張 媛,李 巖,安婷婷,華志超,臧 坤,李雙全
(1.江蘇省特種設備安全監(jiān)督檢驗研究院無錫分院,江蘇 無錫 214174)(2.東南大學自動化學院,江蘇 南京 210096)
資料顯示,居民小區(qū)中電梯安全事故頻繁發(fā)生,且由電梯門引起的安全事故占有較大的比重[1]。電梯門引起的故障主要包括電梯門開關異常以及電梯門開關不夠標準等[2]。與電梯門有關的故障會提前體現(xiàn)在電梯門的運動軌跡上[3]。使用計算視覺技術對電梯門的運動軌跡進行識別能夠及時發(fā)現(xiàn)電梯門系統(tǒng)的異常。
針對電梯門運動軌跡識別的課題,文獻[4]提出了背景差分法,其基本思想是首先得到背景模型,然后把當前采集到的圖像與背景模型進行差分來識別電梯門邊緣,缺點是該算法受外界的光線、噪聲等影響較大;文獻[5]提出了幀間差分法,其基本思想是通過對視頻流中相鄰或相近的兩幅圖像進行差分來獲取運動物體的輪廓,進而識別出電梯門的邊框。該算法運算量小、速度快,缺點是準確度不高。文獻[6]提出了光流法,通過計算速度矢量來判別圖像的前景與背景,在背景變化的場合適用性較強,缺點是計算量較大,很難達到電梯門運動軌跡實時檢測的要求。文獻[7]~[9]提出的Mean-shift算法基于特征概率密度,以前一幀圖像中目標的位置為起點進行搜索,獲取到的特征概率密度最大的搜索框即為識別到的目標。該算法的缺點是過分依賴前幀數(shù)據(jù)的信息,當出現(xiàn)前幀數(shù)據(jù)丟失時會造成較大的識別誤差。以上算法對電梯門運動軌跡的識別效果均不夠理想。
本文以邊緣檢測和閾值分割的思想為基礎,提出了一種精度較高的電梯門運動軌跡識別算法,并對電梯門的運動軌跡進行預測,依據(jù)預測軌跡構建類高斯加權模型對原算法進行改進,使算法具有較強的魯棒性。
邊緣是圖像中亮度發(fā)生突變的像素點的集合,它是圖像的最基本特征之一[10]。針對電梯門的運動軌跡,可以使用簡單的水平梯度來檢測電梯門邊框的效果。本文定義圖像I在第x列的水平梯度為D(I,x):
(1)
式中:H為圖像高度。
水平梯度均值越大的地方存在電梯門邊緣的可能性越大,該方法對線狀噪聲干擾比較敏感,對于均勻的面狀噪聲抗干擾能力較強。 閾值分割方法的基本思想是確定一個或多個閾值,然后把像素劃分為兩類或多類。閾值分割結(jié)果的好壞主要依賴于分割閾值的選擇是否合適[11]。針對左右兩邊門運動軌跡分析,根據(jù)最大類間方差法閾值分割的原理,對于一個高H、寬W的圖像I,當用水平位置為x的豎線將其分為左右兩類時,本文定義其類間方差函數(shù)為V(I,x,y):
V(I,x,y)=A+B+C
(2)
式中:
使得V(I,x,y)取得最大值的x,y值即為電梯門邊緣的位置。研究表明,基于閾值分割的電梯門識別算法對線性噪聲的抗干擾能力較強,但是對面狀噪聲比較敏感。
鑒于邊緣檢測和閾值分割兩種算法具有不同的優(yōu)勢,本文將二者進行結(jié)合。針對一維的類間方差函數(shù)V(I,x)與一維的水平梯度函數(shù)D(I,x),本文假定兩種算法所占權重相同,將類間方差函數(shù)V(I,x)除以其最大值得到百分化的類間方差函數(shù)V%(I,x),同理得到百分化的水平梯度函數(shù)D%(I,x):
(3)
(4)
對于二維的類間方差函數(shù)V(I,x,y)和一維的水平梯度函數(shù)D(I,x),將V(I,x,y)百分化得V%(I,x,y),表示左右電梯門邊緣分別在x和y位置的可能性。
V%(I,x,y)=
(5)
類間方差函數(shù)和水平梯度函數(shù)二者取均值,得綜合性描述電梯門邊緣存在可能性的函數(shù)為:
(6)
對電梯門運動軌跡識別有嚴重影響的干擾有3類:線狀噪聲、面狀噪聲、運動噪聲[12]。線狀噪聲為具有明顯豎直邊緣的噪聲;面狀噪聲為圖像中區(qū)域性干擾物;運動噪聲為圖像中其他的運動物體。本文構建電梯門的運動模型對其運動軌跡進行預測,然后以預測位置為中心對下一幀圖像中的電梯門邊緣進行識別,能夠有效地提高算法識別的準確度和魯棒性。采用局部窗口多項式擬合模型對電梯門運動軌跡進行預測:
x(k)=f[p,x(k-1),x(k-2),…,x(k-q)]
(7)
式中:離散序列x(1),x(2),…,x(k-1),x(k)為電梯門邊緣在每一幀視頻中的位置;p為待擬合的多項式的階數(shù);q為選取的用來擬合的數(shù)據(jù)窗口長度;f為計算下一序列的值的方法。依據(jù)p是否為1可將該模型分為線性模型和非線性模型,根據(jù)q是否是固定長度可將模型分為固定窗口模型和變窗口模型。
當運動預測模型為p階q幀窗口預測模型時,運動軌跡模型如下:
Fp(x)=a0+a1x+a2x2+…+apxp
(8)
電梯門在q幀視頻的位置可以得到q組待擬合數(shù)據(jù)(xi,yi),i=1,2,…,q。多項式系數(shù)a0,a1,…,ap使
(9)
取得極小值,因此有方程組:
(10)
整理可得:
(11)
式中:xi為視頻幀數(shù);yi為第i幀電梯門的位移。當q>p時,可根據(jù)高斯消元法求得運動軌跡模型的系數(shù),從而預測出第(q+1)幀時電梯門的位移,即Fp(q+1)。
電梯門運動軌跡預測模型建立后,為了使用運動軌跡預測模型對電梯門邊緣識別結(jié)果進行矯正,本文借鑒高斯函數(shù)提出一種類高斯加權函數(shù)來描述識別結(jié)果的置信度,公式如下:
(12)
式中:μ為預測得到的電梯門邊緣的位置;σ為視具體應用環(huán)境而定的模型因子。在x=μ處峰值恒定為1,表示置信度最高。x越遠離μ,置信度越低。因此,算法識別結(jié)果越靠近預測位置其結(jié)果置信度越高。使用類高斯加權模型對電梯門運動軌跡矯正,其一維描述和二維描述分別如下:
G(I,x)=W(x,μ,σ)F(I,x)=
(13)
G(I,x,y)=W(x,y,μ,σ)F(I,x,y)=
(14)
式中:μ,v分別為預測得到的電梯門左右邊緣的位置。
首先,對電梯監(jiān)控視頻信號進行灰度化處理后,采集電梯門邊緣局部圖像。雙邊門邊緣如圖1所示。
圖1 電梯門局部圖像截取
基于水平梯度的邊緣檢測算法,雙邊門局部圖像的D(I,x)-x列平均梯度值分布及識別效果如圖2所示,其中兩個峰值即為雙邊電梯門邊框的識別結(jié)果。
將基于水平梯度的邊緣檢測算法應用于電梯開關門的完整視頻中,運動軌跡識別效果如圖3所示。可以看出電梯門運動軌跡識別結(jié)果抖動較大,容易受到外界線性噪聲的影響。
圖2 邊緣檢測算法的電梯門識別效果圖
圖3 基于水平梯度的邊緣檢測算法運動軌跡識別圖
基于閾值分割的電梯門運動軌跡識別算法, 其V(I,x,y)-(x,y)類間方差值與左右兩條分割線位置的關系及識別效果如圖4所示,其中圖4(a)橫縱坐標值(x,y)即為識別出的電梯門邊緣的位置。
將基于閾值分割的電梯門運動軌跡識別算法應用到電梯連續(xù)的開關門視頻中,識別效果如圖5所示。
由圖可知,圖中A處右門最終位移與圖3稍有偏差,分析原因發(fā)現(xiàn)是受到相近灰度背景干擾導致的誤識別造成(如圖6所示)。可見該算法對灰度與電梯門相近的面狀噪聲的抗干擾能力較弱。圖中以B處為代表的線性噪聲波動較小,可知基于閾值分割的電梯運動軌跡識別算法對線性噪聲的抗干擾能力較強。
圖4 閾值分割算法的電梯門識別效果圖
圖5 基于閾值分割的電梯門運動軌跡識別算法效果圖
圖6 閾值分割識別算法的誤識別
針對雙邊電梯門運動軌跡識別的二維疊加算法,F(xiàn)(I,x,y)-(x,y)關系如圖7所示,與圖4相比可以發(fā)現(xiàn)峰值更加明顯,橫縱坐標即識別到的雙邊電梯門邊框。識別效果如圖8所示。
圖7 二維疊加F(I,x,y)-(x,y)圖像
圖8 F(I,x,y)函數(shù)識別兩條邊緣結(jié)果
將基于邊緣檢測與閾值分割的二維疊加算法應用于電梯開關門視頻中,其運動軌跡識別效果如圖9所示。可以看出,該算法既沒有出現(xiàn)圖5中誤識別的情況,識別效果也較圖3更穩(wěn)定。但邊緣門識別仍然受到噪聲的干擾,算法的魯棒性有待加強。
