识别电动车进入电梯的方法及系统与流程

1.本发明属于图像识别领域，尤其是识别电动车进入电梯的方法及系统。


背景技术：

2.随着电动自行车的普及，电动车社区化管理的问题就日益突出。主要体现在电动车的充电安全性等方面，很多电动车车主为了方便给电动车充电，会把电动车直接骑回家中进行充电。在现有电池和充电技术的条件下，电动车充电有一定的起火概率。电动车一旦起火，能在短短几秒钟之内迅速蔓延开来，特别是很多人习惯晚上睡觉的时候充电，更易引起安全事故，危及住户的生命和财产安全。
3.现有技术中，通过分析视频监控设备采集的图像数据，可以检测到图像中的目标对象，但是由于种种原因，不能够准确获取目标对象的新型。例如，在使用过程中，用户会对电动车的外观进行修饰或者用于搭载大体积物品，具体来说，用户会在电动车上面安装挡风披风或挡风罩，或在电动车载物篮、坐板上放置大体积，导致电动车外部轮廓被其他物品遮挡，很容易导致现有的视频监控设备采集的图像数据对电动车形成漏检。


技术实现要素：

4.本发明的发明目的是提供一种电动车的识别方法、装置、服务器及可读存储介质，以解决背景技术中所涉及的问题。
5.基于上述技术问题，本发明提出了一种电动车的识别方法、装置、服务器及可读存储介质，包括如下四个方面。
6.第一方面，本发明提供一种电动车的识别方法，所述方法包括：建立第一识别模型，所述第一识别模型用于识别电瓶车；获取第一信息，所述第一信息为监控设备获得目标物体沿着时序分布的多个图片信息；通过所述第一识别模型对所述第一信息进行第一分析，得到第一分析结果；对所述第一分析结果进行第二分析，得到第二分析结果；所述第二分析包括对第一信息进行加权平均数汇总；根据所述第二分析结果是否介于第二阈值和第三阈值之间判断是否进行第三分析；所述第三分析包括通过平面投影变换将同一目标物体不同时间的第一信息组合成第二信息；通过第一识别模型对所述第二信息进行第四分析，得到第四分析结果；根据第二分析结果、第四分析结果判断所述目标物体是否为电动车，若是，执行第一指令；所述第一指令为禁止乘坐的指令。
7.优选地，进行第一分析之前，所述方法还包括：获取第一间隔，所述第一间隔为目标物体通过电梯门所需时间；根据所述第一间隔判断是否执行第一分析。
8.优选地，所述方法还包括：所述第一识别模型采用vovnet网络结构作为训练的主干网络，使用centernet算法作为识别检测的核心算法，然后在pc端在pytorch深度学习框架上训练出能检测识别的电动车和人形的pytorch模型，得到预先储存的特征信息；所述第一分析采用多任务损失函数，预测、优化第一信息中电动车的提取框位置；通过提取框中的特征信息与所述第一识别模型中预先储存的特征信息进行比对，得到第一信息的第一分析
结果。
9.优选地，所述方法还包括：根据时序将图片信息分类为第一图像信息、第二图像信息和第三图像信息；对第一图像信息、第二图像信息和第三图像信息赋予预定的权重，通过加权平均数计算得到第二分析结果。
10.优选地，所述方法还包括：获得第三信息，所述第三信息为同一目标物体中所第一分析结果最优的多个图片信息；分析处理得到第四信息，所述第四信息为第三信息的最优候选框中目标物体的特征信息；通过平面投影变换将同一目标物体不同时间的第四信息拼接合并至，得到第二信息；将第二信息与预先储存的特征信息进行比对，得到第二信息的特征相似度和第四分析结果。
11.优选地，所述方法还包括：判断第四分析结果是否大于第四阈值；若是，执行第一指令；所述第一指令包括报警提示；所述第四阈值为80％
×
组合图像面积/真实区域面积；其中，所述真实区域面积为电动车的识别模型中预先储存的数据。
12.优选地，所述方法还包括：确定所述第三信息的拍摄角度和图片光场信息；通过颜色信息及像素领域对第四信息进行优化；判断第四信息是否为目标物体的同一特征区域，若是，组成第一特征区域集合；反之，通过平面投影变换累加至第一特征区域集合中，获得第二特征区域集合；对第二特征区域集合中重叠部分进行融合，消除拼接缝隙，得到第二信息。
13.第二方面，本发明还提供一种电动车的识别装置，所述装置包括：
14.第一预设单元，用于建立第一识别模型，所述第一识别模型用于识别电瓶车；
15.第一获取单元，用于获取第一信息，所述第一信息为监控设备获得目标物体沿着时序分布的多个图片信息；
16.第一处理单元，用于通过所述第一识别模型对所述第一信息进行第一分析，得到第一分析结果；
