CN116664552B - 基于视频图像分析的电梯门异常检测方法 - Google Patents

Abstract

本申请涉及图像数据处理领域，特别涉及基于视频图像分析的电梯门异常检测方法，包括：对电梯门灰度图像进行初始直线区域识别，确认初始直线区域，初始直线区域由若干个直线单元组成，然后根据若干个直线单元对应的直线度，计算初始直线区域的混乱度，而当初始直线区域的混乱度大于预设阈值时，将初始直线区域标记为最终直线区域，再基于最终直线区域之间的区域角度，计算异常检测模型的阈值参数，最后将电梯门灰度图像输入所述阈值参数对应的异常检测模型，确认电梯门的工作状态。通过对电梯门的电梯门灰度图像进行实时数据分析，以确认异常检测模型的阈值参数，基于异常检测模型对电梯门进行异常检测，提高检测准确性，降低检测工作成本。

Description

基于视频图像分析的电梯门异常检测方法

技术领域

本申请涉及图像数据处理领域，特别涉及一种基于视频图像分析的电梯门异常检测方法。

背景技术

电梯，主要由曳引机（绞车）、导轨、对重装置、安全装置（如限速器、安全钳和缓冲器等）、信号操纵系统、轿厢与电梯门等组成。这些部分分别安装在建筑物的井道和机房中，通常采用钢丝绳摩擦传动，钢丝绳绕过曳引轮，两端分别连接轿厢和平衡重，电动机驱动曳引轮使轿厢升降。电梯要求安全可靠、输送效率高、平层准确和乘坐舒适等。随着电梯越来越普及于人们的生活，电梯的安全性检测也尤为重要。而因电梯门使用频率极其频繁，电梯门出现故障的概率相对较高，则对电梯门的故障检测尤为重要。

目前市面上常见的解决手段，是给电梯装摄像头进行人工地实时监控，但由于摄像头众多、人工监控会有疏忽性等多种因素会导致警情误报或者漏报，导致电梯门异常检测的准确性较低，且异常检测的工作成本较高。

发明内容

鉴于以上内容，有必要提供一种基于视频图像分析的电梯门异常检测方法，相对于传统的人工检测，进一步提高电梯门异常检测的准确性较，且降低工作成本。

本申请第一方面提供一种基于视频图像分析的电梯门异常检测方法，应用于电梯门异常检测领域，所述方法包括：基于预设的初始直线识别算法对电梯门灰度图像进行初始直线区域识别，确认初始直线区域，其中，所述初始直线区域由若干个直线单元组成；根据所述若干个直线单元对应的直线度，计算所述初始直线区域的混乱度；当所述初始直线区域的混乱度大于预设阈值时，将所述初始直线区域标记为最终直线区域；基于所述最终直线区域之间的区域角度，计算异常检测模型的阈值参数；将所述电梯门灰度图像输入所述阈值参数对应的异常检测模型，确认所述电梯门的工作状态。

在其中一种实施例中，所述初始直线识别算法是指区域生长算法，对应的，所述基于预设的初始直线识别算法对电梯门灰度图像进行初始直线区域识别，确认初始直线区域，其中，所述初始直线区域由若干个直线单元组成，具体包括：在所述电梯门灰度图像中选定初始目标像素作为种子点，将所述种子点的邻域窗口内的像素点灰度值与所述种子点的灰度值的差值与生长阈值比对；当所述种子点的邻域窗口内的像素点与所述种子点的灰度值的差值小于或等于生长阈值时，将该像素点归为直线像素点；当所述种子点的邻域窗口内的像素点与所述种子点的灰度值的差值大于生长阈值时，将该像素点归为其他像素点；基于所述直线像素点，确认初始直线区域。

在其中一种实施例中，所述在所述根据所述若干个直线单元对应的相似度，计算所述初始直线区域的混乱度之前，所述方法还包括：将所述初始直线区域进行等面积的矩形区域划分，确认若干个相同面积矩形的直线单元。

在其中一种实施例中，所述根据所述若干个直线单元对应的直线度，计算所述初始直线区域的混乱度，具体包括：基于所述若干个直线单元中像素点的位置坐标，计算所述若干个直线单元对应的直线系数；将所述直线单元的像素个数、区域面积以及直线系数作为计算参数，计算若干个直线单元对应的直线度；根据预设的相似度对应关系表，将所述若干个直线单元对应的直线度转换成对应的相似度；基于所述若干个直线单元对应的相似度，计算所述初始直线区域的混乱度。

