电梯轿厢人员检测方法综述

宋文迪

（北方民族大学 计算机科学与工程学院，宁夏 银川 750000）

随着现代化进程的发展，高层的楼房日益增多，电梯的运用也越来越广泛。将人工智能相关技术运用在电梯中，是推动城市现代化建设的重要一环。计算机视觉作为人工智能的基础之一，研究目标是使计算机具有对图像的认知能力。计算机视觉是通过对图片或视频进行处理，以得到人们需要的特征或者信息。

电梯作为人们日常生活经常使用的运输设备，随着电梯的普及程度以及使用频率的增加，出现运行故障的次数也随之增加，容易引起一系列的安全事故。因此，降低运行故障带来的危害，提高电梯故障的应急处置能力刻不容缓。部分小区或建筑人流量过大，需要大量电梯同时工作运行。结合电梯工作特性，如果能够实时的对电梯轿厢内进行人员检测，就能够有效的在发生断电等危险情况时，根据各个电梯有人无人状态，电梯轿厢内人数，调整救援顺序，避免电梯内无人而导致的无效救援。

1 国内外现状

目前电梯中主要应用红外探测技术识别有人无人状态。在红外线探测器中，热电元件通过判断是否有人体移动来释放电压信号，之后通过分析电压信号的波形来识别。该方法能够有效的排除诸如爆米花噪声一类的噪声影响，但对于其他波形较大的噪声信号效果就会受到影响[1]。

但是电梯如果长时间持续运行，会产生大量噪声信号，而导致传感器误判，在试点运行中，电梯黑匣子易受噪音干扰。这就需要一种可靠性高，不易受环境影响的人员检测技术。

目前应用在电梯上的人员检测方法较少，大多应用在施工升降机。传统的人员检测方法有人工识别以及电子设备计数，随着计算机视觉的发展，不少基于计算机视觉的方法被用于电梯轿厢的人员检测中。基于头部特征的算法也被应用于电梯和升降机人员检测上，但大多方法对摄像头位置要求较为固定，头部如有遮挡物也会大幅度降低识别精度[4]。Dalal 和Triggs 在2005 年提出HOG 的概念[5]，HOG 描述行人特征效果较好，被大量应用于人员检测中。文献[6]首次提出了小边(Edglet)的概念。也有一些文献将运动特征加入到行人检测中，然后与图像的静态特征相结合用于检测行人，这种方法对于运动中的行人有较好的检测效果，但是针对电梯轿厢中静止不动的人员就不太适用。

2 基于传统特征提取算法的人员检测技术

目前国内外基于特征提取算法的人员检测主要分为三类，分别为基于特征、基于区域和基于模板匹配的人员检测。

基于特征的人员检测算法是先提取目标的有效特征，然后根据提取的特征检索图片，与图像信息中目标进行匹配，从而实现目标检测，所以提取目标特征是关键，一个好的目标特征可以有效提高检测效率，减少算法的误判率，提高识别精度。基于特征的人员检测算法一般将目标的某个或某部分或多个特征作为提取目标，这样的好处在于，假如识别目标被遮挡或者有重叠部分，只要还有部分特征可以被提取出来，就仍可以完成目标的识别。这种算法的难点怎么用同一特征集合表示检测物体的不同状态。如果使用较多的特征集合表示，系统的错误率将增加，并且算法计算量也将增加。

基于区域的人数识别算法一般通过分割区域确定一个略大于目标的矩形或其他不规则形状模板，分割方法有人为分割和图像分割，最后对模板区域内通过纹理、形状等特征或者彩色图像的颜色信息对目标进行检测。这些传统算法中依照肤色区域、几何区域或者角点信息的方式进行人员检测识别具有很好的参考价值，但都易受环境影响，比如与肤色差别较小的环境色彩，或者背景中有与提取的几何信息类似或相同的形状物体。

基于模板匹配的人员检测采用通过模板匹配来识别跟踪的方法。与几何特征匹配相类似，模板匹配是通过预设特定的形状模板信息，与待处理的图像进行匹配比较，通过匹配相似度进行识别检测的算法。

3 基于深度学习的人员检测技术

深度学习算法作为一种机器学习，在处理复杂模式识别问题上有着显著的效果，通过对视频图像信息进行处理，达到人们想要的效果。深度学习在许多目标识别领域已经取得了不错的成果。20 世纪80 年代，Geoffrey Hinton 等人首次提出了深度学习的概念，深度学习是通过多层的神经网络模拟人脑的学习过程，每层神经网络都通过多个神经元对输入数据学习以最终提取更加抽象准确的特征数据，并把输入以特征数据来表示[7]。大量学者开始研究深度学习并大规模在各个方向进行应用，数字图像处理领域的图像分类、目标检测、目标定位和语义分割等都开始使用卷积神经网络，并且有效地提升了识别效果；语音识别和自然语言处理领域也都通过深度学习算法得到了飞快的发展。

4 研究展望

深度学习在人员检测方面精度很高，但是深度学习需要大量的数据样本进行训练，而且样本训练对配置要求也特别高，训练时间也比较长，需要投入大量成本。在运行时其强大算力开发板不能提供，而云计算通讯费用成本太高，如果投入一个好的单片机，对企业来说与现有设备相比，成本也很增加很多。所以这就需要传统算法与电梯轿厢实际环境相结合，研究出一种实时性好、精度高、稳定性好、占用低的人员检测方法。