System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及机器视觉识别,具体地说,特别涉及基于dtw的扶梯行人实时异常姿势识别和应急处理方法。
技术介绍
1、在现代化的城市交通系统中,扶梯已成为地铁、商场和办公楼等公共场所中不可或缺的设施。随着客流量的增加,扶梯安全问题日益凸显。扶梯故障和不当使用往往会导致行人摔倒、挤压伤等事故,严重时甚至会危及生命。因此,如何实时监测扶梯上行人的姿势,并在异常姿势时立即进行应急处理,成为了提升公共安全的重要课题。
2、目前,扶梯安全监测主要依靠人工巡检和安装在扶梯周围的摄像头进行监控。这些方法存在一些局限性:人工巡检不能实现实时监测,存在反应滞后,无法避免伤害的发生;摄像头监控虽然能够提供一定的实时性,但由于扶梯环境复杂、行人姿态多样,基于简单图像处理的方法在准确识别行人姿势异常时存在困难。此外,摄像头监控受到环境光线、摄像头安装角度等因素的影响较大,容易出现误报或漏报。
3、为了克服上述不足,亟需一种能够实时对扶梯行人姿势识别并对异常姿势立即触发预警,将应急处理办法反馈至扶梯控制端的方法。
技术实现思路
1、为了解决现有技术的问题,本专利技术实施例提供了一种基于dtw的扶梯行人实时异常姿势识别和应急处理方法。所述技术方案如下:
2、提供了一种基于dtw的扶梯行人实时异常姿势识别和应急处理方法,包括以下步骤:
3、采集扶梯运行状态时乘客的正常姿势和异常姿势动作样本;
4、对所述采集的样本进行平滑预处理;
5、利用人体姿
6、逐帧提取关节向量的夹角余弦值组作为特征;
7、将所述特征按时序组合,生成姿势时序特征向量;
8、建立正常姿势特征标准库和异常姿势特征标准库,并划定自适应阈值;
9、采集实时行人姿势样本并生成实时姿势特征向量;
10、将所述实时姿势特征向量与正常姿势库中的标准样本进行dtw匹配;
11、判断实时姿势样本是否属于正常姿势;
12、若不属于正常姿势,则与异常姿势库的标准样本进行dtw匹配,判断实时姿势样本属于哪一类异常姿势;
13、输出姿势识别结果;
14、根据识别结果采取相应的应对策略,在检测到异常姿势时,控制扶梯电机实施紧急处理措施。
15、进一步地,所述人体姿势估计工具为基于机器学习的实时人体姿势估计模型。
16、进一步地,所述异常姿势包括但不限于前倾、后仰、侧倚、蹲姿的非正常乘梯姿势。
17、进一步地,所述关节向量的夹角余弦值组包括:
18、头部与躯干连接处与双肩形成的夹角余弦值;
19、双肩与躯干中心形成的夹角余弦值;
20、肩部与上臂、前臂形成的夹角余弦值;
21、肘部与上臂、前臂形成的夹角余弦值;
22、腰部与躯干、大腿形成的夹角余弦值;
23、髋部与躯干、大腿形成的夹角余弦值;
24、膝部与大腿、小腿形成的夹角余弦值;
25、踝部与小腿、足部形成的夹角余弦值;
26、以及其他表征人体主要关节连接的特征性夹角余弦值。
27、进一步地,所述自适应阈值的划定方法包括:
28、对标准库内同姿势的类内特征向量进行dtw相似度衡量;
29、计算类内所有dtw指标值的平均值和标准差;
30、设定阈值系数k,其取值范围基于实际应用场景确定;
31、计算自适应阈值上下限。
32、进一步地,所述dtw匹配过程包括:
33、构造距离矩阵;
34、计算最优规整路径累计距离;
35、求取dtw相似度。
36、进一步地,所述判断实时姿势样本是否属于正常姿势的步骤包括:
37、将当前实时姿势特征向量与正常姿势特征标准库中标准正常姿势样本组进行匹配;
38、基于匹配结果和预设阈值判断当前实时姿势是否属于正常姿势。
39、进一步地,所述判断实时姿势样本属于哪一类异常姿势的步骤包括:
40、将当前实时姿势特征向量与异常姿势特征标准库中标准异常姿势样本组进行匹配;
41、遍历异常姿势特征标准库,得到当前实时姿势特征向量可能从属的异常姿势集合;
42、将当前实时姿势特征向量对可能从属的异常姿势集合中的姿势进行匹配;
43、基于匹配结果确定当前实时姿势特征向量所属的异常姿势类型。
44、进一步地,所述紧急处理措施包括但不限于调整扶梯运行状态或停止扶梯运行。
45、进一步地,还包括以下步骤:
46、从给定姿势的样本集中选取具有代表性的样本作为该姿势的标准姿势样本;
47、在实时识别时优先对这些标准姿势样本进行匹配。
48、本专利技术实施例提供的技术方案带来的有益效果是:
49、本专利技术提供了一种基于dtw的扶梯行人实时异常姿势识别和应急处理方法。通过mediapipe软件包集成的blazepose工具对行人实时姿势进行关节轨迹提取,获取有效时序特征后,通过dtw算法与标准姿势进行匹配并加以分类,实现对电动扶梯上行人的乘梯姿势进行实时有效检测,及时识别异常姿势行为。此外,本专利技术所述的异常姿势检测方法在输出结果后可自动与扶梯电机关联,进行相应的应急处理,在潜在安全隐患发生之前提供预防措施,为行人的乘梯安全提供了有效保障。
本文档来自技高网...【技术保护点】
1.一种基于DTW的扶梯行人实时异常姿势识别和应急处理方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,所述人体姿势估计工具为基于机器学习的实时人体姿势估计模型。
3.根据权利要求1所述的方法,其特征在于,所述异常姿势包括但不限于前倾、后仰、侧倚、蹲姿的非正常乘梯姿势。
4.根据权利要求1所述的方法,其特征在于,所述关节向量的夹角余弦值组包括:
5.根据权利要求1所述的方法,其特征在于,所述自适应阈值的划定方法包括:
6.根据权利要求1所述的方法,其特征在于,所述DTW匹配过程包括:
7.根据权利要求1所述的方法,其特征在于,所述判断实时姿势样本是否属于正常姿势的步骤包括:
8.根据权利要求1所述的方法,其特征在于,所述判断实时姿势样本属于哪一类异常姿势的步骤包括:
9.根据权利要求1所述的方法,其特征在于,所述紧急处理措施包括但不限于调整扶梯运行状态或停止扶梯运行。
10.根据权利要求1所述的方法,其特征在于,还包括以下步骤:
【技术特征摘要】
1.一种基于dtw的扶梯行人实时异常姿势识别和应急处理方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,所述人体姿势估计工具为基于机器学习的实时人体姿势估计模型。
3.根据权利要求1所述的方法,其特征在于,所述异常姿势包括但不限于前倾、后仰、侧倚、蹲姿的非正常乘梯姿势。
4.根据权利要求1所述的方法,其特征在于,所述关节向量的夹角余弦值组包括:
5.根据权利要求1所述的方法,其特征在于,所述自适应阈值的划定方法...
【专利技术属性】
技术研发人员:高晖,赵大力,董松伟,陈瑜,王冰明,
申请(专利权)人:北京博华信智科技股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。