基于圖像與加速度傳感器的電梯開關門檢測

四川長虹電器股份有限公司 張 霍

0 引言

隨著社會經濟的不斷發展，電梯的使用量不斷增加，電梯的開關門故障對人們的出行影響越來越大[1]，實時檢測電梯門的開關狀態在電梯安全保護系統中至關重要；與此同時，電梯廣告投影方式逐漸出現，電梯開關門檢測成為其投影控制系統的關鍵技術。通過圖像傳感器采集電梯門區域視頻序列，并進行圖像處理，能夠實時檢測電梯門的開關量，為安全保護系統與電梯廣告投影控制系統提供依據。電梯門邊界在開關過程中其到中線的距離變化，能夠有效表征電梯的開關狀態，因此可以通過檢測邊界特征的位置變化判斷電梯門的開關量。該檢測過程可分為3個部分：圖像預處理、邊界檢測和開關判斷。

1 預處理

經圖像傳感器采集的原始圖像尺寸較大，噪聲偏多，直接對其進行處理將影響圖像處理的效率和檢測結果的準確性，故需對原始圖像進行以下預處理。

1.1 檢測區域提取

在圖像采集時，相機位于電梯后側上方中間位置，與轎廂門相對，并成一定角度俯視。采集到的圖像包含很多無用的背景信息，且下方存在乘客的干擾。因此，需要將該部分信息去除，以提高圖像處理速度和排除干擾。本文將電梯轎廂門上方40cm高度區域作為待檢測區，兩門閉合處為檢測窗口中心，檢測區域寬度為隨著電梯門邊界變化而調整。

1.2 透視變換

攝像頭的位置高于轎廂門，視口與轎廂門相對，成一定夾角俯視。攝像頭俯視造成轎廂門兩條邊界并不平行，且在電梯門開關過程中，邊界的傾斜角度處于變化狀態，不利于后續處理。透視變換可以對攝像頭俯視產生的圖像畸變進行矯正，使得轎廂門的兩邊界由非平行狀態還原為平行狀態。

1.3 圖像濾波

在電梯中當光線不充足時，攝像頭采集到的圖像存在較多噪聲[2]，噪聲對圖像邊緣檢測有較大影響，同時噪聲的干擾會降低邊緣檢測的速度。經典圖像濾波算法有：高斯濾波、均值濾波、中值濾波、雙邊濾波等。其中高斯濾波與均值濾波屬于線性濾波器，中值濾波與雙邊濾波屬于非線性濾波器。線性濾波器會對圖像造成一定的模糊，造成細節特征丟失，而非線性濾波器能夠更好的保留細節特征。

對一幅620*360分辨率的灰度圖像分別采用以上4種濾波算法進行濾波處理，結果如表1所示，從表1數據可以看出，線性濾波器相對于非線性濾波器在運行速度上有著明顯優勢。在電梯門開關過程中，受運動和相機幀率的影響，其邊界特征較模糊，非線性濾波器在模糊邊界處會產生部分細小邊界；而線性濾波器受邊界模糊的影響較小，通過Canny邊緣檢測可以得到邊界清晰的線條，如圖3所示。從表1和圖1可以看出，均值濾波算法針對電梯門邊緣檢測在速度和結果上均能夠達到良好的效果。

表1 不同濾波算法運行時間

圖1 局部圖像濾波前后邊緣檢測效果

2 邊界檢測

邊界檢測用于提取電梯門的左右邊界線，邊界檢測的結果直接決定開關量檢測的準確率。各類邊緣檢測算法檢測速度與效果不同，在進行邊緣檢測時需要兼顧速度與效果，以滿足檢測的實時性與準確性。同時，需要通過直線檢測、邊界過濾等方式對邊緣特征進行篩選，排除干擾信息。

2.1 邊緣提取

常用的邊緣檢測算法有：Roberts算子、Sobel算子、Prewitt算子、Canny算子和Laplacian算子[3，4]。其中Canny算子檢測到的邊緣最為清晰準確，且為單線條，易于處理[5]；其他算法檢測到的邊緣較寬，不夠清晰，如圖2所示。

2.2 邊緣特征增強

Canny具有優秀的邊緣檢測效果，但計算量隨著檢測精度的提高顯著增大。當閾值設定較小時，能夠檢測到更多的邊緣線條，但計算量較大；當閾值設定較大時，能夠檢測到部分邊緣線條，計算量降低，閾值的選取對實時性與準確性影響較大。

圖2 不同算法邊緣檢測

在電梯門開關過程中，門邊界運動速度較快時，會導致邊界模糊，對模糊邊界采用Canny算法進行邊緣檢測效果不佳或檢測不到。轎廂內外環境光不同，待檢測區圖像直方圖為雙峰結構，通過二值化處理可以得到清晰的邊界，進而通過Canny算法得到邊界，如圖3所示。

二值化能夠補充邊緣特征，彌補模糊邊緣檢測的不穩定性。非二值化能夠得到清晰的邊緣特征，而二值化能夠獲得模糊的邊緣特征，二者結合能夠提高邊緣檢測的準確性。

最大類間方差法[6]（Otsu算法）是一種自適應閾值分割法，能夠獲取較優的二值化閾值，將圖像二值化[7]。通過將非二值化Canny檢測獲得的邊緣圖像與經過Otsu算法二值化后Canny檢測獲得的邊緣圖像相疊加，得到融合后的邊緣圖像，該圖像所包含的邊緣信息要多于單一方法所得信息，可提高邊緣檢測準確性。

圖3 模糊邊界邊緣檢測

2.3 邊界過濾

經邊緣檢測獲取的圖像中包含有較多的線條信息，從中篩選出準確的電梯門邊界特征需要多種方法的結合，如直線檢測、距離突變檢測等。

2.3.1 直線檢測

直線檢測用于將圖像邊緣特征中的直線邊緣提取出來。電梯門邊緣經過透視變換形成近似垂直的兩條平行線，可結合直線檢測與直線傾斜度將其準確提取出來。霍夫（Hough）變換[8]是圖像直線檢測中的經典算法，能夠準確地檢測到圖像中的直線信息。計算所有直線的傾斜角度，保留傾斜角度在90°±3°之間的直線。電梯門關閉時，存在廣告信息干擾的情況下，通過傾斜角度可以過濾掉大多數直線，如圖6所示。

圖4 垂直直線檢測

2.3.2 距離突變檢測

距離檢測用于通過距離信息對直線進行篩選過濾。電梯門兩邊界于中線對稱，到中線的距離相近，距離的變化能夠反映電梯門的開關量。每幀圖像可檢測到多條垂直直線，其中由乘客、地板、墻壁等產生的干擾線多存在于兩門中間區域，門邊界多為最大距離對應的直線，因此，可將最大距離對應的直線作為電梯門的邊界。檢測窗口需略寬于電梯門兩邊界距離，根據邊界的位置變化不斷調整檢測窗口的大小，以提高計算速度。

當電梯門邊界直線未檢測到或電梯門上存在干擾線時，相鄰幀圖像最大距離變化可超過一定閾值，即發生距離突變。當檢測到距離突變時，根據電梯門開啟與關閉各個階段的距離變化速率對最大距離進行修正，各階段距離變化速率經統計計算得到。圖5所示為電梯門邊界到中線的距離變化曲線，距離由圖像中的像素表示，從圖中可以看出各階段的距離變化速度的差異。

圖5 距離變化曲線

3 開關判斷

電梯門開關判斷需要對連續幀的距離變化進行分析，距離的變化能夠反映開關量的變化，同時結合加速度傳感器能夠進一步保障電梯門開關檢測的準確性。

3.1 連續幀距離分析

連續幀距離變化反映電梯門開關狀態，當距離連續遞減，則電梯正在關閉，小于設定關閉閾值Tc時，電梯已關閉；當距離連續遞增，則電梯正在打開，大于設定打開閾值To時，電梯已打開。

本文以連續4幀的距離變化為依據，判斷電梯門的開關狀態。為了避免距離波動造成誤判，本文以前后兩幀的距離均值作為當前幀的距離，對連續幀距離值進行濾波處理，保證距離平緩變化。

3.2 加速度傳感器輔助判斷

電梯在運行過程中垂直方向的加速度變化具有一定規律，加速度傳感器能夠記錄電梯運行過程中的加速度變化，根據該加速度變化可以得知電梯正處于升降狀態或是停止狀態。

電梯在啟動和停止的短暫時間中會出現失重或超重，加速度傳感器能夠測得該過程的加速度變化值。當加速度＞0時，處于超重狀態；當加速度＜0，處于失重狀態；電梯啟動與停止總成對存在的，在電梯啟動到停止的一個完整過程中，必然有一個失重，一個超重。此外，當出現連續兩個超重或失重狀態時，電梯完成換向，電梯先下降再上升時，連續兩次超重；電梯先上升再下降時，連續兩次失重。根據此規律可以準確判斷電梯的運行狀態。在電梯運行過程中，受乘客和電梯振動的影響，加速度數據會存在一定的噪聲，噪聲通過鄰域均值濾波可以有效抑制。

加速度變化與電梯開關門存在不同步的現象，電梯啟動總是在電梯門閉合之后進行，即門閉合后加速度才變化，此時圖像可優先完成電梯門關閉的判斷；電梯停止時，加速度先發生變化，停穩后門打開，圖像判斷開門在加速度判斷開門之后發生，如果是在加速度判斷開門之前判斷的，那么該次判斷即為誤判，以加速度判斷結果為準。同時，加速度能夠實時監測電梯的升降運行狀況，為電梯安全運行提供數據依據。

4 試驗結果及分析

試驗采用普通CMOS攝像頭用于視頻圖像獲取，攝像頭安裝于電梯后側中間上方位置，以一定角度俯視，攝像頭設置分辨率640*480，幀率15幀/s，待檢測窗口分辨率為250*200，在CPU為Hi3798M V100、主頻1.5GHz的Android平臺上進行數據處理。

試驗對3部不同電梯的開關視頻圖像進行驗證，分別檢測100次開關過程得到檢測成功率，并統計得到每幀圖像的平均運行時間，試驗結果如表2所示。電梯2中存在1次未檢測到開門的判斷，該種情況由電梯內投影圖像的干擾引起，通過結合加速度傳感器能夠有效解決該問題。

表2 電梯開關判斷測試

圖6 電梯加速度數據濾波

試驗同時采集了3部電梯的在運行過程中的加速度變化數據，對加速度數據進行濾波處理并判斷電梯的開關狀態，如圖6所示。根據濾波后的波形圖能夠得知，該組數據包含3對啟停，分別為下降、上升、上升。同時，圖6所示數據段在采集時加入了較為劇烈的人為振動干擾，試驗結果表明，經過濾波處理能夠有效對振動噪聲完成過濾，并保證電梯啟停加速度的準確性。

綜上所述，圖像檢測方式能夠保證檢測的實時性，而加速度檢測方式能夠保證檢測的穩定性和準確性，本文方法將兩種方式相結合在電梯開關檢測中能夠兼顧實時性和準確性。

5 結語

本文提出的基于圖像和加速度傳感器的電梯開關門檢測方法通過圖像預處理、邊界檢測、開關判斷等方式快速、準確地判斷電梯門的開關狀態。文中對多種邊界檢測算法和干擾情況分別進行了分析判斷，以提高該方法的穩定性。后續需要驗證更多的應用場景，在準確性和穩定性上做進一步的分析研究。

[1]易風華,徐義.電梯事故原因分析與預防措施[J].電力安全技術,2011(06):22-23.

[2]崔鵬,張立昂,吉利久,等.兩種平滑優化算法在一維情況下的比較研究[J].北京大學學報自然科學版,2003,39(5):681-689.

[3]甘金來.圖像邊緣檢測算法的比較研究[D].電子科技大學,2005.

[4]厲梁,戴勇,丁東輝,等.電梯門檢測中邊緣檢測技術方法[J].輕工機械,2012(06):72-74.

[5]章毓晉.圖像處理和分析技術[M].高等教育出版社,2014.

[6]Otsu N.A Threshold Selection Method from Gray-Level Histograms[J].IEEE Transactions on Systems Man & Cybernetics,1979,9(1):62-66.

[7]孟瑜,趙忠明,柳星春,等.基于最大類間方差準則的變化區域提取[J].光電工程,2008(12):63-66.

[8]Duda R O,Hart P E.Use of the Hough transformation to detect lines and curves in pictures[J].Commun.ACM,1972,15(1):11-15.