CN1346327A - 障碍检测*** - Google Patents

Abstract

本发明涉及一种区域内对象检测方法,该方法包含取得该区域中1个或多个图像,并采用边缘检测法,其途径为突出图像中大至居优的线性特征,并判断是否一些居优线性特征与规定该区域的线性特征相交。该方法还可包含检测至少2个图像的视差,该视差因区域中存在3维对象而产生。

Description

障碍检测***

发明领域

本发明涉及障碍检测***。具体而言，本发明涉及检测电梯门之间或其附近的障碍的方法和装置，但并非专用于该场合。本发明还可用于工业环境、保安应用，机器工作监视，进程控制和人的移动等情况下的障碍检测。

背景技术

以下的讨论主要针对电梯门***用的障碍检测方法和装置。然而，应理解为这不是局限的应用。在某些环境下，通过适当的修改本发明可适用于说明书各处讨论的其他障碍检测状况。

至今，有大量技术和装置可用于检测静态体积或可变位置内的障碍。这些技术的一般讨论见申请人的国际申请PCT/NZ9500067。

总的来说，这些已有技术侧重于采用光器件检测电梯门检测区存在的障碍。这些公知***通常采用红外(IR)光源阵和相应的接收器。一种已有技术包含横跨电梯门入口“照射”红外光束连续阵列，并通过1条或多条光束的中断触发障碍事件，该事件激活开关器件使电梯门反向移动或停止移动。这些***的优点是其位置可沿活动门的边缘设置，因此特别适合处理在1个或多个电梯门规定的平面检测几何形状可变入口处的障碍。

这些技术一般满足检测直接位于电梯门之间的障碍。然而，目前认为局限于门平面的障碍检测不能充分满足当代工业安全标准。电梯工业鼓励开发不仅能检测电梯门之间范围内的障碍，而且具有延伸到门外进入门厅预定距离的检测能力。因而，需要能使现有2维门障碍传感阵升级到包含3维功能，或者能提供新的综合门平面和邻近区障碍检测***。

先前针对上述业界趋势的尝试包括美国专利号5387768(奥迪(Otis)电梯公司)中阐述的技术。利用该技术，由走近电梯的人触发障碍事件，而不是静立在电梯前的人。即，该专利的说明书主要讲述一种运动检测器。该***采用掩蔽技术，去除与障碍检测无关的电梯图像/区域图像的区域。此***检测乘客，控制门移动并对乘客计数，试图使电梯之间的等待时间最短。

为了实现上述功能，奥迪图像***在2个不同的时间收集图像后，利用该2个图像之间的差异判断电梯障碍检测区是否存在移动对象。此技术依靠采用记录第2障碍检测图像前捕获的参考图像。然后，把上述2个图像相减，并且施加门限，以产生一种图像，仅包含收集第1图像如第2图像期间移动的对象的轮廓。该***包含分的障板，用于门厅区和电梯门槛。门厅障板屏蔽图像的可变部分，所屏蔽图像放大小取决于在该特定区域或观察区是否检测到移动。即，如果1个人站在门厅后面不动，则由于没有检测到移动，该图像区受到屏蔽。门槛障板在门关闭时面积增大，从而要处理的图像遮掉门。

因此，多数相关已有技术阐述的技术都根据对移动的响应，进行对像检测，并遮掉没有影响的区域。

另外一些已有技术(见例如美国专利号5284225和5182776)揭示的***，也采用与后来收集的“作用”图像比较的参考图像。这些技术通常采用图像相减法，从后来收集的图像减去参考图像，判断障碍物是否进入障碍检测区。这些技术呈现许多缺点，其基于时间的检测***对长于某门限值的时间间隔不能觉察。这样，对象在静止期间后快速瞬时移动就可能产生问题。此外，电梯门环境之间变化程度大的情况下，这些公知技术也会难以实现。例如，家具(和其他固定附属装置)变化、地板覆盖图案变化等都会妨碍根据时间差检测视觉场面变化的增大。如果必须在早期或固定阶段设定参考图像，尤其是这样。

因此，本发明的目的是提供一种障碍检测方法和装置，克服或至少改善已有技术的一些缺点，或至少为公众提供一种有用的选择。

发明内容

就最广义方面而言，本发明提供一种区域内对像检测方法，该方法包括取得1个或多个该区域的图像，采用边缘检测法，其途径为突出图像中大致居优的线性特征，并判断是否居优线性特征与规定该区线性特征相交。

最好该区域为对象检测区，并且分成至少2个区，第1区有门和门槛描述的体积，第2区包括门外乘客用门要通过的体积。

最好门和门槛是电梯的门和门槛，门外的体积为乘客等待电梯的电梯平台/门厅。

最好至少有2个图像，而且该方法还包括检测2个或多个图像视差的步骤，该视差因区域内存在对像而产生；具体而言，该对象在第2区内。

在第1特定方面，本发明提供一种对门和/或门槛规定的体积检测对象/障碍的方法，所述方法包括采用边缘检测法，其途经是突出图像中大致居优的线性特征，并判断居优线性特征是否与规定所述门和/或门槛的线性特征相交。

最好该方法包括描述1个或多个图像的特征的预备阶段，以便建立该区域呈现的一些特征性线性特征，最好所述特征性居优线性特征是规定门边缘和/或门槛的线条，存放所述特征居优的位置，供以后参考。

该方法还可包括操作阶段，该阶段分析1个或多个图像，以便建立该本积内呈现的一些非特征性特征，所述非特征性特征体现该区域内潜在对象和/或障碍。

预备阶段包括至少2个步骤，第1步骤检测门槛的位置和大小，第2步骤检测1个或多个门边缘的位置和大小。

最好第1步骤包含：

采用大致水平缘和/或大致垂直缘检测滤波器突出已知门槛所处近似位置的图像部分中居优的垂直线条和/或水平线条；对用垂直缘和/或水平缘检测滤波器所产生图像中每行像素的强度值求和，从而产生垂直和/或水平函数，其最大值和最小值对应于水平线性特征和/或垂直线性特生的位置，所述线性特征按照图像中水平特征和垂直特征规定门限的空间位置。

最好第2步骤包含：

利用了解的门槛空间位置和了解的门槛与门边缘之间物理关系，取得于图像或门的子图像；

使子图像受边缘检测滤波器作用，该滤波器适应于突出朝已知界限之间的角度的边缘；

控制该子图像以产生二进制图像，该二进制图像包含与门边缘对应的多个线性特征中的一个；

导出二进制图像中线性特征的方程。

最好该已知界限为大致垂直边缘和大致水平边缘。

导出二进制图像中线性特征方程之前，第2步骤还可包含：

用幅值在垂直方向增加的倾斜函数处理二进制图像。

进一步处理该图像，以便清楚识别二进制图像中一些居优线性特征，该处理包括用第1滤波器滤出二进制图像中大致孤立的特征，以及对二进制图像用第2滤波器减少图像中一些大致线性的特征。

最好通过利用最小平方法或类似方法对线条定位取得线性特征方程；图像中可有1个以上居优线性特征，一只决定任一线性特征的方程，即从图像去除该线性特征，并建立另一居优线性特征方程。

最好用总加驻平均值处理每一线性特征方程的估值，从而提高该线性特征方程的置信度，通过对以下或多个加权平均值进行正规化或求积，求出该总加权平均值，这些加权平均值包括：

