CN116704407A - 一种倒乘梯行为检测方法、装置、电子设备及存储介质 - Google Patents
一种倒乘梯行为检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116704407A CN116704407A CN202310621357.0A CN202310621357A CN116704407A CN 116704407 A CN116704407 A CN 116704407A CN 202310621357 A CN202310621357 A CN 202310621357A CN 116704407 A CN116704407 A CN 116704407A
- Authority
- CN
- China
- Prior art keywords
- elevator
- indication image
- preset
- behavior
- processing unit
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000002441 reversible effect Effects 0.000 title claims description 52
- 238000001514 detection method Methods 0.000 claims abstract description 174
- 238000012545 processing Methods 0.000 claims abstract description 57
- 230000006399 behavior Effects 0.000 claims description 168
- 238000004422 calculation algorithm Methods 0.000 claims description 34
- 230000008859 change Effects 0.000 claims description 26
- 230000015654 memory Effects 0.000 claims description 21
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000003708 edge detection Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000013145 classification model Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000002203 pretreatment Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 abstract description 21
- 230000006870 function Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 10
- 230000009471 action Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000001174 ascending effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
Abstract
本申请公开了一种倒乘梯行为检测方法、装置、电子设备及存储介质,涉及图像处理领域,用以解决现阶段倒梯检测方法计算量大、误判率高,且结果分析告警不及时的问题,包括:获取电梯的当前楼层编号和运行方向;在当前楼层编号和运行方向满足第一预设条件的情况下,确定电梯内的乘坐人员数量;在乘坐人员数量大于第一预设阈值的情况下,确定电梯内的人员为倒乘梯。本申请用于对电梯内存在的倒乘梯行为进行检测。
Description
技术领域
本申请涉及图像处理领域,尤其涉及一种倒乘梯行为检测方法、装置、电子设备及存储介质。
背景技术
倒梯行为即在乘坐电梯的人员较多时沿相反方向乘梯,在客流繁忙时段,如早上上行高峰,晚上下行高峰以及午餐高峰,倒乘梯行为会严重影响电梯的运客效率和乘客的等待时间。现阶段的倒梯检测方法计算量大、误判率高,且结果分析告警不及时。
发明内容
本申请提供一种倒乘梯行为检测方法、装置、电子设备及存储介质,能够解决现阶段倒梯检测方法计算量大、误判率高,且结果分析告警不及时的问题。
为了达到上述目的,本申请采用如下技术方案:
第一方面,本申请提供一种倒乘梯行为检测方法,包括:获取电梯的当前楼层编号和运行方向;在当前楼层编号和运行方向满足第一预设条件的情况下,确定电梯内的乘坐人员数量;在乘坐人员数量大于第一预设阈值的情况下,确定电梯内的人员为倒乘梯。
基于上述技术方案,本申请通过获取电梯楼层信息和运行方向,并将其与预设条件进行对比来判断是否开始倒乘梯行为检测;在电梯楼层信息和运行方向满足了预设条件的情况下,开始确定电梯内的人员数量,最终根据该数量与预设阈值的对比结果,来确定电梯内是否存在倒乘梯行为并进行声光告警。由此,本申请提供的倒乘梯行为检测返发能够在在乘客倒乘梯发生前进行检测告警,从源头提升电梯的运行效率,制止倒乘梯行为。并且在保证准确率和误报率的前提下,降低倒乘梯行为检测所需的计算资源。
在一种可能的实现方式中,上述方法还包括:获取电梯内区域的视频流数据;其中,视频流数据用于获取当前楼层编号和运行方向。
在一种可能的实现方式中,获取电梯的当前楼层编号,具体包括:对视频流数据进行预处理,获取楼层数字字符;其中,预处理包括以下一项或多项:去噪处理、灰度处理、阈值化处理、边缘检测、闭操作、字符串分割;根据训练好的卷积神经网络CNN分类模型和楼层数字字符,确定当前楼层编号。
在一种可能的实现方式中,获取电梯的运行方向,具体包括:对视频流数据进行预处理,获取方向指示图像;根据预设时段内的当前楼层编号,确定楼层变化趋势;根据方向指示图像、楼层变化趋势、预设指示图像模板、以及均值哈希算法,确定电梯的运行方向。
