本發(fā)明屬于集裝箱貨柜車(chē)智能防吊起技術(shù)領(lǐng)域，具體涉及一種基于機(jī)器視覺(jué)跟蹤的集裝箱貨柜車(chē)自主跟蹤與防吊起預(yù)警方法。

背景技術(shù)：

隨著全球集裝箱運(yùn)輸?shù)娘w速發(fā)展，現(xiàn)代集裝箱碼頭及堆場(chǎng)的作業(yè)越來(lái)越繁忙，工作環(huán)境越來(lái)越復(fù)雜。目前集裝箱的起吊通常利用龍門(mén)吊或者輪胎吊，由于集裝箱裝卸作業(yè)的特殊性，在裝卸過(guò)程中時(shí)常發(fā)生由于貨柜車(chē)鎖銷(xiāo)未完全打開(kāi)而將貨柜車(chē)被集裝箱一并帶起的事件。在堆場(chǎng)上利用輪胎吊進(jìn)行集裝箱吊裝作業(yè)時(shí)，一般情況下可以分為以下三種工況：(1)集裝箱和貨柜車(chē)分離，此時(shí)，集裝箱和貨柜車(chē)之間存在較為均勻的間隙，稱(chēng)之為“完全分離狀態(tài)”；(2)集裝箱和貨柜車(chē)部分分離，即集裝箱的一端與貨柜車(chē)分離，而另一端未分離，此時(shí)，集裝箱和貨柜車(chē)之間存在一定的間隙，但是呈一邊大一邊小的三角形間隙，稱(chēng)之為“不完全分離狀態(tài)”或“單邊分離狀態(tài)”；(3)集裝箱和貨柜車(chē)兩端均未分離，此時(shí)集裝箱和貨柜車(chē)之間基本無(wú)間隙，稱(chēng)之為“完全不分離狀態(tài)”。對(duì)于第(2)和第(3)種工況，嚴(yán)重時(shí)會(huì)導(dǎo)致?lián)p壞集裝箱和卡車(chē)，甚至?xí)l(fā)生司機(jī)傷亡事故。

為了防止貨柜車(chē)和集裝箱一并帶起的事故發(fā)生，碼頭及堆場(chǎng)通常采用攝像頭攝像技術(shù)，輪胎吊司機(jī)通過(guò)司機(jī)室顯示器監(jiān)視集裝箱與貨柜車(chē)的分離狀況，起吊操作員通過(guò)話(huà)務(wù)機(jī)與司機(jī)溝通現(xiàn)場(chǎng)情況，靠人為操作避免事故的發(fā)生，即完全通過(guò)“人防”來(lái)避免事故的發(fā)生。當(dāng)前，集裝箱碼頭堆場(chǎng)面積大，作業(yè)車(chē)種多且車(chē)況復(fù)雜，對(duì)于大型的作業(yè)場(chǎng)地而言，機(jī)械設(shè)備的調(diào)配和管理非常重要，靠人容易引起疲勞和疏忽，而依靠傳統(tǒng)無(wú)線(xiàn)對(duì)講機(jī)來(lái)下達(dá)作業(yè)指令和傳遞生產(chǎn)信息存在諸多不便，極大地影響了作業(yè)效率。顯然，當(dāng)前的“人防”措施已經(jīng)無(wú)法有效避免上述事故的發(fā)生。

由此，為了應(yīng)對(duì)日益繁重和復(fù)雜的集裝箱運(yùn)輸行業(yè)，需要一種基于機(jī)器視覺(jué)自動(dòng)檢測(cè)集裝箱與貨柜車(chē)是否分離，并在未分離情況下自動(dòng)或者提示停止起升機(jī)構(gòu)動(dòng)作的“技防”措施，避免貨柜車(chē)和集裝箱一并帶起的事故發(fā)生。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問(wèn)題是，研究提出一種基于機(jī)器視覺(jué)跟蹤的集裝箱貨柜車(chē)自主跟蹤與防吊起預(yù)警方法，對(duì)貨柜車(chē)行駛區(qū)域進(jìn)行實(shí)時(shí)監(jiān)視，并對(duì)潛在的吊起事故發(fā)出報(bào)警信號(hào)，能夠有效防止堆場(chǎng)集裝箱貨柜車(chē)被吊起事故的發(fā)生，以適應(yīng)日益復(fù)雜和繁重的集裝箱運(yùn)輸行業(yè)。

