亚洲一区精品无码,免费无码不卡视频在线观看,亚洲精品国产suv一区88,少妇爆乳无码av无码专区

現(xiàn)代物流倉(cāng)庫(kù)安全管理的趨勢(shì)是信息化、網(wǎng)絡(luò)化和智能化, 很多企業(yè)也與時(shí)俱進(jìn), 努力進(jìn)行倉(cāng)庫(kù)安全的自動(dòng)化改造。倉(cāng)庫(kù)的安全管理主要是對(duì)人員、車(chē)輛和物資的安全管理, 可視化的視頻監(jiān)控已經(jīng)從普通的人工監(jiān)控階段過(guò)渡到智能化的監(jiān)控, 智能監(jiān)控的運(yùn)用, 提高了倉(cāng)庫(kù)的信息化管理水平, 提高了倉(cāng)庫(kù)監(jiān)控區(qū)域的安全管理, 其中目標(biāo)檢測(cè)技術(shù)的算法研究是實(shí)現(xiàn)智能監(jiān)控的重要的基礎(chǔ)性工作, 因此具有重大的實(shí)際研究意義。本文主要是在淮南市愛(ài)一方電子商務(wù)企業(yè)倉(cāng)庫(kù)監(jiān)控區(qū)域的環(huán)境下進(jìn)行的研究, 通過(guò)對(duì)視頻監(jiān)控圖像的智能分析, 檢測(cè)出異常行為, 并及時(shí)自動(dòng)發(fā)送報(bào)警信息, 從而提高該企業(yè)倉(cāng)庫(kù)的安全管理水平。

通過(guò)大量文獻(xiàn)的閱讀, 可以把目標(biāo)檢測(cè)運(yùn)動(dòng)物體的方法總體上分為三類(lèi):光流法、相鄰幀差法和背景差分法。光流法是通過(guò)灰度模式運(yùn)動(dòng)而檢測(cè)前景目標(biāo), 在一定的約束條件下, 根據(jù)視頻序列中的像素強(qiáng)度信息在時(shí)間上的變化和相關(guān)性確定每個(gè)像素的運(yùn)動(dòng), 并對(duì)其進(jìn)行分析從而把前景目標(biāo)從背景中分離出來(lái)。但是光流法抗噪性能差、計(jì)算方法復(fù)雜, 很難實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)的實(shí)時(shí)檢測(cè)。相鄰幀差法的基本思想是在一段連續(xù)的視頻幀中對(duì)相鄰兩幀或多幀進(jìn)行差值運(yùn)算作絕對(duì)值, 然后選取一個(gè)閾值進(jìn)行判斷, 得到二值化圖像, 提取前景目標(biāo)。但相鄰幀差法提取的前景目標(biāo)輪廓稀疏, 容易出現(xiàn)空洞現(xiàn)象。背景差分法的基本思想是差分當(dāng)前幀和參考幀獲取前景目標(biāo), 主要應(yīng)用于攝像機(jī)固定的情況下視頻圖像的前景檢測(cè)。在眾多目標(biāo)檢測(cè)算法中, 目前應(yīng)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(yī)療、通信等眾多領(lǐng)域都有應(yīng)用, 高斯混合模型能夠模擬現(xiàn)實(shí)的多模態(tài)場(chǎng)景, 對(duì)緩慢的光照變化、樹(shù)葉晃動(dòng)等具有較好的處理效果, 其結(jié)構(gòu)簡(jiǎn)單, 設(shè)置的參數(shù)少, 擬合性良好等, 因此本文選擇用高斯混合模型來(lái)檢測(cè)運(yùn)動(dòng)目標(biāo)。

