CN113743212A - 扶梯出入口拥堵或有遗留物的检测方法、装置及存储介质 - Google Patents
扶梯出入口拥堵或有遗留物的检测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113743212A CN113743212A CN202110880216.1A CN202110880216A CN113743212A CN 113743212 A CN113743212 A CN 113743212A CN 202110880216 A CN202110880216 A CN 202110880216A CN 113743212 A CN113743212 A CN 113743212A
- Authority
- CN
- China
- Prior art keywords
- feature vector
- image
- hog feature
- escalator
- similarity
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 11
- 239000013598 vector Substances 0.000 claims abstract description 115
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Escalators And Moving Walkways (AREA)
Abstract
本发明公开了一种扶梯出入口拥堵或有遗留物的检测方法、装置及存储介质；该方法通过获取多个图像的HOG特征向量，再根据HOG特征向量计算图像之间的相识度，从而可以判断出扶梯出入口是否拥堵或有遗留物，再通过人头识别和人数计算判断扶梯出入口是否为拥堵状态，本发明在未发生拥堵的时候无需持续计算和跟踪人流，消耗的算力比明确计算人数并追踪的方法低很多；本发明检测扶梯出入口拥堵的准确性高，能够较好地避免事故的发生。本发明可广泛应用于扶梯口拥堵检测技术领域。
Description
技术领域
本发明涉及扶梯口拥堵检测技术领域，尤其是一种扶梯出入口拥堵或有遗留物的检测方法、装置及存储介质。
背景技术
目前自动扶梯在各大商场、地铁站点、火车站、机场等人流量密集的地方都有应用，自动扶梯在给人们带来极大便捷的同时，也会因为一些不当使用造成人们生命财产的损失。例如当出口有大流量人流时或被其他物体阻塞时，极易出现乘客滞留出口的情况，如果不采取措施减慢或停止自动扶梯运行，很有可能致使即将抵达出口的乘客跌倒，摔落，进而造成多米诺效应，引发更恶性的伤亡事件。
目前，检测扶梯出入口拥堵的方法主要有以下几种：
(1)利用楼层板位置增加称重装置，根据重量判断是否拥堵。该方法的缺点在于当有连续人群经过楼层板时，由于重量变化不大，容易误判为拥堵；
(2)通过红外构建热力图或深度摄像机的深度图像判断人数。该方法在人流拥堵的时候，判断的准确率低，且容易将密集人群正常通过时也误判为拥堵；
(3)通过摄像头采集楼层板区域图像，识别人头或人体，计算人头或人体的数量，当数量超多阈值时判断为拥堵。该方法同样无法判断是否为密集人群正常通过，而如果采用图像追踪的方法，将消耗大量算力。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种扶梯出入口拥堵或有遗留物的检测方法、装置及存储介质。
本发明所采取的技术方案是：
一方面，本发明实施例包括一种扶梯出入口拥堵或有遗留物的检测方法，包括：
采集扶梯出入口的视频图像；
从所述视频图像中获取无人时的背景图像；
计算第一HOG特征向量，所述第一HOG特征向量为所述背景图像的HOG特征向量；
获取当前帧图像，并计算第二HOG特征向量，所述第二HOG特征向量为所述当前帧图像的HOG特征向量；
计算第一相似度，所述第一相似度为所述第一HOG特征向量和所述第二HOG特征向量的相似度；
若所述第一相似度小于第一阈值，从所述视频图像中获取目标图像，所述目标图像为所述当前帧图像前预设时间段内的任意一帧图像；
计算第三HOG特征向量，所述第三HOG特征向量为所述目标图像的HOG特征向量；
计算第二相似度，所述第二相似度为所述第二HOG特征向量和所述第三HOG特征向量的相似度；
若所述第二相似度大于第二阈值，确定扶梯出入口拥堵或有遗留物；
对所述当前帧图像进行人头识别，并对人数进行计算；
若在所述当前帧图像中识别到人头，且计算得到的人数大于第三阈值，确定扶梯出入口为行人拥堵状态；
若在所述当前帧图像中没有识别到人头，确定扶梯出入口有遗留物。
进一步地，所述从所述视频图像中获取无人时的背景图像之后，所述方法还包括：
对所述背景图像进行灰度化处理。
进一步地，所述计算第一HOG特征向量这一步骤，包括：
获取所述背景图像进行灰度化处理后得到的灰度图像；
对所述灰度图像进行归一化处理，并进行Gamma校正处理；
计算所述灰度图像的梯度；
将所述灰度图像划分为多个cell，每个cell为6像素*6像素，每2*2的cell构成一个block；
