CN102902971A - 基于智能视觉感知的电梯人流量统计方法及*** - Google Patents

Abstract

本发明提供一种基于智能视觉感知的电梯人流量统计方法。包括以下步骤：S1.头肩模型样本库的建立；S2.特征提取及模型训练：对S1中样本进行PCA特征提取，并利用SVM训练器训练生成模型；S3：目标检测：根据S2中得到的人体头肩模型数据，与实时采集的图像进行匹配计算，检测得到当前图像中的目标；S4.目标跟踪：对S3中检测到的目标进行跟踪；S5.人流量统计：当S4中跟踪的目标发生越过穿越线事件时，根据目标的进出情况，对相应计数器进行操作。本发明的有益效果是通过实时采集的图像进行实时智能分析，得出电梯人流量数据，为制定更为有效、节能的电梯调度策略，提供了精确的依据；解决了传统方法中电梯人流量的预测模型的复杂及建立困难的问题，预防了由于特殊事件而带来的预测不精确的情况发生。

Description

基于智能视觉感知的电梯人流量统计方法及***

技术领域

本发明属于模式识别与计算机视觉领域，尤其涉及一种基于智能视觉感知的电梯人流量统计方法及***。

背景技术

随着城市的高层商用大楼和住宅小区的增加，作为重要的垂直运输工具的电梯得到了越来越广泛的应用。保证电梯可靠、高效、舒适和快捷地运行，是电梯发展与技术进步的关键所在。要对电梯进行合理有效的调度，就必须要掌握精确的电梯人流量的数据，因此，人流量的统计就显得尤为重要。由于电梯人流量受到随机因素的影响，具有高度非线性和不可预知性，因此难以寻找到特定的函数来预测电梯的客流量。

当前的电梯人流量统计方法，都是通过借助交通流量来进行预测。传统的客流量统计方法是把流量看成一种时间序列，提取自回归模型，滑动平均模型，和自回归滑动平均模型。这类方法很容易实现，但是模型参数确定后，就不能更改，且是线性模型，因此，对复杂的非线性电梯人流量就会大大降低其预测的精确度。1990年后，由于神经网络的自适应和自学习的优势，学者们提出了基于神经网络的电梯人流量统计模型。但神经网络方法又存在着收敛速度慢，易陷入局部极值等缺点，使其也不能成为理想的方法。

因此，为了解决传统方法中复杂电梯人流量的预测模型的难以建立的问题，预防了由于特殊事件而带来的预测不精确的情况发生，本发明提出一种基于PCA-SVM的目标检测和基于卡尔曼滤波的目标跟踪的方法，通过实时采集图像进行智能分析，得出精确的客流量数据。

发明内容

本发明是为了提供一种能够有效获知电梯每日运行的客流量，以依据此精确的数据，制定更为有效、节能的电梯调度策略。

为实现上述目的，本发明采用的一个技术方案是提供一种基于智能视觉感知的电梯人流量统计方法，包括以下步骤：

S100：采集人体头肩模型图像样本；

S200：对所采集的人体头肩模型图像进行PCA特征提取，并送入SVM训练器中训练生成样本库；

S300：判别电梯门是否开启，若是，采集当前帧图像，查找当前帧图像内的运动目标，对所述运动目标进行PCA特征提取，利用SVM分类器对运动目标与样本库进行匹配分类，若所述运动目标为人体头肩图像，则转S400；若否，则循环S300；

