CN107416630B - 电梯非正常关闭的检测方法和系统 - Google Patents

Abstract

本发明涉及一种电梯非正常关闭的检测方法和系统，获取电梯轿厢内部的深度图像；在深度图像中存在识别对象的图像信息时，检测电梯是否发生故障，若发生故障，判定电梯发生非正常关闭事故。在此方案中，通过电梯轿厢内部的深度图像可以判断电梯轿厢内是否有识别对象，若同时电梯处于故障状态，可以判定电梯发生非正常关闭事故，先确定电梯内是否有识别对象，再判断电梯是否发生故障，由于这一过程所消耗的时间较短，可以在故障发生前的瞬间进行，因此可以避免电梯轿厢内的照明故障的影响，准确检测电梯是否发生非正常关闭事故。

Description

电梯非正常关闭的检测方法和系统

技术领域

本发明涉及电梯检测技术领域，特别是涉及一种电梯非正常关闭的检测方法和系统。

背景技术

在电梯的实际使用过程中，有时会因不可预知的因素导致电梯部件失效，从而发生电梯非正常关闭事故，可能危害电梯内人员的生命安全，因此对电梯非正常关闭的检测显得尤为重要。

目前，对电梯非正常关闭的检测一般是在电梯故障时通过电梯内拍摄的图像判断电梯中是否有乘客，从而确定是否发生电梯非正常关闭，但是若电梯故障时，电梯轿厢内的照明故障，此时就无法准确判断电梯内是否有乘客。

发明内容

基于此，有必要针对电梯轿厢内的照明故障时无法检测电梯内是否有乘客的问题，提供一种电梯非正常关闭的检测方法和系统。

一种电梯非正常关闭的检测方法，包括以下步骤：

获取电梯轿厢内部的深度图像，其中，深度图像是从电梯轿厢内部的上方拍摄得到的；

在深度图像中存在识别对象的图像信息时，检测电梯是否处于故障状态；

若是，判定电梯发生非正常关闭事故。

一种电梯非正常关闭的检测系统，包括：

图像获取单元，用于获取电梯轿厢内部的深度图像，其中，深度图像是从电梯轿厢内部的上方拍摄得到的；

故障检测单元，用于在深度图像中存在识别对象的图像信息时，检测电梯是否处于故障状态；

事故判断单元，用于在深度图像中存在识别对象的图像信息且电梯处于故障状态时，判定电梯发生非正常关闭事故。

根据上述本发明的电梯非正常关闭的检测方法和系统，获取电梯轿厢内部的深度图像；在深度图像中存在识别对象的图像信息时，检测电梯是否发生故障，若发生故障，判定电梯发生非正常关闭事故。在此方案中，通过电梯轿厢内部的深度图像可以判断电梯轿厢内是否有识别对象，若同时电梯处于故障状态，可以判定电梯发生非正常关闭事故，先确定电梯内是否有识别对象，再判断电梯是否发生故障，由于这一过程所消耗的时间较短，可以在故障发生前的瞬间进行，因此可以避免电梯轿厢内的照明故障的影响，准确检测电梯是否发生非正常关闭事故。

一种可读存储介质，其上存储有可执行程序，该程序被处理器执行时实现上述的电梯非正常关闭的检测方法的步骤。

一种检测设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的可执行程序，处理器执行程序时实现上述的电梯非正常关闭的检测方法的步骤。

根据上述本发明的电梯非正常关闭的检测方法，本发明还提供一种可读存储介质和检测设备，用于通过程序实现上述电梯非正常关闭的检测方法。上述可读存储介质和检测设备能够通过电梯轿厢内部的深度图像可以判断电梯轿厢内是否有识别对象，若同时电梯处于故障状态，可以判定电梯发生非正常关闭事故，先确定电梯内是否有识别对象，再判断电梯是否发生故障，由于这一过程所消耗的时间较短，可以在故障发生前的瞬间进行，因此可以避免电梯轿厢内的照明故障的影响，准确检测电梯是否发生非正常关闭事故。

附图说明

图1为其中一个实施例的电梯非正常关闭的检测方法的流程示意图；

图2为其中一个实施例的电梯非正常关闭的检测系统的结构示意图；

图3为其中一个具体实施例的实时前景图像的分割示意图；

图4为其中一个具体实施例的实时前景图像的极大值区域示意图；

图5为其中一个具体实施例的高度阈值示意图；

图6(a)至图6(e)为其中一个具体实施例的人体姿态示意图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。

