基于改進(jìn)概率霍夫直線檢測(cè)的電梯門狀態(tài)檢測(cè)方法

張國福,王 呈

(江南大學(xué) 物聯(lián)網(wǎng)工程學(xué)院,江蘇 無錫 214122)

我國電梯保有量每年持續(xù)增長,截止到2018年底,全國共有623萬臺(tái)電梯正常服役,并以每年60萬臺(tái)的速度快速增長。電梯故障會(huì)引發(fā)安全事故,主要故障包括門系統(tǒng)、沖頂或蹲底、溜梯等。據(jù)統(tǒng)計(jì),各類事故中由門系統(tǒng)故障導(dǎo)致的事故占比最高,約為80%[1]。電梯門系統(tǒng)發(fā)生故障的主要原因包括:(1)電梯在每次運(yùn)行之前都要至少進(jìn)行開關(guān)門兩次動(dòng)作,門鎖工作頻繁,易磨損老化;(2)由于外部因素導(dǎo)致門鎖短接等故障,造成門安全回路導(dǎo)通,控制器不能正確判斷電梯門狀態(tài),從而引起電梯事故。因此,對(duì)電梯門狀態(tài)的正確檢測(cè)十分重要。電梯物聯(lián)網(wǎng)技術(shù)能夠?qū)崿F(xiàn)電梯運(yùn)行狀態(tài)的遠(yuǎn)程監(jiān)控,其實(shí)現(xiàn)方式可分為“前裝監(jiān)測(cè)”和“后裝監(jiān)測(cè)”。“前裝監(jiān)測(cè)”指新電梯在出廠前配置的遠(yuǎn)程監(jiān)測(cè)方式,通過總線技術(shù)從電梯控制板中直接采集數(shù)據(jù)實(shí)現(xiàn)監(jiān)測(cè)電梯運(yùn)行狀態(tài)。目前,電梯控制器可以采集開關(guān)門故障,運(yùn)行中門鎖斷開、短接等故障,但各電梯主控板生產(chǎn)廠家出于安全考慮,較難對(duì)外提供數(shù)據(jù)接口協(xié)議?！昂笱b監(jiān)測(cè)”指在電梯運(yùn)營階段采用加裝傳感器和遠(yuǎn)程監(jiān)測(cè)終端的方式監(jiān)測(cè)電梯的運(yùn)行狀態(tài),無需主控商提供協(xié)議,但通常改造難度較大,同時(shí)會(huì)帶來成本、權(quán)責(zé)等系列問題。因此,利用現(xiàn)有攝像頭加裝邊緣側(cè)計(jì)算設(shè)備,在邊緣側(cè)實(shí)現(xiàn)電梯門狀態(tài)圖像檢測(cè),能夠在降低電梯物聯(lián)網(wǎng)對(duì)網(wǎng)絡(luò)連通、帶寬以及視頻處理能力等要求的基礎(chǔ)上,進(jìn)一步有效降低后裝改造成本和風(fēng)險(xiǎn)。

電梯門結(jié)構(gòu)呈長方形,邊緣具有直線特征,電梯門在開關(guān)過程中,邊緣直線距離在時(shí)域上呈線性變化。同時(shí),由于電梯使用場景不同,造成電梯門打開后的背景各異,對(duì)圖像的精確識(shí)別造成干擾,例如,圖1中右側(cè)窗戶柵欄影響右側(cè)門邊緣的檢測(cè)。另外,為了美觀,電梯轎廂表面工藝也不盡相同,如圖2所示,電梯門后鑲嵌的豎直條紋影響門縫直線的定位。因此,如何降低不同使用場景、不同制造工藝對(duì)電梯門縫直線定位的影響,是進(jìn)行基于圖像處理的門狀態(tài)檢測(cè)研究的難點(diǎn)。

