CN108230305A - 基于视频分析扶梯异常运行状态检测的方法 - Google Patents

Abstract

本发明公开了基于视频分析扶梯异常运行状态检测的方法，具体包括如下步骤：101））规划区域步骤；102）帧差图像处理步骤；103）角点检测步骤；104）光流跟踪步骤；105）迭代获得内点集步骤；106）电梯异常处理步骤；本发明提供了一种实现去除由于人逆行导致的电梯逆行检测误报状况的基于视频分析扶梯异常运行状态检测的方法。

Description

基于视频分析扶梯异常运行状态检测的方法

技术领域

本发明涉及电梯检测领域，更具体的说，它涉及基于视频分析扶梯异常运行状态检测的方法。

背景技术

现有技术无论是基于传感器还是基于视频，只是解决扶梯上发生逆行事件的情况。有的利用背景建模得到运动区域，然后利用人体检测得到人体区域，检测角点然后进行光流跟踪，从而判断人的异常行为。有的在处理整体异常行为的时候会联动电梯紧急按钮，从而使电梯停下来，这都难以满足复杂的电梯逆行事件，因此急需一个更好的判断处理方式。

发明内容

本发明克服了现有技术的不足，提供一种实现去除由于人逆行导致的电梯逆行检测误报状况的基于视频分析扶梯异常运行状态检测的方法。

为了解决上述技术问题，本发明的技术方案如下：

基于视频分析扶梯异常运行状态检测的方法，具体包括如下步骤：

101)规划区域步骤：划定电梯运动方向，并将划定电梯运动方向后拍摄得到的图像作为输入图像，记为I_clip；

102)帧差图像处理步骤：设定阈值θ_th，针对步骤101)I_clip得到的每一个位置像素前后两帧做差，如果差的绝对值大于设定阈值θ_th，则帧差图像对应的该点位置的值置为1，否则置为0；

103)角点检测步骤：在步骤102)得到的帧差图像基础上，利用角点检测，来保证光流跟踪的初始位置是运动的，且纹理丰富的位置，通过光流初始点选取这些位置可以提升后续光流跟踪的准确性

104)光流跟踪步骤：在步骤103)的基础上得到光流跟踪初始点位置，并通过光流跟踪方法可以给出上一帧的初始跟踪点在下一帧的位置，也就得到了光流跟踪初始点的运动信息；

105)迭代获得内点集步骤：遍历所有的步骤104)中得到的光流矢量，在每一次遍历中，以该次光流矢量得到平动模型，并判断剩余点是否符合该平动模型，同时记录符合该平动模型点的个数，而得到一组具有最大内点集的模型，以及对应符合该模型的光流矢量；对不属于最大内点集里的光流矢量继续重复迭代，直到得到三个内点集，以及对应的光流矢量；

106)电梯异常处理步骤：根据步骤105)得到的三个内点集中内点的个数从大到小排列，最大的代表扶梯运动方向，因此当扶梯里面人发生逆行行为时，根据第一个内点集、第二个内点集里面的光流矢量方向与扶梯正常运动的方向之间的夹角关系来判断，若两个判断都为逆行，则代表扶梯中存在逆行的人。

进一步的，所述角点检测的步骤如下：

201)获取图像X、Y方向上的梯度步骤：

其中I_x、I_y分别表示图像I在x和y方向上的梯度值；

202)生成图像矩阵步骤：首先根据步骤201)上的获得的梯度值进行乘积，I_x ²＝I_x.I_x，I_y ²＝I_y.I_y，I_xy＝I_x.I_y并利用高斯函数进行高斯加权，得到图像矩阵M的元素A、B和C，其中

其中w为常量；

203)获得哈里斯角度响应值步骤：将步骤202)得到的图像矩阵M进行哈里斯角度相应值R，并对小于阈值的R进行置零；

204)得到图像中的角点步骤：将图像按3×3或5×5的邻域进行划分，并对图像矩阵内的哈里斯角度相应值R进行非最大值抑制，其中局部最大值点即为图像中的角点。

本发明相比现有技术优点在于：本发明能较好的检测出电梯逆行状态，同时可以规避由于人逆行带来的干扰，降低算法整体的运算量。

附图说明

图1为本发明基于视频分析扶梯异常运行状态检测的方法的流程图；

图2为本发明基于视频分析扶梯异常运行状态检测的方法的电梯运行规划区域图。

具体实施方式

下面结合附图和具体实施方式对本发明进一步说明。

如图1所示，基于视频分析扶梯异常运行状态检测的方法，具体包括如下步骤：

101)规划区域步骤：划定电梯运动方向，并将划定电梯运动方向后拍摄得到的图像作为输入图像，记为I_clip；一般扶梯左面与右边运动方向相反，如图2所示，左边电梯正常情况下运动方向向下，右边电梯正常运动方向向上。划定规则区域以后，可以从原始图像中截取图像进行分析，降低了算法整体的运算量。

102)帧差图像处理步骤：设定阈值θ_th，针对步骤101)得到的每一个位置像素前后两帧做差，如果差的绝对值大于设定阈值θ_th，则帧差图像对应的该点位置的值置为1，否则置为0；

103)角点检测步骤：在步骤102)得到的帧差图像基础上，利用角点检测，来保证光流跟踪的初始位置是运动的，且纹理丰富的位置。通过光流初始点选取这些位置可以提升后续光流跟踪的准确性。