17.第二处理单元，用于对所述第一分析结果进行第二分析，得到第二分析结果；所述第二分析包括对第一信息进行加权平均数汇总；
18.第一判断单元，用于根据所述第二分析结果是否介于第二阈值和第三阈值之间判断是否进行第三分析；
19.第三处理单元，用于进行第三分析，所述第三分析包括通过平面投影变换将同一目标物体不同时间的第一信息组合成第二信息；
20.第四处理单元，用于通过第一识别模型对所述第二信息进行第四分析，得到第四分析结果；
21.第一执行单元，根据第二分析结果、第四分析结果判断所述目标物体是否为电动车，若是，执行第一指令；所述第一指令为禁止乘坐的指令。
22.第三方面，本发明还提供一种电动车识别用服务器，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现所述电动车的识别方法的步骤。
23.第四方面，一种计算机可读存储介质，其特征在于，该程序被处理器执行时实现所述电动车的识别方法的步骤。
24.有益效果：本发明涉及一种电动车的识别方法、装置、服务器及可读存储介质，通
过获得目标物体在预定时间内的视频数据，沿着时序编译出多个图片；计算所述图片中存在电动车可能性，并通过加权平均数计算得到电动车进入电梯的可能性；可以对电动车进入电梯这一过程实现自动识别，节省人力高识别效果。对于用户对电动车的外观进行修饰或者用于搭载大体积物品的情况，通过平面投影变换将不同图像中的图像信息拼接合并至一个新的组合图像，计算组合图像中存在电动车可能性，进一步提高电动车识别的精准性。
附图说明
25.图1为本发明实施例1中一种电动车的识别方法的流程示意图。
26.图2为本发明实施例2中一种电动车的识别方法的流程示意图。
27.图3为本发明实施例3中一种电动车的识别装置。
28.图4为本发明实施例4中示例性电子设备的结构示意图。
29.附图标记说明：第一预设单元11、第一获取单元12、第一处理单元13、第二处理单元14、第一判断单元15、第三处理单元16、第四处理单元17、第一执行单元18、总线300、接收器301、处理器302、发送器303、存储器304、总线接口305。
具体实施方式
30.在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。
31.实施例1
32.如附图1所示，图1为本发明实施例1中一种电动车的识别方法的流程示意图，一种电动车的识别方法包括如下步骤：
33.s101、建立第一识别模型，所述第一识别模型用于识别电瓶车。
34.具有而言，所述第一识别模型通过图像识别技术计算所述图片信息中存在电动车；在本实施例中，所述预先设置电动车的识别模型采用vovnet网络结构作为训练的主干网络，使用centernet算法作为识别检测的核心算法，然后在pc端在pytorch深度学习框架上训练出能检测识别的电动车和人形的pytorch模型；把pytorch模型转化成海思3516dv300芯片所支持的caffe模型，并部署到海思板上。
35.s102、获取第一信息，所述第一信息为监控设备获得目标物体沿着时序分布的多个图片信息；
36.具体而言，采用监控设备实时检测电梯内的目标物体，采集从电梯开启，到目标物体完全进入电梯这一时段内的视频信息，获得该时段内视频数据，并将该视频数据传输至图像处理模块，并通过编码器沿着时序编译出多张图片。在本实施例中，所述可见光传感器为半球型摄像机，安装在楼道口处或电梯原理电梯门的一侧；所述预定时间为电梯开门后至目标物体完全进入电梯后数秒，优选地，所述预定时间为电梯开门后至目标物体完全进入电梯后2s；一般而言，所述预定时间为8～12s，电梯开门后3s视频数据按照1s的间隔编译，获得3张图片，即为第一图像信息；目标物体从开始进入电梯到目标物体完全进入电梯这一运动过程(一般为3～7s)的视频数据，按照0.5s的间隔编译获得n张图片，即为第二图
像信息；目标物体完全进入电梯后数秒的视频数据，按照1s的间隔编译，获得2张图片，即为第三图像信息。
37.s103、通过所述第一识别模型对所述第一信息进行第一分析，得到第一分析结果；
38.具有而言，所述第一分析为通过图像识别技术计算所述第一信息中存在电动车可能性；所述第一分析结果为第一信息中存在电动车可能性；在本实施例中，预先设置电动车的识别模型，预测第一图像信息、第二图像信息和第三图像信息中的每一张图片电动车的提取框位置，然后通过提取框中的特征信息与电动车的识别模型中预先储存的特征信息进行比对，并得到每一张图片的特征相似度，即每一张图片存在电动车的可能性。然后将每个图片中存在电动车的可能性按照第一图像信息、第二图像信息和第三图像信息进行分类，并通过加权平均数计算得到电动车进入电梯的可能性。
