一種基于計算機視覺的物流倉儲監控方法
【技術領域】
[0001] 本發明涉及的是一種基于計算機視覺的智能監控方法，屬于計算機視覺中的目標 檢測與跟蹤領域。通過把視頻幀的光照不變性特征和基于循環矩陣的核方法相結合，提高 目標檢測跟蹤準確度和實時性，適用于公共場所、廠房、倉儲等地方的智能安全監控。
【背景技術】
[0002] 現大多數物流園區視頻監控采用傳統監控方式，在監控區域安裝攝像機進行24 小時監控，監控中心進行視頻存儲，監控中心有保安人員值守，針對重點區域安裝紅外對射 報警探測器，一旦有報警觸發，保安人員對報警事件進行處理。
[0003] 智能視覺監控及相關技術同傳統監控系統及技術有著本質的區別，其主要特點是 利用視覺計算的方法，使計算機可在無需人為控制的狀態下，通過對視頻中運動目標的自 主運算和分析，形成對場景中運動目標行為及其相互關系的高層次語義上的理解，賦予計 算機理解動態場景的能力，實現運動目標異常行為的快速檢測，并以最快和最佳的方式發 出警報。智能視覺監控的應用能夠更加有效的協助監控人員處理危機，降低誤報和漏報現 象，最大限度地減少人為干預，提高監控效率，減輕人員的工作負擔。
[0004] 智能分析技術的應用，將傳統的被動監控轉化為主動監控，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據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，提升監控系統的整體性能。其應用主要有：
[0005] (1).運動目標檢測：在各種復雜環境下有效識別監控場景中的運動目標。可識別 視頻圖像中的運動行人、車輛和物體等任何運動目標。
[0006] (2).警戒區檢測：即當監控畫面中的行人、車輛以及其它物品進入到預設區域 時，即觸發入侵報警。警戒區是在畫面中預設的虛擬區域，可以是矩形或者不規則的多邊 形。
[0007] (3).滯留物品檢測：在預設區域中檢測到有物體遺棄，或物體在預設時間內未被 取走，即觸發報警。
[0008] (4).運動目標跟蹤：檢測到運動目標后，記錄運動目標的狀態信息，此外還可利 用云臺控制指令，使攝像頭持續跟蹤運動目標，獲取更加豐富的運動目標信息。
[0009] (5).物品取走檢測：為防止重要目標的丟失，對指定目標進行定點監控，如果該 物品被移動，則會觸發報警。
[0010] (6).人臉面部檢測：自動提取人體的臉部特征，并通過與數據庫的特征匹配來實 現省份認證。
[0011] (7).車輛識別：自動檢測視頻中的車輛，同時提取并存儲車輛的相關特征，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所具有的特征，及時檢測易燃易爆危 險品存儲倉庫的煙火事件。
[0013] 處理流程可分為三個步驟：首先從視頻圖像中提取出運動目標；然后對檢測到的 相關運動目標進行跟蹤；最后采用智能分析的方法理解目標運動行為。
【發明內容】
[0014] 本發明的目的是為了克服傳統監控的缺點和現已有智能監控中目標跟蹤中準確 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變換的目標跟蹤方法，提出 的方法在光照劇烈變化及姿態調整時具有較強的魯棒性。
[0015] 根據本發明的一個方面，一種基于計算機視覺的物流倉儲監控方法，包括：
[0016] 獲取物流倉儲監控圖像中的多個視頻幀；
[0017] 建立局部敏感直方圖計算公式
b = 1，K，B，計算監控圖 像的歸一化局部敏感直方圖，其中a G (〇，1)是控制降低權重的參數，當一像素遠離目標 中心時其值下降。W是像素的總個數，B是灰度級的總數，Q(Iq，b)的值是1當灰度值15屬 于灰度級b時，否則為0 ;
[0018] 利用公式
，計算視頻圖像的光照不變特征，生成 初始模板，其中k是常數=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 應的像素P的灰度值的灰度級；
[0019] 構建循環矩陣，計算監控圖像上每個像素的權重a ;
[0020] 計算新獲取的圖像幀與初始模板之間的置信圖，將置信圖上響應最大的位置確定 為跟蹤目標位置；
[0021] 在新的位置根據公式
重新訓練a，由插值因子生成目標模板和 新的a ;
[0022] 利用新生成的目標模板和新的a循環查找剩余圖像幀上的跟蹤目標。
[0023] 可選的，在所述基于多個視頻幀獲取跟蹤目標之后，所述方法還包括：
[0024] 采用余弦窗對獲取的跟蹤目標進行預處理。
[0025] 可選的，所述循環矩陣
，其中u = 0，L，n-l。
[0026] 針對已有核循環跟蹤算法僅采用像素灰度值進行核相關比較時對光照變化比較 敏感的確定，本申請結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 變化有較強的魯棒性，有保持了核循環跟蹤良好的實時性。
【附圖說明】
[0027] 為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現 有技術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 發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以 根據這些附圖獲得其他的附圖。
[0028] 圖1為本發明實施例提供的一種基于計算機視覺的物流倉儲監控方法的目標跟 蹤流程；
[0029] 圖2為本發明實施例提供的一種基于計算機視覺的物流倉儲監控系統架構圖；
[0030] 圖3為本發明實施例提供的一種基于計算機視覺的物流倉儲監控網絡拓撲圖；
[0031] 圖4為本發明實施例提供的一種基于計算機視覺的物流倉儲監控方法的流程圖。
【具體實施方式】
[0032] 1核循環目標跟蹤
[0033] 目標跟蹤是一個分類問題，也可以看做為一個最小化優化問題：
[0035] 其中：Xi為樣本，y i為分類標簽，A是規則化參數，f (x J為線性分類器，在核方法 中，f (x) = < w，x > +b〇
[0036] 當（1)式的值最小時，
[0037] w= (XTX+A I)_1XTy (2)
[0038] 在經典的支持向量機框架理論中，為進一步提高分類器的性能，采用脊回歸分類。 樣本x通過函數妒(§向特征空間映射，映射函數供⑩可由核函數=<> 間接表達。
[0039] 公式⑵可表示為映射函數的線性組合，即：
[0040] 其中，
[0041] a = (K+ A I) _1y (3)
[0042] 通過樣本的學習，尋找a ^司接得到w，使目標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，采用循環矩陣進行稠密采樣，遍歷搜索目標周圍區域，相 當于對原始圖像采