信息；

2）将智能视频信息分析模块嵌入到DSP处理器中运行，智能视频信息分析模块对视频图像信息进行分析及处理，在乘客非配合的、甚至没察觉到的情况下自动检测识别乘客人脸特征或行为特征，判断乘客的类型，根据判断结果发出扶梯调速指令至扶梯控制器；扶梯控制器,与扶梯驱动器相连，接受调速指令，控制扶梯起动、减速或停止。

其中步骤2)包括以下步骤：

2a)对视频图像信息进行识别，抓取乘客双眼、头发、胡须或脸型特征，生成目标性别特征向量，与预先建立的性别资料库中的性别样本特征向量比对，最终得到目标性别。

2b) 对视频图像信息进行识别，抓取乘客人脸特征，并根据乘客的目标性别判断乘客的年龄，生成目标年龄的实际值P，设定非关注乘客年龄下限值N1和上限值N2，并与目标年龄的实际值P比对，当目标年龄的实际值P高出设定的年龄上限值N2或低于年龄下限值N1时，则得出乘客为老年人或幼儿，并向扶梯控制器发出当前乘客年龄超出正常范围的信号，控制扶梯驱动器输出较低的加速度和较低的运行速度给扶梯主电机。

2C)对视频图像信息进行识别，通过速度对比，在人体的摔倒特征明显，且速度降为0或接近0速时，智能视频监控仪向扶梯控制器发出乘客异常行为信号，控制扶梯立刻停下或降速。

其中步骤2b)进一步包括以下步骤：

抓取乘客皮肤、下巴、颈部、唇、鼻子、眼睛、或脸颊特征，生成目标年龄特征向量，与预先建立的年龄资料库中的平均年龄样本特征向量比对，最终得到目标年龄的实际值P。

本发明与现有技术相比具有以下有益效果：设置在扶梯出入口的视频摄像仪通过获取乘客视频图像信息，传输给智能视频监控仪SEM，SEM对视频图像信息进行分析及处理，在乘客非配合的情况下自动检测识别乘客面部特征或行为特征，判断乘客的年龄、性别等，根据判断的乘客年龄发出扶梯调速指令至扶梯控制器；避免老人和幼儿在扶梯出入口处摔倒及二次伤害，另外在扶梯出入口乘客一旦摔倒，摄像仪BOI将图像时时传输给智能视频监控仪，智能视频监控仪对乘客跌倒进行判别，判断出人员有异常状况，并控制扶梯降速或停下，避免意外或二次伤害的发生。

附图说明

图1为本发明的硬件框图；

图2为扶梯视频监控布置图；

图3为智能视频监控仪内部结构框图；

图4a未加装智能视频监控系统时，扶梯正常运行的速度变化图；

图4b人员年龄超正常范围时，加装智能视频监控系统并控制扶梯的速度曲线图；

图4c为人员摔倒时，加装智能视频监控系统并控制扶梯的速度曲线图；

图5为扶梯出入口人员异常行为判别流程图；

图6为基于乘客人脸特征来判断识别乘客年龄方法流程图；

图7为于乘客人脸特征来判断识别乘客性别方法流程图；

图8为灰度关联度诊断分析流程图。

具体实施方式

参见图1，一种基于扶梯安全的智能视频监控系统主要包括：

参见图2，视频摄像仪boi(包括双目视频摄像仪）,设置在扶梯的出入口，用于获取乘客视频图像，并将视频图像信息上传至智能视频监控仪SEM,这种传输可以是有线传输，也可以是无线传输。

参见图3，智能视频监控仪包括图像输入接受模块、处理器模块（DSP处理器）、通讯输出模块、输出模块, 图像输入接受模块、通讯输出模块、输出模块分别与处理器模块（DSP处理器）相连，将智能视频信息分析模块嵌入到DSP处理器中运行，对视频图像信息进行分析及处理，在乘客非配合的、甚至没察觉到的情况下自动检测识别乘客人脸特征或行为特征，判断乘客的类型， 根据判断结果发出扶梯调速指令至扶梯控制器。乘客的类型主要分为两类，一类是关注人群包括老人乘客、幼儿乘客，一类是非关注人群（除老人、幼儿之外的人群）。

