CN109977783A - 基于直梯场景婴儿车单独乘梯检测的方法 - Google Patents

Abstract

本发明公开了基于直梯场景婴儿车单独乘梯检测的方法，具体包括如下步骤：101）电梯速度判断步骤、102）检测婴儿车步骤、103）检测人步骤、104）判断处理步骤；本发明提供了避免婴儿车单独落在电梯里面或婴儿车挡在电梯门口状况发生的基于直梯场景婴儿车单独乘梯检测的方法。

Description

基于直梯场景婴儿车单独乘梯检测的方法

技术领域

本发明涉及电梯领域，更涉及基于直梯场景婴儿车单独乘梯检测的方法。

背景技术

直梯上经常会有大人带婴儿车乘梯，有的时候大人由于疏忽（例如已经携带婴儿车进电梯，然后突然折返，导致婴儿车落在电梯里面；或者更有甚者，直接把婴儿车挡在电梯门口，然后门突然关紧，夹住婴儿车）导致惨剧的发生。

发明内容

本发明克服了现有技术的不足，提供了避免婴儿车单独落在电梯里面或婴儿车挡在电梯门口状况发生的基于直梯场景婴儿车单独乘梯检测的方法。

为了解决上述技术问题，本发明的技术方案如下：

基于直梯场景婴儿车单独乘梯检测的方法，具体包括如下步骤：

101）电梯速度判断步骤：通过IMU得到电梯速度，当电梯速度为0时，通过摄像头截取电梯内图像进行处理；

102）检测婴儿车步骤：对电梯内图像进行婴儿车检测；婴儿车检测前，通过yolov3方法针对7万张以上婴儿车样本的识别收集，并增加5000张以上的电瓶车负样本识别，以建立婴儿车检测模型，再进行婴儿车检测；

103）检测人步骤：对电梯内图像进行人检测；人检测前，先通过yolov3方法针对10万电梯里面行人的人体正样本进行识别收集，建立人检测模型，再进行人检测；

104）判断处理步骤：只检测到婴儿车，或检测到婴儿车且只在婴儿车范围内检测到人，则进行报警。

进一步的，检测模型通过对图像进行目标分类、目标检测；

目标分类，将图像结构化为某一类别的信息，用事先确定好的类别或实例ID来描述图片；

目标检测，关注特定的物体目标，并同时获得这一目标的类别信息和位置信息，目标检测要从背景中分离出感兴趣的目标类别或实例ID，并确定这一目标类别或实例ID的位置。

本发明相比现有技术优点在于：本发明首先利用基于深度学习（yolov3）的检测技术，对轿厢里的婴儿车进行检测，检测到婴儿车以后，同样是基于深度学习（yolov3）的检测技术，对轿厢里面进行人体检测，如果没有检测到人体，则认为是婴儿车是单独乘梯，这个时候则吐出报警。本发明针对婴儿车，通过对样本收集，获取正样本7万多张，因为实际测试电瓶车会干扰婴儿车的检测，所以在负样本中把电瓶车作为负样本，从而提升婴儿车的检测率。

附图说明

图1为本发明的流程图。

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，基于直梯场景婴儿车单独乘梯检测的方法，其包括中央处理器、IMU和摄像头，IMU、摄像头与中央处理器电性连接，且通过中央处理器的数据传输模块与云端连接，由云端进行图像数据处理，并反馈给中央处理器，中央处理器根据数据发出指令给电梯运作的主电路板，以此控制电梯是否停运。具体包括如下步骤：

101）电梯速度判断步骤：通过IMU得到电梯速度，当电梯速度为0时，通过摄像头截取电梯内图像进行处理。即具体是首先利用IMU（惯性测量单元）得到电梯速度，判断电梯是否停靠。因为如果实时检测的话，系统运算资源占用会比较大，不能高效利用资源。所以只在电梯速度每次为0的时候，截取一张图片进行判断。

102）检测婴儿车步骤：对电梯内图像进行婴儿车检测；婴儿车检测前，通过yolov3方法针对7万张以上婴儿车样本的识别收集，并增加5000张以上的电瓶车负样本识别，以建立婴儿车检测模型，再进行婴儿车检测；因为实际测试电瓶车会干扰婴儿车的检测，所以在负样本中把电瓶车作为负样本，从而提升婴儿车的检测率。具体就通过增加5000以上的电瓶车负样本，通过强化学习，难识别图片学习，来提升婴儿车的检测率并且降低误检率。

103）检测人步骤：对电梯内图像进行人检测；人检测前，先通过yolov3方法针对10万电梯里面行人的人体正样本进行识别收集，建立人检测模型，再进行人检测。

104）判断处理步骤：只检测到婴儿车，或检测到婴儿车且只在婴儿车范围内检测到人，则进行报警。即有的时候婴儿也会被检测到。这个时候需要判断检测到的人体框是否在婴儿车内，如果不在的话，那认为婴儿车是有人在看护，如果在的话那认为检测的是婴儿自己，认为没有人在看护。

检测模型只要通过对图像进行目标分类、目标检测即可，不需要对图像进行分割处理。

目标分类，将图像结构化为某一类别的信息，用事先确定好的类别或实例ID来描述图片；这是最简单、最基础的图像理解任务，也是深度学习模型最先取得突破和实现大规模应用的。在应用领域，人脸、场景的识别等都可以归为分类任务。

目标检测，关注特定的物体目标，并同时获得这一目标的类别信息和位置信息，目标检测要从背景中分离出感兴趣的目标类别或实例ID，并确定这一目标类别或实例ID的位置。因而，检测模型的输出是一个列表，列表的每一项使用一个数据组给出检出目标的类别和位置，其常用矩形检测框的坐标表示。

分割，包括语义分割和实例分割，前者是对前背景分离的拓展，要求分离开具有不同语义的图像部分，而后者是检测任务的拓展，要求描述出目标的轮廓（相比检测框更为精细）。分割是对图像的像素级描述，它赋予每个像素类别（实例）意义，适用于理解要求较高的场景，如无人驾驶中对道路和非道路的分割。而在本方案中只需要目标分类和目标检测即可，无需进行分割处理，大大降低硬件要求。

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.基于直梯场景婴儿车单独乘梯检测的方法，其特征在于，具体包括如下步骤：

101）电梯速度判断步骤：通过IMU得到电梯速度，当电梯速度为0时，通过摄像头截取电梯内图像进行处理；

102）检测婴儿车步骤：对电梯内图像进行婴儿车检测；婴儿车检测前，通过yolov3方法针对7万张以上婴儿车样本的识别收集，并增加5000张以上的电瓶车负样本识别，以建立婴儿车检测模型，再进行婴儿车检测；

103）检测人步骤：对电梯内图像进行人检测；人检测前，先通过yolov3方法针对10万电梯里面行人的人体正样本进行识别收集，建立人检测模型，再进行人检测；

104）判断处理步骤：只检测到婴儿车，或检测到婴儿车且只在婴儿车范围内检测到人，则进行报警。

2.根据权利要求1所述的基于直梯场景婴儿车单独乘梯检测的方法，其特征在于，检测模型通过对图像进行目标分类、目标检测；

目标分类，将图像结构化为某一类别的信息，用事先确定好的类别或实例ID来描述图片；

目标检测，关注特定的物体目标，并同时获得这一目标的类别信息和位置信息，目标检测要从背景中分离出感兴趣的目标类别或实例ID，并确定这一目标类别或实例ID的位置。