S400：判断所述运动目标为进电梯还是出电梯，若所述运动目标为进电梯，则对进电梯人数加1，若所述运动目标为出电梯，则对出电梯人数加1。

步骤S200，具体的包括如下步骤：

S201：将人体头肩模型图像样本按行拉伸为一维向量，设定图像样本数据库为高维数据空间点集X={x_i}，i=1,2,3······N；

S202：求取X的均值向量m；

S203：X中的每个向量减去均值m，然后求其协方差矩阵，并进行特征值分解；

S204：提取前几个特征值对应的特征向量，即所求得主成分向量，记为Γ_i,i=1,2…p（p为降维将要得到的低维数据维数）；

S205：将所求得的主成分向量进行降维，并送入SVM训练器中分类，生成样本库。

步骤S300具体包括：

S311：采集当前帧图像，运用帧间差分得到二值图像，判断所述二值图像是否存在连通区域，若存在，则转S312；若不存在，则继续采集下一帧图像。

S312：建立所述二值图像跟踪的卡尔曼滤波器模型，查找图像内的运动目标。

步骤S300中，所述检测电梯门是否开启通过对采集到的图像进行边缘检测，包括：

S321：判定划定区域的左边部分是否检测到直线；若是，则转下一步，若否，则判定电梯为关门；

S322：判定划定区域的右边部分是否检测到直线；若是，则转下一步，若否，则判定电梯为关门；

S323：判定以上的左右两边的直线是否关于中间点对称，若是，则判定电梯开门，若否，则判定电梯关门。

步骤S400具体包括：

判断待测图像内的跟踪目标的前一刻、当前刻与预设好的坐标线的坐标关系；

若前一刻跟踪目标所在坐标在穿越线下方，即电梯内，当前时刻所在坐标为穿越线上方，即电梯外，则判定该目标为出电梯；

若前一刻跟踪目标所在坐标为穿越线上方，即电梯内，当前时刻所在坐标为穿越线下方，即电梯内，则判定该目标为进电梯。

具体的，所述的对直线的检测采用霍夫变换方法。

本发明还提供一种基于智能视觉感知的电梯人流量统计***，包括：

信息采集单元，用于采集人体头肩模型图像样本；数据库建立单元，用于对所采集的人体头肩模型图像进行PCA特征提取，并送入SVM训练器中训练生成样本库；第一判断单元，用于判别电梯门是否开启；数据分析单元，用于采集当前帧图像，查找当前帧图像内的运动目标，对所述运动目标进行PCA特征提取，利用SVM分类器对运动目标与样本库进行匹配分类，若所述运动目标为人体头肩图像，则转统计单元；统计单元，用于判断所述运动目标为进电梯还是出电梯，若所述运动目标为进电梯，则对进电梯人数加1，若所述运动目标为出电梯，则对出电梯人数加1。

所述数据建立单元具体的包括：第一数值分析单元，用于将人体头肩模型图像样本按行拉伸为一维向量，设定图像样本数据库为高维数据空间点集X={x_i}，i=1,2,3······N；均值求取单元，用于求取X的均值向量m；第二数值分析单元，用于将X中的每个向量减去均值m，然后求其协方差矩阵，并进行特征值分解；主成分向量获取单元，用于提取前几个特征值对应的特征向量，即所求得主成分向量，记为Γ_i,i=1,2…p（p为降维将要得到的低维数据维数）；样本库生成单元，用于将所求得的主成分向量进行降维，并送入SVM训练器中分类，生成样本库。

所述数据分析单元包括：图像采集单元，用于采集当前帧图像，运用帧间差分得到二值图像，判断所述二值图像是否存在连通区域，若存在，则转运动目标获取单元；若不存在，则继续采集下一帧图像。运动目标获取单元，用于建立所述二值图像跟踪的卡尔曼滤波器模型，查找图像内的运动目标。

所述数据分析单元还包括：第一检测单元，用于判定划定区域的左边部分是否检测到直线；若是，则转第二检测单元，若否，则判定电梯为关门；第二检测单元，用于判定划定区域的右边部分是否检测到直线；若是，则转第三检测，若否，则判定电梯为关门；第三检测单元，用于判定以上的左右两边的直线是否关于中间点对称，若是，则判定电梯开门，若否，则判定电梯关门。

所述统计单元具体的包括：坐标分析单元以及计数单元；坐标分析单元，用于判断待测图像内的跟踪目标的前一刻、当前刻与预设好的坐标线的坐标关系；若前一刻跟踪目标所在坐标在穿越线下方，即电梯内，当前时刻所在坐标为穿越线上方，即电梯外，则判定该目标为出电梯，则所述计数单元对出电梯人数加1；若前一刻跟踪目标所在坐标为穿越线上方，即电梯内，当前时刻所在坐标为穿越线下方，即电梯内，则判定该目标为进电梯，则所述计数单元对进电梯人数加1。

