CN111797759A - 一种自动扶梯危险乘梯行为主动干预监测方法 - Google Patents

一种自动扶梯危险乘梯行为主动干预监测方法 Download PDF

Info

Publication number
CN111797759A
CN111797759A CN202010631552.8A CN202010631552A CN111797759A CN 111797759 A CN111797759 A CN 111797759A CN 202010631552 A CN202010631552 A CN 202010631552A CN 111797759 A CN111797759 A CN 111797759A
Authority
CN
China
Prior art keywords
escalator
warning line
monitoring
steps
target area
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010631552.8A
Other languages
English (en)
Other versions
CN111797759B (zh
Inventor
吕潇
陈舒涵
贾海军
张莉
袁旌杰
康立贵
张学伦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CHONGQING SPECIAL EQUIPMENT INSPECTION AND RESEARCH INSTITUTE
Original Assignee
CHONGQING SPECIAL EQUIPMENT INSPECTION AND RESEARCH INSTITUTE
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by CHONGQING SPECIAL EQUIPMENT INSPECTION AND RESEARCH INSTITUTE filed Critical CHONGQING SPECIAL EQUIPMENT INSPECTION AND RESEARCH INSTITUTE
Priority to CN202010631552.8A priority Critical patent/CN111797759B/zh
Publication of CN111797759A publication Critical patent/CN111797759A/zh
Application granted granted Critical
Publication of CN111797759B publication Critical patent/CN111797759B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B50/00—Energy efficient technologies in elevators, escalators and moving walkways, e.g. energy saving or recuperation technologies

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Escalators And Moving Walkways (AREA)

Abstract

本发明属于安全监测技术领域，主要涉及一种自动扶梯危险乘梯行为主动干预监测方法，包括如下步骤：通过摄像设备实时采集乘梯图像，并对图像进行预处理、人工标记，并与图像构成训练集；采用卷积神经网络与上述构建的训练集进行卷积处理形成稳定的小孩行为识别模型；将预处理图像转换成HSV颜色空间，利用梯级上黄色警示线进行颜色定位，并根据二值化结果提取得到警示线目标区域，获得警示线目标区域长度L、质心C；判定警示线目标区域长度L、质心C是否发生几何形变及偏离；长度L、质心C发生几何形变及偏离，形成异常信号并输出至扶梯控制系统。本发明方法基于图像识别算法可精确识别小孩身份，并与扶梯系统联动控制，实现小孩的安全保护。