39.所述第一分析采用多任务损失函数，预测、优化第一信息中电动车的提取框位置；通过提取框中的特征信息与所述第一识别模型中预先储存的特征信息进行比对，得到第一信息的第一分析结果。
40.所述提取框位置的预测方法基于卷积神经网络模型，所述卷积神经网络模型包括生成电动车候选框的第一神经网络p-net、对候选框进一步优化的第二神经网络r-net和最终生产候选框的第三神经网络o-net网络三个级联的网络。其运算方法具体包括如下步骤：将图像信息利用低通滤波器平滑图像、并对平滑图像进行抽样，构建图像金字塔；然后将图像数据输入第一神经网络，并将第一神经网络的结果输入至第二神经网络，最后将第二神经网络中的结果输入至第三神经网络。其中第一神经网络、第二神经网络和第三神经网络逐层递加的对噪声信号进行剥离；然后对比电动车的识别模型中预先储存的特征信息，得到每张图片中的特征相似度，即为该张图片的图像信息中存在电动车可能性。其中，剥离方法采用多任务损失函数。
41.所述电动车的损失函数为：
42.l
idet
＝-(y
idet
log(pi)+(1-y
idet
)(1-log(pi)))
43.其中，l
idet
为电动车交叉损失函数，pi为候选框样本被网络预测为电动车的分类概率；y
idet
为该候选框样本为真的标记；y
idet
∈{0,1}；
44.边界框回归训练函数为：
[0045][0046]
其中，l
ibox
为预测框回归损失函数,计算网络预测的回归框坐标和实际回归框坐标的欧式距离，为网络预测的回归框坐标；y
ibox
为实际回归框坐标。
[0047]
电动车中特征带你训练函数为：
[0048][0049]
其中，l
ilandmark
为关键点定位损失函数，计算回归损失函数计算网络预测的角点坐标和实际角点坐标的欧式距离，为网络预测的角点坐标；为实际角点坐标。
[0050]
通过上述多任务损失函数优化得到候选框，降低了噪声信号，提高了图像识别的准确性。同时为第二判断做出预处理，降低图片拼接过程的干扰因素。
[0051]
s104、对所述第一分析结果进行第二分析，得到第二分析结果；所述第二分析包括对第一信息进行加权平均数汇总；
[0052]
具体而言，所述第二分析中计算得到目标物体为电动车的可能性的具体计算算法，符合如下模型：
[0053][0054]
其中，p0为电动车进入电梯的可能性，即所述第二分析结果；n1、n2、n3分别为第一图像信息、第二图像信息和第三图像信息中的图片张数。p1、p2、p3分别为第一图像信息、第二图像信息和第三图像信息中各图片中存在电动车的可能性；a、b、c分别为第一图像信息、第二图像信息和第三图像信息中的权重，与识图模型和监控设备的安装位置有关，且a、b、c之和为1；在本实施例中，a的取值范围为0.219～0.320，b的取值范围为0.357～0.563，b的取值范围为0.207～0.308。
[0055]
由于一张图片可能表征存在电动车的预测不全面、不够精准，因此截取目标物体进入电梯全过程中多不同视角的图片，这多张不同视角的图像信息更能够全面的反应目标物体的信息特征，能够更加精准得到电动车进入电梯的可能性。
[0056]
s105、根据所述第二分析结果是否介于第二阈值和第三阈值之间判断是否进行第三分析；
[0057]
具体而言，比较电动车进入电梯的可能性p0与第二阈值的大小，p0大于第二阈值则认为目标物体为电动车，通过电梯发出禁止乘坐的指令；具体可以为电梯停止执行下一动作，并通过声音提示、光线提示以警告用户，从而保证电动车无法乘坐电梯。p0小于第二阈值则认为电梯中可能存在电动车，执行步骤s106，对图像信息做出进一步判断和检测。所述第二阈值的大小与识图模型和监控设备的安装位置有关，在本实施例中所述第二阈值为80％。
[0058]
进一步对电动车进入电梯的可能性p0进行判断，若p0大于第三阈值则认为电梯中可能存在电动车，执行则执行步骤s105，对图像信息做出进一步判断；若p0小于第三阈值则认为电梯中不存在电动车，电梯可正常运行。在本实施例中，所述第三阈值为40％。
[0059]
s106、所述第三分析包括通过平面投影变换将同一目标物体不同时间的第一信息组合成第二信息。
[0060]
