基于图像识别的逆行判断方法、装置、设备和存储介质制造方法及图纸

本发明专利技术实施例公开了一种基于图像识别的逆行判断方法、装置、设备和存储介质。该方法包括：实时获取扶梯区域的视频数据；检测所述视频数据中的头部区域，对所述头部区域进行目标跟踪得到头部运动方向；确认所述头部区域的数量是否大于预设门限值；若所述头部区域的数量大于预设门限值，根据所述头部区域的不同运动方向的数量与所述头部区域的数量的比例关系确认逆行状态；若所述头部区域的数量小于或等于预设门限值，则对所述视频数据进行扶梯流光跟踪获取扶梯的运动方向，并根据所述扶梯的运动方向和头部运动方向确认逆行状态。基于头部区域的目标检测的结果精确，并且根据乘客数量选择不同的逆行参考能够实现精确的逆行检测和告警。

Retrograde judgment method, device, equipment and storage medium based on image recognition

【技术实现步骤摘要】
基于图像识别的逆行判断方法、装置、设备和存储介质
本专利技术实施例涉及公共服务
，尤其涉及基于图像识别的逆行判断方法、装置、设备和存储介质。
技术介绍
随着城市化进程的加快，城市人口比例越来越高，大城市的人口越来越多，与人口变化同步发展的还有城市公共服务的快速发展，地铁、商场、机场等。为在人群密集的公共场合提供高效快速的人员集散方案，扶梯因为其不间断运行得到大量的使用。但是在乘客集中在运行的扶梯上除了设备故障带来的安全隐患，还存在乘客乘坐扶梯过程中不遵守公共秩序(例如逆行)带来的安全隐患。在现有技术中，为了减少扶梯上乘客逆行带来的安全事故的发生，会通过红外感应等方案对扶梯上乘客的行进方向进行检测，并对逆行乘客发出提醒告警，但是现有的检测方案因为乘客遮挡、场景复杂等原因，出现大量漏检、误检、告警错误等情况。
技术实现思路
本专利技术提供了基于图像识别的逆行判断方法、装置、设备和存储介质，以解决现有技术中对逆行检测出现漏检、误检和告警错误的技术问题。第一方面，本专利技术实施例提供了一种基于图像识别的逆行判断本文档来自技高网...

【技术保护点】
1.一种基于图像识别的逆行判断方法，其特征在于，包括：/n实时获取扶梯区域的视频数据；/n检测所述视频数据中的头部区域，对所述头部区域进行目标跟踪得到头部运动方向；/n确认所述头部区域的数量是否大于预设门限值；/n若所述头部区域的数量大于预设门限值，根据所述头部区域的不同运动方向的数量与所述头部区域的数量的比例关系确认逆行状态；/n若所述头部区域的数量小于或等于预设门限值，则对所述视频数据进行扶梯流光跟踪获取扶梯的运动方向，并根据所述扶梯的运动方向和头部运动方向确认逆行状态。/n

【技术特征摘要】
1.一种基于图像识别的逆行判断方法，其特征在于，包括：
实时获取扶梯区域的视频数据；
检测所述视频数据中的头部区域，对所述头部区域进行目标跟踪得到头部运动方向；
确认所述头部区域的数量是否大于预设门限值；
若所述头部区域的数量大于预设门限值，根据所述头部区域的不同运动方向的数量与所述头部区域的数量的比例关系确认逆行状态；
若所述头部区域的数量小于或等于预设门限值，则对所述视频数据进行扶梯流光跟踪获取扶梯的运动方向，并根据所述扶梯的运动方向和头部运动方向确认逆行状态。


2.根据权利要求1所述的方法，其特征在于，所述检测所述视频数据中的头部区域，对所述头部区域进行目标跟踪得到头部运动方向，包括：
检测所述视频数据中的头部区域；
计算每个所述头部区域在相邻两帧中的偏移量；
若单个所述头部区域在连续N帧在竖直方向上的累计偏移量大于等于第一阈值，则确认该头部区域的运动方向为下行；
若单个所述头部区域在连续N帧在竖直方向上的累计偏移量小于等于第二阈值，则确认该头部区域的运动方向为上行；
其中，N为大于2的整数。


3.根据权利要求1所述的方法，其特征在于，所述检测所述视频数据中的头部区域，具体为：
检测所述视频数据中每帧画面中的头部区域以及所述头部区域中的人头朝向；
所述根据所述头部区域的不同运动方向的数量与所述头部区域的数量的比例关系确认逆行状态，包括：
根据所述头部区域对应的人头朝向对对应的运动方向进行修正；
根据修正后不同运动方向的数量与所述头部区域的数量的比例关系确认逆行状态。


4.根据权利要求3所述的方法，其特征在于，所述根据所述头部区域对应的人头朝向对对应的运动方向进行修正，包括：
根据所述头部区域的运动向量与所述人头朝向的朝向向量判断运动姿态是否正常；
根据所述运动姿态的判断结果对运动方向进行修正。


5.根据权利要求3所述的方法，其特征在于，所述人头朝向通过人头朝向分类器进行检测，所述人头朝向分类器通过预设的卷积神经网络对扶梯样本图像数据进行训练得到。


6.根据权利要求5所述的方法，其特征在于，所述预设的卷积神经网络包括依次连接的第一卷积层、第一激活层、第一池化层、第二卷积层、第二激活层、第三卷积层、第三激活层、第四卷积层、第四激活层、第一全局池化层、第五卷积层、第五激活层、第六卷积层、第六激活层、第七卷积层、第七激活层、第八卷积层、第八激活层、第九卷积层、第九激活层、第二全局池化层、第十卷积层、第十激活层、第十一卷积层、第十一激活层、第十二卷积层、第十二激活层、第十三卷积层、第十三激活层、第十四卷积层、第十四激活层、第三全局池化层、第十五卷积层、第十五激活层、第十六卷积层、第十六激活层、第十七卷积层、第十七激活层、第十八卷积层、第十八激活层、第十九卷积层、第十九激活层、第四全局池化层、第二十卷积层、第二十激活层、第二十一卷积层、第二十一激活层、第二十二卷积层、第二十二...

【专利技术属性】
技术研发人员：毛宇丰，湛维昭，鲍淑红，张少文，陈朝晖，
申请(专利权)人：广州地铁设计研究院股份有限公司，广州新科佳都科技有限公司，
类型：发明
国别省市：广东;44