基于激光测距元件组的闸机通行检测方法、设备和介质与流程

1.本发明涉及闸机通行检测，尤其涉及一种基于激光测距元件组的闸机通行检测方法、设备和介质。


背景技术：

2.闸机设备作为一种规范行人通行的终端，被广泛应用于办公大楼、学校、工厂、地铁、高铁、机场、旅游景区等很多场所，从而对一些关键出入口进行管控。常见的人行通道闸机按闸门的机械结构分类有摆闸、翼闸、三棍闸、平移闸等多种类型。
3.目前，通常使用的闸机采用直流电机带动门板转动，通过多对红外对射传感器监测人员通行，即从一侧通道的一排多个红外发射模块发出一定波长的激光，另一侧的通道的红外激光接收传感器来接受激光，若是没有正常接收到激光则视为这个通道此处位置被阻挡。
4.然而，红外对射传感器通行检测的方法存在以下主要缺点。首先，闸机的体积受传感器数量和分布间隔的限制无法减小，尤其机身长度难以缩短，硬件成本较高；其次，无法准确识别成人、儿童、行李等目标，导致可能出现重复开、闭，或者成人通过了儿童不能通过，行李被卡住等情况；再次，闸机打开至闭合的时间区间采用固定时长，该时长被设定为超出一般正常行人的实际通行耗时，累计起来给通行效率带来了不可忽视的影响；最后，通行计数方式的防尾随机制误报率高，例如拖曳行李或者引领儿童通过闸机等行为都可能引发报警。