本發(fā)明公開(kāi)了一種基于機(jī)器視覺(jué)跟蹤的集裝箱貨柜車(chē)防吊起方法，包括以下步驟：

步驟一、攝像頭采集當(dāng)前時(shí)刻t視頻圖像，獲取集裝箱貨柜車(chē)對(duì)應(yīng)區(qū)域視頻圖像，確定所述視頻圖像的寬度和高度；

步驟二、選定攝像頭視場(chǎng)中圖像下半部分為跟蹤感興趣區(qū)域，將跟蹤感興趣區(qū)域中劃定若干個(gè)跟蹤子區(qū)，跟蹤子區(qū)個(gè)數(shù)為不小于3個(gè)的奇數(shù)；各跟蹤子區(qū)均為矩形，其位置滿(mǎn)足設(shè)定的拓?fù)潢P(guān)系；

步驟三、攝像頭采集下一時(shí)刻t+1的視頻圖像，視頻報(bào)警機(jī)對(duì)所述步驟二中的各個(gè)子區(qū)采用基于快速傅立葉變化在線(xiàn)學(xué)習(xí)的跟蹤算法，估計(jì)各個(gè)子區(qū)目標(biāo)外形框的位置；

步驟四、判斷各子區(qū)的跟蹤結(jié)果，是否有一半以上子區(qū)的垂直向上運(yùn)動(dòng)超過(guò)n個(gè)像素；若是，則判定貨柜車(chē)車(chē)架被吊起；若否，則判定貨柜車(chē)車(chē)架沒(méi)有被吊起，繼續(xù)以t秒時(shí)間為間隔，各個(gè)子區(qū)自動(dòng)按照步驟二重置，并重復(fù)步驟三至步驟四；

步驟五、若判定貨柜車(chē)車(chē)架被吊起，則視頻報(bào)警機(jī)向中控室控制設(shè)備發(fā)出預(yù)警信號(hào)，提醒吊車(chē)司機(jī)暫停吊起動(dòng)作；否則，吊車(chē)司機(jī)按照程序完成正常起吊；

其中，所述攝像頭視場(chǎng)垂直于貨柜車(chē)行駛方向，所述攝像頭向視頻報(bào)警機(jī)輸入跟蹤獲得的視頻圖像；t＝1,2,3,...,m，m為跟蹤視頻幀總數(shù)，n為像素個(gè)數(shù)，t為設(shè)定的視頻圖像采集的時(shí)間間隔。

優(yōu)選地，所述步驟二中劃定的跟蹤子區(qū)數(shù)量為3個(gè)。

優(yōu)選地，所述步驟二中選定跟蹤感興趣區(qū)域的方法為：

1)獲取視頻圖像序列第t幀圖像，以矩形框t_region表示跟蹤感興趣區(qū)域，其中t_region用四個(gè)元素表示，分別為左上角點(diǎn)橫坐標(biāo)t_region.x，左上角點(diǎn)縱坐標(biāo)t_region.y，矩形框?qū)挾萾_region.width，矩形框高度t_region.height；

2)跟蹤矩形框t_region中包含集裝箱貨車(chē)車(chē)架部分的目標(biāo)區(qū)域；所述目標(biāo)區(qū)域的選取規(guī)則如下：

左上角點(diǎn)橫坐標(biāo)t_region.x＝0，

左上角點(diǎn)縱坐標(biāo)

矩形框?qū)挾萾_region.width＝image.width，

矩形框高度

3)跟蹤子區(qū)box_1的中心點(diǎn)為(x1,y1)，跟蹤子區(qū)box_2的中心點(diǎn)為(x2,y2)，跟蹤子區(qū)box_3的中心點(diǎn)為(x3,y3)，各跟蹤子區(qū)的寬度或高度均取為跟蹤子區(qū)的寬度占視頻圖像寬度的比例或者跟蹤子區(qū)的高度占視頻圖像高度的比例；

