用于乘客運輸控制的基于深度傳感器的乘客感測的制作方法

本公開涉及一種乘客運輸，且更明確地說，涉及一種用于電梯的基于深度傳感器的控制。

電梯性能可源自于許多因素。對于電梯乘客，重要因素可包括行進時間。舉例來說，隨著基于時間的參數被最小化，乘客對電梯服務的滿意度會提到。現代電梯系統仍可提供改進的乘客體驗和通行性能的機會。

技術實現要素：

根據本公開的一個公開非限制性實施方案的乘客運輸系統可包括：深度感測傳感器，其用于捕獲鄰近乘客運輸門的視域內的對象的深度圖數據；處理模塊，其與深度感測傳感器可操作地通信來接收深度圖數據，處理模塊使用深度圖數據來追蹤對象并且計算與追蹤對象相關聯的乘客數據；和乘客運輸控制器，其從處理模塊接收乘客數據，其中乘客運輸控制器響應于乘客數據控制乘客運輸調度控制功能。

本公開的另一實施方案可包括，其中深度圖數據是3D深度圖數據。

本公開的前述實施方案中的任一個的另一實施方案可包括，其中深度感測傳感器或技術包括結構光測量、相移測量、飛行時間測量、立體三角測量裝置、光三角測量裝置板(sheet of light triangulation device)、光場相機、編碼孔徑相機、計算成像技術、同時定位和地圖構建(SLAM)、成像雷達、成像聲納、掃描LIDAR、閃光LIDAR、被 動紅外線(PIR)傳感器和小型焦平面陣列(FPA)或包括前述中至少一個的組合。

本公開的前述實施方案中任一個的另一實施方案可包括，其中視域約為180度。

本公開的前述實施方案中任一個的另一實施方案可包括，其中處理模塊計算追蹤對象的對象參數，其中對象參數包括對象計數、位置、尺寸、方向、加速度、速度、對象類別或包括前述中至少一個的組合。

本公開的前述實施方案中任一個的另一實施方案可包括，其中處理模塊與乘客運輸控制器通信且將對象參數傳遞給乘客運輸控制器。

本公開的前述實施方案中任一個的另一實施方案可包括，其中處理模塊基于對象參數計算乘客數據，其中提供給乘客運輸控制器的乘客數據包括估計到達時間、到達概率、協方差、等待乘客運輸的乘客數目或包括前述中至少一個的組合。

本公開的前述實施方案中任一個的另一實施方案可包括，其中追蹤對象的對象參數包括對象類別，且如果對象類別包括乘客，那么處理模塊計算乘客數據。

本公開的前述實施方案中任一個的另一實施方案可包括，其中處理模塊將深度感測傳感器的視域分成第一區域和第二區域，其中第二區域被界定成鄰近乘客運輸門的區域。

本公開的前述實施方案中任一個的另一實施方案可包括，其中乘客數據包括等待乘客運輸的乘客數目，且其中處理模塊基于進入第二區域的追蹤對象數目來遞增等待乘客運輸的乘客數目。

本公開的前述實施方案中任一個的另一實施方案可包括，其中深度感測傳感器位于鄰近乘客運輸門的墻壁上。

本公開的前述實施方案中任一個的另一實施方案可包括，其中深度感測傳感器位于距鄰近門150mm到700mm處。

本公開的前述實施方案中任一個的另一實施方案可包括，其中深度感測傳感器位于約為膝蓋高度。

本公開的前述實施方案中任一個的另一實施方案可包括，其中視域包括鄰近乘客運輸門的乘客等待區域。

本公開的前述實施方案中任一個的另一實施方案可包括，其中視域包括乘客運輸門和至少部分包圍乘客運輸門的區域。

一種提供深度圖數據用于乘客運輸控制的方法，根據本公開的另一公開的非限制性實施方案的方法可包括檢測位于深度感測傳感器視域中的對象；基于距乘客運輸門的距離追蹤對象；計算與追蹤對象相關聯的乘客數據；將乘客數據傳遞給乘客運輸控制器；和響應于乘客數據用乘客運輸控制器控制乘客運輸室。

本公開的前述實施方案中任一個的另一實施方案可包括，其中控制乘客運輸室還包括打開乘客運輸門、移動乘客運輸室、停止乘客運輸室、重新導向乘客運輸室或包括前述中至少一個的組合。

本公開的前述實施方案中任一個的另一實施方案可包括，其中控制還包括響應于乘客數據大致同時調度兩個或多個乘客運輸室。

本公開的前述實施方案中任一個的另一實施方案可包括，其中計算乘客數據包括計算追蹤對象的對象參數，其中對象參數包括位置、尺寸、速度、方向、加速度、對象類別或包括前述中至少一個的組合。

本公開的前述實施方案中任一個的另一實施方案可包括，其中計算乘客數據包括背景減法。

本公開的前述實施方案中任一個的另一實施方案可包括，其中計 算乘客數據包括幀差分。

本公開的前述實施方案中任一個的另一實施方案可包括，其中計算乘客數據包括假數據剔除。

本公開的前述實施方案中任一個的另一實施方案可包括，其中假數據剔除包括：計算深度背景；分割背景對象；移除背景區域；通過3D形態學操作分割移動對象；將移動對象變換到3D全局坐標；估計移動對象的實際高度和實際體積；以及通過幾何過濾從場景移除假移動對象。

本公開的前述實施方案中任一個的另一實施方案可包括，其中3D形態學操作包括通過深度背景減法計算2D前景對象，作為范圍的函數對掩膜尺寸過濾；連接掩膜區域；基于深度間斷性以3D分割對象或包括前述中至少一個的組合。

本公開的前述實施方案中任一個的另一實施方案可包括，其中掩膜內的2D前景對象在任何深度。

前述特征和元件可以各種組合而非排它性地組合，除非另外明確指明。根據下文描述和附圖將變得更明白這些特征和元件以及其操作。然而，應了解下文描述和附圖本質上意欲示例性而非限制性的。

