一種目標場所優化調度方法及系統的製作方法
2023-06-01 05:50:31
專利名稱：一種目標場所優化調度方法及系統的製作方法
技術領域：
本發明涉及優化調度領域，特別是涉及一種目標場所優化調度方法及系統。
背景技術：
隨著城市化進程的發展和社會經濟的進步，高層建築不斷湧現，從而給各種場所帶來了巨大的目標調度壓力。例如，當今的電梯產品在滿足用戶基本搭乘需求的同時，正在向著節能型、智能化等方向發展，如何在電梯間對乘梯人目標進行優化調度，是各大電梯廠商和目標優化調度研發人員需要考慮的問題。
對電梯間乘梯人目標進行優化調度，可以從兩方面來解決，一方面可以採用更加節能的設備，例如更先進的拖動方式、更節能的電機類型等。另一方面可以採用智能化調度，其目標是減少候梯時間、乘梯時間和能量損耗。在電梯的目標優化調度中，候梯時間可以用來評價電梯外乘客的滿意度，乘梯時間可以用來評價電梯內乘客的滿意度。
學者Peters於1998年提出了綠色電梯的概念，對電梯進行智能化調度，即根據電梯間的乘梯人，對其進行優化調度，其中一個目標就是要減少電梯的停層次數。
隨著人工智慧的發展，各種目標優化調度方法，例如電梯的群控機制，即有多部電梯響應呼梯信號。
目前的常用的目標優化調度方法有模糊理論、遺傳方法(算法)等。
但目前的目標優化調度方法存在很大的缺陷，例如在電梯間的目標優化調度過程中，電梯基於指令響應的，如果某人按下按鈕，由於某種原因隨即離開，而電梯已經接收到該指令，仍然會在該樓層停靠；另外，如果電梯內人滿的已經進不了人了，但沒有超重，電梯仍然會響應下一個進人指令，造成無謂停靠。費時、費能，影響乘客和候梯人員的心情；而且，現有的目標優化調度方法無法捕獲侯梯廳人數，從而無法根據欲乘梯人數進行目標優化調度，比如安排較空閒的電梯響應人多的樓層，或調多部電梯到人多的樓層等等。
為克服現有技術存在的缺陷，申請號CN200610053699.3的中國公開申請公開了一種基於圖像識別技術的群控電梯智能調度裝置。其利用圖像信息輔助進行電梯的優化調度，但統計的是電梯間和電梯外空間的佔有率，即利用當前圖像減去相應的背景圖像，求前景像素的面積，進而求前景面積佔背景面積的比率，根據這個比率進行電梯的調度。
但是，該裝置的缺陷是在電梯間和候梯廳這種面積較小，光照變化較為劇烈場景下，採用前景面積比的方法確定人體數目是不準確的，不合理的，無法很好地克服現有技術的缺陷。
發明內容
本發明所要解決的問題在於提供一種目標場所優化調度方法及系統，其通過目標檢測技術統計目標，對目標場所進行優化調度，提高目標場所的工作效率。
為實現本發明而提供的一種目標場所優化調度方法，包括下列步驟 步驟A，採集視頻圖像的正例樣本集合和反例樣本集合； 步驟B，在正例樣本集合和反例樣本集合中，提取圖像特徵並進行訓練，得到用於目標場所目標檢測的分類器； 步驟C，從獲取的目標場所的實時視頻圖像中，利用分類器檢測出目標對目標場所進行優化調度。
所述的目標場所優化調度方法，還可以包括下列步驟 步驟D，將從目標場所獲取的實時視頻圖像作為檢測出的目標所在區域正例樣本，重複步驟B，進行訓練，進一步提高分類器的分類精確度。
所述步驟A包括下列步驟 A1.採集訓練的正例樣本集合； A2.採集訓練的反例樣本集合。
所述正例樣本，是根據目標優化調度的目標場所，對目標場所或者與目標場所相近似的場所進行監控錄像，在所獲得的視頻圖像中，將目標標註出來作為訓練的正例樣本。比如目標可以是人體。
所述反例樣本，是指不包含目標的圖像，來自採集的不包含目標的視頻圖像，或者收集的不包含目標的靜止圖像。
所述步驟B包括下列步驟 步驟B1，在確定了正例樣本集合和反例樣本集合之後，確定訓練使用的圖像特徵； 步驟B2，進行正例樣本集合和反例樣本集合的圖像特徵提取； 步驟B3，利用正例樣本集合和反例樣本集合，以及它們的視頻圖像的特徵的值，進行訓練，得到用於目標場所目標檢測的分類器。
所述圖像特徵為利用矩形特徵表示法表示。
所述矩形特徵表示法為擴展Harr-like特徵表示法。
所述圖像特徵提取是通過利用積分圖方法實現的。
所述步驟B3中，訓練得到用於目標場所目標檢測的分類器，包括下列步驟 步驟B31，利用迭代訓練過程，每次訓練得到一個弱分類器，將迭代得到的全部弱分類器線性組合形成一個強分類器； 步驟B32，將強分類器串聯在一起形成分級分類器。
