一种电梯危险区域识别及越界报警方法及装置

技术领域

本发明属于电梯技术领域，尤其涉及一种电梯危险区域识别及越界报警方法及装置。

背景技术

随着高层建筑的不断增多，电梯成为了人们日常生活中不可或缺的交通工具。然而，电梯事故也时有发生，其中一些事故是由于乘客或工作人员越过危险区域引起的。因此，电梯危险区域的自动确定和区域内人员越界识别对保障乘客和工作人员的安全具有十分重要的意义。

电梯危险区域的识别与越界报警面临诸多挑战。首先，电梯工作环境复杂多变，包括不同的楼层、电梯门、楼层按钮等区域都有可能成为危险区域，同时原安全区域在不同情况下可能变为危险区域，如电梯轿厢门在电梯正常运行时是安全区域，但在维保时轿厢并一定在当前楼层，轿厢门后是空的井道，此时会变为危险区域；其次，人员行为的不确定性也是一大挑战。乘客可能会因为各种原因越过危险区域，例如误操作、紧急逃生等情况。因此，电梯危险区域的识别与越界报警需要较高的准确性和实时性，以应对各种突发情况。

发明内容

针对上述现有技术中存在的问题，本发明提供了一种电梯危险区域识别及越界报警方法及装置，本发明要解决的技术问题是如何准确识别电梯危险区别并在行人越界时及时报警，保证行人安全。

为解决上述技术问题，本发明提供了一种电梯危险区域识别及越界报警方法，包括如下步骤：

步骤S1：构建电梯危险区域识别模型，并利用电梯危险区域图像集训练电梯危险区域识别模型；

步骤S2：根据实时采集的图像，利用所述电梯危险区域识别模型识别电梯危险区域；

步骤S3：构建并训练行人识别模型，根据实时采集的图像利用所述行人识别模型输出行人检测框信息，所述检测框信息包括位置坐标、宽和高；

步骤S4：根据行人检测框信息确定行人身体越界判定点；

步骤S5：当行人身体越界判定点处于所述电梯危险区域内部时，则判定行人越界，发出报警提醒。

优选地，步骤S1具体包括如下步骤：

S11：采集不少于预设图像数量M张包含预设电梯危险区域类型N类的电梯危险区域图像，并对电梯危险区域图像中的电梯危险区域位置进行标注，构建电梯危险区域数据集；

S12：将电梯危险区域数据集划分为用于电梯危险区域识别模型训练的训练集和用于电梯危险区域识别模型参数调节的验证集；

S13：在所述用于电梯危险区域识别模型训练的训练集上利用YOLOv8模型对电梯危险区域识别模型进行训练，训练停止条件为达到设定电梯危险区域识别模型迭代次数或者在用于电梯危险区域识别模型参数调节的验证集上的准确率达到预设电梯危险区域识别准确率阈值，保留在用于电梯危险区域识别模型参数调节的验证集上准确率最高的电梯危险区域识别模型用于后续步骤。

优选地，步骤S11中，电梯危险区域的图像采集应保证每类电梯危险区域的图像数量在预设范围内。

优选地，步骤S11中，根据经验使用边界框图像标注工具LabelImg进行电梯危险区域的标注，标注信息为(x,y,w,h,m)；

其中，x,y,w,h,m分别代表电梯危险区域在电梯危险区域图像中的相对横坐标、相对纵坐标、相对宽、相对高以及电梯危险区域类型。

优选地，标注完成生成XML标注文件并保存，同时保存原电梯危险区域图像。

优选地，步骤S2中，所述电梯危险区域由电梯危险区域识别模型识别出的相对横坐标、相对纵坐标、相对宽、相对高确定。

优选地，所述电梯危险区域为将四个坐标点(x,y)，(x+w,y)，(x,y+h)，(x+w,y+h)用线段两两连接，最终形成的四边形，其中x,y,w,h分别代表电梯危险区域在电梯危险区域图像中的相对横坐标、相对纵坐标、相对宽、相对高。

优选地，步骤S3中利用CrowdHuman数据集对行人识别模型进行训练。

CrowdHuman数据集是旷世发布的用于行人检测的数据集，图片数据大多来自于google搜索。CrowdHuman 数据集数据量比较大，训练集15000张，测试集5000张，验证集4370张。训练集和验证集中共有 470K 个实例，约每张图片包含23个人，同时存在各种各样的遮挡。每个人类实例都用头部边界框、人类可见区域边界框和人体全身边界框注释。