Description

一种自动扶梯危险乘梯行为主动干预监测方法
技术领域
本发明属于安全监测技术领域，具体涉及一种自动扶梯危险乘梯行为主动干预监测方法。
背景技术
自动扶梯遍布于商场、地铁、超市等人员密集场所，自动扶梯的使用环境非常复杂，乘客面对的不仅有静止部件，也有运行部件，相对运动是发生扶梯事故的重要原因之一。由于带有循环运行的梯级，经常发生脚尖被卷入相邻梯级之间的间隙，从而造成伤人事故，尤其是小孩子的脚比较小且安全意识薄弱极易造成伤害。
自动扶梯梯级上一般都标有黄色警戒线，只要乘客站立在梯级黄线以内，也不会发生卷入伤害的事故。如果在乘客出现脚踩黄线这种不规范乘梯行为发生时(特别是在扶梯上行运行快到水平段时)，自动扶梯能够自动感知并快速响应，那么就能够有效主动预防和遏制此类事故发生。小孩身份的精确识别是整个安全预防机制中的重中之重，同时小孩在乘梯时是否存在脚踏黄线等不安全行为，需要实时准确进行识别和预判，若判定信息有误或者不精确，很可能造成自动扶梯的错误执行，很难实现安全预防，甚至出现恐慌或者二次事故。
发明专利“基于图像识别算法保护小孩安全的扶梯防护系统”CN105967038A，主要解决小孩单独乘坐扶梯的行为识别与保护，但现实中很多事故是小孩在大人的陪同下发生，大人没有监护到位或者低头看手机，导致小孩乘梯时脚踩黄线被梯级之间的间隙卷入造成伤害。
发明内容
本发明的目的是：旨在提供一种自动扶梯危险乘梯行为主动干预监测方法，用于解决小孩乘用自动扶梯身份及脚踩黄线行为的监测识别。
为实现上述技术目的，本发明采用的技术方案如下：
一种自动扶梯危险乘梯行为主动干预监测方法，包括如下步骤：
步骤1：通过摄像设备实时采集乘梯图像，并对图像进行去噪、直方图均衡化、目标区域对比度提升处理，对预处理后的图像进行人工标记，并与图像构成训练集；
步骤2：采用卷积神经网络于上述构建的训练集进行随机梯度下降优化得到稳定的小孩行为识别模型，用于实现小孩身份的精确识别；
步骤3：将预处理图像转换成HSV颜色空间，利用梯级上黄色警示线进行颜色定位，并根据二值化结果提取得到警示线目标区域，获得警示线目标区域长度L、质心C；
步骤4：小孩乘梯进入警示线目标区域时，判定警示线目标区域长度L、质心C是否发生几何形变及偏离；
步骤5：若警示线目标区域长度L、质心C发生几何形变及偏离，形成异常信号并输出至扶梯控制系统，采取应急控制保护小孩安全。
进一步，所述通过摄像设备实时采集乘梯图像，并对图像进行去噪、直方图均衡化、目标区域对比度提升处理，对预处理后的图像进行人工标记，并与图像构成训练集步骤具体实现如下：
利用红外热成像监测梯级上是否有生物活体，若成像表面温度大于35度则表明有活体，开启视频图像输入监测。
进一步，采用卷积神经网络于上述构建的训练集进行随机梯度下降优化得到稳定的小孩行为识别模型，用于实现小孩身份的精确识别步骤具体实现如下：
所述卷积神经网络包括卷积层、池化层、激活层、全连接层，并采用交叉熵损失函数进行训练，训练过程采用随机梯度下降(SGD)进行优化，形成稳定的小孩行为识别模型；
其中，交叉熵损失函数：
Figure BDA0002569016330000021
yi表示样本i的标记，正类为1，负类为0；pi表示样本i预测为正的概率；N为输入的样本个数。
进一步，将预处理图像转换成HSV颜色空间，利用梯级上黄色警示线进行颜色定位，并根据二值化结果提取得到警示线目标区域，获得警示线目标区域长度L、质心C步骤具体实现如下：
将预处理后的输入图像转换成HSV颜色空间，该模型空间包含：色调(H)，饱和度(S)，和亮度(V)；
利用梯级上黄色警示线的颜色范围，设定阈值进行二值化用于目标定位，黄色的HSV参考范围分别如下：[16,35]，[160,255]，[50,255]，所述阈值采用Otsu法获得；
最后进行闭合等形态学处理去除噪声干扰，根据二值化结果就提取获得警示线目标区域(ROI)。
进一步，若警示线目标区域长度L、质心C发生几何形变及偏离，形成异常信号并输出至扶梯控制系统，采取应急控制保护小孩安全步骤具体实现如下：
根据警示线目标区域长度L、质心C偏离值范围将扶梯控制系统应急响应分为：触发一级响应、触发二级响应、触发三级响应；
其中，触发一级响应对应扶梯控制行为是紧急停止运行；
触发二级响应对应扶梯控制行为是语音警告并缓慢减速运行；
触发三级响应对应扶梯控制行为是语音提醒并正常运行。
进一步，还包括如下步骤：
将自动扶梯至少设置为三段监测区域，分别为前段监测区域、中段监测区域、水平段监测区域；
所述前段监测区域中监测警示线目标区域长度L、质心C偏离值大于预设值，触发三级响应；
所述中段监测区域中监测警示线目标区域长度L、质心C偏离值大于预设值，触发二级响应；
所述水平段监测区域中监测警示线目标区域长度L、质心C偏离值大于预设值，触发一级响应。
进一步，还包括如下步骤：
通过采集图像进行人员密度分析获得密度评价值，若密度评价值小于预设值，进入步骤1；
若密度评价值大于预设值，实时调整图像采集设备方位与速度，使得小孩身份识别误差得到收敛；
其中，方位与速度的公式为：
v'id＝wvid+c1·rand()·(Pid-xid)+c2·rand()·(Pgd-xid)；
x'id＝xid+v'id；
在D维空间中有m个元子，vid和xid分别表示第i个元子的速度和方位，第i个元子自身搜索到的最优方位为Pid，整个元素搜索到的最优方位Pgd，整个元子通过速度和方位的更新来搜索整个状态空间。v'id和x'id分别为元素更新后的速度与方位，w为惯性权重，c1和c2为加速常数，rand()是[0,1]范围内变化的随机数。
进一步，小孩身份识别结果误差的公式为：
Figure BDA0002569016330000031
其中，N是卷积神经网络输入图像的训练样本数，C是网络输出层神经元的个数，
Figure BDA0002569016330000041
是第i个样本的第j个输出节点的期望输出值，yji是第i个样本的第j个输出节点的实际输出值。
采用上述技术方案的发明，具有如下优点：
1、本发明主要利用图像识别算法，可实现小孩身份的精确识别；
2、本发明通过图像识别算法，可对小孩乘梯时脚踩黄线进行准确识别；
3、同时该发明方法采用分级监测并与自动扶梯控制行为对应匹配，应急处置方式更加合理、科学，避免影响自动扶梯的正常使用或造成突然停止运行引发安全事故；
4、本发明方法引入人员密集程度的分析与处理算法，进一步提高小孩身份的识别能力与精度。
附图说明
本发明可以通过附图给出的非限定性实施例进一步说明；
图1为本发明一种自动扶梯危险乘梯行为主动干预监测方法流程图。
具体实施方式
以下将结合附图和具体实施例对本发明进行详细说明，需要说明的是，在附图或说明书描述中，相似或相同的部分都使用相同的图号，附图中未绘示或描述的实现方式，为所属技术领域中普通技术人员所知的形式。另外，实施例中提到的方向用语，例如“上”、“下”、“顶”、“底”、“左”、“右”、“前”、“后”等，仅是参考附图的方向，并非用来限制本发明的保护范围。
如图1所示，本实施例的一种自动扶梯危险乘梯行为主动干预监测方法，包括如下步骤：
步骤1：通过摄像设备实时采集乘梯图像，并对图像进行去噪、直方图均衡化、目标区域对比度提升处理，对预处理后的图像进行人工标记，并与图像构成训练集；
步骤2：采用卷积神经网络于上述构建的训练集进行随机梯度下降优化得到稳定的小孩行为识别模型，用于实现小孩身份的精确识别；
步骤3：将预处理图像转换成HSV颜色空间，利用梯级上黄色警示线进行颜色定位，并根据二值化结果提取得到警示线目标区域，获得警示线目标区域长度L、质心C；
步骤4：小孩乘梯进入警示线目标区域时，判定警示线目标区域长度L、质心C是否发生几何形变及偏离；
步骤5：若警示线目标区域长度L、质心C发生几何形变及偏离，形成异常信号并输出至扶梯控制系统，采取应急控制保护小孩安全。
实施例1：红外热成像初筛
利用红外热成像监测梯级上是否有生物活体，如果成像表面温度大于35度则表明有活体，那么开启视频图像输入监测，如果不是活体，例如箱子压线等非活物将排除在外。
实施例2：小孩识别模型构建