智能视频监控仪是一款小巧精密的将智能视频信息分析模块完全嵌入到DSP处理器中运行的设备，从而使其具有了计算机视觉能力，可以对视频里的每一个像素进行自动监控，有效地增强传统视频监控的自动检测和分析能力，提升警戒强度，提高监控效率和自动响应报警，从而实现7×24全天候的持续监控或者针对重要时段的无人值守监控。而且，完全嵌入式的智能分析功能，使得智能视频监控仪的安装、使用和维护都非常方便。该设备可用于任何需要视频内容进行运动物体检测、跟踪、分析、监控、报警的场所，如：各种视频监控CCTV系统等。)

扶梯控制器,与扶梯驱动器相连，接受智能视频监控仪发出的调速指令，控制扶梯起动、减速或停止。

智能视频信息分析模块包括乘客年龄判断模块：用于对视频图像信息进行识别，抓取（提取）乘客人脸特征，判断乘客的年龄，生成目标年龄的实际值P，设定非关注乘客年龄下限值N1和上限值N2，并与目标年龄的实际值P比对，当目标年龄的实际值P高出设定的年龄上限值N2或低于年龄下限值N1时，则得出乘客为老年人或幼儿，此时智能视频监控仪向扶梯控制器发出当前乘客年龄超出正常范围的信号，控制扶梯驱动器输出较低的加速度和较低的运行速度给扶梯主电机。

扶梯入口视频摄像仪boi获取入口处的乘客人脸特征和行为特征图像信息，传输到智能视频监控仪SEM中，经智能视频监控仪SEM中的中央处理器做算法运算处理，时时检测判断即将进入扶梯的每个人的年龄，当得出的目标年龄在正常的非关注人群时，即N1<P<N2时，则智能视频监控仪SEM不输出。捕捉下一张面孔。

N1-----非关注年龄的下限值，如7岁

N2-----非关注年龄的上限值，如70岁

P------目标的实际值（年龄）

参见图4a、图4b、图4c，当得出的目标年龄在非正常的需关注人群时，即P>N2，或P<N1时，则智能视频监控仪SEM输出YM1闭合，输出信号给扶梯控制器XN50的输入口XIN1,扶梯控制器XN50在得到XIN1输入信号后，发出蜂鸣报警信号或语音提示信号YM3，且判断为需要缓速加速和较缓速运行，同时或稍延时，扶梯控制器XN50模拟口输出AOUT1给UFC扶梯变频器（扶梯驱动器）的速度模拟口输入AI01,即按附图4b曲线图中的较缓的a3加速度来给定变频器输出运行，加速到Vg的速度，随后稳定在该速度。即输出模拟量速度值AOUT1，按a3此加速斜率从节能运行的速度Vd运行到Vg的较低的速度，以方便老人或小孩上扶梯，避免摔跤。

由于扶梯的运行速度通常在0.5米/秒，都为变频控制，在很缓速减速降到0.2米/秒时，乘客一般查觉不出有异常，也不会带来危险。但这样小的变化对老人和小孩却意义重大，可以极大的避免摔跤的风险。

乘客年龄判断模块包括人脸特征抓取模块：抓取（提取）乘客皮肤、下巴、颈部、唇、鼻子、眼睛、或脸颊特征，生成目标年龄特征向量，与预先建立的年龄资料库中的平均年龄样本特征向量比对，最终得到目标年龄的实际值P。

基于人脸图像的年龄估计，具体方法可先采用采用 2DPCA 算法将人脸图像的全局特征提取出来，然后对脸部的局部特征用Gabor小波变换进行提取。加之以眼睛区域与年龄特征关联最紧密，最后的融合在决策级进行。

