物流倉(cāng)庫(kù)倉(cāng)儲(chǔ)安全智能檢測(cè)與報(bào)警系統(tǒng)的研究

物流倉(cāng)庫(kù)倉(cāng)儲(chǔ)安全智能檢測(cè)與報(bào)警系統(tǒng)的研究

現(xiàn)代物流倉(cāng)庫(kù)安全管理的趨勢(shì)是信息、網(wǎng)絡(luò)化和智能化。許多公司正在等待時(shí)間消耗倉(cāng)庫(kù)安全。倉(cāng)庫(kù)的安全管理主要是對(duì)人員、車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: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(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。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(GaussianMixtureModel,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檢測(cè)運(yùn)動(dòng)目標(biāo)。1倉(cāng)庫(kù)智能監(jiān)控系統(tǒng)發(fā)展現(xiàn)狀在企業(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,淮南市愛一方電子商務(wù)企業(yè)也開始關(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)品款式種類多,另外倉(cāng)庫(kù)人員和外來人員進(jìn)出頻繁,這就導(dǎo)致傳統(tǒng)的人工監(jiān)視視頻設(shè)備無法滿足安全性要求,加上人自身生理的需要暫時(shí)離開或者偷懶,這就需要企業(yè)采取更先進(jìn)的技術(shù)來實(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嬅鎴?chǎng)景中的人或車輛的行為進(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,快遞人員過去掃描出貨,但貨物經(jīng)常會(huì)有丟件無攬件記錄情況,通過視頻監(jiān)控回放也很難檢查出問題所在,而且浪費(fèi)人力和大量的時(shí)間,從根本上無法解決此類問題,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。2高斯混合模型的視頻目標(biāo)2.1魯棒性線的變化高斯混合模型是由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。2.1.1混合模擬背景值高斯混合模型是對(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X式中K表示高斯成分的個(gè)數(shù),w式中η(X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。2.1.2模型參數(shù)更新的速率參數(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)X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有一個(gè)能和當(dāng)前幀的像素點(diǎn)值X2.1.3背景模型的生成首先,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。3實(shí)驗(yàn)和結(jié)論3.1實(shí)驗(yàn)環(huán)境設(shè)置為了驗(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)i7-8550UCPU@1.80GHz1.99GHz、8.00GRAM,Windows10、64位操作系統(tǒng),基于X64的處理器的計(jì)算機(jī)上,采用VisualStudio2010和OpenCV2.4.9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。3.2實(shí)驗(yàn)結(jié)果與分析圖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