目前,國內(nèi)對(duì)基于圖像處理的門狀態(tài)檢測(cè)研究較少,文獻(xiàn)[2]基于圖像處理的算法針對(duì)電梯開關(guān)狀態(tài)完成判別,但未考慮電梯結(jié)構(gòu)特點(diǎn)和外部使用環(huán)境對(duì)電梯狀態(tài)判斷的干擾,以及故障狀態(tài)的判別。電梯在使用過程中由于外部原因,會(huì)導(dǎo)致電梯電氣門鎖短接或者其他誤動(dòng)作,造成開門走梯等故障[3]。因此,對(duì)電梯故障的檢測(cè)尤為重要。針對(duì)識(shí)別算法,文獻(xiàn)[4]利用鏈碼法提取票據(jù)中表格框線,但該法易受噪聲干擾。霍夫直線檢測(cè)[5-7]具有較強(qiáng)的魯棒性和較高的精度,適用于提取噪聲較多圖像中的直線,文獻(xiàn)[8]對(duì)文檔圖像作行程平滑處理,然后提取文本行的邊緣像素,最后利用二級(jí)霍夫變換提取直線,得到文檔的傾角。文獻(xiàn)[9]利用霍夫變換檢測(cè)電力線,并結(jié)合決策樹分類方法將實(shí)際的電力線和虛檢的電力線分離。上述文獻(xiàn)在檢測(cè)直線時(shí)會(huì)將同一條直線分成多條短直線段,通過局部檢測(cè)完成整條直線的檢測(cè)。為了提高直線檢測(cè)正確率,文獻(xiàn)[10]利用概率霍夫變換提取車道標(biāo)識(shí)線特征點(diǎn),并采用最小二乘法對(duì)特征點(diǎn)點(diǎn)集進(jìn)行直線擬合,提升車道標(biāo)識(shí)線的檢測(cè)輸出效果。上述文獻(xiàn)只是識(shí)別了白天情況下的車道標(biāo)識(shí)線,文獻(xiàn)[11]利用拉普拉斯算子增強(qiáng)圖像邊緣,然后利用霍夫直線檢測(cè)算法檢測(cè)夜間的車道標(biāo)識(shí)線?；舴蛑本€檢測(cè)算法檢測(cè)直線時(shí),需要人為調(diào)整參數(shù),而直線段檢測(cè)(Line segment detector,LSD)算法[12]能夠自動(dòng)更新參數(shù),不需要人工干預(yù),但其相對(duì)霍夫直線檢測(cè)算法耗時(shí)較長。文獻(xiàn)[13]利用改進(jìn)LSD算法實(shí)現(xiàn)電線桿遮擋檢測(cè)。文獻(xiàn)[14]利用霍夫圓檢測(cè)算法統(tǒng)計(jì)電梯內(nèi)乘客人數(shù)。本文借鑒了上述文獻(xiàn)提取圖像中直線的思想,并在考慮外界窗戶柵欄和電梯門板后的豎直條紋對(duì)算法干擾的情況下,結(jié)合電梯門特性,對(duì)基于概率霍夫直線檢測(cè)算法和LSD算法檢測(cè)電梯門開、關(guān)和兩種故障狀態(tài)進(jìn)行了研究。

1 基于電梯門特性的直線檢測(cè)算法

電梯門處于關(guān)閉狀態(tài)時(shí),電梯門邊緣合并,門縫可以視為相鄰很近的兩條直線;當(dāng)電梯門處于正在開啟或者完全開啟狀態(tài)時(shí),電梯門分離,門邊緣可以視為兩條平行直線;對(duì)于電梯門故障狀態(tài)(電梯門不能完全開啟或者關(guān)閉),可認(rèn)為是門開關(guān)狀態(tài)在時(shí)域上的特征。正常狀態(tài)和故障狀態(tài)可以利用直線檢測(cè)算法檢測(cè)電梯門邊緣,結(jié)合先驗(yàn)知識(shí)進(jìn)行判斷。其中,概率霍夫直線檢測(cè)(Probability Hough transform,PHT)算法0和LSD算法是常用的直線提取算法。