参见图1所示，为本发明一个实施例的电梯非正常关闭的检测方法的流程示意图。该实施例中的电梯非正常关闭的检测方法，包括以下步骤：

步骤S101：获取电梯轿厢内部的深度图像，其中，深度图像是从电梯轿厢内部的上方拍摄得到的；

在本步骤中，深度图像是从电梯轿厢内部的上方向下拍摄得到的，深度图像包括图像深度值等信息；

步骤S102：在深度图像中存在识别对象的图像信息时，检测电梯是否处于故障状态；

在本步骤中，识别对象是位于电梯轿厢内部的各种对象；

步骤S103：若是，判定电梯发生非正常关闭事故。

在本步骤中，深度图像中存在识别对象的图像信息且电梯处于故障状态，表明有识别对象在故障的电梯中，因此此时可以判定电梯发生非正常关闭事故。

在本实施例中，获取电梯轿厢内部的深度图像；在深度图像中存在识别对象的图像信息时，检测电梯是否发生故障，若发生故障，判定电梯发生非正常关闭事故。在此方案中，通过电梯轿厢内部的深度图像可以判断电梯轿厢内是否有识别对象，若同时电梯处于故障状态，可以判定电梯发生非正常关闭事故，先确定电梯内是否有识别对象，再判断电梯是否发生故障，由于这一过程所消耗的时间较短，可以在故障发生前的瞬间进行，因此可以避免电梯轿厢内的照明故障的影响，准确检测电梯是否发生非正常关闭事故。

可选的，可以通过安装在电梯轿厢内部上方的深度相机获取深度图像，目前电梯的相关部件中包括摄像头，深度相机可以集成在摄像头上。

在其中一个实施例中，电梯非正常关闭的检测方法还包括以下步骤：

根据深度图像和电梯轿厢内部的背景图像获取前景图像，对前景图像进行区域深度分析，若前景图像中存在深度值在预设识别对象特征值范围内的区域，判定深度图像中存在识别对象的图像信息。

在本实施例中，利用深度图像和背景图像可以获取前景图像，由于识别对象的深度值高于背景图像的深度值，因此前景图像中能更加突出识别对象，可以更加直接地得到电梯中识别对象的图像信息，对前景图像进行区域深度分析，可以获得前景图像的深度值信息，识别对象的特征值在前景图像中可以深度值的形式体现，因此可以根据深度值与预设识别对象特征值范围的关系来确定对应的深度图像中是否存在识别对象的图像信息，如此可以简单快速地确定识别对象的图像信息。

可选的，在电梯处于空闲待召状态时，采集电梯轿厢内部的深度图像作为电梯轿厢内部的背景图像；电梯处于空闲待召状态时，电梯轿厢内部没有任何识别对象。

可选的，通过将背景图像的像素数据与深度图像的像素数据进行相减操作，可以得到相应的前景图像的像素数据。

在其中一个实施例中，对前景图像进行区域深度分析的步骤包括以下步骤：

将前景图像划分为多个区域，计算每个区域的平均深度值；

根据每个区域的平均深度值确定平均深度极大值所属的第一区域，其中，第一区域周围第一预设长度范围内的其他区域的各平均深度值的平均值小于或等于平均深度极大值；

若前景图像中存在深度值在预设识别对象特征值范围内的区域，判定深度图像中存在识别对象的图像信息的步骤包括以下步骤：

若前景图像中存在平均深度极大值在预设识别对象特征值范围内的第一区域，判定深度图像中存在识别对象的图像信息。

在本实施例中，由于识别对象在前景图像中所占的图像区域有限，而且在电梯轿厢内部这一场景中，识别对象的特征值对应的平均深度值会远大于识别对象周围第一预设长度范围内的图像区域的平均深度值，即识别对象的特征值对应的平均深度值是识别对象所在区域的平均深度值的极大值，也就是平均深度极大值，通过计算前景图像中各区域的平均深度极大值，并与预设识别对象特征值范围进行匹配，可以得到识别对象所在的区域，从而确定深度图像中存在识别对象的图像信息。

可选的，可以将前景图像划分为多个矩形区域，可以把k*k(k为大于1的奇数)个矩形区域组成的窗口区域作为计算平均深度极大值的区域，对前景图像的所有矩形区域进行遍历，查找中心矩形区域平均深度值大于或等于其他(k*k-1)个矩形区域的平均深度值的窗口区域，中心矩形区域即为第一区域，其他(k*k-1)个矩形区域即为第一区域周围第一预设长度范围内的其他区域。第一预设长度可以根据实际需要进行调整。

