久久精品国产69国产精品亚洲_日韩欧美亚洲一区_免费观看污网站_欧美在线一

現代物流倉庫安全管理的趨勢是信息化、網絡化和智能化, 很多企業也與時俱進, 努力進行倉庫安全的自動化改造。倉庫的安全管理主要是對人員、車輛和物資的安全管理, 可視化的視頻監控已經從普通的人工監控階段過渡到智能化的監控, 智能監控的運用, 提高了倉庫的信息化管理水平, 提高了倉庫監控區域的安全管理, 其中目標檢測技術的算法研究是實現智能監控的重要的基礎性工作, 因此具有重大的實際研究意義。本文主要是在淮南市愛一方電子商務企業倉庫監控區域的環境下進行的研究, 通過對視頻監控圖像的智能分析, 檢測出異常行為, 并及時自動發送報警信息, 從而提高該企業倉庫的安全管理水平。

通過大量文獻的閱讀, 可以把目標檢測運動物體的方法總體上分為三類:光流法、相鄰幀差法和背景差分法。光流法是通過灰度模式運動而檢測前景目標, 在一定的約束條件下, 根據視頻序列中的像素強度信息在時間上的變化和相關性確定每個像素的運動, 并對其進行分析從而把前景目標從背景中分離出來。但是光流法抗噪性能差、計算方法復雜, 很難實現運動目標的實時檢測。相鄰幀差法的基本思想是在一段連續的視頻幀中對相鄰兩幀或多幀進行差值運算作絕對值, 然后選取一個閾值進行判斷, 得到二值化圖像, 提取前景目標。但相鄰幀差法提取的前景目標輪廓稀疏, 容易出現空洞現象。背景差分法的基本思想是差分當前幀和參考幀獲取前景目標, 主要應用于攝像機固定的情況下視頻圖像的前景檢測。在眾多目標檢測算法中, 目前應用較為廣泛的背景模型是由Crimson和Stauffer提出的高斯混合模型 (Gaussian Mixture Model, GMM) 。其在交通、醫療、通信等眾多領域都有應用, 高斯混合模型能夠模擬現實的多模態場景, 對緩慢的光照變化、樹葉晃動等具有較好的處理效果, 其結構簡單, 設置的參數少, 擬合性良好等, 因此本文選擇用高斯混合模型來檢測運動目標。

在企業物流系統中, 倉儲承擔著貨物的收發、儲存、保管保養、控制、監督等多種職能, 倉儲在維持生產穩定、在售品穩定、平衡企業物流和企業流動資金方面發揮著重要的作用。倉庫安全管理一方面是對倉庫儲存物資的管理, 另一方面是對倉庫人員和設備的管理, 倉庫安全管理的目標是發現、分析和消除倉庫安全管理過程中各種危險和潛在威脅, 保護倉庫中人與財物不遭受破壞。隨著計算機技術、自動化控制技術、通信技術和圖像分析技術的進步, 淮南市愛一方電子商務企業也開始關注倉庫安全管理的智能化水平的提高, 在倉庫重要區域安裝網絡數字視頻監控設備。該企業倉庫每日進出貨量比較大, 產品款式種類多, 另外倉庫人員和外來人員進出頻繁, 這就導致傳統的人工監視視頻設備無法滿足安全性要求, 加上人自身生理的需要暫時離開或者偷懶, 這就需要企業采取更先進的技術來實現實時監控、及時反饋的目標。智能監控便應運而生, 通過在嵌入式視頻服務器中, 集成智能行為識別算法, 能夠對畫面場景中的人或車輛的行為進行識別、判斷, 檢測出異常行為, 及時發送報警信息提示安保人員及時采取應對措施, 從而確保倉儲貨物和人員的安全。

該企業主要是從事網絡零售行業, 倉庫庫存量大, 產品款式有200余種, 每日出票2000件左右, 為保證貨物及時發出, 熱銷產品需提前包裝好等待出庫, 每日固定時間, 快遞人員過去掃描出貨, 但貨物經常會有丟件無攬件記錄情況, 通過視頻監控回放也很難檢查出問題所在, 而且浪費人力和大量的時間, 從根本上無法解決此類問題, 因此, 企業在倉儲安全管理上, 應該學習用先進科學的分析工具預判檢查安全隱患, 然后有針對性地采取改善措施, 與時俱進, 采用智能化、網絡化、模塊化的倉儲安全監控系統, 實現實時監控、實時響應, 及時避免安全事故發生。同時要加強對倉庫監控區域的自動化管理, 實時監控和管理倉庫人員、貨物和設備, 提高倉儲安全管理的智能化水平和可靠性程度, 降低倉儲安全管理的成本, 提高生產效率, 推進倉儲安全管理的科學化和現代化進程。

高斯混合模型是由Crimson和Stauffer在單高斯模型的基礎上提出的, 是用多個高斯函數對背景模擬, 對場景變化、遮擋等問題有較好的處理效果, 是一種經典的運動目標檢測和跟蹤算法, 采用統計學特征表征背景模型, 能適應復雜的場景, 如搖動的樹葉, 雨雪天氣, 光線的變化等等, 具有良好的魯棒性, 同時計算量不是太大, 能基本滿足實際應用中對算法的實時性要求。