统计每个cell内部的梯度直方图；
组合多个所述cell的特征描述子；
串联所有所述block的特征描述子，得到第一HOG特征向量。
进一步地，所述计算第一相似度通过以下公式执行：
式中，correlation表示第一相似度，n表示block特征描述子的数量，xi表示第一HOG特征向量中第i个block特征描述子，yi表示第二HOG特征向量中第i个block特征描述子。
进一步地，若所述第一相似度不小于第一阈值或者所述第二相似度不大于第二阈值，则从所述视频图像中获取第一图像以更新当前帧图像，所述第一图像为所述视频图像中除当前帧图像和目标图像以外的任意一幅图像。
进一步地，若在所述当前帧图像中识别到人头，但计算得到的人数不大于第三阈值，确定扶梯出入口为行人滞留状态。
另一方面，本发明实施例包括一种扶梯出入口拥堵或有遗留物的检测装置，包括：
采集模块，用于采集扶梯出入口的视频图像；
第一获取模块，用于从所述视频图像中获取无人时的背景图像；
第一计算模块，用于计算第一HOG特征向量，所述第一HOG特征向量为所述背景图像的HOG特征向量；
第二获取模块，获取当前帧图像，并计算第二HOG特征向量，所述第二HOG特征向量为所述当前帧图像的HOG特征向量；
第二计算模块，用于计算第一相似度，所述第一相似度为所述第一HOG特征向量和所述第二HOG特征向量的相似度；
第三获取模块，用于若所述第一相似度小于第一阈值，从所述视频图像中获取目标图像，所述目标图像为所述当前帧图像之前预设时间段内的任意一帧图像；
第三计算模块，用于计算第三HOG特征向量，所述第三HOG特征向量为所述目标图像的HOG特征向量；
第四计算模块，用于计算第二相似度，所述第二相似度为所述第二HOG特征向量和所述第三HOG特征向量的相似度；
第一确定模块，用于若所述第二相似度大于第二阈值，确定扶梯出入口拥堵或有遗留物；
识别并计算模块，用于对所述当前帧图像进行人头识别，并对人数进行计算；
第二确定模块，用于若在所述当前帧图像中识别到人头，且计算得到的人数大于第三阈值，确定扶梯出入口为行人拥堵状态；
第三确定模块，用于若在所述当前帧图像中没有识别到人头，确定扶梯出入口有遗留物。
进一步地，所述系统还包括：
处理模块，用于对所述背景图像进行灰度化处理。
另一方面，本发明实施例还包括一种扶梯出入口拥堵或有遗留物的检测装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现所述的扶梯出入口拥堵或有遗留物的检测方法。
另一方面，本发明实施例还包括计算机可读存储介质，其上存储有处理器可执行的程序，所述处理器可执行的程序在被处理器执行时用于实现所述的扶梯出入口拥堵或有遗留物的检测方法。
本发明的有益效果是：
本发明通过获取多个图像的HOG特征向量，再根据HOG特征向量计算图像之间的相识度，从而可以判断出扶梯出入口是否拥堵或有遗留物，再通过人头识别和人数计算判断扶梯出入口是否为拥堵状态，本发明在未发生拥堵的时候无需持续计算和跟踪人流，消耗的算力比明确计算人数并追踪的方法低很多；本发明检测扶梯出入口拥堵的准确性高，能够较好地避免事故的发生。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例所述扶梯出入口拥堵或有遗留物的检测方法的步骤流程图；
图2为本发明实施例所述扶梯出入口拥堵或有遗留物的检测方法的流程图；
图3为本发明实施例所述获取的无人时的背景图像示意图；
图4为本发明实施例所述获取的当前帧图像示意图；
图5为本发明实施例所述获取的目标图像示意图；
图6为本发明实施例所述HOG特征向量计算的过程示意图；
图7为本发明实施例所述扶梯出入口拥堵或有遗留物的检测装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数。如果有描述到第一、第二、第三等只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
参照图1，本发明实施例提出一种扶梯出入口拥堵或有遗留物的检测方法，但不限于以下包括：
S100.采集扶梯出入口的视频图像；
S200.从视频图像中获取无人时的背景图像；
S300.计算第一HOG特征向量，第一HOG特征向量为背景图像的HOG特征向量；
S400.获取当前帧图像，并计算第二HOG特征向量，第二HOG特征向量为当前帧图像的HOG特征向量；
S500.计算第一相似度，第一相似度为第一HOG特征向量和第二HOG特征向量的相似度；
S600.若第一相似度小于第一阈值，从视频图像中获取目标图像，目标图像为当前帧图像前预设时间段内的任意一帧图像；
S700.计算第三HOG特征向量，第三HOG特征向量为目标图像的HOG特征向量；
S800.计算第二相似度，第二相似度为第二HOG特征向量和第三HOG特征向量的相似度；
S900.若第二相似度大于第二阈值，确定扶梯出入口拥堵或有遗留物；
S1000.对当前帧图像进行人头识别，并对人数进行计算；