本发明的有益效果是：采用了PCA-SVM混合的分类器来进行人体头肩识别，对所采集的人体头肩图像样本进行PCA特征提取，并送入SVM训练器中训练，以生成样本库，对于所获取的当前帧图像，通过获取当前帧图像内的运动目标，并对其进行PCA特征提取和SVM分类器分类，并与样本库进行匹配比较，识别出当前帧图像内的运动目标为人体头肩图像，并通过分析所述运动目标的运动状态，统计电梯每日运行的客流量。采用该技术方案比单一的分类器识别的准确率更高，通过统计电梯每日运行的客流量，为电梯维护人员估计器件的磨损程度提供依据，进而制定更有效的电梯维护计划，减少故障的发生。

附图说明

图1是本发明的基于智能视觉感知的电梯人流量统计方法的流程图；

图2是本发明的检测所述电梯是否开门的流程图；

图3是本发明的基于智能视觉感知的电梯人流量统计***的结构框图。

具体实施方式

为详细说明本发明的技术内容、构造特征、所实现目的及效果，以下结合实施方式并配合附图详予说明。

在本技术方案中，所述的SVM是支持向量机，它的基本思想是对于一个给定的具有有限数量训练样本的学习任务，如何在模型的复杂度（即对特定训练样本的学习精度）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折中，以期获得最好的推广能力。

SVM作为一种基于机器学习的检测的方法，训练样本库的选取建立非常重要，基于PCA-SVM的头肩像检测方法模型需要两类样本，一类是基于PCA特征提取的头肩像样本，一类是非头肩像样本。在本技术方案中，对于头肩像样本的收集采用人工收集。在选择头肩图像时要选取人体头肩部分几何结构清晰的具有代表性的图像。对于非头肩像样本，事实上任何其他图像都可以作为非头肩像样本。训练好之后，要利用大量样本进行测试，以保证得到最佳的分类器。

PCA是主成分分析方法，是根据研究对象的内在联系将变量进行综合，抽象出若干带有规律的东西，构成某种程度上简化了的数学模型，然后再用以研究复杂的自然现象的多元统计方法之一，其基本思想就是从方差-协方差矩阵的内部依赖结构为出发点，设法找出较少的综合特征来代表原来较多的特征，而且这些较好的综合特征又能尽可能多地反映较多的特征的信息，即这些综合特征之间既要相互独立，又要代表性最好。主成分分析是统计学中分析数据的一种有效的方法，其目的主要是降维，将原来的P维空间降维投影到N维空间，并且在降维后保存了原数据中的主要信息，从而使数据更易于处理。

参阅图1，为了解决本发明所述的技术问题，本发明采用的一个技术方案是提供一种基于智能视觉感知的电梯人流量统计方法，包括以下步骤：

S100：采集人体头肩模型图像样本；在该技术方案中，选取大量包含人体的图像，并手动选择裁剪大量人体头肩部分几何结构清晰的具有代表性的头肩图像，并和相同数量的非头肩图像样本存储，用于步骤S200中样本存储以及训练。

S200：对所采集的人体头肩模型图像进行PCA特征提取，并送入SVM训练器中训练生成样本库；

在该步骤中，设样本库中头肩图像样本数目为N，每个样本表示为S_i，i =1,2,..., N。首先将样本库中每个样本图像拉伸成一个行向量，将其看做高维数据空间中一个数据点，然后采用PCA算法求取样本库中所有数据点的主成分向量，并送入SVM分类器中进行训练。对待测图像进行数据降维，并通过SVM分类器进行分类，具体的，其步骤如下：

S201：将人体头肩模型图像样本按行拉伸为一维向量，例如，20 x20大小的图像将被拉伸为1 x 400大小的行向量，设定图像样本数据库为高维数据空间点集X={x_i}，i=1,2,3······N；