在企業(yè)物流系統(tǒng)中, 倉(cāng)儲(chǔ)承擔(dān)著貨物的收發(fā)、儲(chǔ)存、保管保養(yǎng)、控制、監(jiān)督等多種職能, 倉(cāng)儲(chǔ)在維持生產(chǎn)穩(wěn)定、在售品穩(wěn)定、平衡企業(yè)物流和企業(yè)流動(dòng)資金方面發(fā)揮著重要的作用。倉(cāng)庫(kù)安全管理一方面是對(duì)倉(cāng)庫(kù)儲(chǔ)存物資的管理, 另一方面是對(duì)倉(cāng)庫(kù)人員和設(shè)備的管理, 倉(cāng)庫(kù)安全管理的目標(biāo)是發(fā)現(xiàn)、分析和消除倉(cāng)庫(kù)安全管理過(guò)程中各種危險(xiǎn)和潛在威脅, 保護(hù)倉(cāng)庫(kù)中人與財(cái)物不遭受破壞。隨著計(jì)算機(jī)技術(shù)、自動(dòng)化控制技術(shù)、通信技術(shù)和圖像分析技術(shù)的進(jìn)步, 淮南市愛(ài)一方電子商務(wù)企業(yè)也開(kāi)始關(guān)注倉(cāng)庫(kù)安全管理的智能化水平的提高, 在倉(cāng)庫(kù)重要區(qū)域安裝網(wǎng)絡(luò)數(shù)字視頻監(jiān)控設(shè)備。該企業(yè)倉(cāng)庫(kù)每日進(jìn)出貨量比較大, 產(chǎn)品款式種類(lèi)多, 另外倉(cāng)庫(kù)人員和外來(lái)人員進(jìn)出頻繁, 這就導(dǎo)致傳統(tǒng)的人工監(jiān)視視頻設(shè)備無(wú)法滿足安全性要求, 加上人自身生理的需要暫時(shí)離開(kāi)或者偷懶, 這就需要企業(yè)采取更先進(jìn)的技術(shù)來(lái)實(shí)現(xiàn)實(shí)時(shí)監(jiān)控、及時(shí)反饋的目標(biāo)。智能監(jiān)控便應(yīng)運(yùn)而生, 通過(guò)在嵌入式視頻服務(wù)器中, 集成智能行為識(shí)別算法, 能夠?qū)Ξ?huà)面場(chǎng)景中的人或車(chē)輛的行為進(jìn)行識(shí)別、判斷, 檢測(cè)出異常行為, 及時(shí)發(fā)送報(bào)警信息提示安保人員及時(shí)采取應(yīng)對(duì)措施, 從而確保倉(cāng)儲(chǔ)貨物和人員的安全。

該企業(yè)主要是從事網(wǎng)絡(luò)零售行業(yè), 倉(cāng)庫(kù)庫(kù)存量大, 產(chǎn)品款式有200余種, 每日出票2000件左右, 為保證貨物及時(shí)發(fā)出, 熱銷(xiāo)產(chǎn)品需提前包裝好等待出庫(kù), 每日固定時(shí)間, 快遞人員過(guò)去掃描出貨, 但貨物經(jīng)常會(huì)有丟件無(wú)攬件記錄情況, 通過(guò)視頻監(jiān)控回放也很難檢查出問(wèn)題所在, 而且浪費(fèi)人力和大量的時(shí)間, 從根本上無(wú)法解決此類(lèi)問(wèn)題, 因此, 企業(yè)在倉(cāng)儲(chǔ)安全管理上, 應(yīng)該學(xué)習(xí)用先進(jìn)科學(xué)的分析工具預(yù)判檢查安全隱患, 然后有針對(duì)性地采取改善措施, 與時(shí)俱進(jìn), 采用智能化、網(wǎng)絡(luò)化、模塊化的倉(cāng)儲(chǔ)安全監(jiān)控系統(tǒng), 實(shí)現(xiàn)實(shí)時(shí)監(jiān)控、實(shí)時(shí)響應(yīng), 及時(shí)避免安全事故發(fā)生。同時(shí)要加強(qiáng)對(duì)倉(cāng)庫(kù)監(jiān)控區(qū)域的自動(dòng)化管理, 實(shí)時(shí)監(jiān)控和管理倉(cāng)庫(kù)人員、貨物和設(shè)備, 提高倉(cāng)儲(chǔ)安全管理的智能化水平和可靠性程度, 降低倉(cāng)儲(chǔ)安全管理的成本, 提高生產(chǎn)效率, 推進(jìn)倉(cāng)儲(chǔ)安全管理的科學(xué)化和現(xiàn)代化進(jìn)程。

