本發(fā)明屬于自動扶梯安全技術(shù)領(lǐng)域，具體屬于一種自動扶梯的智能視頻監(jiān)控系統(tǒng)及方法。

背景技術(shù)：

現(xiàn)實生活中，自動扶梯是公共場所運送乘客的最典型設(shè)備之一，在商場、賓館、機場、車站等場所被廣泛地使用，已是生活中不可或缺的公共設(shè)施。通常，扶梯入口都配有光眼，雷達傳感器，在人員進入檢測區(qū)內(nèi)會輸出給扶梯控制系統(tǒng)，使在節(jié)能低速運行的扶梯開始加速，當人員上到扶梯時，扶梯已經(jīng)在一個合適的速度運行，其目的是兼顧節(jié)能和效率。

但問題是，如果這時后面來了個老人或小孩，扶梯現(xiàn)有的速度顯然對一些行動不便的老人的反應(yīng)來講，還是有些高，有些快，他們在上扶梯時容易摔倒，造成傷害，這是因為老人或小孩在速度不降下來的情況，在這個地方運動的部件—梯級和非運動的部件---梳齒板匯合處抬腿晚的話，就會被梳齒板拌倒。而如果在扶梯入口，出口處摔倒，還會對跌倒的人造成二次傷害。

數(shù)據(jù)顯示，最常見的自動扶梯的傷害，如腿部或頭部骨折、擦傷和扭曲，大部分是老年人踏上或離開自動扶梯時滑倒、摔倒。自動扶梯傷害不僅多見于老年人，也多見于兒童，最易出事故的是12歲以下的兒童。

那么，如何能避免這些問題呢？

目前商家也好，火車站，地鐵站也好，針對上述這些安全隱患，普遍采用的對策如下：

1、加強入口處的提醒宣傳教育，提高安全意識。

2、加強入口處人員配置，以宣傳教育和突發(fā)事件的處置。

從上面這些措施看，有個顯著的特點或缺點是：依賴宣傳和人工干預(yù)。

完全沒有涉及到通過技術(shù)的手段來避免風(fēng)險，

這里很大一個原因是目前行業(yè)內(nèi)確實沒有找到很有效的技術(shù)手段來防范出入口的風(fēng)險。

那么，扶梯的安保、調(diào)度交給監(jiān)控室的監(jiān)控、安保人員不行嗎？也就是說讓安保人員通過監(jiān)控室的視頻圖像來發(fā)現(xiàn)問題行嗎？

事實證明也不可行。首先，人力成本過高。一天十幾個小時盯著監(jiān)視器，要有很多安保人員來換班，還不一定能避免意外。其次，人類并不是可以完全信賴的觀察者；僅僅20分鐘后，人對視頻監(jiān)視器的注意力就會下降30%,1小時后將會下降70%,達到一個非常低的水平。

這種視頻監(jiān)控系統(tǒng)只能實現(xiàn)錄像、存儲、事后取證，不能實時監(jiān)控、時時自動報警。

視頻監(jiān)控系統(tǒng)的智能化程度還在發(fā)展中。近幾年，隨著計算機性能的不斷提高，利用計算機視覺技術(shù)對監(jiān)控系統(tǒng)中的視頻信息進行分析，從而使視頻監(jiān)控系統(tǒng)向更智能化方向發(fā)展成為可能。

過去智能影像分析技術(shù)最早主要用于人數(shù)識別，行進方向識別。近年來發(fā)展到人臉識別方面。

而目前市場上的人臉識別技術(shù)大多是配合型的人臉識別，即需要檢測者主動將臉湊到攝像頭前，攝像頭抓取人臉特征來判斷，主要用于安防領(lǐng)域。

技術(shù)實現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題是：提供一種基于扶梯安全的智能視頻監(jiān)控系統(tǒng)。本發(fā)明在扶梯出入口設(shè)置視頻攝像儀，通過智能分析現(xiàn)場記錄的視頻畫面，系統(tǒng)能即時自動實現(xiàn)對監(jiān)控畫面中人臉特征或行為特征進行檢測、識別，判斷出年齡、性別或異常行為，并及時作出信息的輸出、預(yù)/報警，并控制扶梯安全運行。

為了解決上述技術(shù)問題，本發(fā)明采用以下技術(shù)方案：

一種基于扶梯安全的智能視頻監(jiān)控系統(tǒng)，其特征在于包括：

視頻攝像儀,設(shè)置在扶梯的出入口，用于獲取乘客視頻圖像，并將視頻圖像信息上傳至智能視頻監(jiān)控儀；

智能視頻監(jiān)控儀,將智能視頻信息分析模塊嵌入到DSP處理器中運行，對視頻圖像信息進行分析及處理，在乘客非配合的、甚至沒察覺到的情況下自動檢測識別乘客人臉特征或行為特征，判斷乘客的類型，根據(jù)判斷結(jié)果發(fā)出扶梯調(diào)速指令至扶梯控制器；

