CN113240829A - 一种基于机器视觉的闸机智能通行检测方法 - Google Patents

Abstract

本发明公开了一种基于机器视觉的闸机智能通行检测方法，充分利用视觉提取通行行人信息，采用改进深度学习技术进行行人检测，画双线计数可有效检测并肩、遮挡逃票行为，利用闸机自身的角点信息和实际尺寸信息取代棋盘进行非线性标定，采用双目相机识别行人身高，采用图像处理技术进行跳闸行为判定。运用本发明方法，利用深度学习泛化性能有效检测行人，实现并肩、遮挡尾随等情况检测，同时将闸机本身作为标定物，可实现基于双目相机的身高、行人速度等检测，提取图像信息实现跳闸逃票判定，易于商用且提升产品竞争力，为小区、地铁、机场等地的闸机视觉检测提供了一种较可靠的新方案。

Description

一种基于机器视觉的闸机智能通行检测方法

技术领域

本发明属于图像处理与机器视觉技术领域，具体涉及一种基于机器视觉的闸机智能通行检测方法。

背景技术

通过实地调研发现，目前基于机器视觉的闸机技术已经在如火如荼开展，许多掌握核心技术的闸机厂商，已经将目光投入到基于机器视觉的闸机技术中，相关视觉技术已受到越来越多的关注。

传统的闸机通过对射管检测，占地面积大，无法有效检测尾随、并行及跳闸等逃票行为。为了实现更加有效、简便、精确的闸机标定，本次发明提出一种基于机器视觉的闸机智能通行检测方法。

发明内容

本发明的目的在于克服现有技术中的不足，提供了一种基于机器视觉的闸机智能通行检测方法，基于视觉实现通行行人检测计数、身高检测、跳闸行为检测，可用于小区、地铁、机场等地闸机检测，有效提升产品竞争力。

为解决上述技术问题，本发明提供了一种基于机器视觉的闸机智能通行检测方法，包括以下过程：

获取闸机进闸处的闸机监控图像；

基于获取的闸机监控图像，检测出闸机监控图像中所有行人并跟踪每个行人，获得每个行人的运动轨迹，基于行人的运动轨迹与设定的过闸直线之间的位置关系判断行人是否过闸，计算得到过闸行人的数量；

在闸机监控图像中提取每个过闸行人的单个行人图像，基于单个行人图像计算每个过闸行人的身高，并统计出身高不足规定的购票要求的行人数量；

基于过闸行人数量和身高不足购票要求的人数，计算获得购票过闸人数；

若购票过闸行人数量超过一个人，则判断有多人同时过闸机，进行逃票报警。

可选的，所述检测出闸机监控图像中所有行人并跟踪每个行人并跟踪，包括：

在闸机监控图像中，基于yolov3目标检测算法检测出所有行人；

采用DeepSort跟踪算法跟踪每个行人获得每个行人的运动轨迹，通过 DeepSort跟踪算法判断图像中运动行人是否是同一行人。

可选的，所述基于行人的运动轨迹与设定的过闸直线之间的位置关系判断行人是否过闸，包括：

在闸机监控图像中闸机处绘制两道过闸直线，记为过闸直线一和过闸直线二，其中过闸直线一为各闸机的首端(进闸机处)连线，过闸直线二为各闸机的末端(出闸机处)连线，

若同一行人运动轨迹，被检测到经过过闸直线一且经过过闸直线二时，则判断此行人过闸；

若同一行人运动轨迹，仅被检测到经过过闸直线二时，也判断此行人过闸。

进一步的，在所述基于行人的运动轨迹与设定的过闸直线之间的位置关系判断行人是否过闸步骤之后还包括：若同一行人已判断为过闸，再次检测到其运动轨迹经过过闸直线时，不重复计数，防止误报。