S1100.若在当前帧图像中识别到人头，且计算得到的人数大于第三阈值，确定扶梯出入口为行人拥堵状态；
S1200.若在当前帧图像中没有识别到人头，确定扶梯出入口有遗留物。
参照图2，本实施例中，在楼层板上方安装监控摄像头，以采集扶梯出入口的视频图像。本实施例中，需要先获取无人时的背景图像作为参照图像，具体地，参照图3，本实施例中，获取的背景图像中只含有扶梯出入口处的背景，没有行人通过或其他大件遗留物。然后对该背景图像进行灰度化处理，并计算该背景图像的HOG特征向量，记为V0。接下来从采集得到的扶梯出入口的视频图像中任选一帧图像为当前帧图像，如图4所示。同样对该当前帧图像进行灰度化处理，并计算该当前帧图像的HOG特征向量，记为V1。然后通过计算V0和V1的相似度，来判断当前帧图像和背景图像的相似度。如果V0和V1的相似度大于第一阈值，则说明当前帧图像与背景图像差别不大，此时，判定扶梯出入口并无拥堵或无遗留物。而如果V0和V1的相似度不大于第一阈值，说明当前帧图像与背景图像有所差别，此时需要进一步从扶梯出入口的视频图像中获取当前帧图像N秒前的图像为目标图像，如图5所示。同样地，对该目标图像进行灰度化处理，并计算该目标图像的HOG特征向量，记为V2。然后通过计算V1和V2的相似度，来判断当前帧图像和目标图像的相似度。如果V1和V2的相似度不大于第二阈值，则说明当前帧图像与目标图像差别不大，此时，结合V0和V1的相似度不大于第一阈值的情况，说明虽然当前帧图像与背景图像有所差异，但当前帧图像与N秒前的目标图像差异不大，可判定扶梯出入口可能是密集人群正常通过，而非拥堵。如果V1和V2的相似度大于第二阈值，则说明当前帧图像与目标图像差别较大，此时，结合V0和V1的相似度不大于第一阈值的情况，说明当前帧图像与背景图像有所差异，且当前帧图像与N秒前的目标图像差异也较大，可判定扶梯出入口拥堵或有遗留物。
本实施例中，在判断扶梯出入口拥堵或有遗留物之后，对当前帧图像进行人头识别，并对人数进行计算，以区分是人群拥堵还是物品遗留。具体地，可采用HOG特征提取+SVM分类、卷积神经网络RCNN、FastRCNN、YOLO等方法，识别当前帧图像中是否有人头，并计算出当前帧图像中的人数。如果在当前帧图像中识别到人头，且计算得到的人数大于第三阈值，则确定扶梯出入口为行人拥堵状态。如果在当前帧图像中没有识别到人头，则确定扶梯出入口有遗留物。如果在当前帧图像中识别到人头，但计算得到的人数不大于第三阈值，则确定扶梯出入口为行人滞留状态。
可以理解的是，本实施例中，第一阈值、第二阈值和第三阈值均可根据先验知识预先确定，也可以使用机器学习的方法训练模型，由模型判断获取。
本实施例中，通过计算各个图像的HOG特征向量，再计算HOG特征向量之间的相似度，来判定图像之间的相似程度，相比于使用背景差分的方法，该判定方法更准确，鲁棒性更高。方向梯度直方图(Histogram of Oriented Gradient，HOG)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。由于HOG是在图像的局部方格单元上操作，所以它对图像几何的和光学的形变都能保持很好的不变性，这两种形变只会出现在更大的空间领域上。因此HOG特别适合描述图像和进行图像的对比。具体地，参照图6，步骤S300，也就是计算第一HOG特征向量这一步骤，包括：
S301.获取背景图像进行灰度化处理后得到的灰度图像；
S302.对灰度图像进行归一化处理，并进行Gamma校正处理；
S303.计算灰度图像的梯度；
S304.将灰度图像划分为多个cell，每个cell为6像素*6像素，每2*2的cell构成一个block；
S305.统计每个cell内部的梯度直方图；
S306.组合多个cell的特征描述子；
S307.串联所有block的特征描述子，得到第一HOG特征向量。
本实施例中，第二HOG特征向量(即当前帧图像的HOG特征向量)和第三HOG特征向量(即目标图像的HOG特征向量)同样可参照图6所示的过程获取得到。
本实施例中，通过余弦相似度公式计算两张图像的相似度，具体地，若计算得到的背景图像的HOG特征向量V0＝(x1,x2,…xn)，计算得到的当前帧图像的HOG特征向量V1＝(y1,y2,…yn)；其中，x1,x2,…xn表示背景图像的HOG特征向量中的block的特征描述子，y1,y2,…yn表示当前帧图像的HOG特征向量中的block的特征描述子。然后根据公式
计算得到背景图像的HOG特征向量V0和当前帧图像的HOG特征向量V1的相似度。余弦相似度用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小。余弦值越接近1，就表明夹角越接近0度，也就是两个向量越相似。同样地，当前帧图像的HOG特征向量V1与目标图像的HOG特征向量V2的相似度也可通过余弦相似度公式计算得到。
本发明实施例提出的一种扶梯出入口拥堵或有遗留物的检测方法具有以下技术效果：