扶梯控制器,與扶梯驅(qū)動器相連，接受智能視頻監(jiān)控儀發(fā)出的調(diào)速指令，控制扶梯起動、減速或停止。

所述智能視頻信息分析模塊包括乘客年齡判斷模塊：用于對視頻圖像信息進行識別，抓取乘客人臉特征，判斷乘客的年齡，生成目標年齡的實際值P，設(shè)定非關(guān)注乘客年齡下限值N1和上限值N2，并與目標年齡的實際值P比對，當目標年齡的實際值P高出設(shè)定的年齡上限值N2或低于年齡下限值N1時，則得出乘客為老年人或幼兒，此時智能視頻監(jiān)控儀向扶梯控制器發(fā)出當前乘客年齡超出正常范圍的信號，控制扶梯驅(qū)動器輸出較低的加速度和較低的運行速度給扶梯主電機。

所述乘客年齡判斷模塊包括人臉特征抓取模塊：抓取乘客皮膚、下巴、頸部、唇、鼻子、眼睛、或臉頰特征，生成目標年齡特征向量，與預(yù)先建立的年齡資料庫中的平均年齡樣本特征向量比對，最終得到目標年齡的實際值P。

所述智能視頻信息分析模塊還包括乘客性別判斷模塊：用于對視頻圖像信息進行識別，抓取乘客雙眼、頭發(fā)、胡須或臉型特征，生成目標性別特征向量，與預(yù)先建立的性別資料庫中的性別樣本特征向量比對，最終得到目標性別。

所述智能視頻信息分析模塊還包括乘客異常行為判斷模塊：用于對視頻圖像信息進行識別，通過速度對比，在人體的摔倒特征明顯，且速度降為0或接近0速時，智能視頻監(jiān)控儀向扶梯控制器發(fā)出乘客異常行為信號，控制扶梯立刻停下或降速。

本發(fā)明所要解決的另一個技術(shù)問題是：提供一種基于扶梯安全的智能視頻監(jiān)控方法。

本發(fā)明采用以下技術(shù)方案：

一種基于扶梯安全的智能視頻監(jiān)控方法，其特征在于包括以下步驟：

1）設(shè)置在扶梯出入口的視頻攝像儀獲取乘客視頻圖像信息；

2）將智能視頻信息分析模塊嵌入到DSP處理器中運行，智能視頻信息分析模塊對視頻圖像信息進行分析及處理，在乘客非配合的、甚至沒察覺到的情況下自動檢測識別乘客人臉特征或行為特征，判斷乘客的類型，根據(jù)判斷結(jié)果發(fā)出扶梯調(diào)速指令至扶梯控制器；扶梯控制器,與扶梯驅(qū)動器相連，接受調(diào)速指令，控制扶梯起動、減速或停止。

其中步驟2)包括以下步驟：

2a)對視頻圖像信息進行識別，抓取乘客雙眼、頭發(fā)、胡須或臉型特征，生成目標性別特征向量，與預(yù)先建立的性別資料庫中的性別樣本特征向量比對，最終得到目標性別。

2b) 對視頻圖像信息進行識別，抓取乘客人臉特征，并根據(jù)乘客的目標性別判斷乘客的年齡，生成目標年齡的實際值P，設(shè)定非關(guān)注乘客年齡下限值N1和上限值N2，并與目標年齡的實際值P比對，當目標年齡的實際值P高出設(shè)定的年齡上限值N2或低于年齡下限值N1時，則得出乘客為老年人或幼兒，并向扶梯控制器發(fā)出當前乘客年齡超出正常范圍的信號，控制扶梯驅(qū)動器輸出較低的加速度和較低的運行速度給扶梯主電機。

2C)對視頻圖像信息進行識別，通過速度對比，在人體的摔倒特征明顯，且速度降為0或接近0速時，智能視頻監(jiān)控儀向扶梯控制器發(fā)出乘客異常行為信號，控制扶梯立刻停下或降速。

其中步驟2b)進一步包括以下步驟：

抓取乘客皮膚、下巴、頸部、唇、鼻子、眼睛、或臉頰特征，生成目標年齡特征向量，與預(yù)先建立的年齡資料庫中的平均年齡樣本特征向量比對，最終得到目標年齡的實際值P。