通过人的面部视频图像，抓取（提取）以下面部特征，通过上述的算法原则，是可以达到判断人的年龄的作用的。

（1）抓取面部皮肤特征

皮肤褶皱是衰老的第一个重要标志，尽管有时“褶子”跟年龄并不成正比，但在当今大数据分析的优势下，这个误差不大。

医学研究表明，随着年龄的增长，人的肤色和皮肤纹理变化会相当明显，诸如毛孔变大、鱼尾纹增多等。与此同时，由于紫外线UV照射，人的皮肤也会发生变红、毛细血管破裂、棕褐色暗斑增多等问题，而依托相应的图像软件算法，正是通过探测这一数值，采用自然算法率先界定照片中人物的年龄范围。

（2）抓取面部眼睛特征.

眼睛不仅是是心灵的窗口，也是暴露你年龄的窗口。眼部皮肤作为人面部最薄弱最细嫩的部位，眼角、眼袋及上眼睑都会随着年龄的增长出现松弛和下垂。更有甚者，年纪越大的人，其眼部越会出现眼窝凹陷、鱼尾纹范围扩大、黑眼圈更加突出以及眼部浮肿。

智能面部识别技术正是基于此来嗅探年龄。 眼睛周边的特征进行年龄识别准确度较高。

（3）抓取面部脸颊特征.

除了皮肤和眼睛，脸颊的松弛程度也是面部智能识别技术的关键。

由于重力因素，人双颊的皮肤和肌肉会随着年龄的增长开始出现下垂，其中最为嘴角及鼻翼两侧又表现最为明显，即我们俗称的法令纹。因而，以此通过测算法令纹的深浅度来测算人的年龄，同时它也表示，脸颊“沟壑”明显也或因眼睑下垂影响，但无论出于什么原因，法令纹过深都会让人“显得很老”

（4）抓取面部唇及鼻子特征

从医学角度来看，嘴唇饱满丰腴在一定程度上和年纪成正比：年纪越大，上唇更易变长松弛，嘴角下拉，即人们常说的木偶线(嘴角线)变长。与此同时，人们的鼻子也会随着年龄的增长而开始出现松弛，因此很多对脸部动刀来延缓甩来迹象的人都会选择丰唇或提拉三角区皮肤。

（5）抓取面部下巴和颈部特征.

随着年龄的增长，人颈部的皮肤会开始出现松弛，其褶皱也会随之加深。由于多数人对颈部的保养不及对面部，因而脖子往往能成为体现人真实年龄的部位。与此同时，人颈部的肤色也会开始出现颜色不均(肉眼看并不明显)，这在医学上被称之为皮肤异色症。尽管医学上将后者定义为特征性皮损之一，但却在一定程度上也能体现年龄的增长。

智能视频信息分析模块还包括乘客性别判断模块：用于对视频图像信息进行识别，抓取（提取）乘客双眼、头发、胡须或脸型特征，，生成目标性别特征向量，与预先建立的性别资料库中的性别样本特征向量比对，最终得到目标性别。