所述卷积神经网络包括卷积层、池化层、激活层、全连接层，并采用交叉熵损失函数进行训练，训练过程采用随机梯度下降(SGD)进行优化，形成稳定的小孩行为识别模型；
其中，交叉熵损失函数：
Figure BDA0002569016330000051
yi表示样本i的标记，正类为1，负类为0；pi表示样本i预测为正的概率；N为输入的样本个数。
实施例3：安全行为的判定
将预处理后的输入图像转换成HSV颜色空间，该模型空间包含：色调(H)，饱和度(S)，和亮度(V)；利用梯级上黄色警示线的颜色范围，设定阈值进行二值化用于目标定位，黄色的HSV参考范围分别如下：[16,35]，[160,255]，[50,255]，所述阈值采用Otsu法获得；最后进行闭合等形态学处理去除噪声干扰，根据二值化结果就提取获得警示线目标区域(ROI)。
将上述算法嵌入到NVIDIA Jetson系统，用于实现高效的离线监测，并将异常监测信号输入扶梯控制系统进行应急控制。
实施例4：分级监测机制的设置
根据警示线目标区域长度L、质心C偏离值范围将扶梯控制系统应急响应分为：触发一级响应、触发二级响应、触发三级响应；其中，触发一级响应对应扶梯控制行为是紧急停止运行；触发二级响应对应扶梯控制行为是语音警告并缓慢减速运行；触发三级响应对应扶梯控制行为是语音提醒并正常运行。
将自动扶梯至少设置为三段监测区域，分别为前段监测区域、中段监测区域、水平段监测区域；所述前段监测区域中监测警示线目标区域长度L、质心C偏离值大于预设值，触发三级响应；由于自动扶梯前段监测到小孩不安全行为，发生事故可能性较小，应予提醒为主纠正小孩不安全行为或提醒家长制止，同时可保障自动扶梯正常运行。
所述中段监测区域中监测警示线目标区域长度L、质心C偏离值大于预设值，触发二级响应；由于自动扶梯中段监测到小孩不安全行为，处于危险和低风险之间，应予提醒纠正小孩不安全行为或提醒家长制止，自动扶梯减慢运行速度，保障不安全行为纠正的时间，同时自动扶梯不会因为紧急停止产生较大惯性引起跌倒等事故。
所述水平段监测区域中监测警示线目标区域长度L、质心C偏离值大于预设值，触发一级响应，由于自动扶梯水平段监测到小孩不安全行为，处于高度危险位置，自动扶梯紧急停止运行，以确保小孩安全。
以上分级监测机制的设置，可以减少监测盲区，同时使得自动扶梯的应急处理方式更加合理，最终提升小孩安全预防能力。
实施例5：人员密集程度的分析与处理模型构建
通过采集图像进行人员密度分析获得密度评价值，若密度评价值小于预设值，进入步骤1；若密度评价值大于预设值，实时调整图像采集设备方位与速度，使得小孩身份识别误差得到收敛；
其中，方位与速度的公式为：
v'id＝wvid+c1·rand()·(Pid-xid)+c2·rand()·(Pgd-xid)；
x'id＝xid+v'id；
在D维空间中有m个元子，vid和xid分别表示第i个元子的速度和方位，第i个元子自身搜索到的最优方位为Pid，整个元素搜索到的最优方位Pgd，整个元子通过速度和方位的更新来搜索整个状态空间。v'id和x'id分别为元素更新后的速度与方位，w为惯性权重，c1和c2为加速常数，rand()是[0,1]范围内变化的随机数。
进一步，小孩身份识别误差的公式为：
Figure BDA0002569016330000061
其中，N是卷积神经网络输入图像的训练样本数，C是网络输出层神经元的个数，
Figure BDA0002569016330000062
是第i个样本的第j个输出节点的期望输出值，yji是第i个样本的第j个输出节点的实际输出值。
尤其在特殊公共场所，自动扶梯的使用频率与人员密度都较大，很容易造成小孩识别信息上的困难与误差，通过图像采集设备的采集速度及方位实时调整，结合小孩身份识别结果的误差分析与收敛处理，可进一步提升本发明监测方法的准确性与场景适应性。
以上对本发明提供的一种自动扶梯危险乘梯行为主动干预监测方法进行了详细介绍。具体实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (8)