本发明实施例通过获取多个图像的HOG特征向量，再根据HOG特征向量计算图像之间的相识度，从而可以判断出扶梯出入口是否拥堵或有遗留物，再通过人头识别和人数计算判断扶梯出入口是否为拥堵状态，本发明实施例在未发生拥堵的时候无需持续计算和跟踪人流，消耗的算力比明确计算人数并追踪的方法低很多；本发明实施例检测扶梯出入口拥堵的准确性高，能够较好地避免事故的发生。
本发明实施例还提出一种扶梯出入口拥堵或有遗留物的检测装置，包括：
采集模块，用于采集扶梯出入口的视频图像；
第一获取模块，用于从视频图像中获取无人时的背景图像；
第一计算模块，用于计算第一HOG特征向量，第一HOG特征向量为背景图像的HOG特征向量；
第二获取模块，获取当前帧图像，并计算第二HOG特征向量，第二HOG特征向量为当前帧图像的HOG特征向量；
第二计算模块，用于计算第一相似度，第一相似度为第一HOG特征向量和第二HOG特征向量的相似度；
第三获取模块，用于若第一相似度小于第一阈值，从视频图像中获取目标图像，目标图像为当前帧图像之前预设时间段内的任意一帧图像；
第三计算模块，用于计算第三HOG特征向量，第三HOG特征向量为目标图像的HOG特征向量；
第四计算模块，用于计算第二相似度，第二相似度为第二HOG特征向量和第三HOG特征向量的相似度；
第一确定模块，用于若第二相似度大于第二阈值，确定扶梯出入口拥堵或有遗留物；
识别并计算模块，用于对当前帧图像进行人头识别，并对人数进行计算；
第二确定模块，用于若在当前帧图像中识别到人头，且计算得到的人数大于第三阈值，确定扶梯出入口为行人拥堵状态；
第三确定模块，用于若在当前帧图像中没有识别到人头，确定扶梯出入口有遗留物。
图1所示的方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与图1所示的方法实施例相同，并且达到的有益效果与图1所示的方法实施例所达到的有益效果也相同。
参照图7，本发明实施例还提供了一种扶梯出入口拥堵或有遗留物的检测装置200，具体包括：
至少一个处理器210；
至少一个存储器220，用于存储至少一个程序；
当至少一个程序被至少一个处理器210执行，使得至少一个处理器210实现如图1所示的方法。
其中，存储器220作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。存储器220可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器220可选包括相对于处理器210远程设置的远程存储器，这些远程存储器可以通过网络连接至处理器210。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
可以理解到，图7中示出的装置结构并不构成对装置200的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图7所示的装置200中，处理器210可以调取存储器220中储存的程序，并执行但不限于图1所示实施例的步骤。
以上所描述的装置200实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现实施例的目的。
本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有处理器可执行的程序，处理器可执行的程序在被处理器执行时用于实现如图1所示的方法。
本申请实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。
可以理解的是，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (10)
1.一种扶梯出入口拥堵或有遗留物的检测方法，其特征在于，包括：
采集扶梯出入口的视频图像；
从所述视频图像中获取无人时的背景图像；
计算第一HOG特征向量，所述第一HOG特征向量为所述背景图像的HOG特征向量；
获取当前帧图像，并计算第二HOG特征向量，所述第二HOG特征向量为所述当前帧图像的HOG特征向量；
计算第一相似度，所述第一相似度为所述第一HOG特征向量和所述第二HOG特征向量的相似度；
若所述第一相似度小于第一阈值，从所述视频图像中获取目标图像，所述目标图像为所述当前帧图像前预设时间段内的任意一帧图像；
计算第三HOG特征向量，所述第三HOG特征向量为所述目标图像的HOG特征向量；
计算第二相似度，所述第二相似度为所述第二HOG特征向量和所述第三HOG特征向量的相似度；
若所述第二相似度大于第二阈值，确定扶梯出入口拥堵或有遗留物；
对所述当前帧图像进行人头识别，并对人数进行计算；
若在所述当前帧图像中识别到人头，且计算得到的人数大于第三阈值，确定扶梯出入口为行人拥堵状态；
若在所述当前帧图像中没有识别到人头，确定扶梯出入口有遗留物。
2.根据权利要求1所述的一种扶梯出入口拥堵或有遗留物的检测方法，其特征在于，所述从所述视频图像中获取无人时的背景图像之后，所述方法还包括：
对所述背景图像进行灰度化处理。