在直角坐標(biāo)系xoy平面內(nèi),當(dāng)斜率存在時(shí),直線可表示為y=kx+b;當(dāng)斜率不存在時(shí),直線可表示為x=c。無論直線斜率是否存在,均可將直角坐標(biāo)系xoy平面內(nèi)的直線對(duì)應(yīng)到參數(shù)空間中,直線方程在參數(shù)空間中可寫成ρ=xcosθ+ysinθ,其中ρ是原點(diǎn)o到直線的距離,θ是直線y=kx+b的垂線om與x軸正向的夾角,如圖3所示。

傳統(tǒng)概率霍夫直線檢測(cè)算法的檢測(cè)精度和檢測(cè)速率受限于累加器角度的分辨率。當(dāng)分辨率設(shè)置較小時(shí),檢測(cè)精度高,但檢測(cè)速率較低。例如當(dāng)累加器角度的分辨率設(shè)置為1°時(shí),累加器將統(tǒng)計(jì)θ從0°到180°時(shí)的ρ,即

ρ=x0cosθ+y0sinθ

θ∈{0°,1°,2°,3°,…,178°,179°,180°}

此時(shí)檢測(cè)速率非常慢。

本文后續(xù)實(shí)驗(yàn)將算法集成到嵌入式設(shè)備,完成檢測(cè)電梯門狀態(tài)。由于邊緣側(cè)設(shè)備計(jì)算能力有限,需要降低算法復(fù)雜度,提高運(yùn)行速度。本文結(jié)合電梯門特征,提出一種改進(jìn)概率霍夫直線檢測(cè)算法,即限角概率霍夫直線檢測(cè)(Limited-angle probability Hough transform,LA-PHT)算法,通過重新設(shè)定累加器角度θ的計(jì)算范圍,提取固定角度區(qū)間內(nèi)的直線

θmin≤θ≤θmax

式中:θmin是累加器起始角度,θmax是累加器終點(diǎn)角度。計(jì)算角度θ從θmin到θmax時(shí)的ρ,即

ρji=xjcosθi+yjsinθi

2 基于直線檢測(cè)的電梯門狀態(tài)判斷

門狀態(tài)主要包括:閉合狀態(tài)、開啟狀態(tài)和故障狀態(tài)。為了正確判斷電梯門狀態(tài),需要結(jié)合先驗(yàn)知識(shí),并考慮電梯實(shí)際使用環(huán)境和門板工藝特點(diǎn)對(duì)直線檢測(cè)算法的干擾。本文基于限角概率霍夫直線檢測(cè)算法檢測(cè)電梯門狀態(tài),并與基于概率霍夫直線檢測(cè)算法和LSD算法的結(jié)果進(jìn)行對(duì)比。

2.1 基于先驗(yàn)知識(shí)的電梯門狀態(tài)檢測(cè)方法

電梯使用場景和自身結(jié)構(gòu)(如圖1和2所示)影響電梯門邊緣的定位。采用直線檢測(cè)算法檢測(cè)時(shí),會(huì)將窗戶柵欄和豎直條紋檢測(cè)出來,如果不對(duì)此處理,將直接影響電梯門邊緣的定位。本文根據(jù)電梯實(shí)際使用場景和結(jié)構(gòu)特點(diǎn),結(jié)合基于先驗(yàn)知識(shí)的判斷規(guī)則,設(shè)計(jì)門狀態(tài)檢測(cè)方法實(shí)現(xiàn)對(duì)電梯門狀態(tài)的實(shí)時(shí)檢測(cè),程序流程如圖4所示。

(1)圖像預(yù)處理。首先從視頻流中等間隔截取電梯門狀態(tài)的圖像,保留圖像中電梯門上面1/3部分,后續(xù)只對(duì)此部分圖像進(jìn)行處理;然后對(duì)圖像進(jìn)行灰度化和Canny邊緣檢測(cè)[15],將灰度圖像變成邊緣特征明顯的邊緣圖像;最后對(duì)電梯門邊緣圖像進(jìn)行膨脹[16]處理,使直線段目標(biāo)增大,填補(bǔ)比較相近的兩條直線段之間的空白;

(2)霍夫圓檢測(cè)[17]。圖像預(yù)處理后,對(duì)圖像進(jìn)行霍夫圓檢測(cè),提取豎直條紋上半部分的半圓。若檢測(cè)到圓,記錄最靠近門邊緣處兩個(gè)圓的圓心坐標(biāo);

(3)直線檢測(cè)。若檢測(cè)到圓,根據(jù)記錄的圓心坐標(biāo),只保留兩個(gè)圓之間的直線;否則,保留所有檢測(cè)到的直線;

(4)直線分類。將保留的直線按照橫坐標(biāo)從小到大的順序排序,并找到橫坐標(biāo)之間的最大間隔,根據(jù)最大間隔將檢測(cè)到的直線分為左右兩側(cè)門邊緣形成的直線;

(5)計(jì)算偏移距離。計(jì)算當(dāng)前時(shí)刻檢測(cè)到的左側(cè)門邊緣直線最大橫坐標(biāo)與電梯門關(guān)閉時(shí)左側(cè)門邊緣橫坐標(biāo)之間的距離,記為lleft(t);計(jì)算當(dāng)前時(shí)刻檢測(cè)到的右側(cè)門邊緣直線最小橫坐標(biāo)(默認(rèn)定位的是電梯門邊緣)與電梯門關(guān)閉時(shí)右側(cè)門邊緣橫坐標(biāo)之間的距離,記為lright(t);

(6)確定左右電梯門邊緣。計(jì)算lleft與lright之間的距離是否小于等于距離閾值γ,即

|lleft(t)-lright(t)|≤γ

(1)

若式(1)成立,表示檢測(cè)到電梯左右門邊緣;否則,表示未定位到電梯右側(cè)門邊緣;

(7)關(guān)閉狀態(tài)判斷。若檢測(cè)到左右電梯門邊緣,根據(jù)關(guān)閉狀態(tài)檢測(cè)算法判斷電梯門是否處于關(guān)閉狀態(tài);

(8)開啟狀態(tài)判斷。若電梯門未處于關(guān)閉狀態(tài),根據(jù)開啟狀態(tài)檢測(cè)算法判斷電梯門是否處于開啟狀態(tài);

(9)故障狀態(tài)判斷。若電梯未處于開啟狀態(tài),根據(jù)故障檢測(cè)算法判斷電梯是否處于故障狀態(tài);若電梯未處于故障狀態(tài),進(jìn)入下一幀圖像的處理。

2.2 關(guān)閉狀態(tài)檢測(cè)算法

當(dāng)電梯門關(guān)閉時(shí),電梯門邊緣合并,門縫可以視為相鄰很近的兩條直線。滿足式(2)則電梯處于關(guān)閉狀態(tài)

|xleft(t)-xright(t)|≤Δ

(2)

式中:xleft(t)是當(dāng)前時(shí)刻左側(cè)門邊緣直線最大橫坐標(biāo),xright(t)是當(dāng)前時(shí)刻右側(cè)門邊緣直線最小橫坐標(biāo),Δ是關(guān)閉閾值。

2.3 開啟狀態(tài)檢測(cè)算法

電梯門完全開啟時(shí),門邊緣之間的距離達(dá)到最大。滿足式(3)時(shí)表示電梯門處于完全開啟狀態(tài)

|xleft(t)-xright(t)|≥2l或者

|xleft(t)-xleft|≥l

(3)

式中:xleft是電梯關(guān)閉時(shí)左側(cè)電梯門邊緣直線最大橫坐標(biāo),l是開啟閾值。

2.4 故障狀態(tài)檢測(cè)方法

當(dāng)電梯門未處于關(guān)閉狀態(tài)或開啟狀態(tài)時(shí),判斷電梯門是否處于故障狀態(tài)。本文研究了如下兩種故障狀態(tài):(1)電梯門在開啟或關(guān)閉過程中,卡在某一位置停止開啟或關(guān)閉動(dòng)作,表現(xiàn)為電梯門卡住不動(dòng)(簡稱故障1);(2)電梯門在關(guān)閉過程中,由于障礙物阻擋導(dǎo)致電梯門重復(fù)開啟和關(guān)閉輪回動(dòng)作,不能完成關(guān)閉動(dòng)作,表現(xiàn)為電梯門在關(guān)閉時(shí)遇到障礙物阻擋使電梯門重新開啟,再關(guān)閉時(shí),該障礙物又導(dǎo)致電梯門重新開啟(簡稱故障2)。以左側(cè)電梯門為例,故障狀態(tài)檢測(cè)流程如圖5所示。

圖5中,err1_count和err2_count分別表示故障1計(jì)數(shù)器和故障2計(jì)數(shù)器,err1_value和err2_value分別表示故障1閾值和故障2閾值。will_close=1表示電梯門將要關(guān)閉或正在關(guān)閉過程中,will_close=0則相反。x(t)表示當(dāng)前時(shí)刻左側(cè)電梯門邊緣直線的最大橫坐標(biāo),x(t-1)表示上一時(shí)刻左側(cè)電梯門邊緣直線的最大橫坐標(biāo);x(t)-x(t-1)>0表示電梯處于正在關(guān)閉過程中,x(t)-x(t-1)<0表示電梯正在開啟過程中,x(t)-x(t-1)=0表示電梯門停止不動(dòng)。

(1)電梯處于關(guān)閉狀態(tài)時(shí),將故障1計(jì)數(shù)器、故障2計(jì)數(shù)器和will_close標(biāo)志位清0;電梯處于開啟狀態(tài)時(shí),將will_close置1;

(2)電梯處于正在關(guān)閉過程中時(shí),始終滿足x(t)-x(t-1)>0。當(dāng)發(fā)生x(t)-x(t-1)<0時(shí)說明發(fā)生故障2,則故障2計(jì)數(shù)器加一;當(dāng)發(fā)生x(t)-x(t-1)=0時(shí)表示發(fā)生故障1,此時(shí)故障1計(jì)數(shù)器加一。故障1計(jì)數(shù)器大于設(shè)定的故障1閾值時(shí),發(fā)出故障1報(bào)警,否則返回“正在關(guān)閉”提示語;故障2計(jì)數(shù)器大于設(shè)定的故障2閾值時(shí),發(fā)出故障2報(bào)警,否則返回“正在開啟”提示語;

(3)電梯處于正在開啟過程中時(shí),始終滿足x(t)-x(t-1)<0。當(dāng)發(fā)生x(t)-x(t-1)=0時(shí)表示發(fā)生故障1,此時(shí)故障1計(jì)數(shù)器加一。當(dāng)故障1計(jì)數(shù)器大于設(shè)定的故障1閾值時(shí),發(fā)出故障1報(bào)警,否則返回“正在開啟”提示語。

2.5 實(shí)驗(yàn)結(jié)果與分析

本次實(shí)驗(yàn)從視頻流中共截取100幀電梯關(guān)閉、開啟、開啟過程中和關(guān)閉過程中的圖像,其中相關(guān)的軟件環(huán)境為Python3.5和Opencv3.4.5計(jì)算機(jī)視覺庫;硬件環(huán)境為Broadcom BCM2837 1.2 GHz四核處理器,1G內(nèi)存;算法主要參數(shù)設(shè)置為,限角概率霍夫直線檢測(cè)算法累加器的起始角度為0°,終止角度為10°,累加器角度的分辨率為2°,概率霍夫直線檢測(cè)算法累加器角度分辨率為90°,其他參數(shù)與LA-PHT相同,LSD算法采用默認(rèn)參數(shù)。

(1)故障狀態(tài)檢測(cè)結(jié)果

利用多張電梯開關(guān)圖像模擬電梯故障1和故障2發(fā)生場景,驗(yàn)證了故障狀態(tài)檢測(cè)算法的有效性。

(a)故障1檢測(cè)結(jié)果

選取電梯關(guān)閉過程中的3幀圖像(電梯門幾乎在同一位置),模擬故障1場景。設(shè)置故障1閾值為2,則判斷出第3幀圖像中電梯門處于故障1狀態(tài),檢測(cè)結(jié)果如圖6所示。

(b)故障2檢測(cè)結(jié)果

選取電梯開啟過程中、關(guān)閉過程中和開啟的6幀圖像,將其分成2組,模擬故障2場景,即電梯重復(fù)“開啟—關(guān)閉中—開啟中”狀態(tài),重復(fù)兩次。設(shè)置故障2閾值為1,則判斷出第2組圖像中電梯“開啟中”為故障2狀態(tài),檢測(cè)結(jié)果如圖7所示。

(2)干擾情況檢測(cè)結(jié)果對(duì)比

(a)電梯花紋干擾下的檢測(cè)結(jié)果

檢測(cè)閉合狀態(tài)時(shí),需要消除電梯門后鑲嵌的豎直花紋對(duì)電梯門縫定位的影響,利用霍夫圓檢測(cè)算法檢測(cè)出豎直條紋上的半圓,由此確定電梯門縫直線坐標(biāo)所在范圍,根據(jù)關(guān)閉狀態(tài)檢測(cè)算法判斷電梯門為關(guān)閉狀態(tài),結(jié)果如圖8所示。

(b)帶柵欄干擾的檢測(cè)結(jié)果

電梯門開啟時(shí),右側(cè)窗戶柵欄會(huì)影響電梯右側(cè)門邊緣的定位,根據(jù)開啟狀態(tài)檢測(cè)算法,以電梯左側(cè)門邊緣為主要判定條件,判斷電梯門處于開啟狀態(tài),結(jié)果如圖9所示。

為了更全面評(píng)價(jià)上述3個(gè)算法在電梯門邊緣直線提取中的效果,本文引入查準(zhǔn)率P和查全率R,計(jì)算公式如下

式中:mT為正確幀數(shù),即在100幀圖像中正確檢測(cè)到電梯門邊緣圖像的幀數(shù);mF為誤檢幀數(shù),即將窗戶柵欄視為電梯門邊緣圖像的幀數(shù);mN為漏檢幀數(shù),即未檢測(cè)到電梯門邊緣圖像的幀數(shù),檢測(cè)結(jié)果如表1所示。由表1可知,在電梯門狀態(tài)監(jiān)測(cè)的應(yīng)用中,LSD算法擁有最高的查準(zhǔn)率和查全率,但耗時(shí)較長;限角概率霍夫直線檢測(cè)算法的查準(zhǔn)率優(yōu)于概率霍夫直線檢測(cè)算法,查全率與概率霍夫直線檢測(cè)算法接近,低于LSD算法;但LA-PHT提高了計(jì)算速率,具有更高的實(shí)時(shí)性,能夠滿足電梯物聯(lián)網(wǎng)遠(yuǎn)程監(jiān)控電梯門運(yùn)行狀態(tài)的時(shí)間要求。

表1 3種直線檢測(cè)算法電梯門狀態(tài)實(shí)驗(yàn)結(jié)果

(3)檢測(cè)耗時(shí)分析

(a)圖像預(yù)處理耗時(shí)比較

圖像預(yù)處理包括提取視頻圖像、圖像縮減、圖像灰度化、圖像濾波、Canny邊緣檢測(cè)和圖像膨脹。下面將提取視頻圖像和圖像縮減統(tǒng)稱為獲取圖像,其余部分統(tǒng)稱為圖像處理,耗時(shí)如表2所示。

表2 圖像預(yù)處理耗時(shí)

(b)直線檢測(cè)算法耗時(shí)比較

基于概率霍夫直線檢測(cè)算法、LSD算法和限角概率霍夫直線檢測(cè)算法檢測(cè)電梯門邊緣直線,并據(jù)此判斷電梯門是處于關(guān)閉還是開啟狀態(tài),耗時(shí)分別如表3-5所示。

表3 PHT算法判斷電梯門關(guān)閉和開啟狀態(tài)耗時(shí)

表4 LSD算法判斷電梯門關(guān)閉和開啟狀態(tài)耗時(shí)

表5 LA-PHT算法判斷電梯門關(guān)閉和開啟狀態(tài)耗時(shí)

由表3和表5可知,采用限角概率霍夫直線檢測(cè)算法提取電梯關(guān)閉和開啟狀態(tài)邊緣直線并判斷電梯門狀態(tài),其耗時(shí)比概率霍夫直線檢測(cè)算法減少10%。由表4和表5可知,LSD算法判斷電梯關(guān)閉和開啟狀態(tài)的耗時(shí)分別是限角概率霍夫直線檢測(cè)算法的9.1倍和13.4倍。實(shí)驗(yàn)結(jié)果表明,限角概率霍夫直線檢測(cè)算法的計(jì)算速率較高。

(c)判斷電梯狀態(tài)總耗時(shí)

概率霍夫直線檢測(cè)算法、LSD算法和限角概率霍夫直線檢測(cè)算法判斷電梯門狀態(tài)(不包括故障狀態(tài))的總耗時(shí)對(duì)比如表6所示。

表6 3種直線檢測(cè)算法判斷電梯門狀態(tài)總耗時(shí)對(duì)比

由表6可知,LSD算法判斷電梯門狀態(tài)的總耗時(shí)最長,LA-PHT算法判斷電梯門狀態(tài)的總耗時(shí)最少,比LSD算法判斷電梯門狀態(tài)速率提高了39.0%,比PHT算法提高了6.0%。圖像預(yù)處理占LA-PHT算法總耗時(shí)的89.5%,其中獲取圖像占用57.5%,耗時(shí)較多,影響響應(yīng)速度。

3 結(jié)論

本文針對(duì)電梯門狀態(tài)后裝監(jiān)測(cè)問題,設(shè)計(jì)了一種基于前置圖像處理的電梯門狀態(tài)檢測(cè)方法,提出的限角概率霍夫直線檢測(cè)算法在保證準(zhǔn)確率的情況下能夠有效減少算法時(shí)間復(fù)雜度。實(shí)驗(yàn)結(jié)果表明,限角概率霍夫直線檢測(cè)算法的查準(zhǔn)率和查全率均優(yōu)于概率霍夫直線檢測(cè)算法,比LSD算法判斷電梯門狀態(tài)速率提高了39.0%,比概率霍夫直線檢測(cè)算法提高了6.0%,具有更高的實(shí)時(shí)性,在電梯運(yùn)行監(jiān)測(cè)中具有較大應(yīng)用價(jià)值。其中獲取視頻流圖像占用算法57.5%的時(shí)間,后期將對(duì)獲取視頻流圖像的耗時(shí)進(jìn)行優(yōu)化。

本文提出的邊緣側(cè)電梯門狀態(tài)檢測(cè)方法在工程實(shí)施中具有以下優(yōu)勢(shì):(1)更好的工程實(shí)施適應(yīng)性?？赏ㄟ^窄帶網(wǎng)絡(luò)將處理結(jié)果(開關(guān)量)上傳到服務(wù)器,降低了對(duì)網(wǎng)絡(luò)環(huán)境、帶寬和服務(wù)器性能的要求;(2)更低的成本,可滿足實(shí)時(shí)檢測(cè)要求?？稍谵I廂原攝像頭位置部署邊緣側(cè)計(jì)算設(shè)備,降低了改造成本和風(fēng)險(xiǎn),易于工程實(shí)現(xiàn)。