一种基于机器视觉的电动车识别及电梯防护方法技术

本发明专利技术提供了基于机器视觉的电动车识别及电梯防护方法，持续采集——识别——提醒，在后台服务器中搭载训练好的电动车部件识别模型，通过特征提取神经网络进行图像特征的提取，然后通过全连接层进行非线性分类。如判断出有人试图将电动车推入，则进行禁止推入的提醒；如不听劝告，则将停止电梯工作。所述方法用识别电动车局部部件代替识别电动车整体，可降低数据处理量，提高识别速度、精度，相应提高电梯防护效果。梯防护效果。梯防护效果。

【技术实现步骤摘要】
一种基于机器视觉的电动车识别及电梯防护方法


[0001]本专利技术涉及机器视觉领域，具体涉及一种基于机器视觉识别的电动车识别及电梯防护方法。

技术介绍

[0002]随着社会和经济快速发展，电动车辆迅速增加，我国的城市交通问题显得日益严峻，特别是在大城市里，交通阻塞、车辆被盗等现象频繁发生。为了提高交通管理水平和交通的运行效率，人们提出了智能交通系统。智能交通系统是将先进的计算机技术、数据通信传输技术、电子传感器技术、自动控制技术等学科成果综合运用于整个运输管理系统，加强了车辆、道路和使用者之间的联系，从而形成一种定时、准确高效的综合运输系统。现如今大多数机器视觉识别都将眼光集中在了汽车方面，却很少有人将眼光放在电动车上。其实在我国电动车的数量并不比汽车少，所以对于电动车的识别也十分关键。电动车识别可用于避免社区居民将车推上电梯给高层带来火灾的风险，也可以为获取公路上电动车违法的行为提供帮助，同时还可以帮助解决一些因电动车胡乱停放产生的问题。
[0003]现有的电动车识别及电梯防护方法如CN112960505A，识别电动车整体，当识别出电梯口有电动车则会发出警报并阻止电梯运行。该电动车识别及电梯防护方法的缺陷在于，以电动车整体作为识别对象，由于电动车整体相对较大，导致识别过程中图像处理的数据量较大，因此识别速度、识别精度及相应的电梯防护效果难以保证。

