電梯作為高層建筑運輸工具,隨著城市化進程的加快以及土地資源的緊缺,變得越來越普及化。電梯提供了平穩(wěn)迅速的乘坐體驗,但是它具有的安全隱患同樣需要社會關(guān)注。例如,電梯在一個相對封閉的空間狀態(tài)運行,很難被外界觀測和干預(yù),這就使得電梯轎廂內(nèi)的突發(fā)事件很難被及時發(fā)現(xiàn)。雖然目前的電梯基本都實現(xiàn)了轎廂內(nèi)部監(jiān)控,但監(jiān)控視頻主要采用人工處理方式,耗時長、數(shù)據(jù)量大、功能單一、實時性差、易漏檢、調(diào)查取證困難。同時,傳統(tǒng)的視頻監(jiān)控系統(tǒng)與外界互動少,只能被動地接受信息。而智能視頻監(jiān)控系統(tǒng)高效,能夠全天不間斷實時監(jiān)控,同時對視頻信息進行智能分析,在線報警,保護乘客和轎廂設(shè)備安全。本文首先對常見前景提取算法進行闡述,針對電梯轎廂內(nèi)部運動目標的提取,確定了以ViBe算法為基礎(chǔ)的運動前景提取算法,在ViBe算法的基礎(chǔ)上通過形態(tài)學(xué)處理對空洞進行填充,對小面積的噪聲進行抑制。實驗結(jié)果表明,本文采用的算法可以獲得更加完整和準確的運動前景。其次,針對轎廂是否封閉的情形,設(shè)計了基于前景邊緣直線檢測的電梯轎廂門開關(guān)的檢測方法,實驗結(jié)果顯示該方法可以有效的判斷轎廂門的狀態(tài)。同時針對異常行為場景分類問題,設(shè)計了基于darknet模型的... 

【文章來源】：中國礦業(yè)大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁數(shù)】：90 頁

【學(xué)位級別】：碩士

【部分圖文】：

幀差法流程圖

工程碩士專業(yè)學(xué)位論文10圖2-2背景差法流程圖Figure2-2Flowchartofbackgroundsubtraction背景差法的提取效果取決于背景模型的精度和更新策略。背景差法的背景模型，按照能否按照一定的算法進行更新分為靜態(tài)背景模型和動態(tài)背景模型。靜態(tài)背景模型主要適用于一成不變的場景，容易受到監(jiān)控環(huán)境光照、噪聲、陰影、抖動等影響。常見的建立靜態(tài)背景模型的方法有均值濾波法[42]和中值濾波法[43]。而如果監(jiān)控場景經(jīng)常發(fā)生變化，例如光線、陰影或者存在抖動，就應(yīng)該對背景模型進行更新來適應(yīng)場景的變化。目前常用的動態(tài)背景模型[44]有codebook模型、混合高斯模型、LBF模型和ViBe模型等等。1均值法背景模型均值法背景建模通過對連續(xù)N幀圖像取像素平均值建立背景模型。如公式(2-5)所示。111()nnnnNBGGGN+=+++(2-5)其中，1G，2G，…nG是N幀視頻圖像，nB是N幀視頻圖像的像素平均值圖像。均值法背景建模對連續(xù)N幀的背景圖像序列求平均值，而中值濾波背景建模則是對連續(xù)N幀的背景圖像序列求中值作為背景圖像。這兩種方法是比較常用的靜態(tài)背景模型，計算量小實時性好。2混合高斯背景模型混合高斯背景模型能夠?qū)Ρ尘暗淖兓赃m應(yīng)，并對背景模型進行更新[45,46]�；旌细咚贡尘澳Ｐ偷幕驹硎抢枚鄠�單高斯背景模型進行疊加，從而實現(xiàn)背景建模。混合高斯背景建模的方法對復(fù)雜變化的背景場景適應(yīng)性較好，相比于單高斯的背景建模，提取的效果好但是計算量增加。混合高斯背景建模成功的關(guān)鍵，就在于如何平衡好實時性和精度�；旌细咚贡尘敖Ｋ惴ǖ脑硎羌僭O(shè)同一個圖像幀中每一個像素點是自變量，與其他的像素點無關(guān)。換個說法就是，同一個圖像中每一個像素點都是不相關(guān)的，視頻的前進過程是一個像素值不斷隨機變化的過程�；谶@樣的假?