在其中一种实施例中，所述基于所述若干个直线单元中像素点的位置坐标，计算所述若干个直线单元对应的直线系数，具体包括：

其中，所述为第/>个直线单元的直线系数，/>为第q个直线单元内第j个像素点x轴的坐标值，/>为第q个直线单元内第j个像素点y轴的坐标值，/>为第q个直线单元内所有像素点x轴坐标的平均值，/>为第q个直线单元内所有像素点y轴坐标的平均值，/>是第q个直线单元内所有像素点x轴方向上的标准差，/>是第q个直线单元内所有像素点y轴方向上的标准差，n为第q个直线单元的像素点个数。

在其中一种实施例中，所述将所述直线单元的像素个数、区域面积以及直线系数作为计算参数，计算若干个直线单元对应的直线度，具体包括：

其中，所述为第/>个直线单元的直线度，/>为第/>个直线单元的直线像素点个数，/>为该区域的长度，/>为该区域的宽度，/>为第/>个直线单元的面积，/>为第/>个直线单元的直线系数绝对值。

在其中一种实施例中，所述基于所述若干个直线单元对应的相似度，计算所述初始直线区域的混乱度，具体包括：统计每个相似度对应的直线单元个数，将所述每个相似度对应的直线单元个与直线单元的总个数作比值计算，确认每个相似度对应的相似度概率；基于所述每个相似度对应的相似度概率，计算所述初始直线区域的混乱度。

在其中一种实施例中，所述基于所述每个相似度对应的相似度概率，计算所述初始直线区域的混乱度，具体包括：

其中，所述为初始直线区域的混乱度，/>为第/>个相似度对应的相似度概率，/>为初始直线区域的直线单元总个数。

在其中一种实施例中，所述基于所述最终直线区域之间的区域角度，计算异常检测模型的阈值参数，具体包括：

将所述最终直线区域之间的区域角度进行排序，确认最大区域角度；将所述最大区域角度输入阈值参数计算公式，计算所述异常检测模型的阈值参数；对应的，所述阈值参数计算公式为：

其中，为所述异常检测模型的阈值参数，/>为最大区域角度。

在其中一种实施例中，在所述当所述初始直线区域的混乱度大于预设阈值时，将所述初始直线区域标记为最终直线区域之后，且将所述电梯门灰度图像输入所述阈值参数对应的异常检测模型，确认所述电梯门的工作状态之前，所述方法还包括：基于所述最终直线区域的斜率确认互为直角对应的最终直线区域；将互为直角对应的最终直线区域进行构建，确认初始电梯门框架图；当所述初始电梯门框架存在线段缺失时，以基于所述初始电梯门框架中最终直线区域的斜率与像素坐标值进行还原，确认最终电梯门框架图。

本申请实施例通过基于预设的初始直线识别算法对电梯门灰度图像进行初始直线区域识别，确认初始直线区域，其中，所述初始直线区域由若干个直线单元组成，然后根据所述若干个直线单元对应的直线度，计算所述初始直线区域的混乱度，而当所述初始直线区域的混乱度大于预设阈值时，将所述初始直线区域标记为最终直线区域，再基于所述最终直线区域之间的区域角度，计算异常检测模型的阈值参数，最后将所述电梯门灰度图像输入所述阈值参数对应的异常检测模型，确认所述电梯门的工作状态。通过对电梯门的电梯门灰度图像进行实时数据分析，以确认异常检测模型的阈值参数，再基于异常检测模型对电梯门进行异常检测，提高检测准确性，降低检测工作成本。

