现代物流货仓宁静治理的趋势是信息化、网络化和智能化, 许多企业也与时俱进, 努力进行货仓宁静的自动化革新 。货仓的宁静治理主要是对人员、车辆和物资的宁静治理, 可视化的视频监控已经从普通的人工监控阶段过渡到智能化的监控, 智能监控的运用, 提高了货仓的信息化治理水平, 提高了货仓监控区域的宁静治理, 其中目标检测技术的算法研究是实现智能监控的重要的基础性事情, 因此具有重大的实际研究意义 。本文主要是在淮南市爱一方电子商务企业货仓监控区域的情况下进行的研究, 通过对视频监控图像的智能剖析, 检测出异常行为, 并实时自动发送报警信息, 从而提高该企业货仓的宁静治理水平 。
通过大宗文献的阅读, 可以把目标检测运动物体的要领总体上分为三类:光流法、相邻帧差法和配景差分法 。光流法是通过灰度模式运动而检测前景目标, 在一定的约束条件下, 凭据视频序列中的像素强度信息在时间上的变革和相关性确定每个像素的运动, 并对其进行剖析从而把前景目标从配景中疏散出来 。可是光流法抗噪性能差、盘算要领庞大, 很难实现运动目标的实时检测 。相邻帧差法的基本思想是在一段连续的视频帧中对相邻两帧或多帧进行差值运算作绝对值, 然后选取一个阈值进行判断, 获得二值化图像, 提取前景目标 。但相邻帧差法提取的前景目标轮廓稀疏, 容易泛起空洞现象 。配景差分法的基本思想是差分目今帧和参考帧获取前景目标, 主要应用于摄像机牢固的情况下视频图像的前景检测 。在众多目标检测算法中, 目前应用较为广泛的配景模型是由Crimson和Stauffer提出的高斯混淆模型 (Gaussian Mixture Model, GMM) 。其在交通、医疗、通信等众多领域都有应用, 高斯混淆模型能够模拟现实的多模态场景, 对缓慢的光照变革、树叶晃动等具有较好的处理效果, 其结构简单, 设置的参数少, 拟合性良好等, 因此本文选择用高斯混淆模型来检测运动目标 。
在企业物流系统中, 仓储担负着货物的收发、贮存、保管保养、控制、监督等多种职能, 仓储在维持生产稳定、在售品稳定、平衡企业物流和企业流动资金方面发挥着重要的作用 。货仓宁静治理一方面是对货仓贮存物资的治理, 另一方面是对货仓人员和设备的治理, 货仓宁静治理的目标是发明、剖析和消除货仓宁静治理历程中种种危险和潜在威胁, �；せ醪种腥擞氩莆锊辉馐芷苹� 。随着盘算机技术、自动化控制技术、通信技术和图像剖析技术的进步, 淮南市爱一方电子商务企业也开始关注货仓宁静治理的智能化水平的提高, 在货仓重要区域装置网络数字视频监控设备 。该企业货仓每日进出货量比较大, 产品款式种类多, 另外货仓人员和外来人员进出频繁, 这就导致古板的人工监视视频设备无法满足宁静性要求, 加上人自身生理的需要暂时离开或者偷懒, 这就需要企业接纳更先进的技术来实现实时监控、实时反响的目标 。智能监控便应运而生, 通过在嵌入式视频效劳器中, 集成智能行为识别算法, 能够对画面场景中的人或车辆的行为进行识别、判断, 检测出异常行为, 实时发送报警信息提示安保人员实时接纳应对步伐, 从而确保仓储货物和人员的宁静 。
该企业主要是从事网络零售行业, 货仓库存量大, 产品款式有200余种, 每日出票2000件左右, 为包管货物实时发出, 热销产品需提前包装好期待出库, 每日牢固时间, 快递人员已往扫描出货, 但货物经�；嵊卸蘩考吐记榭�, 通过视频监控回放也很难检查出问题所在, 并且浪费人力和大宗的时间, 从基础上无法解决此类问题, 因此, 企业在仓储宁静治理上, 应该学习用先进科学的剖析工具预判检查宁静隐患, 然后有针对性地接纳改善步伐, 与时俱进, 接纳智能化、网络化、�？榛牟执⒛布嗫叵低�, 实现实时监控、实时响应, 实时制止宁静事故爆发 。同时要增强对货仓监控区域的自动化治理, 实时监控和治理货仓人员、货物和设备, 提高仓储宁静治理的智能化水平和可靠性水平, 降低仓储宁静治理的本钱, 提高生产效率, 推进仓储宁静治理的科学化和现代化进程 。
高斯混淆模型是由Crimson和Stauffer在单高斯模型的基础上提出的, 是用多个高斯函数对配景模拟, 对场景变革、遮挡等问题有较好的处理效果, 是一种经典的运动目标检测和跟踪算法, 接纳统计学特征表征配景模型, 能适应庞大的场景, 如摇动的树叶, 雨雪天气, 光线的变革等等, 具有良好的鲁棒性, 同时盘算量不是太大, 能基本满足实际应用中对算法的实时性要求 。