1.一种自动扶梯危险乘梯行为主动干预监测方法，其特征在于，包括如下步骤：
步骤1：通过摄像设备实时采集乘梯图像，并对图像进行去噪、直方图均衡化、目标区域对比度提升处理，对预处理后的图像进行人工标记，并与图像构成训练集；
步骤2：采用卷积神经网络于上述构建的训练集进行随机梯度下降优化得到稳定的小孩行为识别模型，用于实现小孩身份的精确识别；
步骤3：将预处理图像转换成HSV颜色空间，利用梯级上黄色警示线进行颜色定位，并根据二值化结果提取得到警示线目标区域，获得警示线目标区域长度L、质心C；
步骤4：小孩乘梯进入警示线目标区域时，判定警示线目标区域长度L、质心C是否发生几何形变及偏离；
步骤5：若警示线目标区域长度L、质心C发生几何形变及偏离，形成异常信号并输出至扶梯控制系统，采取应急控制保护小孩安全。
2.根据权利要求1所述的一种自动扶梯危险乘梯行为主动干预监测方法，其特征在于：所述通过摄像设备实时采集乘梯图像，并对图像进行去噪、直方图均衡化、目标区域对比度提升处理，对预处理后的图像进行人工标记，并与图像构成训练集步骤具体实现如下：
利用红外热成像监测梯级上是否有生物活体，若成像表面温度大于35度则表明有活体，开启视频图像输入监测。
3.根据权利要求2所述的一种自动扶梯危险乘梯行为主动干预监测方法，其特征在于：所述采用卷积神经网络于上述构建的训练集进行随机梯度下降优化得到稳定的小孩行为识别模型，用于实现小孩身份的精确识别步骤具体实现如下：
所述卷积神经网络包括卷积层、池化层、激活层、全连接层，并采用交叉熵损失函数进行训练，训练过程采用随机梯度下降算法(SGD)进行优化，形成稳定的小孩行为识别模型；
其中，交叉熵损失函数：
Figure FDA0002569016320000011
yi表示样本i的标记，正类为1，负类为0；pi表示样本i预测为正的概率；N为输入的样本个数。
4.根据权利要求3所述的一种自动扶梯危险乘梯行为主动干预监测方法，其特征在于：所述将预处理图像转换成HSV颜色空间，利用梯级上黄色警示线进行颜色定位，并根据二值化结果提取得到警示线目标区域，获得警示线目标区域长度L、质心C步骤具体实现如下：
将预处理后的输入图像转换成HSV颜色空间，该模型空间包含：色调(H)，饱和度(S)，和亮度(V)；
利用梯级上黄色警示线的颜色范围，设定阈值进行二值化用于目标定位，黄色的HSV参考范围分别如下：[16,35]，[160,255]，[50,255]，所述阈值采用Otsu法获得；
最后进行闭合等形态学处理去除噪声干扰，根据二值化结果就提取获得警示线目标区域(ROI)。
5.根据权利要求4所述的一种自动扶梯危险乘梯行为主动干预监测方法，其特征在于：所述若警示线目标区域长度L、质心C发生几何形变及偏离，形成异常信号并输出至扶梯控制系统，采取应急控制保护小孩安全步骤具体实现如下：
根据警示线目标区域长度L、质心C偏离值范围将扶梯控制系统应急响应分为：触发一级响应、触发二级响应、触发三级响应；
其中，触发一级响应对应扶梯控制行为是紧急停止运行；
触发二级响应对应扶梯控制行为是语音警告并缓慢减速运行；
触发三级响应对应扶梯控制行为是语音提醒并正常运行。
6.根据权利要求5所述的一种自动扶梯危险乘梯行为主动干预监测方法，其特征在于：还包括如下步骤：
将自动扶梯至少设置为三段监测区域，分别为前段监测区域、中段监测区域、水平段监测区域；
所述前段监测区域中监测警示线目标区域长度L、质心C偏离值大于预设值，触发三级响应；
所述中段监测区域中监测警示线目标区域长度L、质心C偏离值大于预设值，触发二级响应；
所述水平段监测区域中监测警示线目标区域长度L、质心C偏离值大于预设值，触发一级响应。
7.根据权利要求6所述的一种自动扶梯危险乘梯行为主动干预监测方法，其特征在于：还包括如下步骤：
通过采集图像进行人员密度分析获得密度评价值，若密度评价值小于预设值，进入步骤1；
若密度评价值大于预设值，实时调整图像采集设备方位与速度，使得小孩身份识别误差得到收敛；
其中，方位与速度的公式为：
v′id＝wvid+c1·rand()·(Pid-xid)+c2·rand()·(Pgd-xid)；
x′id＝xid+v′id；
在D维空间中有m个元子，vid和xid分别表示第i个元子的速度和方位，第i个元子自身搜索到的最优方位为Pid，整个元素搜索到的最优方位Pgd，整个元子通过速度和方位的更新来搜索整个状态空间。v′id和x′id分别为元素更新后的速度与方位，w为惯性权重，c1和c2为加速常数，rand()是[0,1]范围内变化的随机数。
8.根据权利要求7所述的一种自动扶梯危险乘梯行为主动干预监测方法，其特征在于：所述小孩身份识别结果误差的公式为：
Figure FDA0002569016320000031
其中，N是卷积神经网络输入图像的训练样本数，C是网络输出层神经元的个数，
Figure FDA0002569016320000032
是第i个样本的第j个输出节点的期望输出值，yji是第i个样本的第j个输出节点的实际输出值。
CN202010631552.8A 2020-07-03 2020-07-03 一种自动扶梯危险乘梯行为主动干预监测方法 Active CN111797759B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010631552.8A CN111797759B (zh) 2020-07-03 2020-07-03 一种自动扶梯危险乘梯行为主动干预监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010631552.8A CN111797759B (zh) 2020-07-03 2020-07-03 一种自动扶梯危险乘梯行为主动干预监测方法

