基于激光测距元件组的闸机通行检测方法、设备和介质技术

本发明专利技术公开了一种基于激光测距元件组的闸机通行检测设备、方法和介质，其中方法包括：步骤1：在闸机一侧部署若干激光测距元件，所述激光测距元件获取闸机通行通道内某平面的一组距离信息；步骤2：对所述距离信息采用BP神经网络建立闸机通道内物体位置计算模型，步骤3：对所述BP神经网络进行训练，并依照误差对神经网络进行调整，得到满足使用的基于BP神经网络的闸机通道内物体位置计算模型。本发明专利技术利用激光测距元件的元件组代替多对红外对射传感器，降低闸机成本，拓展了在狭小环境下闸机的使用场景，基于训练后神经网络的闸机设备为通行检测提供了安全可靠的保障，具有切实可行的实用价值和广泛的应用前景。价值和广泛的应用前景。价值和广泛的应用前景。

【技术实现步骤摘要】
基于激光测距元件组的闸机通行检测方法、设备和介质


[0001]本专利技术涉及闸机通行检测，尤其涉及一种基于激光测距元件组的闸机通行检测方法、设备和介质。

技术介绍

[0002]闸机设备作为一种规范行人通行的终端，被广泛应用于办公大楼、学校、工厂、地铁、高铁、机场、旅游景区等很多场所，从而对一些关键出入口进行管控。常见的人行通道闸机按闸门的机械结构分类有摆闸、翼闸、三棍闸、平移闸等多种类型。
[0003]目前，通常使用的闸机采用直流电机带动门板转动，通过多对红外对射传感器监测人员通行，即从一侧通道的一排多个红外发射模块发出一定波长的激光，另一侧的通道的红外激光接收传感器来接受激光，若是没有正常接收到激光则视为这个通道此处位置被阻挡。
[0004]然而，红外对射传感器通行检测的方法存在以下主要缺点。首先，闸机的体积受传感器数量和分布间隔的限制无法减小，尤其机身长度难以缩短，硬件成本较高；其次，无法准确识别成人、儿童、行李等目标，导致可能出现重复开、闭，或者成人通过了儿童不能通过，行李被卡住等情况；再次，闸机打开至闭合的时间区间采用固定时长，该时长被设定为超出一般正常行人的实际通行耗时，累计起来给通行效率带来了不可忽视的影响；最后，通行计数方式的防尾随机制误报率高，例如拖曳行李或者引领儿童通过闸机等行为都可能引发报警。

