保护电梯门的动态图像识别方法

吕新知，谷明非，宋世杰，宫大为

（1.中国核动力研究设计院，四川成都 610213；2.电子科技大学机械与电气工程学院，四川成都 611731）

0 引言

电梯给人们生活带来了便利，电梯门作为直接与用户接触最多的部件之一，其保护系统在电梯安全运行中起着十分重要的作用。现有的门保护技术［1-2］主要包括：①机械安全触板等接触式保护方法；②光电式、红外线光幕式等非接触式保护方法。前一种方法弊端主要存在对行动不便的人进出电梯时造成困扰；后一种方法无论是二维式还是三维式保护，保护范围都有局限性，存在死角。随着科技的发展，电梯门保护系统要求更高，不仅要安全性、可靠性高，还要反应快速、智能性好。

近年来，图像处理技术在工业领域广泛应用［3-5］，为电梯检测系统提供了新的发展思路，相关研究有：Liu 等［6］设计了一种基于图像的电梯人数计数算法用于电梯控制，减少了电梯的等待时间和非必要停止次数；汤一平等［7］提出一种基于计算机视觉的电梯内防暴力智能视频监控方法；黄颖昭［8］对电梯轿厢空间占用识别系统展开研究；张雷等［9］将机器视觉技术应用于电梯的超载检测，提高了电梯的输送效率和智能化程度；Zou 等［10］将图像处理技术应用于电梯的过载检测，检测正确率达到了91.7%；叶凯［11］利用图像处理技术对电梯轿厢的拥挤度进行识别；金晓磊等［12］采用随机Hough 算法对电梯监控视频图像中的人数进行识别；Zhao 等［13］提出一种基于图像的电梯人流量检测方法，该方法可对电梯门状态、电梯的运行状态以及电梯中的人数进行图像识别。上述文献表明，针对电梯应用场景的图像技术主要集中在过载检测和人数检测上，而针对电梯门保护的图像识别方法较少，电梯门保护的图像识别技术更强调动态图像识别以及识别的实时性。

将图像识别技术应用于电梯门保护系统主要存在以下3 个局限性：①图像的信息量大，对系统响应速度要求高；②数字图像中各个像素不独立，相关性大；③图像处理技术综合性强。因此，目前尚无成熟产品投放市场。

本文对比国内外技术发展水平，针对物体进出轿厢不易被准确识别的难点，围绕上述3 个问题展开分析，建立一套动态目标图像识别方法。结合电梯关门的图像特征进行实时图像处理算法研究，搭建试验平台，并通过仿真试验进行验证。

1 电梯门保护系统架构

通过一个安装在电梯轿厢上靠近轿厢门的图像传感器，拍摄电梯门间以及在门入口一块区域内的图像，通过主控芯片对图像进行处理，给出开关门信号。系统硬件框架如图1 所示。

Fig.1 Elevator door protection system图1 电梯门保护系统架构

电梯门保护系统主要分为图像采集模块、主控电路模块、存储模块、数据通信模块、人机交互模块、电源和系统复位模块。

主要实现过程：图像信号采集模块实时提取电梯门区的图像数据，主控芯片将图像数据进行处理并保存至存储模块供下一次图像对比，同时将信号处理结果显示于人机交互模块，最后将梯门启动信号经过通讯模块触发。

2 动态图像特性算法

设一幅数字图像有M行和N列，原点坐标是（0，0）。以f（x，y）表示坐标为（x，y）位置点的图像灰度值，则整幅图的灰度值可表示为：

对电梯门间图像进行动态目标检测时，为了提升计算效率，常常将灰度图像转化为二值图像处理，即像素灰度级非1 则0。

2.1 改进的中值滤波图像预处理方法

在对电梯门间图像进行预处理时，如果平滑滤波不当就会丢失图像本身的细节，如电梯门边界轮廓、线条等变得模糊不清，从而对图像的后期处理带来困难。一般在图像的平滑过程中既要控制图像的噪声，又要尽可能保持图像的细节［14-16］。