在其中一个实施例中，电梯非正常关闭的检测方法还包括以下步骤：

选取第一区域周围第一预设长度范围内的其他区域中的第二区域，其中，平均深度极大值与第二区域的各像素点的深度值的差值均小于或等于识别对象的指定部位的第一深度阈值；

将第一区域和第二区域的整体作为极大值区域，计算极大值区域的面积；

若前景图像中存在平均深度极大值在预设识别对象特征值范围内的第一区域，判定深度图像中存在识别对象的图像信息的步骤包括以下步骤：

若前景图像中存在第一区域，且极大值区域的面积在预设面积范围内，判定深度图像中存在识别对象的图像信息。

在本实施例中，识别对象在前景图像中所占的图像区域不仅仅只有第一区域，还有第二区域，平均深度极大值与第二区域的各像素点的深度值的差值均小于或等于指定部位的第一深度阈值，不同的识别对象的第一区域和各第二区域组成的极大值区域的面积不同，其均在预设面积范围内，通过计算第一区域和第二区域组成的极大值区域面积，并与预设面积范围匹配，可以进一步准确得到识别对象所在的区域，从而确定深度图像中存在识别对象的图像信息。

可选的，目标深度值可以是第一区域的平均深度极大值，也可以是极大值区域的平均深度值。

在其中一个实施例中，电梯非正常关闭的检测方法还包括以下步骤：

对所有的极大值区域进行霍夫圆检测，判断是否存在满足霍夫圆检测条件的目标极大值区域；

若前景图像中存在第一区域，且极大值区域的面积在预设面积范围内，判定深度图像中存在识别对象的图像信息的步骤包括以下步骤：

若前景图像中存在第一区域，极大值区域的面积在预设面积范围内，且存在目标极大值区域，判定深度图像中存在识别对象的图像信息。

在本实施例中，识别对象在前景图像中所占的第一区域和第二区域属于识别对象的指定区域，而指定区域可以是圆形或近似圆形，对所有的极大值区域进行霍夫圆检测，可以得到形状为圆形或近似圆形的目标极大值区域，避免将面积在预设面积范围内，形状为非圆形的极大值区域误认为属于识别对象在前景图像中所在的区域，可以进一步准确得到识别对象所在的区域，从而确定深度图像中存在识别对象的图像信息。

在其中一个实施例中，电梯非正常关闭的检测方法还包括以下步骤：

将目标极大值区域和目标极大值区域周围第二预设长度范围内的其他区域的整体作为感兴趣区域，对感兴趣区域进行二值化处理，获取感兴趣区域中像素点的深度值大于或等于二值化阈值的第三区域，其中，二值化阈值是目标极大值区域的平均深度极大值与第二深度阈值的差值；

计算目标极大值区域的面积与第三区域的面积的比值；

若前景图像中存在第一区域，极大值区域的面积在预设面积范围内，且存在目标极大值区域，判定深度图像中存在识别对象的图像信息的步骤包括以下步骤：

若前景图像中存在第一区域，极大值区域的面积在预设面积范围内，存在目标极大值区域，且比值在预设比值范围内，判定深度图像中存在识别对象的图像信息。

在本实施例中，目标极大值区域周围的其他区域和目标极大值区域组成感兴趣区域(ROI，region of interest)，对感兴趣区域进行二值化处理，获取感兴趣区域中像素点的深度值大于或等于二值化阈值的第三区域，第三区域可以表示识别对象在前景图像中所占的全部区域，由于识别对象的指定区域的面积与识别对象的全部区域的面积的比值在预设比值范围内，通过计算目标极大值区域的面积与第三区域的面积的比值，并与预设比值范围匹配，可以进一步准确得到识别对象所在的区域，从而确定深度图像中存在识别对象的图像信息。

可选的，第二深度阈值是与识别对象在前景图像中的最低深度值和最高深度值的差值的阈值，第二预设长度可以根据实际需要进行调整。

在其中一个实施例中，检测电梯是否发生故障的步骤包括以下步骤：

检测电梯是否发生开门故障或是否停留在非平层区。

在本实施例中，电梯故障包括开门故障或停留在非平层区，在这两种情况下，电梯轿厢内的识别对象无法正常离开电梯，通过检测这两种故障可以检测到电梯非正常关闭。利用各种不同的故障检测装置可以检测出电梯是否发生开门故障或是否停留在非平层区。

