CN106586738A - 一种基于视觉检测的多轿厢电梯调度方法 - Google Patents

Abstract

本发明涉及一种基于视觉检测的多轿厢电梯调度方法，步骤为：如果存在未分配呼叫，则执行视频采集及传输步骤；通过监控设备获得外呼候梯乘客数和各轿厢内乘梯乘客视频传输给上位机；上位机对所获视频运用Fast R‑CNN模型进行实时处理，标定出乘客状态上位机根据上述视频处理的结果，计算各轿厢的调度时间和拥挤度；如果运用Fast R‑CNN模型检测到候梯厅有乘客，根据调度时间和拥挤度选定最佳轿厢；根据分配给各轿厢的外呼情况，重新划分轿厢区域；删除本次处理分配的呼叫，返回判断是否存在未分配呼叫。本发明避免电梯“空呼叫现象”、“超载现象”和“拥挤现象”，提高了电梯运载效率，保证了电梯运行的安全性和高效性。

Description

一种基于视觉检测的多轿厢电梯调度方法

技术领域

本发明涉及一种基于深度学习的视觉检测技术，具体的说是一种基于视觉检测的多轿厢电梯调度方法。

背景技术

随着建筑高层化和大型化发展，国内外垂直交通运输电梯业面临着两大挑战：一是减小占用空间，降低建筑成本，要求电梯设备占用的空间尽可能的小；二是减小用户等待时间，改善运输性能，要求对乘客提供快捷、安全的服务。如何应对挑战、如何在提高电梯运送效率的同时减小电梯占地成本是急需解决的重要问题之一。

在一个井道中配置多部电梯，采用联合驱动的方式减少电梯井道占用面积，在国际上已经引起电梯业界专家的重视；多轿厢电梯交通系统是目前国际公认的解决垂直交通拥挤、提高运行效率、减少占地空间、节约能源等的最佳选择，也是全世界垂直交通运输领域研究的前沿问题。

目前多轿厢电梯可分为五种：双层轿厢电梯、单井道多轿厢电梯、循环式多轿厢电梯、分叉循环式多轿厢电梯、立体循环式多轿厢电梯。多轿厢电梯控制系统普遍使用分区控制法去实现合理调度避免轿厢碰撞问题，然而分区控制虽然能够有效地避免轿厢碰撞，但对轿厢运行区域有较大的限制，使其运行效率降低。

发明内容

针对现有技术中电梯垂直交通拥挤、运送效率低、存在“空呼叫现象”、“超载现象”和“拥挤现象”、占地空间和能耗较高等不足，本发明要解决的技术问题是提供一种候梯厅前、轿厢内检测乘客数目的模型、在检测的基础上优化各轿厢调度，提高运载效率的基于视觉检测的多轿厢电梯调度方法。

为解决上述技术问题，本发明采用的技术方案是：

本发明一种基于视觉检测的多轿厢电梯调度方法，包括以下步骤：

1)外呼检验：是否存在未分配呼叫，若存在则执行视频采集及传输步骤；

2)视频采集及传输：通过监控设备获得外呼候梯乘客数和各轿厢内乘梯乘客视频传输给上位机；

3)视频处理：上位机对所获视频运用Fast R-CNN模型进行实时处理，标定出乘客状态；

4)派梯方案：上位机根据上述视频处理的结果，计算各轿厢的调度时间T_i和拥挤度η_i；再次运用Fast R-CNN模型检测候梯厅是否有乘客，若有乘客，根据调度时间和拥挤度选定最佳轿厢；若无乘客则为“空呼叫”，在未分配的呼叫队列中删除该呼叫；

5)分区划定：根据分配给各轿厢的外呼情况，重新划分轿厢区域；

6)删除本次处理分配的呼叫，返回判断是否存在未分配呼叫。

多轿厢电梯轿厢的状态及外呼定义为：

在某一时刻轿厢c_i的状态及外呼定义如下：

c_i＝(f_i,p_i,d_i,C_i,z_i) (1)

C_i＝{(s_i1,g_i1,n_i1,cd_i1),(s_i2,g_i2,n_i2,cd_i2),

…,(s_ik,g_ik,n_ik,cd_ik),…,(s_iN,g_iN,n_iN,cd_iN)} (2)

其中，c_i表示编号为i的轿厢；f_i表示该轿厢当前位置；p_i表示该轿厢内的乘客数；d_i表示当前轿厢的运行状态，其运行状态有上行、下行、停止；C_i是分配给c_i的一组外呼集合，外呼集合中的N表示外呼集合总数；s_ik为呼梯乘客的出发层，i为轿厢的编号，k为分配给轿厢c_i的集合C_i中外呼编号，1≤k≤N；g_ik为乘客的目的层；n_ik为该层呼梯乘客数；cd_ik为从出发层到目的层时电梯的运行方向，如果s_ik<g_ik，电梯为上行，s_ik>g_ik，电梯为下行；z_i表示给轿厢c_i所划分的区域。

所述视频处理包括以下步骤：

图像获取：使用抽帧检测的方法获取视频中图像，使得最终的显示达到实时的效果；

图像预处理：预先找出图像中人可能出现的位置作为候选区域，运用多层卷积神经网络和最大池化层处理候选区域的图像，得到卷积特征映射；

图像池化：把得到的卷积特征映射通过region of interest池化方式获得固定维数的特征向量；

图像输出：经过两个全连接层把上述特征向量分别输入到softmax分类器、边界框回归器，进而输出两个优化目标，分别为图片上的边界框和相似度。

所述图像输出包括以下步骤：

Fast R-CNN模型处理图像有两个输出，一个是由softmax分类器输出K+1个分类的概率分布，p＝(p₀,…p_K)；另一个是由回归器输出的各分类回归补偿，引入的多任务损失函数用来训练分类和边界框回归，多任务损失函数如下：

L(p,u,t^u,v)＝L_cls(p,u)+λ[u≥1]L_loc(t^u,v) (9)

L_cls(p,u)＝-log p_u (10)

其中，L(p,u,t^u,v)为损失函数，p为分类概率，u为标准分类，t^u为分类回归预测参数，v为标准边界回归目标参数，v＝(v_x,v_y,v_w,v_h)；λ为控制两个函数均衡的系数；L_cls(p,u)为标准分类u的损失函数，由式(10)得出；p_u为分类u对应的概率；L_loc(t^u,v)为分类u对应的矩形框回归目标的损失函数，由式(11)得出；x,y,w,h分别为边界框左上角的横坐标，纵坐标及边框的宽度和高度；为标准值与预测值对应的坐标差距，由式(12)得出。

所述派梯方案中各轿厢的调度时间T_i和拥挤度η_i公式如下：

T_i＝t_p+t_x+t_d (3)

其中，t_p为乘客进出电梯时间，t_x为门操作时间，t_d为电梯运行时间；p_i为轿厢内乘客数，M为额定人数，p为设定的无影响人数。

所述分区划定采用动态分区，包括以下步骤：

每个轿厢所占领的区域是受派梯方案和运行时间变化而改变的，划分给轿厢c_i的区域z_i定义如下:

z_i＝(t_i,b_i,zd_i) (5)

其中,t_i表示划分区域的顶端；b_i表示划分区域的底端；z_i的范围是顶端t_i到底端b_i之间的区域，同时需要保证t_i>b_i；zd_i表示安排给轿厢c_i的呼叫相对于轿厢的方向，如果方向为向上，则b_i为轿厢c_i的起始位置，t_i为轿厢c_i的终止位置，如果方向为向下，则t_i为轿厢c_i的起始位置，b_i为轿厢c_i的终止位置。

为避免同一井道轿厢越限，z_i和z_j(i≠j)需要满足如下条件：

t_j<b_i或t_i<b_j (6)

同时，C_i,t_i和b_i满足如下的条件：

t_i＝max(s_i1,s_i2,…s_ik,…,s_iN,g_i1,g_i2,…g_ik,…,g_iN) (7)

b_i＝min(s_i1,s_i2,…s_ik,…,s_iN,g_i1,g_i2,…g_ik,…,g_iN) (8)

z_i的划分是依据分配给轿厢c_i的呼叫，如果分配给轿厢一个呼叫，则划分给该轿厢的区域范围为乘客的出发层到目的层，当c_i完成派送的所有任务时z_i不再具有区域。

在判断是否存在“空呼叫现象”中，若存在，则删除该呼叫，再次运用Fast R-CNN模型检测候梯厅是否有乘客，若有乘客根据调度时间和拥挤度选定最佳轿厢；若无乘客则为“空呼叫现象”，在未分配的呼叫队列中删除该呼叫。

如果不存在未分配呼叫，轿厢返回基站。

本发明具有以下有益效果及优点：

1.本发明利用先进的机器视觉理论、模式识别及图像处理技术，提出一种利用深度学习中Fast R-CNN检测模型，避免电梯“空呼叫现象”、“超载现象”和“拥挤现象”，利用候梯厅前和轿厢内监控器，采集乘客状态信息，自动检测乘客情况，对空呼叫、拥挤情况进行自动处理，提高了电梯运载效率。

2.本发明将机器视觉与多轿厢电梯调度相结合，运用基于视觉检测的动态分区控制方法，保证了电梯运行的安全性和高效性，降低了电梯占地空间和能耗。

附图说明

图1为单井道多轿厢电梯图；

图2为Fast R-CNN模型原理图；

图3为动态分区示意图；

图4为本发明所用的轿厢调度流程图；

图5A为本发明实施例中Fast R-CNN模型厅前检测图像第1帧；

图5B为本发明实施例中Fast R-CNN模型厅前检测图像第30帧；

图5C为本发明实施例中Fast R-CNN模型厅前检测图像第136帧。

具体实施方式

下面结合说明书附图对本发明作进一步阐述。

本发明一种基于视觉检测的多轿厢电梯调度方法，其特征在于包括以下步骤：

1)外呼检验：是否存在未分配呼叫，若存在则执行视频采集及传输步骤；

2)视频采集及传输：通过监控设备获得外呼候梯乘客数和各轿厢内乘梯乘客视频传输给上位机；

3)视频处理：上位机对所获视频运用Fast R-CNN模型进行实时处理，标定出乘客状态；

4)派梯方案：上位机根据上述视频处理的结果，计算各轿厢的调度时间T_i和拥挤度η_i；

再次运用Fast R-CNN模型检测候梯厅是否有乘客，若有乘客，根据调度时间和拥挤度选定最佳轿厢；若无乘客则为“空呼叫”，在未分配的呼叫队列中删除该呼叫；

5)分区划定：根据分配给各轿厢的外呼情况，重新划分轿厢区域；

6)删除本次处理分配的呼叫，返回判断是否存在未分配呼叫步骤。

在判断是否存在“空呼叫现象”中，若存在，则删除该呼叫；

如果不存在未分配呼叫，轿厢返回基站。

如图1所示，为本发明中所采用的多轿厢电梯示意图。当乘客在门厅使用按钮进行呼梯时，需要明确目的层、出发层。在某一时刻轿厢c_i的状态及外呼定义如下：

c_i＝(f_i,p_i,d_i,C_i,z_i) (1)

C_i＝{(s_i1,g_i1,n_i1,cd_i1),(s_i2,g_i2,n_i2,cd_i2),

…,(s_ik,g_ik,n_ik,cd_ik),…,(s_iN,g_iN,n_iN,cd_iN)} (2)

其中，c_i表示编号为i的轿厢；f_i表示该轿厢当前位置；p_i表示该轿厢内的乘客数；d_i表示当前轿厢的运行状态，其运行状态有上行、下行、停止；C_i是分配给c_i的一组外呼集合，外呼集合中的N表示外呼集合总数；s_ik为呼梯乘客的出发层，i为轿厢的编号，k为分配给轿厢c_i的集合C_i中外呼编号，1≤k≤N；g_ik为乘客的目的层；n_ik为该层呼梯乘客数；cd_ik为从出发层到目的层时电梯的运行方向，如果s_ik<g_ik，电梯为上行，s_ik>g_ik，电梯为下行；z_i表示给轿厢c_i所划分的区域。

所述视频处理包括以下步骤：

图像获取：使用抽帧检测的方法获取视频中图像，使得最终的显示达到实时的效果；正常录制的视频每秒20-35帧。因为Fast R-CNN检测模型0.3秒才能检测一张图片，该模型检测时间在同类模型中已经较低。

图像预处理：预先找出图像中人可能出现的位置作为候选区域，运用多层卷积神经网络和最大池化层处理候选区域的图像，得到卷积特征映射；

图像池化：把得到的卷积特征映射通过region of interest(简称RoI)池化方式获得固定维数的特征向量；

图像输出：经过两个全连接层把上述特征向量分别输入到softmax分类器、边界框回归器，进而输出两个优化目标，分别为图片上的边界框和相似度。

在深度学习中Fast R-CNN模型训练及测试时间较短，因此将Fast R-CNN模型引入到多轿厢电梯系统中，提出了基于Fast R-CNN的动态分区控制方法，主要根据Fast R-CNN检测轿厢内、外人数情况合理派梯，进而合理划分各轿厢的运行区域。Fast R-CNN模型是基于R-CNN模型和SPP-Net模型的改进，它不仅引入了多任务损失函数，使模型的训练和测试变得十分方便，而且将特征提取和分类融合进一个分类框架，实现了从提取图像到检测的一体化，提高了训练模型的速度和目标检测的准确率。

Fast R-CNN模型结构如图2所示，由图可以看出Fast R-CNN模型有两个输出，一个是由softmax分类器输出K+1个分类的概率分布，p＝(p₀,…p_K)；另一个是由回归器输出的各分类回归补偿，引入的多任务损失函数主要用来训练分类和边界框回归，多任务损失函数如下：

L(p,u,t^u,v)＝L_cls(p,u)+λ[u≥1]L_loc(t^u,v) (9)

L_cls(p,u)＝-log p_u (10)

其中，L(p,u,t^u,v)为损失函数，p为分类概率，u为标准分类，t^u为分类回归预测参数，v为标准边界回归目标参数，v＝(v_x,v_y,v_w,v_h)；λ为控制两个函数均衡的系数；L_cls(p,u)为标准分类u的损失函数，由式(10)得出；p_u为分类u对应的概率；L_loc(t^u,v)为分类u对应的矩形框回归目标的损失函数，由式(11)得出；x,y,w,h分别为边界框左上角的横坐标，纵坐标及边框的宽度和高度；为标准值与预测值对应的坐标差距，由式(12)得出；x＝t₁ ^u-v₁。

Fast R-CNN模型训练过程如下：

①获取输入图像的候选框内图像；

②运用多层卷积神经网络和最大池化层处理候选框内的图像块，得到卷积特征映射；

③接下来从特征映射中提取出的候选区域，通过region of interest(简称RoI)池化方式获得固定维数的特征向量；

④最后经过两个全连接层把特征向量分别输入到softmax分类器、边界框回归器，进而输出两个优化目标。

模型使用VGG16的网络做为底层学习网络，整个Fast R-CNN由16个卷基层及3个全连接层构成，训练阶段使用ImageNet公共的大规模数据集训练，一次迭代过程用时1天，模型完成训练共进行4次迭代。单张图片的检测速度为0.3s/帧，因为在所设定的情境中，不会对高速移动的物体有精确地识别需求，因此在视频流中，使用了抽帧检测的方法，使得最终的显示近似达到实时的效果。同时把检测的结果反馈给控制器，保证各轿厢所划分区域更加合理。

如图3所示为某一时刻使用动态分区划分的各轿厢区域示意图。在传统的分区法中，区域是每个轿厢所占领的固定范围，而在动态分区中每个轿厢所占领的区域是受派梯方案和运行时间变化而改变的。划分给轿厢c_i的区域z_i定义如下:

z_i＝(t_i,b_i,zd_i) (5)

其中,t_i表示划分区域的顶端；b_i表示划分区域的底端；z_i的范围就是顶端t_i到底端b_i之间的区域，同时需要保证t_i>b_i；zd_i表示安排给轿厢c_i的呼叫相对于轿厢的方向，如果方向为向上，则b_i为轿厢c_i的起始位置，t_i为轿厢c_i的终止位置，如果方向为向下，则t_i为轿厢c_i的起始位置，b_i为轿厢c_i的终止位置。

为了避免同一井道轿厢越限，z_i和z_j(i≠j)需要满足如下条件：

t_j<b_i或t_i<b_j (6)

zd_j表示安排给轿厢c_j的呼叫相对于轿厢的方向，如果方向为向上，则b_j为轿厢c_j的起始位置，t_j为轿厢c_j的终止位置，如果方向为向下，则t_j为轿厢c_j的起始位置，b_j为轿厢c_j的终止位置。同c_i一样，只不过为了说明是两个轿厢所以换成了c_j。

同时，C_i,t_i和b_i满足如下的条件：

t_i＝max(s_i1,s_i2,…s_ik,…,s_iN,g_i1,g_i2,…g_ik,…,g_iN) (7)

b_i＝min(s_i1,s_i2,…s_ik,…,s_iN,g_i1,g_i2,…g_ik,…,g_iN) (8)

z_i的划分是依据分配给轿厢c_i的呼叫，如果分配给轿厢一个呼叫，则划分给该轿厢的区域范围为乘客的出发层到目的层，当c_i完成派送的所有任务时z_i不再具有区域。

运用Fast R-CNN的动态分区控制方法实现多轿厢的调度，在一定程度上避免电梯的“空呼叫现象”、“超载现象”和“拥挤现象”，同时又提高了电梯运行的安全性和效率。如图4所示，为多轿厢电梯的调度流程图。

该调度方案首先根据外呼确定厅前候梯人数及各个轿厢内人数，计算各轿厢的调度时间T_i和拥挤度η_i,公式如下：

T_i＝t_p+t_x+t_d (3)

其中，tp为乘客进出电梯时间，tx为门操作时间，td为电梯运行时间；pi为轿厢内乘客数，M为额定人数，p为设定的无影响人数，即当轿厢内人数为较低时，对拥挤度无影响。

接下来，判断是否存在“空呼叫现象”，若存在则删除该呼叫，再次运用Fast R-CNN模型检测候梯厅是否有乘客，若有乘客根据调度时间和拥挤度选定最佳轿厢；若无乘客则为“空呼叫现象”，在未分配的呼叫队列中删除该呼叫。如果不存在未分配呼叫，轿厢返回基站。

如图5A～5C所示为Fast R-CNN模型厅前检测乘客视频截取的一组(三幅)图像，英文字母为person，数字为判断框内是人的概率，通过大量样本训练，Fast R-CNN能够自动检测出图片中的物体类别，本发明只运用了人物样本训练，该模型能够正确标定出人。

从检测图像可以看出Fast R-CNN模型能够标定出图像中乘客与训练样本中人的相似率，并使用边界框标定出乘客，从检测结果可看出准确率较高，同时该模型单张图片的检测速度为0.3s/帧，具有快速性的优点，适用于电梯厅前的实时检测。

Claims (8)

1.一种基于视觉检测的多轿厢电梯调度方法，其特征在于包括以下步骤：

1)外呼检验：是否存在未分配呼叫，若存在则执行视频采集及传输步骤；

2)视频采集及传输：通过监控设备获得外呼候梯乘客数和各轿厢内乘梯乘客视频传输给上位机；

3)视频处理：上位机对所获视频运用Fast R-CNN模型进行实时处理，标定出乘客状态；

4)派梯方案：上位机根据上述视频处理的结果，计算各轿厢的调度时间T_i和拥挤度η_i；再次运用Fast R-CNN模型检测候梯厅是否有乘客，若有乘客，根据调度时间和拥挤度选定最佳轿厢；若无乘客则为“空呼叫”，在未分配的呼叫队列中删除该呼叫；

5)分区划定：根据分配给各轿厢的外呼情况，重新划分轿厢区域；

6)删除本次处理分配的呼叫，返回判断是否存在未分配呼叫。

2.按权利要求1所述的基于视觉检测的多轿厢电梯调度方法，其特征在于：多轿厢电梯轿厢的状态及外呼定义为：

在某一时刻轿厢c_i的状态及外呼定义如下：

c_i＝(f_i,p_i,d_i,C_i,z_i) (1)

C_i＝{(s_i1,g_i1,n_i1,cd_i1),(s_i2,g_i2,n_i2,cd_i2),

…,(s_ik,g_ik,n_ik,cd_ik),…,(s_iN,g_iN,n_iN,cd_iN)} (2)

其中，c_i表示编号为i的轿厢；f_i表示该轿厢当前位置；p_i表示该轿厢内的乘客数；d_i表示当前轿厢的运行状态，其运行状态有上行、下行、停止；C_i是分配给c_i的一组外呼集合，外呼集合中的N表示外呼集合总数；s_ik为呼梯乘客的出发层，i为轿厢的编号，k为分配给轿厢c_i的集合C_i中外呼编号，1≤k≤N；g_ik为乘客的目的层；n_ik为该层呼梯乘客数；cd_ik为从出发层到目的层时电梯的运行方向，如果s_ik<g_ik，电梯为上行，s_ik>g_ik，电梯为下行；z_i表示给轿厢c_i所划分的区域。