4)三個(gè)子區(qū)位置拓?fù)潢P(guān)系選取規(guī)則為：

x2＝0.5*image.width，

y2＝t_region.y+0.5*t_region.height,

為跟蹤子區(qū)的寬度占視頻圖像寬度的比例或者跟蹤子區(qū)的高度占視頻圖像高度的比例；q為三個(gè)跟蹤子區(qū)重疊區(qū)域的像素個(gè)數(shù)。

優(yōu)選地，所述步驟三中基于快速傅立葉變化在線(xiàn)學(xué)習(xí)的目標(biāo)跟蹤方法為：

(1)對(duì)跟蹤目標(biāo)區(qū)域進(jìn)行初始化；

(2)根據(jù)第t幀目標(biāo)跟蹤結(jié)果，構(gòu)建第t幀跟蹤目標(biāo)的上下文先驗(yàn)概率模型p(c(z)|o)；

(3)根據(jù)第t幀目標(biāo)跟蹤結(jié)果，構(gòu)建第t幀跟蹤目標(biāo)的置信度分布圖c(z)；

(4)構(gòu)建第t幀跟蹤目標(biāo)的空間上下文模型

(5)根據(jù)第t幀目標(biāo)跟蹤結(jié)果，計(jì)算第t+1幀視頻圖像數(shù)據(jù)進(jìn)行目標(biāo)跟蹤，獲取跟蹤目標(biāo)在當(dāng)前幀中的位置坐標(biāo)其中t＝1,2,3,...,m-1，m為跟蹤視頻圖像幀數(shù)。

優(yōu)選地，所述對(duì)跟蹤目標(biāo)區(qū)域進(jìn)行初始化的方法為：

(1)獲得視頻圖像序列第t幀圖像，初始化跟蹤目標(biāo)區(qū)域的位置；

(2)根據(jù)初始化結(jié)果確定跟蹤目標(biāo)上下文相關(guān)區(qū)域context_region；

(3)定義漢寧窗口矩陣mhmwindow；

(4)初始化尺寸因子σt和尺度變換參數(shù)st。

優(yōu)選地，所述獲取目標(biāo)在當(dāng)前幀中的位置坐標(biāo)的方法為：

(1)依據(jù)第t+1幀圖像構(gòu)建跟蹤目標(biāo)上下文先驗(yàn)概率模型p(c(z)|o)；

(2)構(gòu)建第t+1幀跟蹤目標(biāo)的時(shí)空上下文模型

(3)構(gòu)建第t+1幀跟蹤目標(biāo)的置信度分布圖ct+1(z)；

(4)計(jì)算第t+1幀跟蹤目標(biāo)的位置點(diǎn)坐標(biāo)

(5)更新尺寸因子σt；

(6)更新第t+1幀跟蹤目標(biāo)的空間上下文模型

優(yōu)選地，所述跟蹤目標(biāo)上下文先驗(yàn)?zāi)Ｐ蚿(c(z)|o)的計(jì)算方法為：

其中i(z)表示跟蹤目標(biāo)區(qū)域t_region的像素灰度值經(jīng)過(guò)去均值處理，并乘以漢寧窗矩陣得到，z表示t_region中的像素坐標(biāo)，表示矩陣乘法運(yùn)算，

i(z)＝i(z)-mean(i(z))

其中x^*為跟蹤目標(biāo)中心點(diǎn)坐標(biāo)，mean(·)表示圖像均值，a為歸一化參數(shù)，其取值為

優(yōu)選地，所述目標(biāo)區(qū)域的置信度分布圖c(z)的計(jì)算方法為：

其中b為歸一化參數(shù)，其取值為

優(yōu)選地，所述空間上下文模型的計(jì)算方法為：

優(yōu)選地，所述t+1幀跟蹤目標(biāo)的時(shí)空上下文模型的計(jì)算方法為：

其中ρ為學(xué)習(xí)因子。

優(yōu)選地，所述t+1幀跟蹤目標(biāo)的置信度分布圖ct+1(z)計(jì)算方法為：

優(yōu)選地，所述t+1幀跟蹤目標(biāo)的位置點(diǎn)坐標(biāo)計(jì)算方法為：

優(yōu)選地，所述更新尺寸因子σt的計(jì)算方法為：

其中是第t幀跟蹤目標(biāo)的置信度分布圖，s′t是依據(jù)連續(xù)的兩幀跟蹤圖像估計(jì)的目標(biāo)尺度，用第t幀和第t-1幀目標(biāo)置信度計(jì)算結(jié)果的比值表示；是依據(jù)連續(xù)的最近n幀跟蹤圖像估計(jì)的目標(biāo)尺度的平均值，st+l是依據(jù)新一幀跟蹤圖像估計(jì)的目標(biāo)尺度，λ＞0是設(shè)定的固定值濾波參數(shù)。