在其中一个实施例中，检测电梯是否发生故障的步骤包括以下步骤：

检测电梯连续处于关门状态的时间是否超过预设时间。

在本实施例中，电梯故障包括电梯连续处于关门状态的时间超过预设时间，在电梯超时运行后，电梯仍然处于关门状态，此时电梯轿厢内的识别对象无法正常离开电梯，通过检测这种故障也可以检测到电梯非正常关闭。利用电梯关门计时装置可以检测出电梯连续处于关门状态的时间是否超过预设时间。

在其中一个实施例中，在判定电梯发生非正常关闭事故的步骤之后还包括以下步骤：

发送报警信息至对应电梯运维人员的终端，并通过电梯轿厢的扬声器播放预设语音。

在本实施例中，在判定电梯发生非正常关闭事故后，可以发送报警信息至对应电梯运维人员的终端，以提醒电梯运维人员尽快对电梯进行维修，同时通过电梯轿厢的扬声器播放预设语音，以提醒电梯内的识别对象保持镇定，等待电梯运维人员对电梯进行维修。

在其中一个实施例中，识别对象包括电梯乘客，识别对象特征值包括乘客身高值，指定部位包括乘客的头部，第二深度阈值是预设的乘客的头部顶端至肩部的深度值。

在本实施例中，识别对象可以是电梯乘客，指定部位可以是乘客的头部，由于深度图像是从电梯轿厢内部的上方拍摄得到的，因此在前景图像中的乘客的图像区域显示乘客头部顶端至肩部的区域，第二深度阈值是用于获取乘客的图像区域，可以是预设的乘客的头部顶端至肩部的深度值，通过上述设定有利于对电梯轿厢内部的乘客进行识别。

在其中一个实施例中，电梯非正常关闭的检测方法还包括以下步骤：

在深度图像中存在识别对象的图像信息时，根据图像信息判断识别对象是否处于指定状态；

若识别对象不处于指定状态，且电梯的轿门处于动作状态或处于开启状态，则发出代表注意电梯运行状态的安全提示信息。

在本实施例中，通过对电梯轿厢内部的深度图像的识别分析处理，可以获知电梯轿厢内部中的识别对象是否处于指定状态，若识别对象未处于指定状态，在电梯的轿门处于动作或开启状态时，可以提示识别对象注意电梯运行状态，使识别对象的注意力集中在电梯上，避免识别对象被夹、踏空等危险事故的发生。

在其中一个实施例中，根据图像信息判断识别对象是否处于指定状态的步骤包括以下步骤：

获取目标极大值区域的第一中心点和第三区域的第二中心点，计算第一中心点和第二中心点之间的距离值；

若距离值小于或等于距离阈值，则判定识别对象处于指定状态；

若距离值大于距离阈值，则判定识别对象未处于指定状态。

在本实施例中，获取目标极大值区域的第一中心点和第三区域的第二中心点，以第一中心点和第二中心点的距离值为依据，可以简单快速地判断识别对象是否处于指定状态。

在其中一个实施例中，若距离值大于距离阈值，则判定识别对象未处于指定状态的步骤包括以下步骤：

若距离值大于距离阈值，且第一中心点和第二中心点的连接线垂直于第三区域的主长轴线，则判定识别对象处于俯视下方的状态。

在本实施例中，由于识别对象处于俯视下方的状态时，目标极大值区域的第一中心点相对于第三区域的第二中心点会有所偏移，而且偏移方向垂直于第三区域的主长轴，通过比较第一中心点和第二中心点的距离值与距离阈值，以及确定第一中心点和第二中心点的连接线与第三区域的主长轴线的关系，由此可以判断识别对象是否处于俯视下方的状态，过程简单，判断速度快。

在其中一个实施例中，识别对象包括电梯乘客，指定状态包括电梯乘客正视前方的状态，识别对象特征值包括乘客身高值，指定部位包括乘客的头部，第二深度阈值是预设的乘客的头部顶端至肩部的深度值。

在本实施例中，识别对象可以是电梯乘客，当乘客未处于正视前方的状态，可以发出代表注意电梯运行状态的安全提示信息，提醒乘客注意电梯运行状态，避免乘客被夹、踏空等危险事故的发生，乘客是否正视前方在前景图像中体现的差异表现为乘客头部的变化，指定部位可以是乘客的头部，由于深度图像是从电梯轿厢内部的上方拍摄得到的，因此在前景图像中的乘客的图像区域显示乘客头部顶端至肩部的区域，第二深度阈值是用于获取乘客的图像区域，可以是预设的乘客的头部顶端至肩部的深度值。