可选的，所述同一行人运动轨迹被检测到经过过闸直线的判断依据是：

行人识别框中心点之前在直线上方，然后又在直线下方，则由此可以判断出行人通过过闸直线。

可选的，所述基于单个行人图像计算每个过闸行人的身高，包括：

基于每个过闸行人的单个行人图像，采用遍历像素点提取单个行人图像像素最高点；

基于最高点的像素坐标，计算出最高点对应的世界坐标；

基于最高点的世界坐标以及世界坐标系相对于地面距离，计算得到行人身高。

可选的，所述基于最高点的像素坐标，计算出最高点对应的世界坐标，包括：

基于最高点的像素坐标，采用光轴汇聚模型计算得到最高点的世界坐标。

可选的，还包括：

将最高点的世界坐标输入预先训练的BP神经网络，获得神经网络优化补偿后的世界坐标。

可选的，还包括：

在闸机监控图像中划定包围闸门的像素判据区域，计算各个图像中像素判据区域的对应的累计灰度值变化量、变化幅值一致性判据、变化比例一致性判据、闸门匹配率判据，基于各个判据判定是否有跳闸行为，若有则发出跳闸逃票报警。

可选的，所述累计灰度值变化量、变化幅值一致性判据、变化比例一致性判据、闸门匹配率判据为：

累计灰度值变化量K₁(t)由以下公式可得：

X_i(t)＝I_i(t)-B_i(t),i＝1,2,3,...,n

式中:n为某闸机口判据区域像素面积；I_i(t)、B_i(t)分别为第i点像素在t时刻的前景、背景灰度值；X_i(t)为像素灰度值变化量；

变化幅值一致性判据K₂用方差来对图像灰度值变化的一致性进行判定：

式中，X(t)为某闸机口判据区域内像素幅值变化均值，K₂(t)为幅值变化的方差；

变化比例一致性判据K3具体计算方法如下：

其中，

是Y_i(t)的均值，K₃(t)是像素前景与背景比值的方差，可以区分闸机口像素的变化是由阴影引起的还是闸机处的状态变化引起的，从而减少误判；

闸门匹配率K₄，即通过像素判据区域作为模板匹配闸机口的闸门得到匹配率，获取跳闸时的匹配率K₄；

采用的是模板匹配中的相关匹配法计算匹配率，此类方法是将模板对其均值的相对值与图像对其均值的相对值进行匹配，K₄表示当模板滑动到源图像某点处的模板与源图像的匹配系数最大值，K₄＝1表示完美的匹配，K₄＝－1表示最糟糕的匹配，K₄＝0表示没有任何相关性。

可选的，所述基于各个判据判定是否有跳闸行为，包括：

采用径向基函数神经网络，基于各个判据判定是否有跳闸行为。

与现有技术相比，本发明所达到的有益效果是：充分利用视觉提取通行行人信息，采用改进深度学习技术进行行人检测，画双线计数可有效检测并肩、遮挡逃票行为，利用闸机自身的角点信息和实际尺寸信息取代棋盘进行非线性标定，采用双目相机识别行人身高，采用图像处理技术进行跳闸行为判定。运用本发明方法，利用深度学习泛化性能有效检测行人，实现并肩、遮挡尾随等情况检测，同时将闸机本身作为标定物，可实现基于双目相机的身高、行人速度等检测，提取图像信息实现跳闸逃票判定，易于商用且提升产品竞争力，为小区、地铁、机场等地的闸机视觉检测提供了一种较可靠的新方案。

附图说明

图1是本发明检测行人并行计数图；

图2本发明行人遮挡尾随检测计数图；

图3是本发明闸机角点图；

图4是本发明基于行人目标框坐标实现grabcut图；

图5是本发明grabcut算法提取后单个行人图；

图6是本发明提取行人图像像素最高点图；

图7是本发明划定像素判据区域图；

图8是本发明系统工作流程图；

图9是思维进化算法流程图；

图10是像素坐标系与其对应的世界坐标系之间的关系。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明的创新思路是：利用双目相机视觉提取通行行人信息，采用改进深度学习技术进行行人检测，利用闸机自身的角点信息和实际尺寸信息取代传统张氏标定法(黑白棋盘标定)进行标定，计算行人身高，以及采用图像处理技术进行跳闸行为判定。