S202：求取X的均值向量m；

S203：X中的每个向量减去均值m，然后求其协方差矩阵，并进行特征值分解；

S204：提取前几个特征值对应的特征向量，即所求得主成分向量，记为Γ_i,i=1,2…p（p为降维将要得到的低维数据维数）；

S205：将所求得的主成分向量进行降维，并送入SVM训练器中分类，生成样本库。

对待测图像重复进行步骤S200中的过程，求得主成分向量，并用SVM分类器进行分类，生成样本库。样本库建立完成后，进行实地现场人肩图像的采集，并将所采集的人肩图像与样本库相比对之后，统计出进电梯以及出电梯的具体的人数。其具体是通过以下的步骤实现的：

S300：判别电梯门是否开启，若是，通过摄像机等视频采集设备采集当前帧图像，查找当前帧图像内的运动目标，对所述运动目标进行PCA特征提取，利用SVM分类器对运动目标与样本库进行匹配分类，若所述运动目标为人体头肩图像，则转S400；若否，则循环S300；参阅图2，所述检测电梯门是否开启通过对采集到的图像进行边缘检测，包括：

S321：判定划定区域的左边部分是否检测到直线；若是，则转S322，若否，则判定电梯为关门；

S322：判定划定区域的右边部分是否检测到直线；若是，则转S323，若否，则判定电梯为关门；

S323：判定以上的左右两边的直线是否关于中间点对称，若是，则判定电梯开门，若否，则判定电梯关门。

在步骤S300中，查找当前帧图像内的运动目标，具体的是通过如下技术方案实现的：

S311：采集当前帧图像，运用帧间差分得到二值图像，判断所述二值图像是否存在连通区域，若存在，则转S312；若不存在，则继续采集下一帧图像。

S312：建立所述二值图像跟踪的卡尔曼滤波器模型，查找图像内的运动目标。建立头肩模型跟踪的卡尔曼滤波器模型是在图像序列中应用卡尔曼预测，设人体目标的运动状态参数(某时刻人体目标所在的位置和速度)X_k为:

$X_k={(x_k,y_k,v_x,v_y)}^T$

状态转移方程为：

$X_{k+1}=A_k{X}_k+w_k$

跟踪过程中由于相邻帧图像之间的时间间隔很短，所以目标运动状态变化较小，可以假设人体目标在单位时间间隔内是匀速直线运动，则***状态转换矩阵A_k可设定为:

$A_k=\left[\begin{array}{cccc}1& 0& T& 0\\ 0& 1& 0& T\\ 0& 0& 1& 0\\ 0& 0& 0& 1\end{array}\right]$

T为相邻两帧图像间的时间间隔。

由于人体目标在图像中的位置可以直接获得，而不能直接观察到他的速度和加速度，***的状态方程描述的是检测到的跟踪特征点在图像平面的位置，其表达式为:

$Z_k=H_k{X}_k+v_k$

观察矩阵H(k)可设为:

$H\left(k\right)=\left[\begin{array}{cccc}1& 0& 0& 0\\ 0& 1& 0& 0\end{array}\right]$

以上式子中w_k,v_k是附加的过程噪声，可看作为零均值白噪声序列。

状态矢量***误差协方差矩阵Q为:

$Q=\left[\begin{array}{cccc}1& 0& 0& 0\\ 0& 1& 0& 0\\ 0& 0& 1& 0\\ 0& 0& 0& 1\end{array}\right]$

测量误差协方差矩阵R为:

$R=\left[\begin{array}{cc}1& 0\\ 0& 1\end{array}\right]$

根据以上的等式，即可求出所述的人体目标的运动状态参数X_k，从而查找到图像内的运动目标。

在步骤S300中，所述的对直线的检测采用精确度高的霍夫变换方法，考虑一个点(x_i,y_i)，一条直线的斜截式方程：y=ax+b。将等式写成b=-xa+y的形式并参考ab平面，将得到的对于定点(x_i,y_i)的唯一直线方程。若使用极坐标来描述直线，即：ρ=xcosθ+ysinθ,式中ρ的是直角坐标系原点到直线的距离，θ是直线与x轴的夹角。