本發(fā)明與現(xiàn)有技術(shù)相比具有以下有益效果：設(shè)置在扶梯出入口的視頻攝像儀通過獲取乘客視頻圖像信息，傳輸給智能視頻監(jiān)控儀SEM，SEM對視頻圖像信息進行分析及處理，在乘客非配合的情況下自動檢測識別乘客面部特征或行為特征，判斷乘客的年齡、性別等，根據(jù)判斷的乘客年齡發(fā)出扶梯調(diào)速指令至扶梯控制器；避免老人和幼兒在扶梯出入口處摔倒及二次傷害，另外在扶梯出入口乘客一旦摔倒，攝像儀BOI將圖像時時傳輸給智能視頻監(jiān)控儀，智能視頻監(jiān)控儀對乘客跌倒進行判別，判斷出人員有異常狀況，并控制扶梯降速或停下，避免意外或二次傷害的發(fā)生。

附圖說明

圖1為本發(fā)明的硬件框圖；

圖2為扶梯視頻監(jiān)控布置圖；

圖3為智能視頻監(jiān)控儀內(nèi)部結(jié)構(gòu)框圖；

圖4a未加裝智能視頻監(jiān)控系統(tǒng)時，扶梯正常運行的速度變化圖；

圖4b人員年齡超正常范圍時，加裝智能視頻監(jiān)控系統(tǒng)并控制扶梯的速度曲線圖；

圖4c為人員摔倒時，加裝智能視頻監(jiān)控系統(tǒng)并控制扶梯的速度曲線圖；

圖5為扶梯出入口人員異常行為判別流程圖；

圖6為基于乘客人臉特征來判斷識別乘客年齡方法流程圖；

圖7為于乘客人臉特征來判斷識別乘客性別方法流程圖；

圖8為灰度關(guān)聯(lián)度診斷分析流程圖。

具體實施方式

參見圖1，一種基于扶梯安全的智能視頻監(jiān)控系統(tǒng)主要包括：

參見圖2，視頻攝像儀boi(包括雙目視頻攝像儀）,設(shè)置在扶梯的出入口，用于獲取乘客視頻圖像，并將視頻圖像信息上傳至智能視頻監(jiān)控儀SEM,這種傳輸可以是有線傳輸，也可以是無線傳輸。

參見圖3，智能視頻監(jiān)控儀包括圖像輸入接受模塊、處理器模塊（DSP處理器）、通訊輸出模塊、輸出模塊, 圖像輸入接受模塊、通訊輸出模塊、輸出模塊分別與處理器模塊（DSP處理器）相連，將智能視頻信息分析模塊嵌入到DSP處理器中運行，對視頻圖像信息進行分析及處理，在乘客非配合的、甚至沒察覺到的情況下自動檢測識別乘客人臉特征或行為特征，判斷乘客的類型， 根據(jù)判斷結(jié)果發(fā)出扶梯調(diào)速指令至扶梯控制器。乘客的類型主要分為兩類，一類是關(guān)注人群包括老人乘客、幼兒乘客，一類是非關(guān)注人群（除老人、幼兒之外的人群）。

智能視頻監(jiān)控儀是一款小巧精密的將智能視頻信息分析模塊完全嵌入到DSP處理器中運行的設(shè)備，從而使其具有了計算機視覺能力，可以對視頻里的每一個像素進行自動監(jiān)控，有效地增強傳統(tǒng)視頻監(jiān)控的自動檢測和分析能力，提升警戒強度，提高監(jiān)控效率和自動響應(yīng)報警，從而實現(xiàn)7×24全天候的持續(xù)監(jiān)控或者針對重要時段的無人值守監(jiān)控。而且，完全嵌入式的智能分析功能，使得智能視頻監(jiān)控儀的安裝、使用和維護都非常方便。該設(shè)備可用于任何需要視頻內(nèi)容進行運動物體檢測、跟蹤、分析、監(jiān)控、報警的場所，如：各種視頻監(jiān)控CCTV系統(tǒng)等。)

扶梯控制器,與扶梯驅(qū)動器相連，接受智能視頻監(jiān)控儀發(fā)出的調(diào)速指令，控制扶梯起動、減速或停止。

智能視頻信息分析模塊包括乘客年齡判斷模塊：用于對視頻圖像信息進行識別，抓?。ㄌ崛。┏丝腿四樚卣?，判斷乘客的年齡，生成目標年齡的實際值P，設(shè)定非關(guān)注乘客年齡下限值N1和上限值N2，并與目標年齡的實際值P比對，當目標年齡的實際值P高出設(shè)定的年齡上限值N2或低于年齡下限值N1時，則得出乘客為老年人或幼兒，此時智能視頻監(jiān)控儀向扶梯控制器發(fā)出當前乘客年齡超出正常范圍的信號，控制扶梯驅(qū)動器輸出較低的加速度和較低的運行速度給扶梯主電機。

扶梯入口視頻攝像儀boi獲取入口處的乘客人臉特征和行為特征圖像信息，傳輸?shù)街悄芤曨l監(jiān)控儀SEM中，經(jīng)智能視頻監(jiān)控儀SEM中的中央處理器做算法運算處理，時時檢測判斷即將進入扶梯的每個人的年齡，當?shù)贸龅哪繕四挲g在正常的非關(guān)注人群時，即N1<P<N2時，則智能視頻監(jiān)控儀SEM不輸出。捕捉下一張面孔。