人脸识别性别的原理详述：

性别识别与年龄估计的联系。事实表明，同一年龄段的男性和女性，他们的脸部在年龄特征上有很大的差异，实际生活中，人们自然也不会把男女放在一起进行年龄的估算。

性别信息作为一种先验信息，因而对于年龄估计非常的重要，可以使人脸年龄估计的准确率大大提高。可在性别信息作为先验信息的前提下，来进行年龄分类的任务分解。

脸部子区域分割。进行脸部的子区域分割，首先是要将给定的人脸图像转换成灰度图像，然后在对灰度图像进行处理——缩放、平移和旋转，要使图像中人的双眼处于固定的位置，再从背景中分离、切割出整个包括头发在内的人脸区域，最后降低光照影响，可用直方图均衡化来处理。对于初步处理的人脸区域图像，再将六个子区域切割出来，主要包括：脸部区域，脸上下半区域，嘴巴、鼻子和左眼区域。由于人双眼的对称性，可选取左眼为眼睛部分的子区域。主要分析研究的是性别识别受到各人脸区域的影响大小，并进一步探讨提高性别识别准确性的方法，可以进行贡献较大的脸部子区域的融合。因而要手工切割出人脸图像中的子区域。在实际应用的过程中，进行性别的自动识别，可对视频采集到的图像用Adaboost 快速人脸检测算法快速检测出图像中的人脸，从背景中将人脸切割出来。继而进行双眼的定位，可用眼睛定位法来确定位置，寻找脸部主要特征点可以采用AAM算法。寻找出脸部特征点之后，再根据这些位置进行各子区域图像的进一步切割。基于子区域融合的性别识别。有关研究证明，相比较整张人脸来说，脸部是局部区域受人脸表情变化的影响更小一些。就微笑这个表情来说，往往人脸的下半部分变化较大，特别是嘴巴和脸颊的变化，而上半部分尤其的鼻子的变化相当小。因此，实现性别识别可以通过脸部子区域特征的融合来进行。

参见图5，图5为扶梯出入口人员异常行为判别流程图。智能视频信息分析模块还包括乘客异常行为判断模块：用于对视频图像信息进行识别，通过速度对比，在人体的摔倒特征明显，且速度降为0或接近0速时，智能视频监控仪向扶梯控制器发出乘客异常行为信号，控制扶梯立刻停下或降速。

扶梯入口视频摄像仪boi（包括双目视频摄像仪）在获取到出口处的进出人员的行为特征图像传输到智能视频监控仪SEM中，经SEM中的中央处理器做算法运算处理，时时检测判断即将出扶梯的每个人的年龄，当得出行为正常时，则SEM不输出。继续监测下一个人员的行为。该功能不限目标年龄。该功能对所有在出、入口的一定区域，人员的摔倒行为做视频分析，速度对比，在人体的摔倒特征明显，且速度降为0或接近0速时，参照运动的扶梯的梯级速度，便可较直观的判断出人体是否摔倒。

当得出的行为异常时，即摔倒迹象时，则智能视频监控仪SEM输出YM1,YM2闭合，输出信号给扶梯控制器XN50的输入口XIN1,XIN2, 扶梯控制器XN50在得到该输入信号后，发出蜂鸣报警信号；且判断为需要快速降速运行，即按附图4c曲线图中的a2减速度来运行，减速到0的速度，即输出模拟量速度值AOUT1，AOUT2，按a2减加速度斜率从Ve的较高的速度减到0速度，扶梯停止运行，以避免人员在出入口处造成更大的伤害。

参见图6，图7，下面结合流程图对本发明的监控方法作进一步详细说明：

图6是基于乘客人脸特征来识别乘客年龄方法流程图:

第一步：基于人脸图像录入与抓取。这期间的摄像抓取也包括这其间该人员的面部表情，以免错认为不同的人。

人脸图像的预处理：在人脸库中提取的原始图像,由于受到外界因素的干扰,会使图像中面部的大小和位置造成很大的差异。这主要是由被拍摄人的位置、姿态、光照和成像距离等因素造成的。为了满足识别系统算法对图像质量的要求,必须对原始图像进行一定的技术处理,否则会影响整个系统的顺利运行,对算法识别的准确率造成很大的影响。主要包括以下方法：图像几何校正、直方图均衡化等。

第二步：预处理后的标准人脸特征提取。

综合面部皮肤、下巴、颈部、唇、鼻子、眼睛、或脸颊特征，作为判断年龄的重要依据。基于人脸图像数据场的面部特征（包括人脸的皱纹，表情等），首先对原始人脸图像进行尺度归一化，具体来说，就是以原始人脸图像的左、右两眼中心为基准，对图像进行旋转、切割和缩放，并结合椭圆掩模消除头发和背景的影响，最终得到32×32 像素的标准化人脸图像数据场的等势线分布。