Hough变换算法是将(ρ,θ)平面进行量化，参数空间中的每个点分配一个计数器，变换前对每个计数器初始化为0，将每一点(x_k,y_k)代入θ的量化值，算出各个ρ，所得值(经量化后)必落在某个小格内，同时小格对应的计数器加1，当全部(x,y)点计算完毕后，对所有小格进行检验，计数值最大的小格即对应于参数空间的共线点，其(ρ,θ)可作为直线拟合参数(ρ₀,θ₀)。其它小计数值的点对应于非共线点，丢弃。

S400：根据待测图像内的跟踪目标的前一刻、当前刻与预设好的坐标线的坐标关系，判断目标为进电梯还是出电梯，优选判断电梯门的开关，可以有效的减少算法的计算量，当电梯为关门状态时，此时不会产生目标进出电梯的事件，重新采集下一帧图像，当电梯门为开状态时，则进行后续步骤的判决。

若所述运动目标为进电梯，则对进电梯人数加1，若所述运动目标为出电梯，则对出电梯人数加1。

具体的，若前一刻跟踪目标所在坐标在穿越线下方，即电梯内，当前时刻所在坐标为穿越线上方，即电梯外，则判定该目标为出电梯，所述计数单元对出电梯人数加1；若前一刻跟踪目标所在坐标为穿越线上方，即电梯内，当前时刻所在坐标为穿越线下方，即电梯内，则判定该目标为进电梯，所述计数单元对进电梯人数加1。

本发明的技术方案用基于霍夫变换检测直线的方法判断边缘检测后的图像中的电梯门的开关状态，在电梯为开门状态的前提下，利用人体的头肩模型，运用PCA-SVM结合算法检测出人体头肩目标；利用卡尔曼滤波实现人体的跟踪，判断目标的进出状态，并统计客流量。本发明结合PCA和SVM两种方法用于人体头肩识别，比单一方法进行识别，识别准确率更高；通过统计电梯每日运行的客流量，为电梯维护人员估计器件的磨损程度提供依据，进而制定更有效的电梯维护计划，减少故障的发生。

参阅图3，本发明还提供一种基于智能视觉感知的电梯人流量统计***，包括：

信息采集单元，用于采集人体头肩模型图像样本，所述的信息采集单元具体的可以为摄像机、录像机等视频采集设备。

数据库建立单元对信息采集单元所采集的人体头肩模型图像进行PCA特征提取，并送入SVM训练器中训练生成样本库。所述数据建立单元具体的包括：第一数值分析单元，用于将人体头肩模型图像样本按行拉伸为一维向量，设定图像样本数据库为高维数据空间点集X={x_i}，i=1,2,3······N；均值求取单元，用于求取X的均值向量m；第二数值分析单元，用于将X中的每个向量减去均值m，然后求其协方差矩阵，并进行特征值分解；主成分向量获取单元，用于提取前几个特征值对应的特征向量，即所求得主成分向量，记为Γ_i,i=1,2…p（p为降维将要得到的低维数据维数）；样本库生成单元，用于将所求得的主成分向量进行降维，并送入SVM训练器中分类，生成样本库。

样本库生成之后，接着，对实际生活中，电梯运行过程中人进出数量进行统计，仅电梯门为开的时候才有人进出电梯，因此先要判断所述电梯是否开门，具体的通过如下的单元实现判断的功能，首先，第一判断单元判别电梯门是否开启；该第一判断单元包括第一检测单元、第二检测单元以及第三检测单元，第一检测单元判定划定区域的左边部分是否检测到直线；若是，则转第二检测单元，若否，则判定电梯为关门；第二检测单元判定划定区域的右边部分是否检测到直线；若是，则转第三检测单元，若否，则判定电梯为关门；第三检测单元判定以上的左右两边的直线是否关于中间点对称，若是，则判定电梯开门，若否，则判定电梯关门。