具体而言，由于同一物体在移动过程中形变量相对较小，获得同一物体在不同时刻的多个图片具有叠加性。因此，所述第三分析包括如下步骤：获得第三信息，所述第三信息为同一目标物体中所第一分析结果最优的多个图片信息；分析处理得到第四信息，所述第四信息为第三信息的最优候选框中目标物体的特征信息；通过平面投影变换将同一目标物体不同时间的第四信息拼接合并至，得到第二信息；将第二信息与所述第一识别模型中预先储存的特征信息进行比对，得到第二信息的特征相似度，即第四分析结果。换言之，所述第二信息为通过平面投影变换将不同图像中的图像信息拼接合并至组合图像信息；所述第四分析结果为组合图像信息与预先储存的特征信息进行比对，组合图像信息的特征相似度。
[0061]
在本实施例中，所述第二判断基于外部轮廓合并，其具体合并方法步骤包括：
[0062]
选取步骤s102中存在电动车可能性最高的多张的图片，根据背景图确定可见光探测器的拍摄角度和图片光场信息，记为f(s,t,u,v)；其中，s和t是光场的角度分辨率；u和v是光场的空间分辨率；
[0063]
截取最优候选框中的多个图片，通过颜色信息及像素领域对图像信息进行优化，该过程的优化模型为：
[0064][0065]
其中，i为个图像信息上的特征点集合；n为个图像信息上的特征点领域集合；d(l
p
)为数据项；s(l
p
,lq)为平滑项；p为个图像信息上的特征点；q为p的四邻域中的点。
[0066]
通过比较不同图像的特征区域之间的颜色信息及像素领域相似度，当二者差值均小于阈值时，即认为不同图像的特征区域在目标物体的同一特征区域，并组成第一特征区域集合；
[0067]
然后通过拍摄角度透视原理，将不同图像中剩余特征区域通过平面投影变换累加至第一特征区域集合中，获得第二特征区域集合。
[0068]
所述平面投影变换为：
[0069][0070]
其中，f
wa
(s,t,u,v)为平面投影变换后图片的光场信息；f
in
((s,t,u,v)为存在电动车可能性最高的图片的光场信息；td为第d个图片的空间变换矩阵；d为平面投影变换图片个数。
[0071]
使用最小缝合线算法和泊松图像融合的算法，对重叠部分图像进行融合，消除拼接缝隙，得到目标物品的组合图像，然后将组合图像与电动车的识别模型中预先储存的特征信息进行比对，进行第四分析，并得到目标物体为电动车的可能性。
[0072]
s107、通过第一识别模型对所述第二信息进行第四分析，得到第四分析结果；
[0073]
具有而言，所述第四分析同第一分析，为通过图像识别技术计算所述第一信息中存在电动车可能性；所述第四分析结果为第二信息中存在电动车可能性；具体过程可参照步骤s103，在此不做赘述。
[0074]
s108、根据第二分析结果、第四分析结果判断所述目标物体是否为电动车，若是，执行第一指令；所述第一指令包括报警提示。
[0075]
具体而言，比较第二分析结果p0与第二阈值的大小，若p0大于第二阈值，则认为目标物体为电动车，通过电梯发出禁止乘坐的指令；判断第四分析结果是否大于第四阈值；若是，则认为目标物体为电动车，执行禁止乘坐的指令；否则，电梯可正常运行。其中，由于目标物品的图像片段，因此其相似度极限为组合图像面积/真实区域面积。因此在本实施例中，所述第四阈值＝80％
×
组合图像面积/真实区域面积；其中，真实区域面积近似为电动车的识别模型中预先储存的数据，为固定值。所述禁止乘坐的指令具体可以为电梯停止执行下一动作，并通过声音提示、光线提示以警告用户，从而保证电动车无法乘坐电梯。
[0076]
相对与现有技术而言，本实施例具有如下优点：通过上述步骤s101至s104，已经能够识别绝大多数的电动车。但是，在使用过程中，用户不可避免的会对电动车的外观进行修
饰或者用于搭载大体积物品。例如，在冬天，用户会在电动车上面安装挡风披风或挡风罩；或在电动车载物篮、坐板上放置大体积，导致电动车外部轮廓被其他物品遮挡，很容易导致步骤s103对电动车形成漏检，因此通过步骤s105至s108，进一步提高电动车识别的精准性。
[0077]
实施例2
[0078]
如附图2所示，图2为本发明实施例2中一种电动车的识别方法的流程示意图，一种电动车的识别方法包括如下步骤：
[0079]
s201、获取第一间隔，所述第一间隔为目标物体通过电梯门所需时间；根据所述第一间隔判断是否执行第一分析。
[0080]
