基于視頻數(shù)據(jù)的電梯門防夾檢測算法研究

(北京市豐臺區(qū)特種設(shè)備檢測所，北京 100161)

0 引言

電梯的門系統(tǒng)是乘客出入電梯轎廂的途徑，電梯門系統(tǒng)的防夾安全保護(hù)非常重要，如果發(fā)生誤夾，將直接威脅乘客的人身安全。據(jù)統(tǒng)計，在電梯事故中，發(fā)生在門系統(tǒng)的誤夾事故所占比重最大，發(fā)生也最為頻繁。作為日常場景中使用的電梯的一項重要安全性保護(hù)措施，電梯門防夾保護(hù)成為電梯行業(yè)重點研發(fā)的關(guān)鍵技術(shù)之一，是電梯企業(yè)間進(jìn)行產(chǎn)品競爭的重點[1]。此外，隨著我國經(jīng)濟(jì)的快速發(fā)展，在國際社會的影響力不斷增加，國家重大活動、會議頻繁舉辦。對于涉會場所電梯的安全保障工作，已經(jīng)成為安全工作中的重要一環(huán)。一旦出現(xiàn)誤夾等安全問題，將會造成嚴(yán)重的不良影響。針對涉會場所的電梯，如何豐富技術(shù)手段，以提高電梯門防夾保護(hù)能力，成為特種設(shè)備監(jiān)督和檢驗機(jī)構(gòu)面臨的重要課題。因此，本文提出的電梯門防夾保護(hù)方法具有很強(qiáng)的現(xiàn)實意義和實際應(yīng)用價值。

目前常用的防夾保護(hù)裝置有機(jī)械式安全觸板、光束防夾設(shè)備和光幕防夾設(shè)備等[2]。雖然這些裝置都起到了較好的保護(hù)作用，但是在使用過程中尚存在著一些問題。采用機(jī)械式安全觸板時，只有電梯門夾到東西以后才會回縮，容易使人或物體被轎廂門夾傷。光束防夾和光幕防夾是當(dāng)有人或物體進(jìn)出時，裝置會自動感應(yīng)并停止關(guān)閉電梯門。此時，電梯門不再需要碰到人的身體或物體就能回縮。光束保護(hù)和光幕保護(hù)的缺點是保護(hù)范圍相對較小，存在盲區(qū)，并且自身容易損壞[3]。隨著機(jī)器視覺技術(shù)在生產(chǎn)和生活中各個領(lǐng)域的深入應(yīng)用，國內(nèi)外電梯公司和科研機(jī)構(gòu)開始嘗試將其應(yīng)用于電梯門防夾保護(hù)。但電梯門區(qū)附近較為復(fù)雜的環(huán)境情況導(dǎo)致檢測目標(biāo)時受到的干擾較大，檢測效果并不理想。

本文針對門區(qū)較為復(fù)雜的情況，提出了一種基于視頻數(shù)據(jù)的門區(qū)內(nèi)物體檢測方法。首先改進(jìn)了雙邊濾波方法以更好地消除了圖像噪聲對目標(biāo)準(zhǔn)確分割的影響。然后，差分當(dāng)前視頻幀與背景圖像，并采用極大熵粒子群法將差分圖像進(jìn)行二值化。接著，通過形態(tài)學(xué)濾波從二值圖像中檢測出轎廂門區(qū)范圍內(nèi)的物體。最后，采用Surendra算法建立和更新背景模型。通過實驗對比，提出方法得到了較高的檢測準(zhǔn)確率，且具有實時性，可以很好的滿足電梯門防夾的要求。

1 改進(jìn)的雙邊濾波

在拍攝和傳輸視頻數(shù)據(jù)時，非常容易產(chǎn)生隨機(jī)噪聲，噪聲會影響目標(biāo)的準(zhǔn)確分割。雙邊濾波器是一種非線性濾波器，可以理想地去除這些隨機(jī)噪聲。而且雙邊濾波器能夠在降低邊緣模糊效應(yīng)的同時起到降噪的作用，以較好地保留視頻幀的邊緣細(xì)節(jié)信息[4]。雙邊濾波器由兩個高斯函數(shù)構(gòu)成，即空間高斯函數(shù)和值域高斯函數(shù)，使得視頻幀中距離邊緣較遠(yuǎn)的像素不會對邊緣處的像素產(chǎn)生較大的影響，可以較好地保持邊緣特性[5]。雙邊濾波定義如式(1)所示：

(1)

式中,

(2)

