论文部分内容阅读
摘要：电梯是相对密闭的空间，一旦发生异常行为，且施救不及时将会造成較为严重的恶性事件。而采用人员24小时监控，不仅会造成人力浪费，还不能避免由于工作人员的疏忽所产生的漏检情况。本文利用计算机视觉可以对电梯里的异常行为进行有效的智能化的检测，且给出了详细的检测流程。
关键词：计算机视觉；电梯轿厢；异常行为检测
引言：
随着互联网事业的发展，各种电梯轿厢恶性事件传遍各地，因此，人们对电梯内的安全问题也越来越关注。采用人力24小时监控，依旧不能确保能够及时的处理电梯异常事件，电梯安全依旧得不到保证。然而，采用信息化的处理方法却可以很好的解决这一问题，利用计算机视觉以及一定的信息手段可以实现电梯轿厢24h全方位的安全警卫。
一、电梯轿厢内人体前景提取
电梯中人口相对密集，环境相对复杂，想要以智能化的手段对电梯内的行为进行监控，首先要确定电梯内的人体位置，那么，就需要对电梯内的人体前景进行提取。这需要对收集到的数据进行一定的处理。
本文根据实际情况，经过系统的实验研究，认定减背景算法是一种相对有效的人体前景提取计算方法，（减背景法首先要取得一个估计的背景模型，然后对比背景模型和前帧，确定其相差的阈值大小，如果阈值大于固定值，那么则说明该图像是运动目标，反之则认定为背景图像。）
二、确定电梯轿厢内的人数
在完成了电梯轿厢内人体前景的提取工作之后，需要确定电梯内的具体人数，具体方法如下：
采用减背景的方法，完成人体前景采集工作。（2）表示人体连通区域，这需要采用连通区标识算法来进行。（3）通过像素点数量来确定区域内具体的人数。
三、提取电梯轿厢内人体的运动特征
检测电梯内的异常行为，首先要收集到电梯内人体的运动特征，出于实际应用方面的考虑，本文对单人处于轿厢内与多人同时处于轿厢内两种情况下的的运动特征信息采用不同的方法进行处理，当电梯内有多个人时，采用减背景法先提取出人体前景信息，然后观察人体前景信息中的三维变化，分别为：人体外界矩形中心点的移动、人体外接矩形的边缘变化以及人体前景的像素改变，由此采集出观察符号序列，再以隐马尔可夫模型进行运算。而当轿厢中只有一个人的时候，依然可以采取减背景的方法，提取人体前景，再以边缘轮廓提取法处理人体前景信息，最后使用Snake优化人体轮廓。
四、隐马尔模型在电梯轿厢人数确定的应用
为了更加高效的检测数据，本文对隐马尔模型进行一定的简化，采用从左至右两状态转移HMM模型。如果电梯轿厢内一切正常，人体的前景面积却有多变动，形成了全新的三维向量特征，那么，可以采用聚类算法建立正常情况下观察符号序列集。
运用HMM模型首先要设定好参数的初始值，这会直接影响到最终运算的结果，进行这步运算的目的是为了得到一个能够让P（O|λ）最大的λ数值，所以，为了让λ精准，需要输入准确的初始信息。但是初始化模型的建立一定会存在一定的误差，在通常情况下π的取值对于整体的运算影响不大，A的初始值误差也可以在一定程度上被忽略，但需要满足概率的要求。在整个计算中，B的初始值非常重要，是必须要准确输入的项，那么，将所有的项输入之后就会得到模型：λ=（A，B，π）。
参数的初始化一般依赖于分割观察序列为N个状态进行，这些状态下形成的观察符号很有价值，可以通过官产这些符号估计出概率分布的初值：B={bJ（i）}，状态转移概率分布A={aij}，以及初始装填概率分布初值π。
具体实例如下：