第1加权平均值，其中决定线性特征数导数和方差，特征点距离和导数变化到给定参数外，代表图像中断，从而第1加权平均值对所述点下加权，或从估值去除该点，以及/或者

第2加权平均值，使远离图像捕获源的线性特征中的点加权大于该图像中靠近图像捕获源的点，以及/或者

第3加权平均值，该第3加权平均值为特征导数的倒数，以及/或者

第4加权平均值，对从垂直缘到垂直缘跨越任何子图像的线性特征进行加权。

利用滤波器、微分器等实施边缘检测。

最好所述边缘检测针对突出图像中的居优线条，这些线条朝向为大致水平、垂直和大致成对角线；具体而言，这些对角线为大致45度和135度。

操作阶段包括以下步骤：

捕获该区域的1个或多个实时操作图像；

检测图像中门的位置；

检测代表门槛的图像区域中出现的障碍；

检测代表门边缘的图像区域中出现的障碍。

最好通过检测门槛的大致水平特征中强度的变化，取得门的位置，强度变化规定图像中门的空间位置。

最好通过至少采用大致垂直边缘检测滤波器突出与门槛线性特征相交的图像中居优的垂直特征，判断代表门槛的图像区域中存在障碍。

最好通过至少采用边缘检测滤波器突出与门线性特征相交的图像中居优特征，判断代表门边缘的图像区域中存在障碍。

最好操作步骤包括测出边缘的图像变换为统计图，该统计图的峰值相当于图像中的特征，所述特征代表门和/或门槛，以及/或者门边缘和/或门槛上的障碍。

操作阶段可用上述任何图像处理手段。

最好操作阶段可重复多次。

本发明的又一特定方面，是一种障碍和/或障碍移动检测方法，该方法包含检测障碍检测区中2个或多个图像的视差，该视差因区域中存在对象而产生。

该方法可包含检测区域图像瞬时变化的步骤。

该方法可包含位于该区域的对象产生的垂直与水平视差的步骤。

具体而言，本发明提供一种对象检测方法，该方法包含以下步骤：对齐1个区域中多个图像的背景；成对图像相减，以便借助视差展现该区域存在对象。

更具体而言，本发明提供一种对象检测方法，该方法包含以下步骤：对齐1个区域中第1图像和第2图像的背景；从第2图像减去第1图像，从而借助视差展现存在3维对对象。

在一较佳实施例中，该方法包含以下步骤：

从第1视点收集1个区域的第1图像；

从第2视点收集该区域的第2图像；

计算该2个图像背景之间的偏移；

对齐该2个图像的背景；

该2个图像相减，以产生第3差分图像；

分析第3差分图像，测出视差，从而展现该区域存在3维对象。

最好在相减步骤后，分析步骤前，存在门限施加步骤，由此，对差分图像施加门限，以排除噪声，从而产生二进制图像。

最好对第3差分图像进行处理，以便大致仅包含区域中一些3维对象的轮廓。

在另一实施例中，图像划分为背景图像和门边缘图像；根据无对象时背景的图像，计算2个图像背景之间需要的偏移。

最好采用交叉相关计算该偏移。

最好利用高斯滤波器、中值滤波器或类似的滤波器使用图像模糊化，以便减小图像中的像素化效应。

本发明还提供一种障碍检测区域内的障碍检测装置，所述装置包含至少1个成像装置和1个适应根据上述任何部分处理所述图像的微处理器装置。

一种区域内域内对象检测装置，该装置包含：至少1个成像装置，适应从至少2个空间上分开的视点形成相同场面的图像；

微处理器装置，适应处理所述图像，其方法为突出所述图像中大致居优的线性特征，并判断是否一些居民优线性特征表示该区域存在对象。

该障碍检测区内障碍检测装置包含：

至少1个成像装置，适应从至少2个空间上分开的视点形成大致相同场面的图像；

微处理器装置，适应处理所述图像，以便计算2个图像或图像对的背景之间的偏移，根据所述偏移对齐背景图像，把所得图像相减，以产生差分图像，从而可检测差分图像中的视差作用，表示该区域存在对象。

最好微处理器还适应处理图像，以突出图像中大致居优的线性特征。

可用光学方式，数学方式或其他类似方式处理图像，该方式展现区域图像中居优线性特征和/或视差。

最好微处理器还适应对差分图像施加门限。

该微处理器的形式可为固态器件，光器件或与其类似的器件。

采用1个摄像机时，该装置包含光分支和反射装置，该光分支和反射装置适应对来自离开该摄像机实际位置的视点的图像进行中继。

视差图像的收集可由包含棱镜、相干光纤波导等的光学装置实施，或者可变换成像装置本身或使该装置本身适当位移。

一实施例中，可添加仿真特征，以帮助微处理器突出图像中大致正规居优的特征。还可包含输入装置，该输入装置使用户能把正规居优特征的位置输入微处理器。

从以下仅作为例子的说明，会明白本发明更多的方面。

附图概述

现参阅附图说明本发明，这些说明仅作为例子。附图中，

图1示出本发明较佳实施例中带摄像机的电梯入口的平面图(a)；端视图(b)和侧视图(c)；

图2示出本发明视差成像***2个实施例的示意图；

图3示出2个成像装置(摄像机)、计算机和门控制器接口的连接示意图；

图4示出第1检测区；

图5示出图1所示实施例中电梯摄像机拍摄的一系列图像。

图6示出用于判断图像中电梯门槛水平位置和垂直位置的边缘检测技术；

图7示出门边缘定位所用算法的步骤；

图8示出图7中步骤4和5处理时间5的子图像；

图9示出去除黑白图像孤立特征的9×9滤波技术；

图10示出图像中断开的门边缘线条；

图11示出对黑白图像施加倾斜函数；

图12示出对门限边缘施加加权阵列；

图13示出对断线图像施加加权阵列；

图14示出黑白图像线条方程的估值；

图15示出计算门消失点用的方程；

图16示出通过审查运行间隙强度剖面图检测门位置；

图17示出根据来自垂直缘和水平缘检测图像的统计图决定门位置的方法；

图18示出判断门位置和门槛或门边缘上一些对象所用统计图结构例；

图19示出可用统计图检测门位置的方法；

图20示出可用统计图确定门位置和存在对象或障碍位置的方法；

图21示出检测障碍检测区中障碍的视差法各步骤的流程图；

图22示出图21的方法用于电梯门障碍例(梯子)所产生的数据；

图23示出对一些障碍例检测机器可识别的视差；

图24示出滤波技术减少所测图像像素化所产生假像的能力；

图25示出门边缘障碍事件的数据例。

较佳实施例的描述

下面，在电梯门***障碍检测的情况下，进行说明。这些说明应理解为不限制本发明特征。本发明的装置和方法可用于各种障碍检测，例如工业机器检测；保安应用等。

在电梯门障碍检测***的情况下，存在2个不同的区，第1个区具有门槛和2组门边缘限定边界的关键体积，称为第1障碍区。必须以高度可靠性检测该区中的对象，因为关门几乎肯定撞击任何障碍。第2区为乘客接近并等待电梯的电梯前平台/门厅区，称为第2障碍区。该区的障碍检测要求不严格，障碍检测***必须能掩蔽无关对象或差错对象。本发明的障碍检测***基于光检测方法，并且有各种成像法用于提供各区所需障碍检测程度。

对第1障碍检测区，障碍检测***采用边缘检测法，判断门边缘之间或门槛(***电梯轿厢门和平台门的该轿厢和平台的地板部分)上是否存在对象(障碍)。在电梯门的情况下，边缘检测尤其重要。长期来，人们已习惯于将手放入门缝或踏在门槛上，以阻止电梯门关闭。因此，重要的是任何障碍检测***能检测放在闭合门之间的手或其他对象以及门槛上的对象。

通过判断规定障碍边缘的一些线条是否与描述门或门槛边缘的线条相交，本***能达到上述要求。本系还可采用各种标准成像法，其中采用参考图像，使得可检测障碍。

为了在第2障碍区检测障碍和对象，采用视差法。此视差法采用与边缘检测法中相同拍摄的光学图像，但涉及识别电梯平台/门厅区存在的3维对象。视差法，也可用于检测第1区中的对象或障碍，然而，已发现此方法不具备关键区所需的准确性。其原因有二：一是门边缘产生的大视差效应可能会淹没小3维对象产生的视差；二是本申请者发现用视差法不能检测门槛上方200mm以下的对象(此问题后文说明)。