3.根据权利要求2所述的一种扶梯出入口拥堵或有遗留物的检测方法，其特征在于，所述计算第一HOG特征向量这一步骤，包括：
获取所述背景图像进行灰度化处理后得到的灰度图像；
对所述灰度图像进行归一化处理，并进行Gamma校正处理；
计算所述灰度图像的梯度；
将所述灰度图像划分为多个cell，每个cell为6像素*6像素，每2*2的cell构成一个block；
统计每个cell内部的梯度直方图；
组合多个所述cell的特征描述子；
串联所有所述block的特征描述子，得到第一HOG特征向量。
4.根据权利要求1所述的一种扶梯出入口拥堵或有遗留物的检测方法，其特征在于，所述计算第一相似度通过以下公式执行：
式中，correlation表示第一相似度，n表示block特征描述子的数量，xi表示第一HOG特征向量中第i个block特征描述子，yi表示第二HOG特征向量中第i个block特征描述子。
5.根据权利要求1所述的一种扶梯出入口拥堵或有遗留物的检测方法，其特征在于，若所述第一相似度不小于第一阈值或者所述第二相似度不大于第二阈值，则从所述视频图像中获取第一图像以更新当前帧图像，所述第一图像为所述视频图像中除当前帧图像和目标图像以外的任意一幅图像。
6.根据权利要求1所述的一种扶梯出入口拥堵或有遗留物的检测方法，其特征在于，若在所述当前帧图像中识别到人头，但计算得到的人数不大于第三阈值，确定扶梯出入口为行人滞留状态。
7.一种扶梯出入口拥堵或有遗留物的检测装置，其特征在于，包括：
采集模块，用于采集扶梯出入口的视频图像；
第一获取模块，用于从所述视频图像中获取无人时的背景图像；
第一计算模块，用于计算第一HOG特征向量，所述第一HOG特征向量为所述背景图像的HOG特征向量；
第二获取模块，获取当前帧图像，并计算第二HOG特征向量，所述第二HOG特征向量为所述当前帧图像的HOG特征向量；
第二计算模块，用于计算第一相似度，所述第一相似度为所述第一HOG特征向量和所述第二HOG特征向量的相似度；
第三获取模块，用于若所述第一相似度小于第一阈值，从所述视频图像中获取目标图像，所述目标图像为所述当前帧图像之前预设时间段内的任意一帧图像；
第三计算模块，用于计算第三HOG特征向量，所述第三HOG特征向量为所述目标图像的HOG特征向量；
第四计算模块，用于计算第二相似度，所述第二相似度为所述第二HOG特征向量和所述第三HOG特征向量的相似度；
第一确定模块，用于若所述第二相似度大于第二阈值，确定扶梯出入口拥堵或有遗留物；
识别并计算模块，用于对所述当前帧图像进行人头识别，并对人数进行计算；
第二确定模块，用于若在所述当前帧图像中识别到人头，且计算得到的人数大于第三阈值，确定扶梯出入口为行人拥堵状态；
第三确定模块，用于若在所述当前帧图像中没有识别到人头，确定扶梯出入口有遗留物。
8.根据权利要求7所述的一种扶梯出入口拥堵或有遗留物的检测装置，其特征在于，所述系统还包括：
处理模块，用于对所述背景图像进行灰度化处理。
9.一种扶梯出入口拥堵或有遗留物的检测装置，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-6任一项所述的方法。
10.计算机可读存储介质，其特征在于，其上存储有处理器可执行的程序，所述处理器可执行的程序在被处理器执行时用于实现如权利要求1-6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110880216.1A CN113743212B (zh) | 2021-08-02 | 2021-08-02 | 扶梯出入口拥堵或有遗留物的检测方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110880216.1A CN113743212B (zh) | 2021-08-02 | 2021-08-02 | 扶梯出入口拥堵或有遗留物的检测方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113743212A true CN113743212A (zh) | 2021-12-03 |
| CN113743212B CN113743212B (zh) | 2023-11-14 |
Family
ID=78729811
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110880216.1A Active CN113743212B (zh) | 2021-08-02 | 2021-08-02 | 扶梯出入口拥堵或有遗留物的检测方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113743212B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116101874A (zh) * | 2023-04-11 | 2023-05-12 | 菱王电梯有限公司 | 自动扶梯的控制方法、装置、自动扶梯及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101727672A (zh) * | 2008-10-24 | 2010-06-09 | 云南正卓信息技术有限公司 | 一种物体滞留/偷窃事件的检测、跟踪、识别方法 |