高斯混淆模型的基本思想是:收罗视频数据建立配景模型, 初始化K (一般取3-7) 个高斯漫衍函数对配景中每个像素的颜色特征建模, 并对每个高斯身分的均值和方差进行更新, 然后通过一个阈值判断该像素是否与配景模型匹配, 若满足条件, 则该像素被认为是配景点, 不满足条件则认为是前景点 。在高斯混淆模型中, 为了便于盘算, 假设各像素之间RGB的三个颜色分量互不相关, 对各像素点的处理是相互独立的, 具有相同的方差 。其中, K的值越大, 越能适应场景的变革, 模拟配景的处理效果也更好, 可是会增加模型的盘算量, 因此并不是K越大越好, 当K大于一定值以后, 算法处理能力大大降低, 运输速度也会变得很慢 。高斯混淆模型可以概括为以下几个办法:建立配景模型、参数初始化及参数更新、生成配景模型和提取运动目标等 。
高斯混淆模型是对视频图像帧的每一个像素建立K个多维高斯漫衍来混淆模拟该点的配景值 。关于视频中的t时刻, 设每个像素点颜色取值用变量Xt体现, 其概率密度函数可用如下三维高斯函数体现:
式中K体现高斯身分的个数, wi, t体现t时刻高斯混淆模型中第i个模型的权值, 其中wi, t满足
式中η (Xt, μi, t, ∑i, t体现t时刻第i个高斯漫衍, 界说如下:
此式中n体现像素的维数, μ和∑划分体现高斯混淆模型的均值和协方差矩阵 。
参数初始化是创立视频图像的第一帧中每个对应像素的K个高斯漫衍的平均值, 对每个高斯漫衍付与指定的方差和相同的权重 。凭据视频序列的实时更新, 将新的图像帧中的每个像素与相应的高斯身分逐一匹配检验, 然后判断该高斯身分是否需要更新 。参数更新的速率决定模型的收敛速度和算法的运算效率, 从而影响高斯混淆模型算法的鲁棒性和实时性 。
将目今帧的像素点Xt与其K个高斯漫衍比较, 若满足:
则此像素点与模型匹配, 此时更新模型参数:
若匹配时像素不满足模型, 则对相应的模型的权值作衰减:
式中, α为学习速率, ρ为更新速率 。
如果全部高斯身分中没有一个能和目今帧的像素点值Xt匹配, 用一个新的高斯身分替换权重最小的那个高斯身分, 用目今像素点值Xt作为新高斯身分的均值, 其方差初始化为一个较大的值, 权重初始化为一个较低的值 。
首先, 把每一个像素所有的高斯漫衍凭据ω/σ从大到小进行排列, 然后设定一个阈值T (0.5<T<1) , 满足阈值条件的像素点判定为配景点, 不满足的则为前景点, 这样就生成了配景模型 。其具体表达式如下:
上式中T的值越小, B的值就越大, 即高斯漫衍的个数就越多, 也就有更多的像素归类为配景像素, 可是, T的值偏小会使高斯混淆模型模拟的配景简单化, 导致得出的目标不睬想, 不可满足实际需要 。反之, 如果T的值过大则会增加模型的盘算量, 同时可能漏检目标 。因此T的设定很是重要 。
为了验证本文提出的货仓智能监控情况下高斯混淆模型对视频运动目标的检测性能, 在Intel (R) Core (TM) i7-8550U CPU@1.80GHz 1.99GHz、8.00G RAM, Windows 10、64位操作系统, 基于X64的处理器的盘算机上, 接纳Visual Studio2010和Open CV2.4.9软件进行仿真实验, 实验选择了3段差别区分率、差别配景情况的视频序列, 进行比照实验, 以测试高斯混淆模型的检测性能 。其中视频信息如表1所示 。
图2 (a) 选取的视频test1.avi第85帧原始图像, 货仓光线比较暗, 在照明灯灯光的情况下, 图2 (b) 选取的视频test2.avi第88帧原始图像, 货仓日光光线基本良好, 配景情况比较庞大, 图2 (c) 选取的视频test3.avi第99帧原始图像, 货仓光线稍暗, 配景较为庞大, 图2 (d) 、图2 (e) 、图2 (f) 划分为上述原始图像对应的检测结果 。从实验结果可以看出, 在庞大的货仓配景情况下, 接纳高斯混淆模型算法的检测效果能够较好地检测出运动目标, 检测运动目标的轮廓比较完整, 具有较好的鲁棒性, 能够精准地检测和跟踪运动目标信息, 去除噪声等滋扰, 并适用于运动目标的实时监控系统 。结语
针对物流货仓仓储宁静治理的问题, 在智能监控情况下, 本文提出接纳高斯混淆模型的运动目标检测与跟踪要领, 对货仓视频监控图像中运动目标进行检测和智能剖析 。通过上述实验结果证明, 基于高斯混淆模型的运动目标检测与跟踪要领检测结果较为理想, 其跟踪精度高, 对光照变革与阴影具有鲁棒性, 适适用在运动目标实时监测的场合, 对提高货仓宁静治理具有一定的参考价值 。
【本文标签】
【责任编辑】yd2333云顶电子游戏云仓
yd2333云顶电子游戏冷链物流与茶百道告竣相助：在现代快节奏的生活中，奶茶已经成为了许多人生活中的···【详情+】
yd2333云顶电子游戏家人们！春暖花开，春意盎然，在这个温暖的日子，荣誉降生在安徽的铜陵，等了很久···【详情+】
手机二维码
