[发明专利]一种机械式车库人员误入监测识别预警系统及检测方法

权利要求书

1.一种机械式车库人员误入监测识别预警系统，其特征在于，包括用于人员监测识别的摄像机(1)、黄色警戒线(2)、RS485通讯总线(4)和至少一个声光报警器(3)，所述黄色警戒线(2)设置在停车位前方的地面上，黄色警戒线(2)与停车位入口处的边界线平行，且二者间距为1m，黄色警戒线(2)与停车位入口处的边界线及停车位两侧的直线构成人员误入监测区域(5)；

所述摄像机(1)通过RS485总线(4)与声光报警器(3)连接，摄像机内部集成了控制器，摄像机(1)能够拍摄整个人员误入监测区域(5)。

2.根据权利要求1所述的机械式车库人员误入监测识别预警系统，其特征在于，所述人员误入监测区域(5)的两端各设置有一个摄像机(1)，两摄像机(1)均通过RS485总线(4)与声光报警器(3)连接。

3.根据权利要求1所述的机械式车库人员误入监测识别预警系统，其特征在于，对于并排设置有多个停车位的机械式车库，沿人员误入监测区域(5)的长度方向每隔30m设置一个人员误入监测识别预警子模块，每个人员误入监测识别预警子模块包括两个摄像机(1)和一个声光报警器(3)，两个摄像机(1)均通过RS485总线(4)与声光报警器(3)连接，各个人员误入监测识别预警子模块相互独立。

4.根据权利要求1-3中任一项所述的机械式车库人员误入监测识别预警系统，其特征在于，所述摄像机内部集成了FPGA控制器；所述声光报警器(3)的型号为YS-01X，控于RS485通讯协议；摄像机(1)的型号为Aptina公司的MT9V034，采用CMOS图像传感器，输出图像最大尺寸为752*480pixels，最大帧率为60fps，摄像机(1)通过FMC接口与FPGA控制器连接，FPGA型号为EP2C70F672C8，FPGA控制器包括CMOS视频采集模块、控制模块、Nios II处理器、Avalon Bus总线、人体目标检测模块、检测算法接口、DMA控制器、ROM、片内并行存储器、SDRAM存储控制模块、片外SDRAM、RS485接口和HDMI接口。

5.基于权利要求1-4中任一项所述机械式车库人员误入监测识别预警系统的检测方法，其特征在于，包括如下步骤：

1)、系统上电，在FPGA控制器的Nios II处理器控制下，人体目标检测模块初始化，CMOS视频采集与控制模块自动配置与之连接的摄像机(1)，人员监测识别摄像机实时对拍摄人员误入监测区域(5)进行拍摄，并将拍摄的图片传送给FPGA控制器；

2)、CMOS视频采集模块按640*480pixels大小依次采集从摄像机(1)发来的各帧图片数据，同时发送给FPGA内部并行存储器和DMA控制器的读端口，在传输给FPGA内部存储器时自动灰度化，并且按特定顺序存储；另外同时将彩色图像信息传输给DMA控制器并在其控制下传输给SDRAM存储；

3)、FPGA内部存储器存入图片后，人体目标检测模块采用人体目标识算法对摄像机采集的图片进行检测，从图片存储器中取出对应位置的数据计算检测窗口的HOG特征向量，再调用存储在ROM中的SVM分类器对特征向量进行分类，实现滑动窗口的人体检测；

4)、检测到人体目标后，Nios II处理器发出报警信号给RS485接口，通过RS485总线启动声光报警器(3)，对即将进入车库的人员进行声光警示。

6.根据权利要求5所述的检测方法，其特征在于，还可配置显示器，显示器通过HDMI接口与FPGA控制器连接，FPGA控制器将检测结果通过HDMI接口输出到显示器进行显示。

7.根据权利要求6所述的检测方法，其特征在于，所述步骤2)中，采用方向梯度直方图(Histograms of Oriented Gradients，HOG)特征结合线性支持向量机分类器(SupportVector Machine，SVM)算法对人体目标进行检测识别，提取当前视频帧的HOG特征，包括如下步骤：

2.1)设定检测窗口，对采集的视频帧进行灰度变换处理；

2.2)采用Gramma校正法对输入图像进行颜色空间的归一化；

2.3)计算图像每个像素点的梯度；

2.4)创建单元格，为每个单元格构建梯度方向直方图；

2.5)将p*p个单元格组合成块(p≥2)，对块的方向梯度直方图(HOG)进行归一化处理，以弱化光照的影响；

2.6)收集检测窗口内所有块的HOG特征形成表示所述视频帧的HOG特征向量，供分类使用；

2.7)采用包含不同种类的人体目标图片的INRIA数据集作为支持向量机(SVM)训练学习的数据库，提取数据库正负样本的HOG特征及对应的标签(+1或-1)，输入到支持向量机中进行训练学习，得到一个基于人体目标检测识别的分类器：具体实施时采用MATLAB的libsvm工具箱中的svmtrain函数对INRIA的数据库进行训练，得到分类器的分类系数向量和分类阈值；

2.8)利用该分类器对当前视频帧的特征向量进行分类识别，判定是否有人误入监测区域。