技术实现思路

[0005]专利技术目的：针对现有技术的不足，提供一种基于激光测距元件组的闸机通行检测设备及方法，减小闸机体积，提高闸机检测的准确度。
[0006]技术方案：一种基于激光测距元件组的闸机通行检测方法，包括：
[0007]步骤1：在闸机一侧部署若干激光测距元件，激光测距元件获取闸机通行通道内某平面的一组距离信息；
[0008]步骤2：对距离信息采用BP神经网络建立闸机通道内物体位置计算模型，
[0009]步骤3：对BP神经网络进行训练，并依照误差对神经网络进行调整，得到满足使用的基于BP神经网络的闸机通道内物体位置计算模型。
[0010]进一步地，步骤1具体包括：
[0011]步骤1.1：确定闸机通道宽度L，选择合适的角度并部署数量为n的激光测距元件[θ1，θ2，θ3，
…
，θ
n
]，其中，n≥4；
[0012]步骤1.2：采集各种情形下，闸机通道内行人或物体在闸机通道中轴线上的投影中心位置[y1，y2，
…
]以及对应的激光测距原始数据[ρ1，ρ2，ρ3，
…
，ρ
n
]，根据留出法将所有数据划分成训练集和测试集；
[0013]步骤1.3：通过最大最小法x
k
＝(x
k
‑
x
min
)/(x
max
‑
x
min
)将训练集和测试集中的数据进
行归一化处理，将所有数据转化为[0，1]之间的数，数据被重新整理为input_train，output_train，input_test，output_test；
[0014]其中，input_train，input_test为包含多组[ρ1，ρ2，ρ3，
…
，ρ
n
]的数据集，output_train、output_test为包含多组[y1，y2，
…
]的数据集。
[0015]进一步地，步骤2中的BP神经网络包括了输入层、隐含层、输出层，该网络的建立包括：
[0016]步骤2.1：该网络的输入层节点数为该闸机激光测距元件的个数n，输出层节点数m为通道内物体最多可能数量，该数量受到通道长度限制且小于n，隐含层的节点数l遵从如下公式：
[0017][0018]其中a为0～10之间的常数。
[0019]步骤2.2：BP神经网络的神经元激励函数和损失函数组合选用线性整流函数ReLU，即φ(x)＝max(0，x)，和距离损失函数MSE，L(y，v
(m)
)＝||y
‑
v
(m)
||2的组合；
[0020]步骤2.3：初始化输入层、隐含层、输出层神经元之间的连接权值ω
ij
，ω
jk
，初始化隐含层阈值a，输出层阈值b。
[0021]进一步地，步骤3中设置训练参数：迭代次数t＝100，学习效率η＝0.03，使用input_train，output_train来完成对所属BP神经网络的训练。
[0022]进一步地，BP神经网络的训练具体包括：
[0023]步骤3.1：隐含层输出计算：根据输入向量[ρ1，ρ2，ρ3，
…
，ρ
n
]，输入层和隐含层之间的连接权值ω
ij
以及隐含层阈值a，计算隐含层输出H，
[0024][0025]其中，l为隐含层节点数，f为隐含层激励函数；
[0026]步骤3.2：输出层输出计算：根据隐含层输出H，连接权值ω
ij
和阈值b，计算BP神经网络预测输出O，
[0027][0028]步骤3.3：误差计算：根据网络预测输出O和预期输出Y，来计算网络预测误差e，
[0029]e
k
＝Y
k
‑
O
k k＝1，2，
…
，m
[0030]步骤3.4：权值更新：根据网络预测误差e更新网络连接权值ω
ij
，ω
jk
，
[0031][0032]ω
jk
＝ω
jk
+ηH
j
e
k j＝1，2，
…
，m；k＝1，2，
…
，m
[0033]式中，η为学习速率；
[0034]步骤3.5：阈值更新：根据网络预测误差e更新网络节点阈值a，b，
[0035][0036]b
k
＝b
k
+e
k k＝1，2，
…
，m
[0037]步骤3.6：重复上述步骤，直到完成全部的迭代次数。
[0038]进一步地，使用步骤1中获得测试集数据进行测试，将input_test输入到步骤3中训练好的模型，获得该模型的对应输出数据并将其记为an，将该网络预测的数据进行反归一化处理，得到最终输出结果test_sim，根据神经网络在测试集上所预测的输出结果与output_test进行对比误差，并依照误差对神经网络进行调整，最终得到满足使用的一个基于BP神经网络的闸机通道内物体位置计算模型。
[0039]适用于上述方法的基于激光测距元件组的闸机通行检测设备，包括：部署在闸机一侧的激光测距元件，激光测距元件获取闸机通道内某平面的一组距离信息，设备内的主控板采用距离信息并建立如权利要求1中的BP神经网络完成闸机通行检测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于激光测距元件组的闸机通行检测方法，其特征在于，包括：步骤1：在闸机一侧部署若干激光测距元件，所述激光测距元件获取闸机通行通道内某平面的一组距离信息；步骤2：对所述距离信息采用BP神经网络建立闸机通道内物体位置计算模型，步骤3：对所述BP神经网络进行训练，并依照误差对神经网络进行调整，得到满足使用的基于BP神经网络的闸机通道内物体位置计算模型。2.根据权利要求1所述的基于激光测距元件组的闸机通行检测方法，其特征在于，所述步骤1具体包括：步骤1.1：确定闸机通道宽度L，选择合适的角度并部署数量为n的激光测距元件[θ1,θ2,θ3,
…
,θ
n
]，其中，n≥4；步骤1.2：采集各种情形下，闸机通道内行人或物体在闸机通道中轴线上的投影中心位置[y1,y2,
…
]以及对应的激光测距原始数据[ρ1,ρ2,ρ3,
…
,ρ
n
]，根据留出法将所有数据划分成训练集和测试集；步骤1.3：通过最大最小法x
k
＝(x
k
‑
x
min
)/(x
max
‑
x
min
)将训练集和测试集中的数据进行归一化处理，将所有数据转化为[0,1]之间的数，数据被重新整理为input_train，output_train，input_test，output_test；其中，imput_train，imput_test为包含多组[ρ1,ρ2,ρ3,
…
,ρ
n
]的数据集，output_train、output_test为包含多组[y1,y2,
…
]的数据集。3.根据权利要求1所述的基于激光测距元件组的闸机通行检测方法，其特征在于，所述步骤2中的BP神经网络包括了输入层、隐含层、输出层，该网络的建立包括：步骤2.1：该网络的输入层节点数为该闸机激光测距元件的个数n，输出层节点数m为通道内物体最多可能数量，该数量受到通道长度限制且小于n，隐含层的节点数l遵从如下公式：其中a为0～10之间的常数。步骤2.2：BP神经网络的神经元激励函数和损失函数组合选用线性整流函数ReLU，即φ(x)＝max(0,x)，和距离损失函数MSE，L(y,v
(m)
)＝||y
‑
v
(m)
||2的组合；步骤2.3：初始化输入层、隐含层、输出层神经元之间的连接权值ω
ij
，ω
jk
，初始化隐含层阈值a，输出层阈值b。4.根据权利要求1所述的基于激光测距元件组的闸机通行检测方法，其特征在于，所述步骤3中设置训练参数：迭代次数t＝100，学习效率η＝0.03，使用input_train，output_tra...

【专利技术属性】
技术研发人员：郭旭周，张振焜，胡鹏路，华奕昕，王敏，常佳丽，
申请(专利权)人：南京熊猫信息产业有限公司南京熊猫机电仪技术有限公司，
类型：发明
国别省市：