所述步驟C包括下列步驟 步驟C1，根據每個目標場所的特點設定相應的檢測區域，獲取目標場所的實時視頻圖像； 步驟C2，從目標場所的實時視頻圖像中，根據目標場所的狀態選擇圖像幀； 步驟C3，對獲得的圖像幀進行預處理，篩除未包含目標的視頻圖像的圖像幀； 步驟C4，對包含目標的圖像幀，利用分類器進行目標檢測； 步驟C5，根據實時監控視頻圖像檢測出的目標場所的目標信息，及目標場所的已知信息，對目標場所進行調度。
所述目標場所為電梯間；所述目標為乘梯人體。
所述正例樣本為圖像中的目標對應的圖像區域，比如電梯監控視頻圖像中出現的人體頭肩部區域。。
所述步驟C2包括下列步驟 C21，在電梯關門並開始運行之後，選擇電梯內的圖像幀； C22，對有電梯外呼梯請求的候梯人的圖像幀進行統計。
所述步驟C4包括下列步驟 C41，利用訓練好的分類器對得到的預處理後的圖像幀進行場景人體檢測和人數統計； C42，人體檢測結果可以用框住人體頭肩部的矩形窗口表示，判斷檢測結果的窗口關係，如果一個窗口全部包含在另一個窗口中，而且兩個窗口的中心點位置相近，則保留大點的窗口，去除小的窗口，篩選出目標場所的精確目標。
所述步驟C5包括下列步驟 步驟C51，如果電梯內人數超過數值N時，即使有其他的電梯外呼梯信號，如果沒有出人信號，在該樓層不停靠； 步驟C52，針對有呼梯請求的廳層，如果候梯乘客按動電梯按鈕後隨即離開，即利用在時間T內再次檢測時廳層沒有候梯人員，則取消該呼梯指令，如果電梯在該層沒有出人指令，則電梯在該樓層不停靠； 步驟C53，利用目前電梯內人數和各呼梯廳層人數，對電梯調度進行統一調配； 步驟C54，電梯內如果沒人了，可以將電梯內的出人指令清零。
所述步驟C53中，進行統一調配，包括下列步驟 如果電梯外候梯人數眾多，而電梯內基本飽和，則該電梯不響應該樓層的呼梯信號，如果是多部電梯同時響應呼梯指令，可以找電梯內人數少的電梯響應該指令。
為實現本發明目的還提供一種目標場所優化調度系統，包括 樣本採集模塊，用於採集視頻圖像的正例樣本集合和反例樣本集合； 訓練器，用於從正例樣本集合和反例樣本集合中，提取圖像特徵提取並進行訓練，得到用於目標場所檢測的分類器； 優化器，用於從獲取的目標場所的實時視頻圖像中，利用分類器檢測出目標，對目標場所進行優化調度。
所述樣本採集模塊，包括正例樣本採集子模塊和反例樣本採集模塊，其中 所述正例樣本採集子模塊，是根據目標優化調度的目標場所，對目標場所或者與目標場所相近似的場所進行監控錄像，在所獲得的視頻圖像中，將目標標註出來作為訓練的正例樣本。比如目標可以是人體。
所述反例樣本採集子模塊，是針對所定義的目標，收集不包含目標的圖像，可以來自採集的不包含目標的視頻圖像，或者收集的不包含目標的靜止圖像。
所述目標場所為電梯間；所述目標為乘梯人體。
所述正例樣本為電梯監控視頻圖像中人體頭肩部對應的圖像區域。。
本發明的有益效果是本發明的目標場所優化調度方法和系統，結合圖像處理和分析技術，利用視頻信息檢測目標場所的目標，進行目標優化調度，提高目標場所的工作效率，例如電梯的運送能力及服務水平，具有重要的應用價值和現實意義。
圖1是本發明目標場所優化調度方法流程圖； 圖2是本發明實施例電梯內場景示意圖； 圖3是本發明實施例電梯外候梯廳場景示意圖； 圖4是本發明實施例採集到的反例樣本示意圖； 圖5是本發明實施例標註乘梯人目標的電梯外正例樣本示意圖； 圖6A是本發明實施例Harr-like特徵中4種邊特徵示意圖； 圖6B是本發明實施例Harr-like特徵中8種線特徵示意圖； 圖6C是本發明實施例Harr-like特徵中2種中心特徵示意圖； 圖7是本發明實施例積分圖示意圖； 圖8是分級分類結構示意圖； 圖9是圖2對應的感興趣區域(白色部分)示意圖； 圖10是本發明實施例中對乘梯人目標頭肩部檢測結果示意圖； 圖11是電梯優化調度系統的示意圖。
具體實施例方式 為了使本發明的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本發明的一種目標場所優化調度的方法及系統進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用於解釋本發明，並不用於限定本發明。