其中:It為時刻t采集到的視頻幀；It(x,y)為視頻幀It中坐標(biāo)為(x,y)的像素點；Ft為濾波后得到的圖像；Gs是方差為σs的高斯濾波函數(shù)，其以距離作為自變量，表示空間相似度；Gr是方差為σr的高斯濾波函數(shù)，其以像素灰度差值作為自變量，表示像素相似度。與σs相比，σr對圖像濾波質(zhì)量的影響更大。

雙邊濾波器雖然能較好地保留圖像的邊緣細(xì)節(jié)，但還是會在一定程度上改變邊緣點的灰度值。噪聲點的像素值一般都是其鄰域內(nèi)的極值，而邊緣點的像素值則不是，噪聲像素的這個特性可以被用來改進(jìn)雙邊濾波器。逐行掃描視頻幀It，當(dāng)處理像素點It(x,y)時，判斷It(x,y)是否是其濾波窗口覆蓋下鄰域像素的極大值或者極小值。如果是，則采用正常的雙邊濾波器處理該像素點；如果不是，則不處理。改進(jìn)方法可以有效地濾除噪聲點，而且?guī)缀醪挥绊懸曨l幀的邊緣特性。根據(jù)實驗經(jīng)驗，濾波窗口半徑ω=3，σs=3，σr=10時的濾波效果更理想。

2 二值化分割與目標(biāo)檢測

為了分割出運(yùn)動目標(biāo)，根據(jù)式(3)差分Ft與背景圖像Bt-1，并根據(jù)式(4)對差分圖像Dt進(jìn)行二值化處理。式(4)中At(x,y)為二值化圖像，T為采用極大熵法[6]和粒子群法[7]共同確定的最佳二值化閾值。

二值化分割圖像Dt時，首先采用極大熵算法求得圖像二值化閾值，然后采用粒子群算法優(yōu)化閾值，選取最佳二值化閾值T。

Dt=|Ft(x,y)-Bt-1(x,y)|

(3)

(4)

最大熵算法使用圖像灰度直方圖的最大熵所對應(yīng)的灰度值作為閾值來分割圖像。對于灰度范圍為[0, 256]的圖像，其直方圖的熵H如式(5)所示：

(5)

式中，pr為第r個灰度級的概率。

粒子群優(yōu)化算法是一種具有魯棒性的智能優(yōu)化算法，其從隨機(jī)解出發(fā)，通過迭代尋找最優(yōu)解。粒子群優(yōu)化算法通過適應(yīng)度來評價解的品質(zhì)，聯(lián)合最大熵算法后，能夠很好地對圖像進(jìn)行二值化處理。算法初始化一群隨機(jī)粒子后，隨機(jī)粒子追隨當(dāng)前的最優(yōu)粒子在解空間中迭代地搜索最優(yōu)解。在第d維搜索空間，第n個粒子通過跟蹤個體極值p和全局最優(yōu)解g來更新其位置Xn=(xn,1,…,xn,d)和速度Vn=(vn,1,…,vn,d)：

xn,m(l+1)=xn,m(l)+vn,m(l+1)

(6)

vn,m(l+1)=ωivn,m(l)+c1r1[pn,m-xn,m(l)]+

c2r2[gn,m-xn,m(l)]

(7)

(8)

其中:C1和C2是學(xué)習(xí)因子，在[0, 1]之間隨機(jī)選取；m=1,…,d；ωi為慣性權(quán)重；l為當(dāng)前迭代次數(shù)；ωmax為最大慣性權(quán)重；ωmin為最小慣性權(quán)重；lmax為最大迭代次數(shù)。粒子群優(yōu)化算法聯(lián)合最大熵算法確定二值化閾值的步驟為：1)初始化粒子群；2)根據(jù)最大熵算法計算各個粒子個體的適應(yīng)度值；3)根據(jù)適應(yīng)度值獲得各個粒子的個體極值和種群極值，如果個體極值優(yōu)于現(xiàn)有的種群極值，則種群極值更新為該個體極值；4)更新各粒子的位置Xn和速度Vn；5)達(dá)到最大迭代次數(shù)時獲得的全局極值即為二值化閾值。如圖1(a)所示，為電梯轎廂處攝像機(jī)在時刻t拍攝的視頻幀It濾波后的Ft；如圖1(b)所示，為Bt-1。如圖2所示，為根據(jù)上述方法得到的二值化圖像At。