换言之，判断第一间隔是否小于第一阈值，若是电梯正常工作，否则执行步骤s203。具体而言，通过光电感应器记录目标物体从进入电梯，到完全进入电梯所需要时间。由于现有电梯中一般均安装有光电感应器，用于探测目标物体体是否通过电梯门，本步骤可直接在此基础上进行改进，无需新增其他硬件设备。当目标物体通过电梯门时间小于第一阈值，则认为并没有电动车进入电梯；反之，则有可能有电动车进入电梯，因此开始执行步骤s203。在本实施中，所述第一阈值优选为1～2s。
[0081]
现有技术中更多的是通过电梯门的开启状态，来判断电动车识别系统的开启。然而电动车进入电梯的事件发生率远远低于电梯的正常情况，这样的判断条件，会导致大量计算资源被浪费，加大了对控制器的损耗。发明人发现由于电动车的长度远大于人体的宽度，所以电动车通过电梯门的时间也远大于人体通过电梯门所需的时间。本发明通过目标物体通过电梯门所需时间作为识别方法的触发基础。而且现有电梯中一般均安装有光电感应器用于探测目标物体体是否通过电梯门，采用上述方法进行判断时无需新增其他硬件设备。
[0082]
s202、建立第一识别模型，所述第一识别模型用于识别电瓶车。
[0083]
具有而言，所述第一识别模型通过图像识别技术计算所述图片信息中存在电动车；在本实施例中，所述预先设置电动车的识别模型采用vovnet网络结构作为训练的主干网络，使用centernet算法作为识别检测的核心算法，然后在pc端在pytorch深度学习框架上训练出能检测识别的电动车和人形的pytorch模型；把pytorch模型转化成海思3516dv300芯片所支持的caffe模型，并部署到海思板上。
[0084]
s203、获取第一信息，所述第一信息为监控设备获得目标物体沿着时序分布的多个图片信息；
[0085]
具体而言，采用监控设备实时检测电梯内的目标物体，采集从电梯开启，到目标物体完全进入电梯这一时段内的视频信息，获得该时段内视频数据，并将该视频数据传输至图像处理模块，并通过编码器沿着时序编译出多张图片。在本实施例中，所述可见光传感器为半球型摄像机，安装在楼道口处或电梯原理电梯门的一侧；所述预定时间为电梯开门后至目标物体完全进入电梯后数秒，优选地，所述预定时间为电梯开门后至目标物体完全进入电梯后2s；一般而言，所述预定时间为8～12s，电梯开门后3s视频数据按照1s的间隔编译，获得3张图片，即为第一图像信息；目标物体从开始进入电梯到目标物体完全进入电梯这一运动过程(一般为3～7s)的视频数据，按照0.5s的间隔编译获得n张图片，即为第二图像信息；目标物体完全进入电梯后数秒的视频数据，按照1s的间隔编译，获得2张图片，即为第三图像信息。
[0086]
s204、通过所述第一识别模型对所述第一信息进行第一分析，得到第一分析结果；
[0087]
具有而言，所述第一分析为通过图像识别技术计算所述第一信息中存在电动车可能性；所述第一分析结果为第一信息中存在电动车可能性；在本实施例中，预先设置电动车的识别模型，预测第一图像信息、第二图像信息和第三图像信息中的每一张图片电动车的提取框位置，然后通过提取框中的特征信息与电动车的识别模型中预先储存的特征信息进行比对，并得到每一张图片的特征相似度，即每一张图片存在电动车的可能性。然后将每个图片中存在电动车的可能性按照第一图像信息、第二图像信息和第三图像信息进行分类，并通过加权平均数计算得到电动车进入电梯的可能性。
[0088]
所述第一分析采用多任务损失函数，预测、优化第一信息中电动车的提取框位置；通过提取框中的特征信息与所述第一识别模型中预先储存的特征信息进行比对，得到第一信息的第一分析结果。
[0089]
所述提取框位置的预测方法基于卷积神经网络模型，所述卷积神经网络模型包括生成电动车候选框的第一神经网络p-net、对候选框进一步优化的第二神经网络r-net和最终生产候选框的第三神经网络o-net网络三个级联的网络。其运算方法具体包括如下步骤：将图像信息利用低通滤波器平滑图像、并对平滑图像进行抽样，构建图像金字塔；然后将图像数据输入第一神经网络，并将第一神经网络的结果输入至第二神经网络，最后将第二神经网络中的结果输入至第三神经网络。其中第一神经网络、第二神经网络和第三神经网络逐层递加的对噪声信号进行剥离；然后对比电动车的识别模型中预先储存的特征信息，得到每张图片中的特征相似度，即为该张图片的图像信息中存在电动车可能性。其中，剥离方法采用多任务损失函数。
[0090]
所述电动车的损失函数为：
[0091]
l
idet
＝-(y
idet
log(pi)+(1-y
idet
)(1-log(pi)))
[0092]
其中，l
idet
为电动车交叉损失函数，pi为候选框样本被网络预测为电动车的分类概率；y