優(yōu)選地，更新第t+1幀跟蹤目標(biāo)的空間上下文模型計(jì)算方法為：

本發(fā)明還公開(kāi)了一種基于機(jī)器視覺(jué)跟蹤的集裝箱貨柜車(chē)防吊起系統(tǒng)，包括輪胎吊、攝像頭、貨柜車(chē)、集裝箱、視頻報(bào)警機(jī)、中控室控制設(shè)備，其特征在于：所述攝像頭安裝于所述輪胎吊底部支架，高度與所述貨柜車(chē)的車(chē)架平齊，所述攝像頭的視場(chǎng)垂直于貨柜車(chē)行駛方向；所述攝像頭向所述視頻報(bào)警機(jī)輸入跟蹤獲得的視頻圖像，所述視頻報(bào)警機(jī)采用基于快速傅立葉變化在線(xiàn)學(xué)習(xí)的跟蹤算法對(duì)獲得的視頻圖像進(jìn)行處理，當(dāng)判定貨柜車(chē)被吊起時(shí)，向中控室控制設(shè)備發(fā)出報(bào)警信號(hào)。

本發(fā)明的有益效果如下：

(1)本發(fā)明公開(kāi)的基于機(jī)器視覺(jué)跟蹤的集裝箱貨柜車(chē)自主跟蹤與防吊起預(yù)警方法，基于快速傅立葉變化在線(xiàn)學(xué)習(xí)的跟蹤算法實(shí)時(shí)監(jiān)視、獲取和處理堆場(chǎng)作業(yè)區(qū)的視頻圖像，實(shí)現(xiàn)了“人防”到“技防”的重大改進(jìn)，能夠有效避免人為誤操作引起的集裝箱貨柜車(chē)被吊起事故的發(fā)生；

(2)本發(fā)明公開(kāi)的基于機(jī)器視覺(jué)跟蹤的集裝箱貨柜車(chē)自主跟蹤與防吊起預(yù)警方法，采用基于快速傅立葉變化在線(xiàn)學(xué)習(xí)的跟蹤算法，將堆場(chǎng)中跟蹤感興趣區(qū)域劃分為多個(gè)子區(qū)，針對(duì)多個(gè)子區(qū)的跟蹤結(jié)果進(jìn)行比對(duì)，能夠?qū)崿F(xiàn)對(duì)堆場(chǎng)作業(yè)區(qū)的全面、無(wú)死角監(jiān)控，同時(shí)確保報(bào)警結(jié)果的準(zhǔn)確性。

附圖說(shuō)明

圖1是本發(fā)明中基于機(jī)器視覺(jué)跟蹤的集裝箱貨柜車(chē)防吊起系統(tǒng)示意圖；

其中，(a)為系統(tǒng)正視圖，(b)為系統(tǒng)全場(chǎng)景示意圖，(c)為系統(tǒng)設(shè)備布局示意圖；

1—第一攝像頭、2—第二攝像頭、3—貨柜車(chē)、4—第一視頻報(bào)警機(jī)、5—第二視頻報(bào)警機(jī)、6—中控室、7—控制設(shè)備、8—輪胎吊、9—輪胎吊底部支架、10—貨柜車(chē)車(chē)架、11—集裝箱，9-1為輪胎吊底部支架的左端、9-2為輪胎吊底部支架的右端；

圖2是本發(fā)明中基于機(jī)器視覺(jué)跟蹤的集裝箱貨柜車(chē)防吊起方法示意圖；

圖3是本發(fā)明中機(jī)器視覺(jué)跟蹤區(qū)域及多子區(qū)視頻跟蹤示意圖。

具體實(shí)施方式

為了本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明的技術(shù)方案做進(jìn)一步詳細(xì)說(shuō)明。