在其中一个实施例中，电梯非正常关闭的检测方法还包括以下步骤：

在深度图像中存在识别对象的图像信息时，获取深度图像中识别对象的目标深度值；

若目标深度值小于预设深度阈值，则发出代表离开电梯的提示信息。

在本实施例中，通过对电梯轿厢内部的深度图像的识别分析处理，可以获知电梯使用区域中的识别对象的目标深度值，在目标深度值小于预设深度阈值时，表明识别对象不适宜乘坐电梯，可以发出代表离开电梯的提示信息，以提示识别对象离开电梯。

可选的，目标深度值可以是第一区域的平均深度极大值，也可以是极大值区域的平均深度值。

在其中一个实施例中，获取深度图像中识别对象的目标深度值的步骤包括以下步骤：

识别所有平均深度值在预设识别对象特征值范围内的区域，获取识别的各区域的深度值；

若目标深度值小于预设深度阈值，则发出代表离开电梯的提示信息的步骤包括以下步骤：

若识别的各区域的深度值均小于预设深度阈值，则发出代表离开电梯的提示信息。

在其中一个实施例中，发出代表离开电梯的提示信息的步骤包括以下步骤：

控制电梯进入并保持开门状态，并发出代表离开电梯的语音提示信息。

在本实施例中，在发出语音提示信息的同时，可以控制电梯进入并保持开门状态，便于识别对象离开电梯。

在其中一个实施例中，发出代表离开电梯的提示信息的步骤包括以下步骤：

驱动电梯到达预设楼层，控制电梯进入并保持开门状态，并发出代表离开电梯的语音提示信息。

在本实施例中，在发出语音提示信息的同时，可以驱动电梯到达预设楼层，控制电梯进入并保持开门状态，便于识别对象离开电梯，保证识别对象的安全。

根据上述电梯非正常关闭的检测方法，本发明还提供一种电梯非正常关闭的检测系统，以下就本发明的电梯非正常关闭的检测系统的实施例进行详细说明。

参见图2所示，为本发明一个实施例的电梯非正常关闭的检测系统的结构示意图。该实施例中的电梯非正常关闭的检测系统包括：

图像获取单元210，用于获取电梯轿厢内部的深度图像，其中，深度图像是从电梯轿厢内部的上方拍摄得到的；

故障检测单元220，用于在深度图像中存在识别对象的图像信息时，检测电梯是否处于故障状态；

事故判断单元230，用于在深度图像中存在识别对象的图像信息且电梯处于故障状态时，判定电梯发生非正常关闭事故。

在其中一个实施例中，故障检测单元220根据深度图像和电梯轿厢内部的背景图像获取前景图像，对前景图像进行区域深度分析；在前景图像中存在深度值在预设识别对象特征值范围内的区域时，判定深度图像中存在识别对象的图像信息。

在其中一个实施例中，故障检测单元220将前景图像划分为多个区域，计算每个区域的平均深度值；根据每个区域的平均深度值确定平均深度极大值所属的第一区域，其中，第一区域周围第一预设长度范围内的其他区域的各平均深度值的平均值小于或等于平均深度极大值；在前景图像中存在平均深度极大值在预设识别对象特征值范围内的第一区域时，判定深度图像中存在识别对象的图像信息。

在其中一个实施例中，故障检测单元220选取第一区域周围第一预设长度范围内的其他区域中的第二区域，其中，平均深度极大值与第二区域的各像素点的深度值的差值均小于或等于识别对象的指定部位的第一深度阈值；将第一区域和第二区域的整体作为极大值区域，计算极大值区域的面积；在前景图像中存在第一区域，且极大值区域的面积在预设面积范围内时，判定深度图像中存在识别对象的图像信息。

在其中一个实施例中，故障检测单元220对所有的极大值区域进行霍夫圆检测，判断是否存在满足霍夫圆检测条件的目标极大值区域；在前景图像中存在第一区域，极大值区域的面积在预设面积范围内，且存在目标极大值区域时，判定深度图像中存在识别对象的图像信息。

在其中一个实施例中，故障检测单元220将目标极大值区域和目标极大值区域周围第二预设长度范围内的其他区域的整体作为感兴趣区域，对感兴趣区域进行二值化处理，获取感兴趣区域中像素点的深度值大于或等于二值化阈值的第三区域，其中，二值化阈值是目标极大值区域的平均深度极大值与第二深度阈值的差值；计算目标极大值区域的面积与第三区域的面积的比值；在前景图像中存在第一区域，极大值区域的面积在预设面积范围内，存在目标极大值区域，且比值在预设比值范围内时，判定深度图像中存在识别对象的图像信息。

