论文针对目前乘坐扶梯经常出现的事故和危险行为,使用图像处理方法对扶梯上携带宠物、推车、抱小孩、攀爬等异常行为进行实时检测预警,在此基础上开发出智能监控系统,对扶梯场景进行实时检测分析和在线报警,保护乘客安全。论文主要进行了以下几个方面的研究:第一,针对扶梯入口、出口出现的快速运动导致的目标运动模糊问题,提出基于生成对抗网络的去运动模糊算法。使用生成对抗网络对模糊图片进行重构,以降低运动模糊的影响。在生成器网络模型中使用3*3卷积提取特征后,引入密集残差块丰富特征图之间的全局和局部信息,在上采样过程中对特征图进行双线性插值,避免使用插0带来的像素之间分布不均匀问题。为提高去模糊图片边缘的清晰度,在生成器损失函数中,将模糊图片和真实图片的梯度图像差的L1范数作为惩罚项进行训练,使用Tiny YOLOv3将携带宠物、婴儿推车和人跌倒作为3种异常目标进行训练学习,对去模糊前后的视频流进行异常检测,可以将检测精度由原来的66.21%提高到74.37%,查全率由42.30%提高到51.85%。第二,针对目标拥挤且颜色与背景相近时提取前景比较困难的问题,提出基于SVM的扶梯行人异常行为检测方法。选择HOG+SVM分类器分类方法分别为扶梯上行人跌倒、婴儿推车和携带宠物3类异常目标提取特征后,依次挑选两类训练SVM分类器,通过投票方式,以得票最多的类别作为最后的检测结果。实验结果证明,HOG+SVM分类器算法可以进行扶梯上异常目标的检测,检测的准确率为81.71%,漏检率为31.68%,检测一帧平均需要800ms。考虑到实际扶梯场景实时检测的需求,可以结合神经网络,借助特征融合,更好地对深度学习方法进行研究。第三,针对传统算法难以满足扶梯行人异常行为的实时检测要求问题,提出基于改进Tiny YOLOv3的扶梯行人异常行为检测算法。选择随机性更低的K-means++算法对先验框参数优化,使用18层深度可分离网络进行特征提取,在加深网络时尽量减小计算。为解决因异常目标距离摄像头远近不同导致的尺度变化问题,借鉴特征金字塔思想,增加尺度预测。在提取到的三个尺度特征后面依次增加SE-Resent模块,强化有效特征,减弱无效特征。在测试阶段选用Soft-NMS策略,减少因NMS误过滤目标造成的目标漏检。最后使用GPU进行多尺度训练,得到最优的权重模型。实验结果表明:优化后的模型与Tiny YOLOv3相比,在平均漏检率上减小23.1%,检测精度上提高4.0%,可以更好地兼顾检测的精度和实时性。第四,基于上述研究成果,论文对扶梯异常行为智能监控系统进行了设计与实现。实际测试结果表明,本研究构建的扶梯异常行为检测系统具有很好的鲁棒性,检测精度和实时性能均能满足实际需求。