第三步：转化为灰度图，对标准化人脸图像进行灰度变换，采用基于人脸图像数据场的特征提取方法提取每幅人脸图像的重要特征点，形成简化人脸图像；对简化人脸图像集合进行K-L变换得到的皮肤、下巴、颈部、唇、鼻子、眼睛、或脸颊特征向量所对应的“特征脸”图像。对简化人脸图像集合进行K-L变换，计算总体离差矩阵的特征向量，构成公共“特征脸”空间。灰度关联度诊断分析流程图参见图8。

测试人脸图像在“特征脸”空间的二维投影。将简化人脸图像投影到公共“特征脸”空间中，得到的前两个主特征向量张成的二维“特征脸”空间中投影数据分布，以相应的投影系数作为人脸图像的逻辑特征。

最后，根据逻辑特征，所有人脸图像在新的特征空间中形成二次数据场，根据数据间的相互作用和自组织聚集性实现人脸图像的聚类识别。

第四步：2DPAC算法人脸识别检测，对人脸划区块分析。PAC人脸识别的基本思想就是从人脸图像中找出最能代表人脸的特征空间，去除一些不能代表人脸特征的属性。一个单个的人脸图片映射到这个特征空间得到这个特征空间的一组系数，这组系数就表示这张人脸图片的特征脸特征。如果两张人脸图片映射到这个特征空间的系数差不多，就表示这两张人脸是同一个人。对人脸图像进行分块小波变换,并对各分块的高、低频分量进行组合处理,然后对小波系数特征应用2DPCA方法进行变换并将分块特征进行融合得到人脸鉴别特征,最后在ORL人脸库上应用支持向量机(SVM)对该特征进行分类识别。试验结果表明,该算法能有效地提高人脸识别性能,具有较短的识别时间和较高的识别准确率,优于传统的人脸识别方法。

第五步：脸部的局部特征用gabor小波变换提取

由于人脸面貌特征与年龄存在着较大的不确定性，提出了基于模糊隶属度的人脸图像年龄估计．用对光照、尺度变化具有很强鲁棒性的Gabor小波变换提取人脸特征，为了避免维数灾难，降低后续计算量，利用主成份分析方法对提取到的特征进行降维，细致推导了适用于人脸图像年龄估计的模糊函数，根据最大隶属度原则，来估计人脸的年龄。

第六步：进入目标年龄估算

目标年龄估算只是粗略的估计属于哪个年龄段，基于ADAB00ST算法。

Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器，然后把这些弱分类器集合起来，得出一个大致的目标年龄结果。

第七步：目标年龄特征向量生成

1.在人脸图像的识别过程中,特征提取是最关键的一步。特征提取的目的是把用像素描述的图像转化成更加高级的描述方式,使图像得到更加具体的解释。例如:可以通过颜色、形状、大小、空间构造或者是纹理特征对图像进行描述,在图像具有一定稳定性和高识别率的情况下,对图像数据进行降维处理。

2.目标年龄特征向量生成，与年龄资料库中的平均年龄样本特征向量比对。

第八步：目标年龄性状和纹理重构

比对后进入年龄的估算阶段，这时对信息的局部纹理再次分析如下：

主要工作有以下几个方面：

1 )采用了一种基于局部纹理约束的鲁棒AAM拟合算法，在一 定程度上解决了收敛速度慢的问题，主要增强了细节部分定位的准确 性，并且实现了对背景干扰的鲁棒，相比原有的算法具有更快、更准 确的性能。大大提高了特征点标注的速度和准确度，从而能有效的提人脸特征来进行年龄估计和人像重构。