在一种可能的实现方式中,根据方向指示图像、预设指示图像模板、以及均值哈希算法,确定电梯的运行方向,具体包括:根据均值哈希算法,将方向指示图像与预设指示图像模板进行图像相似度匹配,得到方向指示图像与预设指示图像模板的相似度;在方向指示图像与预设指示图像模板的相似度大于第二预设阈值的情况下,将预设指示图像模板的方向确定为方向指示图像的方向;在楼层变化趋势指示的方向与方向指示图像的方向一致的情况下,将方向指示图像的方向确定为电梯的运行方向。
在一种可能的实现方式中,第一预设条件为当前楼层编号小于预设阈值编号,运行方向与电梯运行高峰主方向相反。
在一种可能的实现方式中,确定电梯内的乘坐人员数量,具体包括:根据Yolo算法,构建目标检测模型;获取数据集,并根据数据集训练目标检测模型;根据训练好的目标检测模型和视频流数据,确定电梯内的乘坐人员数量。
在一种可能的实现方式中,第一预设阈值为10,方向指示图像的形状为箭头状。
在一种可能的实现方式中,上述方法还包括:在确定电梯内的人员为倒乘梯的情况下,进行声光告警。
第二方面,本申请提供一种倒乘梯行为检测装置,包括:获取单元和处理单元;获取单元,用于获取电梯的当前楼层编号和运行方向;处理单元,用于在当前楼层编号和运行方向满足第一预设条件的情况下,确定电梯内的乘坐人员数量;处理单元,还用于在乘坐人员数量大于第一预设阈值的情况下,确定电梯内的人员为倒乘梯。
在一种可能的实现方式中,获取单元,还用于获取电梯内区域的视频流数据;其中,视频流数据用于获取当前楼层编号和运行方向。
在一种可能的实现方式中,处理单元,还用于对视频流数据进行预处理,获取楼层数字字符;其中,预处理包括以下一项或多项:去噪处理、灰度处理、阈值化处理、边缘检测、闭操作、字符串分割;处理单元,还用于根据训练好的卷积神经网络CNN分类模型和楼层数字字符,确定当前楼层编号。
在一种可能的实现方式中,处理单元,还用于对视频流数据进行预处理,获取方向指示图像;处理单元,还用于根据预设时段内的当前楼层编号,确定楼层变化趋势;处理单元,还用于根据方向指示图像、楼层变化趋势、预设指示图像模板、以及均值哈希算法,确定电梯的运行方向。
在一种可能的实现方式中,处理单元,还用于根据均值哈希算法,将方向指示图像与预设指示图像模板进行图像相似度匹配,得到方向指示图像与预设指示图像模板的相似度;处理单元,还用于在方向指示图像与预设指示图像模板的相似度大于第二预设阈值的情况下,将预设指示图像模板的方向确定为方向指示图像的方向;处理单元,还用于在楼层变化趋势指示的方向与方向指示图像的方向一致的情况下,将方向指示图像的方向确定为电梯的运行方向。
在一种可能的实现方式中,第一预设条件为当前楼层编号小于预设阈值编号,运行方向与电梯运行高峰主方向相反。
在一种可能的实现方式中,处理单元,还用于根据Yolo算法,构建目标检测模型;获取单元,还用于获取数据集,并根据数据集训练目标检测模型;处理单元,还用于根据训练好的目标检测模型和视频流数据,确定电梯内的乘坐人员数量。
在一种可能的实现方式中,第一预设阈值为10,方向指示图像的形状为箭头状。
在一种可能的实现方式中,处理单元,还用于在确定电梯内的人员为倒乘梯的情况下,进行声光告警。
第三方面,本申请提供一种存储一个或多个程序的计算机可读存储介质,该一个或多个程序包括指令,上述指令当被本申请的电子设备执行时使电子设备执行如第一方面和第一方面的任一种可能的实现方式中所描述的倒乘梯行为检测方法。
第四方面,本申请提供一种电子设备,包括:处理器以及存储器;其中,存储器用于存储一个或多个程序,一个或多个程序包括计算机执行指令,当电子设备运行时,处理器执行存储器存储的计算机执行指令,以使电子设备执行如第一方面和第一方面的任一种可能的实现方式中所描述的倒乘梯行为检测方法。
第五方面,本申请提供一种包含指令的计算机程序产品,当该指令在计算机上运行时,使得本申请的电子设备执行如第一方面和第一方面的任一种可能的实现方式中所描述的倒乘梯行为检测方法。
第六方面,本申请提供一种芯片系统,该芯片系统应用于倒乘梯行为检测装置;所述芯片系统包括一个或多个接口电路,以及一个或多个处理器。所述接口电路和所述处理器通过线路互联;所述接口电路用于从所述倒乘梯行为检测装置的存储器接收信号,并向所述处理器发送所述信号,所述信号包括所述存储器中存储的计算机指令。当所述处理器执行所述计算机指令时,所述倒乘梯行为检测装置执行如第一方面及其任一种可能的设计方式所述的倒乘梯行为检测方法。
在本申请中,上述倒乘梯行为检测装置的名字对设备或功能单元本身不构成限定,在实际实现中,这些设备或功能单元可以以其他名称出现。只要各个设备或功能单元的功能和本申请类似,均属于本申请权利要求及其等同技术的范围之内。
附图说明
图1为本申请实施例提供的一种倒乘梯行为检测装置的架构示意图;
图2为本申请实施例提供的另一种倒乘梯行为检测装置的架构示意图;
图3为本申请实施例提供的一种倒乘梯行为检测方法的流程示意图;
图4为本申请实施例提供的另一种倒乘梯行为检测方法的流程示意图;
图5为本申请实施例提供的另一种倒乘梯行为检测方法的流程示意图;
图6为本申请实施例提供的另一种倒乘梯行为检测方法的流程示意图;
图7为本申请实施例提供的另一种倒乘梯行为检测方法的流程示意图;
图8为本申请实施例提供的另一种倒乘梯行为检测方法的流程示意图;
图9为本申请实施例提供的一种倒乘梯行为检测装置的结构示意图。
图10为本申请实施例提供的另一种倒乘梯行为检测装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
本文中字符“/”,一般表示前后关联对象是一种“或者”的关系。例如,A/B可以理解为A或者B。
本申请的说明书和权利要求书中的术语“第一”和“第二”是用于区别不同的对象,而不是用于描述对象的特定顺序。例如,第一边缘服务节点和第二边缘服务节点是用于区别不同的边缘服务节点,而不是用于描述边缘服务节点的特征顺序。
此外,本申请的描述中所提到的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括其他没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