N1-----非關(guān)注年齡的下限值，如7歲

N2-----非關(guān)注年齡的上限值，如70歲

P------目標的實際值（年齡）

參見圖4a、圖4b、圖4c，當?shù)贸龅哪繕四挲g在非正常的需關(guān)注人群時，即P>N2，或P<N1時，則智能視頻監(jiān)控儀SEM輸出YM1閉合，輸出信號給扶梯控制器XN50的輸入口XIN1,扶梯控制器XN50在得到XIN1輸入信號后，發(fā)出蜂鳴報警信號或語音提示信號YM3，且判斷為需要緩速加速和較緩速運行，同時或稍延時，扶梯控制器XN50模擬口輸出AOUT1給UFC扶梯變頻器（扶梯驅(qū)動器）的速度模擬口輸入AI01,即按附圖4b曲線圖中的較緩的a3加速度來給定變頻器輸出運行，加速到Vg的速度，隨后穩(wěn)定在該速度。即輸出模擬量速度值A(chǔ)OUT1，按a3此加速斜率從節(jié)能運行的速度Vd運行到Vg的較低的速度，以方便老人或小孩上扶梯，避免摔跤。

由于扶梯的運行速度通常在0.5米/秒，都為變頻控制，在很緩速減速降到0.2米/秒時，乘客一般查覺不出有異常，也不會帶來危險。但這樣小的變化對老人和小孩卻意義重大，可以極大的避免摔跤的風(fēng)險。

乘客年齡判斷模塊包括人臉特征抓取模塊：抓取（提?。┏丝推つw、下巴、頸部、唇、鼻子、眼睛、或臉頰特征，生成目標年齡特征向量，與預(yù)先建立的年齡資料庫中的平均年齡樣本特征向量比對，最終得到目標年齡的實際值P。

基于人臉圖像的年齡估計，具體方法可先采用采用 2DPCA 算法將人臉圖像的全局特征提取出來，然后對臉部的局部特征用Gabor小波變換進行提取。加之以眼睛區(qū)域與年齡特征關(guān)聯(lián)最緊密，最后的融合在決策級進行。

通過人的面部視頻圖像，抓?。ㄌ崛。┮韵旅娌刻卣?，通過上述的算法原則，是可以達到判斷人的年齡的作用的。

（1）抓取面部皮膚特征

皮膚褶皺是衰老的第一個重要標志，盡管有時“褶子”跟年齡并不成正比，但在當今大數(shù)據(jù)分析的優(yōu)勢下，這個誤差不大。

醫(yī)學(xué)研究表明，隨著年齡的增長，人的膚色和皮膚紋理變化會相當明顯，諸如毛孔變大、魚尾紋增多等。與此同時，由于紫外線UV照射，人的皮膚也會發(fā)生變紅、毛細血管破裂、棕褐色暗斑增多等問題，而依托相應(yīng)的圖像軟件算法，正是通過探測這一數(shù)值，采用自然算法率先界定照片中人物的年齡范圍。

（2）抓取面部眼睛特征.

眼睛不僅是是心靈的窗口，也是暴露你年齡的窗口。眼部皮膚作為人面部最薄弱最細嫩的部位，眼角、眼袋及上眼瞼都會隨著年齡的增長出現(xiàn)松弛和下垂。更有甚者，年紀越大的人，其眼部越會出現(xiàn)眼窩凹陷、魚尾紋范圍擴大、黑眼圈更加突出以及眼部浮腫。

智能面部識別技術(shù)正是基于此來嗅探年齡。 眼睛周邊的特征進行年齡識別準確度較高。

（3）抓取面部臉頰特征.

除了皮膚和眼睛，臉頰的松弛程度也是面部智能識別技術(shù)的關(guān)鍵。

由于重力因素，人雙頰的皮膚和肌肉會隨著年齡的增長開始出現(xiàn)下垂，其中最為嘴角及鼻翼兩側(cè)又表現(xiàn)最為明顯，即我們俗稱的法令紋。因而，以此通過測算法令紋的深淺度來測算人的年齡，同時它也表示，臉頰“溝壑”明顯也或因眼瞼下垂影響，但無論出于什么原因，法令紋過深都會讓人“顯得很老”

（4）抓取面部唇及鼻子特征

從醫(yī)學(xué)角度來看，嘴唇飽滿豐腴在一定程度上和年紀成正比：年紀越大，上唇更易變長松弛，嘴角下拉，即人們常說的木偶線(嘴角線)變長。與此同時，人們的鼻子也會隨著年齡的增長而開始出現(xiàn)松弛，因此很多對臉部動刀來延緩甩來跡象的人都會選擇豐唇或提拉三角區(qū)皮膚。

（5）抓取面部下巴和頸部特征.