| CN103116987A (zh) * | 2013-01-22 | 2013-05-22 | 华中科技大学 | 一种基于监控视频处理的车流统计和违规检测的方法 |
| CN103325259A (zh) * | 2013-07-09 | 2013-09-25 | 西安电子科技大学 | 一种基于多核并行的违章停车检测方法 |
| CN105404847A (zh) * | 2014-09-16 | 2016-03-16 | 北京计算机技术及应用研究所 | 一种遗留物实时检测方法 |
| CN105554462A (zh) * | 2015-12-25 | 2016-05-04 | 济南中维世纪科技有限公司 | 一种遗留物检测方法 |
| CN111723773A (zh) * | 2020-06-30 | 2020-09-29 | 创新奇智(合肥)科技有限公司 | 遗留物检测方法、装置、电子设备及可读存储介质 |
| WO2021012484A1 (zh) * | 2019-07-19 | 2021-01-28 | 平安科技（深圳）有限公司 | 基于深度学习的目标跟踪方法、装置及计算机可读存储介质 |
| WO2021135064A1 (zh) * | 2020-01-03 | 2021-07-08 | 平安科技（深圳）有限公司 | 人脸识别方法、装置、计算机设备及存储介质 |
-
2021
- 2021-08-02 CN CN202110880216.1A patent/CN113743212B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101727672A (zh) * | 2008-10-24 | 2010-06-09 | 云南正卓信息技术有限公司 | 一种物体滞留/偷窃事件的检测、跟踪、识别方法 |
| CN103116987A (zh) * | 2013-01-22 | 2013-05-22 | 华中科技大学 | 一种基于监控视频处理的车流统计和违规检测的方法 |
| CN103325259A (zh) * | 2013-07-09 | 2013-09-25 | 西安电子科技大学 | 一种基于多核并行的违章停车检测方法 |
| CN105404847A (zh) * | 2014-09-16 | 2016-03-16 | 北京计算机技术及应用研究所 | 一种遗留物实时检测方法 |
| CN105554462A (zh) * | 2015-12-25 | 2016-05-04 | 济南中维世纪科技有限公司 | 一种遗留物检测方法 |
| WO2021012484A1 (zh) * | 2019-07-19 | 2021-01-28 | 平安科技（深圳）有限公司 | 基于深度学习的目标跟踪方法、装置及计算机可读存储介质 |
| WO2021135064A1 (zh) * | 2020-01-03 | 2021-07-08 | 平安科技（深圳）有限公司 | 人脸识别方法、装置、计算机设备及存储介质 |
| CN111723773A (zh) * | 2020-06-30 | 2020-09-29 | 创新奇智(合肥)科技有限公司 | 遗留物检测方法、装置、电子设备及可读存储介质 |
Non-Patent Citations (6)
| Title |
|---|
| _123杨子江: "(好文)基于HOG的目标检测与识别(好文)基于HOG的目标检测与识别", pages 1 - 2, Retrieved from the Internet <URL:https://blog.csdn.net/qq_32642107/article/details/100666992> * |
| FEN XU 等: "Human detection and tracking based on HOG and particle filter", 2010 3RD INTERNATIONAL CONGRESS ON IMAGE AND SIGNAL PROCESSIN, pages 1503 - 1507 * |
| FENGJIAN SHE 等: "Target Detection and Tracking Based on Multi-feature Fusion", 2019 IEEE SUSTAINABLE POWER AND ENERGY CONFERENCE (ISPEC), pages 526 - 529 * |
| 吕青 等: "基于分块变化检测的人体肢体运动跟踪", 大连民族学院学报, no. 05, pages 45 - 48 * |