idet
为该候选框样本为真的标记；y
idet
∈{0,1}；
[0093]
边界框回归训练函数为：
[0094][0095]
其中，l
ibox
为预测框回归损失函数,计算网络预测的回归框坐标和实际回归框坐标的欧式距离，为网络预测的回归框坐标；y
ibox
为实际回归框坐标。
[0096]
电动车中特征带你训练函数为：
[0097][0098]
其中，l
ilandmark
为关键点定位损失函数，计算回归损失函数计算网络预测的角点坐标和实际角点坐标的欧式距离，为网络预测的角点坐标；为实际角点坐标。
[0099]
通过上述多任务损失函数优化得到候选框，降低了噪声信号，提高了图像识别的准确性。同时为第二判断做出预处理，降低图片拼接过程的干扰因素。
[0100]
s205、对所述第一分析结果进行第二分析，得到第二分析结果；所述第二分析包括对第一信息进行加权平均数汇总；
[0101]
具体而言，所述第二分析中计算得到目标物体为电动车的可能性的具体计算算法，符合如下模型：
[0102][0103]
其中，p0为电动车进入电梯的可能性，即所述第二分析结果；n1、n2、n3分别为第一图像信息、第二图像信息和第三图像信息中的图片张数。p1、p2、p3分别为第一图像信息、第二图像信息和第三图像信息中各图片中存在电动车的可能性；a、b、c分别为第一图像信息、第二图像信息和第三图像信息中的权重，与识图模型和监控设备的安装位置有关，且a、b、c之和为1；在本实施例中，a的取值范围为0.219～0.320，b的取值范围为0.357～0.563，b的取值范围为0.207～0.308。
[0104]
由于一张图片可能表征存在电动车的预测不全面、不够精准，因此截取目标物体进入电梯全过程中多不同视角的图片，这多张不同视角的图像信息更能够全面的反应目标物体的信息特征，能够更加精准得到电动车进入电梯的可能性。
[0105]
s206、根据所述第二分析结果是否介于第二阈值和第三阈值之间判断是否进行第三分析；
[0106]
具体而言，比较电动车进入电梯的可能性p0与第二阈值的大小，p0大于第二阈值则认为目标物体为电动车，通过电梯发出禁止乘坐的指令；具体可以为电梯停止执行下一动作，并通过声音提示、光线提示以警告用户，从而保证电动车无法乘坐电梯。p0小于第二阈值则认为电梯中可能存在电动车，执行步骤s207，对图像信息做出进一步判断和检测。所述第二阈值的大小与识图模型和监控设备的安装位置有关，在本实施例中所述第二阈值为80％。
[0107]
进一步对电动车进入电梯的可能性p0进行判断，若p0大于第三阈值则认为电梯中可能存在电动车，执行则执行步骤s207，对图像信息做出进一步判断；若p0小于第三阈值则认为电梯中不存在电动车，电梯可正常运行。在本实施例中，所述第三阈值为40％。
[0108]
s207、所述第三分析包括通过平面投影变换将同一目标物体不同时间的第一信息组合成第二信息。
[0109]
具体而言，由于同一物体在移动过程中形变量相对较小，获得同一物体在不同时刻的多个图片具有叠加性。因此，所述第三分析包括如下步骤：获得第三信息，所述第三信息为同一目标物体中所第一分析结果最优的多个图片信息；分析处理得到第四信息，所述第四信息为第三信息的最优候选框中目标物体的特征信息；通过平面投影变换将同一目标物体不同时间的第四信息拼接合并至，得到第二信息；将第二信息与所述第一识别模型中预先储存的特征信息进行比对，得到第二信息的特征相似度，即第四分析结果。换言之，所述第二信息为通过平面投影变换将不同图像中的图像信息拼接合并至组合图像信息；所述第四分析结果为组合图像信息与预先储存的特征信息进行比对，组合图像信息的特征相似度。
[0110]
在本实施例中，所述第二判断基于外部轮廓合并，其具体合并方法步骤包括：
[0111]
选取步骤s203中存在电动车可能性最高的多张的图片，根据背景图确定可见光探测器的拍摄角度和图片光场信息，记为f(s,t,u,v)；其中，s和t是光场的角度分辨率；u和v是光场的空间分辨率；
[0112]
截取最优候选框中的多个图片，通过颜色信息及像素领域对图像信息进行优化，该过程的优化模型为：
[0113][0114]
其中，i为个图像信息上的特征点集合；n为个图像信息上的特征点领域集合；d(l
p
)为数据项；s(l
p
,lq)为平滑项；p为个图像信息上的特征点；q为p的四邻域中的点。
[0115]
