CN107662874B - 乘客运输机的扶手入口监测系统及其监测方法 - Google Patents
乘客运输机的扶手入口监测系统及其监测方法 Download PDFInfo
- Publication number
- CN107662874B CN107662874B CN201610610340.5A CN201610610340A CN107662874B CN 107662874 B CN107662874 B CN 107662874B CN 201610610340 A CN201610610340 A CN 201610610340A CN 107662874 B CN107662874 B CN 107662874B
- Authority
- CN
- China
- Prior art keywords
- handrail
- foreground object
- foreground
- handrail entry
- entrance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000003384 imaging method Methods 0.000 claims abstract description 28
- 230000002159 abnormal effect Effects 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims description 33
- 238000001914 filtration Methods 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000000513 principal component analysis Methods 0.000 claims description 7
- 231100001261 hazardous Toxicity 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 230000001960 triggered effect Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims 2
- 238000006243 chemical reaction Methods 0.000 claims 1
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 11
- 230000008901 benefit Effects 0.000 description 6
- 238000009434 installation Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000000877 morphologic effect Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000036039 immunity Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000001429 visible spectrum Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007340 echolocation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000002187 spin decoupling employing ultra-broadband-inversion sequences generated via simulated annealing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B29/00—Safety devices of escalators or moving walkways
- B66B29/02—Safety devices of escalators or moving walkways responsive to, or preventing, jamming by foreign objects
- B66B29/04—Safety devices of escalators or moving walkways responsive to, or preventing, jamming by foreign objects for balustrades or handrails
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B21/00—Kinds or types of escalators or moving walkways
- B66B21/02—Escalators
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B25/00—Control of escalators or moving walkways
- B66B25/003—Methods or algorithms therefor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B29/00—Safety devices of escalators or moving walkways
- B66B29/005—Applications of security monitors
Landscapes
- Escalators And Moving Walkways (AREA)
Abstract
本发明提供一种乘客运输机的扶手入口监测系统及其监测方法，属于乘客运输机技术领域。本发明的扶手入口监测系统和监测方法中，使用成像传感器和/或深度感测传感器对所述乘客运输机的至少部分扶手入口区域进行感测以获取数据帧，对所述数据帧进行分析处理以监测运行的所述乘客运输机的扶手入口是否处于正常状态或非正常状态。本发明的监测系统及其监测方法能及时有效发现异物即将被夹入扶手入口的危险，有利于防止异物被夹入扶手入口，乘客运输机的安全性得到提高。
Description
技术领域
本发明属于乘客运输机技术领域，涉及乘客运输机（Passenger Conveyor）的扶手（Handrail）的扶手入口（Handrail Entry）的异物自动监测。
背景技术
乘客运输机（例如扶梯或移动人行道）在地铁、商场、机场等公共场所中应用越来越广泛，其运行的安全性愈发重要。
乘客运输机具有运动的梯级以及运动的扶手，在运行的过程中，其中扶手是按照预定方向循环地滑动并进入扶手入口，因此，存在将外部的异物带入至（entrapped into）扶手入口的可能，尤其是，如果乘客的身体部位置于扶手入口附近的扶手上，存在身体被夹入扶手入口的风险。例如，在扶梯出入口处玩耍的小孩很可能将手置于扶手入口附件的扶手上，此时存在被夹的风险。
现有技术中，通过在乘客运输机中设置安全开关来检测是否有外部的异物被带入至扶手入口，并在被检测到异物被带入至扶手入口时，安全开关触发乘客运输机停止以避免事故扩大化。但是，在安全开关被触发之前，异物是已经被带入至扶手入口，通常事故已经发生。
发明内容
按照本发明的一方面，提供一种乘客运输机的扶手入口监测系统，包括：
成像传感器和/或深度感测传感器，用于对所述乘客运输机的至少部分扶手入口区域进行感测以获取数据帧；以及
处理装置，用于对所述数据帧进行分析处理以监测运行的所述乘客运输机的扶手入口是否处于正常状态或非正常状态，其中，所述正常状态是指没有异物即将进入或至少部分已处于所述扶手入口的危险区域,所述非正常状态是指异物即将进入或至少部分已处于所述扶手入口的危险区域。
按照本发明的又一方面，提供一种乘客运输机的扶手入口监测方法，包括步骤：
通过成像传感器和/或深度感测传感器对所述乘客运输机的至少部分扶手入口区域进行感测以获取数据帧；以及
