本發(fā)明涉及物流領(lǐng)域，具體涉及貨物自動(dòng)追蹤系統(tǒng)。

背景技術(shù)：

傳統(tǒng)的集裝箱管理主要依賴人工管理、盤查，處于人工、半人工狀態(tài)，成本較高且效率相對(duì)低下,具體為:(1)設(shè)施滯后，為了適應(yīng)大容積貨物的運(yùn)輸能遍及到世界的每一個(gè)角落，更大型的船舶是必須的，因此目前的設(shè)施狀況不利于集裝箱船舶大型化的發(fā)展；(2)，自動(dòng)化程度低，目前處于半人工及全人工狀態(tài)；(3)港口設(shè)備的配置和調(diào)度效率低下，隨著船舶的大型化，船舶載箱量增多，迫切需要加快船舶周轉(zhuǎn)，降低運(yùn)輸成本。

技術(shù)實(shí)現(xiàn)要素：

為解決上述問(wèn)題，本發(fā)明旨在提供貨物自動(dòng)追蹤系統(tǒng)。

本發(fā)明的目的采用以下技術(shù)方案來(lái)實(shí)現(xiàn)：

貨物自動(dòng)追蹤系統(tǒng)，包括調(diào)度中心、圖像采集裝置、貨物追蹤裝置；所述調(diào)度中心，用于獲取物流信息數(shù)據(jù)、對(duì)貨物位置進(jìn)行圖像顯示、對(duì)物流信息數(shù)據(jù)進(jìn)行查詢、鎖定、管理與智能調(diào)度運(yùn)輸工具、配置貨場(chǎng)；所述圖像采集裝置用于采集物流圖像信息；所述貨物追蹤裝置與調(diào)度中心連接，用于對(duì)所述物流圖像信息進(jìn)行處理，識(shí)別貨物，并獲取貨物所在的位置信息，將位置信息發(fā)送給調(diào)度中心。

本發(fā)明的有益效果為：有效地對(duì)物流中的貨物進(jìn)行追蹤和管理、進(jìn)行貨物的遠(yuǎn)程追蹤，實(shí)時(shí)貨物信息查詢、節(jié)約人工成本，提高效率，并大大加強(qiáng)信息的準(zhǔn)確性與及時(shí)性，基本實(shí)現(xiàn)了自動(dòng)化操作，從而解決了上述的技術(shù)問(wèn)題。

附圖說(shuō)明

利用附圖對(duì)本發(fā)明作進(jìn)一步說(shuō)明，但附圖中的應(yīng)用場(chǎng)景不構(gòu)成對(duì)本發(fā)明的任何限制，對(duì)于本領(lǐng)域的普通技術(shù)人員，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)以下附圖獲得其它的附圖。

圖1是本發(fā)明的結(jié)構(gòu)示意圖；

圖2是本發(fā)明貨物追蹤裝置的模塊連接示意圖。

附圖標(biāo)記：

調(diào)度中心1、貨物追蹤裝置2、圖像采集裝置3、無(wú)線通信裝置4、GPS定位模塊20、感興趣區(qū)域檢測(cè)模塊21、貨物區(qū)域確定模塊22、貨物識(shí)別模塊23、初始化子模塊221、狀態(tài)轉(zhuǎn)移模型建立子模塊222、觀測(cè)模型建立子模塊223、貨物候選區(qū)域計(jì)算子模塊224、位置修正子模塊225、重采樣子模塊226。

具體實(shí)施方式

結(jié)合以下應(yīng)用場(chǎng)景對(duì)本發(fā)明作進(jìn)一步描述。

應(yīng)用場(chǎng)景1

參見(jiàn)圖1、圖2，本應(yīng)用場(chǎng)景的一個(gè)實(shí)施例的復(fù)雜場(chǎng)景下的貨物自動(dòng)追蹤系統(tǒng)，包括調(diào)度中心1、貨物追蹤裝置2、圖像采集裝置3；所述調(diào)度中心1，用于獲取物流信息數(shù)據(jù)、對(duì)貨物位置進(jìn)行圖像顯示、對(duì)物流信息數(shù)據(jù)進(jìn)行查詢、鎖定、管理與智能調(diào)度運(yùn)輸工具、配置貨場(chǎng)；所述圖像采集裝置3用于采集物流圖像信息；所述貨物追蹤裝置2與調(diào)度中心1連接，用于對(duì)所述物流圖像信息進(jìn)行處理，識(shí)別貨物，并獲取貨物所在的位置信息，將位置信息發(fā)送給調(diào)度中心1。