2)将模糊加权预处理与人工免疫识别系统相结合形成了一种分类器，进一步提高了分类器的准确率。通过对人脸特征按年龄进行分类，从而实现根据人脸图像来估计年龄的目的。

3)采用了从人脸形状与纹理两个方面重建人脸的方法。提出 RBF神经网络来逼近各个年龄段人脸形状的变化函数，从而实现了人脸形状随年龄变化的预测，采用一种改进的纹理变换方法来模拟人脸纹理随年龄变化的过程，新的纹理变换方法更大程度的保留了人脸年龄信息包括皱纹、斑点等，使得人脸年龄图像重建的效果更加逼真，利用各种相似性度量函数，就可以判断两幅图像之间的相似性了。

第九步：目标年龄的给出与判断

经过上面一系列的分析流程后，估算出目标年龄的实际P值

第十步：目标年龄范围的判断

l 将判断的目标年龄值经判断公式N1<P<N2，判断是否满足

l N1-----非关注年龄的下限值，如7岁

l N2-----非关注年龄的上限值，如70岁

l P------目标的实际值（年龄）

是，则流程上行，回到流程图的第一步，捕捉下一张面孔判断，不输出信号给扶梯控制器XN50

l 如果超出N1<P<N2条件，则控制系统得出上扶梯的乘客年龄可能为老人或小孩，则流程下行，输出信号给XN50扶梯控制器，

第十一步：扶梯控制器XN50内部在收到该信号后，输出降速运行信号给扶梯驱动器（变频器）。

第十二步；扶梯驱动器在收到扶梯控制器XN50的降速指令后，按低加速度加速至较低速度，按低速运行。这样起到兼顾老人的安全作用。

第十三步：扶梯低速运行N秒后，估计老人已从出口安全离开扶梯，则扶梯恢复到正常运行状态

参见图7，图7为于乘客人脸特征来识别乘客性别方法流程图：

第一步：基于人脸图录入与抓取。这期间的摄像抓取也包括这其间该人员的面部表情，以免错认为不同的人。

人脸图像的预处理：在人脸库中提取的原始图像,由于受到外界因素的干扰,会使图像中面部的大小和位置造成很大的差异。这主要是由被拍摄人的位置、姿态、光照和成像距离等因素造成的。为了满足识别系统算法对图像质量的要求,必须对原始图像进行一定的技术处理,否则会影响整个系统的顺利运行,对算法识别的准确率造成很大的影响。主要包括以下几种方法：图像几何校正、直方图均衡化等。

第二步：预处理后的标准人脸图像预处理（人脸特征提取）

基于人脸图像数据场的面部特征，首先对原始人脸图像进行尺度归一化，具体来说，就是以原始人脸图像的左、右两眼中心为基准，对图像进行旋转、切割和缩放，并结合椭圆掩模消除头发和背景的影响，最终得到32×32 像素的标准化人脸图像数据场的等势线分布。

第三步：转化为灰度图，基于特征点的简化人脸图像。对标准化人脸图像进行灰度变换，采用基于人脸图像数据场的特征提取方法提取每幅人脸图像的重要特征点，形成简化人脸图像；

对简化人脸图像集合进行K-L变换得到的双眼、头发、胡须、脸型特征向量所对应的“特征脸”图像。对简化人脸图像集合进行K-L变换，计算总体离差矩阵的特征向量，构成公共“特征脸”空间。

测试人脸图像在“特征脸”空间的二维投影。将简化人脸图像投影到公共“特征脸”空间中，得到的前两个主特征向量张成的二维“特征脸”空间中投影数据分布，以相应的投影系数作为人脸图像的逻辑特征。

最后，根据逻辑特征，所有人脸图像在新的特征空间中形成二次数据场，根据数据间的相互作用和自组织聚集性实现人脸图像的聚类识别。

第四步：Adaboost快速检测算法，Adaboost是一种基于级联分类模型的分类器。

AdaBoost算法的实现，采用的是输入图像的矩形特征，也叫Haar特征。影响Adaboost检测训练算法速度很重要的两方面是特征的选取和特征值的计算。脸部的一些特征可以由矩形特征简单地描绘。

