宋文迪

（北方民族大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院，寧夏 銀川 750000）

隨著現(xiàn)代化進(jìn)程的發(fā)展，高層的樓房日益增多，電梯的運(yùn)用也越來越廣泛。將人工智能相關(guān)技術(shù)運(yùn)用在電梯中，是推動(dòng)城市現(xiàn)代化建設(shè)的重要一環(huán)。計(jì)算機(jī)視覺作為人工智能的基礎(chǔ)之一，研究目標(biāo)是使計(jì)算機(jī)具有對(duì)圖像的認(rèn)知能力。計(jì)算機(jī)視覺是通過對(duì)圖片或視頻進(jìn)行處理，以得到人們需要的特征或者信息。

電梯作為人們?nèi)粘Ｉ罱?jīng)常使用的運(yùn)輸設(shè)備，隨著電梯的普及程度以及使用頻率的增加，出現(xiàn)運(yùn)行故障的次數(shù)也隨之增加，容易引起一系列的安全事故。因此，降低運(yùn)行故障帶來的危害，提高電梯故障的應(yīng)急處置能力刻不容緩。部分小區(qū)或建筑人流量過大，需要大量電梯同時(shí)工作運(yùn)行。結(jié)合電梯工作特性，如果能夠?qū)崟r(shí)的對(duì)電梯轎廂內(nèi)進(jìn)行人員檢測(cè)，就能夠有效的在發(fā)生斷電等危險(xiǎn)情況時(shí)，根據(jù)各個(gè)電梯有人無人狀態(tài)，電梯轎廂內(nèi)人數(shù)，調(diào)整救援順序，避免電梯內(nèi)無人而導(dǎo)致的無效救援。

1 國內(nèi)外現(xiàn)狀

目前電梯中主要應(yīng)用紅外探測(cè)技術(shù)識(shí)別有人無人狀態(tài)。在紅外線探測(cè)器中，熱電元件通過判斷是否有人體移動(dòng)來釋放電壓信號(hào)，之后通過分析電壓信號(hào)的波形來識(shí)別。該方法能夠有效的排除諸如爆米花噪聲一類的噪聲影響，但對(duì)于其他波形較大的噪聲信號(hào)效果就會(huì)受到影響[1]。

但是電梯如果長時(shí)間持續(xù)運(yùn)行，會(huì)產(chǎn)生大量噪聲信號(hào)，而導(dǎo)致傳感器誤判，在試點(diǎn)運(yùn)行中，電梯黑匣子易受噪音干擾。這就需要一種可靠性高，不易受環(huán)境影響的人員檢測(cè)技術(shù)。

目前應(yīng)用在電梯上的人員檢測(cè)方法較少，大多應(yīng)用在施工升降機(jī)。傳統(tǒng)的人員檢測(cè)方法有人工識(shí)別以及電子設(shè)備計(jì)數(shù)，隨著計(jì)算機(jī)視覺的發(fā)展，不少基于計(jì)算機(jī)視覺的方法被用于電梯轎廂的人員檢測(cè)中?；陬^部特征的算法也被應(yīng)用于電梯和升降機(jī)人員檢測(cè)上，但大多方法對(duì)攝像頭位置要求較為固定，頭部如有遮擋物也會(huì)大幅度降低識(shí)別精度[4]。Dalal 和Triggs 在2005 年提出HOG 的概念[5]，HOG 描述行人特征效果較好，被大量應(yīng)用于人員檢測(cè)中。文獻(xiàn)[6]首次提出了小邊(Edglet)的概念。也有一些文獻(xiàn)將運(yùn)動(dòng)特征加入到行人檢測(cè)中，然后與圖像的靜態(tài)特征相結(jié)合用于檢測(cè)行人，這種方法對(duì)于運(yùn)動(dòng)中的行人有較好的檢測(cè)效果，但是針對(duì)電梯轎廂中靜止不動(dòng)的人員就不太適用。

2 基于傳統(tǒng)特征提取算法的人員檢測(cè)技術(shù)