实际布局

较佳实施例中，本***可能包含从2个独立视点观察电梯口的2部摄像机，2个独立视点使基于视差的第2检测装置可起作用。实现这点可用公知的光学成像***，诸如电荷耦合器件(CCD)摄像机、CMOS摄像机(本申请者目前采用有效像素传感器(或APS)CMOS摄像机)或任何类型的电子成像装置。

另外，也可用单一摄像机，借助1个或多个光学分支把第1观测(从第1制高点观测)和第2观测(从第2制高点观测)的图像导向该单一摄像机，或者可用相干光纤波导把分开的观测传送到单一摄像机。成像也可由光学单元控制，该单元在摄像机视野内交替***反射器或其他类型的截像装置，从而使观测转到空间上移开的制高点。该***的主要缺点是：摄像机必须足够快，以便每次收集图像后，能紧接着呈现静止；光***可能在电梯环境中遭受灰尘侵入。

图2示出本发明采用电子摄像机的实施例的简化示意图。图2上部分的实施例示出位于能从不同视点收集障碍检测区中图像的单一电子摄像机110。该方案由镜111、112、113、114实施。为了清楚，缩短光分支的水平长度。如果采用电荷耦合器件(CCD)摄像机，可包含2个分开的收集装置，或者包含1个分开的CCD阵列。图2的下部分示出单一摄像机视差检测装置的示意图。这里，一个场面的各独立图像通过检测器的各分支。具体视点的先择由受开关119控制的一些电一光开关控制。摄像机收集通过交错光分支“观看”的图像，并根据切换场面观察进行视差检测，光分支用镜116、117和118构成。

然而，本申请人优选的***采用按八字形张开布局(如图1所示)的标准摄像机。图1a画出电梯入口平面图，示出门厅侧1和桥厢侧2。这2个区域由把运行间隙8等分为二的门槛3隔开。9a、9b和10a、10b表示门边缘。图1b画出从门厅1看入轿厢2的端视图。该图清楚地示出装在入口顶梁4上的2个摄像机6和7。摄像机按八字形张开结构布局，使摄像机6朝向第1侧门边缘9a、9b，摄像机7朝向第2门边缘10a、10b。存在覆盖门厅区1的重叠区5，用于视差法。为了可加大观测体积并且/或者加大视差区，摄像机6和7的位置可互换。这就是说摄像机观测门组时，摄像机6观测门组10，摄像机7观测门组9。图1c示出电梯入口侧视图。

此布局中选择标准电子摄像机的原因是：可用价格不贵的摄像机观测大部分电梯口(广视野的镜头昂贵，较难得到，并且很可能拍摄的图像有失真)，而且可在电梯口中央提供视差2次检测区(即视野重叠区)。图5a和图5b中示出该设置所得的图像例。这2个图像应注意的是电梯前方存在重叠区。这是采用视差法用的第2障碍区，相当于图1b和图1c的区5。

图3画出2个摄像机6和7、计算机11以及门控制器接口12之间的连接的示意图。从门控制器接口12发送触发信号13给门控制器，该控制器例如可启动***检测存在障碍时打开电梯门的继电器。

边缘检测

本发明的第1方面在于电梯门边缘和门槛有障碍时识别第1障碍检测用的线性特征。图4中有阴影的区域表示该特征。

边缘检测法分成2个独立部分。第1部分为自动校准算法，用于决定图像中门边缘和门槛的位置。期望本装置首装时运行此算法，提供描述电梯门和摄像机几何结构的一些参数。边缘检测法的第2部分是操作算法，检测关门时门边缘和门槛上存在的对象。这些算法分别称为第1校准算法和第1操作算法。

第1校准算法

第1校准算法用的边缘检测技术分为2个步骤。第1步骤审查图像，以便检测图1a和图4中数字3指示的门槛。第2步骤识别图1a、1b和图4中数字9a、9b和10a、10b表示的门边缘。

参阅图5a和图5b(示出图1中摄像机6和7拍摄的图像)，图像中门槛所对应线性特征的识别包括充分打开电梯门，并且用水平缘和垂直缘检测滤波器突出图像中右侧(图像5a)和左侧(图像5b)各自的垂直和水平浓线条。这是该2图像中门槛的预计位置。

图6中的图像说明滤波技术，该图像用鸟瞰门槛的单一摄像机拍摄。然而，该技术也可用于图5a和图5b的各图像。图6b的下部可看到水平门轨。由于存在门槛和门轨，图6b中也可看到水平边缘检测突出水平线条。

一旦得到图6b的水平边缘图像，就求图像中每行像素强度值的总和。从图6f可知，其结果为峰值位于门槛轨道和边缘处的函数(垂直方向扫描)。能很方便地测出这些峰值，以便提供门槛的位置。

为了决定门槛宽度(电梯门区的水平部分)，图6所示图像受垂直缘检测滤波器作用。所得图像示于图6c，其中突出门槛与门边缘结合处出现的垂直线条。与轨道所用方式相同，总加图6中每列像素的强度，以产生图6e所示的函数。图6e中的峰值相当于门槛边缘的水平位置。

以上的方法提供门槛的水平位置和垂直位置，因而可从图像(或图5a和图5b情况下的2个图像)中区分出门槛。

总之，决定门限范围的步骤可归纳为：

1、充分打开电梯门，并且门槛或门边缘上无外物存在。

2、用水平缘检测滤波器决定门槛垂直范围、运行间隙垂直位置和一些轨道垂直位置。

3、用垂直缘检测滤波器决定门槛水平范围。即，决定说明门槛未端和门始端的垂直线条。

4、把说明各图像中门槛位置数字存到非易失性存储器。

由于门槛边缘与门边缘的下部分贴合，知道门边缘就可分出左侧门边缘和右侧门边缘的子图像。图5c、5d、5e和5f中示出这些子图像。然后，在本方法的第2步骤用该子图像识别门边缘。以下归纳如何决定门边缘的位置和消失点。

1、用前面决定的门槛范围提取门边缘为主要特征的4个子图像。这4个子图像包含2个左门边缘图像和2个右门边缘图像(图5c、5d、5e、5f)。每侧2个的图像包含门边缘为约45度角或135度角时的图像。

2、采用能突出门边缘的边缘检测滤波器。例如水平和45度或135度的边缘检测滤波器。

3、对上一步骤产生的全部边检测图像取绝对值后相加(例如把水平边缘检测图像和45度或135度边缘检测图像的绝对值相加)。

4、对边缘检测图像施加门限，以便取得门边缘的黑白图像，通过排除不属于门边缘线条孤立黑点，删削门边缘线条，清理黑白图像。

5、对黑白图像用倾斜函数进行处理，该函数的值随门槛垂直位移垂直减小。

6、求每一列最大值。即，求说明最靠近门槛的门边缘线条的点。包含每列最大值的阵例称为最大值阵列。

7、取得说明所求各点准确度的加权矩阵。

8、用最小平方线性方程估计算法取得说明线条的线性方程。

9、决定当前线条的宽度，并从图像中擦除该线条。

10、返回步骤6，继续寻找线条直到最大阵列空置居优。

11、用最小平方法求每侧门开放时发现的全部门边缘线条的相交点。用些方法可得2个消失点，每个摄像机1个。

图7包含实际电梯门组所用第1校准算法中第2阶段的流程图。现较详细说明各步骤。

步骤1、2和3

初始步骤用上文取得的已知门槛范围将图像分成4个子图像，其中包含往图父顶部或底部倾斜的线条。图5c、5d、5e和5f中示出画些子图像。这些子图像受边缘检测滤波器(与决定门槛范围用的滤波器相同)作用，这些滤波器适应突出朝水平方向中和角度约为45度或135度的边缘。

步骤4

现通过施加门限，将门边缘的子图像变换为黑白(b/w)图像。施加门限的结果示于图8a和图8b，这是分别对图5e和图5d的图像施加门限产生的黑白图像。该算法还应用程序分开特别靠近门槛就像要与其结合的线条，并去除显然不是线条组成部分的小孤立特征(即孤立黑像素)。

采用删削法分开线条。本发明中，该删削法从对象边界去除像素。通过使靠近白像素的黑像素变白，做到这一点。对象要去除桥接相邻线条的一些像素，并使门边缘线条变细。图8a和图8b的图像一旦经过删削，就是图8c和图8d的图像。可看出些过程具有使说明门边缘的线条变细和分开的作用。

为了去除孤立特征，采用按9×9图像子区工作的滤波器。如果9×9子区中全部单元的总和在9以下，则中央像素设定为零，否则其输出为中央像素的值。因此，该算法注意观察是否至少一根完整线条可能通过9×9子区。滤波器的规模(本例中为9×9)有些随意，可变化，以排除小对象或包含大对象。图9a和图9b说明此方法。图9b中，中央像素设定为零。

图8e和8f的图像是对受删图像8c和8d应用去除孤立特征的9×9滤波器后得到的结果。图像8e中可最清楚地看到此滤波器滤除孤立特征的能力。

步骤5

现用倾斜函数换算黑白图像，以便能用线性方程描述要判定的门边缘产生的线条。倾斜函数的值随对产生了图像的平分线的垂直偏移而减小。利用这种方式的倾斜函数，其原因在于子图像中最靠近该平分线的门边缘线条倾向于水平，并且从垂直缘到垂直缘横跨子图像。此外，门边缘上部分的子图像中，边缘线条倾向于向上倾斜，而门边缘的下部分，边缘线条倾向于向上倾斜，而门边缘的下部分，边缘线条向下倾斜。这些倾斜线条从接触门槛的垂直缘开始，然后在图像的上缘(上子图像)或子图像的下缘(下子图像)终止，因而比较短。

图11说明应用倾斜函数的一个例子，该图示出门的上左部分或下左部分的特殊图像。图11a和图11c为施加边缘检测、孤立像素去除和删消滤除后的门边缘特殊图像。到这些图在左方的A列和B列示出倾斜函数的倾斜方向。图11b和图11d示出对滤波后的图像应用倾斜函数，可看到倾斜函数往2个图像之间的平分线向上倾斜。在图11b和图11d的底部示出第1列最大值阵列(最小平方法用该阵列产生扫描线条的方程)。图11b和图11d中的列最大值阵列规定最靠***分线的门边缘线条。

图11的特殊图像是对图5d和图5e的图像进行滤波后乘以倾斜函数时所得图像的代表形式。

回到图8，8g和8h的图像说明对8e和8f的图像应用倾斜函数后所得的图像。如上所述，倾斜函数以线性方式换算这些图像。对电梯门底部的图像(即图5e和5f)，倾斜函数从图像的顶部下降，而对电梯门顶部的图像(即图5c和图5d)，则从图像的顶部上升。其原因在于，找到最长最清晰的线条时，首先强化该算法的性能。

因此，值随垂直图像大小增加并对水平图像大小保持恒定的倾斜函数。现在沿平分线具有最大值，然后幅值下降到子图像的底部或顶部。用这种方式，算法的线条判断部分(即步骤6-10)先对最长最清晰的线条进行，然后称到较短较不清晰的线条。

步骤7、8和9

接着的步骤是求图像中各门边缘线条的方程。这从规定最靠近图像平分线的边缘的列最大阵列(见图11b和图11d)开始。

规定当前正在确定方程的线条的列最大阵列中的有些点，其准确度给出大于其他点的置信度。因此，算法产生依据数据点置仪度影响线性方程结果的加权阵列。

决定列最大阵列用的置仪度受一些因素影响。这些因素包括以下4种：

1、远离门槛且对比度差的点。即，随着规定门边缘的线条从门槛移到桥厢顶部，由于对比度损耗，这些线条清晰度变差。因此，最靠近门槛的线条上的这种点具有比最靠近轿厢顶部的这种点高的加权。

2、列最大阵列中的点数在子图像水平尺寸以下。当线是在图像垂直缘开始并终止，而是在垂直缘(该处与门槛贴合)开始，然后在图像水平缘终止时，出现些情况。这种线条的例子可在图11a中看到，该图上端的线条在图像的上边缘终止。这种情况下，列最大阵列为54211111，其中最后4个值为1，这是因为这些列现在完全包含零。这些值会影响围而将线条估计为向上。

3、影响加权阵列点置信度的另一因素是条断开成一些子线条，因而不完全横跨图像。线条有小断线是非常普通的。图10示出这种问题的一个例子，该图中可看到最底部的线条断开成2根子线条。结果，列最大阵列现在有2个最顶部线条贡献的单元，明显破坏线性方程计算。在图10b底部列最大阵列的第3和第4单元可看到这点。如果计算列最大阵列的导数和方差，由导数突变和对先前估算线算的距离大于方差可求出这些部份。通过进行下加权，从线性方程估算中去除这些部分。

4、影响最大阵列置信度的最后因素是噪声数据。通过产生列最大阵列导数的倒数的加权函数，可对该噪声进行下加权。即，正在求方程的线条平滑时，列最大阵列也平滑，因而导数的任何突变可能就是噪声。

为了克服上述因素，计算各个加权阵列，分别克服上述影响。这些加权阵列分别称为门槛距离加权阵列、短线加权阵列、断线加权阵列和导数加权阵列。通过这些阵列分别对其最大单元进行标准化后，各阵列相乘，求出总和权阵列。

参阅图12，说明短线加权阵列和门槛距离加权的应用。图12a和图12b涉及图13a中上部线条组第1线条的加权估值，该线条存在图像的顶部，而不是图像的左侧。上述第1线条称为短线。于是，产生加权函数，确保线条方程估值仅受至多达到存在图像的顶部，而不是图像的左侧。上述第1线条称为短线。于是，产生加权函数，确保线条方程估值仅受至多达到存在图像底部的线条上的点的线条数据影响。图12a上部的曲线示出此短线的列最大阵列20，其上带有第1线性方程估值21。图12a中部的曲线为列最大阵列的导数，该图底部的曲线为短线加权门槛距离加权的乘积。可看到门槛距离加权在短线存在图像顶部的点时加权函数为零，因而该点以后的数据不影响线性方程估值。该曲线还示出在线条进一步离开门槛时，门槛距离加权迫使线性方程估算不强调构成当前线条的数据。可发现门槛距离加权函数随着距离的增加以线性方式减小加权。

对线条的最小平方判定，采用标准加权最小平方法，从列最大阵列断数图像中门边缘线条的方程。现对每一对最大阵列应用现金次最小平方算法。第1次应用算法时，仅用门槛距离加权和短线加权求线条方程的第1估值，为了判断线条方程第1次估值准确度是否适当，判断线条估值与列最大阵列的交点。如果2条线不相交或其夹角大于某门限，则该估值不合格。

如果线条估值合格，则开始计算断线加权。该工作从交点开始并移向列最大阵列的每一终止后结束。于是，断线加权对列最大阵列中显著偏离第1次线条估值并且列最大阵列导数突变的一些点进行下加权。如果列最大阵列导数另有突变，并且列最大阵列与线条估值的点之距离小，则停止下加权。这样，就启动、停止下加权。

图13中说明此断线下加权的应用，图中示出去除当前线条中断线关联的数据，使后来所得线条的数据包含在列最大阵列中。图13a、13c和13e示出包含在不同位置具有断线的线条的倾斜图像。图13a中，在线条的每一端断开。图13c中，在线条的中部有2处断开，在线条的端部有1处断开。图13e中，断线与先前线条留下的特征关联。图13b、13d和13f分别为图13a、13c和13e的列最大阵列叠加第1次线条估值的曲线。这些曲线也示出求当前线条断线用的列最大阵列导数和去除断线出现的数据用的加权函数。

如果线条估值不合格，则算法导找到最大阵列，以便求出最长线段。通过寻找导数最大变化，进行此工作。于是，从该最长线条中部开始计算断线加权。然后，用列最大阵列和全部加权计算第2线条估值。

回到图12，图12b中的线条示出总加权函数及其组成部分(门槛距离加权除外)。线性方程估算在其第2次得到线条方程改进的估值时，利用此总加权函数。

图14说明线性方程的估值，以及从当前线条求出方程，就从图8h的倾斜图像去除线条的情况。图14a示出图8h的倾斜图像，图14b上部的曲线为列最大阵列的内容(判定图像每列最大的值所得的值)。图14b下部的曲线具有线性方程估算在其第1次估算后取得的值。这是从描述图14a最下端的线条的方程来的数据，从对图14b上部曲线的数据应用最小平方程序而导出。图14c为从图14a的图像擦除以上判定的线条所涉及的数据后得到的结果。该结果展现能用以计算下一线条的数据。图14a和图14b的比较表明如果当前线条与邻近线条之间存在连接像素，则这些线条当作一根，并且都擦除。图14b的上部的曲线是来自图14c的列最在阵列，图14b的下部的曲线是说明上部曲线中数据的线性方程的第1估值。图14e至图14k中示出取得线条数据和擦除各连续线条的过程。最后的图14l是门边缘原来的黑白图像，其上叠加计算的线条估值(灰色)。

步骤11

了解消失点是有用的，因为该点可使关门时跟踪门边缘的位置。关门时，消失点保持静止，因而根据了解的门槛上的门位置，可判定关门时门的位置，即，如果能判定门底部接触门槛的点，画通过该点和消失点的直线就能导出门的边缘。可开发一种技术检测计算错误而呈现不能通过消失点的线条。如果成功，则消失点的最小平方估值不会因这些线条而偏差。

为了取得各摄像机的消失点估值，采用最小平方算法求描述门边缘特征的先前所计算全部的线条交点估值。即，通过解图15a和图15b所示形式的方程，求描述每侧门的门边缘特征的线性方程的交点。这些方程中，x为消失点水平位置，y为消失点垂直位置，ai为方程的斜率，bi为方程的截距，n为方程数。

一旦了得各门边缘线条和消失点数据则存入非易失性存储器供后用。

以上说明讨论自动校准方法，该方法通过采用自动选择过程规定门槛、门边缘和消失点。安装时也可通过采用例如与检测***接口的计算机和鼠标装置，人工选择这些特征。

也可通过在门槛和门边缘重要特征设置仿真界标，帮助此自动校准方法。例如可用条带或带胶标签标出门口中部或突出一些特征，诸如门的导轨或门槛结合电梯门的线条。

第1检测算法分成2个独立部分。第1部分是自动校准算法，用于在图像中判定门边缘和门槛的位置，如上文所述。期望装置初装时运行此算法，提供说明电梯门和摄像机几何结构的一些参数。第2部分是操作算法，用于检测关门时门边缘和门槛上存在的对象。

下面，说明第1操作算法。

第1操作算法

第1操作算法包含以下步骤。后文将详细说明这些步骤。

1、取得门口新(实时)图像。

2、检测门位置：

●利用对门槛位置的了解提取居优包含该门槛的子图像。

●利用对运行间隙和导轨位置的了解，提取这些特征的图像。

●通过判定水平方向强度突变的位置，决定门位置。即，运行间隙和轨道几乎总是黑色特征，这些特征的强度在其与门相交的点发生变化。

●如果需要，对门槛采用垂直缘检测滤波器，以证实门位置。

3、检测门槛上的对象；

●用垂直缘检测滤波器判断门槛子图像中是否存在切割描述门槛垂直范围的2条线的一些浓垂直线条。

4、检测门边缘上的对象：

●用先前了解的门位置和消失点判定门边缘位置。

●如果需要，用边缘检测技术证实门位置。

现说明各具体步骤详况。

步骤1

首先，取得电梯门、门槛和门厅的操作图像。摄像机和电梯门槛彼此相对固定时，这两部分在图像中的位置保持恒定。因此，从电梯检测***操作时捕获的图像提取门槛子图像的过程比较简单。在上述校准阶段已确定这些子图像的位置。

步骤2

如门槛本身那样，运行间隙(电梯平台/门厅地板与电梯轿厢地板之间的门槛的二等分间隔，观察门槛图像时能清楚看到)和门轨(门槛中***门导轨的槽)保持在操作图像中的相同位置。因此，通过利用校准阶段了解的这些特征的位置，可从门槛图像提取这些特征的子图像。

电梯门关闭时，运行间隙和门轨的子图像的特征为其未端附近强度突变。这是因为高度光亮的门掩盖这些较黑的特征。如图16中特殊图像所示，看到的强度变化为从暗到亮。随着门关闭，该强度变化的位置也移动，因而能跟踪门底部的位置。图16中，数字31代表门充分打开时的运行隙，32代表门部分关闭时的运行间隙。

另一种寻找门位置的方法采用的原理是门关闭时图像中水平线条缩短，而且门关闭时门边缘线条变得较垂直，第2种方法包含以下步骤。

1、用水平缘检测滤波器对图像进行过滤。

2、把边缘检测图像值变换成绝对值。

3、总加上述图像的各列，产生水平边缘统计图。

4、用垂直缘检测滤波器对图像进行过滤。

5、把边缘检测图像值变换为绝对值。

6、总加上述图像各列，产生垂直缘统计图。

7、对垂直缘统计图和水平缘统计图的能量进行均衡。

8、把2个能量均衡统计图相加，以产生单一统计图。

9、求出已知门开放位置和门关闭位置之间的统计图峰值，提供新的门位置。

通过门关闭时应用上述算法，求出门关闭位置(即通常为电梯门中央)。为了取得总体极大值和对门关闭位置的良好近似，对峰极大值及其两侧的点配上抛物线，其中峰值接近背景光强度。

此方法优于第1方法之处在于更可靠地防止关门时的噪声和图像特征移动。这是因为总加平均掉任何噪声，并增强关门时门槛上全部水平特征宽度的变化。与此相反，第1方法非常赖于下列因素。

●图像中运行间隙的位置在图像间保持相同位置(如果成像***安装牢靠，这点不是太大的问题。

●关门时水平特征不出现大亮度变化。

●各个图像中水平特征高度上仅为几个像素。

●水平特征适当准确朝向水平(即图像不能对水平方向倾斜太大)。

然而，第1方法的优点是比更后的第3方法计算快得多。

图17中给出该第3方法的例子，其中图17a、17c、17e和17g示出关门时门槛区的原图像，图17b、17d、17f和17h示出相关统计图的曲线。该统计图曲线包含水平缘检测图像统计图、垂直缘检测图像统计图和能量均衡后该二统计图的和。可看到在与门对应的位置上，总加统计图中存在强度突变。因此，用此方法可自动检测门位置。

步骤3

然后，此算法需要检测门槛上的对象。门槛上的对象会切割规定门槛垂直范围的1条或2条水平线。还可能切割描述运行间隙和轨道垂直位置的水平线条。

通过对门槛子图像施加水平像和垂直缘检测滤波，可突出位于门槛上一些对象。于是，通过寻找规定垂直门槛范围、运行间隙和门轨的水平线条中的切割，可进行检测。一旦采用垂直缘检测滤波器，门槛上的对象就地产生波垂直线条(反之，原门槛会有浓水平线条)。因此，通过在滤波所得门槛图像中寻找与规定门槛、运行间隙或门轨的水平线条相交的浓垂直线条，也能检测对象。上一步骤中获得对门位置的了解，意味着不会把电梯门错当对象检测。

步骤4

检测门边缘上的对象。对消失点(校准阶段时获得)和门槛上门底部位置(上面刚获得)的了解使关门时可修改规定门边缘的方程。因此，关门时，可判定图像中门边缘位于何处。

上述了解可用于提取包含门边缘的子图像。对子图像施加垂直缘检测滤波。垂直缘检测滤波器突出对象因朝向摄像机而容易发现的浓垂直线条。通过叠加规定门边缘的线条可判断这些线条是否受与对象关联的一些浓线条切割。因此，可检测对象。

判断门位置的另一方法的延伸(上面已参照图17加以说明)，使得可用一次操作检测门位置和出现的一些对象。此方法基于垂直缘、水平缘、和大致对角线(例如45度或135度)缘检测图像的统计图。该方法包含计算步骤1至9所述水平缘和垂直缘的统计图后，进行以下的步骤。

10、计算设计成突出图像中大致成对角线的线条的边缘检测滤波器所处理图像的边缘统计图。例如该图像为左侧门(站在电梯内往外看时)的45度边缘检测图像和右侧门135度边缘检测图像。

11、根据角度边缘统计图与垂直边缘统计图的乘积除以水平边缘统计图，计算新统计图。

12、关门时跟踪该统计图的峰。如果防护区清晰，这些峰就属于门位置。如果门槛或门边缘出现对象，则该统计图中出现大的附加峰且其位置不对应于门的峰，表示存在对象。

大致成对角线的边缘检测突出门边缘，使统计图高度从图像左(右)侧往门位置方向升高，因而本方法指明门位置。借助门底部与门槛结合处产生的边缘，垂直缘检测还提供按照门位置对峰定位。因此，2个统计图乘积的峰指示门的位置。门槛或门边缘有对象时，垂直统计图包含许多指示对象位置的峰。这种情况下，统计图的乘积包含多个峰，有些属于对象，有些属于门。

统计图乘积以水平统计图，因为这样表明减小统计图中背景光强级，从而突出峰，门槛的图像包含以某种方式组成的从门槛41起的水平特征时，背景光强级会很高。

图18的图像示出如何组合各种边缘检测图像的统计图，以提供能检测门位置的统计图。图18a、18b和18c为分别施加45度、垂直和水平缘检测滤波后的图像，图18d中，最上面的3个曲线为从边缘检测图像获得的原始统计图，下面的曲线为组合统计图，用于判定门位置。

图19用一些门关闭时门槛区的图像(图19a、19c、19e和19g)及其伴随的统计图(图19b、19d、19f和19h)展示此进一步的方法可用于判定门位置的方法。

图20的图像和曲线示出如何组合统计图使门和对像能定位。图20中的对像是电梯门槛上的脚和电梯门边缘上手臂。图20a、20c、20e和20g中为门关闭各阶段的门槛原图像，图20b、20d、20f和20h中则为其伴随的统计图。可看到具有本例所用的对象，则该对象关联的峰远大于边缘关联的峰。

除上述检测对象的统计图法外，还可用下列方法进行检测或证实检测；

(a)寻找描述门边缘、门槛/运行间隙接口或门槛/地板接口的线条中的断线，以及/或者。

(b)寻找从门槛垂直线条或门边缘角度线条垂直延伸的线条。

对以上一些决定门位置的方法，可用门对称开放或预测法证实算法所提供的门位置。即，从估计的左门位置到中心线的距离应近似等于估计的右门位置到中心线的距离。此外，还可用了解的当前门位置、运行方向和对门速度的估计证实下帧图像的门位置。

上述边缘成像方法考虑到判断会给关闭的门撞击的门边缘和门槛上的对象。这在提供门障碍检测所需安全性能的同时，还有利于预先告警电梯门附近对象在移动。这时电梯控制器可预知有人要进入电梯轿厢。设想下面要说明的视差法会用作这种预警和预测装置。因此，对象出现在门槛或门边缘之前，门会例退。

视差检测法

第2检测方法的主要特征在于障碍检测应用视差效应。参阅图21，该图示出一较佳实施例的步骤。从空间上分开的制高点收集2个图像。这些图像对应于从2个不同位置(见图22a和图22b)俯视到电梯门口的场面。该图像包括电梯门口紧邻处，即通常电梯乘客走近电梯门的区域。此紧邻处可分为第1障碍区(上文已述)和较大的第2障碍区，乘客走近电梯时经过该区(见图4)。

参阅图22，通过紧靠电梯门的第1障碍区外面(即第2障碍区中)放置一梯子说明视差法。从不同的制高点记录2个图像22a和22b。作为先决条件，拍摄这2个图像用的摄像装置不同于说明前部分所介绍的摄像装置。先前的摄像装置采用隔开100mm的2部外张开摄像机。用该先前摄像装置，所产生的2个图像示于图5a和图5b。主要注意点是图22a和22b中的图像示出相同的门图像，而图15a和5b中的图像示出各侧门对应的图像。这点与下面讨的进行无关。因为实际上一旦校准算法判定门边缘和门槛的位置，就遮掉这些区域，仅考虑第2障碍区的子图像(图4中标以数字5)。这些子图像分别对应于图22a和2b中图像的上中部或图5a和5b中图像的上右和上左部。

一旦取得图22a和22b中的图像，即计算2个图像背景间的偏移，并用于对齐场面间的背景。最好通过确保***的光学装置在其制造时尽可能准确定位，使背景校准量最少。用适当的数学图像处理技术可补偿对齐背景中的一些小缺陷。较佳实施例中，纠正该缺陷的方法采用交叉相关或最小能量的途经。最小能量法包括每次使图像(2维)“偏移”一像素(以各方向排序的方式)。所得2个图像相减后，按差分图像总加全部像素值。图像定位最准确所需的偏移是所得总加值最小的偏移。即，差分图像总和最小时，校准最佳。

交叉相关是一种统计法，通常比最小能量法可靠且运算速度快。而且，能过快速傅里叶变换实施交叉相关时，已发现处理度显著提高。由于决定视差造成的偏移不准确，噪声造成的不完全抵消、像素化图像效应，非线性失真、摄像机图像平面转动以及从2个不同制高点观测的亮度差，已发现完全抵消背景是不现实的。

图像定位结果引入的误差取决于3维对象相对于背景的尺寸和对象所产生视差的大小。为了减小该误差，可用不包含视差或所含视差最小且背景最大的一部分图像计算校准图像背景所需的偏移。

计算图像背景间偏移用的数学方法假设图像为无限。实时图像为有限，因而这些数学方法倾向于抵估偏移。通过用数学方法计算偏移前，迫使图像周长为零，往往能克服该影响。利用图像采以边界(周长)值为零的函数(诸如二元余弦函数)，实现这点，这样做时，发现会正确计算偏移，差分图像仅受未完全抵消的背景的较小影响。

另外的差错源为噪声。然而，其总影响一般很小。

背景偏移的又一差错源是像片单元的像素化。实时图像由于其特性，在基边界离散，因而从2个不同制高点观察时，不可能准确对齐图像背景或完全抵消背景。这是因为图像中对像的边缘不会总是确位于像素边界。对像的边缘通常与像素边界重叠，因而偏移不会总是等于整个像素。

通过使图像模糊，从而各像素强度值为其周围像素值的平均值，能大部分克服此误差。在范例中发现高斯滤波和中值滤波在这方面特别有效。

制造期间准确校准光学装置，能使图像转动造成的误差大为减小。采用单一摄像机构成的***，从而曝光和孔径控制***相同，以便取得不受照明强度不同的影响的2个图像。这样能使照明误差最小。于是，采用单一摄像机和的反射镜/透镜***取得空间上分开的视域，使所得图像聚焦在单一摄像机内成像装置的各半部分上，这样就能取得视差效应。示必在成像装置的各半部分上分开图像。可用开关装置选择所需图像后，聚焦在摄像机上。这点上文已讨论。

一旦计算2个初始收集图像背景间的偏移，即把该信息存放在非易失性存储器供后用。由于摄像机和门左相互保持固定位置，不需要对每一操作图像重度计算背景偏移。这样就节省处理时间。最好在校准阶段计算背景偏移。

对齐背景后相减，以便产生差分图像。图22c中示出这点。图中可见，图像上的背景和电梯门槛大致抵消，而突出障碍(本例为梯子)。为了强化视差效果，所得图像最好施加门限，从而产生强度显著提高的视差表现，如图22d所示。

最好差分图像仅包含3维对象的轮廓。然而，实际上所得视差上突出的图像，如图22d所示。该图像具有门和门槛的组成部分。如上文所述，从校准阶段右这些单元的位置，因而被遮掉。

本方法对检测乘客靠近或进入电梯特别有用。这是因为随着对象高度的增加，视差效应变得越显著，从而更准确且更清楚地识别障碍。

图23示出紧靠电梯门外面放置各种障碍样例的结果。图23a、23d、23j和23m分别示出箱子、地毯上的箱子、棍棒、软玩具(代表动物)和走近的乘客的腿。还示出相应的差分图像(图23b、23e、23h、23k和23n)以及大致施加门限的差分图像(图23c、23f、23i、23l和23o)。图中可见，存在有因素的地毯会防碍背景有效相减。然而，即使对显著的背景，施加门限的步骤也会显著强化机器可识别的障碍位置。

因此，在障碍检测区放置或移动障碍时，产生机器可识别的视差效应。如图23a、23b和23c所示，主要由对应于箱子的垂直边缘的图像部分产生视差，而不是其水平边缘对应的部人。这是因为摄像机在电梯门口顶部水平移位，从而水平视差效应最小。左门的边缘产生的视差也清楚可见，并且可看到视差的程度减小，甚至在门边缘靠近门槛或地板区时消失。

图24示出滤波技术(上文已讨论)减小与图23所示相同的图像例的像素化假图像的能力，图24c、24f和24i(与图23f、23i和23o比较时)示出减小背景抵消残余程度而不抑制视差产生的特征。能看至先前可风的门槛上轨道造成的水平线采现在已消失，因而此技术的有效性显著。如果这些特征属于背景而不是归于障碍造成的视差效应，则合乎需要。

已发现所述视差障碍检测方法能用于检测门边缘上的手或其他障碍。实验中，门边缘上的手产生的视差机器可清楚检测。显然，如果此方法付诸实用，需要能区分门边缘本射产生的视差和存在手或其他障碍产生的视差。上文所述图像内门边缘识别法可用于此目的。

可用于识别上述障碍的另一种方法在无障碍的情况下取得电梯门边缘的参考图像。该参考图像与电梯运用中记录的轿厢门边缘图像连续比较。如果手放在门之间，就从新取得的“操作”图像减去参考图像。如果存在障碍，就可见差分图像，否则差分图像为零。图25d至25f中示出该相减过程的例子。参考图像25b和25e示出无障碍的情况，图像25a和25d分别为操作图像。相减所得图像25f和25c展现存在手及其在关门柱边缘的反映。

实验中，已发现本发明能机器检测各种适当大对象的视差。已知各种摄像机参数(诸如最大摄像机间隔和高度)的摄像机***能检测的视差，存在理论上的极限。因此，出现难以检测位于地板上方200mm以下的对象和放在电梯门口顶角的对象。然而，通过开发摄像机光学装置和几何结构，有可能克服此极限。

已开发上述方法，可自动检测门边缘内的门槛。按照第1检测区的要求，视差法和参考图像法均工作良好，都产生直接对应于门障碍检测区中存在的障碍的机器可识别特征，然而，上文所述边缘检测法对关键区更加牢靠可信。通用视差法在检测第2障碍区中的对象时，尤其有效。

因此，本发明提供一种显著改善的障碍检测***，能可靠检测门边缘和较大防护区中的对象。成像参数的改变仅改善此检测的门限，尤其是对视差法。此***还能可靠地从图像中去除大部分背景，帮助进一步地处理。此外，还发现通过将图像分成第1检测区和第2检测区，能可靠地检测放在门边缘的手或其他障碍。本领域的技术人员会明白存在许多变换和修改。其中包括替换各种类型的摄像机或成像装置。而且，还可借助诸如上文所述的光学***，把图像收集装置减少到1个。这在要求提供空间上分开的视点方面，可显著节省成本。

尽管在电梯门的情况下说明本发明，通过适当修改，本发明中用于其他障碍检测，诸如重机械、进程处理控制、保安等所涉及的障碍检测。

以上说明中，参照本发明已知等效方面的特定组成部分或整全，则按以个别说明那样，在此纳入该等效方面。

尽管已借助例子并参照实施例说明本发明，但应理解可对其进行各种修改或改进而不偏离本发明的范围或精神实质。

Claims (44)

1、一种区域内对象检测方法，其特征在于，该方法包括取得1个或多个该区域的图像；采用边缘检测法，其途径为突出图像中大致居优的线性特征，并判断是否居优线性特征与规定该区线性特征相交。

2、如权利要求1所述的区域内对象检测方法，其特征在于，该区域为对象检测区，并且分成至少2个区，第1区有门和门槛描述的体积，第2区包括门外乘客用门要通过的体积。

3、如权利要求2所述的区域内对象检测方法，其特征在于，第1区为电梯的门和门槛，第2区为乘客等待电梯的电梯平台/门厅。

4、如权利要求1至3中任一项权利要求所述的区域内对象检测方法，其特征在于，至少有2个图像，而且该方法还包括检测2个或多个图像视差的步骤，该视差因区域内存在对像而产生；具体而言，该对象在第2区内。

5、一种区域内对象检测方法，该区域由门和/或门槛规定，其特征在于，所述方法包括采用边缘检测法，其途经是突出图像中大致居优的线性特征，并判断居优线性特征是否与规定所述门和/或门槛的线性特征相交。

6、如权利要求5所述的区域内对象检测方法，其特征在于，该方法包括描述1个或多个图像的特征的预备阶段，以便建立该区域呈现的一些特征性线性特征，最好所述特征性居优线性特征是规定门边缘和/或门槛的线条，存放所述特征居优的位置，供以后参考。

7、如权利要求5所述的区域内对象检测方法，其特征在于，该方法还可包括操作阶段，该阶段分析1个或多个图像，以便建立该本积内呈现的一些非特征性特征，所述非特征性特征体现该区域内潜在对象和/或障碍。

8、如权利要求6或7所述的区域内对象检测方法，其特征在于，预备阶段包括至少2个步骤，第1步骤检测门槛的位置和大小，第2步骤检测1个或多个门边缘的位置和大小。

9、如权利要求8所述的区域内对象检测方法，其特征在于，第1步骤包含：

采用大致水平缘和/或大致垂直缘检测滤波器突出已知门槛所处近似位置的图像部分中居优的垂直线条和/或水平线条；对用垂直缘和/或水平缘检测滤波器所产生图像中每行像素的强度值求和，从而产生垂直和/或水平函数，其最大值和最小值对应于水平线性特征和/或垂直线性特生的位置，所述线性特征按照图像中水平特征和垂直特征规定门限的空间位置。

10、如权利要求8或9所述的区域内对象检测方法，其特征在于，第2步骤包含：

利用了解的门槛空间位置和了解的门槛与门边缘之间物理关系，取得于图像或门的子图像；

使子图像受边缘检测滤波器作用，该滤波器适应于突出朝已知界限之间的角度的边缘；

控制该子图像以产生二进制图像，该二进制图像包含与门边缘对应的多个线性特征中的一个；

导出二进制图像中线性特征的方程。

11、如权利要求10所述的区域内对象检测方法，其特征在于，该已知界限为大致垂直边缘和大致水平边缘。

12、如权利要求10或11所述的区域内对象检测方法，其特征在于，导出二进制图像中线性特征方程之前，第2步骤还可包含：

用幅值在垂直方向增加的倾斜函数处理二进制图像。

进一步处理该图像，以便清楚识别二进制图像中一些居优线性特征，该处理包括用第1滤波器滤出二进制图像中大致孤立的特征，以及对二进制图像用第2滤波器减少图像中一些大致线性的特征。

13、如权利村注10至12中所述的区域内对象检测方法，其特征在于，通过利用最小平方法或类似方法对线条定位取得线性特征方程；如果图像中具有1个以上居优线性特征，一只决定任一线性特征的方程，即从图像去除该线性特征，并建立另一居优线性特征方程。

14、如权利要求10至13所述的区域内对象检测方法，其特征在于，用总加驻平均值处理每一线性特征方程的估值，从而提高该线性特征方程的置信度，通过对以下或多个加权平均值进行正规化或求积，求出该总加权平均值，这些加权平均值包括

第1加权平均值，其中决定线性特征数导数和方差，特征点距离和导数变化到给定参数外，代表图像中断，从而第1加权平均值对所述点下加权，或从估值去除该点，以及/或者

第2加权平均值，使远离图像捕获源的线性特征中的点加权大于该图像中靠近图像捕获源的点，以及/或者

第3加权平均值，该第3加权平均值为特征导数的倒数，以及/或者

第4加权平均值，对从垂直缘到垂直缘跨越任何子图像的线性特征进行加权。

15、如以上任一权利要求所述的区域内对象检测方法，其特征在于，利用滤波器、微分器等实施边缘检测。

16、如以上所述的区域内对象检测方法，其特征在于，所述边缘检测针对突出图像中的居优线条，这些线条朝向为大致水平、垂直和大致成对角线；具体而言，这些对角线为大致45度和135度。

17、如权利要求8所述的区域内对象检测方法，其特征在于，

操作阶段包括以下步骤：

捕获该区域的1个或多个实时操作图像；

检测图像中门的位置；

检测代表门槛的图像区域中出现的对象；

检测代表门边缘的图像区域中出现的对象。

18、如权利要求17所述的区域内对象检测方法，其特征在于，通过检测门槛的大致水平特征中强度的变化，取得门的位置，强度变化规定图像中门的空间位置。

19、如权利要求17所述的区域内对象检测方法，其特征在于，通过至少采用大致垂直边缘检测滤波器突出与门槛线性特征相交的图像中居优的垂直特征，判断代表门槛的图像区域中存在对象。

20、如权利要求17所述的区域内对象检测方法，其特征在于，通过至少采用边缘检测滤波器突出与门线性特征相交的图像中居优特征，判断代表门边缘的图像区域中存在对象。

21、如权利要求17至20中所述的区域内对象检测方法，其特征在于，操作步骤包括测出边缘的图像变换为统计图，该统计图的峰值相当于图像中的特征，所述特征代表门和/或门槛，以及/或者门边缘和/或门槛上的障碍。

22、如权利要求17至21中所述的区域内对象检测方法，其特征在于，操作阶段可重复多次。

23、一种对象和/或对象移动检测方法，其特征在于，该方法包含检测1个区域中2个或多个图像视差的步骤，该视差因该区域存在对象而产生。

24、如权利要求23所述的方法，其特征在于该方法包含检测该区域图像瞬时变化的步骤。

25、如权利要求23或24所述的方，该方法包含检测位于该区域的对象产生的垂直与水平，视差的步骤。

26、如权利要求25所述的方法，其特征在于，包含以下步骤：对齐1个区域中多个图像的背景；成对图像相减，以便借助视差展现该区域存在对象。

27、如权利要求23或26所述的区域内对象检测方法，其特征在于，该对象检测方法包含以下步骤：对齐1个区域中第1图像和第2图像的背景；从第2图像减去第1图像，从而借助视差展现存在3维对对象。

28、如权利要求23、26或27所述的区域内对象检测方法，其特征在于，该方法包含以下步骤：

从第1视点收集1个区域的第1图像；

从第2视点收集该区域的第2图像；

计算该2个图像背景之间的偏移；

对齐该2个图像的背景；

该2个图像相减，以产生第3差分图像；

分析第3差分图像，测出视差，从而展现该区域存在3维对象。

29、如权利要求28所述的区域内对象检测方法，其特征在于，相减步骤后，分析步骤前，存在门限施加步骤，由此，对差分图像施加门限，以排除噪声，从而产生二进制图像。

30、如权利要求28或29所述的区域内对象检测方法，其特征在于，对第3差分图像进行处理，以便大致仅包含区域中一些3维对象的轮廓。

31、如权利要求28至30中任一项权利要求所述的方法，其特征在于，图像划分为背景图像和门边缘图像；根据无对象时背景的图像，计算2个图像背景之间需要的偏移。

32、如权利要求28至31中所述的区域内对象检测方法，其特征在于，采用交叉相关计算该偏移。

33、如权利要求28至32中所述的区域内对象检测方法，其特征在于，利用高斯滤波器、中值滤波器或类似的滤波器使用图像模糊化，以便减小图像中的像素化效应。

34、一种区域内对象检测装置，其特征在于，所述装置包含至少1个成像装置和1个适应实现以上任一权利要求所述方法的微处理器装置。

35、一种区域内对象检测装置，其特征在于，该装置包含：至少1个成像装置，适应从至少2个空间上分开的视点形成相同场面的图像；

微处理器装置，适应处理所述图像，其方法为突出所述图像中大致居优的线性特征，并别断是否一些居优线性特征表示该区域存在对象。

36、一种区域内对象检测装置，其特征在于，该装置包含：

至少1个成像装置，适应从至少2个空间上分开的视点形成大致相同场面的图像；

微处理器装置，适应处理所述图像，以便计算2个图像或图像对的背景之间的偏移，根据所述偏移对齐背景图像，把所得图像相减，以产生差分图像，从而可检测差分图像中的视差作用，表示该区域存在对象。

37、如权利要求34至36中任一项权利要求所述的区域内对象检测装置，其特征在于，微处理器还适应处理图像，以突出图像中大致居优的线性特征。

38、如权利要求34至37中所述的区域内对象检测方法，其特征在于，可用光学方式，数学方式或其他类似方式处理图像，该方式展现区域图像中居优线性特征和/或视差。

39、如权利要求34至38中所述的区域内对象检测方法，其特征在于，微处理器还适应对差分图像施加门限。

40、如权利要求34至39所述的区域内对象检测方法，其特征在于，微处理器的形式可为固态器件，光器件或与其类似的器件。

41、如权利要求34至40中所述的区域内对象检测方法，其特征在于，采用1个摄像机时，该装置包含光分支和反射装置，该光分支和反射装置适应对来自离开该摄像机实际位置的视点的图像进行中继。

42、如权利要求34至41中所述的区域内对象检测方法，其特征在于，2个或多个图像的收集可由包含棱镜、相干光纤波导等的光学装置实施，或者可变换成像装置本身或使该装置本身适当位移。

43、如权利要求34至42中所述的区域内对象检测方法，其特征在于，可添加仿真特征，以帮助微处理器突出图像中大致正规居优的特征。

44、如权利要求34至42中所述的区域内对象检测方法，其特征在于，还可包含输入装置，该输入装置使用户能把正规居优特征的位置输入微处理器。

Images