如圖1(a)、1(b)、1(c)、圖2所示，基于機(jī)器視覺(jué)跟蹤的集裝箱貨柜車(chē)自主跟蹤與防吊起預(yù)警方法包括以下步驟：

步驟一、第一攝像頭1、第二攝像頭2采集當(dāng)前時(shí)刻t視頻圖像，獲取集裝箱貨柜車(chē)3所對(duì)應(yīng)視場(chǎng)的視頻圖像，其中image.width為所述視頻圖像寬度，image.height為所述視頻圖像高度。

步驟二、如圖3所示，選定視場(chǎng)中圖像下半部分為跟蹤感興趣區(qū)域，在跟蹤感興趣區(qū)域中劃定跟蹤子區(qū)box_1，box_2和box_3。三個(gè)子區(qū)均為正方形，其位置滿(mǎn)足設(shè)定的拓?fù)潢P(guān)系。對(duì)跟蹤目標(biāo)區(qū)域進(jìn)行初始化。具體方法為：

(1)獲取視頻圖像序列第t幀圖像，以矩形框t_region表示跟蹤感興趣區(qū)域，其中t_region用四個(gè)元素表示，分別為左上角點(diǎn)橫坐標(biāo)t_region.x，左上角點(diǎn)縱坐標(biāo)t_region.y，矩形框?qū)挾萾_region.width，矩形框高度t_region.height。矩形框t_region應(yīng)包含集裝箱貨車(chē)車(chē)架10部分的目標(biāo)區(qū)域。

(2)跟蹤矩形框t_region中應(yīng)包含集裝箱貨車(chē)車(chē)架10部分的目標(biāo)區(qū)域。所述目標(biāo)區(qū)域的選取規(guī)則如下：

左上角點(diǎn)橫坐標(biāo)t_region.x＝0，

左上角點(diǎn)縱坐標(biāo)本實(shí)施例中m取2；

矩形框?qū)挾萾_region.width＝image.width，

矩形框高度本實(shí)施例中取n取2。

(3)跟蹤子區(qū)box_1的中心點(diǎn)為(x1,y1)，跟蹤子區(qū)box_2的中心點(diǎn)為(x2,y2)，跟蹤子區(qū)box_3的中心點(diǎn)為(x3,y3)，各跟蹤子區(qū)的寬和高均取為跟蹤子區(qū)的寬度占視頻圖像寬度的比例或者跟蹤子區(qū)的高度占視頻圖像高度的比例。本實(shí)施例中取p＝10。

(4)三個(gè)子區(qū)位置拓?fù)潢P(guān)系選取規(guī)則為：

x2＝0.5*image.width，

y2＝t_region.y+0.5*t_region.height,

為跟蹤子區(qū)的寬度占視頻圖像寬度的比例或者跟蹤子區(qū)的高度占視頻圖像高度的比例；q為三個(gè)跟蹤子區(qū)重疊區(qū)域的像素個(gè)數(shù)，本實(shí)施例中取q＝10。

步驟三、對(duì)步驟二中的每個(gè)子區(qū)采用基于快速傅立葉變化在線(xiàn)學(xué)習(xí)的目標(biāo)跟蹤方法，估計(jì)三子區(qū)目標(biāo)外形框的位置。以box1為例說(shuō)明基于快速傅立葉變化在線(xiàn)學(xué)習(xí)的目標(biāo)跟蹤方法，box2和box3采用相同的跟蹤方法。具體方法為：

(1)獲取視頻圖像序列第t幀圖像，以矩形框target_region表示子區(qū)box1，其中target_regio用n四個(gè)元素表示，分別為左上角點(diǎn)橫坐標(biāo)target_region.x，左上角點(diǎn)縱坐標(biāo)target_region.y，矩形框?qū)挾萾arget_region，矩形框高度target_region.height。

該目標(biāo)區(qū)域中心點(diǎn)坐標(biāo)為centerpoint，其橫坐標(biāo)為：

centerpoint.x＝target_region.x+target_region.width*0.5

縱坐標(biāo)為：

centerpoint.y＝target_region.y+target_region.height*0.5。

(2)根據(jù)矩形框target_region確定跟蹤目標(biāo)上下文相關(guān)區(qū)域context_region。本實(shí)施例中選取conte_xtr的長(zhǎng)和寬分別為target_reg的2倍，中心點(diǎn)與目標(biāo)矩形框target_region中心點(diǎn)重合。即其寬為：

context_region.width＝target_region.width*2

高為：

context_region.height＝target_region.height*2

則其左上角點(diǎn)橫坐標(biāo)為：

context_region.x＝centerpoint.x-context_region.width*0.5

其左上角點(diǎn)縱坐標(biāo)為：

context_region.y＝centerpoint.y-context_region.height*0.5

(3)定義漢寧窗口矩陣，以減少圖像邊緣對(duì)傅立葉變換帶來(lái)的頻率影響。漢寧窗以mhmwindow表示，其寬和高和context_region一致，即

hmwindow.width＝context_region.width

hmwindow.height＝context_region.height

漢寧窗矩陣中各位置的定義如下：

hmwindow(i,j)＝

(0.54-0.46*cos(2*π*i/hmwindow.height))*(0.54-0.46*cos(2*π*j/hmwindow.width))

其中，i＝0,1,2,...,hmwindow.height-1,j＝0,1,2,...,hmwindow.width-1，π取3.14。

(4)初始化尺寸因子σt＝(t_region.width+t_region.height)*0.5，尺度變換參數(shù)st＝1。

(5)獲取跟蹤目標(biāo)上下文先驗(yàn)概率模型

其中it(z)由目標(biāo)區(qū)域t_region的像素灰度值經(jīng)過(guò)去均值處理，并乘以漢寧窗矩陣得到：

it(z)＝it(z)-mean(it(z))

其中z表示target_region中的像素坐標(biāo)，表示矩陣乘法運(yùn)算，x^*為跟蹤目標(biāo)中心點(diǎn)坐標(biāo)，即centerpoint。a為歸一化參數(shù)，其取值為：

(6)獲取跟蹤目標(biāo)置信度分布圖

其中b為歸一化參數(shù)，其取值為：

本實(shí)施例中α取2.25，β取1。

(7)建立跟蹤目標(biāo)空間上下文模型

其中f(·)表示快速傅立里葉變換運(yùn)算，f^-1(·)表示快速傅立葉逆變換運(yùn)算。

(8)根據(jù)第t幀目標(biāo)跟蹤結(jié)果，獲取第t+1幀視頻圖像數(shù)據(jù)，并計(jì)算第t+1幀視頻圖像數(shù)據(jù)進(jìn)行目標(biāo)跟蹤，獲取跟蹤目標(biāo)在當(dāng)前幀中的位置坐標(biāo)其中t＝1,2,3,...,m，m為跟蹤視頻幀總數(shù)。具體方法如下：

1)獲取跟蹤目標(biāo)上下文先驗(yàn)概率模型

具體方法同步驟三(5)。

2)建立t+1幀跟蹤目標(biāo)的時(shí)空上下文模型

其中ρ為學(xué)習(xí)因子，本實(shí)施例中ρ取0.075。

3)計(jì)算t+1幀跟蹤目標(biāo)的置信度分布圖ct+1(z)，計(jì)算方法為

其中·表示點(diǎn)乘操作。

4)計(jì)算t+1幀圖像中跟蹤目標(biāo)位置點(diǎn)坐標(biāo)為

5)更新尺寸因子σt，計(jì)算方法為：

其中，是第t幀跟蹤目標(biāo)的置信度分布圖，s′t是依據(jù)連續(xù)的兩幀跟蹤圖像估計(jì)的目標(biāo)尺度，用第t幀和第t-1幀目標(biāo)置信度計(jì)算結(jié)果的比值表示；是依據(jù)連續(xù)的最近n幀跟蹤圖像估計(jì)的目標(biāo)尺度的平均值，st+1是依據(jù)新一幀跟蹤圖像估計(jì)的目標(biāo)尺度。為了防止產(chǎn)生過(guò)度適應(yīng)問(wèn)題和減少由估計(jì)誤差引起的噪音污染，采用濾波方法來(lái)估計(jì)新一幀中目標(biāo)的尺寸，λ＞0是設(shè)定的固定值濾波參數(shù)。