附图说明

图1是本申请实施例的基于视频图像分析的电梯门异常检测方法的流程示意图。

图2是本申请实施例的基于视频图像分析的电梯门异常检测方法的第一子流程示意图。

图3是本申请实施例的基于视频图像分析的电梯门异常检测方法的第二子流程示意图。

图4是本申请实施例的基于视频图像分析的电梯门异常检测方法的第三子流程示意图。

图5是本申请实施例的基于视频图像分析的电梯门异常检测方法的第四子流程示意图。

图6是本申请实施例的基于视频图像分析的电梯门异常检测方法的第五子流程示意图。

图7是本申请实施例的基于视频图像分析的电梯门异常检测方法的第六子流程示意图。

具体实施方式

在本申请实施例的描述中，“示例性”、“或者”、“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性”、“或者”、“例如”等词旨在以具体方式呈现相关概念。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请中的技术领域的技术人员通常理解的含义相同。本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。应理解，本申请中除非另有说明，“/”表示或的意思。例如，A/B可以表示A或B。本申请中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B三种情况。“至少一个”是指一个或者多个。“多个”是指两个或多于两个。例如，a、b或c中的至少一个，可以表示：a，b，c，a和b，a和c，b和c，a、b和c七种情况。

另外需要说明的是，本申请的说明书和权利要求书及附图中的术语“第一”、“第二”是用于部别类似的对象，而不是用于描述特定的顺序或先后次序。本申请实施例中公开的方法或流程图所示出的方法，包括用于实现方法的一个或多个步骤，在不脱离权利要求的范围的情况下，多个步骤的执行顺序可以彼此互换，其中某些步骤也可以被删除。

本申请实施例首先提出一种基于视频图像分析的电梯门异常检测方法，应用于电梯门异常检测领域，请参阅图1，基于视频图像分析的电梯门异常检测方法，包括以下步骤。

S101、基于预设的初始直线识别算法对电梯门灰度图像进行初始直线区域识别，确认初始直线区域，其中，所述初始直线区域由若干个直线单元组成。

其中，所述预设的初始直线识别算法可以是区域生长算法，区域生长算法是将有相似性质的像素点合并到一起。对每一个区域要先指定一个种子点作为生长的起点，然后将种子点周围领域的像素点和种子点进行对比，将具有相似性质的点合并起来继续向外生长，直到没有满足条件的像素被包括进来为止，已实现最终的图像分割。所述初始直线区域是指通过所述区域生长算法得到的存在疑似直线像素点的矩形区域，也即是说，初始直线区域是电梯门边缘在电梯门灰度图像上的表征。所述直线单元，是指根据预设划分规则划分得到的初始直线区域组成单元。

需要说明的是，电梯门的形状均为矩形，在图像上的表征，即由一些直线与直角等线段特征组成，后续无论对电梯门的故障识别，或是对异常检测模型的阈值参数，均是基于电梯门的直线与直角等线段特征进行进一步的识别与运算。上述区域生长算法对初始直线区域的识别，目的是初步将对应电梯门的边缘区域进行提取，后续以基于该边缘区域进行进一步的运算。

具体的，参照附图2，所述初始直线识别算法是指区域生长算法，对应的，步骤S101、所述基于预设的初始直线识别算法对电梯门灰度图像进行初始直线区域识别，确认初始直线区域，其中，所述初始直线区域由若干个直线单元组成，具体包括：

S201、在所述电梯门灰度图像中选定初始目标像素作为种子点，将所述种子点的邻域窗口内的像素点灰度值与所述种子点的灰度值的差值与生长阈值比对；

S202、当所述种子点的邻域窗口内的像素点与所述种子点的灰度值的差值小于或等于生长阈值时，将该像素点归为直线像素点；

S203、当所述种子点的邻域窗口内的像素点与所述种子点的灰度值的差值大于生长阈值时，将该像素点归为其他像素点；

S204、基于所述直线像素点，确认初始直线区域。

其中，所述种子点可以是随机选定的一个初始目标像素，所述生长阈值，是随着区域生长过程进行适应性变动的，需要解析的是，区域生长是分多个批次进行区域的蔓延，则每一批的生长会带来一个新增区域，直至区域生长结束。传统的区域生长算法中，每次生长后使用新增区域像素均值作为下一次生长的初始值，且区域生长阈值较为固定。在本实施中，所述生长阈值是对每次生长出的新增区域的像素点梯度幅值的标准差进行进一步计算得到的，具体可为：

其中，所述为第/>次区域生长的生长阈值，/>为第/>次区域生长得出的新增区域梯度幅值的标准差。需要说明的是，初次区域生长的生长阈值为经验值，可根据实际需要进行定义。后续多次的区域生长的生长阈值，根据上述计算公式进行运算得到。

具体的，参照附图3，在所述步骤S102、根据所述若干个直线单元对应的直线度，计算所述初始直线区域的混乱度之前，还包括：

S302、将所述初始直线区域进行等面积的矩形区域划分，确认若干个相同面积矩形的直线单元。

需要说明的是，步骤S301、步骤S303、步骤S304、步骤S305以及步骤S306均为附图1重复步骤，在此不再赘述。由于电梯门轮廓对应的直线边缘为较为标准的直线，则可将区域生长得到的初始直线区域进行划分，得到若干个相同面积的矩形的直线单元。举个例子，初始直线区域的长度为9个像素点，宽度为3个像素点，则可将该初始直线区域划分为三个长度为3个像素点，宽度为3个像素点的直线单元。若初始直线区域的长度不能等距离划分，则将划分后剩下的长度补入最后一个直线单元。

S102、根据所述若干个直线单元对应的直线度，计算所述初始直线区域的混乱度。

其中，所述直线度是指所述若干个直线单元与直线的匹配程度，当所述若干个直线单元与直线的匹配程度越高，直线单元对应的直线度越高。进一步的，所述直线度由直线单元的像素点个数、区域面积以及直线单元内像素点的位置坐标决定。所述初始直线区域的混乱度，是指初始直线区域中包含直线的可能性，当所述混乱度越高时，对应的初始直线区域包含直线的可能性越高。

S103、当所述初始直线区域的混乱度大于预设混乱度阈值时，将所述初始直线区域标记为最终直线区域。

其中，在获取到所有的初始直线区域的混乱度之后，将初始直线区域的混乱度分别与预设混乱度阈值进行比对，当所述初始直线区域的混乱度大于预设混乱度阈值时，将所述初始直线区域标记为最终直线区域，当初始直线区域的混乱度小于或等于预设混乱度阈值时，将所述初始直线区域标记为非直线区域。所述预设混乱度阈值为经验值，可根据实际需求进行自行定义。本实施例中，所述预设混乱度阈值可为0.7。

S104、基于所述最终直线区域之间的区域角度，计算异常检测模型的阈值参数。

其中，最终直线区域之间的区域角度，是指存在交叉的最终直线区域之间的夹角。在获取到最终直线区域之后，筛选存在交叉的最终直线区域，并计算存在交叉的最终直线区域之间的夹角，以确认满足预设条件的最终夹角，用于计算异常检测模型的阈值参数。所述异常检测模型可为LSD算法，则所述异常检测模型的阈值参数则为梯度阈值。

需要说明的是，LSD是一种直线检测分割算法，它能在线性的时间内得出亚像素级精度的检测结果。LSD的目标在于检测图像中局部的直的轮廓。轮廓是图像中的某些特殊区域，在这些区域，图像的灰度从黑到白或者从白到黑的剧烈变化。它的主要思想是通过求导得到灰度的梯度，因为灰度梯度的方向的垂直方向就是线条的方向，将有相同方向的向量用矩形圈起来，再将矩形精细化，最后就可以得到的一条线段。

S105、将所述电梯门灰度图像输入所述阈值参数对应的异常检测模型，确认所述电梯门的工作状态。

其中，在获取到所述异常检测模型的阈值参数之后，基于所述阈值参数对初始的异常检测模型进行修正，以得到阈值参数对应的异常检测模型。再将对应的电梯门灰度图像作为输入，以得到所述异常检测模型输出的电梯门的工作状态结果。进一步的，所述电梯门的工作状态结果，可以包括电梯门正常工作状态与电梯门异常工作状态。

需要说明的是，将所述电梯门灰度图像输入所述阈值参数对应的异常检测模型，确认所述电梯门的工作状态，具体可为：基于所述电梯门灰度图像识别出对应的电梯门边缘信息，以基于电梯门边缘信息确认左右两扇电梯门的两端边，所述电梯门的两端边是指电梯左右两扇电梯门闭合时相互靠近直至闭合的两条电梯门边。当所述两端边的距离大于预设距离阈值，且所述两端边的距离大于预设距离阈值的时间大于时间阈值时，所述异常检测模型输出电梯门异常工作状态，反之，所述异常检测模型输出电梯门正常工作状态。

本申请实施例通过基于预设的初始直线识别算法对电梯门灰度图像进行初始直线区域识别，确认初始直线区域，其中，所述初始直线区域由若干个直线单元组成，然后根据所述若干个直线单元对应的直线度，计算所述初始直线区域的混乱度，而当所述初始直线区域的混乱度大于预设阈值时，将所述初始直线区域标记为最终直线区域，再基于所述最终直线区域之间的区域角度，计算异常检测模型的阈值参数，最后将所述电梯门灰度图像输入所述阈值参数对应的异常检测模型，确认所述电梯门的工作状态。通过对电梯门的电梯门灰度图像进行实时数据分析，以确认异常检测模型的阈值参数，再基于异常检测模型对电梯门进行异常检测，提高检测准确性，降低检测工作成本。

在本申请的一种实施例中，并参阅图4，所述步骤S102：所述根据所述若干个直线单元对应的直线度，计算所述初始直线区域的混乱度，具体包括：

S401、基于所述若干个直线单元中像素点的位置坐标，计算所述若干个直线单元对应的直线系数。

其中，所述若干个直线单元对应的直线系数是指基于直线单元中所有像素点的位置坐标，进行换算得到的判定当前直线单元是否为直线的一个系数。当所述直线系数越大，当前的直线单元越大概率为直线的组成部分。

具体的，所述基于所述若干个直线单元中像素点的位置坐标，计算所述若干个直线单元对应的直线系数，具体包括：

其中，所述为第/>个直线单元的直线系数，/>为第q个直线单元内第j个像素点x轴的坐标值，/>为第q个直线单元内第j个像素点y轴的坐标值，/>为第q个直线单元内所有像素点x轴坐标的平均值，/>为第q个直线单元内所有像素点y轴坐标的平均值，/>是第q个直线单元内所有像素点x轴方向上的标准差，/>是第q个直线单元内所有像素点y轴方向上的标准差，n为第q个直线单元的像素点个数。需要解析的是，在/>中，是指第q个直线单元在x轴方向的离散程度，/>是第q个直线单元内所有像素点x轴方向上的标准差（通常标准差越大，离散程度越大），/>是第j个像素点与第q个直线单元内所有像素点x轴坐标的平均值的差值，也为体现离散程度一个参数，当/>越大时，第q个直线单元在x轴方向的离散程度越小。/>是指第q个直线单元在y轴方向的离散程度，/>是第q个直线单元内所有像素点y轴方向上的标准差（通常标准差越大，离散程度越大），是第j个像素点与第q个直线单元内所有像素点y轴坐标的平均值的差值，当/>越大时，第q个直线单元在y轴方向的离散程度越小。则，/>是指第q个直线单元整体对应整体的离散程度，当/>越大时，第q个直线单元整体的离散程度越小。当/>越大时，直线系数/>越大，第q个直线单元整体的离散程度越小，而离散程度越小，代表第q个直线单元更趋近一个直线。

S402、将所述直线单元的直线像素点个数、区域面积以及直线系数作为计算参数，计算若干个直线单元对应的直线度。

其中，所述直线像素点个数是指当前直线单元中满足直线像素点条件的像素点个数，需要解析的是，所述直线像素点的识别可根据直线像素点与其他像素点灰度值不同这一特征进行识别。所述区域面积是指当前直线单元所在区域对应的面积，可通过像素点为单位进行计算。在获取到所述直线单元的直线像素点个数、区域面积以及直线系数之后，根据预设的计算条件，计算当前直线单元对应的直线度。

具体的，所述将所述直线单元的直线像素点个数、区域面积以及直线系数作为计算参数，计算若干个直线单元对应的直线度，具体包括：

其中，所述为第/>个直线单元的直线度，/>为第/>个直线单元的直线像素点个数，/>为该区域的长度，/>为该区域的宽度，/>为第/>个直线单元的面积，/>为第/>个直线单元的直线系数绝对值。

需要说明的是，如果直线像素点个数越大，则直线像素点越可能充满第q个直线单元，而直线像素点个数与第q个直线单元的面积/>的比值/>越大，则表明该直线单元包含直线的可能性越大。而为避免两条直线在一个区域中，却因角度相差较小而不被识别出来，因为若是两条直线在一个区域中，则该区域必然有留白部分，即不属于两条直线的部分。/>越大，说明第q个直线单元越像一条直线，/>越大，则代表第q个直线单元越可能充满了一条直线。/>前一部分/>是为了确定直线单元内包含一条直线，后一部分是该条直线的回归度的绝对值/>，即避免是无数多个相近的像素点组成的，比如直线单元内充满灰尘，但/>较小，则根本不能称之为直线。直线度/>越大，则证明该区域越可能只包含一条直线。

S403、根据预设的相似度对应关系表，将所述若干个直线单元对应的直线度转换成对应的相似度。

其中，所述预设的相似度对应关系表是指直线度与相似度的对应关系表格，举个例子，当前的直线单元对应的直线度在0-0.2区间，在预设的相似度对应关系表中，直线度为0-0.2区间对应的相似度为0，当前的直线单元对应的直线度在0.2-0.4区间，在预设的相似度对应关系表中，直线度为0.2-0.4区间对应的相似度为0.2。即是说，在获取到所述直线单元对应的直线度后，根据预设的相似度对应关系表，可将该直线度转换成对应的相似度。

S404、基于所述若干个直线单元对应的相似度，计算所述初始直线区域的混乱度。

其中，在获取到所述直线单元对应的相似度之后，以进一步基于所述相似度，计算当前初始直线区域的混乱度。

具体的，参照附图5，所述基于所述若干个直线单元对应的相似度，计算所述初始直线区域的混乱度，具体包括：

S501、统计每个相似度对应的直线单元个数，将所述每个相似度对应的直线单元个与直线单元的总个数作比值计算，确认每个相似度对应的相似度概率；

S502、基于所述每个相似度对应的相似度概率，计算所述初始直线区域的混乱度。

其中，因所述预设的相似度对应关系表是直线度区间对应一个相似度的，则所获取的相似度很大可能是一样的，也即出现相似度一样的概率较大。则，在获取到每个直线单元对应的相似度之后，统计相似度对应关系表中每个相似度对应的直线单元个数，以计算每个相似度出现的概率大小，即每个相似度对应的相似度概率，基于初始直线区域中每个相似度对应的相似度概率，以进一步计算该初始直线区域的混乱度。

具体的，所述基于所述每个相似度对应的相似度概率，计算所述初始直线区域的混乱度，具体包括：

其中，所述为初始直线区域的混乱度，/>为第/>个相似度对应的相似度概率，/>为初始直线区域的直线单元总个数。需要说明的是，计算得到的混乱度可能为负数，则对混乱都取绝对值，得到最终的混乱度。

在本实施例中，将所述电梯门灰度图像进行区域划分，得到多个初始直线区域，进一步将所述初始直线区域细化成干个直线单元，以直线单元为单位，基于直线单元的像素坐标，得到对应的直线系数，再将直线单元的直线像素个数、区域面积以及直线系数为基础进一步得到直线单元对应的直线度，再根据预设的相似度对应关系表将对应的直线度转换成相似度，以统计相似度对应的相似度概率，以进一步确认所述初始直线区域的混乱度，根据相似度大小，以确认所述初始直线区域是否为电梯门轮廓对应的最终直线区域，以进一步基于最终直线区域之间的区域角度得到异常检测模型的阈值参数，最后基于该模型确认该电梯门的工作状态是否存在异常。相对于传统人工监测电梯门是否存在异常，本实施例的视频图像分析电梯门工作状态能够节省人力的工作成本，且检测准确性较高。

在本申请的一种实施例中，并参阅图6，所述步骤S104：所述基于所述最终直线区域之间的区域角度，计算异常检测模型的阈值参数，具体包括：

S601、将所述最终直线区域之间的区域角度进行排序，确认最大区域角度；

S602、将所述最大区域角度输入阈值参数计算公式，计算所述异常检测模型的阈值参数；对应的，所述阈值参数计算公式为：

其中，为所述异常检测模型的阈值参数，/>为最大区域角度。

需要说明的是，获取到电梯门灰度图像的所有最终直线区域之后，计算相交的最终直线区域之间的夹角并进行排序，以确认最大区域角度，再将经验值系数2与最大区域角度的正弦值取比值，将该比值作为异常检测模型的阈值参数。所述经验值系数可根据实际情况进行对应调整。

在本申请的一种实施例中，并参阅图7，在所述当所述初始直线区域的混乱度大于预设阈值时，将所述初始直线区域标记为最终直线区域之后，且将所述电梯门灰度图像输入所述阈值参数对应的异常检测模型，确认所述电梯门的工作状态之前，所述方法还包括：

S701、基于所述最终直线区域的斜率确认互为直角对应的最终直线区域；

S702、将互为直角对应的最终直线区域进行构建，确认初始电梯门框架图；

S703、当所述初始电梯门框架存在线段缺失时，以基于所述初始电梯门框架中最终直线区域的斜率与像素坐标值进行还原，确认最终电梯门框架图。

其中，在获取到所述最终直线区域之后，可采用Harris角点检测方法对相交的最终直线区域进行检测，计算相交的最终直线区域之间的斜率，确认互为直角对应的最终直线区域，基于电梯门轮廓线段之间的夹角均为90度，且线段均为直线等特性，则可将互为直角对应的最终直线区域进行构建，确认初始电梯门框架图。而因图像采集设备对电梯门进行拍摄时，经常存在被人或者货物遮挡住电梯门的情况，则在根据最终直线区域进行电梯门框架图的构建时，轮廓会存在缺陷。当所述初始电梯门框架存在线段缺失时，可根据最终直线区域的斜率之间的关系，以及对应的像素坐标值，对所述初始电梯门框架进行还原，以得到最终电梯门框架图。

需要说明的是，Harris角点检测方法的核心是利用局部窗口在图像上进行移动，判断灰度是否发生较大的变化。如果窗口内的灰度值（在梯度图上）都有较大的变化，那么这个窗口所在区域就存在角点，即存在相交的终直线区域。

进一步的，所述确认互为直角对应的最终直线区域的原理为：相交的最终直线区域之间的斜率乘积为-1，由于电梯门出现损耗，有异物粘连等情况，则对应斜率乘积需要有对应的波动区间，以保证准确性，则所以斜率乘积为-0.9—-1.1之间均表示两线段夹角为九十度。

进一步的，对所述初始电梯门框架进行还原的原理，同一条线段中间缺失后，剩余的两条线段之间的斜率相等，且剩余的两条线段对应的像素坐标的横坐标值或者纵坐标值相同，或者直角被遮挡，则可根据电梯门轮廓为闭合矩形该特性进行还原，基于上述原理对所述初始电梯门框架进行还原，得到完整的终电梯门框架图。

本申请实施例通过基于预设的初始直线识别算法对电梯门灰度图像进行初始直线区域识别，确认初始直线区域，其中，所述初始直线区域由若干个直线单元组成，然后根据所述若干个直线单元对应的直线度，计算所述初始直线区域的混乱度，而当所述初始直线区域的混乱度大于预设阈值时，将所述初始直线区域标记为最终直线区域，再基于所述最终直线区域之间的区域角度，计算异常检测模型的阈值参数，最后将所述电梯门灰度图像输入所述阈值参数对应的异常检测模型，确认所述电梯门的工作状态。通过对电梯门的电梯门灰度图像进行实时数据分析，以确认异常检测模型的阈值参数，再基于异常检测模型对电梯门进行异常检测，提高检测准确性，降低检测工作成本。

附图中的流程图和框图显示了根据本公开实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这可以依所涉及的功能而定。在附图中的流程图和框图所对应的描述中，不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生，有时不同的操作或步骤之间不存在特定的顺序。例如，两个连续的操作或步骤实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这可以依所涉及的功能而定。框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将本申请上述的实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。

Claims (5)

1.基于视频图像分析的电梯门异常检测方法，应用于电梯门异常检测领域，其特征在于，所述方法包括：

基于预设的初始直线识别算法对电梯门灰度图像进行初始直线区域识别，确认初始直线区域，其中，所述初始直线区域由若干个直线单元组成；

根据所述若干个直线单元对应的直线度，计算所述初始直线区域的混乱度；

当所述初始直线区域的混乱度大于预设混乱度阈值时，将所述初始直线区域标记为最终直线区域；

基于所述最终直线区域之间的区域角度，计算异常检测模型的阈值参数；

将所述电梯门灰度图像输入所述阈值参数对应的异常检测模型，确认所述电梯门的工作状态；

所述根据所述若干个直线单元对应的直线度，计算所述初始直线区域的混乱度，具体包括：

基于所述若干个直线单元中像素点的位置坐标，计算所述若干个直线单元对应的直线系数；

将所述直线单元的直线像素个数、区域面积以及直线系数作为计算参数，计算若干个直线单元对应的直线度；

根据预设的相似度对应关系表，将所述若干个直线单元对应的直线度转换成对应的相似度；

基于所述若干个直线单元对应的相似度，计算所述初始直线区域的混乱度；

所述基于所述若干个直线单元中像素点的位置坐标，计算所述若干个直线单元对应的直线系数，具体包括：

其中，所述为第/>个直线单元的直线系数，/>为第q个直线单元内第j个像素点x轴的坐标值，/>为第q个直线单元内第j个像素点y轴的坐标值，/>为第q个直线单元内所有像素点x轴坐标的平均值，/>为第q个直线单元内所有像素点y轴坐标的平均值，/>是第q个直线单元内所有像素点x轴方向上的标准差，/>是第q个直线单元内所有像素点y轴方向上的标准差，n为第q个直线单元的像素点个数；

所述将所述直线单元的直线像素点个数、区域面积以及直线系数作为计算参数，计算若干个直线单元对应的直线度，具体包括：

其中，所述为第/>个直线单元的直线度，/>为第/>个直线单元的直线像素点个数，/>为该区域的长度，/>为该区域的宽度，/>为第/>个直线单元的面积，/>为第/>个直线单元的直线系数绝对值；

所述基于所述若干个直线单元对应的相似度，计算所述初始直线区域的混乱度，具体包括：

统计每个相似度对应的直线单元个数，将所述每个相似度对应的直线单元个与直线单元的总个数作比值计算，确认每个相似度对应的相似度概率；

基于所述每个相似度对应的相似度概率，计算所述初始直线区域的混乱度；

所述基于所述每个相似度对应的相似度概率，计算所述初始直线区域的混乱度，具体包括：

其中，所述为初始直线区域的混乱度，/>为第/>个相似度对应的相似度概率，/>为初始直线区域的直线单元总个数。

2.根据权利要求1所述的基于视频图像分析的电梯门异常检测方法，其特征在于，所述初始直线识别算法是指区域生长算法，对应的，所述基于预设的初始直线识别算法对电梯门灰度图像进行初始直线区域识别，确认初始直线区域，其中，所述初始直线区域由若干个直线单元组成，具体包括：

在所述电梯门灰度图像中选定初始目标像素作为种子点，将所述种子点的邻域窗口内的像素点灰度值与所述种子点的灰度值的差值与生长阈值比对；

当所述种子点的邻域窗口内的像素点与所述种子点的灰度值的差值小于或等于生长阈值时，将该像素点归为直线像素点；

当所述种子点的邻域窗口内的像素点与所述种子点的灰度值的差值大于生长阈值时，将该像素点归为其他像素点；

基于所述直线像素点，确认初始直线区域。

3.根据权利要求1所述的基于视频图像分析的电梯门异常检测方法，其特征在于，在所述根据所述若干个直线单元对应的相似度，计算所述初始直线区域的混乱度之前，所述方法还包括：

将所述初始直线区域进行等面积的矩形区域划分，确认若干个相同面积矩形的直线单元。

4.根据权利要求1所述的基于视频图像分析的电梯门异常检测方法，其特征在于，所述基于所述最终直线区域之间的区域角度，计算异常检测模型的阈值参数，具体包括：

将所述最终直线区域之间的区域角度进行排序，确认最大区域角度；

将所述最大区域角度输入阈值参数计算公式，计算所述异常检测模型的阈值参数；对应的，所述阈值参数计算公式为：

其中，为所述异常检测模型的阈值参数，/>为最大区域角度。

5.根据权利要求4所述的基于视频图像分析的电梯门异常检测方法，其特征在于，在所述当所述初始直线区域的混乱度大于预设阈值时，将所述初始直线区域标记为最终直线区域之后，且将所述电梯门灰度图像输入所述阈值参数对应的异常检测模型，确认所述电梯门的工作状态之前，所述方法还包括：

基于所述最终直线区域的斜率，确认互为直角对应的最终直线区域；

将互为直角对应的最终直线区域进行构建，确认初始电梯门框架图；

当所述初始电梯门框架存在线段缺失时，以基于所述初始电梯门框架中最终直线区域的斜率与像素坐标值进行还原，确认最终电梯门框架图。