第五步：特征固定，如双眼、头发、胡须、脸型等，采用AAM算法。AAM (ActiveAppearance Model)是广泛应用于模式识别领域的一种特征点提取方法。基于 AAM 的人脸特征定位方法在建立人脸模型过程中，不但考虑局部特征信息，而且综合考虑到全局形状和纹理信息，通过对人脸形状特征和纹理特征进行统计分析，建立人脸混合模型，即为最终对应的 AAM 模型。在图像的匹配过程中，为了能够既快速又准确地进行人脸特征标定，在对被测试人脸对象进行特征点定位时采取一种图像匹配拟合的方法，可形象概括为“匹配→比较→调整再匹配→再比较”的过程。

第六步：目标性别估算

通过OpenCv进行性别识别的基本工具是FaceRecognizer。这是OpenCv2.x版本中的一个基本的人脸识别类，它封装了三种基本但也是经典的人脸识别算法：基于PCA变换的人脸识别(EigenFaceRecognizer)、基于Fisher变换的人脸识别(FisherFaceRecognizer)、基于局部二值模式的人脸识别(LBPHFaceRecognizer)。关于FaceRecognizer类人脸识别的详细操作，这里直接使用，对于其基本用法就不再赘述。

第七步：目标性别特征向量的生成----性别资料库比对

生成目标年龄特征向量，与预先建立的年龄资料库中的平均年龄样本特征向量比对。

进行性别识别理所应当需要先准备一些性别识别方面的训练样本， 整理的性别识别训练集是之前通过OpenCv进行性别识别的基本工具FaceRecognizer，处理之前，各种各样的男性即女性特征的光照子集。包含至少500张男性人脸图片和600张女性人脸图片，其中不同年龄段不同的脸型，发型，是否胡须，眼镜，发卡，服饰等特征，经以上方式处理后的人脸资料库。也可以借用其它权威部分的资料库。

性别信息作为年龄判别的一种先验信息，因而对于年龄估计非常的重要，所以要将得出的性别输出给年龄判断识别流程的第八步，作为年龄判断的参考因子。

以上结合流程图说明了本发明基于人脸特征来识别乘客年龄、性别的方法，当然本发明还可以采用现有技术中有关人脸识别年龄、性别的方法来实现本发明的目的，例如参考文献：ZHANG Tian-gang,REN Pei-hua,ZHANG Jing-an,Gender classification andage estimation based on facial image,Computer Engineering and design,2012,33(5),1997-2001(in Chinese) [张天刚，任培花，张景安，基于人脸图像的性别识别与年龄估计，计算机工程与设计，2012，33（5），1997-2001]。在此就不赘述。

Claims (10)

1.一种基于扶梯安全的智能视频监控系统，其特征在于包括：

视频摄像仪,设置在扶梯的出入口，用于获取乘客视频图像，并将视频图像信息上传至智能视频监控仪；

智能视频监控仪,将智能视频信息分析模块嵌入到DSP处理器中运行，对视频图像信息进行分析及处理，在乘客非配合的、甚至没察觉到的情况下自动检测识别乘客人脸特征或行为特征，判断乘客的类型，根据判断结果发出扶梯调速指令至扶梯控制器；

扶梯控制器,与扶梯驱动器相连，接受智能视频监控仪发出的调速指令，控制扶梯起动、减速或停止。

2.如权利要求1所述的一种基于扶梯安全的智能视频监控系统，其特征在于包括：所述智能视频信息分析模块包括乘客年龄判断模块：用于对视频图像信息进行识别，抓取乘客人脸特征，判断乘客的年龄，生成目标年龄的实际值P，设定非关注乘客年龄下限值N1和上限值N2，并与目标年龄的实际值P比对，当目标年龄的实际值P高出设定的年龄上限值N2或低于年龄下限值N1时，则得出乘客为老年人或幼儿，此时智能视频监控仪向扶梯控制器发出当前乘客年龄超出正常范围的信号，控制扶梯驱动器输出较低的加速度和较低的运行速度给扶梯主电机。