圖9 基于二維疊加算法的電梯門運動軌跡識別效果圖
將以預測位置為中心進行類高斯加權的閾值分割與邊緣檢測混合算法應用于完整視頻檢測中,得到了良好的效果,圖10展示了在預測模型中使用不同擬合階數(shù)和窗口長度的電梯門運動軌跡識別結(jié)果,可看出該算法很好地克服了線性干擾和面性干擾,識別結(jié)果穩(wěn)定且準確。
圖10 應用不同參數(shù)預測模型的電梯門運動軌跡識別結(jié)果
鑒于電梯的使用環(huán)境,運動的乘客會對電梯門邊緣的識別產(chǎn)生干擾(如圖11所示)。因此使用類高斯加權函數(shù)(如圖12所示)對原始列灰度統(tǒng)計(如圖13所示)進行加權,得到圖14,可見該算法能夠顯著地弱化運動噪聲的干擾,具有較高的魯棒性。
圖11 包含運動噪聲的幀間差分圖
圖12 原始列灰度統(tǒng)計圖
圖13 二維類高斯加權函數(shù)
圖14 加權后列灰度統(tǒng)計圖
本文將邊緣檢測、閾值分割和運動軌跡預測的思想相結(jié)合,提出了一種實用性較高的電梯門運動軌跡識別算法,該算法能夠有效地排除線性噪聲、面狀噪聲和運動噪聲的干擾,實現(xiàn)對電梯門運動軌跡準確且穩(wěn)定的識別,充分的實驗測試表明該算法具有良好的魯棒性。該算法能夠應用到電梯開關門標準度識別、開關門防夾、電梯層門異常打開識別等實際應用中。
[1] 陳真粱. 淺談電梯門系統(tǒng)事故及預防[J]. 中國新技術新產(chǎn)品, 2017(4):137,26.
[2] 萬林. 電梯設備安全性評估的研究[D]. 南京:東南大學, 2016.
[3] 杜碧華, 張思宇, 楊順坤,等. 基于故障樹分析電梯門系統(tǒng)故障[J]. 設備管理與維修, 2015(3):27-28.
[4] QU Z, WEN L, TIAN N. A new video objects segmentation algorithm based on fusion of image segmentation and improved background difference[C]// Conference Anthology, IEEE. [S.l.]:IEEE, 2014:1-5.
[5] 薛麗霞, 羅艷麗, 王佐成. 基于幀間差分的自適應運動目標檢測方法[J]. 計算機應用研究, 2011, 28(4):1551-1552.
[6] 肖軍, 朱世鵬, 黃杭,等. 基于光流法的運動目標檢測與跟蹤算法[J]. 東北大學學報(自然科學版), 2016, 37(6):770-774.
[7] 李培華. 一種新穎的基于顏色信息的粒子濾波器跟蹤算法[J]. 計算機學報, 2009, 32(12):2454-2463.
[8] 劉惟錦, 章毓晉. 基于Kalman濾波和邊緣直方圖的實時目標跟蹤[J]. 清華大學學報(自然科學版), 2008, 48(7):1104-1107.
[9] ZHENG Y F, MA X R, ZHAO X L, et al. Mean shift target tracking algorithm based on color and edge features[J]. Journal of Optoelectronics Laser, 2011, 22(8):1231-1235.
[10] 張闖, 王婷婷, 孫冬嬌,等. 基于歐氏距離圖的圖像邊緣檢測[J]. 中國圖象圖形學報, 2013, 18(2):176-183.
[11] 李玉峰, 李廣澤, 龍科慧. 基于自適應邊緣閾值及方向加權的空間錯誤隱藏算法[J]. 光學精密工程, 2016, 24(3):626-634.
[12] 劉少華, 張茂軍, 熊志輝,等. 一種魯棒高效的視頻運動目標檢測與跟蹤算法[J]. 自動化學報, 2009, 35(8):1055-1062.