[发明专利]一种基于深度图像的自助通道防尾随检测方法和系统

权利要求书

1.一种基于深度图像的自助通道尾随检测方法，其特征在于，包括：

S1、设置距离传感器来采集检测区域内的深度数据，获取自助通道完整的深度图像；

S2、根据通道位置，将检测区域划分为多个子区域，对子区域内部的点云进行聚类分析，分析各子区域中行人的空间状态信息，所述空间状态信息包括：行人身高、所处位置及行人数量；对子区域内部的点云进行聚类分析，利用聚类方法得到候选目标信息；利用深度学习技术对候选目标进行识别；

S3、通过子区域内行人的空间状态信息，确定检测区域内的行人数量，判定通道内行人尾随情况。

2.根据权利要求1所述的方法，其特征在于，步骤S2包括：

S21、坐标转换：将深度图像的原始坐标空间转换到以地面为平面的坐标空间；

S22、划分子区域：将S21中坐标转换后的深度图像转换为点云数据，对点云数据进行地面配准，可得到每个点云间的相对位置关系，计算每个点云到划分的子区域的距离，判断点云是否处于划分的子区域内部，去除子区域外部的点云，保留子区域内部的点云；

S23、获得空间状态信息：对保留下来的子区域内部的点云进行聚类分析；

S24、对处于各子区域内的点云数据，利用聚类方法得到候选目标信息；

S25、利用深度学习技术，对S24中所获取的候选目标进行识别，以区分行人和物品。

3.根据权利要求2所述的方法，其特征在于，

在S23中，若子区域内存在行人，则获得对于行人的点云聚类结果，聚类结果包含位于行人头部位置的聚类中心，该聚类中心所对应的点云相对于地面的高度即为行人的身高，该点云相对于子区域的位置即为行人所处的位置，根据位于行人头部位置的聚类中心的数量得到行人数量。

4.根据权利要求3所述的方法，其特征在于，在S25中，

建立卷积神经网络模型，利用行人样本，训练目标识别的深度学习模型，使用训练完成的深度学习模型对候选目标进行识别，将行人和物品区分开来。

5.根据权利要求3所述的方法，其特征在于，在S3中，

获得各通道区域内的行人数量，若通道内行人数量大于或等于两人，则判定为发生了行人尾随；若通道内行人数量少于两人，则不判定为尾随情况。

6.一种基于深度图像的自助通道尾随检测系统，其特征在于，包括存储有计算机程序的处理器，所述计算机程序执行时，实现如下步骤：

S1、设置距离传感器来采集检测区域内的深度数据，获取自助通道完整的深度图像；

S2、根据通道位置，将检测区域划分为多个子区域，对子区域内部的点云进行聚类分析，分析各子区域中行人的空间状态信息，所述空间状态信息包括：行人身高、所处位置及行人数量；对子区域内部的点云进行聚类分析，利用聚类方法得到候选目标信息；利用深度学习技术对候选目标进行识别；

S3、通过子区域内行人的空间状态信息，确定检测区域内的行人数量，判定通道内行人尾随情况。

7.根据权利要求6所述的系统，其特征在于，

S21、坐标转换：将深度图像的原始坐标空间转换到以地面为平面的坐标空间；

S22、划分子区域：将S21中坐标转换后的深度图像转换为点云数据，对点云数据进行地面配准，可得到每个点云间的相对位置关系，计算每个点云到划分的子区域的距离，判断点云是否处于划分的子区域内部，去除子区域外部的点云，保留子区域内部的点云；

S23、获得空间状态信息：对保留下来的子区域内部的点云进行聚类分析；

S24、对处于各子区域内的点云数据，利用聚类方法得到候选目标信息；

S25、利用深度学习技术，对S24中所获取的候选目标进行识别，以区分行人和物品。