电梯轿厢内异常行为检测及其监控系统设计
发布时间：2020-12-13 01:15
电梯作为高层建筑运输工具,随着城市化进程的加快以及土地资源的紧缺,变得越来越普及化。电梯提供了平稳迅速的乘坐体验,但是它具有的安全隐患同样需要社会关注。例如,电梯在一个相对封闭的空间状态运行,很难被外界观测和干预,这就使得电梯轿厢内的突发事件很难被及时发现。虽然目前的电梯基本都实现了轿厢内部监控,但监控视频主要采用人工处理方式,耗时长、数据量大、功能单一、实时性差、易漏检、调查取证困难。同时,传统的视频监控系统与外界互动少,只能被动地接受信息。而智能视频监控系统高效,能够全天不间断实时监控,同时对视频信息进行智能分析,在线报警,保护乘客和轿厢设备安全。本文首先对常见前景提取算法进行阐述,针对电梯轿厢内部运动目标的提取,确定了以ViBe算法为基础的运动前景提取算法,在ViBe算法的基础上通过形态学处理对空洞进行填充,对小面积的噪声进行抑制。实验结果表明,本文采用的算法可以获得更加完整和准确的运动前景。其次,针对轿厢是否封闭的情形,设计了基于前景边缘直线检测的电梯轿厢门开关的检测方法,实验结果显示该方法可以有效的判断轿厢门的状态。同时针对异常行为场景分类问题,设计了基于darknet模型的...
【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校
【文章页数】：90 页
【学位级别】：硕士
【部分图文】：
帧差法流程图
工程硕士专业学位论文10图2-2背景差法流程图Figure2-2Flowchartofbackgroundsubtraction背景差法的提取效果取决于背景模型的精度和更新策略。背景差法的背景模型，按照能否按照一定的算法进行更新分为静态背景模型和动态背景模型。静态背景模型主要适用于一成不变的场景，容易受到监控环境光照、噪声、阴影、抖动等影响。常见的建立静态背景模型的方法有均值滤波法[42]和中值滤波法[43]。而如果监控场景经常发生变化，例如光线、阴影或者存在抖动，就应该对背景模型进行更新来适应场景的变化。目前常用的动态背景模型[44]有codebook模型、混合高斯模型、LBF模型和ViBe模型等等。1均值法背景模型均值法背景建模通过对连续N帧图像取像素平均值建立背景模型。如公式(2-5)所示。111()nnnnNBGGGN+=+++(2-5)其中，1G，2G，…nG是N帧视频图像，nB是N帧视频图像的像素平均值图像。均值法背景建模对连续N帧的背景图像序列求平均值，而中值滤波背景建模则是对连续N帧的背景图像序列求中值作为背景图像。这两种方法是比较常用的静态背景模型，计算量小实时性好。2混合高斯背景模型混合高斯背景模型能够对背景的变化自适应，并对背景模型进行更新[45,46]。混合高斯背景模型的基本原理是利用多个单高斯背景模型进行叠加，从而实现背景建模。混合高斯背景建模的方法对复杂变化的背景场景适应性较好，相比于单高斯的背景建模，提取的效果好但是计算量增加。混合高斯背景建模成功的关键，就在于如何平衡好实时性和精度。混合高斯背景建模算法的原理是假设同一个图像帧中每一个像素点是自变量，与其他的像素点无关。换个说法就是，同一个图像中每一个像素点都是不相关的，视频的前进过程是一个像素值不断随机变化的过程。基于这样的假?
工程硕士专业学位论文122.2边缘检测算法（EdgeDetectionAlgorithms）边缘是一种经常被采用的图像特征，在不同的照明和阴影环境中，边缘都能够被准确的检测到。图像中灰度变化最大的像素点属于图像边缘的可能性很大，基于这个特点，可以使用一阶微分或者二阶微分对图像中的像素点进行运算。使用一阶微分计算时，如果灰度到达极值即判断是图像的边缘；若使用二阶微分，当灰度值为零就判断是图像的边缘[42]。在常见的使用场景中，使用差分可以降低计算量。同时，考虑到图像的边缘方向并不是唯一的，因此通常使用不具有方向的图像梯度作为边缘检测的基准。目前常用的边缘检测的算法有Roberts算法、Prewitt算法、Sobel算法、Laplacian算法和Canny算法[48-52]，下面就简要介绍这些边缘检测算法。2.2.1Roberts算法Roberts算法也被称为交叉微分算法，通过局部差分计算对边缘进行检测。适用于处理低噪声的图像，当图像边缘比较尖锐时该算法处理效果更理想。其缺点是过于简单，提取到的边缘线条精度较低。计算公式如下：(,)(1,1)(,1)(1,)xyffijfijffijfij=++=++(2-12)其中xf和yf分别代表对角线方向相邻像素值之差，f则表示对角线不同位置像素点的像素值。Roberts算法的模板分为水平方向和垂直方向，采用如图2-3所示的22卷积模板计算Roberts梯度幅值。当梯度幅值的大小P超过某阈值时，就判断为边缘。图2-3Roberts算法卷积模板Figure2-3ConvolutiontemplateofRoberts如式(2-13)所示，Roberts算法对图像对角线方向的图像边缘有较好的检测效果。1001,0110xydd==(2-13)2.2.2Prewitt算法Prewitt算法的原理是利用特定区域内像素灰度差的值实现对边缘的检测。
【参考文献】：
期刊论文
[1]基于改进的加权中值滤波与K-means聚类的织物缺陷检测[J]. 张缓缓,马金秀,景军锋,李鹏飞. 纺织学报. 2019(12)
[2]基于多方向改进Sobel算子的PCB图像定位校正方法[J]. 朱寒,林丽,陈德全,陈健. 电子测量与仪器学报. 2019(09)
[3]基于非局部均值滤波的医学CT图像去噪算法[J]. 刘翔,石振刚,臧晶. 沈阳理工大学学报. 2019(03)
[4]基于VC及OpenCV的数字图像/视频处理演示系统设计及实例展示[J]. 齐玉娟,李如锋,王延江. 实验室研究与探索. 2018(11)
[5]视频监控中的人群异常行为检测与定位[J]. 周培培,丁庆海,罗海波,侯幸林. 光学学报. 2018(08)
[6]基于曲率估计的Canny边缘检测算法[J]. 郑子华,陈家祯,叶锋. 计算机系统应用. 2017(12)
[7]一种基于TOF相机的人头检测算法研究[J]. 武孝勇,张维忠,袁翠梅,姚孟奇. 青岛大学学报(工程技术版). 2017(04)
[8]基于AdaBoost的公交客流量统计算法[J]. 王璇,李倩丽,宋焕生,孙士杰,崔华. 计算机应用研究. 2018(03)
[9]图像分割方法综述研究[J]. 周莉莉,姜枫. 计算机应用研究. 2017(07)
[10]一种基于光流场的群体运动特征描述子[J]. 郝羽,刘颖,范九伦. 西安邮电大学学报. 2016(06)
博士论文
[1]电梯交通分析及电梯优化控制方法研究[D]. 唐海燕.哈尔滨工业大学 2010
硕士论文
[1]基于计算机图像处理的智能监控技术的研究[D]. 陆晓东.南京航空航天大学 2016
[2]电梯轿厢内异常行为识别研究[D]. 付高静.哈尔滨理工大学 2015
[3]室内实时人数统计算法与设计[D]. 李彬.哈尔滨工业大学 2014
[4]基于视频监控的教室人数统计[D]. 苏娟.安徽大学 2014
[5]基于人头检测的人数统计算法研究[D]. 张丙坤.西安科技大学 2013
[6]实时视频监控人数统计关键技术研究[D]. 孙统义.国防科学技术大学 2011
[7]动态背景下运动目标检测的研究[D]. 安博.天津理工大学 2009
本文编号：2913612
【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校
【文章页数】：90 页
【学位级别】：硕士
【部分图文】：
帧差法流程图
工程硕士专业学位论文10图2-2背景差法流程图Figure2-2Flowchartofbackgroundsubtraction背景差法的提取效果取决于背景模型的精度和更新策略。背景差法的背景模型，按照能否按照一定的算法进行更新分为静态背景模型和动态背景模型。静态背景模型主要适用于一成不变的场景，容易受到监控环境光照、噪声、阴影、抖动等影响。常见的建立静态背景模型的方法有均值滤波法[42]和中值滤波法[43]。而如果监控场景经常发生变化，例如光线、阴影或者存在抖动，就应该对背景模型进行更新来适应场景的变化。目前常用的动态背景模型[44]有codebook模型、混合高斯模型、LBF模型和ViBe模型等等。1均值法背景模型均值法背景建模通过对连续N帧图像取像素平均值建立背景模型。如公式(2-5)所示。111()nnnnNBGGGN+=+++(2-5)其中，1G，2G，…nG是N帧视频图像，nB是N帧视频图像的像素平均值图像。均值法背景建模对连续N帧的背景图像序列求平均值，而中值滤波背景建模则是对连续N帧的背景图像序列求中值作为背景图像。这两种方法是比较常用的静态背景模型，计算量小实时性好。2混合高斯背景模型混合高斯背景模型能够对背景的变化自适应，并对背景模型进行更新[45,46]。混合高斯背景模型的基本原理是利用多个单高斯背景模型进行叠加，从而实现背景建模。混合高斯背景建模的方法对复杂变化的背景场景适应性较好，相比于单高斯的背景建模，提取的效果好但是计算量增加。混合高斯背景建模成功的关键，就在于如何平衡好实时性和精度。混合高斯背景建模算法的原理是假设同一个图像帧中每一个像素点是自变量，与其他的像素点无关。换个说法就是，同一个图像中每一个像素点都是不相关的，视频的前进过程是一个像素值不断随机变化的过程。基于这样的假?
工程硕士专业学位论文122.2边缘检测算法（EdgeDetectionAlgorithms）边缘是一种经常被采用的图像特征，在不同的照明和阴影环境中，边缘都能够被准确的检测到。图像中灰度变化最大的像素点属于图像边缘的可能性很大，基于这个特点，可以使用一阶微分或者二阶微分对图像中的像素点进行运算。使用一阶微分计算时，如果灰度到达极值即判断是图像的边缘；若使用二阶微分，当灰度值为零就判断是图像的边缘[42]。在常见的使用场景中，使用差分可以降低计算量。同时，考虑到图像的边缘方向并不是唯一的，因此通常使用不具有方向的图像梯度作为边缘检测的基准。目前常用的边缘检测的算法有Roberts算法、Prewitt算法、Sobel算法、Laplacian算法和Canny算法[48-52]，下面就简要介绍这些边缘检测算法。2.2.1Roberts算法Roberts算法也被称为交叉微分算法，通过局部差分计算对边缘进行检测。适用于处理低噪声的图像，当图像边缘比较尖锐时该算法处理效果更理想。其缺点是过于简单，提取到的边缘线条精度较低。计算公式如下：(,)(1,1)(,1)(1,)xyffijfijffijfij=++=++(2-12)其中xf和yf分别代表对角线方向相邻像素值之差，f则表示对角线不同位置像素点的像素值。Roberts算法的模板分为水平方向和垂直方向，采用如图2-3所示的22卷积模板计算Roberts梯度幅值。当梯度幅值的大小P超过某阈值时，就判断为边缘。图2-3Roberts算法卷积模板Figure2-3ConvolutiontemplateofRoberts如式(2-13)所示，Roberts算法对图像对角线方向的图像边缘有较好的检测效果。1001,0110xydd==(2-13)2.2.2Prewitt算法Prewitt算法的原理是利用特定区域内像素灰度差的值实现对边缘的检测。
【参考文献】：
期刊论文
[1]基于改进的加权中值滤波与K-means聚类的织物缺陷检测[J]. 张缓缓,马金秀,景军锋,李鹏飞. 纺织学报. 2019(12)
[2]基于多方向改进Sobel算子的PCB图像定位校正方法[J]. 朱寒,林丽,陈德全,陈健. 电子测量与仪器学报. 2019(09)
[3]基于非局部均值滤波的医学CT图像去噪算法[J]. 刘翔,石振刚,臧晶. 沈阳理工大学学报. 2019(03)
[4]基于VC及OpenCV的数字图像/视频处理演示系统设计及实例展示[J]. 齐玉娟,李如锋,王延江. 实验室研究与探索. 2018(11)
[5]视频监控中的人群异常行为检测与定位[J]. 周培培,丁庆海,罗海波,侯幸林. 光学学报. 2018(08)
[6]基于曲率估计的Canny边缘检测算法[J]. 郑子华,陈家祯,叶锋. 计算机系统应用. 2017(12)
[7]一种基于TOF相机的人头检测算法研究[J]. 武孝勇,张维忠,袁翠梅,姚孟奇. 青岛大学学报(工程技术版). 2017(04)
[8]基于AdaBoost的公交客流量统计算法[J]. 王璇,李倩丽,宋焕生,孙士杰,崔华. 计算机应用研究. 2018(03)
[9]图像分割方法综述研究[J]. 周莉莉,姜枫. 计算机应用研究. 2017(07)
[10]一种基于光流场的群体运动特征描述子[J]. 郝羽,刘颖,范九伦. 西安邮电大学学报. 2016(06)
博士论文
[1]电梯交通分析及电梯优化控制方法研究[D]. 唐海燕.哈尔滨工业大学 2010
硕士论文
[1]基于计算机图像处理的智能监控技术的研究[D]. 陆晓东.南京航空航天大学 2016
[2]电梯轿厢内异常行为识别研究[D]. 付高静.哈尔滨理工大学 2015
[3]室内实时人数统计算法与设计[D]. 李彬.哈尔滨工业大学 2014
[4]基于视频监控的教室人数统计[D]. 苏娟.安徽大学 2014
[5]基于人头检测的人数统计算法研究[D]. 张丙坤.西安科技大学 2013
[6]实时视频监控人数统计关键技术研究[D]. 孙统义.国防科学技术大学 2011
[7]动态背景下运动目标检测的研究[D]. 安博.天津理工大学 2009
本文编号：2913612
本文链接：https://www.wllwen.com/jianzhugongchenglunwen/2913612.html