3.如权利要求2所述的一种基于扶梯安全的智能视频监控系统，其特征在于包括：所述乘客年龄判断模块包括人脸特征抓取模块：抓取乘客皮肤、下巴、颈部、唇、鼻子、眼睛、或脸颊特征，生成目标年龄特征向量，与预先建立的年龄资料库中的平均年龄样本特征向量比对，最终得到目标年龄的实际值P。

4.如权利要求1所述的一种基于扶梯安全的智能视频监控系统，其特征在于包括：所述智能视频信息分析模块还包括乘客性别判断模块：用于对视频图像信息进行识别，抓取乘客双眼、头发、胡须或脸型特征，生成目标性别特征向量，与预先建立的性别资料库中的性别样本特征向量比对，最终得到目标性别。

5.如权利要求1所述的一种基于扶梯安全的智能视频监控系统，其特征在于包括：所述智能视频信息分析模块还包括乘客异常行为判断模块：用于对视频图像信息进行识别，通过速度对比，在人体的摔倒特征明显，且速度降为0或接近0速时，智能视频监控仪向扶梯控制器发出乘客异常行为信号，控制扶梯立刻停下或降速。

6.一种基于扶梯安全的智能视频监控方法，其特征在于包括以下步骤：

设置在扶梯出入口的视频摄像仪获取乘客视频图像信息；

将智能视频信息分析模块嵌入到DSP处理器中运行，智能视频信息分析模块对视频图像信息进行分析及处理，在乘客非配合的、甚至没察觉到的情况下自动检测识别乘客人脸特征或行为特征，判断乘客的类型，根据判断结果发出扶梯调速指令至扶梯控制器；扶梯控制器,与扶梯驱动器相连，接受调速指令，控制扶梯起动、减速或停止。

7.如权利要求6所述的一种基于扶梯安全的智能视频监控方法， 其特征在于其中步骤2)包括以下步骤：

2a)对视频图像信息进行识别，抓取乘客双眼、头发、胡须或脸型特征，生成目标性别特征向量，与预先建立的性别资料库中的性别样本特征向量比对，最终得到目标性别；

2b)对视频图像信息进行识别，抓取乘客人脸特征，并根据乘客的目标性别判断乘客的年龄，生成目标年龄的实际值P，设定非关注乘客年龄下限值N1和上限值N2，并与目标年龄的实际值P比对，当目标年龄的实际值P高出设定的年龄上限值N2或低于年龄下限值N1时，则得出乘客为老年人或幼儿，并向扶梯控制器发出当前乘客年龄超出正常范围的信号，控制扶梯驱动器输出较低的加速度和较低的运行速度给扶梯主电机。

8.如权利要求6所述的一种基于扶梯安全的智能视频监控方法， 其特征在于其中步骤2)包括以下步骤：2C)对视频图像信息进行识别，通过速度对比，在人体的摔倒特征明显，且速度降为0或接近0速时，智能视频监控仪向扶梯控制器发出乘客异常行为信号，控制扶梯立刻停下或降速。

9.如权利要求7所述的一种基于扶梯安全的智能视频监控方法， 其特征在于其中步骤2b)进一步包括以下步骤：抓取乘客皮肤、下巴、颈部、唇、鼻子、眼睛、或脸颊特征，生成目标年龄特征向量，与预先建立的年龄资料库中的平均年龄样本特征向量比对，最终得到目标年龄的实际值P。

10.如权利要求9所述的一种基于扶梯安全的智能视频监控方法， 其特征在于进一步包括以下步骤：采用 2DPCA 算法将人脸图像的全局特征提取出来，然后对脸部的局部特征用Gabor小波变换进行提取。