Publications (2)

Publication Number Publication Date
CN111797759A true CN111797759A (zh) 2020-10-20
CN111797759B CN111797759B (zh) 2023-11-07

Family

ID=72810120

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010631552.8A Active CN111797759B (zh) 2020-07-03 2020-07-03 一种自动扶梯危险乘梯行为主动干预监测方法

Country Status (1)

Country Link
CN (1) CN111797759B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112347939A (zh) * 2020-11-09 2021-02-09 浙江新再灵科技股份有限公司 基于多维特征的乘梯不文明按键识别方法
CN113011291A (zh) * 2021-03-03 2021-06-22 上海商汤智能科技有限公司 事件检测方法及装置、电子设备和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010064821A (ja) * 2008-09-09 2010-03-25 Toshiba Elevator Co Ltd エスカレータ監視システム
CN106241584A (zh) * 2016-08-23 2016-12-21 西尼电梯(杭州)有限公司 一种基于扶梯安全的智能视频监控系统及方法
CN108334814A (zh) * 2018-01-11 2018-07-27 浙江工业大学 一种基于卷积神经网络结合用户习惯性行为分析的ar系统手势识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010064821A (ja) * 2008-09-09 2010-03-25 Toshiba Elevator Co Ltd エスカレータ監視システム
CN106241584A (zh) * 2016-08-23 2016-12-21 西尼电梯(杭州)有限公司 一种基于扶梯安全的智能视频监控系统及方法
CN108334814A (zh) * 2018-01-11 2018-07-27 浙江工业大学 一种基于卷积神经网络结合用户习惯性行为分析的ar系统手势识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张立亚;: "基于动目标特征提取的矿井目标监测", 煤炭学报, no. 2 *
陈亮;林峰;: "一起由自动扶梯故障引发的思考", 中国设备工程, no. 04 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112347939A (zh) * 2020-11-09 2021-02-09 浙江新再灵科技股份有限公司 基于多维特征的乘梯不文明按键识别方法
CN113011291A (zh) * 2021-03-03 2021-06-22 上海商汤智能科技有限公司 事件检测方法及装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN111797759B (zh) 2023-11-07

Similar Documents

Publication Publication Date Title
US10059569B2 (en) Monitoring system of a passenger conveyor, a passenger conveyor, and a monitoring method thereof
CN109522793B (zh) 基于机器视觉的多人异常行为检测与识别方法
CN111144247B (zh) 一种基于深度学习的自动扶梯乘客逆行检测方法
CN102074095B (zh) 幼儿行为监控系统及方法
CN107662872B (zh) 乘客运输机的监测系统及其监测方法
US10853664B2 (en) Device and method for detecting abnormal situation
CN106778655B (zh) 一种基于人体骨架的入口尾随进入检测方法
WO2020253308A1 (zh) 矿井下皮带运输人员人机交互行为安全监控与预警方法
CN106241584A (zh) 一种基于扶梯安全的智能视频监控系统及方法
CN110378179B (zh) 基于红外热成像的地铁逃票行为检测方法及系统
WO2019220589A1 (ja) 映像解析装置、映像解析方法、及びプログラム
CN110414400B (zh) 一种施工现场安全帽穿戴自动检测方法及系统
CN110895662A (zh) 车辆超载报警方法、装置、电子设备及存储介质
CN111797759A (zh) 一种自动扶梯危险乘梯行为主动干预监测方法
JP2014028667A (ja) エスカレータ監視システム
EP2546807B1 (en) Traffic monitoring device
CN111275910A (zh) 一种基于高斯混合模型的扶梯越界行为检测方法及系统
CN111259718B (zh) 一种基于高斯混合模型的扶梯滞留检测方法及系统
CN111062303A (zh) 图像处理方法、系统及计算机存储介质
CN106503632A (zh) 一种基于视频分析的自动扶梯智能安全监测方法
CN112079213A (zh) 一种电梯入梯控制方法及电梯入梯控制系统
CN109353907A (zh) 电梯运行的安全提示方法和系统
KR102215565B1 (ko) 에스컬레이터 이용자 행위 검지 장치 및 그 방법
CN111062238A (zh) 基于人体骨架信息及多目标跟踪的扶梯流量监测方法及系统
CN116216470A (zh) 一种电梯门控制方法、装置、电子设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant