我國(guó)城鎮(zhèn)化進(jìn)程加快,電梯在高樓中被越來(lái)越多的使用,給人們生活帶來(lái)方便的同時(shí)也存在一些安全隱患。因?yàn)殡娞蒉I廂的內(nèi)部是一個(gè)狹小、密閉的空間,不法分子很容易利用它實(shí)施犯罪;身體虛弱的老人突發(fā)疾病摔倒在電梯里也會(huì)有生命危險(xiǎn)。所以針對(duì)電梯轎廂內(nèi)頻繁出現(xiàn)的跌倒,蹲伏,打斗,侵犯等異常行為,實(shí)現(xiàn)一個(gè)智能檢測(cè)系統(tǒng)是十分必要的,當(dāng)檢測(cè)到乘客發(fā)現(xiàn)異常行為時(shí),系統(tǒng)可以及時(shí)的發(fā)出警報(bào),防患于未然。本文對(duì)電梯轎廂內(nèi)的人數(shù)統(tǒng)計(jì)算法以及異常行為識(shí)別算法進(jìn)行深入的研究,建立一個(gè)實(shí)時(shí)性、魯棒性和準(zhǔn)確性更高的異常行為識(shí)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(luò)與嶺回歸結(jié)合的人數(shù)統(tǒng)計(jì)模型對(duì)電梯轎廂內(nèi)的人數(shù)進(jìn)行統(tǒng)計(jì)。首先根據(jù)自身數(shù)據(jù)集的特點(diǎn)對(duì)原模型進(jìn)行了改進(jìn),然后再利用改進(jìn)的螢火蟲算法去優(yōu)化嶺參數(shù),使模型的預(yù)測(cè)性能得到進(jìn)一步提升,最后對(duì)比其他算法進(jìn)行人數(shù)預(yù)測(cè),并對(duì)結(jié)果進(jìn)行分析。（2）在統(tǒng)計(jì)出電梯轎廂內(nèi)人數(shù)的基礎(chǔ)上,對(duì)人員的異常行為進(jìn)行識(shí)別。使用三維卷積神經(jīng)網(wǎng)絡(luò)來(lái)識(shí)別單人情況下的異常行為,改變其在時(shí)間和空間維度上卷積過(guò)濾器和池化過(guò)濾器的大小,對(duì)網(wǎng)絡(luò)的學(xué)習(xí)率批值等參數(shù)進(jìn)行合理的選取和優(yōu)化;再使用雙流卷積神經(jīng)網(wǎng)絡(luò)來(lái)... 

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

【文章頁(yè)數(shù)】：72 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

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

工程碩士專業(yè)學(xué)位論文82相關(guān)理論技術(shù)2RelatedTheoryandTechnology2.1人數(shù)統(tǒng)計(jì)的相關(guān)技術(shù)概述(TechnicalOverviewofPeopleCounting)在電梯轎廂內(nèi)對(duì)于人數(shù)的統(tǒng)計(jì)主要有三種方式[45]，基于計(jì)算機(jī)視覺的人數(shù)統(tǒng)計(jì)方法、基于機(jī)器學(xué)習(xí)的人數(shù)統(tǒng)計(jì)、基于深度學(xué)習(xí)的統(tǒng)計(jì)方法。本章節(jié)將對(duì)這三種方式的過(guò)程和原理依次進(jìn)行介紹。2.1.1基于計(jì)算機(jī)視覺的人數(shù)統(tǒng)計(jì)技術(shù)基于視覺的電梯轎廂內(nèi)人數(shù)統(tǒng)計(jì)方式有很多，因其成本比較低，安裝也比較簡(jiǎn)單方便，所以被廣泛使用。但是它也會(huì)受到很多方面的限制，比如電梯轎廂內(nèi)光線的強(qiáng)弱以及人與人之間的相互遮掩，都會(huì)對(duì)攝像頭拍攝出來(lái)的視頻有一定的影響。基于計(jì)算機(jī)視覺的人數(shù)統(tǒng)計(jì)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(yùn)動(dòng)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(shí)別是根據(jù)人頭的形狀等信息來(lái)獲取目標(biāo)行蹤，使用人頭檢測(cè)這種方式很普遍，主要原因是人體頭部的特征比較簡(jiǎn)單而且也比較容易提取，其次人體頭部放在人群當(dāng)中變化也不是很大，所以大多數(shù)情況下都是通過(guò)對(duì)人體頭部的檢測(cè)來(lái)達(dá)到對(duì)行人的跟蹤和識(shí)別�；陬^部的檢測(cè)方法有以下幾個(gè)步驟來(lái)實(shí)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(lái)，減少其他因素的干擾，然后為了方便以后特征的提取，對(duì)二值化后的黑白圖像進(jìn)行濾波，使得輪廓清晰，再進(jìn)行細(xì)化操作使圖像中的人體輪廓能夠被完整的提取出來(lái)，采用Hough[46]變換對(duì)人體頭部邊緣的輪廓檢測(cè)，最后就能夠得到被檢測(cè)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(cè)Figure2-1Numberdetectionbasedonheadcharacteristics