工程碩士專業(yè)學(xué)位論文122.2邊緣檢測算法（EdgeDetectionAlgorithms）邊緣是一種經(jīng)常被采用的圖像特征，在不同的照明和陰影環(huán)境中，邊緣都能夠被準確的檢測到。圖像中灰度變化最大的像素點屬于圖像邊緣的可能性很大，基于這個特點，可以使用一階微分或者二階微分對圖像中的像素點進行運算。使用一階微分計算時，如果灰度到達極值即判斷是圖像的邊緣；若使用二階微分，當灰度值為零就判斷是圖像的邊緣[42]。在常見的使用場景中，使用差分可以降低計算量。同時，考慮到圖像的邊緣方向并不是唯一的，因此通常使用不具有方向的圖像梯度作為邊緣檢測的基準。目前常用的邊緣檢測的算法有Roberts算法、Prewitt算法、Sobel算法、Laplacian算法和Canny算法[48-52]，下面就簡要介紹這些邊緣檢測算法。2.2.1Roberts算法Roberts算法也被稱為交叉微分算法，通過局部差分計算對邊緣進行檢測。適用于處理低噪聲的圖像，當圖像邊緣比較尖銳時該算法處理效果更理想。其缺點是過于簡單，提取到的邊緣線條精度較低。計算公式如下：(,)(1,1)(,1)(1,)xyffijfijffijfij=++=++(2-12)其中xf和yf分別代表對角線方向相鄰像素值之差，f則表示對角線不同位置像素點的像素值。Roberts算法的模板分為水平方向和垂直方向，采用如圖2-3所示的22卷積模板計算Roberts梯度幅值。當梯度幅值的大小P超過某閾值時，就判斷為邊緣。圖2-3Roberts算法卷積模板Figure2-3ConvolutiontemplateofRoberts如式(2-13)所示，Roberts算法對圖像對角線方向的圖像邊緣有較好的檢測效果。1001,0110xydd==(2-13)2.2.2Prewitt算法Prewitt算法的原理是利用特定區(qū)域內(nèi)像素灰度差的值實現(xiàn)對邊緣的檢測。

【參考文獻】：
期刊論文
[1]基于改進的加權(quán)中值濾波與K-means聚類的織物缺陷檢測[J]. 張緩緩,馬金秀,景軍鋒,李鵬飛.  紡織學(xué)報. 2019(12)
[2]基于多方向改進Sobel算子的PCB圖像定位校正方法[J]. 朱寒,林麗,陳德全,陳健.  電子測量與儀器學(xué)報. 2019(09)
[3]基于非局部均值濾波的醫(yī)學(xué)CT圖像去噪算法[J]. 劉翔,石振剛,臧晶.  沈陽理工大學(xué)學(xué)報. 2019(03)
[4]基于VC及OpenCV的數(shù)字圖像/視頻處理演示系統(tǒng)設(shè)計及實例展示[J]. 齊玉娟,李如鋒,王延江.  實驗室研究與探索. 2018(11)
[5]視頻監(jiān)控中的人群異常行為檢測與定位[J]. 周培培,丁慶海,羅海波,侯幸林.  光學(xué)學(xué)報. 2018(08)
[6]基于曲率估計的Canny邊緣檢測算法[J]. 鄭子華,陳家禎,葉鋒.  計算機系統(tǒng)應(yīng)用. 2017(12)
[7]一種基于TOF相機的人頭檢測算法研究[J]. 武孝勇,張維忠,袁翠梅,姚孟奇.  青島大學(xué)學(xué)報(工程技術(shù)版). 2017(04)
[8]基于AdaBoost的公交客流量統(tǒng)計算法[J]. 王璇,李倩麗,宋煥生,孫士杰,崔華.  計算機應(yīng)用研究. 2018(03)
[9]圖像分割方法綜述研究[J]. 周莉莉,姜楓.  計算機應(yīng)用研究. 2017(07)
[10]一種基于光流場的群體運動特征描述子[J]. 郝羽,劉穎,范九倫.  西安郵電大學(xué)學(xué)報. 2016(06)

博士論文
[1]電梯交通分析及電梯優(yōu)化控制方法研究[D]. 唐海燕.哈爾濱工業(yè)大學(xué) 2010

碩士論文
[1]基于計算機圖像處理的智能監(jiān)控技術(shù)的研究[D]. 陸曉東.南京航空航天大學(xué) 2016
[2]電梯轎廂內(nèi)異常行為識別研究[D]. 付高靜.哈爾濱理工大學(xué) 2015
[3]室內(nèi)實時人數(shù)統(tǒng)計算法與設(shè)計[D]. 李彬.哈爾濱工業(yè)大學(xué) 2014
[4]基于視頻監(jiān)控的教室人數(shù)統(tǒng)計[D]. 蘇娟.安徽大學(xué) 2014
[5]基于人頭檢測的人數(shù)統(tǒng)計算法研究[D]. 張丙坤.西安科技大學(xué) 2013
[6]實時視頻監(jiān)控人數(shù)統(tǒng)計關(guān)鍵技術(shù)研究[D]. 孫統(tǒng)義.國防科學(xué)技術(shù)大學(xué) 2011
[7]動態(tài)背景下運動目標檢測的研究[D]. 安博.天津理工大學(xué) 2009



本文編號：2913612