一種基于計(jì)算機(jī)視覺的物流倉儲(chǔ)監(jiān)控方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及的是一種基于計(jì)算機(jī)視覺的智能監(jiān)控方法，屬于計(jì)算機(jī)視覺中的目標(biāo) 檢測與跟蹤領(lǐng)域。通過把視頻幀的光照不變性特征和基于循環(huán)矩陣的核方法相結(jié)合，提高 目標(biāo)檢測跟蹤準(zhǔn)確度和實(shí)時(shí)性，適用于公共場所、廠房、倉儲(chǔ)等地方的智能安全監(jiān)控。
【背景技術(shù)】
[0002] 現(xiàn)大多數(shù)物流園區(qū)視頻監(jiān)控采用傳統(tǒng)監(jiān)控方式，在監(jiān)控區(qū)域安裝攝像機(jī)進(jìn)行24 小時(shí)監(jiān)控，監(jiān)控中心進(jìn)行視頻存儲(chǔ)，監(jiān)控中心有保安人員值守，針對重點(diǎn)區(qū)域安裝紅外對射 報(bào)警探測器，一旦有報(bào)警觸發(fā)，保安人員對報(bào)警事件進(jìn)行處理。
[0003] 智能視覺監(jiān)控及相關(guān)技術(shù)同傳統(tǒng)監(jiān)控系統(tǒng)及技術(shù)有著本質(zhì)的區(qū)別，其主要特點(diǎn)是 利用視覺計(jì)算的方法，使計(jì)算機(jī)可在無需人為控制的狀態(tài)下，通過對視頻中運(yùn)動(dòng)目標(biāo)的自 主運(yùn)算和分析，形成對場景中運(yùn)動(dòng)目標(biāo)行為及其相互關(guān)系的高層次語義上的理解，賦予計(jì) 算機(jī)理解動(dòng)態(tài)場景的能力，實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)異常行為的快速檢測，并以最快和最佳的方式發(fā) 出警報(bào)。智能視覺監(jiān)控的應(yīng)用能夠更加有效的協(xié)助監(jiān)控人員處理危機(jī)，降低誤報(bào)和漏報(bào)現(xiàn) 象，最大限度地減少人為干預(yù)，提高監(jiān)控效率，減輕人員的工作負(fù)擔(dān)。
[0004] 智能分析技術(shù)的應(yīng)用，將傳統(tǒng)的被動(dòng)監(jiān)控轉(zhuǎn)化為主動(dòng)監(jiān)控，將值班人員從死盯屏 幕的繁重工作中解脫出來，快速地從海量視頻數(shù)據(jù)中檢索到一定特征的視頻信息，能夠極 大的提高視頻的利用效率，提升監(jiān)控系統(tǒng)的整體性能。其應(yīng)用主要有：
[0005] (1).運(yùn)動(dòng)目標(biāo)檢測：在各種復(fù)雜環(huán)境下有效識別監(jiān)控場景中的運(yùn)動(dòng)目標(biāo)?？勺R別 視頻圖像中的運(yùn)動(dòng)行人、車輛和物體等任何運(yùn)動(dòng)目標(biāo)。
[0006] (2).警戒區(qū)檢測：即當(dāng)監(jiān)控畫面中的行人、車輛以及其它物品進(jìn)入到預(yù)設(shè)區(qū)域 時(shí)，即觸發(fā)入侵報(bào)警。警戒區(qū)是在畫面中預(yù)設(shè)的虛擬區(qū)域，可以是矩形或者不規(guī)則的多邊 形。
[0007] (3).滯留物品檢測：在預(yù)設(shè)區(qū)域中檢測到有物體遺棄，或物體在預(yù)設(shè)時(shí)間內(nèi)未被 取走，即觸發(fā)報(bào)警。
[0008] (4).運(yùn)動(dòng)目標(biāo)跟蹤：檢測到運(yùn)動(dòng)目標(biāo)后，記錄運(yùn)動(dòng)目標(biāo)的狀態(tài)信息，此外還可利 用云臺(tái)控制指令，使攝像頭持續(xù)跟蹤運(yùn)動(dòng)目標(biāo)，獲取更加豐富的運(yùn)動(dòng)目標(biāo)信息。
[0009] (5).物品取走檢測：為防止重要目標(biāo)的丟失，對指定目標(biāo)進(jìn)行定點(diǎn)監(jiān)控，如果該 物品被移動(dòng)，則會(huì)觸發(fā)報(bào)警。
[0010] (6).人臉面部檢測：自動(dòng)提取人體的臉部特征，并通過與數(shù)據(jù)庫的特征匹配來實(shí) 現(xiàn)省份認(rèn)證。
[0011] (7).車輛識別：自動(dòng)檢測視頻中的車輛，同時(shí)提取并存儲(chǔ)車輛的相關(guān)特征，諸如 車型大小、車身色彩、車牌號碼等。
[0012] (8).煙火檢測：通過分析煙霧與火苗燃燒時(shí)所具有的特征，及時(shí)檢測易燃易爆危 險(xiǎn)品存儲(chǔ)倉庫的煙火事件。
[0013] 處理流程可分為三個(gè)步驟：首先從視頻圖像中提取出運(yùn)動(dòng)目標(biāo)；然后對檢測到的 相關(guān)運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤；最后采用智能分析的方法理解目標(biāo)運(yùn)動(dòng)行為。