在其中一个实施例中，故障检测单元220检测电梯是否发生开门故障或是否停留在非平层区。

在其中一个实施例中，故障检测单元220检测电梯连续处于关门状态的时间是否超过预设时间。

在其中一个实施例中，事故判断单元230发送报警信息至对应电梯运维人员的终端，并通过电梯轿厢的扬声器播放预设语音。

在其中一个实施例中，识别对象包括电梯乘客，识别对象特征值包括乘客身高值，指定部位包括乘客的头部，第二深度阈值是预设的乘客的头部顶端至肩部的深度值。

上述“第一”、“第二”等序数词只是为了区分所描述的对象，并不是对所描述对象的限定。

本发明的电梯非正常关闭的检测系统与本发明的电梯非正常关闭的检测方法一一对应，在上述电梯非正常关闭的检测方法的实施例阐述的技术特征及其有益效果均适用于电梯非正常关闭的检测系统的实施例中。

根据上述电梯非正常关闭的检测方法，本发明实施例还提供一种可读存储介质和一种控制设备。

可读存储介质上存储有可执行程序，该程序被处理器执行时实现上述电梯非正常关闭的检测方法的步骤；控制设备包括存储器、处理器及存储在存储器上并可在处理器上运行的可执行程序，处理器执行程序时实现上述电梯非正常关闭的检测方法的步骤。

上述可读存储介质和控制设备能够通过电梯轿厢内部的深度图像可以判断电梯轿厢内是否有识别对象，若同时电梯处于故障状态，可以判定电梯发生非正常关闭事故，先确定电梯内是否有识别对象，再判断电梯是否发生故障，由于这一过程所消耗的时间较短，可以在故障发生前的瞬间进行，因此可以避免电梯轿厢内的照明故障的影响，准确检测电梯是否发生非正常关闭事故。

在一个具体的实施例中，本发明的方案可以应用在检测电梯是否发生困人事故的场景中。

电梯非正常关闭的检测方法利用深度相机，从上向下拍摄，实时检测识别对象，如果检测到电梯发生故障，如不能开门或停留在非平层区，则判定电梯发生困人事故。

具体过程如下：

通过深度相机进行人体检测，在确认是乘客之后，再对乘客的行为进行识别。

(1)人体检测

1、在当前区域没有乘客或其他物品时，采集一帧深度图像作为背景图像；当前区域可以是电梯轿厢内部区域或电梯轿厢门前的预设范围区域；

2、实时采集深度图像；

3、提取前景图像：实时前景图像＝背景图像－实时深度图像

4、设深度相机的深度传感器的像素宽为W、像素高为H，每个区域像素为A*A，将实时前景图像分割成

个区域，如图3所示。

5、在对实时前景图像分割后，计算每个区域的平均深度值

以kA*kA(k＝3，5，…，根据分割的区域大小设定)为窗口，遍历实时前景图像，找到满足中心区域平均深度值大于或等于其他(kA*kA-1)个区域平均深度值所对应的区域，该中心区域就是实时前景图像中的平均深度极大值的区域。

6、平均深度极大值反映的是人体的身高，只有当该值在一定的范围内时，才认为当前对象是人体。

身高阈值1≤avgG_m≤身高阈值2 (1)

7、以平均深度极大值的区域为中心的kA*kA区域，让该kA*kA区域内的所有区域的每个像素点的深度值与中心区域的平均深度值比较：

everyGj≥(avgG_m–高度阈值h₁)(0≤j＜kA*kA) (2)

高度阈值h₁可以是人体头顶的深度值与人体头部在深度图像中的边缘对应的深度值的差值，根据公式(2)找出前景图像极大值区域，结果如图4所示。

8、对上一步中的极大值区域的面积S进行限制：

面积阈值1≤头部面积S≤面积阈值2

9、人体头部近似于圆，对上一步中筛选出的结果进行霍夫圆检测，去掉轮廓形状不符合要求的区域。

10、经过以上各个步骤，可以成功识别出人体头部，但仅仅通过此检测是不够的，对于大小合适、高度合适的球状物，就存在误检的可能。因此，在以上各步的基础上结合人体身体的判断检测。