本发明的一种基于机器视觉的闸机智能通行检测方法，参见图8所示，包括以下过程：

步骤1、开启双目相机的视觉系统进行工作，首先对双目相机进行标定，获得相应的标定参数，基于此标定参数可由图像中像素坐标转换获得对应的世界坐标系中坐标。

在使用双目相机之前，需要对双目相机非线性进行标定，具体的标定过程为：

1)根据针孔模型建立闸机上角点的像素坐标系与其对应的世界坐标系之间的联系，如图10所示，其中，(u₀,v₀)为图像坐标系中光轴投影坐标即主点坐标， 1/d_x,1/d_y分别为在x、y方向上每个像素的物理尺寸，γ为x,y不垂直时的扭曲系数，f为相机焦距，R、T为旋转矩阵、平移向量，(X_w,Y_w,Z_w)为世界坐标，Z_C为相机坐标系下的坐标，(u,v)为像素坐标系下坐标，

将相机内外参数化为矩阵M：

将等式乘开并将Z_C化入其中，可得图像上提取的闸机上各个角点的像素坐标与其对应的世界坐标联系：

2)依据闸机实际尺寸提取多个(6个以上)闸机上角点的空间坐标(X_w,Y_w,Z_w) 及其像素坐标(u,v)，依据上述数学模型可以解出矩阵M，从而求得相机内外参数。

为进一步精确参数，取大于6个以上世界坐标并采用最小二乘法优化所求到的相机内外参数，闸机角点如图3所示。

3)利用上述方法分别求出左右双目相机内外参数，采用光轴汇聚模型，对于双目相机，分别有图像像素坐标至世界坐标转换公式：

联立可得到如下式子：

(u₁m′₃₁-m′₁₁)X_w+(u₁m′₃₂-m′₁₂)Y_w+(u₁m′₃₃-m′₁₃)Z_w＝m′₁₄-u₁m′₃₄

(v₁m′₃₁-m′₂₁)X_w+(v₁m′₃₂-m′₂₂)Y_w+(v₁m′₃₃-m′₂₃)Z_w＝m′₂₄-v₁m′₃₄

(u₂m″₃₁-m″₁₁)X_w+(u₂m″₃₂-m″₁₂)Y_w+(u₂m″₃₃-m″₁₃)Z_w＝m″₁₄-u₂m″₃₄

(v₂m″₃₁-m″₂₁)X_w+(v₂m″₃₂-m″₂₂)Y_w+(v₂m″₃₃-m″₂₃)Z_w＝m″₂₄-v₂m″₃₄

其中，左右相机拍摄、提取的像素坐标(u₁,v₁)、(u₂,v₂)已知，相机内外参数已知，四个方程求解三个未知数(X_w,Y_w,Z_w)，采用最小二乘法，即可求出世界坐标(X_w,Y_w,Z_w)，初步建立二维像素坐标与世界坐标的映射；

4)上述线性数学模型难以精确描述非线性相机系统，采用基于思维进化算法优化BP神经网络的方法进一步完善二维像素坐标与世界坐标的映射，利用光轴汇聚模型求出的世界坐标作为BP神经网络输入，实际世界坐标作为BP神经网络输出；

采用基于思维进化算法优化BP神经网络的方法进一步完善二维像素坐标与世界坐标的映射，包括以下步骤：

步骤a：确定BP神经网络隐含层层数、输入、输出层及节点数；

步骤b：利用思维进化算法对BP神经网络的权重与阈值选取最优值；

思维进化算法的基本思路，其流程如图9所示，如下：

①在向量空间内随机生成部分数量个体，依据得分(演变于进化算法中用于评价个体优劣的适应度函数取值，表达个体对客观环境适应本领)，筛选出分数最高一定数量临时个体及优胜个体。

②围绕着得出临时个体及优胜个体孕育部分新个体，生成一定规模临时子群体及优胜子群体。

③“趋同”操作：生成临时子群体及优胜子群体进行竞争，直到此子群体成熟不再产生新胜者。

④“异化”操作：子群体成熟不再产生新胜者后，全局公告板上公布各个临时子群体得分和优胜子群体得分，经过不断的比较、释放、重组、再比较、再释放，最终找出全局范围内最优个体，完成全局搜索。

步骤c：确定BP神经网络结构的各参数值，建立输入输出联系，得到训练模型，完成最终双目相机标定。

将思维进化算法求出的最优阈值和权值带入神经网络，利用训练集对神经网络进行训练、学习，当损失函数满足要求或达到最大迭代次数时，训练完成，得到标定模型，将光轴会聚模型结合最小二乘法求出的闸机角点的初步世界坐标，代入训练完毕的思维进化-神经网络模型，反归一化后，即可求得精确世界坐标。