优选地，步骤S3具体包括如下步骤：

S31：对CrowdHuman数据集进行标签处理；

S32：将CrowdHuman数据集划分为用于训练行人识别模型的训练集和用于行人识别模型参数调节的验证集；

S33：在用于训练行人识别模型的训练集上利用YOLOv8模型对所述行人识别模型进行训练，训练停止条件为达到设定行人识别模型迭代次数或者在用于行人识别模型参数调节的验证集上的准确率达到预设行人识别准确率阈值，保留在用于行人识别模型参数调节的验证集上准确率最高的行人识别模型用于后续步骤。

优选地，步骤S4具体为：利用行人检测框信息确定行人身体上方点的坐标(x+0.5×w,y)和行人身体下方点的坐标(x+0.5×w,y+h)，分别计算这两点与所述电梯危险区域的边界的最短距离，取这两点中与所述电梯危险区域的边界距离较短的点为最终的行人越界判定点，其中，x,y,w,h分别代表电梯危险区域在电梯危险区域图像中的相对横坐标、相对纵坐标、相对宽、相对高。

优选地，行人身体某点(

本发明提供了一种电梯危险区域识别及越界报警装置，包括处理器，所述处理器执行上述的电梯危险区域识别及越界报警方法的步骤。

本发明一种电梯危险区域识别及越界报警方法及装置，可利用电梯危险区域识别模型根据不同场景、不同状态采集的图像自动生成危险区域范围，无需人工介入；另一方面，其可实现对电梯危险区域附近出现人员的自动识别，将利用行人检测框信息确定行人身体上方点的坐标和行人身体下方点的坐标，取这两点中与所述电梯危险区域的边界距离较短的点为最终的行人越界判定点，准确判定行人是否越界，当行人越界时，及时通知越界人员和管理人员，提高安全性。

附图说明

图1是本发明一种电梯危险区域识别及越界报警方法的实施例示意图。

具体实施方式

为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。

因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

为了更好地了解本发明的目的、结构及功能，下面结合附图，对本发明作进一步详细描述。

实施例1

根据本发明的一个具体实施方式，下面对本发明的电梯危险区域识别及越界报警方法进行详细说明。

本发明提供了一种电梯危险区域识别及越界报警方法，包括如下步骤：

步骤S1：构建电梯危险区域识别模型，并利用电梯危险区域图像集训练电梯危险区域识别模型；

步骤S2：根据实时采集的图像，利用所述电梯危险区域识别模型识别电梯危险区域；

步骤S3：构建并训练行人识别模型，根据实时采集的图像利用所述行人识别模型输出行人检测框信息，所述检测框信息包括位置坐标、宽和高；

步骤S4：根据行人检测框信息确定行人身体越界判定点；

步骤S5：当行人身体越界判定点处于所述电梯危险区域内部时，则判定行人越界，发出报警提醒。

实施例2

根据本发明的一个具体实施方式，下面对本发明的电梯危险区域识别及越界报警方法进行详细说明。

本发明提供了一种电梯危险区域识别及越界报警方法，包括如下步骤：

步骤S1：构建电梯危险区域识别模型，并利用电梯危险区域图像集训练电梯危险区域识别模型；

步骤S2：根据实时采集的图像，利用所述电梯危险区域识别模型识别电梯危险区域；

步骤S3：构建并训练行人识别模型，根据实时采集的图像利用所述行人识别模型输出行人检测框信息，所述检测框信息包括位置坐标、宽和高；

步骤S4：根据行人检测框信息确定行人身体越界判定点；

步骤S5：当行人身体越界判定点处于所述电梯危险区域内部时，则判定行人越界，发出报警提醒。

其中，步骤S1具体包括如下步骤：

S11：采集不少于预设图像数量M张包含预设电梯危险区域类型N类的电梯危险区域图像，并对电梯危险区域图像中的电梯危险区域位置进行标注，构建电梯危险区域数据集；

S12：将电梯危险区域数据集划分为用于电梯危险区域识别模型训练的训练集和用于电梯危险区域识别模型参数调节的验证集；

S13：在所述用于电梯危险区域识别模型训练的训练集上利用YOLOv8模型对电梯危险区域识别模型进行训练，训练停止条件为达到设定电梯危险区域识别模型迭代次数或者在用于电梯危险区域识别模型参数调节的验证集上的准确率达到预设电梯危险区域识别准确率阈值，保留在用于电梯危险区域识别模型参数调节的验证集上准确率最高的电梯危险区域识别模型用于后续步骤。

实施例3：

根据本发明的一个具体实施方式，下面对本发明的电梯危险区域识别及越界报警方法进行详细说明。

本发明提供了一种电梯危险区域识别及越界报警方法，包括如下步骤：

步骤S1：构建电梯危险区域识别模型，并利用电梯危险区域图像集训练电梯危险区域识别模型；

步骤S2：根据实时采集的图像，利用所述电梯危险区域识别模型识别电梯危险区域；

步骤S3：构建并训练行人识别模型，根据实时采集的图像利用所述行人识别模型输出行人检测框信息，所述检测框信息包括位置坐标、宽和高；

步骤S4：根据行人检测框信息确定行人身体越界判定点；

步骤S5：当行人身体越界判定点处于所述电梯危险区域内部时，则判定行人越界，发出报警提醒。

其中，步骤S1具体包括如下步骤：

S11：采集不少于预设图像数量M张包含预设电梯危险区域类型N类的电梯危险区域图像，并对电梯危险区域图像中的电梯危险区域位置进行标注，构建电梯危险区域数据集；

S12：将电梯危险区域数据集划分为用于电梯危险区域识别模型训练的训练集和用于电梯危险区域识别模型参数调节的验证集；

S13：在所述用于电梯危险区域识别模型训练的训练集上利用YOLOv8模型对电梯危险区域识别模型进行训练，训练停止条件为达到设定电梯危险区域识别模型迭代次数或者在用于电梯危险区域识别模型参数调节的验证集上的准确率达到预设电梯危险区域识别准确率阈值，保留在用于电梯危险区域识别模型参数调节的验证集上准确率最高的电梯危险区域识别模型用于后续步骤。

其中，步骤S11中，电梯危险区域的图像采集应保证每类电梯危险区域的图像数量在预设范围内。

其中，步骤S11中，根据经验使用边界框图像标注工具LabelImg进行电梯危险区域的标注，标注信息为(x,y,w,h,m)；其中，x,y,w,h,m分别代表电梯危险区域在电梯危险区域图像中的相对横坐标、相对纵坐标、相对宽、相对高以及电梯危险区域类型。

其中，标注完成生成XML标注文件并保存，同时保存原电梯危险区域图像。

实施例4

根据本发明的一个具体实施方式，下面对本发明的电梯危险区域识别及越界报警方法进行详细说明。

本发明提供了一种电梯危险区域识别及越界报警方法，包括如下步骤：

步骤S1：构建电梯危险区域识别模型，并利用电梯危险区域图像集训练电梯危险区域识别模型；

步骤S2：根据实时采集的图像，利用所述电梯危险区域识别模型识别电梯危险区域；

步骤S3：构建并训练行人识别模型，根据实时采集的图像利用所述行人识别模型输出行人检测框信息，所述检测框信息包括位置坐标、宽和高；

步骤S4：根据行人检测框信息确定行人身体越界判定点；

步骤S5：当行人身体越界判定点处于所述电梯危险区域内部时，则判定行人越界，发出报警提醒。

其中，步骤S2中，所述电梯危险区域由电梯危险区域识别模型识别出的相对横坐标、相对纵坐标、相对宽、相对高确定。

实施例5

根据本发明的一个具体实施方式，下面对本发明的电梯危险区域识别及越界报警方法进行详细说明。

本发明提供了一种电梯危险区域识别及越界报警方法，包括如下步骤：

步骤S1：构建电梯危险区域识别模型，并利用电梯危险区域图像集训练电梯危险区域识别模型；

步骤S2：根据实时采集的图像，利用所述电梯危险区域识别模型识别电梯危险区域；

步骤S3：构建并训练行人识别模型，根据实时采集的图像利用所述行人识别模型输出行人检测框信息，所述检测框信息包括位置坐标、宽和高；

步骤S4：根据行人检测框信息确定行人身体越界判定点；

步骤S5：当行人身体越界判定点处于所述电梯危险区域内部时，则判定行人越界，发出报警提醒。

其中，步骤S2中，所述电梯危险区域由电梯危险区域识别模型识别出的相对横坐标、相对纵坐标、相对宽、相对高确定。

其中，所述电梯危险区域为将四个坐标点(x,y)，(x+w,y)，(x,y+h)，(x+w,y+h)用线段两两连接，最终形成的四边形，其中x,y,w,h分别代表电梯危险区域在电梯危险区域图像中的相对横坐标、相对纵坐标、相对宽、相对高。

实施例6

根据本发明的一个具体实施方式，下面对本发明的电梯危险区域识别及越界报警方法进行详细说明。

本发明提供了一种电梯危险区域识别及越界报警方法，包括如下步骤：

步骤S1：构建电梯危险区域识别模型，并利用电梯危险区域图像集训练电梯危险区域识别模型；

步骤S2：根据实时采集的图像，利用所述电梯危险区域识别模型识别电梯危险区域；

步骤S3：构建并训练行人识别模型，根据实时采集的图像利用所述行人识别模型输出行人检测框信息，所述检测框信息包括位置坐标、宽和高；

步骤S4：根据行人检测框信息确定行人身体越界判定点；

步骤S5：当行人身体越界判定点处于所述电梯危险区域内部时，则判定行人越界，发出报警提醒。

其中，步骤S3中利用CrowdHuman数据集对行人识别模型进行训练。

其中，步骤S3具体包括如下步骤：

S31：对CrowdHuman数据集进行标签处理；

S32：将CrowdHuman数据集划分为用于训练行人识别模型的训练集和用于行人识别模型参数调节的验证集；

S33：在用于训练行人识别模型的训练集上利用YOLOv8模型对所述行人识别模型进行训练，训练停止条件为达到设定行人识别模型迭代次数或者在用于行人识别模型参数调节的验证集上的准确率达到预设行人识别准确率阈值，保留在用于行人识别模型参数调节的验证集上准确率最高的行人识别模型用于后续步骤。

实施例7

根据本发明的一个具体实施方式，下面对本发明的电梯危险区域识别及越界报警方法进行详细说明。

本发明提供了一种电梯危险区域识别及越界报警方法，包括如下步骤：

步骤S1：构建电梯危险区域识别模型，并利用电梯危险区域图像集训练电梯危险区域识别模型；

步骤S2：根据实时采集的图像，利用所述电梯危险区域识别模型识别电梯危险区域；

步骤S3：构建并训练行人识别模型，根据实时采集的图像利用所述行人识别模型输出行人检测框信息，所述检测框信息包括位置坐标、宽和高；

步骤S4：根据行人检测框信息确定行人身体越界判定点；

步骤S5：当行人身体越界判定点处于所述电梯危险区域内部时，则判定行人越界，发出报警提醒。

其中，步骤S4具体为：利用行人检测框信息确定行人身体上方点的坐标(x+0.5×w,y)和行人身体下方点的坐标(x+0.5×w,y+h)，分别计算这两点与所述电梯危险区域的边界的最短距离，取这两点中与所述电梯危险区域的边界距离较短的点为最终的行人越界判定点，其中，x,y,w,h分别代表电梯危险区域在电梯危险区域图像中的相对横坐标、相对纵坐标、相对宽、相对高。

其中，行人身体某点(

实施例8

根据本发明的一个具体实施方式，下面对本发明的电梯危险区域识别及越界报警方法进行详细说明。

本发明提供了一种电梯危险区域识别及越界报警方法，包括如下步骤：

步骤S1：构建电梯危险区域识别模型，并利用电梯危险区域图像集训练电梯危险区域识别模型；

步骤S2：根据实时采集的图像，利用所述电梯危险区域识别模型识别电梯危险区域；

步骤S3：构建并训练行人识别模型，根据实时采集的图像利用所述行人识别模型输出行人检测框信息，所述检测框信息包括位置坐标、宽和高；

步骤S4：根据行人检测框信息确定行人身体越界判定点；

步骤S5：当行人身体越界判定点处于所述电梯危险区域内部时，则判定行人越界，发出报警提醒。

其中，步骤S1具体包括如下步骤：

S11：采集不少于预设图像数量M张包含预设电梯危险区域类型N类的电梯危险区域图像，并对电梯危险区域图像中的电梯危险区域位置进行标注，构建电梯危险区域数据集；本实施例中M优选为5000，N优选为25。

S12：将电梯危险区域数据集划分为用于电梯危险区域识别模型训练的训练集和用于电梯危险区域识别模型参数调节的验证集；本实施例中，用于电梯危险区域识别模型训练的训练集和用于电梯危险区域识别模型参数调节的验证集的比例取7:3，当然，也可以取其他比例，但通常训练集数量要远大于验证集数量。

S13：在所述用于电梯危险区域识别模型训练的训练集上利用YOLOv8模型对电梯危险区域识别模型进行训练，训练停止条件为达到设定电梯危险区域识别模型迭代次数或者在用于电梯危险区域识别模型参数调节的验证集上的准确率达到预设电梯危险区域识别准确率阈值，保留在用于电梯危险区域识别模型参数调节的验证集上准确率最高的电梯危险区域识别模型用于后续步骤。

其中，步骤S11中，电梯危险区域的图像采集应保证每类电梯危险区域的图像数量在预设范围内。电梯危险区域的图像采集应保证每类危险区域的图像数量较为均匀，本实施例中，5000张图像包含25类电梯危险区域，那么应尽量保证每类电梯危险区域的图像数量在150-250之间。

其中，步骤S11中，根据经验使用边界框图像标注工具LabelImg进行电梯危险区域的标注，标注信息为(x,y,w,h,m)；

其中，x,y,w,h,m分别代表电梯危险区域在电梯危险区域图像中的相对横坐标、相对纵坐标、相对宽、相对高以及电梯危险区域类型，m的取值为1,2,…,M。

其中，标注完成生成XML标注文件并保存，同时保存原电梯危险区域图像。

其中，步骤S2中，所述电梯危险区域由电梯危险区域识别模型识别出的相对横坐标、相对纵坐标、相对宽、相对高确定。

其中，所述电梯危险区域为将四个坐标点(x,y)，(x+w,y)，(x,y+h)，(x+w,y+h)用线段两两连接，最终形成的四边形，其中x,y,w,h分别代表电梯危险区域在电梯危险区域图像中的相对横坐标、相对纵坐标、相对宽、相对高。

其中，步骤S3中利用CrowdHuman数据集对行人识别模型进行训练。

CrowdHuman数据集是旷世发布的用于行人检测的数据集，图片数据大多来自于google搜索。CrowdHuman 数据集数据量比较大，训练集15000张，测试集5000张，验证集4370张。训练集和验证集中共有 470K 个实例，约每张图片包含23个人，同时存在各种各样的遮挡。每个人类实例都用头部边界框、人类可见区域边界框和人体全身边界框注释。

其中，步骤S3具体包括如下步骤：

S31：对CrowdHuman数据集进行标签处理；

S32：将CrowdHuman数据集划分为用于训练行人识别模型的训练集和用于行人识别模型参数调节的验证集；本实施例中用于训练行人识别模型的训练集和用于行人识别模型参数调节的验证集的比例为7:3，当然，也可以取其他比例，但通常训练集数量要远大于验证集数量；

S33：在用于训练行人识别模型的训练集上利用YOLOv8模型对所述行人识别模型进行训练，训练停止条件为达到设定行人识别模型迭代次数或者在用于行人识别模型参数调节的验证集上的准确率达到预设行人识别准确率阈值，保留在用于行人识别模型参数调节的验证集上准确率最高的行人识别模型用于后续步骤。

其中，步骤S4具体为：利用行人检测框信息确定行人身体上方点的坐标(x+0.5×w,y)和行人身体下方点的坐标(x+0.5×w,y+h)，分别计算这两点与所述电梯危险区域的边界的最短距离，取这两点中与所述电梯危险区域的边界距离较短的点为最终的行人越界判定点，其中，x,y,w,h分别代表电梯危险区域在电梯危险区域图像中的相对横坐标、相对纵坐标、相对宽、相对高。

其中，行人身体某点(

其中，报警提醒包括：通过外设的蜂鸣器等设备提醒越界人员；通过有线网络或无线网络发送警报文字或声音信息给电梯监控室提醒电梯管理人员。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均包含在本发明的保护范围之内。