隨著年齡的增長，人頸部的皮膚會開始出現(xiàn)松弛，其褶皺也會隨之加深。由于多數(shù)人對頸部的保養(yǎng)不及對面部，因而脖子往往能成為體現(xiàn)人真實年齡的部位。與此同時，人頸部的膚色也會開始出現(xiàn)顏色不均(肉眼看并不明顯)，這在醫(yī)學(xué)上被稱之為皮膚異色癥。盡管醫(yī)學(xué)上將后者定義為特征性皮損之一，但卻在一定程度上也能體現(xiàn)年齡的增長。

智能視頻信息分析模塊還包括乘客性別判斷模塊：用于對視頻圖像信息進行識別，抓取（提?。┏丝碗p眼、頭發(fā)、胡須或臉型特征，，生成目標性別特征向量，與預(yù)先建立的性別資料庫中的性別樣本特征向量比對，最終得到目標性別。

人臉識別性別的原理詳述：

性別識別與年齡估計的聯(lián)系。事實表明，同一年齡段的男性和女性，他們的臉部在年齡特征上有很大的差異，實際生活中，人們自然也不會把男女放在一起進行年齡的估算。

性別信息作為一種先驗信息，因而對于年齡估計非常的重要，可以使人臉年齡估計的準確率大大提高?？稍谛詣e信息作為先驗信息的前提下，來進行年齡分類的任務(wù)分解。

臉部子區(qū)域分割。進行臉部的子區(qū)域分割，首先是要將給定的人臉圖像轉(zhuǎn)換成灰度圖像，然后在對灰度圖像進行處理——縮放、平移和旋轉(zhuǎn)，要使圖像中人的雙眼處于固定的位置，再從背景中分離、切割出整個包括頭發(fā)在內(nèi)的人臉區(qū)域，最后降低光照影響，可用直方圖均衡化來處理。對于初步處理的人臉區(qū)域圖像，再將六個子區(qū)域切割出來，主要包括：臉部區(qū)域，臉上下半?yún)^(qū)域，嘴巴、鼻子和左眼區(qū)域。由于人雙眼的對稱性，可選取左眼為眼睛部分的子區(qū)域。主要分析研究的是性別識別受到各人臉區(qū)域的影響大小，并進一步探討提高性別識別準確性的方法，可以進行貢獻較大的臉部子區(qū)域的融合。因而要手工切割出人臉圖像中的子區(qū)域。在實際應(yīng)用的過程中，進行性別的自動識別，可對視頻采集到的圖像用Adaboost 快速人臉檢測算法快速檢測出圖像中的人臉，從背景中將人臉切割出來。繼而進行雙眼的定位，可用眼睛定位法來確定位置，尋找臉部主要特征點可以采用AAM算法。尋找出臉部特征點之后，再根據(jù)這些位置進行各子區(qū)域圖像的進一步切割?；谧訁^(qū)域融合的性別識別。有關(guān)研究證明，相比較整張人臉來說，臉部是局部區(qū)域受人臉表情變化的影響更小一些。就微笑這個表情來說，往往人臉的下半部分變化較大，特別是嘴巴和臉頰的變化，而上半部分尤其的鼻子的變化相當小。因此，實現(xiàn)性別識別可以通過臉部子區(qū)域特征的融合來進行。

參見圖5，圖5為扶梯出入口人員異常行為判別流程圖。智能視頻信息分析模塊還包括乘客異常行為判斷模塊：用于對視頻圖像信息進行識別，通過速度對比，在人體的摔倒特征明顯，且速度降為0或接近0速時，智能視頻監(jiān)控儀向扶梯控制器發(fā)出乘客異常行為信號，控制扶梯立刻停下或降速。

扶梯入口視頻攝像儀boi（包括雙目視頻攝像儀）在獲取到出口處的進出人員的行為特征圖像傳輸?shù)街悄芤曨l監(jiān)控儀SEM中，經(jīng)SEM中的中央處理器做算法運算處理，時時檢測判斷即將出扶梯的每個人的年齡，當?shù)贸鲂袨檎r，則SEM不輸出。繼續(xù)監(jiān)測下一個人員的行為。該功能不限目標年齡。該功能對所有在出、入口的一定區(qū)域，人員的摔倒行為做視頻分析，速度對比，在人體的摔倒特征明顯，且速度降為0或接近0速時，參照運動的扶梯的梯級速度，便可較直觀的判斷出人體是否摔倒。