圖1 差分與二值化結(jié)果

圖2 二值化圖像At

為了滿足系統(tǒng)對實時性的要求，只需要檢測轎廂門區(qū)中心范圍內(nèi)的物體。以圖像中心為中心選定一個感興趣區(qū)域，該感興趣區(qū)域監(jiān)控尺寸為0.8 m×1.3 m的轎廂門區(qū)中心，后續(xù)只在此感興趣區(qū)域內(nèi)檢測物體。得到二值化圖像At后，對At的感興趣區(qū)域進(jìn)行開運(yùn)算[8]和連通分量提取[9]，并計算各連通分量中的像素點數(shù)目。當(dāng)有一個或多個連通分量的像素點數(shù)目大于閾值Tc時，可認(rèn)為這些連通分量在視頻幀It中對應(yīng)的區(qū)域包含物體，反之則忽略該連通分量。Tc根據(jù)經(jīng)驗選取。檢測到的物體如圖3所示。

圖3 檢測到的物體

3 背景更新

常用的背景更新算法有混合高斯模型算法[10]、多幀平均算法[11]和Surendra算法[12]等。混合高斯模型算法可以平滑地近似任意形狀的密度分布，即能夠克服背景模型中復(fù)雜的場景，但背景建模的耗時較長[13]。多幀平均算法相對簡單，但背景更新的準(zhǔn)確度較低。與多幀平均算法相比，Surendra算法雖然同樣相對簡單，但能夠自適應(yīng)且準(zhǔn)確地更新背景圖像[14]。因此本文采用改進(jìn)的Surendra算法進(jìn)行背景建模與更新，如式(9)所示：

(9)

其中:α為背景更新尺度。

4 實驗結(jié)果與分析

根據(jù)經(jīng)驗，本實驗中參數(shù)設(shè)置為：濾波窗口半徑為ω=3，方差σs=3，方差σr=10，最大慣性權(quán)重為ωmax=0.9，最小慣性權(quán)重為ωmin=0.1，學(xué)習(xí)因子C1和C2分別取為0.3，最大迭代次數(shù)為lmax=100，背景更新尺度為α=0.02，經(jīng)驗閾值為Tc=20。

為了驗證提出方法的準(zhǔn)確性，對從Youtube獲取的10段電梯運(yùn)行視頻進(jìn)行檢測。5段測試視頻分別有340幀、276幀、537幀、243幀、196幀、638幀、367幀、489幀、526幀和313幀，分辨率320×240。提出算法和文獻(xiàn)[3]方法在上述10段視頻上的檢測準(zhǔn)確度進(jìn)行了對比，結(jié)果如表1所示。通過對比可以發(fā)現(xiàn)，提出方法在所有10段視頻中的平均準(zhǔn)確率為98.0%，高于文獻(xiàn)[3]的平均準(zhǔn)確率97.0%。提出方法的準(zhǔn)確率滿足也可以電梯門防夾檢測的需要。

表1 轎廂門區(qū)范圍內(nèi)物體檢測準(zhǔn)確率對比

該實驗繼續(xù)使用上述10段視頻來驗證本文提出的算法的實時性，將提出算法的平均檢測時間與文獻(xiàn)[3]方法的相對比，實驗結(jié)果如表2所示。實驗使用Windows10、CPU Intel?CoreTMi7-4700MQ、2.4 GHZ、RAM 8 GB和Matlab R2012b。本文算法能夠較多地縮短每幀的平均檢測時間為45.8 ms，比文獻(xiàn)[3]方法的平均縮短了12.3 ms。后續(xù)實際應(yīng)用中，如果用C++等語言進(jìn)行編程實現(xiàn)，平均檢測時間還能夠有較大降低，因此提出方法的檢測效率能夠滿足電梯門區(qū)安全防夾保護(hù)檢測的要求。

表2 算法實時性對比

5 結(jié)束語

本文根據(jù)動態(tài)背景下的物體特征，提出了一種可應(yīng)用于電梯門區(qū)安全防夾保護(hù)的物體識監(jiān)測算法。通過改進(jìn)的雙邊濾波方法濾除視頻幀中和經(jīng)過Surendra算法更新的背景圖像中的噪聲，并差分濾波后的視頻幀與背景圖像。差分圖像通過極大熵粒子群算法進(jìn)行二值化處理。采用形態(tài)學(xué)濾波方法從二值化后的圖像中檢測出轎廂門區(qū)范圍內(nèi)的物體。提出算法解決了動態(tài)復(fù)雜背景下的物體檢測問題，實現(xiàn)了轎廂門區(qū)內(nèi)物體的實時準(zhǔn)確識檢測。通過實驗可知，該算法在電梯門防夾保護(hù)應(yīng)用中取得了良好的效果，不僅適用于電梯門區(qū)安全防夾保護(hù)，而且還適用于任何自動開閉的門區(qū)區(qū)域的安全防夾保護(hù)。