在判断电梯为开门状态后，进行人体图像的采集，对所述人体图像的采集通过所述的数据分析单元实现，数据分析单元，用于采集当前帧图像，查找当前帧图像内的运动目标，该数据分析单元包括图像采集单元以及运动目标获取单元，所述图像采集单元采集当前帧图像，运用帧间差分得到二值图像，判断所述二值图像是否存在连通区域，若存在，则通过运动目标获取单元查找图像内的运动目标，其具体的是通过建立二值图像跟踪的卡尔曼滤波器模型实现运动目标查找的；若不存在，则所述的图像采集单元继续采集下一帧图像。

所述数据分析单元还对对所述运动目标进行PCA特征提取，利用SVM分类器对运动目标与样本库进行匹配分类。通过以上所述的运动目标获取单元查找到目标后，通过PCA-SVM分类器分类，与样本库进行匹配分类，若所采集的运动目标与样本库中的样本相似度较高，则判定所述运动目标为人体头肩图像，在确定所述运动目标为人体头肩图像后，通过统计单元判断所述运动目标为进电梯还是出电梯，所述统计单元具体的包括：坐标分析单元以及计数单元；坐标分析单元，用于判断待测图像内的跟踪目标的前一刻、当前刻与预设好的坐标线的坐标关系；若前一刻跟踪目标所在坐标在穿越线下方，即电梯内，当前时刻所在坐标为穿越线上方，即电梯外，则判定该目标为出电梯，则所述计数单元对出电梯人数加1；若前一刻跟踪目标所在坐标为穿越线上方，即电梯内，当前时刻所在坐标为穿越线下方，即电梯内，则判定该目标为进电梯，则所述计数单元对进电梯人数加1。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于智能视觉感知的电梯人流量统计方法，其特征在于，包括以下步骤：

S100：采集人体头肩模型图像样本；

S200：对所采集的人体头肩模型图像样本进行PCA特征提取，并送入SVM训练器中训练生成样本库；

S300：判别电梯门是否开启，若是，采集当前帧图像，查找当前帧图像内的运动目标，对所述运动目标进行PCA特征提取，利用SVM分类器对运动目标与样本库进行匹配分类，若所述运动目标为人体头肩图像，则转S400；若电梯未开门，则循环S300；

S400：判断所述运动目标为进电梯还是出电梯，若所述运动目标为进电梯，则对进电梯人数加1，若所述运动目标为出电梯，则对出电梯人数加1。

2.根据权利要求1所述的基于智能视觉感知的电梯人流量统计方法，其特征在于，步骤S200，具体的包括如下步骤：

S201：将人体头肩模型图像样本按行拉伸为一维向量，设定图像样本数据库为高维数据空间点集X={x_i}，i=1,2,3······N；

S202：求取X的均值向量m；

S203：X中的每个向量减去均值m，然后求其协方差矩阵，并进行特征值分解；

S204：提取前几个特征值对应的特征向量，即所求得主成分向量，记为Γ_i,i=1,2,…p；其中，p为降维将要得到的低维数据维数；

S205：将所求得的主成分向量进行降维，并送入SVM训练器中分类，生成样本库。

3.根据权利要求1所述的基于智能视觉感知的电梯人流量统计方法，其特征在于：步骤S300具体包括：

S311：采集当前帧图像，运用帧间差分得到二值图像，判断所述二值图像是否存在连通区域，若存在，则转S312；若不存在，则继续采集下一帧图像。

S312：建立所述二值图像跟踪的卡尔曼滤波器模型，查找图像内的运动目标。

4.根据权利要求1所述的基于智能视觉感知的电梯人流量统计方法，其特征在于：步骤S300中，所述检测电梯门是否开启通过对采集到的图像进行边缘检测，包括：

S321：判定划定区域的左边部分是否检测到直线；若是，则转下一步，若否，则判定电梯为关门；

S322：判定划定区域的右边部分是否检测到直线；若是，则转下一步，若否，则判定电梯为关门；

S323：判定以上的左右两边的直线是否关于中间点对称，若是，则判定电梯开门，若否，则判定电梯关门。

5.根据权利要求1所述的基于智能视觉感知的电梯人流量统计方法，其特征在于，步骤S400具体包括：

判断待测图像内的跟踪目标的前一刻、当前刻与预设好的坐标线的坐标关系；

若前一刻跟踪目标所在坐标在穿越线下方，即电梯内，当前时刻所在坐标为穿越线上方，即电梯外，则判定该目标为出电梯；

若前一刻跟踪目标所在坐标为穿越线上方，即电梯内，当前时刻所在坐标为穿越线下方，即电梯内，则判定该目标为进电梯。

6.根据权利要求5所述的基于智能视觉感知的电梯人流量统计方法，其特征在于：所述的对直线的检测采用霍夫变换方法。

7.一种基于智能视觉感知的电梯人流量统计***，其特征在于，包括：

信息采集单元，用于采集人体头肩模型图像样本；

数据库建立单元，用于对所采集的人体头肩模型图像进行PCA特征提取，并送入SVM训练器中训练生成样本库；

第一判断单元，用于判别电梯门是否开启；

数据分析单元，用于采集当前帧图像，查找当前帧图像内的运动目标，对所述运动目标进行PCA特征提取，利用SVM分类器对运动目标与样本库进行匹配分类，若所述运动目标为人体头肩图像，则转统计单元；

统计单元，用于判断所述运动目标为进电梯还是出电梯，若所述运动目标为进电梯，则对进电梯人数加1，若所述运动目标为出电梯，则对出电梯人数加1。

8.根据权利要求7所述的基于智能视觉感知的电梯人流量统计***，其特征在于，所述数据建立单元具体的包括：

第一数值分析单元，用于将人体头肩模型图像样本按行拉伸为一维向量，设定图像样本数据库为高维数据空间点集X={x_i}，i=1,2,3······N；

均值求取单元，用于求取X的均值向量m；

第二数值分析单元，用于将X中的每个向量减去均值m，然后求其协方差矩阵，并进行特征值分解；

主成分向量获取单元，用于提取前几个特征值对应的特征向量，即所求得主成分向量，记为Γ_i,i=1,2,…p；其中，p为降维将要得到的低维数据维数；

样本库生成单元，用于将所求得的主成分向量进行降维，并送入SVM训练器中分类，生成样本库。

9.根据权利要求7所述的基于智能视觉感知的电梯人流量统计***，其特征在于，所述数据分析单元包括：

图像采集单元，用于采集当前帧图像，运用帧间差分得到二值图像，判断所述二值图像是否存在连通区域，若存在，则转运动目标获取单元；若不存在，则继续采集下一帧图像。

运动目标获取单元，用于建立所述二值图像跟踪的卡尔曼滤波器模型，查找图像内的运动目标。

所述数据分析单元还包括：

第一检测单元，用于判定划定区域的左边部分是否检测到直线；若是，则转第二检测单元，若否，则判定电梯为关门；

第二检测单元，用于判定划定区域的右边部分是否检测到直线；若是，则转第三检测单元，若否，则判定电梯为关门；

第三检测单元，用于判定以上的左右两边的直线是否关于中间点对称，若是，则判定电梯开门，若否，则判定电梯关门。

10.根据权利要求7所述的基于智能视觉感知的电梯人流量统计***，其特征在于，所述统计单元具体的包括：坐标分析单元以及计数单元；

坐标分析单元，用于判断待测图像内的跟踪目标的前一刻、当前刻与预设好的坐标线的坐标关系；

若前一刻跟踪目标所在坐标在穿越线下方，即电梯内，当前时刻所在坐标为穿越线上方，即电梯外，则判定该目标为出电梯，则所述计数单元对出电梯人数加1；

若前一刻跟踪目标所在坐标为穿越线上方，即电梯内，当前时刻所在坐标为穿越线下方，即电梯内，则判定该目标为进电梯，则所述计数单元对进电梯人数加1。

Images