【發(fā)明內(nèi)容】

[0014] 本發(fā)明的目的是為了克服傳統(tǒng)監(jiān)控的缺點(diǎn)和現(xiàn)已有智能監(jiān)控中目標(biāo)跟蹤中準(zhǔn)確 度和速度不足的問題，提出了一種融合光照不變特征和核循環(huán)變換的目標(biāo)跟蹤方法，提出 的方法在光照劇烈變化及姿態(tài)調(diào)整時(shí)具有較強(qiáng)的魯棒性。
[0015] 根據(jù)本發(fā)明的一個(gè)方面，一種基于計(jì)算機(jī)視覺的物流倉儲(chǔ)監(jiān)控方法，包括：
[0016] 獲取物流倉儲(chǔ)監(jiān)控圖像中的多個(gè)視頻幀；
[0017] 建立局部敏感直方圖計(jì)算公式
b = 1，K，B，計(jì)算監(jiān)控圖 像的歸一化局部敏感直方圖，其中a G (〇，1)是控制降低權(quán)重的參數(shù)，當(dāng)一像素遠(yuǎn)離目標(biāo) 中心時(shí)其值下降。W是像素的總個(gè)數(shù)，B是灰度級的總數(shù)，Q(Iq，b)的值是1當(dāng)灰度值15屬 于灰度級b時(shí)，否則為0 ;
[0018] 利用公式
，計(jì)算視頻圖像的光照不變特征，生成 初始模板，其中k是常數(shù)=0. 1，rp可由kl p近似表示，15表示像素P的灰度值，b 5表示相對 應(yīng)的像素P的灰度值的灰度級；
[0019] 構(gòu)建循環(huán)矩陣，計(jì)算監(jiān)控圖像上每個(gè)像素的權(quán)重a ;
[0020] 計(jì)算新獲取的圖像幀與初始模板之間的置信圖，將置信圖上響應(yīng)最大的位置確定 為跟蹤目標(biāo)位置；
[0021] 在新的位置根據(jù)公式
重新訓(xùn)練a，由插值因子生成目標(biāo)模板和 新的a ;
[0022] 利用新生成的目標(biāo)模板和新的a循環(huán)查找剩余圖像幀上的跟蹤目標(biāo)。
[0023] 可選的，在所述基于多個(gè)視頻幀獲取跟蹤目標(biāo)之后，所述方法還包括：
[0024] 采用余弦窗對獲取的跟蹤目標(biāo)進(jìn)行預(yù)處理。
[0025] 可選的，所述循環(huán)矩陣
，其中u = 0，L，n-l。
[0026] 針對已有核循環(huán)跟蹤算法僅采用像素灰度值進(jìn)行核相關(guān)比較時(shí)對光照變化比較 敏感的確定，本申請結(jié)合光照不變特征提出了一種新的跟蹤算法，該算法即對光照及姿態(tài) 變化有較強(qiáng)的魯棒性，有保持了核循環(huán)跟蹤良好的實(shí)時(shí)性。
【附圖說明】
[0027] 為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實(shí)施例或現(xiàn) 有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本 發(fā)明的一些實(shí)施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以 根據(jù)這些附圖獲得其他的附圖。
[0028] 圖1為本發(fā)明實(shí)施例提供的一種基于計(jì)算機(jī)視覺的物流倉儲(chǔ)監(jiān)控方法的目標(biāo)跟 蹤流程；
[0029] 圖2為本發(fā)明實(shí)施例提供的一種基于計(jì)算機(jī)視覺的物流倉儲(chǔ)監(jiān)控系統(tǒng)架構(gòu)圖；
[0030] 圖3為本發(fā)明實(shí)施例提供的一種基于計(jì)算機(jī)視覺的物流倉儲(chǔ)監(jiān)控網(wǎng)絡(luò)拓?fù)鋱D；
[0031] 圖4為本發(fā)明實(shí)施例提供的一種基于計(jì)算機(jī)視覺的物流倉儲(chǔ)監(jiān)控方法的流程圖。
【具體實(shí)施方式】
[0032] 1核循環(huán)目標(biāo)跟蹤
[0033] 目標(biāo)跟蹤是一個(gè)分類問題，也可以看做為一個(gè)最小化優(yōu)化問題：
[0035] 其中：Xi為樣本，y i為分類標(biāo)簽，A是規(guī)則化參數(shù)，f (x J為線性分類器，在核方法 中，f (x) = < w，x > +b〇
[0036] 當(dāng)（1)式的值最小時(shí)，
[0037] w= (XTX+A I)_1XTy (2)
[0038] 在經(jīng)典的支持向量機(jī)框架理論中，為進(jìn)一步提高分類器的性能，采用脊回歸分類。 樣本x通過函數(shù)妒(§向特征空間映射，映射函數(shù)供⑩可由核函數(shù)=<> 間接表達(dá)。
[0039] 公式⑵可表示為映射函數(shù)的線性組合，即：
[0040] 其中，
[0041] a = (K+ A I) _1y (3)
[0042] 通過樣本的學(xué)習(xí)，尋找a ^司接得到w，使目標(biāo)樣本和模板之間平方和誤差最小，即 求式（1)最小值。在采樣過程中，采用循環(huán)矩陣進(jìn)行稠密采樣，遍歷搜索目標(biāo)周圍區(qū)域，相 當(dāng)于對原始圖像采