当观察序列为40，状态数为6，依据HMM结构，状态需要以同一方向转移初始装填分布概率首项针对的是1，余下的皆是0。关于A的初值的计算，应先观察序列分布，此时的分布状况应为为：7，7，7，7，6，6。接下来，参考前八个符号，会有两个状态，除最后一个以外的7个项为第一个，记作状态1，而第八个单独为一个，记作状态2。由此可得：HMM状态的转出概率为1/8，自转状态数概率为7/8，再按照模型进行计算，就能得到A的值，经过观察可得B的初值，具体算法如下：
Bj（i）=第j个状态分割对应观察符号为1的数目/第j个状态分割对应观察符号数
将这一组观察符号序列带入到正常的隐马尔可夫模型中，就可以判断出是否是非正常行为。
五、Snake算法
Snake模型计算结果受到外力和内力两方面的影响，运用Snake模型算法，应先定义一个能量函数，并且找到这和函数的最小数值，这样，通过函数的变化，就可以确定人像边缘了。
用Etotal来表示目标轮廓，可变曲线为：v（s）=（x（s），y（s）），在这里s是归一化的曲线长度，具体表示为s=[0，1]，那么，函数的表达式如下：
Etotal（v）=?[Eint（v（s））+Eext（v（s））ds
电梯内异常行为检测流程：
检测电梯轿厢内的异常行为，需要利用上述技术对轿厢内的情况作出具体的分析，具体的检测流程图如下：
经检测，本流程能够顺利的检测出电梯轿厢内的异常事件，本方案有效。
结束语：
当电梯内只有一人时，确定其轮廓一直未发生改变，可能是因为此人突发了疾病晕倒了，而当确定电梯内有多人时，电梯里的人发生过多的接触，并且伴随强烈的变化，则说明电梯内出现了打斗等事件，出现这两种现象，系统都会发出警报。经验证，本方案有效，可在实际中应用。
参考文献：
[1]陆海峰. 基于计算机视觉的电梯轿厢内异常行为检测[D]. 浙江工业大学，2009.
[2]汤一平，陆海峰，王晓军. 基于计算机视觉的电梯轿厢内暴力行为智能检测装置：，CN101557506[P]. 2009.
[3]应俊. 基于计算机视觉的电梯轿厢内人数统计研究[D]. 杭州电子科技大学，2013.
关键词：计算机视觉；电梯轿厢；异常行为检测
引言：
随着互联网事业的发展，各种电梯轿厢恶性事件传遍各地，因此，人们对电梯内的安全问题也越来越关注。采用人力24小时监控，依旧不能确保能够及时的处理电梯异常事件，电梯安全依旧得不到保证。然而，采用信息化的处理方法却可以很好的解决这一问题，利用计算机视觉以及一定的信息手段可以实现电梯轿厢24h全方位的安全警卫。
一、电梯轿厢内人体前景提取
电梯中人口相对密集，环境相对复杂，想要以智能化的手段对电梯内的行为进行监控，首先要确定电梯内的人体位置，那么，就需要对电梯内的人体前景进行提取。这需要对收集到的数据进行一定的处理。
本文根据实际情况，经过系统的实验研究，认定减背景算法是一种相对有效的人体前景提取计算方法，（减背景法首先要取得一个估计的背景模型，然后对比背景模型和前帧，确定其相差的阈值大小，如果阈值大于固定值，那么则说明该图像是运动目标，反之则认定为背景图像。）
二、确定电梯轿厢内的人数
在完成了电梯轿厢内人体前景的提取工作之后，需要确定电梯内的具体人数，具体方法如下：
采用减背景的方法，完成人体前景采集工作。（2）表示人体连通区域，这需要采用连通区标识算法来进行。（3）通过像素点数量来确定区域内具体的人数。
三、提取电梯轿厢内人体的运动特征