技术实现要素：

5.发明目的：针对现有技术的不足，提供一种基于激光测距元件组的闸机通行检测设备及方法，减小闸机体积，提高闸机检测的准确度。
6.技术方案：一种基于激光测距元件组的闸机通行检测方法，包括：
7.步骤1：在闸机一侧部署若干激光测距元件，激光测距元件获取闸机通行通道内某平面的一组距离信息；
8.步骤2：对距离信息采用bp神经网络建立闸机通道内物体位置计算模型，
9.步骤3：对bp神经网络进行训练，并依照误差对神经网络进行调整，得到满足使用的基于bp神经网络的闸机通道内物体位置计算模型。
10.进一步地，步骤1具体包括：
11.步骤1.1：确定闸机通道宽度l，选择合适的角度并部署数量为n的激光测距元件[θ1，θ2，θ3，
…
，θn]，其中，n≥4；
[0012]
步骤1.2：采集各种情形下，闸机通道内行人或物体在闸机通道中轴线上的投影中心位置[y1，y2，
…
]以及对应的激光测距原始数据[ρ1，ρ2，ρ3，
…
，ρn]，根据留出法将所有数据划分成训练集和测试集；
[0013]
步骤1.3：通过最大最小法xk＝(x
k-x
min
)/(x
max-x
min
)将训练集和测试集中的数据进
行归一化处理，将所有数据转化为[0，1]之间的数，数据被重新整理为input_train，output_train，input_test，output_test；
[0014]
其中，input_train，input_test为包含多组[ρ1，ρ2，ρ3，
…
，ρn]的数据集，output_train、output_test为包含多组[y1，y2，
…
]的数据集。
[0015]
进一步地，步骤2中的bp神经网络包括了输入层、隐含层、输出层，该网络的建立包括：
[0016]
步骤2.1：该网络的输入层节点数为该闸机激光测距元件的个数n，输出层节点数m为通道内物体最多可能数量，该数量受到通道长度限制且小于n，隐含层的节点数l遵从如下公式：
[0017][0018]
其中a为0～10之间的常数。
[0019]
步骤2.2：bp神经网络的神经元激励函数和损失函数组合选用线性整流函数relu，即φ(x)＝max(0，x)，和距离损失函数mse，l(y，v
(m)
)＝||y-v
(m)
||2的组合；
[0020]
步骤2.3：初始化输入层、隐含层、输出层神经元之间的连接权值ω
ij
，ω
jk
，初始化隐含层阈值a，输出层阈值b。
[0021]
进一步地，步骤3中设置训练参数：迭代次数t＝100，学习效率η＝0.03，使用input_train，output_train来完成对所属bp神经网络的训练。
[0022]
进一步地，bp神经网络的训练具体包括：
[0023]
步骤3.1：隐含层输出计算：根据输入向量[ρ1，ρ2，ρ3，
…
，ρn]，输入层和隐含层之间的连接权值ω
ij
以及隐含层阈值a，计算隐含层输出h，
[0024][0025]
其中，l为隐含层节点数，f为隐含层激励函数；
[0026]
步骤3.2：输出层输出计算：根据隐含层输出h，连接权值ω
ij
和阈值b，计算bp神经网络预测输出o，
[0027][0028]
步骤3.3：误差计算：根据网络预测输出o和预期输出y，来计算网络预测误差e，
[0029]ek
＝y
k-o
k k＝1，2，
…
，m
[0030]
步骤3.4：权值更新：根据网络预测误差e更新网络连接权值ω
ij
，ω
jk
，
[0031][0032]
ω
jk
＝ω
jk
ηh
jek j＝1，2，
…
，m；k＝1，2，
…
，m
[0033]
式中，η为学习速率；
[0034]
步骤3.5：阈值更新：根据网络预测误差e更新网络节点阈值a，b，
[0035][0036]bk
＝bk e
k k＝1，2，
…
，m
[0037]
步骤3.6：重复上述步骤，直到完成全部的迭代次数。
[0038]
进一步地，使用步骤1中获得测试集数据进行测试，将input_test输入到步骤3中训练好的模型，获得该模型的对应输出数据并将其记为an，将该网络预测的数据进行反归一化处理，得到最终输出结果test_sim，根据神经网络在测试集上所预测的输出结果与output_test进行对比误差，并依照误差对神经网络进行调整，最终得到满足使用的一个基于bp神经网络的闸机通道内物体位置计算模型。
[0039]
适用于上述方法的基于激光测距元件组的闸机通行检测设备，包括：部署在闸机一侧的激光测距元件，激光测距元件获取闸机通道内某平面的一组距离信息，设备内的主控板采用距离信息并建立如权利要求1中的bp神经网络完成闸机通行检测；还包括身份验证单元对人员身份进行识别，用于分辨被许可的通行者和未被许可通行者，设备对未被许可通行者发出报警命令并阻挡；通过物联网将用户信息、通行记录、人流量、闸机状态的实时信息、设备的故障信息及设备位置信息发送至后台系统，建立用户信息管理体系及设备状态监测模型。
[0040]
适用于上述方法的计算机可读存储介质，包括供一个或多个处理器执行的一个或多个程序，一个或多个程序包括用于执行如上述任一方法的指令。
[0041]