把经过以上各步判断出的人头区域及附近区域设置为ROI区域，针对每一个ROI区域，将该区域进行二值化处理，其二值化阈值为：

二值化阈值＝头顶对应的深度值－高度阈值h₂

高度阈值h₂可以是人体头顶到人体肩部的深度差值，如图5所示，进行二值化处理后就能得到人体的身体区域，提取身体区域面积S2。

11、人体头部与人体身体大小一般成比例：

比例R＝头部面积S/身梯区域面积S2

若头身比例R在特定的范围之内则判定为人体。

(2)困人检测

1)如果根据(1)中人体检测算法识别电梯轿厢中有乘客存在，但电梯检测出自身发生故障，如不能开门或者停留在非平层区时，则判断电梯存在困人现象。

2)如果根据(1)中人体检测算法识别电梯轿厢中有乘客存在，电梯未开门超过某一时间阈值，则判断电梯存在困人现象。

深度相机可以采用TOF技术，在采集轿厢内的深度图像时可以不受轿厢内照明环境的影响，即使轿厢照明发生故障，没有照明的情况下也不影响深度图像的获取。

当发生困人故障后，梯控系统后台通知维保人员处理，并通过语音安抚乘客。

(3)儿童检测

当识别对象为乘客时，再通过身高判断是否为儿童，当

前景图像头部区域平均深度值＜身高阈值3

则判断该乘客为儿童。

由于儿童不具备安全意识，在搭乘电梯的过程中容易发生伤害事故。儿童乘坐电梯、自动扶梯，应由父母或者其他监护人陪同，且父母或其他监护人有义务保护儿童在乘梯过程中的人身安全。

1)当检测到只有单个或多个儿童进入电梯轿厢时，电梯不关门不走梯，并发出语音提示，提醒儿童尽快离开电梯。

2)当成人和儿童同时进入轿厢时，由于无法判断儿童和成人之间是否存在亲属关系，电梯会正常走梯。当电梯在某一楼层，成人离开轿厢，而检测到轿厢只剩下儿童时，电梯不响应内外召，直接返回人流量多、相对安全的站层(例如基层)，保持开门到位，直到全部儿童离开轿厢。此过程中梯控系统后台通知物管人员注意儿童动向，并及时通知家长避免走失。

(4)人体姿态检测

当人体站直时，实时前景图像中人体头部轮廓的中心矩m1与人体躯体轮廓的中心矩m2基本重合，如图6(a)所示，人体低头、仰头、左摆头、右摆头时，中心矩m1与m2的关系分别如图6(b)、(c)、(d)、(e)所示，其中箭头方向表示人体正前方。

从图6可以看出，当人体没有正视正前方时，头部中心矩m1与身体躯干中心矩m2会之间会存在一段距离。深度相机很难区分人体的前后，所以对于图6(b)(c)两种情形、图6(d)(e)两种情形是无法区分的。

对于图6(d)(e)两种情形，可以认为是乘客在做左右摆头动作、进行舒展运动，其注意力在正前方，且乘客在进出轿厢时，一般不会出现这两种情形，所以可以不予考虑。

对于图6(b)(c)两种情形，人体仰头时可以认为不会进行行走动作，人体低头时也不会进行向后行走动作，因此可以只考虑人体低头向前行走的情形。

对于图6(b)，当检测到人体头部轮廓中心矩m1与身体轮廓中心矩m2，在y方向的偏差D超过一定阈值时，认为乘客在低头注意其他事情(例如看手机)，没有关注电梯的运行情况。如果此时，检测到乘客正在进入/离开轿厢，则语音提醒乘客，注意电梯运行情况，避免被夹、踏空等安全事故的发生。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成。所述的程序可以存储于可读取存储介质中。该程序在执行时，包括上述方法所述的步骤。所述的存储介质，包括：ROM/RAM、磁碟、光盘等。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种电梯非正常关闭的检测方法，其特征在于，包括以下步骤：

获取电梯轿厢内部的深度图像，其中，所述深度图像是从所述电梯轿厢内部的上方拍摄得到的；

在所述深度图像中存在识别对象的图像信息时，检测电梯是否处于故障状态；

若是，判定电梯发生非正常关闭事故；

根据所述深度图像和所述电梯轿厢内部的背景图像获取前景图像，对所述前景图像进行区域深度分析，若所述前景图像中存在深度值在预设识别对象特征值范围内的区域，判定所述深度图像中存在识别对象的图像信息；