检测电梯内的异常行为，首先要收集到电梯内人体的运动特征，出于实际应用方面的考虑，本文对单人处于轿厢内与多人同时处于轿厢内两种情况下的的运动特征信息采用不同的方法进行处理，当电梯内有多个人时，采用减背景法先提取出人体前景信息，然后观察人体前景信息中的三维变化，分别为：人体外界矩形中心点的移动、人体外接矩形的边缘变化以及人体前景的像素改变，由此采集出观察符号序列，再以隐马尔可夫模型进行运算。而当轿厢中只有一个人的时候，依然可以采取减背景的方法，提取人体前景，再以边缘轮廓提取法处理人体前景信息，最后使用Snake优化人体轮廓。
四、隐马尔模型在电梯轿厢人数确定的应用
为了更加高效的检测数据，本文对隐马尔模型进行一定的简化，采用从左至右两状态转移HMM模型。如果电梯轿厢内一切正常，人体的前景面积却有多变动，形成了全新的三维向量特征，那么，可以采用聚类算法建立正常情况下观察符号序列集。
运用HMM模型首先要设定好参数的初始值，这会直接影响到最终运算的结果，进行这步运算的目的是为了得到一个能够让P（O|λ）最大的λ数值，所以，为了让λ精准，需要输入准确的初始信息。但是初始化模型的建立一定会存在一定的误差，在通常情况下π的取值对于整体的运算影响不大，A的初始值误差也可以在一定程度上被忽略，但需要满足概率的要求。在整个计算中，B的初始值非常重要，是必须要准确输入的项，那么，将所有的项输入之后就会得到模型：λ=（A，B，π）。
参数的初始化一般依赖于分割观察序列为N个状态进行，这些状态下形成的观察符号很有价值，可以通过官产这些符号估计出概率分布的初值：B={bJ（i）}，状态转移概率分布A={aij}，以及初始装填概率分布初值π。
具体实例如下：
当观察序列为40，状态数为6，依据HMM结构，状态需要以同一方向转移初始装填分布概率首项针对的是1，余下的皆是0。关于A的初值的计算，应先观察序列分布，此时的分布状况应为为：7，7，7，7，6，6。接下来，参考前八个符号，会有两个状态，除最后一个以外的7个项为第一个，记作状态1，而第八个单独为一个，记作状态2。由此可得：HMM状态的转出概率为1/8，自转状态数概率为7/8，再按照模型进行计算，就能得到A的值，经过观察可得B的初值，具体算法如下：
Bj（i）=第j个状态分割对应观察符号为1的数目/第j个状态分割对应观察符号数
将这一组观察符号序列带入到正常的隐马尔可夫模型中，就可以判断出是否是非正常行为。
五、Snake算法
Snake模型计算结果受到外力和内力两方面的影响，运用Snake模型算法，应先定义一个能量函数，并且找到这和函数的最小数值，这样，通过函数的变化，就可以确定人像边缘了。
用Etotal来表示目标轮廓，可变曲线为：v（s）=（x（s），y（s）），在这里s是归一化的曲线长度，具体表示为s=[0，1]，那么，函数的表达式如下：
Etotal（v）=?[Eint（v（s））+Eext（v（s））ds
电梯内异常行为检测流程：
检测电梯轿厢内的异常行为，需要利用上述技术对轿厢内的情况作出具体的分析，具体的检测流程图如下：
经检测，本流程能够顺利的检测出电梯轿厢内的异常事件，本方案有效。
结束语：
当电梯内只有一人时，确定其轮廓一直未发生改变，可能是因为此人突发了疾病晕倒了，而当确定电梯内有多人时，电梯里的人发生过多的接触，并且伴随强烈的变化，则说明电梯内出现了打斗等事件，出现这两种现象，系统都会发出警报。经验证，本方案有效，可在实际中应用。
参考文献：
[1]陆海峰. 基于计算机视觉的电梯轿厢内异常行为检测[D]. 浙江工业大学，2009.
[2]汤一平，陆海峰，王晓军. 基于计算机视觉的电梯轿厢内暴力行为智能检测装置：，CN101557506[P]. 2009.
[3]应俊. 基于计算机视觉的电梯轿厢内人数统计研究[D]. 杭州电子科技大学，2013.