有益效果：与现有技术相比，本发明具有如下显著的优点：本发明利用激光测距元件的元件组代替多对红外对射传感器，大幅减少了机身体积，降低闸机成本，拓展了在狭小环境下闸机的使用场景，基于训练后神经网络的闸机设备为通行检测提供了安全可靠的保障。
附图说明
[0042]
图1为本发明中基于激光测距元件组闸机的结构示意图；
[0043]
图2为本发明中激光测距元件部署和数据采集示意图；
[0044]
图3为本发明中设备原理框图；
[0045]
图4为本发明中闸机通道内物体位置计算模型的bp神经网络拓扑结构图。
具体实施方式
[0046]
下面结合附图对本发明的技术方案作进一步说明。
[0047]
如图1和图3所示，闸机设备包括闸机主机机身、从机机身、激光测距元件组、身份验证单元、主控板、通道控制器、伺服控制器、伺服电机、摆门门板等，部件连接关系如下：闸机主控板与两个闸门机构通过can总线连接，闸机主控板通过总线命令对两个闸门机构的参数和开合动作进行同步控制；激光测距元件组通过串口与闸机主控板连接，以计算进入通道的人或物体的位置和运动状态；身份验证单元与闸机主控板连接，身份验证单元用于对通行闸机的人员身份进行验证，将用户的身份验证结果发送给通道控制器，当验证通过
train、output_test为包含多组[y1，y2，
…
]的数据集。
[0061]
步骤4：构建基于bp神经网络的闸机通道内物体位置计算模型。
[0062]
其中，步骤4中的bp神经网络包括了输入层、隐含层、输出层，该网络的建立存在以下具体步骤：
[0063]
步骤4.1：该网络的输入层节点数取决于该闸机最终所选择激光测距元件的个数n，输出层节点数m一般设为通道内物体最多可能数量，受到通道长度限制且一定小于n。隐含层的节点数l遵从如下公式：
[0064][0065]
步骤4.2：本bp神经网络的神经元激励函数和损失函数组合将选用线性整流函数relu，即φ(x)＝max(0，x)，和距离损失函数mse，l(y，v
(m)
)＝||y-v
(m)
||2的组合。
[0066]
步骤4.3：初始化输入层、隐含层、输出层神经元之间的连接权值ω
ij
，ω
jk
，初始化隐含层阈值a，输出层阈值b。
[0067]
步骤5：进行bp神经网络的训练：设置训练参数：迭代次数t＝100，学习效率η＝0.03。使用input_train，output_train来完成对所属bp神经网络的训练。
[0068]
其中，bp神经网络的训练经过了以下几个步骤：
[0069]
步骤5.1：隐含层输出计算。根据输入向量[ρ1，ρ2，ρ3，
…
，ρn]，输入层和隐含层之间的连接权值ω
ij
以及隐含层阈值a，计算隐含层输出h，
[0070][0071]
其中，l为隐含层节点数，f为隐含层激励函数；
[0072]
步骤5.2：输出层输出计算。根据隐含层输出h，连接权值ω
ij
和阈值b，计算bp神经网络预测输出o，
[0073][0074]
步骤5.3：误差计算。根据网络预测输出o和预期输出y，来计算网络预测误差e，
[0075]ek
＝y
k-o
k k＝1，2，
…
，m
[0076]
步骤5.4：权值更新。根据网络预测误差e更新网络连接权值ω
ij
，ω
jk
。
[0077][0078]
ω
jk
＝ω
jk
ηh
jek j＝1，2，
…
，m；k＝1，2，
…
，m
[0079]
式中，η为学习速率。
[0080]
步骤5.5：阈值更新。根据网络预测误差e更新网络节点阈值a，b。
[0081][0082]bk
＝bk e
k k＝1，2，
…
，m
[0083]
步骤5.6：重复上述步骤，直到完成全部的迭代次数。
[0084]
步骤6：使用步骤3中获得测试集数据来进行测试，将input_test输入到步骤5中训练好的模型中，获得该模型的对应输出数据并将其记为an，将该网络预测的数据进行反归一化处理，得到最终输出结果test_sim。
[0085]
步骤7：根据神经网络在测试集上所预测的输出结果与output_test进行对比误差，并依照误差对神经网络进行调整，最终得到满足使用的一个基于bp神经网络的闸机通道内物体位置计算模型。如下表1所示，为当激光测距元件数量为6，闸机通道宽度为60cm，长度为100cm，仅考虑一人通行情况下的训练好的计算模型在对应测试下的测试结果及误差。
[0086][0087]
步骤8：闸机的主控板通过步骤7中的通道内物体位置计算模型实时检测通道内的物体位置。在完成身份验证授权后，检查是否有行人(物体)处于闸机摆门开合路径区域，如有物体处在闸机开合危险区范围内，则闸机保持闭合。反之，完成闸机开门过程，直至行人(物体)的位置移动到安全区域后，控制闸机适时开闭摆门。
[0088]
步骤9：通道逻辑控制器获取闸机设备各部件状态信息，并将各部件的正常或失效数据一并，通过物联网电路板，发送至运维系统后台，运维系统后台将设备状态信息通过外网推送至维保人员手机终端。
[0089]
本发明的实施例可提供为方法或计算机程序产品，因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0090]
本发明的具体实施方式中，未涉及到的说明属于本领域的公知技术，可参考公知技术加以实施。