| 孔英会 等: "智能视频监控系统中物体遗留检测方法的研究", 计算机工程与科学, no. 06, pages 118 - 121 * |
| 范俊君 等: "一种基于双背景模型的遗留物检测方法", 计算机系统应用, no. 8, pages 201 - 205 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116101874A (zh) * | 2023-04-11 | 2023-05-12 | 菱王电梯有限公司 | 自动扶梯的控制方法、装置、自动扶梯及存储介质 |
| CN116101874B (zh) * | 2023-04-11 | 2023-06-06 | 菱王电梯有限公司 | 自动扶梯的控制方法、装置、自动扶梯及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113743212B (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ki et al. | A traffic accident recording and reporting model at intersections | |
| US10552687B2 (en) | Visual monitoring of queues using auxillary devices | |
| US8655078B2 (en) | Situation determining apparatus, situation determining method, situation determining program, abnormality determining apparatus, abnormality determining method, abnormality determining program, and congestion estimating apparatus | |
| US7729512B2 (en) | Stereo image processing to detect moving objects | |
| US10853664B2 (en) | Device and method for detecting abnormal situation | |
| US11257220B2 (en) | Asset tracking systems | |
| US20080247599A1 (en) | Method for Detecting Objects Left-Behind in a Scene | |
| CN109241938B (zh) | 道路拥堵检测方法及终端 | |
| CN103440475A (zh) | 一种自动取款机使用者人脸可见性判断系统及方法 | |
| CN112287827A (zh) | 基于智慧灯杆的复杂环境行人口罩佩戴检测方法及系统 | |
| US10262328B2 (en) | System and method for video-based detection of drive-offs and walk-offs in vehicular and pedestrian queues | |
| CN111160220B (zh) | 一种基于深度学习的包裹检测方法、装置、存储介质 | |
| EP3349142A1 (en) | Information processing device and method | |
| CN113743260B (zh) | 一种地铁站台密集人流情况下的行人跟踪方法 | |
| CN112818939A (zh) | 一种行为检测方法、装置及电子设备 | |
| CN115909223A (zh) | 一种wim系统信息与监控视频数据匹配的方法和系统 | |
| CN113505767B (zh) | 一种基于云计算的载货车辆占道经营行为检测方法及系统 | |
| CN113743212A (zh) | 扶梯出入口拥堵或有遗留物的检测方法、装置及存储介质 | |
| CN112800841B (zh) | 一种行人计数方法、装置、系统及计算机可读存储介质 | |
| CN111832349A (zh) | 遗留物错误检测的识别方法、装置及图像处理设备 | |
| CN106384089A (zh) | 基于终生学习的人体可靠检测方法 | |
| CN113593099A (zh) | 闸机控制方法、装置、系统、电子设备及存储介质 | |
| JP2020063659A (ja) | 情報処理システム | |
| CN115861919A (zh) | 一种用于防止尾随通行行为的通行控制方法 | |
| CN112560557A (zh) | 人数检测方法、人脸检测方法、装置及电子设备 |
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 |