基于深度学习的电梯轿厢内人员异常行为识别系统
发布时间：2021-11-13 20:34
我国城镇化进程加快,电梯在高楼中被越来越多的使用,给人们生活带来方便的同时也存在一些安全隐患。因为电梯轿厢的内部是一个狭小、密闭的空间,不法分子很容易利用它实施犯罪;身体虚弱的老人突发疾病摔倒在电梯里也会有生命危险。所以针对电梯轿厢内频繁出现的跌倒,蹲伏,打斗,侵犯等异常行为,实现一个智能检测系统是十分必要的,当检测到乘客发现异常行为时,系统可以及时的发出警报,防患于未然。本文对电梯轿厢内的人数统计算法以及异常行为识别算法进行深入的研究,建立一个实时性、鲁棒性和准确性更高的异常行为识别系统。本文的主要工作如下:（1）提出一种基于卷积神经网络与岭回归结合的人数统计模型对电梯轿厢内的人数进行统计。首先根据自身数据集的特点对原模型进行了改进,然后再利用改进的萤火虫算法去优化岭参数,使模型的预测性能得到进一步提升,最后对比其他算法进行人数预测,并对结果进行分析。（2）在统计出电梯轿厢内人数的基础上,对人员的异常行为进行识别。使用三维卷积神经网络来识别单人情况下的异常行为,改变其在时间和空间维度上卷积过滤器和池化过滤器的大小,对网络的学习率批值等参数进行合理的选取和优化;再使用双流卷积神经网络来...
【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】：72 页
【学位级别】：硕士
【部分图文】：
我国电梯保有量Figure1-1China’selevatorownership电梯很好的解决了上下楼的问题，给人们生活带来了便捷，但是也存在一些
工程硕士专业学位论文82相关理论技术2RelatedTheoryandTechnology2.1人数统计的相关技术概述(TechnicalOverviewofPeopleCounting)在电梯轿厢内对于人数的统计主要有三种方式[45]，基于计算机视觉的人数统计方法、基于机器学习的人数统计、基于深度学习的统计方法。本章节将对这三种方式的过程和原理依次进行介绍。2.1.1基于计算机视觉的人数统计技术基于视觉的电梯轿厢内人数统计方式有很多，因其成本比较低，安装也比较简单方便，所以被广泛使用。但是它也会受到很多方面的限制，比如电梯轿厢内光线的强弱以及人与人之间的相互遮掩，都会对摄像头拍摄出来的视频有一定的影响。基于计算机视觉的人数统计方式分为三类，第一类是基于头部特征的方法、第二类是基于运动分析的方法、最后一类是基于前景连通域像素的方法。基于头部的特征识别是根据人头的形状等信息来获取目标行踪，使用人头检测这种方式很普遍，主要原因是人体头部的特征比较简单而且也比较容易提取，其次人体头部放在人群当中变化也不是很大，所以大多数情况下都是通过对人体头部的检测来达到对行人的跟踪和识别。基于头部的检测方法有以下几个步骤来实现。首先使用帧间灰度方法使得头部的特征信息被完好的保留下来，减少其他因素的干扰，然后为了方便以后特征的提取，对二值化后的黑白图像进行滤波，使得轮廓清晰，再进行细化操作使图像中的人体轮廓能够被完整的提取出来，采用Hough[46]变换对人体头部边缘的轮廓检测，最后就能够得到被检测的人数。具体流程图如下图2-1所示：图2-1基于人头特征的人数检测Figure2-1Numberdetectionbasedonheadcharacteristics
2相关理论技术9基于头部的检测也有很多的缺陷，它的检测结果很大程度上受到物体形状的影响。如果遇到类似圆形的物体，很有可能发生错误的检测，对整个的识别准确率影响较大。对于人头检测的方法现阶段来说已经饱和，虽然很多专家在头部检测算法上进行了深入的研究，希望通过对算法的改进来提高准确率，但是还是因为人体头部特征区分度不高，很有可能会出现和上面类似的错误检查情况，从而影响到识别的准确率。基于运动分析的的方法可以提高算法的效果，它主要是通过发现图像中的运动区域，然后再使用相应的算法对其进行检测。这种检测方式的主要思想是从图像中提取出需要检测的人体轮廓，再根据得到的轮廓大小来检测人数的数量。这种方式适用于单人检测，而对于多人情况下就有所不同，首先需要对图像分割，才能进行目标的检测，然后判断他们所处的位置是位于电梯内还是电梯外，最后才能去统计出电梯轿厢内的人数。流程图如下图2-2所示：图2-2运动分析的人数检测流程图Figure2-2Flowchartofnumberdetectionbasedonmotionanalysis这种方法优点和缺点并存，首先他不受头发、颜色、光照以及遮盖物的影响，但是人数多少对它的识别的准确率影响较大，人少时可以有效地识别出电梯轿厢内的人数，如果在电梯轿厢内出现的人数较多时，就很难作出分离，对最终识别出的结果与真实在电梯轿厢内的人数差别较大。基于前景连通区域像素统计人数的检测方法[47]，首先需要去统计分析在视频中不同人数情况下的前景连通区域的像素数，这是比较重要的一个步骤，接下来再去统计各个连通区域所占的前景像素数，然后将该区域的人数进行统计出来。具体流程图如下图2-3所示。
【参考文献】：
期刊论文
[1]智能视频监控系统设计[J]. 郑定超,陈彩微. 自动化技术与应用. 2020(03)
[2]安防领域中智能视频监控技术的应用探讨[J]. 唐吉雄. 通讯世界. 2019(07)
[3]基于深度学习的人体行为识别研究[J]. 迟元峰,顾敏. 工业控制计算机. 2017(01)
[4]基于BP神经网络的人体行为识别方法研究与实现[J]. 吴婷,周宇. 教育教学论坛. 2016(51)
[5]基于三维时空直方图特征的人体行为识别[J]. 曹林,朱国刚. 计算机工程与设计. 2016(04)
[6]基于DTW约束的动作行为识别[J]. 李海涛. 计算机仿真. 2014(11)
[7]深度学习研究进展[J]. 刘建伟,刘媛,罗雄麟. 计算机应用研究. 2014(07)
[8]基于随机Hough变换的人头检测[J]. 徐培智,徐贵力,黄鑫. 计算机工程. 2012(01)
[9]竞选算法的参数设计与性能研究[J]. 贺春华,张湘伟,吕文阁. 计算机工程. 2010(06)
[10]视频监控技术发展综述[J]. 骆云志,刘治红. 兵工自动化. 2009(01)
硕士论文
[1]基于机器学习的行人姿态估计及识别的算法研究[D]. 郑胜昌.山东大学 2019
[2]基于Kinect的矿井人员违规行为识别研究[D]. 黄程龙.中国矿业大学 2019
[3]基于Kinect的罐笼内矿工不安全行为识别方法研究[D]. 杨赛烽.中国矿业大学 2019
[4]基于卷积神经网络的电梯轿厢内人数统计研究[D]. 刘尧.西南科技大学 2018
[5]基于Kinect的多通道特征联合的人体行为识别[D]. 李冬青.大连海事大学 2018
[6]基于Kinect的跌倒检测报警监护系统[D]. 张金富.黑龙江大学 2016
[7]基于多模特征融合的人体跌倒检测算法研究[D]. 薛冰霞.山东大学 2015
[8]基于图像处理与神经网络进行人数统计的研究与实现[D]. 左丞.电子科技大学 2013
本文编号：3493677
【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】：72 页
【学位级别】：硕士
【部分图文】：
我国电梯保有量Figure1-1China’selevatorownership电梯很好的解决了上下楼的问题，给人们生活带来了便捷，但是也存在一些
工程硕士专业学位论文82相关理论技术2RelatedTheoryandTechnology2.1人数统计的相关技术概述(TechnicalOverviewofPeopleCounting)在电梯轿厢内对于人数的统计主要有三种方式[45]，基于计算机视觉的人数统计方法、基于机器学习的人数统计、基于深度学习的统计方法。本章节将对这三种方式的过程和原理依次进行介绍。2.1.1基于计算机视觉的人数统计技术基于视觉的电梯轿厢内人数统计方式有很多，因其成本比较低，安装也比较简单方便，所以被广泛使用。但是它也会受到很多方面的限制，比如电梯轿厢内光线的强弱以及人与人之间的相互遮掩，都会对摄像头拍摄出来的视频有一定的影响。基于计算机视觉的人数统计方式分为三类，第一类是基于头部特征的方法、第二类是基于运动分析的方法、最后一类是基于前景连通域像素的方法。基于头部的特征识别是根据人头的形状等信息来获取目标行踪，使用人头检测这种方式很普遍，主要原因是人体头部的特征比较简单而且也比较容易提取，其次人体头部放在人群当中变化也不是很大，所以大多数情况下都是通过对人体头部的检测来达到对行人的跟踪和识别。基于头部的检测方法有以下几个步骤来实现。首先使用帧间灰度方法使得头部的特征信息被完好的保留下来，减少其他因素的干扰，然后为了方便以后特征的提取，对二值化后的黑白图像进行滤波，使得轮廓清晰，再进行细化操作使图像中的人体轮廓能够被完整的提取出来，采用Hough[46]变换对人体头部边缘的轮廓检测，最后就能够得到被检测的人数。具体流程图如下图2-1所示：图2-1基于人头特征的人数检测Figure2-1Numberdetectionbasedonheadcharacteristics
2相关理论技术9基于头部的检测也有很多的缺陷，它的检测结果很大程度上受到物体形状的影响。如果遇到类似圆形的物体，很有可能发生错误的检测，对整个的识别准确率影响较大。对于人头检测的方法现阶段来说已经饱和，虽然很多专家在头部检测算法上进行了深入的研究，希望通过对算法的改进来提高准确率，但是还是因为人体头部特征区分度不高，很有可能会出现和上面类似的错误检查情况，从而影响到识别的准确率。基于运动分析的的方法可以提高算法的效果，它主要是通过发现图像中的运动区域，然后再使用相应的算法对其进行检测。这种检测方式的主要思想是从图像中提取出需要检测的人体轮廓，再根据得到的轮廓大小来检测人数的数量。这种方式适用于单人检测，而对于多人情况下就有所不同，首先需要对图像分割，才能进行目标的检测，然后判断他们所处的位置是位于电梯内还是电梯外，最后才能去统计出电梯轿厢内的人数。流程图如下图2-2所示：图2-2运动分析的人数检测流程图Figure2-2Flowchartofnumberdetectionbasedonmotionanalysis这种方法优点和缺点并存，首先他不受头发、颜色、光照以及遮盖物的影响，但是人数多少对它的识别的准确率影响较大，人少时可以有效地识别出电梯轿厢内的人数，如果在电梯轿厢内出现的人数较多时，就很难作出分离，对最终识别出的结果与真实在电梯轿厢内的人数差别较大。基于前景连通区域像素统计人数的检测方法[47]，首先需要去统计分析在视频中不同人数情况下的前景连通区域的像素数，这是比较重要的一个步骤，接下来再去统计各个连通区域所占的前景像素数，然后将该区域的人数进行统计出来。具体流程图如下图2-3所示。
【参考文献】：
期刊论文
[1]智能视频监控系统设计[J]. 郑定超,陈彩微. 自动化技术与应用. 2020(03)
[2]安防领域中智能视频监控技术的应用探讨[J]. 唐吉雄. 通讯世界. 2019(07)
[3]基于深度学习的人体行为识别研究[J]. 迟元峰,顾敏. 工业控制计算机. 2017(01)
[4]基于BP神经网络的人体行为识别方法研究与实现[J]. 吴婷,周宇. 教育教学论坛. 2016(51)
[5]基于三维时空直方图特征的人体行为识别[J]. 曹林,朱国刚. 计算机工程与设计. 2016(04)
[6]基于DTW约束的动作行为识别[J]. 李海涛. 计算机仿真. 2014(11)
[7]深度学习研究进展[J]. 刘建伟,刘媛,罗雄麟. 计算机应用研究. 2014(07)
[8]基于随机Hough变换的人头检测[J]. 徐培智,徐贵力,黄鑫. 计算机工程. 2012(01)
[9]竞选算法的参数设计与性能研究[J]. 贺春华,张湘伟,吕文阁. 计算机工程. 2010(06)
[10]视频监控技术发展综述[J]. 骆云志,刘治红. 兵工自动化. 2009(01)
硕士论文
[1]基于机器学习的行人姿态估计及识别的算法研究[D]. 郑胜昌.山东大学 2019
[2]基于Kinect的矿井人员违规行为识别研究[D]. 黄程龙.中国矿业大学 2019
[3]基于Kinect的罐笼内矿工不安全行为识别方法研究[D]. 杨赛烽.中国矿业大学 2019
[4]基于卷积神经网络的电梯轿厢内人数统计研究[D]. 刘尧.西南科技大学 2018
[5]基于Kinect的多通道特征联合的人体行为识别[D]. 李冬青.大连海事大学 2018
[6]基于Kinect的跌倒检测报警监护系统[D]. 张金富.黑龙江大学 2016
[7]基于多模特征融合的人体跌倒检测算法研究[D]. 薛冰霞.山东大学 2015
[8]基于图像处理与神经网络进行人数统计的研究与实现[D]. 左丞.电子科技大学 2013
本文编号：3493677
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3493677.html
最近更新
教材专著