附圖簡述

本領域的技術人員將從下文公開的非限制性實施方案的具體實施方式中明白各種特征。具體實施方式的附圖可簡述如下：

圖1是根據一個公開非限制性實施方案的電梯系統的示意圖；

圖2是根據另一個公開非限制性實施方案的電梯系統的方塊圖；

圖3是根據另一個公開非限制性實施方案的電梯系統的透視圖；

圖4是根據另一個公開非限制性實施方案的電梯系統的算法的方塊圖；

圖5是根據另一個公開非限制性實施方案的電梯系統的算法的方塊圖；

圖6是根據另一個公開非限制性實施方案的電梯系統的方塊圖；

圖7是根據另一個公開非限制性實施方案的電梯系統的算法的方塊圖；

圖8是根據另一個公開非限制性實施方案的電梯系統的方塊圖；

圖9是根據另一個公開非限制性實施方案的電梯系統的算法的方塊圖；

圖10是根據另一個公開非限制性實施方案的電梯系統的算法的方塊圖；

圖11是根據另一個公開非限制性實施方案的電梯系統的算法的方塊圖；

圖12是根據另一個公開非限制性實施方案的電梯系統的方塊圖；

圖13是根據另一個公開非限制性實施方案的電梯系統的算法的方塊圖；

圖14是圖示根據另一個公開非限制性實施方案的電梯系統的操作的示意圖；

圖15是根據另一個公開非限制性實施方案的電梯系統的方塊 圖；

圖16是根據另一個公開非限制性實施方案的電梯系統的算法的方塊圖；

圖17是根據另一個公開非限制性實施方案的電梯系統的人員追蹤器的示意圖；

圖18是根據另一個公開非限制性實施方案的電梯系統的統計高度的圖形表示；

圖19是根據另一個公開非限制性實施方案的電梯系統的方塊圖；

圖20是根據另一個公開非限制性實施方案的電梯系統的平臺的方塊圖；

圖21是根據另一個公開非限制性實施方案的電梯系統的算法的方塊圖；

圖22是通過轎廂內追蹤從起點乘客等待區域到目的地乘客等待區域的乘客追蹤的圖形表示；

圖23是根據另一個公開非限制性實施方案的電梯系統的門配置的示意圖；

圖24是根據另一個公開非限制性實施方案的電梯系統的方塊圖；和

圖25是用于單個用戶的通行列表產生的示意圖；和

圖26是電梯系統的算法的方塊圖。

具體實施方式

圖1示意性地圖示了乘客運輸系統20，諸如電梯系統。系統20可包括電梯轎廂22、電梯門24、大廳電話26、轎廂操作面板(COP)28、傳感器系統30和控制系統32。應了解雖然本文舉實例公開和說明電梯系統，但其它乘客運輸系統諸如公共交通工具、通過各種安全檢查站、觸發視頻監控、旅館房間訪問和其它檢測、安全和識別的訪問控制乘客運輸也將從中受益。即，乘客運輸可廣泛解譯成與個體通行相關聯的控制。還應了解雖然單獨定義特定系統，但系統中的每個或任何個可以另外方式組合或通過硬件和/或軟件分離。

乘客與電梯性能相關聯的行進時間的總量可包括三個時間間隔。第一個時間間隔可以是乘客在大廳等待電梯到達的時間量，下文是“等待時間”。第二個時間間隔可以是“門停留時間”或電梯門打開容許乘客進入或離開電梯的時間量。第三個時間間隔可以是“乘坐時間”或乘客在電梯中花費的時間量。乘坐時間還可包括在中間層停止來容許乘客進入和/或離開電梯的時間，其會在乘坐時間上至少增加停止期間的門停留時間。

各種電梯系統可使用乘客啟動的輸入來發送對服務的需求。舉例來說，來自大廳電話26的輸入可包括按鈕(例如向上、向下或所需目的地)來請求電梯服務。乘客啟動的輸入(例如通過電話按鈕)可通知控制系統32存在乘客等待電梯服務。作為響應，控制系統32可將電梯轎廂22調度到適當樓層。視情況地，一旦在電梯轎廂22內，乘客可按下轎廂操作面板(COP)28上指示所需目的地、方向等的按鈕，且接著控制系統32可將電梯轎廂22調度到所述目的地。

控制系統32可包括具有處理器42、存儲器44和接口46的控制模塊40。控制模塊40可包括中央控制單元的一部分、獨立單元或其它系統(諸如基于云的系統)。處理器42可包括具有所需性能特性的任何類型的微處理器。存儲器44可包括任何類型的計算機可讀介質，其存儲數據且控制本文公開的過程。即，存儲器44是示例性計算機存儲介質，其上可具體實施有計算機可用指令，諸如當執行時可實施 所需方法的過程。控制模塊40的接口46可利于控制模塊40與其他系統之間的通信。

參考圖2，基于深度傳感器的乘客感測系統60可包括與數據捕獲模塊64通信的傳感器62和處理模塊66。基于深度傳感器的乘客感測系統60可以是控制系統32的一部分、獨立單元或其它系統(諸如，與控制系統32通信的基于云的系統)。數據捕獲模塊64和處理模塊66可為傳感器62特有以捕獲和處理來自其的數據。在一個實例中，傳感器62通過數據捕獲模塊64和處理模塊66可操作來獲取深度圖數據，諸如乘客存在于乘客等待區域或大廳H中、乘客的估計到達時間(ETA)、大廳H中的乘客數目等。

根據一個公開非限制性實施方案，傳感器62可安裝在大廳H的墻壁W的下部分中，諸如處于膝蓋高度(圖3)。在本公開非限制性實施方案中，傳感器62包括深度感測傳感器。應了解本公開全文使用的術語“傳感器”是針對任何1D、2D、3D深度傳感器或其組合。這種傳感器可在能夠產生具對應尺寸的深度圖(還已知為點云或占據柵格)的光學、電磁或聲譜下操作。各種深度感測傳感器技術和裝置包括但不限于結構光測量、相移測量、飛行時間測量、立體三角測量裝置、光三角測量裝置板、光場相機、編碼孔徑相機、計算成像技術、同時定位和地圖構建(SLAM)、成像雷達、成像聲納、掃描LIDAR、閃光LIDAR、被動紅外線(PIR)傳感器和小型焦平面陣列(FPA)或包括前述中至少一個的組合。不同技術可包括主動(傳輸和接收信號)或被動(僅接收信號)且可在電磁或聲譜(諸如視覺、紅外線等)的帶下操作。使用深度感測可具有超越常規2D成像的特定優點。使用紅外線感測可具有超越可見光譜成像的特定益處，替代或此外，使得傳感器可以是具有一個或多個像素空間分辨率的紅外線傳感器，例如被動紅外線(PIR)傳感器或小型IR焦平面陣列(FPA)。

應注意，2D成像傳感器(例如常規安全相機)與1D、2D或3D深度感測傳感器之間在深度感測提供許多優點的程度上會存在性質 上和數量上的差異。在2D成像中，在從成像器的每個徑向方向上的來自第一個對象的反射色彩(波長的混合物)被捕獲。接著，2D圖像可包括源照明和場景中對象的光譜反射系數的組合光譜。2D圖像可由人員解譯成圖片。在1D、2D或3D深度感測傳感器中，不存在色彩(光譜)信息；更確切地說，在從傳感器的徑向方向(1D)或方向(2D、3D)上到第一反射對象的距離(深度、范圍)被捕獲。1D、2D和3D技術可具有固有最大可檢測范圍極限且可具有相對低于典型2D成像器的空間分辨率。在對環境照明問題的相對免疫方面，與常規2D成像比較，使用1D、2D或3D深度感測可有利地提供改進型操作、對遮蔽對象的較好分離和較好的私密保護。使用紅外線感測可具有超過可見光譜成像的特定益處。舉例來說，2D圖像會無法被轉變成深度圖且深度圖也無法具有被轉變成2D圖像(例如，至連續深度的人為分配連續色彩或灰度會使人略微類似于人員如何見到2D圖像來粗略地解譯深度圖，其并非常規意義上的圖像。)的能力。無法將深度圖轉變成圖像的能力看似缺點，但在本文公開的某些分析應用中會是有利的。

在一個實例中，傳感器62可以是人眼安全行掃描LIDAR，其中舉例來說，視域(FOV)可約為180度，其可水平覆蓋大廳整個區域或鄰近電梯門24的其它乘客區域(圖2)。舉例來說，LIDAR的輸出可以是在安裝傳感器62的高度處的周圍環境的2D水平掃描。對于主動傳感器，掃描中的每個數據點表示FOV中實體對象點的反射，從其可獲得該對象點的范圍和水平角。舉例來說，LIDAR的掃描速率可以是每次掃描為50ms，這可利于乘客的可靠追蹤。即，在通過處理模塊66應用分析過程之前，LIDAR掃描數據可被轉變成占據柵格表示。每個柵格表示小區域，例如5cm x 5cm。柵格狀態可被數字化指示，例如1或0，來指示每個柵格正方形是否被占用。因此，每個數據掃描可被轉變成二進制圖且這些圖接著用來獲悉大廳的背景模型，例如通過使用被設計或修改用于深度數據的過程，諸如高斯混合物模型(GMM)過程、主成分分析(PCA)過程、編碼本過程或包括 前述中至少一個的組合。

處理模塊66可使用各種3D檢測和追蹤過程(本文另外公開)，諸如背景減法、幀差分和/或假數據剔除，其可使系統更能抵抗假數據。這種假數據可以是深度感測固有的且可隨使用的特定技術改變。對于主動技術，其中發射了特定信號且隨后被檢測

來確定深度(例如結構光、飛行時間、LIDAR等)，高反射表面可產生假深度數據，例如，并非反射表面本身的深度，而是在到反射表面的深度加上從反射表面到一定程度漫反射表面的深度的深度處的漫反射表面的深度。高度漫反射表面無法反射足夠量的傳輸信號來確定會在深度圖中造成假間隙的深度。甚至進一步，環境照明中的變動、其它主動深度傳感器的干涉或信號處理中的不精確度會造成假數據。

參考圖4和圖5，在另一公開非限制性實施方案中，以功能方塊圖公開了用于剔除假數據的過程50、51。這些功能可在專用硬件電路、能夠在基于微處理器的電子控制系統中執行的編程軟件程序或包括前述中至少一個的組合中制定。

假數據剔除過程50可包括多個步驟。首先，可計算深度背景，其可用來從背景(例如墻壁和地板)分割前景對象(例如乘客、行李等)(步驟52)。深度數據可以是三維的。應了解深度數據可替代地被稱為深度圖、點云或占據柵格。深度數據可相對“受干擾”。

基于多維的方式可用來建模深度背景。2D成像器背景建模方法可能不足以用于深度背景建模。舉例來說，深度不確定性可以是范圍的分析函數，深度數據誤差可間斷(或不連續)，且與典型的2D圖像數據(例如，無法由連續概率分布表示)比較，深度分布可以是非高斯的，或包括前述中可使得2D成像器背景建模不足以用于深度背景建模的至少一個的組合。

其次，在背景減法和前景檢測之后，形態學操作可用來過濾隔離小型前景區域(例如，可能是“噪音”)且分割移動對象(稱為斑點)用于進一步分析(步驟54)。這個分析可以3D實施。然而，2D連接組件的3D擴展可能是不合適的，因為3D數據仍自我遮蔽，例如，呈占據柵格的“陰影”。過濾方式可包括擴展2D連接組件使其包括呈占據柵格的“未知”類別用于3D形態過濾的過程。

參考圖5進一步解釋形態過濾。在3D形態過濾51中，可在多個步驟(例如，如圖5中示出，可包括四個連續步驟)中實施對遮蔽的解釋。可通過深度背景減法計算2D前景對象掩膜(步驟53)。掩膜內的前景對象可處于任何深度，且部分或完全遮蔽其后的對象。

可在掩膜上作為范圍函數實施尺寸過濾，其可移除預定尺寸以下的對象(步驟55)。任何“附近”掩膜區域使用2D連接組件連接，其潛在地合并具有不同深度的對象(步驟57)。接著可基于深度間斷性以3D分割對象(步驟59)。一些對象可能在深度間斷分割之后將相對較小，例如，幾乎完全被一個人遮蔽的另一個人將呈現為小型斑點。這種方式可用來追蹤這種小對象使得其可被分類而不是將其過濾出去。

參考圖4，用本文其它地方公開的傳感器校準結果，前景斑點可被變換成3D全局坐標，且可估計其實際高度和體積(步驟56)。如果選擇的特性(諸如高度、寬度、縱橫比、體積、加速度、速度和/或其它時空特性)是在檢測閾值(例如動態計算的閾值、靜態閾值等)之外，那么形態過濾可用來移除斑點。

可應用幾何過濾來進一步移除場景邊界之外的假斑點(步驟58)。深度背景界定環境的3D場景邊界。表示真實對象的斑點應在3D邊界內。即，如果斑點的深度大于深度背景的對應位置的深度，那么斑點在3D邊界之外且可被移除，例如，從反射表面(諸如鏡子)檢測到的斑點。乘客或其它移動對象接著可容易通過背景減法技術來檢 測，其對照明改變、陰影和遮蔽具有高穩健性，從而提供精確的乘客數據。為了進一步增大檢測穩健性，可替代地或另外使用時間信息，例如，通過追蹤。

乘客追蹤還可基于二進制前景圖和追蹤乘客并且估計其速度和移動方向的方法(諸如卡爾曼濾波器)。基于檢測、追蹤和計數，可獲取乘客數據，諸如大廳中存在乘客、估計到達時間(ETA)和等待的乘客數目。接著，這個乘客數據可用來例如改進大廳電話登記和電梯調度。

舉例來說，借助于深度感測裝置的檢測、追蹤和計數可利于接近的乘客登記大廳電話，尤其是在終端樓層；如果轎廂已經在所述樓層，那么為接近的乘客打開轎廂門；基于接近的乘客預先定位轎廂；和/或基于接近的乘客的數目產生多個大廳電話，諸如當多個乘客基本上同時離開研討會時。

在另一公開的非限制性實施方案中，傳感器62可安裝有朝向電梯門24和大廳H的FOV。這個位置利于持續監控大廳H使得可獲得的信息遠遠比僅可在電梯門打開時感測大廳H的轎廂中的傳感器可用的信息更完整且進一步超越其。替代或另外，可如上使用類似過程，但特別設計和訓練用于3D深度圖數據。

參考圖6，在另一公開的非限制性實施方案中，傳感器系統30B可包括在電梯轎廂22內的乘客追蹤系統70以利于電梯門24的操作。乘客追蹤系統70可包括與數據捕獲模塊74通信的傳感器72以及與數據捕獲模塊74和門控制模塊78通信的數據處理模塊76。乘客追蹤系統70可以是控制系統32的一部分、獨立單元或其它系統(諸如，與控制系統32通信的基于云的系統)。

乘客追蹤系統70可特別設計來使用深度圖數據。追蹤可被認為是貝葉斯估計問題，即，在給定先前系統狀態、觀測和不確定性的情況下特定系統狀態的概率是什么。在這種追蹤中，系統狀態可以是追 蹤對象的位置(例如位置)且可能是速度、加速度和其它對象特性，例如如本文另外地方公開的目標特征。不確定性被認為是噪音。取決于針對數學可追蹤性或效率所作出的簡化假設，貝葉斯估計變成卡爾曼濾波(假設高斯加性噪音)的變體或粒子濾波(假設非高斯噪音)的變體。在2D和3D對象追蹤中，目標上存在許多像素/三維像素的情況下，系統狀態通常包括目標表示，其包括有差別的信息，諸如色彩描述符(僅是2D的)、形狀描述符、表面反射率等。可能目標模型是傳感器且是專用的。

用于乘客追蹤系統70的深度數據追蹤的一個公開非限制性實施方案是基于卡爾曼濾波且系統包括五個(5)變量：x、y、h、vx和vy，其表示目標的真實全局x和y位置、高度和在x方向和y方向上的速度。追蹤過程包括兩個步驟：預測和更新。恒定速度模型或其它類型的模型(諸如隨機走動或恒定加速度模型)可應用于預測，且通過模型，先前深度圖中的目標(其狀態)可被轉送到當前深度圖中。視需要可使用更復雜的模型。在更新步驟中，首先當前深度圖中的全部目標使用對象檢測過程(即，基于深度的背景減法和前景分割)檢測，如本文另外地方公開，接著檢測目標基于全局最優分配過程(例如，Munkres分配)與預測目標相關聯。目標的x、y和h變量用作為分配特征。特征(x、y和h)有效地用于針對追蹤關聯區分不同目標。

對于具有相關聯檢測目標的預測目標，可根據卡爾曼等式視觀測用相關聯的檢測目標更新目標系統狀態。對于不具有相關聯檢測目標的預測目標，系統狀態可保持相同，但目標的置信度將減小，例如，針對已經離開的視域的目標。如果置信度下降到預定或選擇值以下，那么將解除追蹤。對于不具有相關聯預測目標的檢測目標，將啟動新的追蹤器。

可替代或另外應用類似粒子濾波的其它追蹤方式，其將在目標突然改變其速度的情況下更穩健。卡爾曼方式需要相對少的計算成本且因此可更適于實時應用。

在這個實施方案中，傳感器72可安裝在電梯轎廂22的頂部，其FOV向下且朝向電梯門24。傳感器72由此可操作來察覺到轎廂22中的乘客，且還在電梯門24打開時可操作來察覺到大廳H中的乘客。數據捕獲模塊74從傳感器72捕獲數據，例如3D深度圖數據。當門控制模塊78發送信號來打開門24時，例如在電梯22停在樓層之后，門控制模塊78還可觸發信號使數據捕獲模塊74捕獲傳感器數據。在一個實施方案中，乘客追蹤僅可在門24打開時啟用和/或可在門24關閉時不啟用。在另一實施方案中，數據捕獲模塊74可持續處理數據且由此檢測門24何時打開，從而消除對來自門控制模塊78的這個信息的需要，使得門控制模塊78沒有門位置信息。

參考圖7，在另一公開非限制性實施方案中，以功能方塊圖公開了用于檢測電梯轎廂22和大廳H中的對象的過程80，且應了解可在專用硬件電路或能夠在基于微處理器的電子控制實施方案中執行的編程軟件程序中制定這些功能。

數據捕獲模塊74將數據傳遞到數據處理模塊76來檢測電梯轎廂22中以及大廳H中的對象(步驟82)。對象檢測可包括如本文其它地方公開的前景檢測和使用用于深度數據的計算機視覺過程的乘客檢測。乘客檢測可通過人類模型擬合(例如通過使用可變形部分模型)和分類來實現，其中檢測和分類可被訓練用于FOV和3D深度圖數據。

接著，將追蹤檢測對象來獲取其移動速度和方向(步驟84)。速度和方向可在傳感器坐標系統中和/或通過傳感器校準處于全局坐標系統中，如本文其它地方另外公開。如果檢測乘客正好站在電梯轎廂22或大廳H中，那么其移動速度是0，其指示這些乘客不會馬上乘坐或離開電梯轎廂22。

對于基于深度圖的追蹤，可使用各種過程，如本文其它地方公開。舉例來說，特定運動檢測功能使用貝葉斯估計來確定乘客是只是正在 移位還是有意從轎廂22內移向門24。這對特定識別擁擠轎廂22后方的乘客想要離開的情況尤其有益。

利用電梯轎廂22和大廳H中的乘客移動速度和方向的信息，可分別控制電梯門24(步驟86)。舉例來說，如果許多乘客乘坐或離開，那么電梯門24可被控制來保持打開比常規相對更久且接著在全部乘客已經乘坐或離開之后迅速關閉。相反地，如果沒有乘客等待乘坐或離開，那么電梯門24可被控制來比常規相對更快地關閉以減少乘客等待時間并提高通行效率。

參考圖8，在另一公開的非限制性實施方案中，傳感器系統30C可包括未占用轎廂確定系統90來利于確定電梯轎廂22是否被占用，因為未占用電梯轎廂22可比占用電梯轎廂22有利地移動快五倍到十倍，或以使乘客不舒適的其它方式和/或在編碼限制內移動。

未占用轎廂確定系統90可包括與數據捕獲模塊94通信的傳感器92，以及與數據捕獲模塊94和轎廂狀態模塊98通信的數據處理模塊96。未占用轎廂確定系統90可以是控制系統32的一部分、獨立單元或其它系統(諸如，與控制系統32通信的基于云的系統)。未占用轎廂確定系統90可另外包括負載傳感器100，其與數據捕獲模塊94和數據處理模塊96通信。

參考圖9，在另一公開的非限制性實施方案中，以功能方塊圖公開了用于確定電梯轎廂22未被占用的過程110，且應了解可在專用硬件電路或能夠在基于微處理器的電子控制實施方案中執行的編程軟件程序中制定這些功能。

負載傳感器100可操作以感測電梯轎廂22的當前負載重量，且還可進一步確定感測的負載重量是否小于預設閾值。負載傳感器100還可觸發信號給數據捕獲模塊94來指示電梯轎廂22較高概率(例如，大于80％或90％或95％)是空的(步驟111)。如果數據捕獲模塊94從負載傳感器100接收空信號，那么數據捕獲模塊94將把當前深度 圖傳感器視圖傳送到數據處理模塊96(步驟112)用于通過應用數據捕獲過程進一步確認轎廂22是空的(步驟113)。然而，負載傳感器100可以是相關過程傳感器且會容易隨時間改變其精確度。如果負載傳感器100足夠不精確，那么可期望數據捕獲模塊94繼續運行而不是由負載傳感器100觸發。

將3D深度感測傳感器用作為傳感器92利于通過轎廂內前景檢測或乘客檢測確認空轎廂，其中各個分析過程被修改而在深度數據下操作，如本文其它地方公開。3D深度感測傳感器可利于精確識別乘客、之前無法檢測的對象(例如，諸如公文包、雨傘、行李等)或包括前述中至少一個的組合。這種識別可伴隨有聽得見的通知，舉例來說，“請牢記您的財物”。應了解可替代地提供其它適當警報。

數據處理模塊96的輸出可包括指示轎廂22是否被確認未占用(步驟114)的信號。在這個信號下，可精確地應用電梯待機模式、未占用移動模式和/或多轎廂功能(步驟120)。

來自數據處理模塊96的信號可另外或替代地被輸入到負載傳感器100用于重新校準來維持其精確度(步驟116)。舉例來說，在通過傳感器92確認空轎廂22之后，可重新校準負載傳感器100。特定來說，如果確認轎廂22是空的，那么由負載傳感器100感測的負載重量可被設置成零，或可使用差值來調整負載感測等式中的偏移量。

在另一公開的非限制性實施方案中，可使用未占用轎廂管理系統120來利于電梯轎廂電話的操作、轎廂調度和轎廂運動，其是基于確定電梯轎廂22是否未被占用來進行管理。更特定來說，未占用轎廂管理系統120可被使用以在轎廂22未被占用時取消全部其余轎廂電話、平衡轎廂22之間的乘客數目、將乘客引導到特定轎廂22和/或改變運動輪廓來增強乘客體驗、改進調度和/或提高通過量。

參考圖10，在另一公開的非限制性實施方案中，傳感器系統30D可包括電梯監控系統130以利于檢測電梯轎廂22內的對象和/或滯留 乘客。電梯監控系統130可包括傳感器132，諸如3D深度感測傳感器。使用3D深度感測傳感器易于克服2D成像固有的限制，諸如照明改變和遮蔽，如本文其它地方公開。

傳感器132與數據捕獲模塊134通信，且數據處理模塊136與數據捕獲模塊132和救援中心模塊138通信。系統130可以是控制系統32的一部分、獨立單元或其它系統(諸如，與控制系統32通信的基于云的系統)。

電梯操作監控模塊140還可與數據捕獲模塊134通信。電梯操作監控模塊140監控電梯系統20的狀態且如果存在任何故障，那么電梯操作監控模塊140會觸發傳感器132。數據捕獲模塊134在被觸發時將從傳感器132捕獲一個或多個深度圖用于傳遞到數據處理模塊136。數據處理模塊136接收3D深度圖數據且可應用各種分析過程來確定電梯轎廂22中是否存在任何乘客或對象，如本文其它地方公開。數據捕獲模塊134還可在不被電梯操作監控模塊140觸發的情況下繼續運行。

在諸如停電的故障下，可提供備用電池142來繼續3D感測和處理。繼續的3D感測和處理的實施方式因此可以是通過在斷電條件下審慎使用來保存電池壽命。

參考圖11，在另一公開的非限制性實施方案中，以功能方塊圖公開了用于操作電梯監控系統130的過程150，且應了解可在專用硬件電路或能夠在基于微處理器的電子控制實施方案中執行的編程軟件程序中制定這些功能。

過程150提供初始數據處理來基于深度背景減法而提取前景區域(步驟152)。深度背景模型可推理產生且視需要進行更新。舉例來說，深度背景模型的產生可基于編碼本過程。用主動3D傳感器的深度背景減法有利地耐抗照明改變，因為傳輸的信號用來確定深度。

接著，基于深度圖和空間信息分割前景區域(步驟154)。在這個步驟中，對應于不同乘客或其它對象(諸如行李)的區域可從背景中分割出。最后，用人形模型檢查每個分割區域來確定深度數據是否是人(步驟156)。在一個實例中，基于深度的人形模型可以是可變形部分模型來增大對遮蔽的耐抗。基于部分的模型還可被訓練用于深度數據和傳感器FOV來增大精確度。可針對不同乘客姿勢建立多個模型，諸如站立、坐下和躺下。接著，舉例來說，輸出結果來指示乘客或對象的數目(步驟158)。數據處理模塊136因此不僅輸出關于電梯轎廂22中是否存在滯留乘客的信息，還將滯留乘客數目的信息輸出來傳遞到救援中心模塊138以利于合適的救援響應。

參考圖12，在另一公開的非限制性實施方案中，傳感器系統30E可包括特殊負載系統160以利于檢測特殊負載狀況。如本文定義，特殊負載狀況可包括負載除了人類乘客之外的任何對象和比常規花費相對較長時間的任何負載，例如，輪椅、老年人、帶有較大行李架的乘客等。

在檢測特殊負載狀況下，特殊負載系統160改進了乘客體驗和通行性能。舉例來說，電梯控制器32的電梯調度系統可給電梯轎廂22分配足夠自由空間且電梯門控制器78(圖6)可使電梯門24保持較長時間打開來適應較慢移動的乘客或其它特殊負載狀況，諸如大行李(其甚至可能進出轎廂22多次來裝載)、服務車或甚至是自動車輛。

特殊負載系統160可包括傳感器162(安裝在大廳H中或在遠程信息亭中)來通過本文其它地方公開的分析而查看需要電梯轎廂22的乘客。將3D深度感測傳感器用作為傳感器162克服了2D成像器的上述基本局限性。

傳感器162與數據捕獲模塊164通信，數據捕獲模塊164與數據處理模塊166通信，數據處理模塊166與數據捕獲模塊164和特殊負載檢測模塊168通信。特殊負載檢測模塊168還可從分類器模塊170 接收信息且與電梯控制系統172通信。系統160可以是控制系統32的一部分、獨立單元或其它系統(諸如，與控制系統32通信的基于云的系統)。

參考圖13，在另一公開的非限制性實施方案中，以功能方塊圖公開了用于操作特殊負載系統160的過程180，且應了解可在專用硬件電路或能夠在基于微處理器的電子控制實施方案中執行的編程軟件程序中制定這些功能。

首先，如本文公開，響應于檢測到乘客需要召喚電梯轎廂(步驟182)，特殊負載過程180將從傳感器162獲取深度圖數據(步驟184)且接著將深度圖數據傳遞到數據處理模塊166(步驟186)。數據處理模塊166接著操作來從背景分割出前景對象，如本文其它地方公開(步驟168)。這利于聚焦于前景對象且消除背景影響。被適當修改且訓練用于深度數據的各種背景建模和減法過程可應用于分割前景對象，如本文其它地方公開。

在已經分割前景對象之后，空間或時空分類方式利于檢測這些前景對象是否構成特殊負載狀況(步驟190)。對于特殊負載狀況的一般情況，可能難以針對全部可能的特殊負載狀況手動定義有用的特征并且包括傳感器數據和環境中的大量可能變動。因此，特殊負載過程180可被訓練來獲悉不同于常規負載的特殊負載狀況的特征或特征層級。

在這些自動獲悉的特征下，可通過分類器模塊170有效地分類特殊負載檢測(步驟192)。舉例來說，分類步驟190可以是特征獲悉和分類，諸如通過深入學習網或稀有學習字典。可有利地使用本領域中已知的其它分類器。舉例來說，可脫機實施分類器訓練用于各個對象，且對于實時檢測，對象檢測可基于預定要求特別定制。這允許特殊負載系統160更適于各種特殊負載檢測需要以及容易提供可量測性。

另外，檢測到的特殊負載狀況可被構建到鄰近電梯的樓層面積。舉例來說，這種制圖構建可包括距電話按鈕信息亭的距離和實際移動速度，使得電梯控制系統172可為特定調度決定和運動/門控制而定制(步驟194)。舉例來說，這可以在一個步驟中實施。舉例來說，識別每個特殊負載狀況時，分類器直接輸出獲悉的所需樓層面積和實際移動速度。在替代實施方案中，這可在兩個步驟中實施，首先分類特殊負載狀況，接著針對特殊負載狀況調節傳感器數據的隨后處理，舉例來說，來計算樓層面積、速度或其它信息。

在一個實例中，且參考圖14，可追蹤特殊負載狀況，諸如在信息亭“K”上按按鈕的攜帶行李箱“L”的乘客，來獲取移動速度“S”，從而從到電梯轎廂22的距離“D”提供ETA(估計到達時間)。ETA因此可用于適當調度和在充足停留時間內的門控制。

參考圖15，在另一公開的非限制性實施方案中，傳感器系統30F可包括自動校準系統200以利于精確確定關鍵的校準參數而不是依賴于安裝者的勞力、技能和另外設備。

自動校準系統200可包括傳感器202，諸如3D深度感測傳感器，其可實施其它功能，諸如本文其它地方公開的功能。傳感器202可布置在電梯轎廂22內或在電梯大廳H內。傳感器202與數據捕獲模塊204通信，且數據捕獲模塊204與數據處理模塊206通信且可與自動校準過程210通信。數據處理模塊206還可與自動校準過程210通信。自動校準系統200可以是控制系統32的一部分、獨立單元或其它系統(諸如，與控制系統32通信的基于云的系統)。

數據處理模塊206還包括過程210(圖16)用于自動校準系統200的操作。在另一公開的非限制性實施方案中，以功能方塊圖公開了用于傳感器202的自動校準的過程210，且應了解可在專用硬件電路或能夠在基于微處理器的電子控制實施方案中執行的編程軟件程序中制定這些功能

最初，可通過使用如本文其它地方公開的背景減法和前景分割由視域中移動對象的系統200來確定傳感器坐標系統的至少一次測量。接著，用來建立數學關系(諸如捕獲校準信息的變換矩陣)的數據被記錄到關于通過全局坐標(x,y,z)空間的乘客移動的傳感器坐標系統(u,v,d)中(步驟214)。

接著，關于場景幾何的假設(例如，樓層是平坦的；乘客直立站在地面上；乘客不改變高度；門與地面垂直等)用來比較記錄的傳感器坐標系統數據與關于乘客高度的的統計數據(圖17和圖18；步驟216)。例如，通過滿足簡單縱橫比閾值的連接組件來檢測直立乘客。一旦檢測到足夠的直立乘客，就可確定地板平面且可針對每個地板位置計算乘客的高度分布。

從對乘客高度分布的預定了解(圖18)，可校準Z軸(步驟218)。從乘客高度分布的這個Z軸校準可被認為是系統識別問題，其中必需持久且充分的輸入是通過視域的乘客的尺寸和運動。記錄的高度數據可在設置周期期間收集，保存一段時間段和/或受到遺忘因素的影響。

從作為范圍的函數的視在高度或三維像素縱橫比，接著可基于Z軸校準來校準(X,Y)軸(步驟220)。傳感器坐標數據接著可被映射到絕對或“公制”單位的全局坐標系統中(步驟222)。

為了進一步利于識別乘客的意圖(諸如接近、離開或經過)，還可確定電梯門24的位置。電梯門24的位置可基于各種方法來確定，諸如檢測乘客出現、消失的位置、深度改變檢測、電梯轎廂的深度、電梯門水平移動和形狀識別。即，還可延伸場景幾何的推論來定位門、視域邊緣等。另外，任何這些技術可在方便的情況下與安裝者輸入組合。所述方法可監控校準信息的矩陣數學關系估計的收斂來確定何時已經達到足夠精確度。

在替代實施方案中，可在傳感器坐標系統(u,v,d)中估計地板平面和電梯門位置且可在這個坐標系統中實施全部追蹤。在這種情況下， 可通過定時乘客追蹤來獲悉估計到達時間，例如作為經驗圖的函數。

在替代實施方案中，可在試運轉期間通過使安裝者遵循標準操作程序來建立電梯門24的位置，因此校準試驗臺相對于電梯門24定位。舉例來說，試驗臺可定位成與電梯門24的中心齊平且與電梯門24垂直定向。另外特征可用來指示具有獨特識別特征的校準試驗臺上的每個校準點，諸如使用顏色、形狀或圖案，諸如QR碼。

在另一替代實施方案中，可識別除了電梯門24之外的其它受關注區域。例如，可指定乘客固定工具的位置(諸如COP 28)、目的地入口信息亭、自動扶梯入口/出口平臺的位置、轉門/訪問控制裝置的位置、房間入口、門口等。

參考圖19，在另一公開的非限制性實施方案中，傳感器系統30G可包括乘客追蹤系統230來檢測大廳H和電梯轎廂22中的乘客而將全部信息鏈接在一起以針對建筑中的每個個體產生通行列表(圖20)用于各種應用。舉例來說，基于通行列表信息的通行圖案預測可集中在整個建筑層面的乘客通行信息上而不是單個區域或多個區域。通行列表信息提供了關于建筑中乘客行為的更詳細信息，且還可用于除了電梯控制和調度之外的各種應用。

乘客追蹤系統230可包括多個傳感器242，其通過控制系統32與電梯系統20通信。在一個實例中，傳感器242位于每個大廳H和每個電梯轎廂22中。或者，傳感器242僅位于每個電梯轎廂22中。傳感器242可以是2D成像器、3D深度感測傳感器或其任何組合。

參考圖21，在這個公開的非限制性實施方案中，以功能方塊圖公開了用于操作電梯追蹤系統230的過程250，且應了解可在專用硬件電路或能夠在基于微處理器的電子控制實施方案中執行的編程軟件程序中制定這些功能。

通行列表(圖20)包含已經使用電梯的每個個體乘客的詳細信 息，諸如到達時間、起點大廳、目的地大廳等。為了產生通行列表，從大廳的起點開始追蹤每個個體乘客，直到乘客離開目的地大廳時為止，以及在起點大廳與目的地大廳之間的轎廂內追蹤。

為了產生追蹤列表，傳感器242可基于各種乘客檢測和追蹤過程收集乘客信息，如本文其它地方公開。最初，當人員出現在大廳時或從電梯轎廂22離開之后可檢測和追蹤每個人員(步驟252)。如果傳感器242是3D深度傳感器，那么可應用本文其它地方公開的檢測和追蹤過程。如果傳感器242是2D成像傳感器，那么可由多個注冊傳感器信道通過輸入圖像的線性和/或非線性變換來計算“完整信道特征”，接著可通過提升算法(boosting)獲悉基于“完整信道特征”的乘客檢測模型，其提供了穩健且快速的方式來獲悉給定的大量候選特征，且當與串聯分類器耦接時成了快速檢測器。舉例來說，這個檢測和追蹤過程可基于2D RGB視頻。

在一個實施方案中，設計了兩個追蹤器來追蹤一個目標：通過在線提升算法的頭部肩部追蹤器和基于粒子濾波的身體追蹤器。空間局限性還可用來組合兩個追蹤器，且提升的在線分類器可維持用于遮蔽和消失判斷。

舉例來說，當人員進入電梯轎廂時，轎廂內的檢測和追蹤被觸發(步驟254)。即，每個人員在轎廂內時且當人員在目的地大廳時被追蹤(步驟256)。對于轎廂內的追蹤，傳感器相對朝下查看，因此乘客將看似只有頭部和肩部出現在視域中。這在當其中乘客擁擠時會使追蹤變復雜。為了解決2D圖像傳感器的這個復雜處，舉例來說，每個乘客的頭部首先通過圓霍夫變換被檢測，接著形成基于光流的運動估計來過濾出靜止候選者并調整頭部檢測結果來封圍每個乘客。為了進一步利于轎廂內追蹤，運動導向的粒子濾波方式可組合兩個特征，例如HSV色彩柱狀圖和邊緣定向柱狀圖，且基于運動估計使用有效的模型更新策略。

為了使在一個傳感器的FOV中追蹤的人員與另一傳感器的FOV中追蹤的同一人員保持相關聯，大廳/過道追蹤和轎廂內追蹤在當乘客從大廳/過道移動到轎廂中時相關聯且反之亦然。2D圖像傳感器移交關聯問題可對重疊和非重疊視域以及校準和非校準視域使用視覺監視技術。在一個實例中，可使用色彩或形狀計算描述符(例如特征向量)，且接著這個描述符用來計算跨過不同視域的正確關聯。

在3D追蹤中，無法用共通2D描述符(諸如色彩)和2D投影形狀(例如，2D梯度)。這樣，可使用3D描述符，即，表面反射率柱狀圖、空間定向的3D梯度的柱狀圖(HoSG3D)等。HoSG3D不同于2D HoG3D描述符，因為第三維是空間，而在HoG3D中，第三維是時間。然而，乘客形狀乘客可充分類似于僅使用HoSG3D會不具充分判別力來清楚將追蹤從一個傳感器移交到另一個。

在另一實施方案中，進入電梯轎廂的乘客自然順序可用來關聯追蹤，例如，一個感測體積中的第一消失追蹤與另一感測體積中的第一新獲追蹤相關聯等。即，也可能不足夠精確，因為乘客在離開兩個感測體積時可能交換順序，且不會發生轎廂進入的嚴格順序。為了確保精確度，重疊、校準感測體積提供了更好的性能，因為可已知重疊感測體積中的對象位置處于相同空間位置。

在另一實施方案中，或可使用上述技術的組合。當多種技術提供了正確追蹤關聯的矛盾信息時，可通過解決貝葉斯估計問題來最大化在給定觀測和不確定性下正確關聯的概率來解決不明確性。將意識到關聯問題的其它數學公式是可能的。針對位于大廳中的傳感器242A與位于電梯轎廂22中的傳感器242B之間的追蹤移交，可使用基于圖表的最優化方式(圖22)。在一個實例中，基于圖表的最優化方式包括三層節點，表示起點大廳的追蹤、轎廂內追蹤和目的地大廳追蹤。

接著，通過基于圖表的最優化260來找到整體最佳路徑而解決追蹤移交。示例性基于圖表的最優化260可通過順序和時間差來加權。 即，當乘客通常以順序方式進入和離開轎廂時，容易實現其過濾來通過權重和節點的類似處而提供最佳路徑。

參考圖23，如果電梯門24打開，那么門24的垂直邊緣(當被基于線的霍夫變換檢測時)將按順序橫穿區域1、2和3，且如果門關閉，那么門邊緣將按順序橫穿區域3、2、1。電梯門24的位置還可通過位于電梯轎廂22中的傳感器242B或位于大廳H中的傳感器242A來確認，其中查看電梯門24來確認門正打開、打開了、正關閉、關閉了。即，電梯門狀態可從電梯控制器32輸入或可由傳感器242A/242B檢測來提高追蹤移交解決方案的性能和效率。舉例來說，僅在當電梯門打開時才需要實施追蹤移交。應了解其它運輸也將受益于此。

參考圖24，在另一公開的非限制性實施方案中，傳感器系統30H可包括基于融合的乘客追蹤系統270來預測乘客的可能移動，接著基于瞬時需要適當地分配電梯轎廂以便為建筑中的電梯乘客帶來更多效率和便利。具有完整精確通行列表的電梯系統(圖20)可(舉例來說)基于每小時、每天、每星期等來預測乘客的可能移動，且基于預期通行使用電梯來為電梯乘客提高效率和便利。為了實現穩健通行列表的產生，提供了基于融合的通行列表產生方法。

現在參考圖25，基于融合的乘客追蹤系統270可包括多個安全傳感器280a到280n，其通過控制系統32與電梯系統20通信。即，來自本質上為控制系統32提供數據的安全傳感器280的傳感器數據包括但不限于面部識別、徽章識別、指紋虹膜數據、安全卡信息等。在沒有監控覆蓋的區域或未很好實施分析過程的區域，額外安全傳感器可識別人員且接著使用傳感器融合關閉通行列表中的間隙來使整個過程更穩健。在身份與乘客相關聯的任何情況中，保存身份和關聯乘客追蹤數據的方式是通過使用加密、認證和其它安全措施來保護隱私。

傳感器融合可通過貝葉斯推論來實施，但在替代實施方案中可通過任何熟知技術來實施。利用安全信息和通行歷史數據，可確定在建筑中移動的人員的圖案來了解常規行為并且提高電梯服務。在這個公開的非限制性實施方案中，通行列表含有使用電梯傳感器284的乘客的詳細信息以及來自各個安全傳感器280的安全數據。來自各個傳感器的數據被融合且通過控制系統32被傳遞到電梯系統20。識別信息與這個人的視覺描述特征鏈接，因此在不同成像器或傳感器視野下的整個通行列表將具有ID信息。即，乘客通行列表是基于大廳和轎廂追蹤結果之間的協調(“移交”)。接著，融合的數據可用以利于電梯調度。

可預定義移交規則，諸如先進先出規則。對于先進先出規則，當大廳傳感器和轎廂傳感器同時針對相同區域中追蹤的目標進行操作，且一個乘客從大廳移動來乘坐轎廂時，這個離開大廳進入轎廂的信息就可用來將來自大廳的追蹤器鏈接到轎廂中的追蹤器。當乘客離開轎廂且進入大廳時，類似規則(離開轎廂進入大廳)可應用于使轎廂中的追蹤器與大廳中的追蹤器鏈接。

在一個實例中，安全傳感器識別特定乘客且與全部其它傳感器共享其安全數據而使追蹤結果與該乘客的ID鏈接。第二，在一些區域中，其中未安裝安全傳感器，安全憑證信息可用來繼續追蹤建筑中存在該乘客且以這種方式繼續為所述乘客產生通行列表。還可與其它成像器或傳感器共享源自于一個成像器或傳感器視野的額外信息來進一步改進跨過非重疊視野的追蹤關聯。

可使用對乘客意欲目的地的可能性預測的貝葉斯推論隨時間組合單個乘客的通行列表，其中時間作為參數。這種系統可獲悉乘客A總是清早到樓層N，通常在中午到樓層C(自助餐廳)且總是在傍晚到停車庫。

另外，可再次使用貝葉斯推論隨時間組合多個乘客的通行列表， 其中時間作為參數。這種系統利于在日常以及周末、假期等期間用于整個建筑的電梯用途的統計分布確定。這個消息可用于預先分配轎廂來運行(甚至是有意跳過樓層)用于有效停置、調度轎廂等。

給出通行列表的信息，通過用于實時解決最優化問題的技術來實現電梯最優化。通行列表信息還可用于其它電梯相關應用(諸如電梯日常負載估計)來提供一個精確的能量報告用于將來的能量節約、基于反常通行列表信息的電梯系統診斷、現代化價值主張等。

參考圖26，在另一公開的非限制性實施方案中，過程300可進一步使用電梯傳感器284，以及來自各個安全傳感器280的安全數據來為乘客便利識別特定乘客，從而最優化電梯操作、改進操作和/或用于各種安全目的。過程300允許多個乘客同時進入轎廂而不混淆目的地。

最初，例如當乘客接近電梯時可在起點大廳識別乘客(步驟302)。電梯傳感器284可同時操作、全異視角、多傳感器識別、特定組合2D成像器；和1D、2D或3D深度傳感器以及其替代物或組合，即2D/3D。再者，來自各個成像器和深度傳感器的數據被融合且通過控制系統32傳遞到電梯系統20。舉例來說，可通過乘客已知的事物(例如密碼)、乘客擁有的事物(例如令牌或ID卡)和/或乘客類別(例如獨特生物特征)來識別乘客。在一個生物特征實例中，面部識別相對便宜且良好發展。

接著，基于被識別人員登記用于預定義目的地樓層的電話(步驟304)。期望樓層的確定可由人員事先錄音或可由通行分析(諸如通過通行列表)自動獲悉。即使利用識別和追蹤能力，在沒有能夠忽略異常值的統計分析下，即由于偶然的非典型電梯使用，無法自動辨別特定個體的圖案。在一個實施方案中，使用用于這種異常值忽略獲悉的穩健主要成分分析(RPCA)。在另一實施方案中，可使用貝葉斯推論。

接著，特定電梯轎廂被分配給人員，且所述人員被引導到適當轎 廂(步驟306)。各種分配可基于特定識別、普通用途等，使得特定乘客總是被引導到最近轎廂、最快轎廂到達他或她的目的地等。

如果人員乘坐錯誤轎廂或被導向錯誤轎廂，那么分配的轎廂還可裝配有警報。警報可基于追蹤乘客進入轎廂，然而警報不一定是要求離開，因為這種要求會造成消極的顧客體驗。在一個實例中，警報可用來撤銷先前轎廂中的乘客且登記新轎廂22中的意欲目的地樓層。電梯調度接著可實時重新最優化，包括重新引導乘客穿過空中大廳來提供期望的通過量和顧客體驗。

接著，可追蹤乘客從大廳進入轎廂，在中轉期間，接著通過目的地大廳，如上文討論。在一些情況中，當在轎廂內追蹤乘客時，可識別不同目的地的選擇。舉例來說，當追蹤乘客以與目的地一致時，人員已經按下按鈕來改變目的地的分析以及關于按下哪個按鈕的來自轎廂控制器的時間相關信息可用來識別目的地的改變。一旦識別目的地的改變，由此就可實施通過量最優化。

舉例來說，如果乘客在不同于為該特定乘客登記的目的地錯誤地離開，那么過程300還可警告乘客(步驟308)。在一個實施方案中，可期望在乘客實際上錯誤離開之前就警告乘客。過程300由此可通過追蹤分析推斷乘客企圖或開始朝向門移動，例如朝向轎廂前部移動。顧客警報可通過聽得見的聲音信號完成。或者，為了安全目的，警報可安靜地通知安全人員或系統且追蹤乘客。

本文公開和描繪的元件(包括附圖中的流程圖和方塊圖)意指元件之間的邏輯邊界。然而，根據軟件或硬件工程實踐，描繪的元件及其功能可通過計算機可執行介質在機器上執行，計算機可執行介質具有能夠執行存儲在其上的程序指令的處理器，所述程序指令作為單片軟件結構、作為獨立軟件模塊或作為使用外部程序、代碼、服務等的模塊，或這些的任何組合，且全部這些執行方案可落入本公開的范圍內。

應了解相對位置術語(諸如“向前”、“向后”、“上”、“下”、“上方”、“下方”、“底部”、“頂部”等)是參考常規操作姿勢且不應被認為是以另外方式限制。

應了解貫穿多幅圖中的相同參考數字識別對應或類似元件。還應了解雖然圖示的實施方案中公開了特定組件配置，但其它配置將受益于此。

雖然不同非限制性實施方案具有特定說明的組件，但本發明的實施方案不限于這些特定組合。可能使用來自任何非限制性實施方案的組件或特征中的一些與來自任何其它非限制性實施方案的特征或組件組合。

雖然示出、公開和要求了特定步驟順序，但應了解步驟可以任何次序實施、分離或組合，除非另外指明，且仍將受益于本公開。

前述描述是示例性的而非定義成受限于其內。本文公開了各種非限制性實施方案，然而，本領域的一般技術人員將意識到根據上述教示，各種修改和變更將落入附屬權利要求的范圍內。因此，將了解在附屬權利要求的范圍內，可實行除了特定公開之外的公開內容。由于這個原因，應研讀附屬權利要求來確定真實范圍和內容。