步骤2、采集双目相机在闸机进闸处拍摄到的闸机监控图像，在闸机监控图像中检测出行人识别框。

有通行行人情况下，所述闸机监控图像中包括闸机和通行行人，在闸机监控图像中，基于yolov3目标检测算法检测出行人识别框。yolov3目标检测算法检测过程中，对数据集中的所有真实行人识别框进行kmeans聚类，通过聚类的方式自定义anchorbox的大小，anchorbox是先验框，识别框是在先验框基础上的得到的，通过自定义大小，可以减少训练时长，提升检测效果。

步骤3、在闸机监控图像中采用DeepSort跟踪算法跟踪行人识别框，获得每个行人的运动轨迹，基于行人运动轨迹与两条过闸直线之间关系，判断行人是否过闸，计算过闸行人的数量。

采用DeepSort跟踪算法跟踪每个行人获得每个行人的运动轨迹，通过 DeepSort跟踪算法判断图像中运动行人是否是同一行人。

在闸机监控图像中闸机处绘制两道过闸直线，记为过闸直线一和过闸直线二，其中过闸直线一为各闸机的首端(即为进闸处)连线，过闸直线二为各闸机的末端(记为出闸处)连线，具体过闸直线在闸机图像中显示参见图1和图2 所示。

行人通过闸机的判断依据是：行人运动轨迹经过过闸直线一且经过过闸直线二。在图像中，行人识别框中心点之前在直线上方(中心点y值减去中心点x 对应在直线的值大于0)，然后又在直线下方，则由此可以判断出行人通过过闸直线。

若所有通行行人都是常规间隔行走过闸机，则直接对同一行人识别框中心点经过过闸直线一且经过过闸直线二时计数，就可得到过闸人数。但是现实中通行行人过多时容易出现遮挡尾随情况，例如图1所示的并行过闸和图2所示的遮挡尾随过闸情况。本发明对此现象进行研究后，得到改进的过闸行人人数统计方法。

本发明的过闸行人人数计算过程为：

若同一行人识别框中心点经过过闸直线一且经过过闸直线二时，认为此行人过闸，过闸人数加一；

若同一行人识别框中心点，没有检测到经过过闸直线一，但是检测到经过过闸直线二时，认为此行人过闸，过闸人数加一；此情况针对遮挡尾随，如图2 所示，过闸直线一会检测不到。

若同一行人已判断为过闸，再次检测到其运动轨迹经过过闸直线时，不重复计数，防止误报。

本发明可以正确统计过闸行人数量，即实现尾随逃票检测，当出现过闸行人数量超过一个时，发出逃票报警。本发明设置两条过闸直线来判断过闸人数，相比一条过闸直线，可以防止同一行人识别框中心点来回经过过闸直线引起误报。

在检测到的过闸行人数量中，还要剔除身高不足规定的购票要求的行人。

步骤4，闸机监控图像中提取每个过闸行人的单个行人图像，分别计算每个过闸行人的身高，统计出身高不足规定的购票要求的行人数量。

将有过闸行人情况下的闸机监控图像与无通行行人情况下的闸机监控图像进行对比，采用帧差法提取出二值化行人图像。在二值化行人图像中，以在步骤2中yolov3目标检测算法预测出的行人识别框坐标作为grabcut分割前景，采用grabcut图像分割算法分割出单个行人，如图4所示，提取后单个行人如图5 所示，采用遍历像素点提取单个行人图像像素最高点(白色像素点)，如图6 所示，基于最高点像素坐标带入光轴汇聚模型求出世界坐标，采用BP神经网络求出优化的最高点世界坐标，结合世界坐标系相对于地面距离，即可求出行人身高。

判断各个行人的身高是否满足规定的购票要求，例如1.2米，统计出身高不足规定的购票要求的行人数量。

步骤5，将过闸行人数量减去身高不足购票要求的人数获得购票过闸人数，当判断购票过闸行人数量超过一个人时，则判断出有多人同时过闸机，进行逃票报警。

步骤6，在闸机监控图像中划定包围闸门的像素判据区域，计算各个图像中像素判据区域的对应各个判据，基于各个判据判定是否有跳闸行为，若有则发出跳闸逃票报警。

跳闸检测包括以下步骤：

1)在闸机监控图像中相邻闸机间划定包围闸门的像素判据区域，例如图7 所示；

2)在像素判据区域内计算各个判据值。

前一帧作为前景，后一帧作为背景，提取每张图片4判据K₁、K₂、K3、K4；

累计灰度值变化量K₁(t)由以下公式可得：

X_i(t)＝I_i(t)-B_i(t),i＝1,2,3,...,n

式中:n为某闸机口判据区域像素面积；I_i(t)、B_i(t)分别为第i点像素在t时刻的前景、背景灰度值；X_i(t)为像素灰度值变化量；

变化幅值一致性判据K₂用方差来对图像灰度值变化的一致性进行判定：

式中，X(t)为某闸机口判据区域内像素幅值变化均值，K₂(t)为幅值变化的方差；

变化比例一致性判据K3具体计算方法如下：

其中，

是Y_i(t)的均值，K₃(t)是像素前景与背景比值的方差，可以区分闸机口像素的变化是由阴影变化引起的还是闸机处的状态变化引起的，从而减少误判；

闸门匹配率K₄，即通过像素判据区域作为模板匹配闸机口的闸门得到匹配率，获取跳闸时的匹配率K₄；

采用的是模板匹配中的相关匹配法计算匹配率，此类方法是将模板对其均值的相对值与图像对其均值的相对值进行匹配，K₄表示当模板滑动到源图像某点处的模板与源图像的匹配系数最大值，K₄＝1表示完美的匹配，K₄＝－1表示最糟糕的匹配，K₄＝0表示没有任何相关性。

通过分析闸机口状态变化的四个判据公式，可以发现：当像素判据区域(闸机口框选区域)没有改变时，即没有运动目标进入此区域或突然跳闸行为发生时，像素幅值累积变化K₁(t)为0。当闸机处有运动目标进入或者发生跳闸行为时，框选区域像素值发生改变，此时幅值累计变化量K₁(t)将骤然变大。因此可利用 K₁(t)来检测闸机处状态变化。此种检测判据物理意义明确，快捷方便，但是光照、阴影等变化也会引起K₁(t)变化，从而引入变化幅值一致性判据K₂(t)，K₂(t) 根据光照变化像素点较为集中，引起的幅值离散程度即方差变化较小，此时K₁(t) 增大，但是K₂(t)较小。同时研究发现，阴影等因素会导致像素值幅值发生急剧变化，但闸机口判据区域前后两帧对应像素点变化的比值变化较小，即判据K₃(t)。通过此数学特征，可判别闸门处像素变化是由阴影引起还是闸机口判据区域状态变化引起的，从而减少误判发生。

通过图像像素值提取的K₁(t)、K₂(t)、K₃(t)三种判据，可以判断闸机口状态变化是否是光照等因素引起，但此时闸机口状态变化包含从有人正常通过和跳闸引起的变化，因此需要进一步引入判据区分闸机口状态变化是否由跳闸行为引起。为此引入模板匹配系数K₄(t)作为判据。当行人正常通过时，行人双脚占据闸门处区域，此时模板匹配度较差。当跳闸行为发生时，模板匹配度较好。此时，采用模板匹配系数K₄(t)作为第四个判据。

3)将4个判据作为径向基函数神经网络输入值、是否跳闸(1或0)作为输出进行训练，得到最终判定结果，当判断发生跳闸时，进行跳闸逃票报警。

本发明能够实现多人过闸逃票和跳闸逃票判定，易于商用且提升产品竞争力，为小区、地铁、机场等地的闸机视觉检测提供了一种较可靠的新方案。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和 /或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/ 或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

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来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (10)

1.一种基于机器视觉的闸机智能通行检测方法，其特征是，包括以下过程：

获取闸机进闸处的闸机监控图像；

基于获取的闸机监控图像，检测出闸机监控图像中所有行人并跟踪，获得每个行人的运动轨迹，基于行人的运动轨迹与设定的过闸直线之间的位置关系判断行人是否过闸，计算得到过闸行人的数量；