另外,在本申请实施例中,“示例性地”、或者“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例性地”或“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“示例性地”、或者“例如”等词旨在以具体方式呈现概念。
倒乘梯行为,即在当前乘坐电梯的人员较多时,沿相反方向乘梯,使得能在人少时挤上电梯的行为。例如,午餐时间,电梯乘客A位于5楼,欲要乘坐电梯前往1楼就餐,而电梯可达层数最高为12楼,此时乘客A在5楼按下上行按钮,以便在5楼即可乘坐上当时人员尚且较少的电梯,进而乘坐至12楼后再随电梯下行至1楼。此时,虽然乘客A能够顺利乘坐电梯至1楼,但是高层电梯乘客的等待时间会大大加长。
因此,在客流繁忙时段,如早上上行高峰,晚上下行高峰以及午餐高峰,倒乘梯行为会严重影响电梯的运客效率和其余乘客的等待时间。
针对倒乘梯行为的检测,现阶段的方案主要流程为:获取电梯所在楼层及运行方向;之后,检测电梯内乘客属性;最后,通过判断逻辑判断是否存在倒乘梯行为。
下面对基于该思路的现有方案进行示例性地说明:
1)公开号为CN111591846B的《一种管理坐倒梯行为的方法、装置和系统》中,使用摄像头检测电梯所在楼层和运行方向,比对在电梯运行方向发生变化时,电梯内是否存在同一乘客来判断倒乘梯行为是否发生。
2)公开号为CN114644273A的《乘客倒乘梯行为的判断方法及电梯控制方法与流程》中,通过获取单元获取电梯运行情况,从电梯侧获取电梯楼层及运行方向,再使用乘客的运行轨迹,分析乘客是否在最终楼层全部离开电梯作为判断标准,进行识别倒乘梯行为。
3)公开号为CN113044694A的《基于深度神经网络的工地电梯人数统计系统及方法》中,提出一种可识别电梯人数并报警的边缘检测摄像头,可识别电梯门是否开关以及人数超载之后的报警功能。
4)申请号为202110095850.4的《倒梯行为检测方法、装置、电子装置和存储介质》中,提出对比进梯乘客和出梯乘客特征,若特征满足同一乘客且电梯运行方向相反,则判定乘客出现倒乘梯行为。
分析可知,上述现有方案虽然在一定程度上能实现倒乘梯行为的检测,但是均是在倒乘梯行为完全发生之后进行告警,不能在倒乘梯行为发生前进行制止,存在计算量大、误判率高,且结果分析告警不及时的问题。
鉴于此,为了解决上述现有方案中存在的缺陷,本申请提供一种倒乘梯行为检测方法及装置,能够在在乘客倒乘梯发生前进行检测告警,从源头提升电梯的运行效率,制止倒乘梯行为。在保证准确率和误报率的前提下,降低倒乘梯行为检测所需的计算资源。并且,本申请提供的倒乘梯行为检测方法及装置适用性广,不需要通过电梯厂家也可获取电梯楼层、运行方向信息。
示例性地,如图1所示,图1为本申请提供的一种倒乘梯行为检测装置10的架构示意图,该倒乘梯行为检测装置10包括:视频流模块11、运行状态获取模块12、人员识别模块13、检测分析模块14。
其中,视频流模块11,用于获取电梯内区域的视频流数据。并将该视频流数据向运行状态获取模块12和人员识别模块13发送。
可选地,视频流模块11可实现为监控摄像头、图像传感器,或其它具备视频拍摄功能的设备,以获取电梯内的视频流数据。
运行状态获取模块12,用于获取电梯的当前楼层编号,和电梯的运行方向。并将电梯的当前楼层编号和运行方向,发送至检测分析模块14。
可选地,运行状态获取模块12可对视频流数据,来分析获取出电梯的当前楼层编号,和电梯的运行方向。
人员识别模块13,用于对当前电梯内的乘坐人员的数量进行识别。并将当前电梯内的乘坐人员数量向检测分析模块14发送。
可选地,人员识别模块13基于Yolo算法构建目标检测模型并训练。由此,人员识别模块13能够根据训练好的目标检测模型,以及来自视频流模块11的视频流数据,确定当前电梯内的乘坐人员的数量。
检测分析模块14,用于接收到来自于运行状态获取模块12的电梯的当前楼层编号和运行方向,以及来自于人员识别模块13的电梯内乘坐人员数量后,据此分析出电梯内的乘坐人员是否存在倒乘梯行为。
可选地,如图2所示,本申请提供的倒乘梯行为检测装置10还包括:告警模块15。
其中,告警模块15,用于在检测分析模块14确定电梯内的乘坐人员存在倒乘梯行为的情况下,进行声光告警。
下面结合说明书附图,对本申请提供的倒乘梯行为检测方法进行具体说明。
示例性地,结合图3,图3为本申请提供的一种倒乘梯行为检测方法的流程示意图,具体包括以下步骤:
S301、倒乘梯行为检测装置获取电梯的当前楼层编号和运行方向。
其中,电梯的当前楼层编号及运行方向,即为电梯内信息显示屏幕上向乘坐人员显示的数字编号及方向指示图形,例如5楼以及上行箭头。
可选地,倒乘梯行为检测装置可通过内置的具备视频获取功能的设备,来获取电梯内区域的视频流。进而,倒乘梯行为检测装置通过对视频流的分析,来获取电梯的当前楼层编号和运行方向。需要说明的是,倒乘梯行为检测装置具体获取电梯的当前楼层编号和运行方向的流程可参加下述S501-S502、S601-S603、S701-S703中的说明,本实施例在此不再赘述。
在一种可能的实现方式中,S301具体可由前文所描述的倒乘梯行为检测装置中包括的运动状态获取模块来执行,以使得倒乘梯行为检测装置获取电梯的当前楼层编号和运行方向。
S302、倒乘梯行为检测装置在当前楼层编号和运行方向满足第一预设条件的情况下,确定电梯内的乘坐人员数量。
可选地,第一预设条件所述第一预设条件为当前楼层编号小于预设阈值编号,运行方向与电梯运行高峰主方向相反。
可以理解的是,若倒乘梯行为检测装置确定当前楼层编号和运行方向满足第一预设条件,即表明此时电梯内可能存在倒乘梯行为,因此倒乘梯行为检测装置开始确定电梯内的乘坐人员数量,以具体判断出电梯内是否真的存在进行倒乘梯行为的乘坐人员。
需要说明的是,预设阈值编号具体可视实际应用情况而定,本申请对此不做具体限定。电梯运行高峰主方向即为当前电梯使用高峰时刻下,大多数乘坐人员的需求运行方向,例如在上班高峰期8:00至9:00,电梯运行高峰主方向即为上行;又例如,在下班高峰期17:00至18:00,电梯运行高峰主方向即为下行。