所述对所述前景图像进行区域深度分析的步骤包括以下步骤：

将所述前景图像划分为多个区域，计算每个区域的平均深度值；

根据每个区域的平均深度值确定平均深度极大值所属的第一区域，其中，所述第一区域周围第一预设长度范围内的其他区域的各平均深度值的平均值小于或等于所述平均深度极大值；

所述若所述前景图像中存在深度值在预设识别对象特征值范围内的区域，判定所述深度图像中存在识别对象的图像信息的步骤包括以下步骤：

若所述前景图像中存在平均深度极大值在预设识别对象特征值范围内的第一区域，判定所述深度图像中存在识别对象的图像信息。

2.根据权利要求1所述的电梯非正常关闭的检测方法，其特征在于，还包括以下步骤：

选取所述第一区域周围第一预设长度范围内的其他区域中的第二区域，其中，所述平均深度极大值与所述第二区域的各像素点的深度值的差值均小于或等于所述识别对象的指定部位的第一深度阈值；

将所述第一区域和所述第二区域的整体作为极大值区域，计算所述极大值区域的面积；

所述若所述前景图像中存在平均深度极大值在预设识别对象特征值范围内的第一区域，判定所述深度图像中存在识别对象的图像信息的步骤包括以下步骤：

若所述前景图像中存在所述第一区域，且所述极大值区域的面积在预设面积范围内，判定所述深度图像中存在识别对象的图像信息。

3.根据权利要求2所述的电梯非正常关闭的检测方法，其特征在于，还包括以下步骤：

对所有的极大值区域进行霍夫圆检测，判断是否存在满足霍夫圆检测条件的目标极大值区域；

所述若所述前景图像中存在所述第一区域，且所述极大值区域的面积在预设面积范围内，判定所述深度图像中存在识别对象的图像信息的步骤包括以下步骤：

若所述前景图像中存在所述第一区域，所述极大值区域的面积在预设面积范围内，且存在所述目标极大值区域，判定所述深度图像中存在识别对象的图像信息。

4.根据权利要求3所述的电梯非正常关闭的检测方法，其特征在于，还包括以下步骤：

将所述目标极大值区域和所述目标极大值区域周围第二预设长度范围内的其他区域的整体作为感兴趣区域，对所述感兴趣区域进行二值化处理，获取所述感兴趣区域中像素点的深度值大于或等于二值化阈值的第三区域，其中，所述二值化阈值是所述目标极大值区域的平均深度极大值与第二深度阈值的差值；

计算所述目标极大值区域的面积与所述第三区域的面积的比值；

所述若所述前景图像中存在所述第一区域，所述极大值区域的面积在预设面积范围内，且存在所述目标极大值区域，判定所述深度图像中存在识别对象的图像信息的步骤包括以下步骤：

若所述前景图像中存在所述第一区域，所述极大值区域的面积在预设面积范围内，存在所述目标极大值区域，且所述比值在预设比值范围内，判定所述深度图像中存在识别对象的图像信息。

5.根据权利要求1至4中任意一项所述的电梯非正常关闭的检测方法，其特征在于，所述检测电梯是否发生故障的步骤包括以下步骤：

检测电梯是否发生开门故障或是否停留在非平层区。

6.根据权利要求1至4中任意一项所述的电梯非正常关闭的检测方法，其特征在于，所述检测电梯是否发生故障的步骤包括以下步骤：

检测电梯连续处于关门状态的时间是否超过预设时间。

7.根据权利要求1至4中任意一项所述的电梯非正常关闭的检测方法，其特征在于，在判定电梯发生非正常关闭事故的步骤之后还包括以下步骤：

发送报警信息至对应电梯运维人员的终端，并通过电梯轿厢的扬声器播放预设语音。

8.一种电梯非正常关闭的检测系统，其特征在于，包括：

图像获取单元，用于获取电梯轿厢内部的深度图像，其中，所述深度图像是从所述电梯轿厢内部的上方拍摄得到的；

故障检测单元，用于在所述深度图像中存在识别对象的图像信息时，检测电梯是否处于故障状态；

事故判断单元，用于在所述深度图像中存在识别对象的图像信息且电梯处于故障状态时，判定电梯发生非正常关闭事故；

所述故障检测单元根据所述深度图像和所述电梯轿厢内部的背景图像获取前景图像，对所述前景图像进行区域深度分析；在所述前景图像中存在深度值在预设识别对象特征值范围内的区域时，判定所述深度图像中存在识别对象的图像信息；

所述故障检测单元将所述前景图像划分为多个区域，计算每个区域的平均深度值；根据每个区域的平均深度值确定平均深度极大值所属的第一区域，其中，所述第一区域周围第一预设长度范围内的其他区域的各平均深度值的平均值小于或等于所述平均深度极大值；在所述前景图像中存在平均深度极大值在预设识别对象特征值范围内的第一区域时，判定所述深度图像中存在识别对象的图像信息。

Images