3.按权利要求1所述的基于视觉检测的多轿厢电梯调度方法，其特征在于：

所述视频处理包括以下步骤：

图像获取：使用抽帧检测的方法获取视频中图像，使得最终的显示达到实时的效果；

图像预处理：预先找出图像中人可能出现的位置作为候选区域，运用多层卷积神经网络和最大池化层处理候选区域的图像，得到卷积特征映射；

图像池化：把得到的卷积特征映射通过region of interest池化方式获得固定维数的特征向量；

图像输出：经过两个全连接层把上述特征向量分别输入到softmax分类器、边界框回归器，进而输出两个优化目标，分别为图片上的边界框和相似度。

4.按权利要求3所述的基于视觉检测的多轿厢电梯调度方法，其特征在于：

所述图像输出包括以下步骤：

Fast R-CNN模型处理图像有两个输出，一个是由softmax分类器输出K+1个分类的概率分布，p＝(p₀,…p_K)；另一个是由回归器输出的各分类回归补偿，引入的多任务损失函数用来训练分类和边界框回归，多任务损失函数如下：

L(p,u,t^u,v)＝L_cls(p,u)+λ[u≥1]L_loc(t^u,v) (9)

L_cls(p,u)＝-log p_u (10)

$L_{loc}(t^u,v)=\underset{i\&Element;\{x,y,w,h\}}{\&Sigma;}{\mathrm{smooth}}_{L_1}(t_i^u-v_i)---\left(11\right)$

${\mathrm{smooth}}_{L_1}\left(x\right)=\left\{\begin{array}{cc}0.5x^2& if\left|x\right|<1\\ \left|x\right|-0.5& otherwise\end{array}\right.---\left(12\right)$

其中，L(p,u,t^u,v)为损失函数，p为分类概率，u为标准分类，t^u为分类回归预测参数，v为标准边界回归目标参数，v＝(v_x,v_y,v_w,v_h)；λ为控制两个函数均衡的系数；L_cls(p,u)为标准分类u的损失函数，由式(10)得出；p_u为分类u对应的概率；L_loc(t^u,v)为分类u对应的矩形框回归目标的损失函数，由式(11)得出；x,y,w,h分别为边界框左上角的横坐标，纵坐标及边框的宽度和高度；为标准值与预测值对应的坐标差距，由式(12)得出。

5.按权利要求1所述的基于视觉检测的多轿厢电梯调度方法，其特征在于：

所述派梯方案中各轿厢的调度时间T_i和拥挤度η_i公式如下：

T_i＝t_p+t_x+t_d (3)

其中，t_p为乘客进出电梯时间，t_x为门操作时间，t_d为电梯运行时间；p_i为轿厢内乘客数，M为额定人数，p为设定的无影响人数。

6.按权利要求1所述的基于视觉检测的多轿厢电梯调度方法，其特征在于：

所述分区划定采用动态分区，包括以下步骤：

每个轿厢所占领的区域是受派梯方案和运行时间变化而改变的，划分给轿厢c_i的区域z_i定义如下:

z_i＝(t_i,b_i,zd_i) (5)

其中,t_i表示划分区域的顶端；b_i表示划分区域的底端；z_i的范围是顶端t_i到底端b_i之间的区域，同时需要保证t_i>b_i；zd_i表示安排给轿厢c_i的呼叫相对于轿厢的方向，如果方向为向上，则b_i为轿厢c_i的起始位置，t_i为轿厢c_i的终止位置，如果方向为向下，则t_i为轿厢c_i的起始位置，b_i为轿厢c_i的终止位置。

为避免同一井道轿厢越限，z_i和z_j(i≠j)需要满足如下条件：

t_j<b_i或t_i<b_j (6)

同时，C_i,t_i和b_i满足如下的条件：

t_i＝max(s_i1,s_i2,…s_ik,…,s_iN,g_i1,g_i2,…g_ik,…,g_iN) (7)

b_i＝min(s_i1,s_i2,…s_ik,…,s_iN,g_i1,g_i2,…g_ik,…,g_iN) (8)

z_i的划分是依据分配给轿厢c_i的呼叫，如果分配给轿厢一个呼叫，则划分给该轿厢的区域范围为乘客的出发层到目的层，当c_i完成派送的所有任务时z_i不再具有区域。

7.按权利要求1所述的基于视觉检测的多轿厢电梯调度方法，其特征在于：

在判断是否存在“空呼叫现象”中，若存在，则删除该呼叫，再次运用Fast R-CNN模型检测候梯厅是否有乘客，若有乘客根据调度时间和拥挤度选定最佳轿厢；若无乘客则为“空呼叫现象”，在未分配的呼叫队列中删除该呼叫。

8.按权利要求1所述的基于视觉检测的多轿厢电梯调度方法，其特征在于：如果不存在未分配呼叫，轿厢返回基站。