例如,在电梯高峰时段8:00至9:00,预设阈值编号为2,电梯运行高峰主方向为上行,若电梯当前楼层编号为1,电梯运行方向为下行。对比分析可知,电梯当前楼层编号1小于预设阈值编号2,电梯下行与电梯运行高峰主方向上行相反,因此倒乘梯行为检测装置判断需要确定电梯内的乘坐人员数量,以具体判断出电梯内是否真的存在进行倒乘梯行为的乘坐人员。
又例如,在电梯高峰时段17:00至18:00,预设阈值编号为6,电梯运行高峰主方向为下行,若电梯当前楼层编号为5,电梯运行方向为上行。对比分析可知,电梯当前楼层编号5小于预设阈值编号6,电梯上行与电梯运行高峰主方向下行相反,因此倒乘梯行为检测装置判断需要确定电梯内的乘坐人员数量,以具体判断出电梯内是否真的存在进行倒乘梯行为的乘坐人员。
在一种可能的方式中,倒乘梯行为检测装置先根据Yolo算法构建目标检测模型,并获取数据集对目标检测模型进行训练;在此之后,倒乘梯行为检测装置根据训练好的目标检测模型和视频流数据,确定电梯内的乘坐人员数量。需要说明的是,倒乘梯行为检测装置具体确定电梯内的乘坐人员数量的流程参见下文S801-S803,本实施在此不再赘述。
在一种可能的方式中,S302具体可由前文所描述的倒乘梯行为检测装置中包括的人员识别模块来执行,以使得倒乘梯行为检测装置在当前楼层编号和运行方向满足第一预设条件的情况下,确定电梯内的乘坐人员数量。
S303、倒乘梯行为检测装置在乘坐人员数量大于第一预设阈值的情况下,确定电梯内的人员为倒乘梯。
可选地,第一预设阈值可设置为10。需要说明的是,第一预设阈值的大小具体可视实际应用情况而定,本申请对此不做具体限定。
可选地,倒乘梯行为检测装置在确定电梯内的人员为倒乘梯之后,进行声光告警,以提醒电梯内的乘坐人员中止倒乘梯行为。
在一种可能的方式中,S303具体可由前文所描述的倒乘梯行为检测装置中包括的检测分析模块来执行,以使得倒乘梯行为检测装置在乘坐人员数量大于第一预设阈值的情况下,确定电梯内的人员为倒乘梯。
基于上述技术方案,本申请通过获取电梯楼层信息和运行方向,并将其与预设条件进行对比来判断是否开始倒乘梯行为检测;在电梯楼层信息和运行方向满足了预设条件的情况下,开始确定电梯内的人员数量,最终根据该数量与预设阈值的对比结果,来确定电梯内是否存在倒乘梯行为并进行声光告警。由此,本申请提供的倒乘梯行为检测返发能够在在乘客倒乘梯发生前进行检测告警,从源头提升电梯的运行效率,制止倒乘梯行为。并且在保证准确率和误报率的前提下,降低倒乘梯行为检测所需的计算资源。
示例性地,结合图3,如图4所示,本申请提供的倒乘梯行为检测方法中,还包括以下步骤:
S401、倒乘梯行为检测装置获取电梯内区域的视频流数据。
其中,视频流数据用于获取当前楼层编号和运行方向。
可选地,倒乘梯行为检测装置可通过内置的具备视频获取功能的设备,来获取电梯内区域的视频流。进而,倒乘梯行为检测装置通过对视频流的分析,来获取电梯的当前楼层编号和运行方向。
在一种可能的实现方式中,S401具体可由前文所描述的倒乘梯行为检测装置中包括的视频流模块来执行,以使得倒乘梯行为检测装置获取电梯内区域的视频流数据。
基于上述技术方案,本申请通过获取视频流信息,并对其进行分析获取电梯楼层信息和运行方向。因此,本申请提供的倒乘梯行为检测方法,能够通过倒乘梯行为检测装置自主获取视频流信息,以分析获取电梯楼层、运行方向信息,不需要通过电梯厂家也可执行,通用性较广。
示例性地,结合图3,如图5所示,本申请提供的倒乘梯行为检测方法中,获取电梯的当前楼层具体包括以下步骤:
S501、倒乘梯行为检测装置对视频流数据进行预处理,获取楼层数字字符。
其中,预处理包括以下一项或多项:去噪处理、灰度处理、阈值化处理、边缘检测、闭操作、字符串分割。
可选地,上述预处理操作的具体执行顺序可为:首先,倒乘梯行为检测装置对视频流数据做去噪、灰度处理;之后,倒乘梯行为检测装置进行阈值化处理、边缘检测、闭操作,闭操作,其中闭操作用于抑制暗细节;最后,倒乘梯行为检测装置再将电梯楼层信息进行字符串分割,获取到楼层数字字符。
在一种可能的实现方式中,S501具体可由前文所描述的倒乘梯行为检测装置中包括的运行状态获取模块来执行,以使得倒乘梯行为检测装置对视频流数据进行预处理,获取楼层数字字符。
S502、倒乘梯行为检测装置根据训练好的CNN分类模型和楼层数字字符,确定当前楼层编号。
其中,卷积神经网络(convolutional neural networks,CNN)分类模型的构建及训练方法为本领域成熟技术,本申请在此不再赘述。
在一种可能的实现方式中,S502具体可由前文所描述的倒乘梯行为检测装置中包括的检测分析模块来执行,以使得倒乘梯行为检测装置根据训练好的CNN分类模型和楼层数字字符,确定当前楼层编号。
基于上述技术方案,本申请基于卷积神经网络来构建并训练用于识别视频流数据中的楼层数字字符,保障后续流程的顺利进行的同时,降低倒乘梯行为检测所需的计算资源。
示例性地,结合图3,如图6所示,本申请提供的倒乘梯行为检测方法中,获取电梯的运行方向具体包括以下步骤:
S601、倒乘梯行为检测装置对视频流数据进行预处理,获取方向指示图像。
其中,预处理包括以下一项或多项:去噪处理、灰度处理、阈值化处理、边缘检测、闭操作、字符串分割。
可选地,上述预处理操作的具体执行顺序可为:首先,倒乘梯行为检测装置对视频流数据做去噪、灰度处理;之后,倒乘梯行为检测装置进行阈值化处理、边缘检测、闭操作,闭操作,其中闭操作用于抑制暗细节;最后,倒乘梯行为检测装置再将电梯楼层信息进行字符串分割,获取方向指示图像。
可选地,方向指示图像为箭头形状。
在一种可能的实现方式中,S601具体可由前文所描述的倒乘梯行为检测装置中包括的运行状态获取模块来执行,以使得倒乘梯行为检测装置对视频流数据进行预处理,获取方向指示图像。
S602、倒乘梯行为检测装置根据预设时段内的当前楼层编号,确定楼层变化趋势。
可选地,预设时段可设置为30秒。