技术实现思路

[0004]针对上述电动车识别及电梯防护问题，本专利技术提出一种基于机器视觉SSD(Single Shot MultiBox Detector，单发多预测检测网络)的深度学习模型，此模型实现对于摄像头采集的视频/图像的实时检测，并根据与之相连的后台识别系统，当确定摄像头中有人推电动车进入电梯时对其进行阻挡，从而实现对一些隐患的防治。
[0005]本专利技术一方面提供了一种电动车识别方法，包括，步骤1：通过摄像头采集图像；步骤2：将得到的图像传输至后台识别系统；步骤3：后台识别系统根据用深度学习框架训练好的识别模型来实时判断传回来的图像中是否含有电动车。
[0006]根据本专利技术一个实施方式，所述步骤3中采用基于机器视觉SSD的深度学习模型对摄像头采集的图像数据进行训练及判断。
[0007]根据本专利技术另一个实施方式，先对摄像头采集的图像数据进行局部二值化处理再进行训练及判断。
[0008]根据本专利技术另一个实施方式，先对摄像头采集的图像数据进行预处理再进行训练及判断，所述预处理过程为将采集到高维的RGB背景图像与含有识别目标的RGB背景图像灰度处理后的低维的灰度图像输入到预处理的网络进行对应的矩阵相减去除两者中相同的部分。
[0009]根据本专利技术另一个实施方式，将识别电动车整体改为识别电动车关键部件，车胎、
把手、车灯。对摄像头采集的图像数据进行特征提取时，用这三者的识别来判断是否存在电动车。因为识别的是局部部件，含有的特征较少，因此采用简单的SSD网络就可以达到预期的效果。
[0010]本专利技术另一面提供了一种电梯防护方法，所述电梯防护方法基于前述电动车识别方法，当识别到电梯口存在电动车时，将提醒人员不准将电动车推入电梯，并阻止电梯继续工作。
[0011]本专利技术具有如下有益效果：
[0012]根据本专利技术的电动车识别方法及电梯防护方法，一方面通过图像预处理去除背景图像，提高识别准确率。另一方面，不直接识别电动车整体，改为识别车胎、把手、车灯，因为识别的都是电动车的局部部件，含有的特征较少，因此采用简单的SSD网络就可以达到预期的效果，SSD网络里主要运用的是VGG
‑
16的分类系统，对于训练和数据集的要求大大降低，并且三个局部部件一同判断能够很好的提高识别的准确率，在电动车被雨衣或其他物体遮挡，或是只有部分进入视野时根据暴露在视野里的部件也能有较好的识别效果。
附图说明
[0013]图1为本专利技术电动车识别及电梯防护的整体流程示意图。
[0014]图2为本专利技术SSD工作原理示意图。
[0015]图3为本专利技术图像预处理中的局部二值化示意图。
[0016]图4为本专利技术图像预处理效果图。
具体实施方式
[0017]为了使本领域技术人员更好地理解本专利技术方案，下面将结合附图对本专利技术具体实施方式进行清楚、完整地描述。显然，所描述的实施方式仅仅是本专利技术一部分的实施方式，而不是全部的实施方式。基于本专利技术中的实施方式，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都应当属于本专利技术保护的范围。以下通过具体实施方式进一步说明本专利技术。
[0018]图1是为本专利技术的电动车识别及电梯防护的整体流程示意图，其工作流程包括：摄像头实时采集电梯口的的图像信息，将取得的图像数据传输至后台服务器，服务器运行其搭载的三部件(即车胎、把手、车灯)识别模型对图像数据进行预测识别；在识别到电梯口存在电动车时，将提醒人员不准将电动车推入电梯，并阻止电梯继续工作。其中，摄像头可以是电梯自带的摄像头，如单目摄像头等。
[0019]图2为本专利技术使用的SSD的工作原理示意图，其是一个持续采集——识别——分类的系统的核心。SSD采用卷积层来代替全连接层进行分类，参考Wei Liu在European Conference on Computer Vision(ECCV),2016(In press)的《SSD:Single Shot MultiBox Detector》文章中得到的，SSD网络在一种典型的卷积神经网络
‑
VGG(Visual Geometry Group Network，视觉几何群，VGG是一个研究团队名字Visual Geometry Group的缩写，该团队所提的一个网络被大家广泛地称为VGG网络，它是卷积神经网络的一种)网络的基础上将它的两个全连接层用卷积特征层取代并用第二次的卷积后得到的特征层作为SSD预测网络的第二个预测特征层，后面几个特征层通过相应的卷积得到。但是对多个目标检测，还需
要知道他们groundtruth(置信度，即在这次预测框中的特征和所标记出来需要训练的特征之间的相似度)，然后利用defaultbox(预测框，以网络提取到的中心点生成边框)这项技术。其作用就是为了获取网格对应的训练真值。可能是因为人工标注的真值没办法与想要的k个特征框对应，所以作者新建k个default box作为训练时的真值。每个default box的长宽比例保持固定。SSD训练图像中的置信度需要赋予到那些固定输出的框体上。default box在不同的特征层有不同的评判系数，在同一个特征层又有不同的长宽比，因此基本上可以覆盖输入图像中的各种形状和大小的目标。参考自European Conference on Computer Vision(ECCV),2016(In press)的《SSD:Single Shot MultiBox Detector》。
[0020]SSD在训练时先将要训练的图片变为300*300大小输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电动车识别方法，其特征在于，所述识别方法包括：步骤1：通过摄像头采集图像；步骤2：将得到的图像传输至后台识别系统；步骤3：后台识别系统根据用深度学习框架训练好的识别模型来实时判断传回来的图像中是否含有电动车。2.根据权利要求1所述电动车识别方法，其特征在于，所述步骤3中图像数据的训练指采用基于机器视觉的单发多预测检测网络的深度学习模型对摄像头采集的图像数据进行训练及判断。3.根据权利要求1所述优化的电动车识别方法，其特征在于，所述步骤2中，还包括先对摄像头采集的图像数据进行局部二值化处理。4.根据权利要求1或3所述的电动车识别方法，其特征在于，所述步骤3中，在进行数据训练前，将采集到的高维的RGB背景图像与含有识别目标的RGB背景图像灰度处理后的低维的灰度图像输入到预...

【专利技术属性】
技术研发人员：张雷，梁汉濠，李振华，王玉，尚玉龙，田建杰，
申请(专利权)人：江苏理工学院，
类型：发明
国别省市：