高斯混合模型的基本思想是:采集視頻數據建立背景模型, 初始化K (一般取3-7) 個高斯分布函數對背景中每個像素的顏色特征建模, 并對每個高斯成分的均值和方差進行更新, 然后通過一個閾值判斷該像素是否與背景模型匹配, 若滿足條件, 則該像素被認為是背景點, 不滿足條件則認為是前景點。在高斯混合模型中, 為了便于計算, 假設各像素之間RGB的三個顏色分量互不相關, 對各像素點的處理是相互獨立的, 具有相同的方差。其中, K的值越大, 越能適應場景的變化, 模擬背景的處理效果也更好, 但是會增加模型的計算量, 因此并不是K越大越好, 當K大于一定值以后, 算法處理能力大大降低, 運輸速度也會變得很慢。高斯混合模型可以概括為以下幾個步驟:建立背景模型、參數初始化及參數更新、生成背景模型和提取運動目標等。

高斯混合模型是對視頻圖像幀的每一個像素建立K個多維高斯分布來混合模擬該點的背景值。對于視頻中的t時刻, 設每個像素點顏色取值用變量Xt表示, 其概率密度函數可用如下三維高斯函數表示:

式中K表示高斯成分的個數, wi, t表示t時刻高斯混合模型中第i個模型的權值, 其中wi, t滿足

式中η (Xt, μi, t, ∑i, t表示t時刻第i個高斯分布, 定義如下:

此式中n表示像素的維數, μ和∑分別表示高斯混合模型的均值和協方差矩陣。

圖1 高斯混合模型建模流程   下載原圖

參數初始化是創建視頻圖像的第一幀中每個對應像素的K個高斯分布的平均值, 對每個高斯分布賦予指定的方差和相同的權重。根據視頻序列的實時更新, 將新的圖像幀中的每個像素與相應的高斯成分逐一匹配檢驗, 然后判斷該高斯成分是否需要更新。參數更新的速率決定模型的收斂速度和算法的運算效率, 從而影響高斯混合模型算法的魯棒性和實時性。

將當前幀的像素點Xt與其K個高斯分布比較, 若滿足:

則此像素點與模型匹配, 此時更新模型參數:

若匹配時像素不滿足模型, 則對相應的模型的權值作衰減:

式中, α為學習速率, ρ為更新速率。

如果全部高斯成分中沒有一個能和當前幀的像素點值Xt匹配, 用一個新的高斯成分替換權重最小的那個高斯成分, 用當前像素點值Xt作為新高斯成分的均值, 其方差初始化為一個較大的值, 權重初始化為一個較低的值。

首先, 把每一個像素所有的高斯分布按照ω/σ從大到小進行排列, 然后設定一個閾值T (0.5<T<1) , 滿足閾值條件的像素點判定為背景點, 不滿足的則為前景點, 這樣就生成了背景模型。其具體表達式如下:

上式中T的值越小, B的值就越大, 即高斯分布的個數就越多, 也就有更多的像素歸類為背景像素, 但是, T的值偏小會使高斯混合模型模擬的背景簡單化, 導致得出的目標不理想, 不能滿足實際需要。反之, 如果T的值過大則會增加模型的計算量, 同時可能漏檢目標。因此T的設定非常重要。

為了驗證本文提出的倉庫智能監控環境下高斯混合模型對視頻運動目標的檢測性能, 在Intel (R) Core (TM) i7-8550U CPU@1.80GHz 1.99GHz、8.00G RAM, Windows 10、64位操作系統, 基于X64的處理器的計算機上, 采用Visual Studio2010和Open CV2.4.9軟件進行仿真實驗, 實驗選擇了3段不同分辨率、不同背景環境的視頻序列, 進行對比實驗, 以測試高斯混合模型的檢測性能。其中視頻信息如表1所示。

表1 測試視頻詳細信息     下載原表

圖2 實驗結果   下載原圖

圖2 實驗結果   下載原圖

圖2 (a) 選取的視頻test1.avi第85幀原始圖像, 倉庫光線比較暗, 在照明燈燈光的環境下, 圖2 (b) 選取的視頻test2.avi第88幀原始圖像, 倉庫日光光線基本良好, 背景環境比較復雜, 圖2 (c) 選取的視頻test3.avi第99幀原始圖像, 倉庫光線稍暗, 背景較為復雜, 圖2 (d) 、圖2 (e) 、圖2 (f) 分別為上述原始圖像對應的檢測結果。從實驗結果可以看出, 在復雜的倉庫背景環境下, 采用高斯混合模型算法的檢測效果能夠較好地檢測出運動目標, 檢測運動目標的輪廓比較完整, 具有較好的魯棒性, 能夠精準地檢測和跟蹤運動目標信息, 去除噪聲等干擾, 并適用于運動目標的實時監控系統。結語

針對物流倉庫倉儲安全管理的問題, 在智能監控環境下, 本文提出采用高斯混合模型的運動目標檢測與跟蹤方法, 對倉庫視頻監控圖像中運動目標進行檢測和智能分析。通過上述實驗結果證明, 基于高斯混合模型的運動目標檢測與跟蹤方法檢測結果較為理想, 其跟蹤精度高, 對光照變化與陰影具有魯棒性, 適合用在運動目標實時監測的場合, 對提高倉庫安全管理具有一定的參考價值。