[發明專利]一種基于機器學習的電梯安全預警方法

在審

• 申請號: 201810049523.3
• 申請日: 2018-01-18
• 公開（公告）號: CN108275530A
• 公開（公告）日: 2018-07-13
• 發明（設計）人: 柯鋼
• 申請（專利權）人: 柯鋼;東莞職業技術學院
• 主分類號: B66B5/02
• 分類號: B66B5/02;G06K9/00;G06K9/46
• 代理公司: 北京志霖恒遠知識產權代理事務所(普通合伙) 11435
• 代理人: 曹麗

1.一種基于機器學習的電梯安全預警方法，其特征在于，所述基于機器學習的電梯安全預警方法為：采用自動運動匹配、噪聲干擾處理及超分辨率方法，融合處理有效信息并提取相關特征進行電梯動態捕捉及電梯安全預警。

2.如權利要求1所述的基于機器學習的電梯安全預警方法，其特征在于，自動運動匹配的方法包括：

讀取電梯安全運行輸入影像到主存，將不同尺度的高斯核數據由主存傳入到GPU的常數存儲器中；

利用在GPU中計算的關鍵點集合信息，啟動kernel計算在關鍵點附近像素的梯度大小和方向；

計算128維的SIFT描述符；

進行SIFT特征匹配，確定匹配點位；

在GPU中進行分步連續濾波加速高斯尺度空間金字塔的構建，并將高斯金字塔存儲在全局存儲器內；然后高斯金字塔影像被回讀到CPU，相鄰尺度的兩個高斯影像相減得到DOG金字塔多尺度空間表示；當把候選特征點集合信息上傳至GPU中后，便可在GPU內對高斯差分金字塔所有候選特征點進行精確定位。計算關鍵點周圍影像強度的主曲率，通過一個2×2的Hessian矩陣計算特征值比率，檢測關鍵點主曲率是否超過設定的閾值，通過去掉多余的點后，確定關鍵點集合并精確標記關鍵點的位置，尺度。關鍵點位置、尺度將在GPU中恢復；

利用已經存儲在全局存儲器中的高斯權重函數，對關鍵點鄰域窗口內的各像素的梯度大小進行高斯加權并累加建立方向直方圖，檢測直方圖的峰值，確定關鍵點主方向；

以關鍵點為中心的16×16影像數據塊根據關鍵點的尺度、位置和方向構造SIFT描述符的過程在CPU上實現；

確定匹配點位按照原始點的自然順序將維度數據讀入共享存儲器，優化的重點是距離計算，保證每個維度差值的平方在同一時刻被計算和維度數目的中間結果的累加方式高效。

3.一種如權利要求2所述的基于機器學習的電梯安全預警方法的自動運動匹配系統，其特征在于，所述自動運動匹配系統包括：

CPU單元、北橋芯片單元、系統存儲器單元、圖形適配器單元：

CPU單元作為主處理器的子系統，用于解釋計算機指令以及處理計算機軟件中的數據，進行計算；

北橋芯片單元通過前端總線和CPU單元相連，用于提供對CPU的類型和主頻、內存的類型和最大容量、ISA/PCI/AGP插槽、ECC糾錯支持；

系統存儲器單元通過存儲器總線和北橋芯片單元相連，用于存儲數據的信息；

圖形適配器單元通過PCI-Express總線和北橋芯片單元相連，用于控制計算機圖形的輸出；

GPU模塊安裝在圖形適配器單元上，是圖形適配器的核心，用于進行大量的簡單并行計算并將數據畫成圖形；

GPU存儲器模塊通過DMA操作和GPU模塊相連，用于儲存收集到的數據；

圖形適配器單元包含兩個圖形適配器。

4.如權利要求1所述的基于機器學習的電梯安全預警方法，其特征在于，對噪聲干擾處理方法為：

采用稀疏冗余模型算法進行圖像增強:

對自然圖像中在小波基下呈現近零元素系數很多，而非零元素系數很少的變換系數向量的稀疏性，進行建立系數冗余模型；

首先，假定原圖像收到了加性高斯噪聲的污染，則污染后的圖像稱之為退化圖像，而圖像恢復的過程是退化圖像的逆過程，假定圖像的退化模型即加性高斯噪聲為：

g＝Hu+v

則圖像的恢復模型表示為：

由于噪聲的干擾，并不能得到合適且唯一的解，對恢復模型施加一個正則性約束。則恢復模型即變為變分模型：

R(u)即為正則項，該項是與圖像的本身性質有關，利用稀疏冗余字典模型來描述R(u)。