[发明专利]一种基于机器学习的电梯安全预警方法

说明书

本发明公开了一种基于机器学习的电梯安全预警方法，采用自动运动匹配、噪声干扰处理及超分辨率等方法，融合处理有效信息并提取相关特征进行动态捕捉及预警。本发明通过动态捕捉视频信息与自动预警机制建立关联，提示目标物的出现以便安检人员及时采取措施，同时自动提取有关联信息的视频，便于维修人员进行串并案分析及视频比对分析处理，找到有价值的线索等。

技术领域

本发明属于图像数据处理技术领域，尤其涉及一种基于机器学习的电梯安全预警方法。

背景技术

近期，电梯事故频发，短短两天之内，就发生了多起电梯安全事故。宜昌、深圳、西安，不同的地点上演着同样的惨剧，血的教训使得电梯安全隐患再一次引起广泛关注。每天乘坐多次的电梯已经融入了我们的日常生活，可谁又能料到，搭乘电梯这样一件普通的事情也会存在诸多危险。而众多电梯安全事故中，由于电梯轿厢还没到，电梯厅门打开，乘坐电梯的人踩空坠亡的事故最多。电梯门分轿门和厅门两种，安装在楼道里的电梯门叫厅门，安装在轿厢上的门叫轿门。电梯轿厢停稳后，安装在轿厢上的开门机开始工作，开启轿门，轿门同时带动厅门，两层门一起打开。正常情况下，轿厢未停稳时，厅门是锁住的，厅门本身也没有动力，不可能自动打开，就算有人用力拽门，也不会打开。但是，厅门松动后，或是电梯故障后，就会出现电梯轿厢还没到，电梯厅门打开的现象，现有技术中，还没有能够检测这一现，并对乘坐电梯的人进行提醒的装置。

神经网络在工程中的应用是从20世纪90年代才开始的，一般为多层前馈的BP神经网络，但BP神经网络存在局部最优问题，并且训练速度慢、效率低，而模糊神经网络在一定程度上克服了这些问题，它在逼近能力、分类能力和学习速度等方面均优于BP神经网络。而Rough Sets理论(简称RS理论)在操作时无须提供除问题所需处理的数据集合之外的任何先验信息，可以直接对多维数据实施基于属性和元组两个方向上的一致数据浓缩或不一致数据浓缩，从中发现隐含的知识，揭示潜在的规律。

图像特征匹配越发成为影像测量、计算机视觉和模式识别等领域研究的基本问题以及物体识别、跟踪等应用的重要基础。对于同一场景的多幅遥感影像而言，它们之间可能存在多种差异：不同的分辨率、灰度属性、位置(平移和旋转)、比例尺、非线性变形等等。传统的特征点检测算法，如基于模板匹配的特征点检测算法不易设计出大量模板来匹配纹理细腻的特征点；基于边缘检测的特征点检测算法精度不高；基于亮度变化的特征点检测算法受噪声，光照的影响很大。

目前已有的基于特征的图像匹配方法还存在一个共同的问题：它们所采用特征点的不变性一般较差，特别是通常并不具备对仿射或透射投影变换的不变性。因此，具有较大差异和特征变形的影像的匹配仍然是一个难点问题。

尺度不变特征变换(Scale Invariant Feature Transform，SIFT)算法是一种基于尺度空间理论提取图像局部特征的有效算法。通过在高斯差分尺度空间(Difference OfGaussian,DOG)寻找极值点作为关键点，SIFT特征对尺度缩放、旋转、光照变化均保持不变，对仿射变换、视点变换、噪声干扰均有一定程度的稳定性，但是SIFT特征匹配处理面临数据量大、计算复杂度高和运算量大的问题，在实时性要求较高的电梯安全运行应用场合中，应用受到了限制。

综上所述，现有技术存在的问题是：

现有电梯安全监控可靠性低，对潜在隐患不能提前揭示。

发明内容

本发明的目的在于提供一种基于机器学习的电梯安全预警方法，旨在解决目前散焦模糊、噪声及分辨率低等问题。

本发明是这样实现的，

一种基于机器学习的电梯安全预警方法：采用自动运动匹配、噪声干扰处理及超分辨率等方法，融合处理有效信息并提取相关特征进行电梯动态捕捉及电梯安全预警。

进一步，自动运动匹配的方法包括：