本發明實施例以電梯這種目標場所，乘梯人為例，對本發明的目標優化調度方法進行詳細的說明，但應當說明的是，本發明的目標場所並不限定於電梯，其也可以是商場、機場、辦公室、樓宇等各種需要進行目標優化的調度的目標場所。同時，也應當說明的是，所述目標並不限定於人，其也可以是其它在目標場所需要調度的，如機場運送貨物或者輪船運送貨物等目標。
本發明實施例的一種目標場所優化調度的方法及系統，利用電梯監控系統採集的電梯監控視頻圖像，通過標註出目標圖像區域作為正例樣本集合，收集不包含目標的圖像作為反例樣本集合，進行視頻圖像的圖像幀的特徵提取，利用圖像幀的特徵進行分類訓練，得到分類器，然後利用分類器對實時電梯監控視頻圖像進行分類，判斷目標場所-電梯中目標乘梯人，統計人數，並將目標乘梯人的信息反饋給現有的電梯調度系統，進行電梯的優化調度。
本發明要解決的技術問題包括 1、採集視頻圖像。利用電梯監控系統採集電梯監控的視頻圖像； 2、特徵提取和分類訓練。對採集的電梯監控視頻圖像標註出目標圖像區域作為正例樣本集合，收集不包含目標的圖像作為反例樣本集合，進行視頻圖像的圖像幀的特徵提取，利用所獲得的正例樣本集合的圖像幀特徵和反例樣本集合的圖像幀特徵，進行分類訓練，得到分類器； 3、實時視頻圖像檢測。利用訓練得到的分類器，對實時電梯監控視頻圖像進行目標檢測，判別出電梯間中的乘梯人，統計人數。
4、電梯調度，將乘梯人等目標的信息傳送給現有的電梯調度系統，進行電梯調度的優化。
下面結合所要解決的問題詳細介紹本發明一種目標場所優化調度方法，如圖1所示，包括下列步驟 步驟100採集視頻圖像的正例樣本集合和反例樣本集合。
在進行特徵提取和分類器訓練之前，需要確定特徵提取和分類器訓練的正例樣本集合和反例樣本集合。
步驟110採集訓練的視頻圖像的正例樣本集合。
所述視頻圖像的正例樣本，是指包含優化調度目標在內的視頻圖像中目標對應的圖像區域。如對電梯進行目標優化調度時，則將包含人體對應的圖像區域作為正例樣本。
較佳地，所述視頻圖像的正例樣本，是根據目標優化調度的目標場所，對目標場所或者與目標場所相近似的場所進行監控錄像獲得視頻圖像，將圖像中目標出現的圖像區域標註出來作為正例樣本。例如，對電梯的進行目標優化調度時，可以以電梯間的監控錄像獲得視頻圖像中人體目標對應的圖像區域作以正例樣本，或者來自於與電梯間相近似的場所，如商場的監控錄像等。
直接利用電梯監控系統對如圖2所示的電梯內(轎廂)和如圖3所示電梯外(廳層)的視頻採集功能，採集電梯監控視頻圖像，包括電梯內和電梯外的視頻圖像。
作為一種可實施方式，現有的電梯監控系統，可以利用有線攝像頭或無線攝像頭方式，獲取電梯監控視頻圖像。
通過現有電梯監控系統獲取電梯監控視頻是一種現有的公知技術，因此，在本發明中不再一一詳細描述。
更佳地，針對電梯間視頻監控的特點，所述正例樣本集合是包含人體頭肩部區域的圖像集合。
步驟120採集訓練的反例樣本集合。
反例樣本集合是指不包含優化調度目標在內的視頻圖像。如對電梯進行目標優化調度時，則將不包含人體的視頻圖像作為反例樣本，或者來自其它的不包含目標的靜止圖片。
如圖4所示，可以從網絡上或者現有圖像資料庫中得到的不包含人體的大量風景或建築圖片，作為視頻圖像的反例樣本。
步驟200在正例樣本集合和反例樣本集合中，提取圖像特徵提取並進行訓練，得到用於目標場所檢測的分類器； 為了減少計算量，提高準確度，作為一種可實施方式，本發明實施例對目標場所中的目標，如電梯間的人體特徵進行標註，進行特徵提取和分類器訓練， 步驟210在確定了正例樣本集合和反例樣本集合之後，確定訓練使用的圖像特徵。
作為一種可實施方式，因為利用特徵表述圖像要比直接使用圖像點的灰度值表述圖像速度快很多，所以本發明實施例採用矩形特徵表示方法來表徵視頻圖像的圖像特徵，即包含電梯視頻圖像中的人體頭肩部的視頻圖像的圖像特徵，以及反例樣本集合中的視頻圖像的圖像特徵，確定訓練使用的特徵。
作為一種可實施方式，對包含人體頭肩部的視頻圖像的正例樣本集合的每一個圖像，人工標註或者利用現有的圖像識別方法，如人體識別方法，或者兩者結合，以矩形圖像的方式標註出視頻圖像中的人體目標，存儲為標註文件，並在標註文件中存貯該圖像名，以及人體頭肩部個數，每個人體頭肩部的左上角坐標，以及包含人體頭肩部的矩形圖像的寬和長。
將這些標註出的包含人體頭肩部矩形圖像將被作為訓練的正例樣本。
如圖5所示，是部分人體頭肩部標註示例圖，可以看到人體姿態變化較大，有的是背影，有的是側影，有的是正臉，有的被遮擋等現象，通過人工標註的方法，標註出包括給人體頭肩部矩形圖像，作為訓練的正例樣本。
作為一種可實施的方式，對不包含人體的視頻圖像的反例樣本集合的每一個圖像，以一定尺寸的窗口隨機截取部分圖像區域作為訓練的反例樣本。
較佳地，所述矩形特徵表示方法為擴展Harr-like特徵表示法來表徵視頻圖像的圖像特徵，如電梯視頻圖像中的包含人體頭肩部的矩形圖像的特徵；以及反例樣本集合的視頻圖像的圖像特徵。
所述Harr-like特徵具體包括視頻圖像的14種特徵，如圖6A、圖6B、圖6C所示，包括 (1)4種邊特徵。
(2)8種線特徵。
(3)2種中心特徵。
步驟220進行正例樣本集合和反例樣本集合的圖像特徵提取。
對圖像進行特徵提取，是一種現有技術，本領域技術人員根據所確定的視頻圖像，以及圖像特徵表示，可以利用相應的圖像特徵提取方法提取出視頻圖像的特徵。
較佳地，作為一種可實施方式，本發明實施例利用積分圖方法(算法)對矩形特徵表示的正例樣本集合和反例集本集的視頻圖像進行圖像特徵的提取。
用Harr-like特徵表示方法進行圖像特徵時，可以用積分圖方法(由Viola命名的一種與Harr-like特徵表示方法相應的圖像特徵提取算法)對其視頻圖像進行特徵提取。
所述積分圖方法實現過程如下 在一張積分圖上，點x，y的值，如圖7所示，是原圖像上這個點的上方和左邊所有點的亮度值的和，如式(1)所示 在這裡ii(x，y)是積分圖，i(x，y)是原圖象。利用式(2)和式(3)，積分圖可以只用遍歷一次原圖象所有點就可以計算出來。
s(x，y)＝s(x，y-1)+i(x，y)(2) 其中，s(x，y)的初始值為0。
ii(x，y)＝ii(x-1，y)+s(x，y)(3) 利用積分圖，一個矩形圖像區域內的所有點的亮度和可以通過引用其上下左右四個相對位置積分值得到。
其中，當相對位置積分值不存在(即上下左右四個位置中某個位置不存在)時，其積分值為0。
利用積分圖對應位置的積分值可以通過矩形之間的加減運算快速得到相應的矩形特徵的值。
步驟230利用正例樣本集合和反例樣本集合，以及他們的視頻圖像的特徵的值，進行訓練，得到用於目標場所目標檢測的分類器。
在確定了正例樣本集合和反例樣本集合，以及他們的視頻圖像的特徵的值之後，訓練一個用於目標場所--電梯內或電梯外的目標-人體檢測的分類器。
作為一種可實施方式，本發明實施例使用Adaboost學習方法(算法)進行訓練。這個方法能夠同時完成選擇特徵和訓練分類器兩個任務。Adaboost學習方法原本是用來提高簡單分類法的性能的，利用一個迭代的訓練過程最終得到一個強分類器。Adaboost學習方法中，在第一次訓練出一個弱分類器後，訓練樣本的權重得到調整，從而使沒有被第一次訓練出的弱分類器正確分類的樣本的權重增加，如此迭代下去，最終得到的強分類器是對每次訓練得到的弱分類器的一個線性組合。
所述步驟230中訓練得到用於目標場所目標檢測的分類器，包括下列步驟 步驟231利用迭代訓練過程，每次訓練得到一個弱分類器，將迭代得到的全部弱分類器線性組合形成一個強分類器； 較佳地，作為一種可實施方式，本發明實施中，包含檢測目標的圖像特徵是指包含人體頭肩部的矩形圖像的特徵。
已知n個訓練樣本(x1，y1，...，(xn，yn)是訓練樣本集，其中xi∈X對應圖像樣本，yi∈Y＝{0，1}對應反例樣本和正例樣本。
第j個特徵生成的簡單分類器形式，如式(4)所示，為
其中hj表示簡單分類器的值，θj為閾值，pj表示不等號的方向，只能取±1，fj(x)表示特徵值。
作為一種可實施方式，其方法實現過程如下 ●初始化權重，設正例樣本和反例樣本特徵分別有m，l個。則 ●For t＝1，...，T i)規格化權重，使wt是一個概率分布。
ii)對每個特徵j，訓練一個弱分類器hj只使用這一個特徵。計算加了權重的誤差 εj＝∑iwi|hj(xi)-yi|。
iii)選擇誤差εt最小的弱分類器ht加入到強分類器中去。
iv)更新權重如果xi被分類正確ei＝0，否則ei＝1。
其中 ●最後輸出最終得到的分類器，如式(5)所示，為 其中， 步驟232將強分類器串聯在一起形成分級分類器。
然後需要將強分類器串聯在一起形成分級分類器(classifier cascade)。
較佳地，串聯時遵循「先重後輕」分級分類器，即將由更重要特徵構成的結構較簡單的強分類器放在前面，這樣可以先排除大量的假樣本，提高檢測速度。
作為一種可實施方式，本發明實施例使用在電梯間人體檢測的包含人體頭肩部的視頻圖像的特徵而得到分級分類器，提高目標檢測的速度，在使用更為複雜的分類器來確認這個窗口是不是檢測目標之前，利用簡單的分類器先行排除掉大部分的非檢測目標窗口。
如圖8所示，是分級分類結構示意圖，對於一個輸入的電梯視頻圖像檢測窗，如果它通過了第1級分類器，才能進入到第2級分類器，否則被當作不包含人體頭肩部的視頻圖像窗口而被排除；接下來的各層分類器依次保留人體頭肩部窗口，排除非人體頭肩部窗口，得到電梯視頻圖像檢測的分級分類器。
本發明在實驗過程中，一共使用了來自1200幅圖像中的1888個人體頭肩部樣本即正例樣本，和8000個反例進行Adaboost訓練，得到一組18個級聯分類器。
步驟300從獲取的目標場所的實時視頻圖像中，利用分類器檢測出目標，對目標場所進行優化調度。
步驟310根據每個目標場所的特點設定相應的檢測區域，獲取目標場所的實時視頻圖像。
作為一種可實施方式，本發明實施例中，對電梯間進行優化調度時，根據電梯間的特點設定相應的檢測區域，獲取電梯間(包括電梯內和電梯外)等目標場所的實時視頻圖像。
電梯監控視頻的場景一般是固定不變的，為了減少幹擾和計算量，可以根據每個場景的特點設定相應的檢測區域，即感興趣區域。感興趣區域在此是指人體經常出現的位置，可以根據每個場景的特點設定相應的檢測區域，比如人體不可能出現在監控場景的上部，不可能出現在電梯壁上等等。
如圖9所示，是圖1代表的場景對應的感興趣區域(白色部分)，僅在該區域進行人體檢測可以減少計算量，同時減少牆壁或電梯壁反光引起的誤檢。該感興趣區域可以根據場景特點進行確定。
步驟320從目標場所的實時視頻圖像中，根據目標場所的狀態選擇圖像幀。
由於視頻數據量大，每一秒就有25到30幀的圖像數據，如果對每一幀圖像進行分析，計算量巨大，無法滿足電梯調度的實時性要求。因此，作為一種可實施方式，本發明實施例不對所有的電梯監控視頻都進行實時的人數統計，而是僅選擇有意義的圖像幀，這些有意義的圖像幀是結合電梯運行狀態決定的。
步驟321在電梯關門並開始運行之後，選擇電梯內的圖像幀； 如圖2所示，由於電梯內採集的圖像在電梯門開關過程中，環境光照會產生劇烈的變化，給人體檢測帶來很大的難度。另外，在電梯門關閉並運行的過程中，電梯內的人體基本處於靜止狀態，人數也不會發生明顯變化，這個過程持續到電梯門再次開啟為止。所以，本發明實施例對於電梯內圖像幀的選擇僅在電梯關門並開始運行之後。
步驟322對有電梯外呼梯請求的候梯人的圖像幀進行統計並且需要重複進行； 如圖3所示，針對電梯外候梯人圖像幀的選擇問題，如果對每個樓層外的人數進行統計，非常耗時且達不到實時效果。電梯調度實際關心的是發出指令的那些樓層的候梯人數。作為一種可實施的方式，本發明實施例僅對有電梯外呼梯請求的候梯人的圖像幀進行統計並且需要重複進行。
較佳地，在電梯到達該樓層前需要間隔一段時間T再選擇電梯外候梯人的圖像幀，這是一個循環過程，直到電梯到達該層。這種方法可以及時捕獲電梯外呼梯需求的動態變化，比如一人按下電梯請求按鈕後，隨即離開的情況。
步驟330對獲得的圖像幀進行預處理，篩除未包含目標的視頻圖像的圖像幀。
本發明實施例採用一種分層的判斷方式，為了減少計算時間，本發明採用由粗到細的分類統計方法。首先獲取場景的背景圖像，然後對待檢測圖像進行背景減除，初步判斷是否有人。如果沒人就不再進行後面的處理。
由於監控場景的背景是固定不變的，如果場景中出現人體，人體會覆蓋部分背景，使得人體和其覆蓋的背景有明顯的不同。利用這一特點，首先獲取不含人體的監控場景背景圖像，然後求待檢測圖像和背景圖像逐像素的差，如果差值不為零的像素比例小於一定的閾值，則判斷圖像中沒有人體。否則，說明有人，然後再進行人體數目檢測。
步驟340對包含目標的圖像幀，利用分類器進行目標檢測。
步驟341利用訓練好的分類器對由步驟330得到的預處理後的圖像幀進行場景人數統計。
作為一種可實施方式，本實施例針對經過預處理後的電梯間視頻的圖像幀，利用步驟240訓練好的分級分類器進行人體目標檢測，從而對場景人數進行統計。
作為一種可實施的方式，較佳地，在本發明利用分類器進行目標檢測過程中，為了檢測不同大小的人體目標，依據檢測視頻圖像的圖像幀，以根據正例樣本的矩形圖像而訓練得到的分類器中的矩形窗口，掃描檢測圖像幀。
分類器對圖像幀利用矩形窗口進行掃描檢測該矩形窗口對應的被檢測矩形圖像，然後以一定步長將檢測窗口移動到圖像的下一個掃描檢測位置，直到整個圖像掃描檢測完畢。只有矩形窗口對應的圖像幀的矩形圖像通過了所有的級聯分類器，該矩形窗口對應的矩形圖像才判別為包含目標。
步驟342人體檢測結果可以用框住人體頭肩部的矩形窗口表示，判斷檢測結果的窗口關係，如果一個窗口全部包含在另一個窗口中，而且兩個窗口的中心點位置相近，則保留大點的窗口，去除小的窗口，篩選出目標場所的精確目標。
由於僅利用該方法對圖像進行檢測，會有一些誤報現象，例如重疊的人臉窗口，本發明根據頭肩部檢測結果的位置和大小關係，進一步進行後處理操作。具體的步驟是判斷檢測結果的窗口關係，如果一個窗口全部包含在另一個窗口中，而且兩個窗口的中心點位置相近，則保留大點的窗口，去除小的窗口。通過後處理操作，減少了一些誤報現象。
圖10是利用訓練出來的分類器並進行後處理之後，對電梯外視頻進行人體頭肩部檢測的結果，大小根據頭肩部大小改變。可以看到場景中存在的頭肩部基本被找到，有些嚴重遮擋的，在圖像上幾乎看不到的沒有找到，而且人體姿態是多樣的，使用本發明的方法能夠找到，目標檢測速度在計算機上達到了實時效果。
圖10是以電梯外的人體頭肩部檢測為例，而對本發明的目標優化調度方法進行詳細說明，對於電梯內的圖像，同樣採用分類器檢測人體頭肩部的方法檢測電梯內人數。但是由於攝像機角度關係，有些電梯內的人體在圖像中根本看不到。另外，在人多情況下，存在嚴重遮擋，以及光照的變化等情況，導致頭肩部檢測不完全，存在漏檢現象。這個可以結合電梯重量，以及人體平均體重，得到人數信息，來指導電梯內人數判斷。
步驟350根據實時監控視頻圖像檢測出的目標場所的目標信息，及目標場所的已知信息，對目標場所進行調度。
本發明實施例以電梯間的目標優化調度為例，根據實時將得到的電梯內人數信息和電梯外候梯人數信息，以及包括電梯標號或廳層標號等已知信息，進行電梯調度的優化調度。
作為一種可實施方式，其可以根據這些信息進行以下幾種情況下的優化 步驟351，如果轎廂內人數超過一定數值N時，即使有其他的電梯外呼梯信號，如果沒有出人信號，在該樓層不停靠； 步驟352，針對有呼梯請求的廳層，如果候梯乘客按動電梯按鈕後隨即離開，即利用在時間T內再次檢測時廳層沒有候梯人員，則取消該呼梯指令，如果電梯在該層沒有出人指令，則電梯在該樓層不停靠； 步驟353，利用目前電梯內人數和各呼梯廳層人數，對電梯調度進行統一調配。如果電梯外候梯人數眾多，而電梯內基本飽和，則該電梯不響應該樓層的呼梯信號，如果是多部電梯同時響應呼梯指令，可以找電梯內人數少的電梯響應該指令。
步驟354，電梯內如果沒人了，可以將電梯內的出人指令清零。
更佳地，本發明的目標場所優化調度方法，其還包括下列步驟 步驟400，將從目標場所獲取的實時視頻圖像檢測出的目標所在區域作為正例樣本，重複步驟200，進行檢測，進一步提高分類器的分類精確度。
本發明的目標場所優化調度方法，結合圖像處理和分析技術，利用視頻信息檢測目標場所的目標，進行目標優化調度，提高目標場所的工作效率。
相應於本發明的一種目標場所優化調度方法，本發明還提供一種目標場所優化調度系統，如圖11所示，其包括 樣本採集模塊100，用於採集視頻圖像的正例樣本集合和反例樣本集合； 所述樣本採集模塊，包括正例樣本採集子模塊110和反例樣本採集子模塊120，其中 所述正例樣本採集子模塊110，用於根據目標優化調度的目標場所，對目標場所或者與目標場所相近似的場所進行監控錄像獲得視頻圖像，標註出圖像中的目標區域作為正例樣本。
例如，對電梯的進行目標優化調度時，可以以電梯間的監控錄像獲得的視頻圖像，標註出人體頭肩部作為正例樣本，或者以與電梯間相近似的場所，如商場的監控錄像而獲得正例樣本。
所述反例樣本採集子模塊120，用於根據目標優化調度的目標場所，對於不包含目標的視頻圖像或其它的靜止圖片。可以從網絡上或者現有圖像資料庫中得到的不包含人體的大量風景或建築圖片，作為視頻圖像的反例樣本。
訓練器200，用於從正例樣本集合和反例樣本集合中，提取圖像特徵提取並進行訓練，得到用於目標場所檢測的分類器； 優化器300，用於從獲取的目標場所的實時視頻圖像中，利用分類器檢測出目標，對目標場所進行優化調度； 本發明的一種目標場所優化調度系統，採用與本發明的一種目標場所優化調度的方法相同的工作過程進行目標場所的優化調度，因此，在本發明實施例中，不再一一詳細進行描述。
本發明提供的一種目標場所優化調度的方法及系統，結合圖像處理和分析技術，利用視頻信息檢測目標場所的目標，進行目標優化調度，提高目標場所的工作效率。如在電梯間的優化調度過程中，直接檢測人體頭肩目標，並統計具體人數，能夠給電梯間調度提供更具體的準確的信息，進一步地，僅對有呼梯請求的候梯樓層檢測人體數目，這樣大大減少了計算量和需要傳輸給電梯調度系統的參數。在實際應用中，本發明的目標場所優化調度系統可作為一個軟體模塊嵌入目標場所優化調度算法中，或者做成嵌入式方式和實時監控系統相連，並將統計到的目標信息通過有線或無線方式發送給優化調度系統，優化調度系統可以利用這些信息進行目標場所的優化調度，以提高目標場所的工作效率，如電梯的運送能力及服務水平。
通過以上結合附圖對本發明具體實施例的描述，本發明的其它方面及特徵對本領域的技術人員而言是顯而易見的。
以上對本發明的具體實施例進行了描述和說明，這些實施例應被認為其只是示例性的，並不用於對本發明進行限制，本發明應根據所附的權利要求進行解釋。
權利要求
1.一種目標場所優化調度方法，其特徵在於，包括下列步驟
步驟A，採集視頻圖像的正例樣本集合和反例樣本集合；
步驟B，在正例樣本集合和反例樣本集合中，提取圖像特徵並進行訓練，得到用於目標場所目標檢測的分類器；
步驟C，從獲取的目標場所的實時視頻圖像中，利用分類器檢測出目標，對目標場所進行優化調度。
2.根據權利要求1所述的目標場所優化調度方法，其特徵在於，還包括下列步驟
步驟D，將從目標場所獲取的實時視頻圖像檢測出的目標所在區域作為正例樣本，重複步驟B，進行訓練，進一步提高分類器的分類精確度。
3.根據權利要求1或2所述的目標場所優化調度方法，其特徵在於，所述步驟A包括下列步驟
A1.採集訓練的正例樣本集合；
A2.採集訓練的反例樣本集合。
4.根據權利要求3所述的目標場所優化調度方法，其特徵在於，所述正例樣本，是根據目標優化調度的目標場所，對目標場所或者與目標場所相近似的場所進行監控錄像，在所獲得的視頻圖像中，將目標標註出來作為訓練的正例樣本。
5.根據權利要求4所述的目標場所優化調度方法，其特徵在於，所述反例樣本，是指不包含目標的圖像，是來自採集的不包含目標的視頻圖像，或者收集的不包含目標的靜止圖像。
6.根據權利要求1或2所述的目標場所優化調度方法，其特徵在於，所述步驟B包括下列步驟
步驟B1，在確定了正例樣本集合和反例樣本集合之後，確定訓練使用的圖像特徵；
步驟B2，進行正例樣本集合和反例樣本集合的圖像特徵提取；
步驟B3，利用正例樣本集合和反例樣本集合，以及它們的視頻圖像的特徵的值，進行訓練，得到用於目標場所目標檢測的分類器。
7.根據權利要求6所述的目標場所優化調度方法，其特徵在於，所述圖像特徵為利用矩形特徵表示法表示。
8.根據權利要求7所述的目標場所優化調度方法，其特徵在於，所述矩形特徵表示法為擴展Harr-like特徵表示法。
9.根據權利要求8所述的目標場所優化調度方法，其特徵在於，所述圖像特徵提取是通過利用積分圖方法實現的。
10.根據權利要求6所述的目標場所優化調度方法，其特徵在於，所述步驟B3中，訓練得到用於目標場所目標檢測的分類器，包括下列步驟
步驟B31，利用迭代訓練過程，每次訓練得到一個弱分類器，全部弱分類器線性組合形成一個強分類器；
步驟B32，將強分類器串聯在一起形成分級分類器。
