一种基于计算机视觉的物流仓储监控方法

【技术领域】

[0001] 本发明涉及的是一种基于计算机视觉的智能监控方法，属于计算机视觉中的目标 检测与跟踪领域。通过把视频帧的光照不变性特征和基于循环矩阵的核方法相结合，提高 目标检测跟踪准确度和实时性，适用于公共场所、厂房、仓储等地方的智能安全监控。

【背景技术】

[0002] 现大多数物流园区视频监控采用传统监控方式，在监控区域安装摄像机进行24 小时监控，监控中心进行视频存储，监控中心有保安人员值守，针对重点区域安装红外对射 报警探测器，一旦有报警触发，保安人员对报警事件进行处理。

[0003] 智能视觉监控及相关技术同传统监控系统及技术有着本质的区别，其主要特点是 利用视觉计算的方法，使计算机可在无需人为控制的状态下，通过对视频中运动目标的自 主运算和分析，形成对场景中运动目标行为及其相互关系的高层次语义上的理解，赋予计 算机理解动态场景的能力，实现运动目标异常行为的快速检测，并以最快和最佳的方式发 出警报。智能视觉监控的应用能够更加有效的协助监控人员处理危机，降低误报和漏报现 象，最大限度地减少人为干预，提高监控效率，减轻人员的工作负担。

[0004] 智能分析技术的应用，将传统的被动监控转化为主动监控，将值班人员从死盯屏 幕的繁重工作中解脱出来，快速地从海量视频数据中检索到一定特征的视频信息，能够极 大的提高视频的利用效率，提升监控系统的整体性能。其应用主要有：

[0005] (1).运动目标检测：在各种复杂环境下有效识别监控场景中的运动目标。可识别 视频图像中的运动行人、车辆和物体等任何运动目标。

[0006] (2).警戒区检测：即当监控画面中的行人、车辆以及其它物品进入到预设区域 时，即触发入侵报警。警戒区是在画面中预设的虚拟区域，可以是矩形或者不规则的多边 形。

[0007] (3).滞留物品检测：在预设区域中检测到有物体遗弃，或物体在预设时间内未被 取走，即触发报警。

[0008] (4).运动目标跟踪：检测到运动目标后，记录运动目标的状态信息，此外还可利 用云台控制指令，使摄像头持续跟踪运动目标，获取更加丰富的运动目标信息。

[0009] (5).物品取走检测：为防止重要目标的丢失，对指定目标进行定点监控，如果该 物品被移动，则会触发报警。

[0010] (6).人脸面部检测：自动提取人体的脸部特征，并通过与数据库的特征匹配来实 现省份认证。

[0011] (7).车辆识别：自动检测视频中的车辆，同时提取并存储车辆的相关特征，诸如 车型大小、车身色彩、车牌号码等。

[0012] (8).烟火检测：通过分析烟雾与火苗燃烧时所具有的特征，及时检测易燃易爆危 险品存储仓库的烟火事件。

[0013] 处理流程可分为三个步骤：首先从视频图像中提取出运动目标；然后对检测到的 相关运动目标进行跟踪；最后采用智能分析的方法理解目标运动行为。

【发明内容】

[0014] 本发明的目的是为了克服传统监控的缺点和现已有智能监控中目标跟踪中准确 度和速度不足的问题，提出了一种融合光照不变特征和核循环变换的目标跟踪方法，提出 的方法在光照剧烈变化及姿态调整时具有较强的鲁棒性。

[0015] 根据本发明的一个方面，一种基于计算机视觉的物流仓储监控方法，包括：

[0016] 获取物流仓储监控图像中的多个视频帧；

[0017] 建立局部敏感直方图计算公式

b = 1，K，B，计算监控图 像的归一化局部敏感直方图，其中a G (〇，1)是控制降低权重的参数，当一像素远离目标 中心时其值下降。W是像素的总个数，B是灰度级的总数，Q(Iq，b)的值是1当灰度值15属 于灰度级b时，否则为0 ;

[0018] 利用公式

，计算视频图像的光照不变特征，生成 初始模板，其中k是常数=0. 1，rp可由kl p近似表示，15表示像素P的灰度值，b 5表示相对 应的像素P的灰度值的灰度级；

[0019] 构建循环矩阵，计算监控图像上每个像素的权重a ;

[0020] 计算新获取的图像帧与初始模板之间的置信图，将置信图上响应最大的位置确定 为跟踪目标位置；

[0021] 在新的位置根据公式

重新训练a，由插值因子生成目标模板和 新的a ;

[0022] 利用新生成的目标模板和新的a循环查找剩余图像帧上的跟踪目标。

[0023] 可选的，在所述基于多个视频帧获取跟踪目标之后，所述方法还包括：

[0024] 采用余弦窗对获取的跟踪目标进行预处理。

[0025] 可选的，所述循环矩阵

，其中u = 0，L，n-l。

[0026] 针对已有核循环跟踪算法仅采用像素灰度值进行核相关比较时对光照变化比较 敏感的确定，本申请结合光照不变特征提出了一种新的跟踪算法，该算法即对光照及姿态 变化有较强的鲁棒性，有保持了核循环跟踪良好的实时性。

【附图说明】

[0027] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以 根据这些附图获得其他的附图。

[0028] 图1为本发明实施例提供的一种基于计算机视觉的物流仓储监控方法的目标跟 踪流程；

[0029] 图2为本发明实施例提供的一种基于计算机视觉的物流仓储监控系统架构图；

[0030] 图3为本发明实施例提供的一种基于计算机视觉的物流仓储监控网络拓扑图；

[0031] 图4为本发明实施例提供的一种基于计算机视觉的物流仓储监控方法的流程图。

【具体实施方式】

[0032] 1核循环目标跟踪

[0033] 目标跟踪是一个分类问题，也可以看做为一个最小化优化问题：

[0035] 其中：Xi为样本，y i为分类标签，A是规则化参数，f (x J为线性分类器，在核方法 中，f (x) = < w，x > +b〇

[0036] 当(1)式的值最小时，

[0037] w= (XTX+A I)_1XTy (2)

[0038] 在经典的支持向量机框架理论中，为进一步提高分类器的性能，采用脊回归分类。 样本x通过函数妒(§向特征空间映射，映射函数供⑩可由核函数=<> 间接表达。

[0039] 公式⑵可表示为映射函数的线性组合，即：

[0040] 其中，

[0041] a = (K+ A I) _1y (3)

[0042] 通过样本的学习，寻找a ^司接得到w，使目标样本和模板之间平方和误差最小，即 求式(1)最小值。在采样过程中，采用循环矩阵进行稠密采样，遍历搜索目标周围区域，相 当于对原始图像采