通过比较不同图像的特征区域之间的颜色信息及像素领域相似度，当二者差值均小于阈值时，即认为不同图像的特征区域在目标物体的同一特征区域，并组成第一特征区域集合；
[0116]
然后通过拍摄角度透视原理，将不同图像中剩余特征区域通过平面投影变换累加至第一特征区域集合中，获得第二特征区域集合。
[0117]
所述平面投影变换为：
[0118][0119]
其中，f
wa
(s,t,u,v)为平面投影变换后图片的光场信息；f
in
((s,t,u,v)为存在电动车可能性最高的图片的光场信息；td为第d个图片的空间变换矩阵；d为平面投影变换图片个数。
[0120]
使用最小缝合线算法和泊松图像融合的算法，对重叠部分图像进行融合，消除拼接缝隙，得到目标物品的组合图像，然后将组合图像与电动车的识别模型中预先储存的特征信息进行比对，进行第四分析，并得到目标物体为电动车的可能性。
[0121]
s208、通过第一识别模型对所述第二信息进行第四分析，得到第四分析结果；
[0122]
具有而言，所述第四分析同第一分析，为通过图像识别技术计算所述第一信息中存在电动车可能性；所述第四分析结果为第二信息中存在电动车可能性；具体过程可参照步骤s103，在此不做赘述。
[0123]
s209、根据第二分析结果、第四分析结果判断所述目标物体是否为电动车，若是，执行第一指令；所述第一指令包括报警提示。
[0124]
具体而言，比较第二分析结果p0与第二阈值的大小，若p0大于第二阈值，则认为目标物体为电动车，通过电梯发出禁止乘坐的指令；判断第四分析结果是否大于第四阈值；若是，则认为目标物体为电动车，执行禁止乘坐的指令；否则，电梯可正常运行。其中，由于目标物品的图像片段，因此其相似度极限为组合图像面积/真实区域面积。因此在本实施例中，所述第四阈值＝80％
×
组合图像面积/真实区域面积；其中，真实区域面积近似为电动车的识别模型中预先储存的数据，为固定值。所述禁止乘坐的指令具体可以为电梯停止执行下一动作，并通过声音提示、光线提示以警告用户，从而保证电动车无法乘坐电梯。
[0125]
相对与现有技术而言，本实施例具有如下优点：通过上述步骤s201至s204，已经能够识别绝大多数的电动车。但是，在使用过程中，用户不可避免的会对电动车的外观进行修饰或者用于搭载大体积物品。例如，在冬天，用户会在电动车上面安装挡风披风或挡风罩；或在电动车载物篮、坐板上放置大体积，导致电动车外部轮廓被其他物品遮挡，很容易导致步骤s204对电动车形成漏检，因此通过步骤s205至s209，进一步提高电动车识别的精准性。
[0126]
实施例3
[0127]
基于与前述实施例1或2中一种电动车的识别方法同样的发明构思，本发明还提供一种电动车的识别装置，如图3所示，所述装置包括：
[0128]
第一预设单元11，用于建立第一识别模型，所述第一识别模型用于识别电瓶车；
[0129]
第一获取单元12，用于获取第一信息，所述第一信息为监控设备获得目标物体沿着时序分布的多个图片信息；
[0130]
第一处理单元13，用于通过所述第一识别模型对所述第一信息进行第一分析，得到第一分析结果；
[0131]
第二处理单元14，用于对所述第一分析结果进行第二分析，得到第二分析结果；所述第二分析包括对第一信息进行加权平均数汇总；
[0132]
第一判断单元15，用于根据所述第二分析结果是否介于第二阈值和第三阈值之间判断是否进行第三分析；
[0133]
第三处理单元16，用于进行第三分析，所述第三分析包括通过平面投影变换将同一目标物体不同时间的第一信息组合成第二信息；
[0134]
第四处理单元17，用于通过第一识别模型对所述第二信息进行第四分析，得到第四分析结果；
[0135]
第一执行单元18，用于根据第二分析结果、第四分析结果判断所述目标物体是否为电动车，若是，执行第一指令；所述第一指令为禁止乘坐的指令。
[0136]
进一步的，所述装置还包括：
[0137]
第二获取单元，用于获取第一间隔，所述第一间隔为目标物体通过电梯门所需时间；
[0138]
第二判断单元，用于根据所述第一间隔判断是否执行第一分析。
[0139]
进一步的，所述装置还包括：
[0140]
第五处理单元，用于采用多任务损失函数，预测、优化图像信息中电动车的提取框位置；
[0141]
第六处理单元，用于通过提取框中的特征信息与电动车的识别模型中预先储存的特征信息进行比对，得到每张图片的特征相似度，即到电动车进入电梯的可能性。
[0142]
进一步的，所述装置还包括：
[0143]
第七处理单元，用于根据时序将图片信息分类为第一图像信息、第二图像信息和第三图像信息；
[0144]
第八处理单元，用于对第一图像信息、第二图像信息和第三图像信息赋予预定的权重，通过加权平均数计算得到第二分析结果。
[0145]
进一步的，所述装置还包括：
[0146]
第九处理单元，用于获得第三信息，所述第三信息为同一目标物体中所第一分析结果最优的多个图片信息；
[0147]
第十处理单元，用于分析处理得到第四信息，所述第四信息为第三信息的最优候选框中目标物体的特征信息；
[0148]
第十一处理单元，用于通过平面投影变换将同一目标物体不同时间的第四信息拼接合并至，得到第二信息；
[0149]
第三判断单元，用于将第二信息与预先储存的特征信息进行比对，得到第二信息的特征相似度和第四分析结果。
[0150]
进一步的，所述装置还包括：
[0151]
第四判断单元，用于判断第四分析结果是否大于第四阈值；若是，执行第一指令；所述第一指令包括报警提示；
[0152]
所述第四阈值为80％
×
组合图像面积/真实区域面积；
[0153]
其中，所述真实区域面积为电动车的识别模型中预先储存的数据。
[0154]
进一步的，所述装置还包括：
[0155]
第十二处理单元，用于确定所述第三信息的拍摄角度和图片光场信息；
[0156]
第十三处理单元，用于通过颜色信息及像素领域对第四信息进行优化；
[0157]
第十四处理单元，用于判断第四信息是否为目标物体的同一特征区域，若是，组成第一特征区域集合；反之，通过平面投影变换累加至第一特征区域集合中，获得第二特征区域集合；
[0158]
第十五处理单元，用于对第二特征区域集合中重叠部分进行融合，消除拼接缝隙，得到第二信息。
[0159]
前述实施例1或实施例2中的一种电动车的识别方法的各种变化方式和具体实例同样适用于本实施例的一种电动车识别装置，通过前述对一种电动车的识别方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种电动车的识别装置的实施方法，所以为了说明书的简洁，在此不再详述。
[0160]
实施例4
[0161]
基于与前述实施例中一种电动车的识别方法同样的发明构思，本发明还提供一种电动车的识别用服务器，如图4所示，图4为实施例4中示例性电子设备，包括存储器304、处理器302及存储在存储器304上并可在处理器302上运行的计算机程序，所述处理器302执行所述程序时实现前文所述远程生命体征监控的方法的任一方法的步骤。
[0162]
其中，在图4中，总线架构(用总线300来代表)，总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。
[0163]
处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
[0164]
实施例5
[0165]
基于与前述实施例中一种电动车的识别方法同样的发明构思，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：获得目标物体在预定时间内的视频数据，沿着时序编译出多个图片；计算所述图片中存在电动车可能性，并通过加权平均数计算得到电动车进入电梯的可能性；判断电动车进入电梯的可能性是否大于第二阈值；若大于第二阈值，则执行禁止乘坐的指令；否则执行下一步；判断电动车进入电梯的可能性是否大于第三阈值；若大于第三阈值，则执行下一步；否则电梯
可正常运行；通过平面投影变换将不同图像中的图像信息拼接合并至一个新的组合图像，计算组合图像中存在电动车可能性；判断组合图像中存在电动车可能性是否大于第四阈值；若是，则执行禁止乘坐的指令；否则，电梯可正常运行。
[0166]
本发明实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：通过获得目标物体在预定时间内的视频数据，沿着时序编译出多个图片；计算所述图片中存在电动车可能性，并通过加权平均数计算得到电动车进入电梯的可能性；可以对电动车进入电梯这一过程实现自动识别，节省人力高识别效果。对于用户对电动车的外观进行修饰或者用于搭载大体积物品的情况，通过平面投影变换将不同图像中的图像信息拼接合并至一个新的组合图像，计算组合图像中存在电动车可能性，进一步提高电动车识别的精准性。
[0167]
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。