發(fā)布時間：2021-11-13 20:34

　　我國城鎮(zhèn)化進程加快,電梯在高樓中被越來越多的使用,給人們生活帶來方便的同時也存在一些安全隱患。因為電梯轎廂的內部是一個狹小、密閉的空間,不法分子很容易利用它實施犯罪;身體虛弱的老人突發(fā)疾病摔倒在電梯里也會有生命危險。所以針對電梯轎廂內頻繁出現(xiàn)的跌倒,蹲伏,打斗,侵犯等異常行為,實現(xiàn)一個智能檢測系統(tǒng)是十分必要的,當檢測到乘客發(fā)現(xiàn)異常行為時,系統(tǒng)可以及時的發(fā)出警報,防患于未然。本文對電梯轎廂內的人數(shù)統(tǒng)計算法以及異常行為識別算法進行深入的研究,建立一個實時性、魯棒性和準確性更高的異常行為識別系統(tǒng)。本文的主要工作如下:（1）提出一種基于卷積神經(jīng)網(wǎng)絡與嶺回歸結合的人數(shù)統(tǒng)計模型對電梯轎廂內的人數(shù)進行統(tǒng)計。首先根據(jù)自身數(shù)據(jù)集的特點對原模型進行了改進,然后再利用改進的螢火蟲算法去優(yōu)化嶺參數(shù),使模型的預測性能得到進一步提升,最后對比其他算法進行人數(shù)預測,并對結果進行分析。（2）在統(tǒng)計出電梯轎廂內人數(shù)的基礎上,對人員的異常行為進行識別。使用三維卷積神經(jīng)網(wǎng)絡來識別單人情況下的異常行為,改變其在時間和空間維度上卷積過濾器和池化過濾器的大小,對網(wǎng)絡的學習率批值等參數(shù)進行合理的選取和優(yōu)化;再使用雙流卷積神經(jīng)網(wǎng)絡來... 

【文章來源】：中國礦業(yè)大學江蘇省 211工程院校 教育部直屬院校

【文章頁數(shù)】：72 頁

【學位級別】：碩士

【部分圖文】：

我國電梯保有量Figure1-1China’selevatorownership電梯很好的解決了上下樓的問題，給人們生活帶來了便捷，但是也存在一些

工程碩士專業(yè)學位論文82相關理論技術2RelatedTheoryandTechnology2.1人數(shù)統(tǒng)計的相關技術概述(TechnicalOverviewofPeopleCounting)在電梯轎廂內對于人數(shù)的統(tǒng)計主要有三種方式[45]，基于計算機視覺的人數(shù)統(tǒng)計方法、基于機器學習的人數(shù)統(tǒng)計、基于深度學習的統(tǒng)計方法。本章節(jié)將對這三種方式的過程和原理依次進行介紹。2.1.1基于計算機視覺的人數(shù)統(tǒng)計技術基于視覺的電梯轎廂內人數(shù)統(tǒng)計方式有很多，因其成本比較低，安裝也比較簡單方便，所以被廣泛使用。但是它也會受到很多方面的限制，比如電梯轎廂內光線的強弱以及人與人之間的相互遮掩，都會對攝像頭拍攝出來的視頻有一定的影響�；谟嬎銠C視覺的人數(shù)統(tǒng)計方式分為三類，第一類是基于頭部特征的方法、第二類是基于運動分析的方法、最后一類是基于前景連通域像素的方法�；陬^部的特征識別是根據(jù)人頭的形狀等信息來獲取目標行蹤，使用人頭檢測這種方式很普遍，主要原因是人體頭部的特征比較簡單而且也比較容易提取，其次人體頭部放在人群當中變化也不是很大，所以大多數(shù)情況下都是通過對人體頭部的檢測來達到對行人的跟蹤和識別�；陬^部的檢測方法有以下幾個步驟來實現(xiàn)。首先使用幀間灰度方法使得頭部的特征信息被完好的保留下來，減少其他因素的干擾，然后為了方便以后特征的提取，對二值化后的黑白圖像進行濾波，使得輪廓清晰，再進行細化操作使圖像中的人體輪廓能夠被完整的提取出來，采用Hough[46]變換對人體頭部邊緣的輪廓檢測，最后就能夠得到被檢測的人數(shù)。具體流程圖如下圖2-1所示：圖2-1基于人頭特征的人數(shù)檢測Figure2-1Numberdetectionbasedonheadcharacteristics

2相關理論技術9基于頭部的檢測也有很多的缺陷，它的檢測結果很大程度上受到物體形狀的影響。如果遇到類似圓形的物體，很有可能發(fā)生錯誤的檢測，對整個的識別準確率影響較大。對于人頭檢測的方法現(xiàn)階段來說已經(jīng)飽和，雖然很多專家在頭部檢測算法上進行了深入的研究，希望通過對算法的改進來提高準確率，但是還是因為人體頭部特征區(qū)分度不高，很有可能會出現(xiàn)和上面類似的錯誤檢查情況，從而影響到識別的準確率�；谶\動分析的的方法可以提高算法的效果，它主要是通過發(fā)現(xiàn)圖像中的運動區(qū)域，然后再使用相應的算法對其進行檢測。這種檢測方式的主要思想是從圖像中提取出需要檢測的人體輪廓，再根據(jù)得到的輪廓大小來檢測人數(shù)的數(shù)量。這種方式適用于單人檢測，而對于多人情況下就有所不同，首先需要對圖像分割，才能進行目標的檢測，然后判斷他們所處的位置是位于電梯內還是電梯外，最后才能去統(tǒng)計出電梯轎廂內的人數(shù)。流程圖如下圖2-2所示：圖2-2運動分析的人數(shù)檢測流程圖Figure2-2Flowchartofnumberdetectionbasedonmotionanalysis這種方法優(yōu)點和缺點并存，首先他不受頭發(fā)、顏色、光照以及遮蓋物的影響，但是人數(shù)多少對它的識別的準確率影響較大，人少時可以有效地識別出電梯轎廂內的人數(shù)，如果在電梯轎廂內出現(xiàn)的人數(shù)較多時，就很難作出分離，對最終識別出的結果與真實在電梯轎廂內的人數(shù)差別較大�；谇熬斑B通區(qū)域像素統(tǒng)計人數(shù)的檢測方法[47]，首先需要去統(tǒng)計分析在視頻中不同人數(shù)情況下的前景連通區(qū)域的像素數(shù)，這是比較重要的一個步驟，接下來再去統(tǒng)計各個連通區(qū)域所占的前景像素數(shù)，然后將該區(qū)域的人數(shù)進行統(tǒng)計出來。具體流程圖如下圖2-3所示。

【參考文獻】：
期刊論文
[1]智能視頻監(jiān)控系統(tǒng)設計[J]. 鄭定超,陳彩微.  自動化技術與應用. 2020(03)
[2]安防領域中智能視頻監(jiān)控技術的應用探討[J]. 唐吉雄.  通訊世界. 2019(07)
[3]基于深度學習的人體行為識別研究[J]. 遲元峰,顧敏.  工業(yè)控制計算機. 2017(01)
[4]基于BP神經(jīng)網(wǎng)絡的人體行為識別方法研究與實現(xiàn)[J]. 吳婷,周宇.  教育教學論壇. 2016(51)
[5]基于三維時空直方圖特征的人體行為識別[J]. 曹林,朱國剛.  計算機工程與設計. 2016(04)
[6]基于DTW約束的動作行為識別[J]. 李海濤.  計算機仿真. 2014(11)
[7]深度學習研究進展[J]. 劉建偉,劉媛,羅雄麟.  計算機應用研究. 2014(07)
[8]基于隨機Hough變換的人頭檢測[J]. 徐培智,徐貴力,黃鑫.  計算機工程. 2012(01)
[9]競選算法的參數(shù)設計與性能研究[J]. 賀春華,張湘?zhèn)?呂文閣.  計算機工程. 2010(06)
[10]視頻監(jiān)控技術發(fā)展綜述[J]. 駱云志,劉治紅.  兵工自動化. 2009(01)

碩士論文
[1]基于機器學習的行人姿態(tài)估計及識別的算法研究[D]. 鄭勝昌.山東大學 2019
[2]基于Kinect的礦井人員違規(guī)行為識別研究[D]. 黃程龍.中國礦業(yè)大學 2019
[3]基于Kinect的罐籠內礦工不安全行為識別方法研究[D]. 楊賽烽.中國礦業(yè)大學 2019
[4]基于卷積神經(jīng)網(wǎng)絡的電梯轎廂內人數(shù)統(tǒng)計研究[D]. 劉堯.西南科技大學 2018
[5]基于Kinect的多通道特征聯(lián)合的人體行為識別[D]. 李冬青.大連海事大學 2018
[6]基于Kinect的跌倒檢測報警監(jiān)護系統(tǒng)[D]. 張金富.黑龍江大學 2016
[7]基于多模特征融合的人體跌倒檢測算法研究[D]. 薛冰霞.山東大學 2015
[8]基于圖像處理與神經(jīng)網(wǎng)絡進行人數(shù)統(tǒng)計的研究與實現(xiàn)[D]. 左丞.電子科技大學 2013



本文編號：3493677