11.根據權利要求1所述的目標場所優化調度方法，其特徵在於，所述步驟C包括下列步驟
步驟C1，根據每個目標場所的特點設定相應的檢測區域，獲取目標場所的實時視頻圖像；
步驟C2，從目標場所的實時視頻圖像中，根據目標場所的狀態選擇圖像幀；
步驟C3，對獲得的圖像幀進行預處理，篩除未包含目標的視頻圖像的圖像幀；
步驟C4，對包含目標的圖像幀，利用分類器進行目標檢測；
步驟C5，根據實時監控視頻圖像檢測出的目標場所的目標信息，及目標場所的已知信息，對目標場所進行調度。
12.根據權利要求11所述的目標場所優化調度方法，其特徵在於，所述目標場所為電梯間；所述目標為乘梯人體。
13.根據權利要求12所述的目標場所優化調度方法，其特徵在於，所述正例樣本為包含人體頭肩部的電梯監控視頻圖像。
14.根據權利要求11所述的目標場所優化調度方法，其特徵在於，所述步驟C2包括下列步驟
C21，在電梯關門並開始運行之後，選擇電梯內的圖像幀；
C22，對有電梯外呼梯請求的候梯人的圖像幀進行統計。
15.根據權利要求11所述的目標場所優化調度方法，其特徵在於，所述步驟C4包括下列步驟
C41，利用訓練好的分類器對得到的預處理後的圖像幀進行場景人數統計；
C42，判斷檢測結果的窗口關係，如果一個窗口全部包含在另一個窗口中，而且兩個窗口的中心點位置相近，則保留大點的窗口，去除小的窗口，篩選出目標場所的精確目標。
16.根據權利要求11所述的目標場所優化調度方法，其特徵在於，所述步驟C5包括下列步驟
步驟C51，如果電梯內人數超過數值N時，即使有其他的電梯外呼梯信號，如果沒有出人信號，在該樓層不停靠；
步驟C52，針對有呼梯請求的廳層，如果候梯乘客按動電梯按鈕後隨即離開，即利用在時間T內再次檢測時廳層沒有候梯人員，則取消該呼梯指令，如果電梯在該層沒有出人指令，則電梯在該樓層不停靠；
步驟C53，利用目前電梯內人數和各呼梯廳層人數，對電梯調度進行統一調配；
步驟C54，電梯內如果沒人了，可以將電梯內的出人指令清零。
17.根據權利要求16所述的目標場所優化調度方法，其特徵在於，所述步驟C53中，進行統一調配，包括下列步驟
如果電梯外候梯人數眾多，而電梯內基本飽和，則該電梯不響應該樓層的呼梯信號，如果是多部電梯同時響應呼梯指令，可以找電梯內人數少的電梯響應該指令。
18.一種目標場所優化調度系統，其特徵在於，包括
樣本採集模塊，用於採集視頻圖像的正例樣本集合和反例樣本集合；
訓練器，用於從正例樣本集合和反例樣本集合中，提取圖像特徵提取並進行訓練，得到用於目標場所檢測的分類器；
優化器，用於從獲取的目標場所的實時視頻圖像中，利用分類器檢測出目標，對目標場所進行優化調度。
19.根據權利要求18所述的目標場所優化調度系統，其特徵在於，所述樣本採集模塊，包括正例樣本採集子模塊和反例樣本採集模塊，其中
所述正例樣本採集子模塊，是根據目標優化調度的目標場所，對目標場所或者與目標場所相近似的場所進行監控錄像，在所獲得的視頻圖像中，將目標標註出來作為訓練的正例樣本；所述反例樣本採集子模塊，是針對所定義的目標，收集不包含目標的圖像，是來自採集的不包含目標的視頻圖像，或者收集的不包含目標的靜止圖像。
20.根據權利要求19所述的目標場所優化調度系統，其特徵在於，所述目標場所為電梯間；所述目標為乘梯人體。
21.根據權利要求20所述的目標場所優化調度系統，其特徵在於，所述正例樣本為包含人體頭肩部的電梯監控視頻圖像。
全文摘要
本發明公開了一種目標場所優化調度方法及系統。該方法包括下列步驟採集目標場所相應目標對應的正例樣本集合和反例樣本集合；在正例樣本集合和反例樣本集合中，提取圖像特徵並進行訓練，得到用於目標場所目標檢測的分類器；從獲取的目標場所的實時視頻圖像中，利用分類器檢測出目標，對目標場所進行優化調度。將從目標場所獲取的實時視頻圖像檢測出的目標所在區域作為正例樣本，重複訓練，進一步提高分類器的分類精確度。其對目標場所進行優化調度，提高目標場所的工作效率。
文檔編號B66B1/06GK101200252SQ200710179079
公開日2008年6月18日 申請日期2007年12月10日 優先權日2007年12月10日
發明者錢躍良, 宏 劉, 楊 高, 丹 趙, 群 劉 申請人:中國科學院計算技術研究所