目前國內(nèi)外基于特征提取算法的人員檢測(cè)主要分為三類，分別為基于特征、基于區(qū)域和基于模板匹配的人員檢測(cè)。

基于特征的人員檢測(cè)算法是先提取目標(biāo)的有效特征，然后根據(jù)提取的特征檢索圖片，與圖像信息中目標(biāo)進(jìn)行匹配，從而實(shí)現(xiàn)目標(biāo)檢測(cè)，所以提取目標(biāo)特征是關(guān)鍵，一個(gè)好的目標(biāo)特征可以有效提高檢測(cè)效率，減少算法的誤判率，提高識(shí)別精度?；谔卣鞯娜藛T檢測(cè)算法一般將目標(biāo)的某個(gè)或某部分或多個(gè)特征作為提取目標(biāo)，這樣的好處在于，假如識(shí)別目標(biāo)被遮擋或者有重疊部分，只要還有部分特征可以被提取出來，就仍可以完成目標(biāo)的識(shí)別。這種算法的難點(diǎn)怎么用同一特征集合表示檢測(cè)物體的不同狀態(tài)。如果使用較多的特征集合表示，系統(tǒng)的錯(cuò)誤率將增加，并且算法計(jì)算量也將增加。

基于區(qū)域的人數(shù)識(shí)別算法一般通過分割區(qū)域確定一個(gè)略大于目標(biāo)的矩形或其他不規(guī)則形狀模板，分割方法有人為分割和圖像分割，最后對(duì)模板區(qū)域內(nèi)通過紋理、形狀等特征或者彩色圖像的顏色信息對(duì)目標(biāo)進(jìn)行檢測(cè)。這些傳統(tǒng)算法中依照膚色區(qū)域、幾何區(qū)域或者角點(diǎn)信息的方式進(jìn)行人員檢測(cè)識(shí)別具有很好的參考價(jià)值，但都易受環(huán)境影響，比如與膚色差別較小的環(huán)境色彩，或者背景中有與提取的幾何信息類似或相同的形狀物體。

基于模板匹配的人員檢測(cè)采用通過模板匹配來識(shí)別跟蹤的方法。與幾何特征匹配相類似，模板匹配是通過預(yù)設(shè)特定的形狀模板信息，與待處理的圖像進(jìn)行匹配比較，通過匹配相似度進(jìn)行識(shí)別檢測(cè)的算法。

3 基于深度學(xué)習(xí)的人員檢測(cè)技術(shù)

深度學(xué)習(xí)算法作為一種機(jī)器學(xué)習(xí)，在處理復(fù)雜模式識(shí)別問題上有著顯著的效果，通過對(duì)視頻圖像信息進(jìn)行處理，達(dá)到人們想要的效果。深度學(xué)習(xí)在許多目標(biāo)識(shí)別領(lǐng)域已經(jīng)取得了不錯(cuò)的成果。20 世紀(jì)80 年代，Geoffrey Hinton 等人首次提出了深度學(xué)習(xí)的概念，深度學(xué)習(xí)是通過多層的神經(jīng)網(wǎng)絡(luò)模擬人腦的學(xué)習(xí)過程，每層神經(jīng)網(wǎng)絡(luò)都通過多個(gè)神經(jīng)元對(duì)輸入數(shù)據(jù)學(xué)習(xí)以最終提取更加抽象準(zhǔn)確的特征數(shù)據(jù)，并把輸入以特征數(shù)據(jù)來表示[7]。大量學(xué)者開始研究深度學(xué)習(xí)并大規(guī)模在各個(gè)方向進(jìn)行應(yīng)用，數(shù)字圖像處理領(lǐng)域的圖像分類、目標(biāo)檢測(cè)、目標(biāo)定位和語義分割等都開始使用卷積神經(jīng)網(wǎng)絡(luò)，并且有效地提升了識(shí)別效果；語音識(shí)別和自然語言處理領(lǐng)域也都通過深度學(xué)習(xí)算法得到了飛快的發(fā)展。

4 研究展望

深度學(xué)習(xí)在人員檢測(cè)方面精度很高，但是深度學(xué)習(xí)需要大量的數(shù)據(jù)樣本進(jìn)行訓(xùn)練，而且樣本訓(xùn)練對(duì)配置要求也特別高，訓(xùn)練時(shí)間也比較長，需要投入大量成本。在運(yùn)行時(shí)其強(qiáng)大算力開發(fā)板不能提供，而云計(jì)算通訊費(fèi)用成本太高，如果投入一個(gè)好的單片機(jī)，對(duì)企業(yè)來說與現(xiàn)有設(shè)備相比，成本也很增加很多。所以這就需要傳統(tǒng)算法與電梯轎廂實(shí)際環(huán)境相結(jié)合，研究出一種實(shí)時(shí)性好、精度高、穩(wěn)定性好、占用低的人員檢測(cè)方法。