當?shù)贸龅男袨楫惓r，即摔倒跡象時，則智能視頻監(jiān)控儀SEM輸出YM1,YM2閉合，輸出信號給扶梯控制器XN50的輸入口XIN1,XIN2, 扶梯控制器XN50在得到該輸入信號后，發(fā)出蜂鳴報警信號；且判斷為需要快速降速運行，即按附圖4c曲線圖中的a2減速度來運行，減速到0的速度，即輸出模擬量速度值A(chǔ)OUT1，AOUT2，按a2減加速度斜率從Ve的較高的速度減到0速度，扶梯停止運行，以避免人員在出入口處造成更大的傷害。

參見圖6，圖7，下面結(jié)合流程圖對本發(fā)明的監(jiān)控方法作進一步詳細說明：

圖6是基于乘客人臉特征來識別乘客年齡方法流程圖:

第一步：基于人臉圖像錄入與抓取。這期間的攝像抓取也包括這其間該人員的面部表情，以免錯認為不同的人。

人臉圖像的預(yù)處理：在人臉庫中提取的原始圖像,由于受到外界因素的干擾,會使圖像中面部的大小和位置造成很大的差異。這主要是由被拍攝人的位置、姿態(tài)、光照和成像距離等因素造成的。為了滿足識別系統(tǒng)算法對圖像質(zhì)量的要求,必須對原始圖像進行一定的技術(shù)處理,否則會影響整個系統(tǒng)的順利運行,對算法識別的準確率造成很大的影響。主要包括以下方法：圖像幾何校正、直方圖均衡化等。

第二步：預(yù)處理后的標準人臉特征提取。

綜合面部皮膚、下巴、頸部、唇、鼻子、眼睛、或臉頰特征，作為判斷年齡的重要依據(jù)?；谌四槇D像數(shù)據(jù)場的面部特征（包括人臉的皺紋，表情等），首先對原始人臉圖像進行尺度歸一化，具體來說，就是以原始人臉圖像的左、右兩眼中心為基準，對圖像進行旋轉(zhuǎn)、切割和縮放，并結(jié)合橢圓掩模消除頭發(fā)和背景的影響，最終得到32×32 像素的標準化人臉圖像數(shù)據(jù)場的等勢線分布。

第三步：轉(zhuǎn)化為灰度圖，對標準化人臉圖像進行灰度變換，采用基于人臉圖像數(shù)據(jù)場的特征提取方法提取每幅人臉圖像的重要特征點，形成簡化人臉圖像；對簡化人臉圖像集合進行K-L變換得到的皮膚、下巴、頸部、唇、鼻子、眼睛、或臉頰特征向量所對應(yīng)的“特征臉”圖像。對簡化人臉圖像集合進行K-L變換，計算總體離差矩陣的特征向量，構(gòu)成公共“特征臉”空間?；叶汝P(guān)聯(lián)度診斷分析流程圖參見圖8。

測試人臉圖像在“特征臉”空間的二維投影。將簡化人臉圖像投影到公共“特征臉”空間中，得到的前兩個主特征向量張成的二維“特征臉”空間中投影數(shù)據(jù)分布，以相應(yīng)的投影系數(shù)作為人臉圖像的邏輯特征。

最后，根據(jù)邏輯特征，所有人臉圖像在新的特征空間中形成二次數(shù)據(jù)場，根據(jù)數(shù)據(jù)間的相互作用和自組織聚集性實現(xiàn)人臉圖像的聚類識別。

第四步：2DPAC算法人臉識別檢測，對人臉劃區(qū)塊分析。PAC人臉識別的基本思想就是從人臉圖像中找出最能代表人臉的特征空間，去除一些不能代表人臉特征的屬性。一個單個的人臉圖片映射到這個特征空間得到這個特征空間的一組系數(shù)，這組系數(shù)就表示這張人臉圖片的特征臉特征。如果兩張人臉圖片映射到這個特征空間的系數(shù)差不多，就表示這兩張人臉是同一個人。對人臉圖像進行分塊小波變換,并對各分塊的高、低頻分量進行組合處理,然后對小波系數(shù)特征應(yīng)用2DPCA方法進行變換并將分塊特征進行融合得到人臉鑒別特征,最后在ORL人臉庫上應(yīng)用支持向量機(SVM)對該特征進行分類識別。試驗結(jié)果表明,該算法能有效地提高人臉識別性能,具有較短的識別時間和較高的識別準確率,優(yōu)于傳統(tǒng)的人臉識別方法。

第五步：臉部的局部特征用gabor小波變換提取

由于人臉面貌特征與年齡存在著較大的不確定性，提出了基于模糊隸屬度的人臉圖像年齡估計．用對光照、尺度變化具有很強魯棒性的Gabor小波變換提取人臉特征，為了避免維數(shù)災(zāi)難，降低后續(xù)計算量，利用主成份分析方法對提取到的特征進行降維，細致推導(dǎo)了適用于人臉圖像年齡估計的模糊函數(shù)，根據(jù)最大隸屬度原則，來估計人臉的年齡。

第六步：進入目標年齡估算

目標年齡估算只是粗略的估計屬于哪個年齡段，基于ADAB00ST算法。

Adaboost是一種迭代算法，其核心思想是針對同一個訓(xùn)練集訓(xùn)練不同的分類器，然后把這些弱分類器集合起來，得出一個大致的目標年齡結(jié)果。

第七步：目標年齡特征向量生成

1.在人臉圖像的識別過程中,特征提取是最關(guān)鍵的一步。特征提取的目的是把用像素描述的圖像轉(zhuǎn)化成更加高級的描述方式,使圖像得到更加具體的解釋。例如:可以通過顏色、形狀、大小、空間構(gòu)造或者是紋理特征對圖像進行描述,在圖像具有一定穩(wěn)定性和高識別率的情況下,對圖像數(shù)據(jù)進行降維處理。

2.目標年齡特征向量生成，與年齡資料庫中的平均年齡樣本特征向量比對。

第八步：目標年齡性狀和紋理重構(gòu)

比對后進入年齡的估算階段，這時對信息的局部紋理再次分析如下：

主要工作有以下幾個方面：

1 )采用了一種基于局部紋理約束的魯棒AAM擬合算法，在一 定程度上解決了收斂速度慢的問題，主要增強了細節(jié)部分定位的準確 性，并且實現(xiàn)了對背景干擾的魯棒，相比原有的算法具有更快、更準 確的性能。大大提高了特征點標注的速度和準確度，從而能有效的提人臉特征來進行年齡估計和人像重構(gòu)。

2)將模糊加權(quán)預(yù)處理與人工免疫識別系統(tǒng)相結(jié)合形成了一種分類器，進一步提高了分類器的準確率。通過對人臉特征按年齡進行分類，從而實現(xiàn)根據(jù)人臉圖像來估計年齡的目的。

3)采用了從人臉形狀與紋理兩個方面重建人臉的方法。提出 RBF神經(jīng)網(wǎng)絡(luò)來逼近各個年齡段人臉形狀的變化函數(shù)，從而實現(xiàn)了人臉形狀隨年齡變化的預(yù)測，采用一種改進的紋理變換方法來模擬人臉紋理隨年齡變化的過程，新的紋理變換方法更大程度的保留了人臉年齡信息包括皺紋、斑點等，使得人臉年齡圖像重建的效果更加逼真，利用各種相似性度量函數(shù)，就可以判斷兩幅圖像之間的相似性了。

第九步：目標年齡的給出與判斷

經(jīng)過上面一系列的分析流程后，估算出目標年齡的實際P值

第十步：目標年齡范圍的判斷

l 將判斷的目標年齡值經(jīng)判斷公式N1<P<N2，判斷是否滿足

l N1-----非關(guān)注年齡的下限值，如7歲

l N2-----非關(guān)注年齡的上限值，如70歲

l P------目標的實際值（年齡）

是，則流程上行，回到流程圖的第一步，捕捉下一張面孔判斷，不輸出信號給扶梯控制器XN50

l 如果超出N1<P<N2條件，則控制系統(tǒng)得出上扶梯的乘客年齡可能為老人或小孩，則流程下行，輸出信號給XN50扶梯控制器，

第十一步：扶梯控制器XN50內(nèi)部在收到該信號后，輸出降速運行信號給扶梯驅(qū)動器（變頻器）。

第十二步；扶梯驅(qū)動器在收到扶梯控制器XN50的降速指令后，按低加速度加速至較低速度，按低速運行。這樣起到兼顧老人的安全作用。

第十三步：扶梯低速運行N秒后，估計老人已從出口安全離開扶梯，則扶梯恢復(fù)到正常運行狀態(tài)

參見圖7，圖7為于乘客人臉特征來識別乘客性別方法流程圖：

第一步：基于人臉圖錄入與抓取。這期間的攝像抓取也包括這其間該人員的面部表情，以免錯認為不同的人。

人臉圖像的預(yù)處理：在人臉庫中提取的原始圖像,由于受到外界因素的干擾,會使圖像中面部的大小和位置造成很大的差異。這主要是由被拍攝人的位置、姿態(tài)、光照和成像距離等因素造成的。為了滿足識別系統(tǒng)算法對圖像質(zhì)量的要求,必須對原始圖像進行一定的技術(shù)處理,否則會影響整個系統(tǒng)的順利運行,對算法識別的準確率造成很大的影響。主要包括以下幾種方法：圖像幾何校正、直方圖均衡化等。

第二步：預(yù)處理后的標準人臉圖像預(yù)處理（人臉特征提?。?/p>

基于人臉圖像數(shù)據(jù)場的面部特征，首先對原始人臉圖像進行尺度歸一化，具體來說，就是以原始人臉圖像的左、右兩眼中心為基準，對圖像進行旋轉(zhuǎn)、切割和縮放，并結(jié)合橢圓掩模消除頭發(fā)和背景的影響，最終得到32×32 像素的標準化人臉圖像數(shù)據(jù)場的等勢線分布。