6)更新t+1幀跟蹤目標(biāo)的空間上下文模型

步驟四、判定三子區(qū)跟蹤結(jié)果，如果有兩個(gè)或者兩個(gè)以上的垂直向上運(yùn)動(dòng)超過(guò)n個(gè)像素，則判定貨柜車(chē)車(chē)架4被吊起。否則，判定貨柜車(chē)車(chē)架4沒(méi)有被吊起。以t秒時(shí)間為間隔，即每隔t秒，每個(gè)子區(qū)自動(dòng)按照步驟二重置。本實(shí)施例中n取10，t取5。

步驟五、若判定貨柜車(chē)車(chē)架4被吊起，則向中控室控制設(shè)備7發(fā)出預(yù)警信號(hào)，提醒吊車(chē)司機(jī)暫停吊起動(dòng)作，并與貨柜車(chē)司機(jī)溝通現(xiàn)場(chǎng)情況。否則，吊車(chē)司機(jī)按照程序完成正常起吊。

在跟蹤感興趣區(qū)域中劃定跟蹤子區(qū)時(shí)，子區(qū)個(gè)數(shù)為不小于3個(gè)的奇數(shù)，以便于進(jìn)行跟蹤結(jié)果的判定，有效避免集裝箱貨柜車(chē)吊起現(xiàn)象發(fā)生。本實(shí)施例中將待跟蹤感興趣區(qū)域劃分為3個(gè)，這時(shí)候系統(tǒng)運(yùn)行效率最高。

一種基于機(jī)器視覺(jué)跟蹤的集裝箱貨柜車(chē)自主跟蹤與防吊起預(yù)警系統(tǒng)，通過(guò)第一攝像頭1、第二攝像頭2對(duì)貨柜車(chē)3行駛區(qū)域進(jìn)行實(shí)時(shí)跟蹤，當(dāng)發(fā)現(xiàn)貨柜車(chē)3向上運(yùn)動(dòng)時(shí)，說(shuō)明貨柜車(chē)3已經(jīng)連同集裝箱11被吊起，則第一視頻報(bào)警機(jī)4、第二視頻報(bào)警機(jī)5發(fā)出報(bào)警信號(hào)，通過(guò)中控室6控制設(shè)備7通知吊車(chē)司機(jī)及時(shí)停止起吊，從而防止事故發(fā)生。其中，第一攝像頭1、第一攝像頭2安裝于輪胎吊8底部支架9的左端9-1和右端9-2，高度與貨柜車(chē)車(chē)架10平齊，視場(chǎng)垂直于貨柜車(chē)3行駛方向，第一攝像頭1、第二攝像頭2分別向第一視頻報(bào)警機(jī)4、第二視頻報(bào)警機(jī)5輸入跟蹤獲得的視頻圖像。所述第一視頻報(bào)警機(jī)4、第二視頻報(bào)警機(jī)5采用基于快速傅立葉變化在線(xiàn)學(xué)習(xí)的跟蹤算法對(duì)獲得的視頻圖像進(jìn)行處理，當(dāng)判定貨柜車(chē)被吊起時(shí)，向中控室控制設(shè)備7發(fā)出報(bào)警信號(hào)，提醒吊車(chē)司機(jī)暫停吊起動(dòng)作，并與貨柜車(chē)司機(jī)溝通現(xiàn)場(chǎng)情況。否則，吊車(chē)司機(jī)按照程序完成正常起吊。

本發(fā)明公開(kāi)的集裝箱貨柜車(chē)自主跟蹤與防吊起預(yù)警方法，采用基于快速傅立葉變化在線(xiàn)學(xué)習(xí)的跟蹤算法，能夠?qū)Χ褕?chǎng)作業(yè)區(qū)進(jìn)行實(shí)時(shí)、全面的監(jiān)控，同時(shí)進(jìn)行準(zhǔn)確的進(jìn)行信息處理和判定，實(shí)現(xiàn)了“人防”到“技防”的重大改進(jìn)，能夠有效避免人為誤操作引起的集裝箱貨柜車(chē)被吊起事故的發(fā)生。

顯然，所描述的實(shí)施例僅僅是本發(fā)明的一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明的實(shí)施例，本領(lǐng)域技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明要求保護(hù)的范圍。