一种基于视频检测技术的分拣中心异常行为的识别方法技术

本发明专利技术公开了一种基于视频检测技术的分拣中心异常行为的自动识别方法。并针对分拣中心环境下的室内光源环境和前景类型的单调性，设计了更具有针对性的视频检测方法。同时，针对分拣中心的主体检测对象快件和分拣人员的活动进行了针对性检测，根据分拣中心异常行为的特征，提出了一系列用于检测异常情况的方法。法。法。

【技术实现步骤摘要】
一种基于视频检测技术的分拣中心异常行为的识别方法


[0001]本专利技术涉及一种基于视频检测技术的分拣中心异常行为的识别方法，属于物流管理和视频检测


技术介绍

[0002]快件分拣中心的流通量极大，而其工作人员较少，往往难以在完成对快件的分拣转发之余完成对快件分拣异常的检查。大部分情况下，需要用户反馈或者数据普查才能够发现因为分拣异常而造成的滞留问题，这严重影响了用户的体验。
[0003]通过对摄像头采集到的连续图景进行检测，可以获取其中的关键物体的运动情况，结合摄像头所处的具体工作场景，可以设计出一套具有针对性的视频检测系统。

技术实现思路

[0004]本专利技术所要解决的技术问题是，针对现有技术中物流分拣中心在实际生产过程中存在的痛点，针对性地提出了多种基于分拣中心特定环境所适用的视频检测方法，对视频检测中所需要解决的滤波、去雾、背景提取和运动识别进行了专业性改进。
[0005]为实现上述目的，本专利技术采用的技术方案为：一种基于视频检测技术的分拣中心操作规范的自动识别方法，该方法包括场景环境参数自本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于视频检测技术的分拣中心异常行为的识别方法，其特征在于：包括如下步骤：步骤1、固定摄像头采集到图像；在场景内容调试的过程中，首先安装对应摄像头，并且根据摄像头捕捉范围的边际重叠，设定各个摄像头的边际隶属度；同时，针对传送带部分的专用摄像头，对其摄像头捕捉范围内的收集筐进入点进行范围标识；日常参数调试部分则是在每日开始工作前，通过摄像头捕捉图像；步骤2、根据区域的光照差异进行去雾处理；步骤3、采用自适应高增强滤波提高图像的细节；步骤4、根据工作场景的固定性和工作区域的差异性，基于场景平滑度的背景减法提取前景；步骤5、对图像的前景进行分类，判断快件和人员；步骤6、对快件的待分拣
‑
分拣中
‑
传送中
‑
堆积中状态进行识别；步骤7、对不同状态下的快件异常进行识别。2.根据权利要求1所述的基于视频检测技术的分拣中心异常行为的识别方法，其特征在于：所述步骤2中，去雾处理是针对分拣中心的点光源情况，采用局部光照条件进行计算，其具体步骤如下：步骤2.1、对m
×
n的输入彩色图像，求其暗原色图Dark
i,j
＝min(J
C
(i,j))，0≤i<m,0≤j<nC∈{R,G,B}，其中J
C
(x)指图像J在坐标(i,j)处像素在C通道分量上的值；步骤2.2、设定步长step，经验上取step为窗口大小为将整个图像划分为225个图像块，有划分后的图像块Divide
p,q
＝max(Dark
i,j
),(i,j)∈Ω(p,q),0≤p<15,0≤q<15；其中，Ω(p,q)为所划分的第p行第q列的图像块，(i,j)∈Ω(p,q)指属于该图像块的像素的坐标；步骤2.3、设新窗口为(3，3)，对矩阵Divide做非覆盖平移分割,得到一组5
×
5的图像组，每个图像组包括9个图像块；并计算每一个图像组的特征值，得到图像组特征矩阵为其中，Divide
t,s
指第t行，第s列的图像组所包含的图像块，指该图像组中，从左至右，从上至下第i个图像块；步骤2.4、根据Var的情况对Divide做出修正，修正方法为：步骤2.5、取覆盖像素的图像块特征的最大值作为该点的大气光常数，有A
i,j
＝max(Divide)where(i,j)inDivide。得到最终的光照矩阵A。3.根据权利要求1所述的基于视频检测技术的分拣中心异常行为的识别方法，其特征在于：所述步骤3的具体方法为：步骤3.1、对输入的图像J，有B
x
＝0.59
×
J
R
(x)+0.3
×
J
G
(x)+0.11
×
J
B
(x)；其中，J
C
(x)指图像J的像素点x在C通道分量上的值；
步骤3.2、设窗口大小为3
×
3，非覆盖平移窗口，有Feature
k
＝Quantile
0.99
(B
x
)
‑
avg(B
x
)，x∈Ω(k)，其中，Ω(k)为B的第k个划分窗口，Quantile
p
(U)指集合U的p分位数，avg(U)指集合U的平均数；步骤3.3、当75％以上的Feature
k
＜Quantile
0.75
(B
x
)
‑
Quantile
0.25
(B
x
)
1.5
，扩大窗口为1.3倍，直到寻找到满足条件的最大窗口大小σ
×
σ；步骤3.4、求增强系数步骤3.5、对输入的图像J，做拉普拉斯变换得到边缘特征矩阵步骤3.6、计算滤波后图像步骤3.6、计算滤波后图像4.根据权利要求1所述的基于视频检测技术的分拣中心异常行为的识别方法，其特征在于：步骤4.1、在工作场所启用前，对环境进行背景采取，获得背景图，生成其对应的灰度图B，并生成零矩阵S＝zeros(m,n)；步骤4.2、对m
×
n的背景图，设定窗口大小为step为对图像进行平移取块，有S(x)＝S(x)+smooth,x∈B
Ω(k)
，其中，B
Ω(k)
指灰度图B所划分出的第k个窗口所在区域，mean()指中位数，avg()指平均值；步骤4.3、建立各像素点背景阈值5.根据权利要求1所述的基于视频检测技术的分拣中心异常行为的识别方法，其特征在于：在获得各像素点的背景阈值之后，就需要对前景进行提取分类；根据分拣中心前景的单调性，只存在车辆、人员和快件三类物体，且由于车辆的体积与其他两类差距大，可以从前景面积上进行简单分类，由此提出了一种基于人体轮廓不规则性的，应用于分拣中心场景的人员、快件前景区分的方法，其具体步骤如下：步骤5.1、通过背景减法求得前景图，并求前景物体的外接矩阵。步骤5.2、对外接矩阵所涵盖的图像，做二值处理，其中背景为0，前景为1，得到m
×
n的二值图像P；步骤5.3、对于图像P，存在着一组同心像素圈C
k
,对于这组同心像素圈，计算其前景分布有：步骤5.4、根据前景分布D
k
，判断该前景类型，其具体判别公式如下：
6.根据权利要求5所述的基于视频检测技术的分拣中心异常行为的识别方法，其特征在于：所述步骤5中，需要对划分为人员的个体判断其状态是运动还是静止，其具体方法如下：对于给定的一组帧序列，以及在该组帧序列中连续存在的某个人员前景首先计算移动指标其中，M为1时，代表该人员处于移动状态，为0时，代表该人员处于原地保持状态；指在给定的前景F
P
在第k帧图像中的像素横坐标，一般取所属区域的底部中间位置；H为摄像头的高度，D(x,y)指该坐标像素点...

【专利技术属性】
技术研发人员：孙哲，乐磊，孙知信，赵学健，汪胡青，宫婧，胡冰，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：