高斯混合模型是由Crimson和Stauffer在單高斯模型的基礎(chǔ)上提出的, 是用多個(gè)高斯函數(shù)對(duì)背景模擬, 對(duì)場(chǎng)景變化、遮擋等問(wèn)題有較好的處理效果, 是一種經(jīng)典的運(yùn)動(dòng)目標(biāo)檢測(cè)和跟蹤算法, 采用統(tǒng)計(jì)學(xué)特征表征背景模型, 能適應(yīng)復(fù)雜的場(chǎng)景, 如搖動(dòng)的樹(shù)葉, 雨雪天氣, 光線的變化等等, 具有良好的魯棒性, 同時(shí)計(jì)算量不是太大, 能基本滿足實(shí)際應(yīng)用中對(duì)算法的實(shí)時(shí)性要求。

高斯混合模型的基本思想是:采集視頻數(shù)據(jù)建立背景模型, 初始化K (一般取3-7) 個(gè)高斯分布函數(shù)對(duì)背景中每個(gè)像素的顏色特征建模, 并對(duì)每個(gè)高斯成分的均值和方差進(jìn)行更新, 然后通過(guò)一個(gè)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(rèn)為是背景點(diǎn), 不滿足條件則認(rèn)為是前景點(diǎn)。在高斯混合模型中, 為了便于計(jì)算, 假設(shè)各像素之間RGB的三個(gè)顏色分量互不相關(guān), 對(duì)各像素點(diǎn)的處理是相互獨(dú)立的, 具有相同的方差。其中, K的值越大, 越能適應(yīng)場(chǎng)景的變化, 模擬背景的處理效果也更好, 但是會(huì)增加模型的計(jì)算量, 因此并不是K越大越好, 當(dāng)K大于一定值以后, 算法處理能力大大降低, 運(yùn)輸速度也會(huì)變得很慢。高斯混合模型可以概括為以下幾個(gè)步驟:建立背景模型、參數(shù)初始化及參數(shù)更新、生成背景模型和提取運(yùn)動(dòng)目標(biāo)等。

高斯混合模型是對(duì)視頻圖像幀的每一個(gè)像素建立K個(gè)多維高斯分布來(lái)混合模擬該點(diǎn)的背景值。對(duì)于視頻中的t時(shí)刻, 設(shè)每個(gè)像素點(diǎn)顏色取值用變量Xt表示, 其概率密度函數(shù)可用如下三維高斯函數(shù)表示:

式中K表示高斯成分的個(gè)數(shù), wi, t表示t時(shí)刻高斯混合模型中第i個(gè)模型的權(quán)值, 其中wi, t滿足

式中η (Xt, μi, t, ∑i, t表示t時(shí)刻第i個(gè)高斯分布, 定義如下:

此式中n表示像素的維數(shù), μ和∑分別表示高斯混合模型的均值和協(xié)方差矩陣。

圖1 高斯混合模型建模流程   下載原圖

參數(shù)初始化是創(chuàng)建視頻圖像的第一幀中每個(gè)對(duì)應(yīng)像素的K個(gè)高斯分布的平均值, 對(duì)每個(gè)高斯分布賦予指定的方差和相同的權(quán)重。根據(jù)視頻序列的實(shí)時(shí)更新, 將新的圖像幀中的每個(gè)像素與相應(yīng)的高斯成分逐一匹配檢驗(yàn), 然后判斷該高斯成分是否需要更新。參數(shù)更新的速率決定模型的收斂速度和算法的運(yùn)算效率, 從而影響高斯混合模型算法的魯棒性和實(shí)時(shí)性。

將當(dāng)前幀的像素點(diǎn)Xt與其K個(gè)高斯分布比較, 若滿足:

則此像素點(diǎn)與模型匹配, 此時(shí)更新模型參數(shù):

若匹配時(shí)像素不滿足模型, 則對(duì)相應(yīng)的模型的權(quán)值作衰減:

式中, α為學(xué)習(xí)速率, ρ為更新速率。

如果全部高斯成分中沒(méi)有一個(gè)能和當(dāng)前幀的像素點(diǎn)值Xt匹配, 用一個(gè)新的高斯成分替換權(quán)重最小的那個(gè)高斯成分, 用當(dāng)前像素點(diǎn)值Xt作為新高斯成分的均值, 其方差初始化為一個(gè)較大的值, 權(quán)重初始化為一個(gè)較低的值。

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

上式中T的值越小, B的值就越大, 即高斯分布的個(gè)數(shù)就越多, 也就有更多的像素歸類(lèi)為背景像素, 但是, T的值偏小會(huì)使高斯混合模型模擬的背景簡(jiǎn)單化, 導(dǎo)致得出的目標(biāo)不理想, 不能滿足實(shí)際需要。反之, 如果T的值過(guò)大則會(huì)增加模型的計(jì)算量, 同時(shí)可能漏檢目標(biāo)。因此T的設(shè)定非常重要。

為了驗(yàn)證本文提出的倉(cāng)庫(kù)智能監(jiān)控環(huán)境下高斯混合模型對(duì)視頻運(yùn)動(dòng)目標(biāo)的檢測(cè)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(tǒng), 基于X64的處理器的計(jì)算機(jī)上, 采用Visual Studio2010和Open CV2.4.9軟件進(jìn)行仿真實(shí)驗(yàn), 實(shí)驗(yàn)選擇了3段不同分辨率、不同背景環(huán)境的視頻序列, 進(jìn)行對(duì)比實(shí)驗(yàn), 以測(cè)試高斯混合模型的檢測(cè)性能。其中視頻信息如表1所示。

表1 測(cè)試視頻詳細(xì)信息     下載原表

圖2 實(shí)驗(yàn)結(jié)果   下載原圖

圖2 實(shí)驗(yàn)結(jié)果   下載原圖

圖2 (a) 選取的視頻test1.avi第85幀原始圖像, 倉(cāng)庫(kù)光線比較暗, 在照明燈燈光的環(huán)境下, 圖2 (b) 選取的視頻test2.avi第88幀原始圖像, 倉(cāng)庫(kù)日光光線基本良好, 背景環(huán)境比較復(fù)雜, 圖2 (c) 選取的視頻test3.avi第99幀原始圖像, 倉(cāng)庫(kù)光線稍暗, 背景較為復(fù)雜, 圖2 (d) 、圖2 (e) 、圖2 (f) 分別為上述原始圖像對(duì)應(yīng)的檢測(cè)結(jié)果。從實(shí)驗(yàn)結(jié)果可以看出, 在復(fù)雜的倉(cāng)庫(kù)背景環(huán)境下, 采用高斯混合模型算法的檢測(cè)效果能夠較好地檢測(cè)出運(yùn)動(dòng)目標(biāo), 檢測(cè)運(yùn)動(dòng)目標(biāo)的輪廓比較完整, 具有較好的魯棒性, 能夠精準(zhǔn)地檢測(cè)和跟蹤運(yùn)動(dòng)目標(biāo)信息, 去除噪聲等干擾, 并適用于運(yùn)動(dòng)目標(biāo)的實(shí)時(shí)監(jiān)控系統(tǒng)。結(jié)語(yǔ)

針對(duì)物流倉(cāng)庫(kù)倉(cāng)儲(chǔ)安全管理的問(wèn)題, 在智能監(jiān)控環(huán)境下, 本文提出采用高斯混合模型的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤方法, 對(duì)倉(cāng)庫(kù)視頻監(jiān)控圖像中運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)和智能分析。通過(guò)上述實(shí)驗(yàn)結(jié)果證明, 基于高斯混合模型的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤方法檢測(cè)結(jié)果較為理想, 其跟蹤精度高, 對(duì)光照變化與陰影具有魯棒性, 適合用在運(yùn)動(dòng)目標(biāo)實(shí)時(shí)監(jiān)測(cè)的場(chǎng)合, 對(duì)提高倉(cāng)庫(kù)安全管理具有一定的參考價(jià)值。