所述角点检测的步骤如下：

201)获取图像X、Y方向上的梯度步骤：

其中I_x、I_y分别表示图像I在x和y方向上的梯度值；

202)生成图像矩阵步骤：首先根据步骤201)上的获得的梯度值进行乘积，I_x ²＝I_x.I_x，I_y ²＝I_y.I_y，I_xy＝I_x.I_y并利用高斯函数进行高斯加权，得到图像矩阵M的元素A、B和C，其中

其中w为常量；

203)获得哈里斯角度响应值步骤：将步骤202)得到的图像矩阵M进行哈里斯角度响应，从而得到值R，并对小于阈值的R进行置零；

204)得到图像中的角点步骤：将图像按3×3或5×5的邻域进行划分，并对图像矩阵内的R值进行非最大值抑制，其中局部最大值点即为图像中的角点。

104)光流跟踪步骤：在步骤103)的基础上得到光流跟踪初始点位置，并通过光流跟踪方法可以给出上一帧的初始跟踪点在下一帧的位置，也就得到了光流跟踪初始点的运动信息。

105)迭代获得内点集步骤：遍历所有的步骤104)中得到的光流矢量，在每一次遍历中，以该次光流矢量得到平动模型，并判断剩余点是否符合该平动模型，同时记录符合该平动模型点的个数，而得到一组具有最大内点集的模型，以及对应符合该模型的光流矢量；对不属于最大内点集里的光流矢量继续重复迭代，直到得到三个内点集，以及对应的光流矢量。

具体来讲是在众多的光流矢量中找到符合平动模型的最大内点集合，具体做法如下，遍历所有的光流矢量，在每一次遍历中，以该次光流矢量计算平动模型，计算剩余点是否符合该平动模型，同时记录符合该平动模型点的个数。那遍历所有的光流矢量，可以得到一组具有最大内点集的模型，以及对应符合该模型的光流矢量。以上完成一次迭代方法。而本处理方法，是在完成一次迭代方法后，对不属于最大内点集里的光流矢量继续使用迭代方法，一共迭代三次，也就是最后一共有三个内点集，以及对应的光流矢量。

106)电梯异常处理步骤：根据步骤105)得到的三个内点集中内点的个数从大到小排列，最大的代表扶梯运动方向，因此当扶梯里面人发生逆行行为时，根据第一个内点集、第二个内点集里面的光流矢量方向与扶梯正常运动的方向之间的夹角关系来判断，若有一个判断为逆行，则代表扶梯中存在逆行的人。

即如果对应扶梯里面人发生逆行行为时候，需要判断第二个内点集里面的光流矢量方向与扶梯正常运动的方向之间的夹角关系；针对电梯逆行的情况，需要判断第一个点集与扶梯正常运动方向之间的夹角关系。因为三个内点的点集中内点的个数是从大到小的，那本方法认为最大的代表扶梯运动方向，后两个如果有一个判断为逆行则代表扶梯中存在逆行的人。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明构思的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明保护范围内。

Claims (2)

1.基于视频分析扶梯异常运行状态检测的方法，其特征在于，具体包括如下步骤：

101)规划区域步骤：划定电梯运动方向，并将划定电梯运动方向后拍摄得到的图像作为输入图像，记为I_clip；

102)帧差图像处理步骤：设定阈值θ_th，针对步骤101)I_clip得到的每一个位置像素前后两帧做差，如果差的绝对值大于设定阈值θ_th，则帧差图像对应的该点位置的值置为1，否则置为0；

103)角点检测步骤：在步骤102)得到的帧差图像基础上，利用角点检测，来保证光流跟踪的初始位置是运动的，且纹理丰富的位置，通过光流初始点选取这些位置可以提升后续光流跟踪的准确性

104)光流跟踪步骤：在步骤103)的基础上得到光流跟踪初始点位置，并通过光流跟踪方法可以给出上一帧的初始跟踪点在下一帧的位置，也就得到了光流跟踪初始点的运动信息；

105)迭代获得内点集步骤：遍历所有的步骤104)中得到的光流矢量，在每一次遍历中，以该次光流矢量得到平动模型，并判断剩余点是否符合该平动模型，同时记录符合该平动模型点的个数，而得到一组具有最大内点集的模型，以及对应符合该模型的光流矢量；对不属于最大内点集里的光流矢量继续重复迭代，直到得到三个内点集，以及对应的光流矢量；

106)电梯异常处理步骤：根据步骤105)得到的三个内点集中内点的个数从大到小排列，最大的代表扶梯运动方向，因此当扶梯里面人发生逆行行为时，根据第一个内点集、第二个内点集里面的光流矢量方向与扶梯正常运动的方向之间的夹角关系来判断，若有一个判断为逆行，则代表扶梯中存在逆行的人。

2.根据权利要求1所述的基于视频分析扶梯异常运行状态检测的方法，其特征在于，所述角点检测的步骤如下：

201)获取图像X、Y方向上的梯度步骤：

其中I_x、I_y分别表示图像I在x和y方向上的梯度值；

202)生成图像矩阵步骤：首先根据步骤201)上的获得的梯度值进行乘积，I_x ²＝I_x.I_x，I_y ²＝I_y.I_y，I_xy＝I_x.I_y并利用高斯函数进行高斯加权，得到图像矩阵M的元素A、B和C，其中

203)获得哈里斯角度响应值步骤：将步骤202)得到的图像矩阵M进行哈里斯角度相应值R，并对小于阈值的R进行置零；

204)得到图像中的角点步骤：将图像按3×3或5×5的邻域进行划分，并对图像矩阵内的R值进行非最大值抑制，其中局部最大值点即为图像中的角点。