示例性地,倒乘梯行为检测装置在预设时段30秒内,确定出的楼层数字字符分别为5、4、3、2、1,则倒乘梯行为检测装置确定楼层变化趋势为下行。
在一种可能的实现方式中,S602具体可由前文所描述的倒乘梯行为检测装置中包括的检测分析模块来执行,以使得倒乘梯行为检测装置根据预设时段内的当前楼层编号,确定楼层变化趋势。
S603、倒乘梯行为检测装置根据方向指示图像、楼层变化趋势、预设指示图像模板、以及均值哈希算法,确定电梯的运行方向。
其中,预设指示图像模板的形状与方向指示图像的形状一致。例如,当方向指示图像的形状为箭头时,预设指示图像模板的形状也为箭头。
可以理解的是,均值哈希算法为本领域公知的技术,本实施例在此不再赘述。
在一种可能的实现方式中,倒乘梯行为检测装置基于均值哈希算法,将方向指示图像与所述预设指示图像模板进行图像相似度匹配,根据相似度与预设第二阈值的大小关系,确定方向指示图像的方向。进而,若当前楼层变化趋势也为下行时,倒乘梯行为检测装置确定电梯的运行方向为下行。
需要说明的是,倒乘梯行为检测装置具体根据方向指示图像、楼层变化趋势、预设指示图像模板、以及均值哈希算法,确定电梯的运行方向的流程可参加下文S701-S703,本实施例在此不再赘述。
在一种可能的实现方式中,S603具体可由前文所描述的倒乘梯行为检测装置中包括的检测分析模块来执行,以使得倒乘梯行为检测装置根据方向指示图像、楼层变化趋势、预设指示图像模板、以及均值哈希算法,确定电梯的运行方向。
基于上述技术方案,本申请基于均值哈希算法和预设的指示图像模板,来确定从经过预处理的视频流数据中,确定出电梯的运行方向,保障后续流程的顺利进行的同时,降低倒乘梯行为检测所需的计算资源。
示例性地,结合图3,如图7所示,本申请提供的倒乘梯行为检测方法中,倒乘梯行为检测装置根据方向指示图像、楼层变化趋势、预设指示图像模板、以及均值哈希算法,确定电梯的运行方向具体包括以下步骤:
S701、倒乘梯行为检测装置根据均值哈希算法,将方向指示图像与预设指示图像模板进行图像相似度匹配,得到方向指示图像与预设指示图像模板的相似度。
需要说明的是,根据均值哈希算法将两种图像进行匹配以计算相似度为本领域公知的技术,本实施例在此不再赘述。
在一种可能的实现方式中,S701具体可由前文所描述的倒乘梯行为检测装置中包括的检测分析模块来执行,以使得倒乘梯行为检测装置根据均值哈希算法,将方向指示图像与预设指示图像模板进行图像相似度匹配,得到方向指示图像与预设指示图像模板的相似度。
S702、倒乘梯行为检测装置在方向指示图像与预设指示图像模板的相似度大于第二预设阈值的情况下,将预设指示图像模板的方向确定为方向指示图像的方向。
示例性地,第二预设阈值设置为95%,当前获取到的方向指示图像,与一个指示方向为下行的预设指示图像模板的相似度为98%,则倒乘梯行为检测装置确定前获取到的方向指示图像的方向为下行。
在一种可能的实现方式中,S702具体可由前文所描述的倒乘梯行为检测装置中包括的检测分析模块来执行,以使得倒乘梯行为检测装置在方向指示图像与预设指示图像模板的相似度大于第二预设阈值的情况下,将预设指示图像模板的方向确定为方向指示图像的方向。
S703、倒乘梯行为检测装置在楼层变化趋势指示的方向与方向指示图像的方向一致的情况下,将方向指示图像的方向确定为电梯的运行方向。
在一种可能的实现方式中,S703具体可由前文所描述的倒乘梯行为检测装置中包括的检测分析模块来执行,以使得倒乘梯行为检测装置在楼层变化趋势指示的方向与方向指示图像的方向一致的情况下,将方向指示图像的方向确定为电梯的运行方向。
基于上述技术方案,本申请通过基于均值哈希算法和预设的指示图像模板,来确定从经过预处理的视频流数据中,确定出电梯的运行方向,保障后续流程的顺利进行的同时,降低倒乘梯行为检测所需的计算资源。
示例性地,结合图3,如图8所示,本申请提供的倒乘梯行为检测方法中,确定电梯内的乘坐人员数量具体包括以下步骤:
S801、倒乘梯行为检测装置根据Yolo算法,构建目标检测模型。
其中,根据Yolo算法,构建目标检测模型并训练的方法为本领域成熟技术,本申请在此不再赘述。
在一种可能的实现方式中,S801具体可由前文所描述的倒乘梯行为检测装置中包括的检测分析模块来执行,以使得倒乘梯行为检测装置根据Yolo算法,构建目标检测模型。
S802、倒乘梯行为检测装置获取数据集,并根据数据集训练目标检测模型。
可选地,数据集包括训练集和验证集。倒乘梯行为检测装置根据训练集对目标检测模型进行迭代训练,并根据验证集确定目标检测模型的准确率。在目标检测模型的准确率满足预设需求后,倒乘梯行为检测装置确定目标检测模型训练完成。
在一种可能的实现方式中,S802具体可由前文所描述的倒乘梯行为检测装置中包括的检测分析模块来执行,以使得倒乘梯行为检测装置获取数据集,并根据数据集训练目标检测模型。
S803、倒乘梯行为检测装置根据训练好的目标检测模型和视频流数据,确定电梯内的乘坐人员数量。
可以理解的是,此处的视频流数据同样经过如前文所描述的预处理。从而,倒乘梯行为检测装置将预处理后的视频流数据输入训练好的目标检测模型中,以确定电梯内的乘坐人员数量。
需要说明的是,本申请构建的目标检测模型是基于视频流数据中存在的人头数量和头肩数量进行识别的。这是由于若目标检测模型只检测人头或头肩,会由于遮挡原因而出现较大的识别误差,影响最终确定出的乘坐人员数量。
可选地,本申请中预先设定人头数量权重系数A1,和头肩数量权重系数A2,通过公式C=[M*A1+N*A2],得到电梯中实际人数C。其中,A1与A2的和为1,并且取值范围在0至1之间,M为目标检测模型检测到的人头数量,N为目标检测模型检测到的头肩数量。
在一种可能的实现方式中,S803具体可由前文所描述的倒乘梯行为检测装置中包括的人员识别模块来执行,以使得倒乘梯行为检测装置根据训练好的目标检测模型和视频流数据,确定电梯内的乘坐人员数量。
基于上述技术方案,本申请通过Yolo算法,来构建并训练目标检测模型,能够确定出电梯内存在的乘坐人员数量,保障后续流程的顺利进行的同时,降低倒乘梯行为检测所需的计算资源。
示例性地,下面结合具体示例,对本申请提供的倒乘梯行为检测方法进行说明:
在本实施例中,检测时段为上班高峰期8:00至9:00,预设阈值编号为2,电梯运行高峰主方向为上行,第一预设阈值为10。也即,倒乘梯行为此时的定义为:在8:00至9:00期间,当电梯运行至1层,且仍需往下运行至地下楼层时,若此时电梯门打开且有乘客进入,当前电梯人数超过10人。并且,电梯人数超过10人则判定为倒乘梯行为并告警。
(1)倒乘梯行为检测装置获取到电梯的当前楼层编号变化信息为倒序,也即[5,4,3,2,1],并且电梯内的指示图像箭头方向向下,则倒乘梯行为检测装置判定电梯运行方向为向下运行。
(2)倒乘梯行为检测装置确定此时电梯停在1层,且S1中确定的电梯的运行方向为向下运行,则倒乘梯行为检测装置检测电梯内的乘坐人员数量。
本实施例中,A1设置为0.6,A2设置为0.4。
此时,倒乘梯行为检测装置基于目标检测模型,检测到人头数量M为12,头肩数量N为9,则此时电梯内人数为C=[12*0.6+9*0.4]=11人。
(3)倒乘梯行为检测装置确定此时电梯内的乘坐人员数量为11人,大于第一预设阈值10人,因此进行声光告警,提示电梯内的乘坐人员停止倒乘梯行为。
本申请实施例可以根据上述方法示例对倒乘梯行为检测装置进行功能模块或者功能单元的划分,例如,可以对应各个功能划分各个功能模块或者功能单元,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块或者功能单元的形式实现。其中,本申请实施例中对模块或者单元的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
示例性地,如图9所示,为本申请实施例所涉及的一种倒乘梯行为检测装置的一种可能的结构示意图。该倒乘梯行为检测装置900包括:获取单元901和处理单元902。
其中,获取单元901,用于获取电梯的当前楼层编号和运行方向。
处理单元902,用于在当前楼层编号和运行方向满足第一预设条件的情况下,确定电梯内的乘坐人员数量。
处理单元902,还用于在乘坐人员数量大于第一预设阈值的情况下,确定电梯内的人员为倒乘梯。
可选地,获取单元901,还用于获取电梯内区域的视频流数据。其中,视频流数据用于获取当前楼层编号和运行方向。
可选地,处理单元902,还用于对视频流数据进行预处理,获取楼层数字字符。其中,预处理包括以下一项或多项:去噪处理、灰度处理、阈值化处理、边缘检测、闭操作、字符串分割。
可选地,处理单元902,还用于根据训练好的卷积神经网络CNN分类模型和楼层数字字符,确定当前楼层编号。
可选地,处理单元902,还用于对视频流数据进行预处理,获取方向指示图像。
可选地,处理单元902,还用于根据预设时段内的当前楼层编号,确定楼层变化趋势。
可选地,处理单元902,还用于根据方向指示图像、楼层变化趋势、预设指示图像模板、以及均值哈希算法,确定电梯的运行方向。
可选地,处理单元902,还用于根据均值哈希算法,将方向指示图像与预设指示图像模板进行图像相似度匹配,得到方向指示图像与预设指示图像模板的相似度。
可选地,处理单元902,还用于在方向指示图像与预设指示图像模板的相似度大于第二预设阈值的情况下,将预设指示图像模板的方向确定为方向指示图像的方向。
可选地,处理单元902,还用于在楼层变化趋势指示的方向与方向指示图像的方向一致的情况下,将方向指示图像的方向确定为电梯的运行方向。
可选地,处理单元902,还用于根据Yolo算法,构建目标检测模型。
可选地,获取单元901,还用于获取数据集,并根据数据集训练目标检测模型。
可选地,处理单元902,还用于根据训练好的目标检测模型和视频流数据,确定电梯内的乘坐人员数量。
可选地,处理单元902,还用于在确定电梯内的人员为倒乘梯的情况下,进行声光告警。
可选地,倒乘梯行为检测装置900还可以包括存储单元(图9中以虚线框示出),该存储单元存储有程序或指令,当处理单元902执行该程序或指令时,使得倒乘梯行为检测装置可以执行上述方法实施例所述的倒乘梯行为检测方法。
此外,图9所述的倒乘梯行为检测装置的技术效果可以参考上述实施例所述的倒乘梯行为检测方法的技术效果,此处不再赘述。
示例性地,图10为上述实施例中所涉及的倒乘梯行为检测装置的又一种可能的结构示意图。如图10所示,倒乘梯行为检测装置1000包括:处理器1002。
其中,处理器1002,用于对该倒乘梯行为检测装置的动作进行控制管理,例如,执行上述获取单元901和处理单元902执行的步骤,和/或用于执行本文所描述的技术方案的其它过程。
上述处理器1002可以是实现或执行结合本申请内容所描述的各种示例性的逻辑方框,模块和电路。该处理器可以是中央处理器,通用处理器,数字信号处理器,专用集成电路,现场可编程门阵列或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。所述处理器也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
可选地,倒乘梯行为检测装置1000还可以包括通信接口1003、存储器1001和总线1004。其中,通信接口1003用于支持倒乘梯行为检测装置1000与其他网络实体的通信。存储器1001用于存储该倒乘梯行为检测装置的程序代码和数据。
其中,存储器1001可以是倒乘梯行为检测装置中的存储器,该存储器可以包括易失性存储器,例如随机存取存储器;该存储器也可以包括非易失性存储器,例如只读存储器,快闪存储器,硬盘或固态硬盘;该存储器还可以包括上述种类的存储器的组合。
总线1004可以是扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。总线1004可以分为地址总线、数据总线、控制总线等。为便于表示,图10中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上述描述的系统,装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例提供一种包含指令的计算机程序产品,当所述计算机程序产品在本申请的电子设备上运行时,使得所述计算机执行上述方法实施例所述的倒乘梯行为检测方法。
本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有指令,当计算机执行该指令时,该本申请的电子设备执行上述方法实施例所示的方法流程中倒乘梯行为检测装置执行的各个步骤。
其中,计算机可读存储介质,例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘。随机存取存储器(Random Access Memory,RAM)、只读存储器(Read-Only Memory,ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、寄存器、硬盘、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的人以合适的组合、或者本领域数值的任何其他形式的计算机可读存储介质。一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于特定用途集成电路(Application Specific Integrated Circuit,ASIC)中。在本申请实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何在本申请揭露的技术范围内的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (20)
1.一种倒乘梯行为检测方法,其特征在于,所述方法包括:
获取电梯的当前楼层编号和运行方向;
在所述当前楼层编号和所述运行方向满足第一预设条件的情况下,确定所述电梯内的乘坐人员数量;
在所述乘坐人员数量大于第一预设阈值的情况下,确定所述电梯内的人员为倒乘梯。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述电梯内区域的视频流数据;其中,所述视频流数据用于获取所述当前楼层编号和所述运行方向。
3.根据权利要求2所述的方法,其特征在于,所述获取电梯的当前楼层编号,具体包括:
对所述视频流数据进行预处理,获取楼层数字字符;其中,所述预处理包括以下一项或多项:去噪处理、灰度处理、阈值化处理、边缘检测、闭操作、字符串分割;
根据训练好的卷积神经网络CNN分类模型和所述楼层数字字符,确定所述当前楼层编号。
4.根据权利要求3所述的方法,其特征在于,所述获取所述电梯的运行方向,具体包括:
对所述视频流数据进行所述预处理,获取方向指示图像;
根据预设时段内的所述当前楼层编号,确定楼层变化趋势;
根据所述方向指示图像、所述楼层变化趋势、预设指示图像模板、以及均值哈希算法,确定所述电梯的运行方向。
5.根据权利要求4所述的方法,其特征在于,所述根据所述方向指示图像、预设指示图像模板、以及均值哈希算法,确定所述电梯的运行方向,具体包括:
根据均值哈希算法,将所述方向指示图像与所述预设指示图像模板进行图像相似度匹配,得到所述方向指示图像与所述预设指示图像模板的相似度;
在所述方向指示图像与所述预设指示图像模板的相似度大于第二预设阈值的情况下,将所述预设指示图像模板的方向确定为所述方向指示图像的方向;
在所述楼层变化趋势指示的方向与所述方向指示图像的方向一致的情况下,将所述方向指示图像的方向确定为所述电梯的运行方向。
6.根据权利要求5所述的方法,其特征在于,所述第一预设条件为所述当前楼层编号小于预设阈值编号,所述运行方向与电梯运行高峰主方向相反。
7.根据权利要求6所述的方法,其特征在于,所述确定所述电梯内的乘坐人员数量,具体包括:
根据Yolo算法,构建目标检测模型;
获取数据集,并根据所述数据集训练所述目标检测模型;
根据训练好的所述目标检测模型和所述视频流数据,确定所述电梯内的乘坐人员数量。
8.根据权利要求1-7中任一项所述的方法,其特征在于,所述第一预设阈值为10,所述方向指示图像的形状为箭头状。
9.根据权利要求1-7中任一项所述的方法,其特征在于,所述方法还包括:
在所述确定所述电梯内的人员为倒乘梯的情况下,进行声光告警。
10.一种倒乘梯行为检测装置,其特征在于,所述倒乘梯行为检测装置包括:获取单元和处理单元;
所述获取单元,用于获取电梯的当前楼层编号和运行方向;
所述处理单元,用于在所述当前楼层编号和所述运行方向满足第一预设条件的情况下,确定所述电梯内的乘坐人员数量;
所述处理单元,还用于在所述乘坐人员数量大于第一预设阈值的情况下,确定所述电梯内的人员为倒乘梯。
11.根据权利要求10所述的倒乘梯行为检测装置,其特征在于,
所述获取单元,还用于获取所述电梯内区域的视频流数据;其中,所述视频流数据用于获取所述当前楼层编号和所述运行方向。
12.根据权利要求11所述的倒乘梯行为检测装置,其特征在于,
所述处理单元,还用于对所述视频流数据进行预处理,获取楼层数字字符;其中,所述预处理包括以下一项或多项:去噪处理、灰度处理、阈值化处理、边缘检测、闭操作、字符串分割;
所述处理单元,还用于根据训练好的卷积神经网络CNN分类模型和所述楼层数字字符,确定所述当前楼层编号。
13.根据权利要求11所述的倒乘梯行为检测装置,其特征在于,
所述处理单元,还用于对所述视频流数据进行所述预处理,获取方向指示图像;
所述处理单元,还用于根据预设时段内的所述当前楼层编号,确定楼层变化趋势;
所述处理单元,还用于根据所述方向指示图像、所述楼层变化趋势、预设指示图像模板、以及均值哈希算法,确定所述电梯的运行方向。
14.根据权利要求13所述的倒乘梯行为检测装置,其特征在于,
所述处理单元,还用于根据均值哈希算法,将所述方向指示图像与所述预设指示图像模板进行图像相似度匹配,得到所述方向指示图像与所述预设指示图像模板的相似度;
所述处理单元,还用于在所述方向指示图像与所述预设指示图像模板的相似度大于第二预设阈值的情况下,将所述预设指示图像模板的方向确定为所述方向指示图像的方向;
所述处理单元,还用于在所述楼层变化趋势指示的方向与所述方向指示图像的方向一致的情况下,将所述方向指示图像的方向确定为所述电梯的运行方向。