在闸机监控图像中提取每个过闸行人的单个行人图像，基于单个行人图像计算每个过闸行人的身高，并统计出身高不足规定的购票要求的行人数量；

基于过闸行人数量和身高不足购票要求的人数，计算获得购票过闸人数；

若购票过闸行人数量超过一个人，则判断有多人同时过闸机，进行逃票报警。

2.根据权利要求1所述的一种基于机器视觉的闸机智能通行检测方法，其特征是，所述检测出闸机监控图像中所有行人，包括：

在闸机监控图像中，基于yolov3目标检测算法检测出所有行人的识别框。

3.根据权利要求1所述的一种基于机器视觉的闸机智能通行检测方法，其特征是，所述基于行人的运动轨迹与设定的过闸直线之间的位置关系判断行人是否过闸，包括：

在闸机监控图像中闸机处绘制两道过闸直线，记为过闸直线一和过闸直线二，其中过闸直线一为各闸机的进闸机处连线，过闸直线二为各闸机的出闸机处连线，

若同一行人运动轨迹，被检测到经过过闸直线一且经过过闸直线二时，则判断此行人过闸；

若同一行人运动轨迹，仅被检测到经过过闸直线二时，也判断此行人过闸。

4.根据权利要求3所述的一种基于机器视觉的闸机智能通行检测方法，其特征是，在所述基于行人的运动轨迹与设定的过闸直线之间的位置关系判断行人是否过闸步骤之后还包括：若同一行人已判断为过闸，再次检测到其运动轨迹经过过闸直线时，不重复计数。

5.根据权利要求3所述的一种基于机器视觉的闸机智能通行检测方法，其特征是，所述同一行人运动轨迹被检测到经过过闸直线的判断依据是：

行人识别框中心点之前在过闸直线上方，然后又在同一过闸直线下方，则由此判断出行人通过过闸直线。

6.根据权利要求1所述的一种基于机器视觉的闸机智能通行检测方法，其特征是，所述基于单个行人图像计算每个过闸行人的身高，包括：

基于每个过闸行人的单个行人图像，采用遍历像素点提取单个行人图像像素最高点；

基于最高点的像素坐标，计算出最高点对应的世界坐标；

基于最高点的世界坐标以及世界坐标系相对于地面距离，计算得到行人身高。

7.根据权利要求6所述的一种基于机器视觉的闸机智能通行检测方法，其特征是，所述基于最高点的像素坐标，计算出最高点对应的世界坐标，包括：

基于最高点的像素坐标，采用光轴汇聚模型计算得到最高点的世界坐标。

8.根据权利要求6所述的一种基于机器视觉的闸机智能通行检测方法，其特征是，还包括：

将最高点的世界坐标输入预先训练的BP神经网络，获得神经网络优化补偿后的世界坐标。

9.根据权利要求1所述的一种基于机器视觉的闸机智能通行检测方法，其特征是，还包括：

在闸机监控图像中划定包围闸门的像素判据区域，计算各个图像中像素判据区域的对应的累计灰度值变化量、变化幅值一致性判据、变化比例一致性判据、闸门匹配率判据，基于各个判据判定是否有跳闸行为，若有则发出跳闸逃票报警；

所述累计灰度值变化量、变化幅值一致性判据、变化比例一致性判据、闸门匹配率判据为：

累计灰度值变化量K₁(t)由以下公式可得：

X_i(t)＝I_i(t)-B_i(t),i＝1,2,3,...,n

式中:n为某闸机口判据区域像素面积；I_i(t)、B_i(t)分别为第i点像素在t时刻的前景、背景灰度值；X_i(t)为像素灰度值变化量；

变化幅值一致性判据K₂用方差来对图像灰度值变化的一致性进行判定：

式中，X(t)为某闸机口判据区域内像素幅值变化均值，K₂(t)为幅值变化的方差；

变化比例一致性判据K3具体计算方法如下：

其中，

是Y_i(t)的均值，K₃(t)是像素前景与背景比值的方差；

闸门匹配率K₄，即通过像素判据区域作为模板匹配闸机口的闸门得到匹配率，获取跳闸时的匹配率K₄。

10.根据权利要求1所述的一种基于机器视觉的闸机智能通行检测方法，其特征是，所述基于各个判据判定是否有跳闸行为，包括：

采用径向基函数神经网络，基于各个判据判定是否有跳闸行为。

Images