第三步：轉(zhuǎn)化為灰度圖，基于特征點的簡化人臉圖像。對標準化人臉圖像進行灰度變換，采用基于人臉圖像數(shù)據(jù)場的特征提取方法提取每幅人臉圖像的重要特征點，形成簡化人臉圖像；

對簡化人臉圖像集合進行K-L變換得到的雙眼、頭發(fā)、胡須、臉型特征向量所對應(yīng)的“特征臉”圖像。對簡化人臉圖像集合進行K-L變換，計算總體離差矩陣的特征向量，構(gòu)成公共“特征臉”空間。

測試人臉圖像在“特征臉”空間的二維投影。將簡化人臉圖像投影到公共“特征臉”空間中，得到的前兩個主特征向量張成的二維“特征臉”空間中投影數(shù)據(jù)分布，以相應(yīng)的投影系數(shù)作為人臉圖像的邏輯特征。

最后，根據(jù)邏輯特征，所有人臉圖像在新的特征空間中形成二次數(shù)據(jù)場，根據(jù)數(shù)據(jù)間的相互作用和自組織聚集性實現(xiàn)人臉圖像的聚類識別。

第四步：Adaboost快速檢測算法，Adaboost是一種基于級聯(lián)分類模型的分類器。

AdaBoost算法的實現(xiàn)，采用的是輸入圖像的矩形特征，也叫Haar特征。影響Adaboost檢測訓(xùn)練算法速度很重要的兩方面是特征的選取和特征值的計算。臉部的一些特征可以由矩形特征簡單地描繪。

第五步：特征固定，如雙眼、頭發(fā)、胡須、臉型等，采用AAM算法。AAM (Active Appearance Model)是廣泛應(yīng)用于模式識別領(lǐng)域的一種特征點提取方法?；?AAM 的人臉特征定位方法在建立人臉模型過程中，不但考慮局部特征信息，而且綜合考慮到全局形狀和紋理信息，通過對人臉形狀特征和紋理特征進行統(tǒng)計分析，建立人臉混合模型，即為最終對應(yīng)的 AAM 模型。在圖像的匹配過程中，為了能夠既快速又準確地進行人臉特征標定，在對被測試人臉對象進行特征點定位時采取一種圖像匹配擬合的方法，可形象概括為“匹配→比較→調(diào)整再匹配→再比較”的過程。

第六步：目標性別估算

通過OpenCv進行性別識別的基本工具是FaceRecognizer。這是OpenCv2.x版本中的一個基本的人臉識別類，它封裝了三種基本但也是經(jīng)典的人臉識別算法：基于PCA變換的人臉識別(EigenFaceRecognizer)、基于Fisher變換的人臉識別(FisherFaceRecognizer)、基于局部二值模式的人臉識別(LBPHFaceRecognizer)。關(guān)于FaceRecognizer類人臉識別的詳細操作，這里直接使用，對于其基本用法就不再贅述。

第七步：目標性別特征向量的生成----性別資料庫比對

生成目標年齡特征向量，與預(yù)先建立的年齡資料庫中的平均年齡樣本特征向量比對。

進行性別識別理所應(yīng)當需要先準備一些性別識別方面的訓(xùn)練樣本， 整理的性別識別訓(xùn)練集是之前通過OpenCv進行性別識別的基本工具FaceRecognizer，處理之前，各種各樣的男性即女性特征的光照子集。包含至少500張男性人臉圖片和600張女性人臉圖片，其中不同年齡段不同的臉型，發(fā)型，是否胡須，眼鏡，發(fā)卡，服飾等特征，經(jīng)以上方式處理后的人臉資料庫。也可以借用其它權(quán)威部分的資料庫。

性別信息作為年齡判別的一種先驗信息，因而對于年齡估計非常的重要，所以要將得出的性別輸出給年齡判斷識別流程的第八步，作為年齡判斷的參考因子。

以上結(jié)合流程圖說明了本發(fā)明基于人臉特征來識別乘客年齡、性別的方法，當然本發(fā)明還可以采用現(xiàn)有技術(shù)中有關(guān)人臉識別年齡、性別的方法來實現(xiàn)本發(fā)明的目的，例如參考文獻：ZHANG Tian-gang,REN Pei-hua,ZHANG Jing-an,Gender classification and age estimation based on facial image,Computer Engineering and design,2012,33(5),1997-2001(in Chinese) [張?zhí)靹?，任培花，張景安，基于人臉圖像的性別識別與年齡估計，計算機工程與設(shè)計，2012，33（5），1997-2001]。在此就不贅述。