15.根据权利要求14所述的倒乘梯行为检测装置,其特征在于,所述第一预设条件为所述当前楼层编号小于预设阈值编号,所述运行方向与电梯运行高峰主方向相反。
16.根据权利要求15所述的倒乘梯行为检测装置,其特征在于,
所述处理单元,还用于根据Yolo算法,构建目标检测模型;
所述获取单元,还用于获取数据集,并根据所述数据集训练所述目标检测模型;
所述处理单元,还用于根据训练好的所述目标检测模型和所述视频流数据,确定所述电梯内的乘坐人员数量。
17.根据权利要求10-16中任一项所述的倒乘梯行为检测装置,其特征在于,所述第一预设阈值为10,所述方向指示图像的形状为箭头状。
18.根据权利要求10-16中任一项所述的倒乘梯行为检测装置,其特征在于,
所述处理单元,还用于在所述确定所述电梯内的人员为倒乘梯的情况下,进行声光告警。
19.一种电子设备,其特征在于,包括:处理器以及存储器;其中,所述存储器用于存储计算机执行指令,当所述电子设备运行时,所述处理器执行所述存储器存储的所述计算机执行指令,以使所述电子设备执行如权利要求1-7中任一项所述的倒乘梯行为检测方法。
20.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括指令,当所述计算机可读存储介质中的指令由电子设备执行时,使得所述电子设备能够执行如权利要求1-7中任一项所述的倒乘梯行为检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310621357.0A CN116704407A (zh) | 2023-05-29 | 2023-05-29 | 一种倒乘梯行为检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310621357.0A CN116704407A (zh) | 2023-05-29 | 2023-05-29 | 一种倒乘梯行为检测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116704407A true CN116704407A (zh) | 2023-09-05 |
Family
ID=87824971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310621357.0A Pending CN116704407A (zh) | 2023-05-29 | 2023-05-29 | 一种倒乘梯行为检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116704407A (zh) |
-
2023
- 2023-05-29 CN CN202310621357.0A patent/CN116704407A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110861983B (zh) | 电梯的运行控制方法及装置 | |
CN110950208B (zh) | 一种基于语义分割的禁止电动车入梯上行联动梯控方法 | |
EP3424856B1 (en) | Elevator control apparatus and elevator control method | |
US8660700B2 (en) | Video-based system and method of elevator door detection | |
JP5318584B2 (ja) | エレベータ制御に用いるビデオ補助式システム | |
JP5879152B2 (ja) | エレベータ到着時間推定装置、エレベータシステム | |
EP2541506A1 (en) | Method and system for managing a flow of passengers on a platform | |
CN109311622B (zh) | 电梯系统以及轿厢呼叫估计方法 | |
CN111377325B (zh) | 用于增强电梯传感器操作的系统和方法 | |
CN111292459A (zh) | 一种应用于地铁的刷脸认证方法及装置 | |
CN109919066B (zh) | 一种检测轨道交通车厢内乘客密度异常的方法和装置 | |
CN111046832B (zh) | 基于图像识别的逆行判断方法、装置、设备和存储介质 | |
CN111212802B (zh) | 电梯使用日志输出系统以及电梯使用日志输出方法 | |
CN109353907A (zh) | 电梯运行的安全提示方法和系统 | |
CN107416630A (zh) | 电梯非正常关闭的检测方法和系统 | |
CN111344244B (zh) | 组管理控制装置及组管理控制方法 | |
JP4910432B2 (ja) | 車両混雑状況予測システム及び方法、プログラム | |
CN116704407A (zh) | 一种倒乘梯行为检测方法、装置、电子设备及存储介质 | |
CN110407052B (zh) | 一种电梯内剧烈运动行为检测方法及系统 | |
CN117172970A (zh) | 一种智慧物业管理平台 | |
KR102515719B1 (ko) | 영상인식 연동 승강기 제어 시스템 | |
CN114359839A (zh) | 识别电动车进入电梯的方法及系统 | |
CN114057051A (zh) | 一种轿厢内召梯的提醒方法及系统 | |
CN114314243A (zh) | 基于视频识别技术的升降机超载报警系统及超载报警方法 | |
US20220024717A1 (en) | Number-of-People Information Acquisition System, Number-of-People Information Acquisition Method, and Elevator |
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 |