[发明专利]基于计算机视觉的电梯轿厢内异常行为的检测方法

说明书

本发明公开了一种基于计算机视觉的电梯轿厢内异常行为的检测方法，通过结合帧间差分法的ViBe算法获取运动目标的外部轮廓，在外部轮廓的基础上获得轿厢内乘客身体的高宽比信息；通过YOLOv3神经网络对轿厢内的人体头部数量和位置进行检测。根据YOLOv3神经网络检测到的人头数量，将轿厢内的异常行为检测分单人，两人及以上两种情景。在单人情景下，利用乘客人体轮廓的高宽比的变化和乘客人头的垂直移动距离，实现摔倒行为的检测。在两人及以上情景中，结合帧间差分法的ViBe算法获得的目标轮廓的基础上，利用金字塔LK光流算法计算乘客的平均动能，实现暴力侵害行为的检测。本发明视频输入与检测同时进行，达到实时检测的效果。

技术领域

本发明涉及人工智能领域，尤其涉及一种基于计算机视觉的电梯轿厢内异常行为的检测方法。

背景技术

基于视频的自动化异常行为检测系统，能够自动判断轿厢内乘客的异常行为，并根据检测结果发出信号。异常行为：在电梯轿厢内发生的有害行为，在本发明中指摔倒和暴力侵害两种行为。由于一定区域内的视频监控数量极多，人工监控不仅耗时，效率极低，而且无法及时的发现乘客安全受到威胁，所以基于计算机视觉的行为识别技术是异常行为检测近年来的主要研究方向。

目前，异常行为检测方法大致可分为三类，即：模板匹配法，轨迹分析法，统计学习法。模板匹配的方法可以分为三大类：有监督，半监督和无监督。基于监督的方法需要预定义正常行为和异常行为的模型，这些模型可以应用在事先已知异常行为的特定环境中。在仅使用正样本进行训练时，三类方法是相似的，很难在无法指定例外类型的实际复杂环境中有效工作。基于轨迹的方法，它分析了通过跟踪连续视频帧中特征点获得的轨迹，然后构建正常运动的模型，并最终检测出具有明显偏差的异常轨迹。在人群稀疏的情况下，基于轨迹的方法可以生成精确的轨迹。但是，在人群密集的情况下，基于轨迹的方法很难追踪物体。检测算法的最后一类是基于统计学习的方法，此类方法最明显的特点是依赖于从图像块或时空视频量中提取的低级特征，这些特征包括光流，直方图和纹理等。因为处理的数据较多，计算量大，运行速度等方面都有待提高。

在视频场景内，与异常行为检测紧密相关的是运动目标的检测。目前运动目标检测的方法主要有：帧间差分法，光流法，背景建模法。帧间差分法通过相邻视频帧的差值运算可以很快的获得运动目标而且不受光照条件的影响，但是帧间差分法无法获取完整的运动目标轮廓，且对小范围的运动检测效果差。光流法通过构建光流场可以在未知的场景中实现对运动物体的检测，但是光流法的计算量大，通常并不会被直接用于运动目标的检测。背景建模法是常用的运动目标检测方法，通过构建背景模型将背景去掉，保留运动目标。背景建模法的精度依赖于背景模型建立的过程，且容易受到光线的影响。另外，机器学习的方法，如卷积神经网络也可以用于目标检测。

本发明提出了一种基于计算机视觉的电梯轿厢内异常行为的检测方法。首先采用结合帧间差分法的ViBe算法和卷积神经网络YOLOv3对视频监控场景中的运动目标进行检测。通过结合帧间差分法的ViBe算法获取运动目标的外部轮廓，并在外部轮廓的基础上获得进入轿厢的乘客身体的高宽比信息；通过YOLOv3神经网络对电梯轿厢内的人体头部进行检测，并且获得人头目标的位置信息。根据YOLOv3神经网络检测到的人头数量，将电梯内的异常行为检测分为单人，两人及以上两种情景。在单人情景下，本发明利用乘客人体轮廓的高宽比的变化和乘客人头的垂直移动距离，实现对摔倒行为的检测。在两人及以上情景中，在结合帧间差分法的ViBe算法获得的目标轮廓的基础上，利用金字塔光流算法，计算乘客的平均动能，以实现对暴力侵害行为的检测。实验结果证明，本发明所提出的方法对摔倒行为检测，正确率为92.2％，对暴力侵害行为的检测，正确率为91.7％。

发明内容

1、本发明的目的

本发明为了解决电梯轿厢内乘客异常行为的自动检测问题，提出了一种基于计算机视觉的电梯轿厢内异常行为的检测方法。

2、本发明所采用的技术方案

本发明公开了一种基于计算机视觉的电梯轿厢内异常行为的检测方法，步骤如下：