中值滤波的输出像素是由邻域图像的中间值决定的，因而中值滤波主要作用就是对周围像素灰度值差别较大的像素重新赋值，成为与其周围像素灰度值接近的值，从而消除孤立的噪声点。中值滤波用数学公式表示如下：

式中，A 为窗口，g（m，n）为窗口的灰度中值，f（m-k，nl）为窗口A 内各点的像素灰度值。

传统的中值滤波算法中，窗口每次移动都要进行一次排序，以3x3 的窗口为例，传统的中值滤波法需要36 次比较排序，这种做法实际上包含了大量重复比较的过程。本文算法以3x3 的窗口为例，窗口内像素的排列如下：

经过9 次比较可得：第1、2、3 列最大值记为Max（hi，1），Max（hi，2），Max（hi，3）；第1、2、3 列中值记为Med（hi，1），Med（hi，2），Med（hi，3）；第1、2、3 列最小值记为Min（hi，1），Min（hi，2），Min（hi，3），排除6 个非中值元素后可得：

由上式可得3x3 的窗口中值：

若在此时移向下一个窗口，只需要将新加入的一列｛N1，N2，N3｝代替原窗口的最左边列｛X11，X21，X31｝即可。对新加入列进行排序操作：

这里3 次比较后需要使用前一次比较的排序结果，去除肯定非中值的6 个元素，对最后的3 个元素取中值，此即为本次窗口的中值。因此，该窗口总共需要12 次操作。之后的每个窗口都只需要12 次操作即可，大大降低了比较次数。

2.2 基于类间方差法的阈值分割

采用最大类间方差法对全局阈值进行分割，基本思想是按照图像的灰度特性，将图像分成背景和目标两部分。背景和目标之间的类间方差越大，说明构成图像的两部分差别越大，类间方差最大的分割意味着错分的概率最小［17-18］。

通过对多幅图像的仿真试验，采用最大类间方差法为主、基于经验的固定阈值算法为辅的算法能得到较好结果。

最大类间方差算法实现过程：

设图像f（x，y）灰度级范围为L，灰度级为i的像素点为ni，总像素为N，则灰度级为i的像素点出现的概率为：

按灰度级阈值t划分为两类区域C0和C1，C0和C1出现的概率ω0和ω1如式（12）和式（13）所示；均值μ0和μ1如式（14）和式（15）所示：

根据方差定义，可以求得：

如果同区域具有灰度相似的特性，不同区域之间则表现为明显的灰度差异，当被阈值t分离的两个区域间灰度差较大时，两个区域的灰度均值为μ0和μ1，与整幅图像的灰度均值μ之差较大，类间方差便是描述这种差异的有效参数［19］。表达式为：

式（18）中：σB2表示图像被阈值t分割后两个区域之间的方差，显然不同的t值会有不同的类间方差。经整理可得：

当被分割的两区域间方差为σB2时达到最大值，认为是两区域的最佳分离状态，由此确定阈值Th：

通过类间方差法计算出的全局阈值旨在去除大部分干扰噪声，增强具有关联性的动态变化图像识别的稳定性。

2.3 基于区域过度生长算法的动态识别

利用动态目标跟踪只需要得到电梯门间简单的目标移动矢量方向，而不需要该运动目标的具体特征、外形等参数，因而本文研究的目标跟踪算法具有特殊性，与其他跟踪法有较大区别。根据本图像环境特点提出区域过度生长算法，求取目标的最小外接矩形以及其中心。最小外接矩形Rect的提取公式为［20］：

目标区域内的中心坐标P（px，py）公式如下：

以该中心来定位运动目标的具体位置，只需要暂时保存该位置坐标数据，在后面帧序列产生新的位置坐标时进行对比，产生一个矢量。当该矢量方向连续几帧指向电梯门间时，系统判别为有目标需要使用电梯，将电梯门打开；当该矢量方向指向门外或者指向水平方向时，则判断结果分别为目标走出电梯门和目标走过电梯门，而无需产生电梯的开门信号，继续保持现行状态运行。

3 动态识别数值模拟

3.1 改进的中值滤波算法仿真

为了验证滤波算法的适应性，仿真试验采用相同的滤波方法对不同电梯门的图像处理结果进行比较。不同电梯门背景选用依据是门背景图像直方图的像素分布情况，取有代表性的两类背景直方图如图2 所示。

Fig.2 Elevator door background图2 电梯门背景

电梯门背景（深色）的直方图像素值大部分都低于150，而背景（浅色）的直方图大部分大于150，深色与浅色代表了常见的电梯门背景黑（暗度）与白（亮度）两种典型特征。采用传统的均值滤波和改进的中值滤波方法进行对比，如图3 和图4 所示。

Fig.3 Filter comparison under dark color background图3 深色电梯门背景的滤波比较

Fig.4 Filter comparison under light color background图4 浅色电梯门背景的滤波比较

从图3 和图4 可以明显看到，两背景下均值滤波噪声点的干扰都比较大，特别是目标边界处发生模糊现象时，改进的中值滤波法在简化算法的同时能很好地过滤掉该背景的图像噪声，同时保持了边界特征清晰。另一方面，由于浅色背景像素值较大，深色背景像素值较小，说明像素值较大时受到的噪声干扰也比较严重。

3.2 动态识别仿真

对电梯门背景下获得的大量运动图像进行分析。背景具有相对稳定的变化范围，也提供了稳定的特征值，此处特征值为电梯门移动位置与移动时间紧密相关。采用相邻帧差法为主、背景差分法为辅的算法设计，不同电梯背景的多幅处理图像都能从门移动的背景中提取出移动目标。图5 为人体进梯时的动态识别效果。

Fig.5 Dynamic identification result图5 动态识别效果

图5 中，首先提取第N 帧至第N+3 帧图片，如图5（a）-图5（d）所示。经过中值滤波和类间方差阈值分割后对前后图像进行帧差二值化，可得图5（e）-图5（g）所示效果。将自学习的门背景位置当前帧进行背景减除法，最后得到动态目标图5（h）-图5（j）。在一个320x240 的窗口中，根据区域过度生长算法公式计算求得：p1坐标为（151，22）；p2坐标为（151，28）；p3坐标为（151，32）。从所获得的目标中心坐标p1、p2、p3，可知目标中心位移的矢量方向：在x 轴方向上坐标仅在151 附近移动，几乎无变化；而在y 轴方向上，值从22→28→32，有明显的递增趋势，与X 轴相比变化率较大，表明目标向电梯门间移动，能很好地反映在电梯门关闭过程中人向门走进的一个矢量方向。

通过仿真对目标进行定位跟踪，验证了最大类间方差分割法的有效性。采用相邻帧差法为主、背景差分法为辅的设计，对物体进出门梯以区域过度生长目标的方式进行提取，获得了良好的动态目标检测效果。

4 门保护系统试验

4.1 硬件电路设计

根据上述理论与仿真分析，搭建门保护系统试验平台，硬件电路如图6 所示。

Fig.6 System verification platform图6 系统试验平台

图6 中，1 为图像传感器OV9650，该部件装于电梯门内侧上方；2 为电源线，试验中为独立电源；3 为RS232 串口线，用于控制门机开关；4 为蜂鸣器，用于信号报警；5 为主控芯片S3C2440A；6 为人机互动键；7 为JTAG 仿真器；8 为信号灯；9 为LCD 屏幕。

4.2 门区划分

研究电梯门在关闭过程中的特征，为达到高实时性和智能性，需要将图像传感器捕捉的电梯门间区域划分为3个区域，如图7 所示，分别为门禁区、门外区、门内区，划分原则是根据人们使用电梯的习惯和可能发生的各种情况，3 个区域的范围在电梯门关闭过程中随着门框边缘的变化而变化，并有优先级顺序。

①门禁区，定义是电梯门间禁止区，优先级最高。从电梯使用情况看，该区域在电梯门间，是轿厢门与门外的一个交界处，处于较危险的区域，人要尽量减少该区域的停留，只要在该区域有移动目标出现则必然是正在使用电梯，在程序设计时，只要有移动目标出现，无需进一步判断就直接发送开门信号；②门内区，定义是电梯门间偏向轿厢门内侧的一块相对较小的区域，优先级中等。该区域的设立主要是针对轿厢物体的移动检测；③门外区，定义是电梯门外的区域，优先级低，该区域主要针对电梯使用人作出智能化响应。

Fig.7 Diagram of the definition of three areas between doors图7 电梯门间3 区域范围定义

4.3 目标识别试验

（1）目标走近试验。目标跟踪算法实质是捕捉移动目标中心点坐标的轨迹，根据轨迹判断当前情况下电梯门所需要做出的动作，在试验中以蜂鸣器响代表开门信号。目标走近试验区主要是模拟最常见的情况，动态识别效果如图8 所示。

Fig.8 Results of approaching test图8 走近试验动态情况

通过观察跟踪的C 坐标特征可以明显发现，C 的x 坐标也一直处于明显增加状态，由于y 方向的变化率较大使得x坐标的变化率影响不大，C 坐标值如表1 所示。

从试验效果上，系统在3 帧内基本完成移动目标的跟踪判断。如在第8、第9 组试验中，移动目标以较快地速度跑至电梯门，只出现2 帧的C 坐标值，即在门外区只需获得2 组数据便可完成判断，第3 帧的目标移动至门禁区，系统马上发出开门信号，而未继续跟踪C 坐标值，这也验证了程序设计的有效性，且与仿真结果相符，获得了较好的识别效果。

Table 1 Target C coordinate value表1 目标C 坐标值

（2）目标走过试验。该试验验证系统能否过滤因人路过而产生误判断发出开门信号情况。本文将0.3～0.6m/s 定义为慢速，0.8～1.2m/s 定义为中速，1.5m/s 以上定义为快速。将3 种状态下的信号统计于表2，慢速运动物体识别效果如图9 所示。

Table 2 Signal response statistics表2 信号响应统计

比较3 种运动状态，对目标慢速移动判别的误判率最高为16.7%，目标中速移动判别的误判率为6.7%，目标移动较快的判别没有误判。这从另一方面也符合实际情况，在目标移动较快时，目标中心点的X 方向移动较快，远远大于Y 方向的移动幅度，而目标移动较慢时，目标中心坐标变化缓慢（如图9 中C1 和C2 坐标所示），难以快速判断是否需要响应门机信号。本试验结果说明系统对路过目标的移动速度越快判别得越准确，而目标移动速度越慢则会对系统判别运动方向造成困扰。

Fig.9 Target localization of slow moving objects图9 慢速运动物体目标定位

5 结语

本文主要针对电梯门区图像的动态特征，提出一套适用于电梯门保护系统的图像识别方法，并通过仿真和试验进行验证分析。具体内容如下：

（1）建立了改进的中值滤波方法，简化了系统算法，通过与均值滤波方法的仿真对比，发现改进的中值滤波算法可有效过滤掉背景的图像噪声，同时保持边界特征清晰。

（2）采用类间方差法对图像进行全局阈值分割，建立以背景差分法为主、相邻帧差法为辅的动态目标检测模型，并采用区域过度生长算法对动态目标进行跟踪。仿真结果显示该方法能够很好地实现对移动目标的跟踪并便于进一步判断矢量方向。

（3）建立了门保护系统试验平台，对门区优先级进行区分。对目标走近过程进行试验，在3 帧图像范围内可对物体进行识别。对不同速度的运动物体进行多组识别试验，得出结论：系统对移动速度越快的目标判别得越准确，而移动速度越慢的目标则越会对系统判别运动方向造成困扰。