对所述数据帧进行分析处理以监测运行的所述乘客运输机的扶手入口是否处于正常状态或非正常状态；
其中，所述正常状态是指没有异物即将进入或至少部分已处于所述扶手入口的危险区域,所述非正常状态是指异物即将进入或至少部分已处于所述扶手入口的危险区域。
按照本发明的还一方面，提供一种乘客运输系统，包括乘客运输机和以上所述及的扶手入口监测系统。
根据以下描述和附图本发明的以上特征和操作将变得更加显而易见。
附图说明
从结合附图的以下详细说明中，将会使本发明的上述和其他目的及优点更加完整清楚，其中，相同或相似的要素采用相同的标号表示。
图1是按照本发明一实施例的乘客运输机的扶手入口监测系统的结构示意图。
图2是按照本发明一实施例的乘客运输机的感测装置的安装示意图。
图3是图2所示的感测装置监测扶手入口区域示意图。
图4是按照本发明一实施例的乘客运输机的扶手入口监测方法的流程示意图。
具体实施方式
现在将参照附图更加完全地描述本发明，附图中示出了本发明的示例性实施例。但是，本发明可按照很多不同的形式实现，并且不应该被理解为限制于这里阐述的实施例。相反，提供这些实施例使得本公开变得彻底和完整，并将本发明的构思完全传递给本领域技术人员。
附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或者在一个或多个硬件模块或集成电路中实现这些功能实体，或者在不同处理装置和/或微控制器装置中实现这些功能实体。
在本发明中，乘客运输机包括自动扶梯（Escalator）和移动人行道（MovingWalk）。以下图示实施例中，以自动扶梯为示例对本发明实施例的扶手入口监测系统和监测方法进行详细说明，但是，应当理解到，以下实施例的针对自动扶梯的扶手入口监测系统和监测方法同样可以类推地应用到移动人行道中，其中可能需要发生的例如适用性的改进是本领域技术人员在本发明实施例的教导下能够获知的。
需要说明的是，在本发明中，乘客运输机的乘客运输机的扶手入口处于“正常状态”是指没有异物即将进入或至少部分已处于扶手入口的危险区域；相反地，“非正常状态”是指异物即将进入或至少部分已处于扶手入口的危险区域；其中，危险区域是指异物处于该空间区域时在扶手处于预定速度下具有一定几率被带入至扶手入口中，因此，危险区域是一个相对的概念，其可以根据具体情况而设置，例如，扶手运行速度越快，危险区域的设置可以相对地扩大，对乘客运输机的安全性要求越高，危险区域的设置可以相对地扩大，等等。
图1所示为按照本发明一实施例的乘客运输机的扶手入口监测系统的结构示意图，图2所述为按照本发明一实施例的乘客运输机的感测装置的安装示意图，图3是图2所示的感测装置监测扶手入口区域示意图。结合图1至图3所示，该实施例的扶手入口监测系统可以用来在预定时间段内持续监测乘客运输机在日常运行工况（包括有乘客的运行工况和无乘客的空载运行工况）下的扶梯900的扶手950的扶手入口区域951是否处于正常状态。
在日常运行工况下，扶手950是按某一方向按预定速度不断周转运行，其运行的速度可以发生变化，更需要理解的是，其运行的方向也发生变化，因此，扶手入口区域951的扶手入口是相对的概念，例如，当梯级和扶手950在图1中是向上运行时，上面的一端是扶手入口、下面的一端是扶手出口，反之，当梯级和扶手950向下运行时，则上面的一端是扶手出口、下面的一端是扶手入口。对于扶手出口处，可能相对不容易发生夹入异物的事件，因此，可以或不可以在其作为扶手出口的时间端不使用本发明实施例的监测系统进行监控。
结合图1和图3所示，扶手入口在正常状态下时，扶手950是能够自由地进入挡板952的入口，并且在该入口不存在异物可能会被扶手950带入其中。异物是指扶梯900的外部异物，其例如可以是乘客的衣服等、乘客的身体部位（例如手）等，其具体类型不是限制性的。
图1所示实施例的扶手入口监测系统包括感测装置310与感测装置310耦接的处理装置100，扶梯900包括乘客运输机控制910、诸如电机的制动部件920以及警报单元930等。
感测装置310具体为成像传感器（imaging sensor）或者深度感测传感器（depthsensing sensor），或者为它们的组合。根据具体需要和传感器所能够监测的区域范围大小，可以在扶梯900上设置一个或多个感测装置310，例如，3101至310n，N为大于或等于1的整数。感测装置310以相对能清楚、准确并最大视角地感测扶梯900的入口区域951为准进行安装，其具体安装方式和安装位置不是限制性的。在图1所示实施例中，感测装置310为两个，其分别被对应设置在扶梯900的两端的出入口区域的斜上方并大致朝向出扶手入口区域951；应当理解，为使监测视角更加全面，还可以针对同一扶手入区域951安装多个感测装置310，例如，如图2和图3所示，感测装置310还包括安装在扶手入口周围的一个或多个感测装置3102（成像传感器或深度感测传感器）。应当理解，为准确感测扶手入区域951，可以根据具体应用环境选择相应类型的成像传感器或者深度感测传感器，甚至还可以在扶手入口周围配置相应的照明灯具等（在感测装置310为成像传感器时）。
成像传感器可以是各种类型的2D图像传感器，应当理解，任何能够拍摄获取包括像素灰度信息的图像帧的图像传感器都可以在此应用，当然，能够拍摄获取包括像素灰度信息和色彩信息（例如RGB信息）的图像帧的图像传感器也可以在此应用。
深度感测传感器可以是针对任何1D、2D、3D深度传感器或其组合，为准确感测扶手入口区域951的扶手部件等以及可能出现的异物，可以根据具体应用环境选择相应类型的深度感测传感器。这种传感器可在能够产生对应纹理的深度图（还已知为点云或占据栅格）的光学、电磁或声谱下操作。各种深度感测传感器技术和装置包括但不限于结构光测量、相移测量、飞行时间测量、立体三角测量装置、光三角测量装置板、光场相机、编码孔径相机、计算成像技术、同时定位和地图构建(SLAM)、成像雷达、成像声纳、回声定位设备、扫描LIDAR、闪光LIDAR、被动红外线(PIR)传感器和小型焦平面阵列(FPA)或包括前述中至少一个的组合。不同技术可包括主动（传输和接收信号）或被动（仅接收信号）且可在电磁或声谱（诸如视觉、红外线等）带下操作。使用深度感测可具有超越常规2D成像的特定优点，使用红外线感测可具有超越可见光谱成像的特定益处，替代或此外，使得传感器可以是具有一个或多个像素空间分辨率的红外线传感器，例如被动红外线(PIR)传感器或小型IR焦平面阵列(FPA)。
应注意，2D成像传感器（例如常规安全相机）与1D、2D或3D深度感测传感器之间在深度感测提供许多优点的程度上会存在性质上和数量上的差异。在2D成像中，在从成像器的每个径向方向上的来自第一个对象的反射色彩（波长的混合物）被捕获。接着，2D图像可包括源照明和场景中对象的光谱反射系数的组合光谱。2D图像可由人员解译成图片。在1D、2D或3D深度感测传感器中，不存在色彩（光谱）信息；更确切地说，在从传感器的径向方向（1D）或方向（2D、3D）上到第一反射对象的距离（深度、范围）被捕获。1D、2D和3D技术可具有固有最大可检测范围极限且可具有相对低于典型2D成像器的空间分辨率。在对环境照明问题的相对免疫方面，与常规2D成像比较，使用1D、2D或3D深度感测可有利地提供改进型操作、对遮蔽对象的较好分离和较好的私密保护。使用红外线感测可具有超过可见光谱成像的特定益处。举例来说，2D图像会无法被转变成深度图且深度图也无法具有被转变成2D图像（例如，至连续深度的人为分配连续色彩或灰度会使人略微类似于人员如何见到2D图像来粗略地解译深度图，其并非常规意义上的图像。）的能力。
在感测装置310具体为成像传感器和深度感测传感器的组合时，感测装置310可以为RGB-D传感器，其可以同时获取RGB信息和深度（D）信息。
在感测装置310对扶梯900的扶手入口区域951进行感测并实时地获得多个数据帧，即序列帧；如果是采用成像传感器感测获取，序列帧为多个图像帧，其中的每个像素具有例如相应的灰度信息和色彩信息；如果是采用深度感测传感器感测获取，序列帧为多个深度图，其中的每个像素或占据栅格也具有对应深度尺寸（反映深度信息）。
如果需要全时段地对扶手入口区域951进行监测，扶手入口区域951对应安装多个感测装置310可以同时工作获取相应的数据帧，以全面地对同一扶手入口区域951的各个部分进行监测。每个感测装置获取的数据帧被传输至处理装置100并存储。以上感测装置310感测获取数据帧的过程可以被处理装置100或乘客输送机控制器910来控制实现。处理装置100进一步负责用于对每幅数据帧进行分析处理，并最终获得扶梯900的扶手入口区域951是否处于正常状态的信息，例如，确定是否有异物处于扶手入口的危险区域。
继续如图1所示，处理装置100被配置为包括背景获取模块110和前景检测模块120。其中，背景获取模块110中，以扶梯900的扶手入口处于正常状态下（例如，扶手入口区域951不存在任何异物）的3D深度图作学习获取背景模型。背景模型的建立可以在扶手入口监测系统初始化的阶段进行，也即，在对日常运行工况的扶手入口区域951监测之前对其进行初始化以获得背景模型。背景模型的学习建立具有可以但不限于采用诸如高斯混合模型（Gaussian Mixture Model，GMM）、码书模型（Code Book Model）、主成分分析（PrincipleComponents Analysis, PCA）、鲁棒主成分分析（Robust Principle ComponentsAnalysis, RPCA）、平均滤波(Mean Filtering)、神经网络方法(Neural Network Methods)（包括深学习法）、核密度估计（Kernel Density Estimation methods，KDE）、自适应核密度估计（Adaptive Kernel Density Estimation，AKDE）、递归建模（Recursive modeling,RM)或者支持向量数据描述建模（Support Vector data description modeling, SVDDM)。其中，对于深度感测传感器获取的深度图学习得到背景模型，其是典型的深度背景模型；对于基于成像传感器获取的图像帧学习得到背景模型，其是典型的灰度背景模型或者色度背景模型。
需要理解地是，在其后的扶手入口的监测阶段中，背景模型可以自适应地更新。对于应用场景、传感器类型或设置发生变化时，可以在初始阶段重新学习获取相应的背景模型，或者可以实时地自适用地更新，例如，使用GMM、RPCA等方法。
前景检测模块120用于从实时获取的深度图或图像与背景模型比对处理获得前景对象。具体地，在比对处理过程中，对于使用成像传感器的情形，数据帧为2D图像，背景模型也是基于2D图像形成，比对处理过程具体可以为差分处理，例如，对于2D图像的某一像素点，其与背景模型对应的像素点进行比对求差值（例如灰度的差值），在该差值大于预定值时作保留处理，因此，可以获得前景对象；对于使用深度感测传感器的情形，数据帧为深度图，背景模型也是基于3D深度图形成，例如，对于深度图的某一占据栅格，其可以与背景模型对应的占据栅格进行比对（例如求出深度的差值），在该差值大于预定值时该占据栅格的深度信息作保留处理（表示该占据栅格是），因此，可以获得前景对象。
如果异物置于扶手950上或者其他的进入扶手入口951的危险区域的情形，其相应的数据帧部分与背景模型的相应部分进行比对处理，获得的前景对象也将包括反映异物的相关特征。
在一实施例中，前景检测模块120中还设置前景过滤子模块（图1中未示出），用于对以上比对处理获得的前景对象进行过滤，具体例如可以使用形态学（Morphological）过滤技术、几何（Geometric）过滤技术等过滤技术，从而可以去除细小区域、散发的（sporadic）像素/体元（即一个或多个栅格）、不相干的（non-pertinent）对象等等，形成过滤后的前景对象。
以形态学过滤技术为例，如果选择的特征（例如高度、宽度、纵横比（aspectratio）、体积等）是在相应的阈值（例如动态计算的阈值、静态阈值等）外界，形态学过滤能够给用来移除相应的前景对象；以几何过滤技术为例，其可以用来进一步移除在场景边界以外的伪（spurious）前景对象，例如，基于深度图的背景模型定义了3D场景的环境边界，如果一模糊斑点（blob）的深度大于背景模型的对应深度尺寸，那么该模糊斑点是在3D场景的环境边界之外，其可以被去除掉，实际中，该模糊斑点很可能是发亮的层板（floor plate）表面发射形成，完全不是异物。
在一实施例中，如图1所示，处理装置100中还设置有场景模型（Scene Model）生成模块150，基于在乘客运输机的扶手入口处于正常状态下感测的数据帧生成场景模型，从而定义被监测的危险区域。场景模型包含扶手入口的1D、2D或3D几何信息，还包含被监测的线、面积或体积，从而可以定义危险区域。需要说明的是，危险区域是在扶手入口区域951中定义，对于成像传感器而言，该危险区域是以2D区域来定义，对于深度传感器而言，其是以3D空间区域（体积）来定义。具体地，可以预先地通过建立者在用于获取背景模型的数据帧上人工描绘线条来定义2D区域或3D空间区域，并通过学习生成场景模型，该描绘线条反映了危险区域。因此，如上所述，危险区域是相对的概念，其可以人为地主观设置。
继续如图1所示，处理装置100中还设置有前景特征提取模块130，前景特征提取模块130从过滤后的前景对象提取相应的前景特征，为监测是否有异物进入扶手入口的危险区域，提取的前景特征包括前景对象的位置特征等信息，其可以通过某一特征点或像素/栅格的距离某一参考点的距离值（2D图像平面距离或3D距离）来定义。需要理解的是，前景特征提取模块130从前景对象所提取的前景特征并不限于位置特征，还可以包括诸如形状、尺寸等特征。
继续如图1所示，处理装置100还包括状态判断模块170，状态判断模块170与前景特征提取模块130耦接并可以从其获取位置特征，状态判断模块170还与场景模型生成模块150耦接，从而可以从其获知相应的危险区域，状态判断模块170基于该位置特征判断相应的前景对象是否处于扶手入口的危险区域，并在判断为“是”的情况下确定扶手入口处于非正常状态。
具体而言，前景对象的位置特征如果是以相对某一参考点的距离信息表示，其可以与场景模型定义的危险区域相对相应的参考点的距离信息相比较，例如，如果小于某一阈值则表示确定前景对象进入了该危险区域，该前景对象的异物可能进入了危险区域，确定所述扶手入口处于非正常状态，反之，则确定扶手入口处于正常状态。
在一实施例中，如图1所示，处理装置100中还设置有轨迹生成模块140，轨迹生成模块140根据多幅连续的所述数据帧对应获得的前景对象生成关于目标前景对象的运动轨迹。具体而言，所有过滤后的前景检测模块120获取的前景对象会在轨迹生成模块140中使用贝叶斯过滤（Bayesian Filter）技术，例如实现续数据帧的前景对象的跟踪，以至于通过预定时间段的数据帧中获得的多个的前景对象，可以跟踪获得同一相应前景对象，进一步，从轨迹生成模块140获取每幅数据帧中被跟踪的同一前景对象的位置信息，生成该前景对象对应的异物在预定时间段在扶手入口区域951的运动轨迹。以上具体的贝叶斯过滤技术例如可以但不限于为卡尔曼过滤（Kalman Filter）、粒子过滤（Particle Filter）等。
以异物为手对应的前景对象为例，每幅帧中手所对应的前景对象的位置信息在前景特征提取模块130中被提取获得，轨迹生成模块140根据过滤技术跟踪每幅帧中的前景对象（手），并结合每幅帧中关于该前景对象（手）的位置信息，可以生成该手的前景对象的运动轨迹。
相应地，状态判断模块170可以与该轨迹生成模块140耦接，并应用运动轨迹来对异物的运动进行预判断，状态判断模块170基于目标前景对象（例如手）的运动轨迹，即使此时该目的前景对象（例如手）未进入危险区域（也是通过状态判断模块170基于其位置信息判断），可以预判目标前景对象是否即将进入扶手入口的危险区域，并在判断为“是”的情况下也确定扶手入口处于非正常状态。该实施例可以在异物未进入但即将要进入扶手入口的危险区域的时候，提前预判断，为扶梯的控制争取了响应时间，对于完全需要避免异物加入情形发生的时候，可以采用该实施例的方案，例如需要完全避免手等异物被夹入时，根据手在扶手的运动对应在轨迹生成模块140生成的运动轨迹，状态判断模块170可以预先判断出危险状况，从而为扶梯的制动操作响应赢得时间，可以有效避免手等异物夹入扶手入口，提高扶梯的运行安全性。
以上预判过程中，基于运动轨迹可以计算得到相对某一参考点的预期的距离相关信息，从而，同样可以与场景模型定义的危险区域相对相应的参考点的距离信息相比较，例如，如果小于某一阈值则表示确定前景对象在预期的时间点将进入该危险区域。
在一实施例中，如图1所示，处理装置100中还设置有前景对象判断模块160，其也与状态判断模块170耦接，并且能将对前景对象的判断结果发送至状态判断模块170。在该实施例中，相应地，前景特征提取模块130还被配置为还能够从前景对象提取前景对象自身、对象纹理以及以下特征的一个或多个：形状特征、色彩特征、尺寸特征、尺度不变特征转换（Scale Invariant Feature Transform, SIFT）特征、角点特征、主要成分（PrincipalComponent）特征等，前景对象判断模块160获取所述前景对象和纹理和/或以上特征，从而判断确定该前景对象是否为需要完全避免被夹入的异物（例如乘客的手），该判断过程可以包括使用以下分类模块或方法对前景对象和/或特征进行分类：聚类分类（ClusteringClassifiers）、支持向量机（Support Vector Machine,SVM）分类、神经网络（NeuralNetwork , NN）分类、决策树和森林（Decision Trees and Forests）分类。基于该异物的前景对象的位置特征和/或前景对象的分类，状态判断模块170判断该需要完全避免被夹入的异物所对应的前景对象是否处于扶手入口的危险区域的邻接区域，该邻接区域的设置相当于等效地扩大了危险区域的范围（相对该需要完全避免被夹入的异物来说）。因此，在该需要完全避免被夹入的异物还未进入危险区域但将要进入危险区域时，如果已经进入该邻接区域，可以更早或提前判断出来危险情况的发生，此时，处理装置100可以采用与判断扶手入口被判断为处于非正常状态是相同的响应来控制扶梯900，例如，立即制动以方式防止手等被夹入，同样有效地提高了扶梯的安全性。
上述邻接区域的具体设置可以根据具体情况而设定，例如，扶手950的运行速度等等，其可以通过场景模型生成模块150来定义该邻接区域，其具体定义方法与危险区域的定义方法类似，其也可以视为危险区域的缓冲区域。
需要理解的是，在多数的监测情形中，感测装置310获取的数据帧实际上与用于计算得到背景模型基本相同（例如，被检测的扶梯900的扶手入口区域951完全没有异物），这样，在前景检测模块120中将基本没有前景对象（例如仅存在噪音信息），此时，状态判断模块170可以直接确定扶手入口处于正常状态，也即，扶手入口区域951不存在异物，从而，不需要基于前景特征提取模块130提取的前景特征进行判断，提高判断效率。
以上实施例的处理装置100中的状态判断模块170确定被监测的扶手入口处于非正常状态时（例如手进入或将要进入危险区域），可以发出相应的信号至扶梯900的乘客输送机控制器910，以采取相应的措施，例如，控制器910进一步发送信号至制动部件930降低梯级运行速度或进行制动，处理装置200还可以发送信号至安装在扶梯900上方的警报单元930，提醒乘客注意安全，例如发出报警声，当然，处理装置200还可以发送信号至楼宇的监控中心940等，提示及时进行现场处理，或提示根据现场监测画面手动控制扶梯900。发现扶梯900的扶手入口处于非正常状态时所具体采取的措施不是限制性的。
以上图1所示实施例的扶手入口监测系统可以实现对扶梯900的扶手入口进行实时地自动进行监测，能即使有效地发现异物被夹入扶手入口的可能，相比现有技术设置安全开关来检测异物是否被夹入扶手入口的方案，可以在异物未被带扶手入口之前提前响应以进行相应的控制，例如制动操作，从而能直接有效避免事故的发生。尤其地，结合采用轨迹生成模块140的功能时，还可以实现预判功能，或者结合采用前景对象判断模块160的功能时，可以提前发现危险的可能，提前响应效果更好，扶梯等乘客运输机的安全性更好。
应当理解到，本发明实施例的监测系统基于深度感测传感器获得深度图进行监测时，深度感测传感器对于扶手入口的局部细小区域的感测将更准确，并且能完全避免扶手入口附近处光强容易变化的影响（例如，乘客通过时容易对扶手入口处的光强产生明显影响），很好地利用了深度感测传感器具有对环境光强变化的免疫性的特点，因此，在背景模型、前景对象、前景特征、危险区域、前景对象判断、运动轨迹等方面的准确性将更强，判断的准确性也更好。并且，对于基于成像传感器获得的2D图像进行监测时，由于危险区域仅能够以2D平面区域来定义，基于此进行扶手入口是否处于正常状态的判断没有3D的危险区域更准确。
以下图4示例说明基于图1所示的实施例的扶手入口监测系统对扶手入口是否处于正常状态的监测方法流程，结合图1和图4进一步说明本发明实施例的扶手入口监测系统的工作原理。
首先，步骤S11，通过成像传感器和/或深度感测传感器对所述乘客运输机的至少部分扶手入口区域进行感测以获取数据帧。需要说明的是，在学习获取背景模型或定义危险区域和其邻接区域时，数据帧是在扶手入口处于正常状态（扶梯900的扶手入口没有异物）下感测获取；在其他情形，数据帧是日常运行工况下随时获取，例如可以每秒钟获取30幅连续的数据帧，获取的数据帧供后续实时分析处理。
进一步，步骤S12，基于在乘客运输机的扶手入口处于正常状态下感测的数据帧获取背景模型。该步骤在如图1所示的背景获取模块110中完成，其可以在系统的初始化阶段实现。具体获取背景模型的方法参见以上关于背景获取模块110的描述。
在一实施例中，还执行步骤S121，基于在乘客运输机的扶手入口处于正常状态下感测的数据帧定义被监测的所述危险区域，同时还可以定义该危险区域的邻接区域，该步骤在如图1所示的场景模型生成模块150中完成。具体定义的方法危险区域或其邻接区域的方法参见以上关于场景模型生成模块150的描述。
以上步骤S12和步骤S121可以离线地完成。
进一步，步骤S13，将步骤S11中实时感测的数据帧与背景模型进行比对处理以获得前景对象。该步骤在前景检测模块120中完成，并且，该前景对象可以发送至状态判断模块170进行分析处理，在一实施例中，也可以发送至轨迹生成模块140和/或前景对象判断模块160。具体获得前景对象的方法参见以上关于前景检测模块120的描述。
进一步，步骤S14，从前景对象提取相应的前景特征。该步骤在前景特征提取模块130中完成。提取的前景特征包括位置特征，还包括但不限于前景对象的形状特征和尺寸特征等信息。以深度感测传感器获取的深度图为例，形状、尺寸和位置特征通过前景对象中的占据栅格的深度值变化体现出来。具体提取前景特征的方法参见以上关于前景特征提取模块130的描述。
需要说明的是，在本文中，形状特征（描述符）可以通过方向梯度的直方图（HoG）、泽尼克矩（Zernike moment）、形心相对边界点分布不变（Centroid Invariance toboundary point distribution）、轮廓曲率（Contour Curvature）等技术计算；可以提取其他特征对形状（或形态）的匹配或过滤提供额外信息，例如，其他特征可以包括但不限于,尺度不变特征转换（Scale Invariant Feature Transform, SIFT）、加速鲁棒特征（Speed-UpRobust Feature，SURF）算法,仿射尺度不变特征变换（Affine Scale Invariant FeatureTransform，ASIFT)、其它SIFT变量、哈里斯角点检测（Harris Corner Detector）、最小同值分割吸收核（Smallest Univalue Segment Assimilating Nucleus，SUSAN）算法、FAST(Features from Accelerated Segment Test)角点检测、相位相关（Phase Correlation）、归一化互相关（Normalized Cross-Correlation）、渐变位置方向直方图（GradientLocation Orientation Histogram，GLOH) 算法、 二元鲁棒独立基本特征（Binary RobustIndependent Elementary Features，BRIEF)算法、环绕中心极值（Center SurroundExtremas (CenSure/STAR)）算法、面向的和旋转的（Oriented and Rotated BRIEF，ORB)算法等特征。形状特征可以被比较或被分类为某一形状，其中，使用诸如以下技术的一个或多个：集群、深层学习（Deep Learning）、卷积神经网络（Convolutional Neural Networks）、递归神经网络（Recursive Neural Networks）、字典学习（Dictionary Learning）、视觉词袋（Bag of visual words）、支持向量机（Support Vector Machine，SVM）、决策树（Decision Trees）、模糊逻辑（Fuzzy Logic）等。
进一步，步骤S15，基于所述位置特征判断所述前景对象是否处于扶手入口的危险区域，如果判断为“是”，则表示当前存在异物进入危险区域，确定扶手入口被判断为非正常状态，即进入步骤S16。该步骤S15和步骤S16在状态判断模块170中完成。具体判断方法参见以上关于状态判断模块170的描述。
在一实施例中，还执行步骤S151和步骤S152。
其中，步骤S151，根据多幅连续的数据帧对应获得的前景对象生成关于目标前景（例如乘客的手所对应的前景对象）对象的运动轨迹，该步骤S151在轨迹生成模块140中完成，具体生成关于目标前景对象的运动轨迹的方法参见以上关于轨迹生成模块140的描述。
其中，步骤S152，基于目标前景对象的运动轨迹预判该目标前景对象是否即将进入扶手入口的危险区域。并在判断为“是”的情况下，则表示当前存在异物即将进入危险区域，确定扶手入口被判断为非正常状态，即进入步骤S16。该步骤S152在状态判断模块170中完成。具体预判方法参见以上关于状态判断模块170的描述。
在又一实施例中，还执行步骤S153和步骤S154。
其中，步骤S153，基于所述前景对象的形状特征和尺寸特征判断所述前景对象是否为需要完全避免被夹入的异物（例如乘客的手）。该步骤S153在前景对象判断模块160中完成，具体判断方法参见以上关于前景对象判断模块160的描述。
其中，步骤S154，在确定前景对象为需要完全避免被夹入的异物时（即步骤S153判断为“是”），基于位置特征判断该需要完全避免被夹入的异物所对应的前景对象是否处于扶手入口的危险区域的邻接区域。该步骤S154在状态判断模块170中完成。具体预判方法参见以上关于状态判断模块170的描述。如果判断“是”，同样进入步骤S17。
最后，步骤S17，触发报警，并触发扶梯的制动单元进行制动。具体地，还可以触发发送信息至监控中心940。
至此，以上对扶梯900的扶手入口的检测过程基本结束，该过程的某些步骤可以不但重复循环持续运行，以持续监控扶梯900的扶手入口区域的是否进入异物。该监测方法能及时有效发现异物即将被夹入扶手入口的危险，有利于防止异物被夹入扶手入口。
需要说明的是，以上图1所示实施例的扶手入口监测系统中的处理装置（100或200或300）可以独立地设置，具体也可以设置于楼宇的监控中心940，也可以与扶梯900的控制器910等集成地设置，其具体设置形式不是限制性的。
需要说明的是，本文公开和描绘的元件（包括附图中的流程图和方块图）意指元件之间的逻辑边界。然而，根据软件或硬件工程实践，描绘的元件及其功能可通过计算机可执行介质在机器上执行，计算机可执行介质具有能够执行存储在其上的程序指令的处理器，所述程序指令作为单片软件结构、作为独立软件模块或作为使用外部程序、代码、服务等的模块，或这些的任何组合，且全部这些执行方案可落入本公开的范围内。
虽然不同非限制性实施方案具有特定说明的组件，但本发明的实施方案不限于这些特定组合。可能使用来自任何非限制性实施方案的组件或特征中的一些与来自任何其它非限制性实施方案的特征或组件组合。
虽然示出、公开和要求了特定步骤顺序，但应了解步骤可以任何次序实施、分离或组合，除非另外指明，且仍将受益于本公开。
前述描述是示例性的而非定义成受限于其内。本文公开了各种非限制性实施方案，然而，本领域的一般技术人员将意识到根据上述教示，各种修改和变更将落入附属权利要求的范围内。因此，将了解在附属权利要求的范围内，可实行除了特定公开之外的公开内容。由于这个原因，应研读附属权利要求来确定真实范围和内容。
Claims (30)
1.一种乘客运输机的扶手入口监测系统，其特征在于，包括：
成像传感器和/或深度感测传感器，用于对所述乘客运输机的至少部分扶手入口区域进行感测以获取数据帧；以及
处理装置，用于对所述数据帧进行分析处理以监测运行的所述乘客运输机的扶手入口是否处于正常状态或非正常状态，其中，所述正常状态是指没有异物即将进入或至少部分已处于所述扶手入口的危险区域，所述非正常状态是指异物即将进入或至少部分已处于所述扶手入口的危险区域，
其中，所述处理装置被配置为包括：
背景获取模块，用于基于在所述乘客运输机的扶手入口处于正常状态下感测的数据帧获取背景模型；
前景检测模块，用于将实时感测的数据帧与所述背景模型进行比对处理以获得前景对象；
前景特征提取模块，用于从所述前景对象提取相应的位置特征；以及
状态判断模块，用于至少基于所述位置特征判断所述前景对象是否处于所述扶手入口的危险区域，并在判断为“是”的情况下确定所述扶手入口处于非正常状态。
2.如权利要求1所述的扶手入口监测系统，其特征在于，所述处理装置被配置为还包括：
轨迹生成模块，用于根据多幅连续的数据帧对应获得的前景对象生成关于目标前景对象的运动轨迹。
3.如权利要求2所述的扶手入口监测系统，其特征在于，所述状态判断模块还被配置为：基于所述目标前景对象的运动轨迹预判所述目标前景对象是否即将进入所述扶手入口的危险区域，并在判断为“是”的情况下确定所述扶手入口处于非正常状态。
4.如权利要求2所述的扶手入口监测系统，其特征在于，所述轨迹生成模块还被配置为：使用贝叶斯过滤技术跟踪多幅连续的数据帧中的同一前景目标，并应用所述前景特征提取模块从所述多幅连续的数据帧分别提取得到的该同一前景目标的位置特征生成所述运动轨迹。
5.如权利要求1或2所述的扶手入口监测系统，其特征在于，所述处理装置被配置为还包括：
场景模型生成模块，其用于基于在所述乘客运输机的扶手入口处于正常状态下感测的数据帧定义被监测的所述危险区域。
6.如权利要求1所述的扶手入口监测系统，其特征在于，所述前景检测模块还包括：前景过滤子模块，用于对所述前景对象进行过滤。
7.如权利要求1所述的扶手入口监测系统，其特征在于，所述前景特征提取模块还被配置为用于提取前景对象自身、对象纹理以及形状特征、色彩特征、尺寸特征、尺度不变特征转换特征、角点特征和主要成分特征中的一个或多个；
其中，所述处理装置被配置为还包括：前景对象判断模块，其用于基于所述前景对象、所述对象纹理以及所述形状特征、色彩特征、尺寸特征、尺度不变特征转换特征、角点特征和主要成分特征中的一个或多个判断所述前景对象是否为需要完全避免被夹入的异物。
8.如权利要求7所述的扶手入口监测系统，其特征在于，所述前景对象判断模块还被配置用于对被提取的所述前景对象和/或特征进行分类。
9.如权利要求7所述的扶手入口监测系统，其特征在于，所述状态判断模块还被配置为：在所述前景对象判断模块确定所述前景对象为需要完全避免被夹入的异物时，基于所述位置特征判断所述需要完全避免被夹入的异物所对应的前景对象是否处于所述扶手入口的危险区域的邻接区域。
10.如权利要求9所述的扶手入口监测系统，其特征在于，所述处理装置被配置为还包括：
场景模型生成模块，其用于基于在所述乘客运输机的扶手入口处于正常状态下感测的数据帧定义所述危险区域的邻接区域。
11.如权利要求1所述的扶手入口监测系统，其特征在于，所述背景获取模块中，采用高斯混合模型、码书模型学习、主成分分析、鲁棒主成分分析、平均滤波、神经网络方法、核密度估计、自适应核密度估计、递归建模或支持向量数据描述建模建立所述背景模型。
12.如权利要求1所述的扶手入口监测系统，其特征在于，所述成像传感器/深度感测传感器包括安装在所述扶手入口周围的一个或多个成像传感器/深度感测传感器。
13.如权利要求1所述的扶手入口监测系统，其特征在于，所述扶手入口监测系统还包括警报单元，所述处理装置在确定所述扶手入口处于非正常状态时触发所述警报单元工作。
14.如权利要求1所述的扶手入口监测系统，其特征在于，所述处理装置还被配置为：在确定所述扶手入口处于非正常状态时触发输出信号以使所述乘客运输机的制动部件工作。
15.如权利要求1所述的扶手入口监测系统，其特征在于，所述状态判断模块还被配置为在没有所述前景对象时直接确定所述扶手入口处于正常状态。
16.一种乘客运输机的扶手入口监测方法，其特征在于，包括步骤：
通过成像传感器和/或深度感测传感器对所述乘客运输机的至少部分扶手入口区域进行感测以获取数据帧；以及
对所述数据帧进行分析处理以监测运行的所述乘客运输机的扶手入口是否处于正常状态或非正常状态；
其中，所述正常状态是指没有异物即将进入或至少部分已处于所述扶手入口的危险区域,所述非正常状态是指异物即将进入或至少部分已处于所述扶手入口的危险区域，
其中，所述分析处理步骤包括：
基于在所述乘客运输机的扶手入口处于正常状态下感测的数据帧获取背景模型；
将实时感测的数据帧与所述背景模型进行比对处理以获得前景对象；
从所述前景对象提取相应的位置特征；以及
至少基于所述位置特征判断所述前景对象是否处于所述扶手入口的危险区域，并在判断为“是”的情况下确定所述扶手入口处于非正常状态。
17.如权利要求16所述的扶手入口监测方法，其特征在于，所述分析处理步骤还包括：
根据多幅连续的数据帧对应获得的前景对象生成关于目标前景对象的运动轨迹。
18.如权利要求17所述的扶手入口监测方法，其特征在于，在判断所述前景对象是否处于所述扶手入口的危险区域的步骤中，基于所述目标前景对象的运动轨迹预判所述目标前景对象是否即将进入所述扶手入口的危险区域，并在判断为“是”的情况下确定所述扶手入口处于非正常状态。
19.如权利要求17所述的扶手入口监测方法，其特征在于，在所述生成运动轨迹的步骤中，使用贝叶斯过滤技术跟踪多幅连续的数据帧中的同一前景目标，并应用前景特征提取模块从所述多幅连续的数据帧分别提取得到的该同一前景目标的位置特征生成所述运动轨迹。
20.如权利要求16或17所述的扶手入口监测方法，其特征在于，所述分析处理步骤还包括：基于在所述乘客运输机的扶手入口处于正常状态下感测的数据帧定义被监测的所述危险区域。
21.如权利要求16所述的扶手入口监测方法，其特征在于，在所述获得前景对象的步骤中，对所述前景对象进行过滤处理。
22.如权利要求16所述的扶手入口监测方法，其特征在于，在所述提取步骤中，还提取前景对象自身、对象纹理以及形状特征、色彩特征、尺寸特征、尺度不变特征转换特征、角点特征和主要成分特征中的一个或多个；
所述分析处理步骤还包括：基于所述前景对象、所述对象纹理以及所述形状特征、色彩特征、尺寸特征、尺度不变特征转换特征、角点特征和主要成分特征中的一个或多个判断所述前景对象是否为需要完全避免被夹入的异物。
23.如权利要求22所述的扶手入口监测方法，其特征在于，所述分析处理步骤还包括：对被提取的所述前景对象和/或特征进行分类。
24.如权利要求22所述的扶手入口监测方法，其特征在于，所述分析处理步骤还包括：
在确定所述前景对象为需要完全避免被夹入的异物时，基于所述位置特征判断所述需要完全避免被夹入的异物所对应的前景对象是否处于所述扶手入口的危险区域的邻接区域。
25.如权利要求24所述的扶手入口监测方法，其特征在于，所述分析处理步骤还包括：
基于在所述乘客运输机的扶手入口处于正常状态下感测的数据帧定义所述危险区域的邻接区域。
26.如权利要求16所述的扶手入口监测方法，其特征在于，所述获取背景模型的步骤中，采用高斯混合模型、码书模型学习、主成分分析、鲁棒主成分分析、平均滤波、神经网络方法、核密度估计、自适应核密度估计、递归建模或支持向量数据描述建模建立所述背景模型。
27.如权利要求16所述的扶手入口监测方法，其特征在于，所述分析处理步骤还包括：在没有所述前景对象时直接确定所述扶手入口处于正常状态。
28.如权利要求16所述的扶手入口监测方法，其特征在于，在确定所述扶手入口处于非正常状态时触发警报单元工作。
29.如权利要求16所述的扶手入口监测方法，其特征在于，在确定所述扶手入口处于非正常状态时触发输出信号以使所述乘客运输机的制动部件工作。
30.一种乘客运输系统，包括乘客运输机和如权利要求1至15中任一项所述的扶手入口监测系统。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610610340.5A CN107662874B (zh) | 2016-07-29 | 2016-07-29 | 乘客运输机的扶手入口监测系统及其监测方法 |
| US15/663,463 US10214391B2 (en) | 2016-07-29 | 2017-07-28 | System and method for monitoring handrail entrance of passenger conveyor |
| EP17184135.6A EP3275830B1 (en) | 2016-07-29 | 2017-07-31 | System and method for monitoring handrail entrance of passenger conveyor |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610610340.5A CN107662874B (zh) | 2016-07-29 | 2016-07-29 | 乘客运输机的扶手入口监测系统及其监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107662874A CN107662874A (zh) | 2018-02-06 |
| CN107662874B true CN107662874B (zh) | 2021-04-16 |
Family
ID=59506128
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610610340.5A Active CN107662874B (zh) | 2016-07-29 | 2016-07-29 | 乘客运输机的扶手入口监测系统及其监测方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US10214391B2 (zh) |
| EP (1) | EP3275830B1 (zh) |
| CN (1) | CN107662874B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6524288B1 (ja) * | 2018-03-01 | 2019-06-05 | 東芝エレベータ株式会社 | 乗客コンベア |
| US11367041B2 (en) * | 2018-06-25 | 2022-06-21 | Robert Bosch Gmbh | Occupancy sensing system for custodial services management |
| CN111860532B (zh) * | 2019-04-25 | 2022-11-25 | 四川大学 | 基于两种互补跟踪算法的自适应目标跟踪方法 |
| CN110027956B (zh) * | 2019-04-29 | 2023-06-06 | 上海三菱电梯有限公司 | 乘客输送设备监控系统 |
| EP3805141B1 (en) * | 2019-10-09 | 2024-12-04 | TK Escalator Norte, S.A. | Passenger detection system for a passenger moving system |
| CN111208483B (zh) * | 2020-01-03 | 2022-04-19 | 西安电子科技大学 | 基于贝叶斯支持向量数据描述的雷达库外目标识别方法 |
| CN111498664A (zh) * | 2020-04-03 | 2020-08-07 | 通力电梯有限公司 | 控制多部乘客输送机的启动和停止的控制系统和控制方法 |
| CN112200014A (zh) * | 2020-09-16 | 2021-01-08 | 中国石油大学(华东) | 一种基于somd的室外电力场景下异物入侵检测算法 |
| EP4496764A1 (de) * | 2022-03-23 | 2025-01-29 | Inventio Ag | Verfahren und vorrichtung zur überwachung des fahrbetriebes einer personenförderanlage |
| CN115092798B (zh) * | 2022-06-22 | 2023-01-13 | 北京北安时代创新设备安装工程有限公司 | 自动扶梯端部安全防护装置、方法、系统及存储介质 |
Family Cites Families (38)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0747460B2 (ja) * | 1990-03-02 | 1995-05-24 | 株式会社日立製作所 | 乗客コンペアの制御装置 |
| JP2523927B2 (ja) * | 1990-04-11 | 1996-08-14 | 株式会社日立製作所 | 乗客コンベアの制御装置 |
| US5092446A (en) * | 1991-06-13 | 1992-03-03 | Ecs Corporation | Handrail monitoring system |
| US5245315A (en) * | 1992-09-08 | 1993-09-14 | Otis Elevator Company | Fiber optic escalator handrail intrusion detector shield |
| DE4229936C2 (de) * | 1992-09-08 | 1996-04-11 | Orenstein & Koppel Ag | Sicherheitseinrichtung an der Einlaufstelle eines umlaufenden Handlaufs einer Rolltreppe, eines Rollsteiges etc. |
| US5366060A (en) * | 1993-10-07 | 1994-11-22 | Johnson Gerald E | Balustrade handrail entry housing |
| US5785165A (en) * | 1996-10-30 | 1998-07-28 | Otis Elevator Company | Data collection and analysis system for passenger conveyors |
| JPH10187230A (ja) | 1996-12-20 | 1998-07-14 | Mitsubishi Denki Bill Techno Service Kk | 移動装置の映像監視システム |
| US6112166A (en) * | 1997-10-31 | 2000-08-29 | Digimetrix, Inc. | Portable measurement tool and method for escalators and moving walks |
| FR2773791B1 (fr) | 1998-01-22 | 2000-04-07 | Otis Elevator Co | Procede et dispositif pour le demarrage et l'arret automatiques et securises d'un escalier mecanique ou d'un trottoir roulant |
| JP2000034087A (ja) | 1998-07-17 | 2000-02-02 | Hitachi Ltd | マンコンベアの乗客監視方法および装置 |
| JP2000137790A (ja) | 1998-10-29 | 2000-05-16 | Hitachi Ltd | マンコンベアの画像監視方法および装置 |
| JP2000255964A (ja) | 1999-03-08 | 2000-09-19 | Hitachi Ltd | エスカレータの監視装置 |
| JP4476497B2 (ja) * | 1999-05-17 | 2010-06-09 | 三菱電機株式会社 | 乗客コンベアの制御装置 |
| US7002462B2 (en) | 2001-02-20 | 2006-02-21 | Gannett Fleming | System and method for remote monitoring and maintenance management of vertical transportation equipment |
| FR2827051B1 (fr) | 2001-07-09 | 2003-10-24 | Mediterranee Const Ind | Procede et systeme de detection securisee par video pour la commande automatique d'un systeme mecanique tel qu'un trottoir roulant ou escalier mecanique |
| JP5048912B2 (ja) * | 2002-11-06 | 2012-10-17 | インベンテイオ・アクテイエンゲゼルシヤフト | エスカレータ及び動く歩道のビデオカメラ監視 |
| JP4418719B2 (ja) | 2004-07-14 | 2010-02-24 | 三菱電機ビルテクノサービス株式会社 | 乗客コンベアのくし板監視装置 |
| JP4732352B2 (ja) | 2004-08-19 | 2011-07-27 | 三菱電機株式会社 | 昇降機画像監視システム |
| DE102004050647B4 (de) * | 2004-10-18 | 2014-11-20 | Siemens Aktiengesellschaft | Überwachungsverfahren für eine Antriebseinrichtung auf Stillstand, hiermit korrespondierende Überwachungseinrichtung und hiermit korrespondierendes Antriebssystem |
| JP4884154B2 (ja) | 2006-09-29 | 2012-02-29 | 三菱プレシジョン株式会社 | 人物検知システム |
| JP2008201509A (ja) | 2007-02-19 | 2008-09-04 | Mitsubishi Precision Co Ltd | 人物挙動判別システム |
| US8205735B2 (en) * | 2008-06-17 | 2012-06-26 | Intel-Ge Care Innovations Llc | Monitoring handrails to reduce falls |
| BRPI0924912A2 (pt) * | 2009-04-20 | 2015-07-07 | Otis Elevator Co | Aparelho e método para ajustar automaticamente parâmetros de controle de segurança de um transportador |
| JP2011225344A (ja) | 2010-04-21 | 2011-11-10 | Hitachi Ltd | 乗客コンベア |
| KR101387042B1 (ko) * | 2010-08-20 | 2014-04-29 | 오티스 엘리베이터 컴파니 | 원격으로 제어되는 승객 수송기 및 승객 수송기를 원격으로 제어하는 방법 |
| RU2539624C1 (ru) * | 2010-12-17 | 2015-01-20 | Отис Элевэйтор Компани | Устройство и способ управления рекуперированной мощностью пассажирского конвейера |
| EP2741989B1 (de) * | 2011-08-11 | 2015-03-04 | Inventio AG | Funktionsüberwachung eines sicherheitselementes |
| DE102012003178B4 (de) * | 2012-02-17 | 2018-03-22 | Kone Corp. | Einrichtung zur Überwachung der Funktion einer Rolltreppe oder eines Rollsteiges |
| DE102012220702A1 (de) | 2012-11-13 | 2014-05-15 | Ifm Electronic Gmbh | Überwachungssystem für eine Fahrtreppe oder einen Fahrsteig |
| CN103839308B (zh) * | 2012-11-26 | 2016-12-21 | 北京百卓网络技术有限公司 | 人数获取方法、装置及系统 |
| EP3083480B1 (de) | 2013-12-20 | 2020-04-01 | Inventio AG | Anordnung eines überwachungssensors in einer fahrtreppe oder in einem fahrsteig |
| WO2015171774A1 (en) | 2014-05-06 | 2015-11-12 | Otis Elevator Company | Object detector, and method for controlling a passenger conveyor system using the same |
| FI125862B (fi) * | 2015-01-28 | 2016-03-15 | Kone Corp | Sähköinen turvallisuuslaite sekä kuljetinjärjestelmä |
| CN105731236B (zh) * | 2016-04-11 | 2017-08-04 | 宁波微科光电有限公司 | 一种自动扶梯扶手带入口视觉防夹检测装置 |
| CN107662872B (zh) * | 2016-07-29 | 2021-03-12 | 奥的斯电梯公司 | 乘客运输机的监测系统及其监测方法 |
| CN107662871B (zh) * | 2016-07-29 | 2021-04-06 | 奥的斯电梯公司 | 用于乘客运输装置的移动扶手监测系统、乘客运输装置及其监测方法 |
| CN107662875B (zh) * | 2016-07-29 | 2021-07-06 | 奥的斯电梯公司 | 乘客运输机的梯级与梳齿板的啮合状态监检测 |
-
2016
- 2016-07-29 CN CN201610610340.5A patent/CN107662874B/zh active Active
-
2017
- 2017-07-28 US US15/663,463 patent/US10214391B2/en active Active
- 2017-07-31 EP EP17184135.6A patent/EP3275830B1/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| EP3275830A1 (en) | 2018-01-31 |
| CN107662874A (zh) | 2018-02-06 |
| US10214391B2 (en) | 2019-02-26 |
| US20180029840A1 (en) | 2018-02-01 |
| EP3275830B1 (en) | 2020-09-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107662874B (zh) | 乘客运输机的扶手入口监测系统及其监测方法 | |
| EP3275827B1 (en) | A monitoring system of a passenger conveyor and monitoring method thereof | |
| CN107662875B (zh) | 乘客运输机的梯级与梳齿板的啮合状态监检测 | |
| US10059569B2 (en) | Monitoring system of a passenger conveyor, a passenger conveyor, and a monitoring method thereof | |
| US10221046B2 (en) | System of monitoring handrail for a passenger conveyer device, a passenger conveyer device and monitoring method thereof | |
| CN107662867B (zh) | 乘客运输机的梯级滚轮监测和维修操作人员监测 | |
| US9672434B2 (en) | Video-based system and method for parking occupancy detection | |
| KR101935399B1 (ko) | 심층 신경망 알고리즘 기반 광역 다중 객체 감시 시스템 | |
| JP6513594B2 (ja) | エレベータ装置及びエレベータ制御方法 | |
| WO2014002534A1 (ja) | 対象物認識装置 | |
| KR20140081254A (ko) | 사람 검출 장치 및 방법 | |
| US20180029835A1 (en) | Monitoring system of a passenger conveyor, a passenger conveyor, and a monitoring method thereof | |
| Ghazal et al. | License plate automatic detection and recognition using level sets and neural networks | |
| Grove et al. | Colour based object tracking | |
| Yaakob et al. | Moving object extraction in PTZ camera using the integration of background subtraction and local histogram processing | |
| Anton et al. | Real-time smoke detection in video sequences: Combined approach | |
| Kaliyaperumal | IoT-Enabled Vision System for Detection of Tint Level | |
| Wannige et al. | Pedestrian Collision Detection through Monocular Vision | |
| KR20190119350A (ko) | 영상을 이용한 에스컬레이터 사고 감지 장치 및 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |