文献综述
摘要：近年来，随着电动车保有数量的激增与高层建筑的兴建，越来越多的住户为了图方便，通过电梯运输电动车。这种行为不仅对电梯本身有很大危害，更有可能酿成灾祸。为了杜绝这种情况的发生，需要对进入电梯的电动车进行识别并发出警告，停止电梯的运行。此时，就需要一种基于图像特征的电动车入电梯安全监测系统。本文将介绍目标检测的基础，基于机器学习的电动车检测算法，以期达到实时监测电动车进入电梯的状况。
关键词：电动车；电梯；图像特征；机器学习；监测系统
1.引言
随着高层居民楼的兴建，越来越多的住户选择通过电梯运输电动车以图方便。近年来，电动车火灾事故比例逐渐升高。数据显示，有80%的电动车火灾是在充电时发生的，而电动车火灾致人员伤亡的，90%是因将其置于门厅、楼道或过道内。有些居民为了方便和省钱，通常会将电动车通过电梯搬至楼道或室内存放并充电。一旦发生火灾，火焰和浓烟将封堵安全出口和逃生通道，极易造成人员伤亡甚至群死群伤的火灾事故。除了以上的安全隐患，电动车入电梯对电梯本身也会造成危害。根据现行标准，我国电梯类型分为六类，其中Ⅰ类电梯为乘客电梯，Ⅰ类电梯设计要求没有考虑电动自行车。一旦电动车驶入电梯，很有可能增大电梯运行负担，轻则影响使用寿命，重则导致故障。综上所述，很有必要对电动车驶入电梯的行为进行监测并提出警告[1]。因此需要一种可以实时监测电动车入电梯的系统。
2.目标检测与机器学习的概念
目标检测是机器视觉中最常见的问题[2][3][4][5][6]。是一种基于目标几何和统计特征的图像分割，它将目标的分割和识别合二为一，其准确性和实时性是整个系统的一项重要能力，近年来，目标检测在人工智能，人脸识别，无人驾驶等领域都得到了广泛的应用。传统算法大致可以分为目标实例检测与传统目标类别检测两类：1)目标实例检测问题通常利用模板和图像稳定的特征点，获得模板与场景中对象的对应关系，检测出目标实例，目标实例检测关注的只是具体目标本身，图像中的其余对象都是无关量；2)传统目标类别检测则通过使用AdaBoost算法框架、HOG特征和支持向量机等方法，根据选定的特征和分类器，检测出有限的几种类别。
机器学习是一门专门研究计算机模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使其不断改善自身性能的学科。随着生物学的发展，研究者根据大脑传递信息的特点，开发出了深度学习。与浅层结构算法不同，深度学习通过一种学习一种深层非线性的网络，将输入样本中最本质的特征表现出来。
- 目标检测的国内外研究现状
国内有研究表示，小区里的电梯都是乘客电梯，以载客为主，一般不建议电动车等大物件进入电梯。因为小区的电梯门一般较窄，难免引起磕碰。如果电动车撞击到电梯门，内壁和安全触板等可能会对电梯的使用寿命和安全运行造成一定影响。电动车进电梯，人车混装，容易导致电梯马达受力不均，加速电梯老化。如果电梯因为电动车碰撞而损坏，影响的是广大业主的乘梯安全，甚至会引发安全事故，最终受损失的还是广大业主，所以建议市民安全第一，不要把电动车推上电梯，以免产生安全隐患。
关于传统目标检测算法的研究，首先是SIFT系列算法。Lowe提出的SIFT算法，通过查找不易受光照、噪声、仿射变换影响的特征点来匹配目标，是目前应用极为广泛的关键点检测和描述算法。Ke等人提出了PCA-SIFT算法。该算法在SIFT的基础上，对其最后一步做出了改进。引入主成分分析(PCA)方法，使用PCA替代直方图，来对描述子向量进行降维，以提高匹配效率。SURF算法也是一种基于SIFT的改进算法，Hessian矩阵是该算法的核心。该算法利用高斯滤波保证尺度无关性，并用盒式(box)滤波器替代高斯滤波器，简化计算。然后是AdaBoost系列算法，RainerLienhart和JochenMaydt将Viola-Jones检测器用对角特征进行扩展，形成了Haar[19]分类器。除此之外，也有将Stump函数改为决策树、使用RealBoost、GentleBoost等分类器的算法陆续提出。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
