基于视频分析的扶梯异常行为检测算法研究

基于视频分析的扶梯异常行为检测算法研究

郭长福

福建省劳安设备技术开发有限公司 福建省福州市 350001

摘要：扶梯作为一种重要的交通工具，广泛应用于公共场所和商业建筑中。然而，由于扶梯使用频繁且容易发生事故，对扶梯的安全监控变得尤为重要。目前，大多数扶梯监控系统仅仅依靠人工巡视来发现异常行为，但这种方式效率低下且易漏检。基于此，本篇文章对视频分析的扶梯异常行为检测算法进行研究，以供参考。

关键词：视频分析；扶梯异常行为；检测算法

引言

随着城市化的加速发展，人们对于公共交通工具的依赖度也越来越高。扶梯作为城市中常见的交通设施之一，承担着人们快速、便捷地到达站台或商业区的重要任务。然而，由于扶梯的使用频率较高，存在着一些潜在的安全隐患，特殊情况时需依靠人员观测并启动紧急制动。例如，扶梯上的梳齿板断齿、基础盖板翻转塌陷、防逆转保护失效等部件异常，或乘客跌倒、卷入梯级踏板、扶手带等转动部件，可能会导致人员伤害或设备损坏。因此，及时检测和预警扶梯上的异常行为变得至关重要。

1视频分析的扶梯异常行为因素

1.1技术故障

扶梯需要稳定的电力供应来运行，如果供电线路或变压器出现问题，可能导致扶梯停止运行或者速度异常。扶梯的控制系统包括电梯控制器、传感器、电机等部分。如果控制系统遭遇故障，可能导致扶梯无法正常运行或者运行不稳定。扶梯的电机用于驱动链条或带动步履板运行，如果电机发生故障，可能导致扶梯运行速度异常或者停止运行。扶梯上的传感器用于检测乘客位置、扶手带张紧力度等信息，如果传感器故障，可能导致扶梯在运行中出现异常行为。

1.2设备老化

扶梯的链条或带是支撑乘客步行的组成部分，长时间使用后可能会出现松动、磨损或者断裂的情况。这可能会导致步行板不平稳以及扶梯运行不正常。扶梯运行过程中，轴承负责支撑和使部件转动顺畅。如果轴承老化、损坏或润滑不足，会导致扶梯运行时产生噪音、震动，甚至停止运行。扶梯的电气元件包括开关、保护器、电线等。长时间使用后，这些元件可能会老化、接触不良或失效，导致扶梯的供电问题、控制故障或其他电气故障，这会直接影响到扶梯的正常运行。

1.3维护保养不到位

扶梯的一些关键零部件，如链条、轴承、齿轮等，经过长时间的使用会磨损，如果未及时更换，可能会导致扶梯运行不稳定或者停止运行。扶梯的各个部件需要定期润滑和清洁才能保持良好的运行状态。如果未进行润滑和清洁，可能会导致扶梯运行时产生噪音、摩擦增大，甚至故障。定期的系统检查和调整可以及时发现并解决扶梯运行中的问题，确保扶梯的安全和正常运行。如果管理单位忽视这一步骤，可能会导致扶梯出现异常行为。

2视频分析的扶梯异常行为检测

2.1动态轮廓分析

从视频序列中提取背景帧，可以通过平均法、高斯混合模型等方法得到当前环境下的背景图像。将当前帧图像与背景图像进行相减或其他差异化处理，得到前景区域。通过阈值化等图像处理算法，可以将前景区域分割出来，得到目标的二值图像。对目标二值图像进行连通性分析，提取出连续的目标轮廓。

2.2人体姿态识别

人体姿态识别是一种计算机视觉技术，通过分析图像或视频中的人体姿态来了解人体的动作和姿势。在扶梯异常行为检测中，人体姿态识别可以应用于检测与正常行为模式不符合的异常姿势。使用目标检测算法（如基于深度学习的目标检测算法）在图像中找到人体的位置和边界框。在边界框中，使用关键点检测算法（如基于卷积神经网络的关键点检测算法）检测出人体的关键点，如头部、肩膀、手、脚等。

2.3行人密度估计

使用目标检测算法（如基于深度学习的目标检测算法）来检测出图像中的行人目标。这些算法可以使用预训练的模型进行行人检测，如FasterR-CNN、YOLO等。将图像划分为不同的区域或网格，以便对行人数量进行统计和区域密度估计。可以使用重叠或非重叠的方式将图像分割为小块。在每个区域中，根据检测到的行人目标的数量进行计数。可以对每个区域内的行人目标数量进行累加，得到整幅图像的行人总数。

3基于视频分析的扶梯异常行为检测未来趋势

3.1高效实时性

针对扶梯异常行为检测，算法可以持续优化，以提高处理速度和准确率。例如，采用轻量级模型、使用硬件加速等方法可以加快算法的运行速度。利用专门设计的硬件加速器（如GPU、FPGA等）来加快视频分析算法的计算速度。这样可以显著提升系统的实时性能，使得异常行为检测更快速地进行。引入分布式计算的架构，将视频分析任务划分为多个子任务并进行并行处理。通过充分利用多台计算机设备的计算资源，加速视频分析过程，达到实时响应的目标。在实时处理前，可以使用预处理方法对视频进行降噪、压缩或其他预处理操作，以减少计算量和数据传输的延迟。同时，对于行人姿态识别等复杂任务，可以采用高效的特征提取方法，减少计算复杂度。

3.2多模态融合

未来的系统可能会使用多个传感器或设备来获取多种类型的数据。比如，除了视频图像外，可能还会使用声音传感器、温度传感器等来采集附加信息。通过融合来自不同传感器的特征，可以从多个角度获取更全面、准确的异常行为识别结果。同时也可以利用数据关联的技术，将多模态数据进行匹配，从而更精确地识别出相关的异常行为。深度学习方法在多模态数据处理中发挥着重要作用。系统可以利用深度学习模型，将不同模态的数据进行联合建模和处理，以提高对复杂异常行为的检测和识别能力。多模态融合还包括对环境上下文信息的融合。系统可以收集周围环境的信息，如人流量、时间、空间布局等，将其与视频图像进行关联和融合，从而更好地理解和识别异常行为。通过将不同模态的结果进行融合，并运用决策级的方法（如加权融合、逻辑推理等），综合考虑多个模态的特点和优势，提高识别系统的决策性能。

3.3深度学习应用

深度学习模型如FasterR-CNN、YOLO等可以用于行人目标的检测和跟踪。它们能够实时地从视频序列中提取出扶梯上的行人目标，并通过对视频帧的处理来跟踪目标的位置和轨迹，从而进一步分析和识别异常行为，及时对扶梯作出紧急制停指令。深度学习技术可以用于行人姿态的识别和估计。通过训练深度学习网络，可以实现对扶梯上行人的姿态分析，例如判断是否站立、行走、倾斜等，从而能够识别出与正常行为模式不符的异常姿势。深度学习模型可以被训练用于识别和分类不同的行为模式。通过使用已标注的视频数据集进行训练，可以从视频序列中识别出常见的扶梯行为，如上下扶梯、顺逆行、停留等，并辅助监测与正常行为模式不符的异常行为。深度学习模型可以用于异常行为的检测和分类。通过对正常行为进行建模并训练深度学习网络，可以识别出与正常行为模式差异较大的异常行为。例如，当有人在扶梯上倒退行走、坐在扶梯上等不寻常的行为发生时，系统可以检测并给出警报。

结束语

本文的研究主要针对扶梯上的异常行为检测问题进行了深入探讨。通过基于视频分析的方法，我们提出了一种能够有效地检测扶梯上异常行为的算法方法。该方法不仅能够提高检测的准确率和召回率，还能够减少人工巡检成本的支出。

参考文献

[1]李志斌,杨超宇.自动扶梯乘降人员异常行为检测[J].南阳理工学院学报,2022,14(02):65-69.

[2]穆骏.对轨道交通自动扶梯行人安全监测的视频分析和边缘计算的思考[J].隧道与轨道交通,2021(S1):173-175.

[3]洪杰.基于视频分析的手扶电梯异常行为检测算法研究[D].安徽大学,2021

[4]陈栋策.基于视频分析的电动扶梯行人安全监测系统软件研发[D].浙江大学,2019.

[5]都桂英,陈铭进.基于智能视频分析的运动目标异常行为检测算法研究[J].电视技术,2018,42(12):23-26.