2相關(guān)理論技術(shù)9基于頭部的檢測(cè)也有很多的缺陷，它的檢測(cè)結(jié)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(cuò)誤的檢測(cè)，對(duì)整個(gè)的識(shí)別準(zhǔn)確率影響較大。對(duì)于人頭檢測(cè)的方法現(xiàn)階段來(lái)說(shuō)已經(jīng)飽和，雖然很多專家在頭部檢測(cè)算法上進(jìn)行了深入的研究，希望通過(guò)對(duì)算法的改進(jìn)來(lái)提高準(zhǔn)確率，但是還是因?yàn)槿梭w頭部特征區(qū)分度不高，很有可能會(huì)出現(xiàn)和上面類似的錯(cuò)誤檢查情況，從而影響到識(shí)別的準(zhǔn)確率�；谶\(yùn)動(dòng)分析的的方法可以提高算法的效果，它主要是通過(guò)發(fā)現(xiàn)圖像中的運(yùn)動(dòng)區(qū)域，然后再使用相應(yīng)的算法對(duì)其進(jìn)行檢測(cè)。這種檢測(cè)方式的主要思想是從圖像中提取出需要檢測(cè)的人體輪廓，再根據(jù)得到的輪廓大小來(lái)檢測(cè)人數(shù)的數(shù)量。這種方式適用于單人檢測(cè)，而對(duì)于多人情況下就有所不同，首先需要對(duì)圖像分割，才能進(jìn)行目標(biāo)的檢測(cè)，然后判斷他們所處的位置是位于電梯內(nèi)還是電梯外，最后才能去統(tǒng)計(jì)出電梯轎廂內(nèi)的人數(shù)。流程圖如下圖2-2所示：圖2-2運(yùn)動(dòng)分析的人數(shù)檢測(cè)流程圖Figure2-2Flowchartofnumberdetectionbasedonmotionanalysis這種方法優(yōu)點(diǎn)和缺點(diǎn)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(duì)它的識(shí)別的準(zhǔn)確率影響較大，人少時(shí)可以有效地識(shí)別出電梯轎廂內(nèi)的人數(shù)，如果在電梯轎廂內(nèi)出現(xiàn)的人數(shù)較多時(shí)，就很難作出分離，對(duì)最終識(shí)別出的結(jié)果與真實(shí)在電梯轎廂內(nèi)的人數(shù)差別較大�；谇熬斑B通區(qū)域像素統(tǒng)計(jì)人數(shù)的檢測(cè)方法[47]，首先需要去統(tǒng)計(jì)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?cái)?shù)，這是比較重要的一個(gè)步驟，接下來(lái)再去統(tǒng)計(jì)各個(gè)連通區(qū)域所占的前景像素?cái)?shù)，然后將該區(qū)域的人數(shù)進(jìn)行統(tǒng)計(jì)出來(lái)。具體流程圖如下圖2-3所示。

【參考文獻(xiàn)】：
期刊論文
[1]智能視頻監(jiān)控系統(tǒng)設(shè)計(jì)[J]. 鄭定超,陳彩微.  自動(dòng)化技術(shù)與應(yīng)用. 2020(03)
[2]安防領(lǐng)域中智能視頻監(jiān)控技術(shù)的應(yīng)用探討[J]. 唐吉雄.  通訊世界. 2019(07)
[3]基于深度學(xué)習(xí)的人體行為識(shí)別研究[J]. 遲元峰,顧敏.  工業(yè)控制計(jì)算機(jī). 2017(01)
[4]基于BP神經(jīng)網(wǎng)絡(luò)的人體行為識(shí)別方法研究與實(shí)現(xiàn)[J]. 吳婷,周宇.  教育教學(xué)論壇. 2016(51)
[5]基于三維時(shí)空直方圖特征的人體行為識(shí)別[J]. 曹林,朱國(guó)剛.  計(jì)算機(jī)工程與設(shè)計(jì). 2016(04)
[6]基于DTW約束的動(dòng)作行為識(shí)別[J]. 李海濤.  計(jì)算機(jī)仿真. 2014(11)
[7]深度學(xué)習(xí)研究進(jìn)展[J]. 劉建偉,劉媛,羅雄麟.  計(jì)算機(jī)應(yīng)用研究. 2014(07)
[8]基于隨機(jī)Hough變換的人頭檢測(cè)[J]. 徐培智,徐貴力,黃鑫.  計(jì)算機(jī)工程. 2012(01)
[9]競(jìng)選算法的參數(shù)設(shè)計(jì)與性能研究[J]. 賀春華,張湘?zhèn)?呂文閣.  計(jì)算機(jī)工程. 2010(06)
[10]視頻監(jiān)控技術(shù)發(fā)展綜述[J]. 駱云志,劉治紅.  兵工自動(dòng)化. 2009(01)

碩士論文
[1]基于機(jī)器學(xué)習(xí)的行人姿態(tài)估計(jì)及識(shí)別的算法研究[D]. 鄭勝昌.山東大學(xué) 2019
[2]基于Kinect的礦井人員違規(guī)行為識(shí)別研究[D]. 黃程龍.中國(guó)礦業(yè)大學(xué) 2019
[3]基于Kinect的罐籠內(nèi)礦工不安全行為識(shí)別方法研究[D]. 楊賽烽.中國(guó)礦業(yè)大學(xué) 2019
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的電梯轎廂內(nèi)人數(shù)統(tǒng)計(jì)研究[D]. 劉堯.西南科技大學(xué) 2018
[5]基于Kinect的多通道特征聯(lián)合的人體行為識(shí)別[D]. 李冬青.大連海事大學(xué) 2018
[6]基于Kinect的跌倒檢測(cè)報(bào)警監(jiān)護(hù)系統(tǒng)[D]. 張金富.黑龍江大學(xué) 2016
[7]基于多模特征融合的人體跌倒檢測(cè)算法研究[D]. 薛冰霞.山東大學(xué) 2015
[8]基于圖像處理與神經(jīng)網(wǎng)絡(luò)進(jìn)行人數(shù)統(tǒng)計(jì)的研究與實(shí)現(xiàn)[D]. 左丞.電子科技大學(xué) 2013



本文編號(hào)：3493677