本發(fā)明上述實(shí)施例有效地對(duì)物流中的貨物進(jìn)行追蹤和管理、進(jìn)行貨物的遠(yuǎn)程追蹤，實(shí)時(shí)貨物信息查詢、節(jié)約人工成本，提高效率，并大大加強(qiáng)信息的準(zhǔn)確性與及時(shí)性，基本實(shí)現(xiàn)了自動(dòng)化操作，從而解決了上述的技術(shù)問(wèn)題。

優(yōu)選的，所述貨物追蹤裝置2包括與調(diào)度中心1連接的GPS定位模塊20，所述GPS定位模塊20用于定位被識(shí)別貨物的位置信息。

本優(yōu)選實(shí)施例實(shí)現(xiàn)了被追蹤貨物的定位。

優(yōu)選的，所述物流信息追蹤系統(tǒng)還包括無(wú)線通信裝置4，所述無(wú)線通信裝置4通過(guò)串行數(shù)據(jù)通信接口連接所述調(diào)度中心1，用于將所述位置信息、物流信息數(shù)據(jù)傳輸給所述調(diào)度中心1。

本優(yōu)選實(shí)施例實(shí)現(xiàn)了系統(tǒng)間各塊之間的信息傳輸。

優(yōu)選的，所述貨物追蹤裝置2還包括感興趣區(qū)域檢測(cè)模塊21、貨物區(qū)域確定模塊22和貨物識(shí)別模塊23；所述感興趣區(qū)域檢測(cè)模塊21用于在采集的物流圖像信息中的每楨圖像中提取包含貨物的感興趣區(qū)域D₁并以此作為貨物模板；所述貨物區(qū)域確定模塊22用于建立粒子狀態(tài)轉(zhuǎn)移和觀測(cè)模型并基于上述模型，采用粒子濾波預(yù)測(cè)貨物候選區(qū)域；所述貨物識(shí)別模塊23用于對(duì)所述貨物候選區(qū)域和所述貨物模板進(jìn)行特征相似度量，完成貨物的識(shí)別。

本優(yōu)選實(shí)施例構(gòu)建了貨物追蹤裝置2的模塊架構(gòu)。

優(yōu)選的，所述貨物區(qū)域確定模塊22包括：

(1)初始化子模塊221：用于在所述感興趣區(qū)域D₁內(nèi)隨機(jī)選取數(shù)量為n的粒子并對(duì)各粒子進(jìn)行初始化處理，初始化處理后粒子的初始狀態(tài)為x₀ⁱ，初始權(quán)值為{Q_oⁱ＝1/n,i＝1,...n}；

(2)狀態(tài)轉(zhuǎn)移模型建立子模塊222：用于建立粒子狀態(tài)轉(zhuǎn)移模型，所述粒子狀態(tài)轉(zhuǎn)移模型采用下式：

$x_m^i={\mathrm{Ax}}_{m-1}^i+v_m^i$

式中，表示m時(shí)刻的新粒子，m≥2，為均值為0的高斯白噪聲，A為2階單位陣；m-1時(shí)刻的粒子通過(guò)狀態(tài)轉(zhuǎn)移模型傳播；

(2)觀測(cè)模型建立子模塊223，用于通過(guò)顏色直方圖、紋理特征直方圖和運(yùn)動(dòng)邊緣特征相結(jié)合的方式建立粒子觀測(cè)模型；

(2)貨物候選區(qū)域計(jì)算子模塊224：其利用最小方差估計(jì)來(lái)計(jì)算貨物候選區(qū)域：

$x_{now}=\underset{j=1}{\overset{n}{\Σ}}{Q}_m^j\·x_m^j$

式中，x_now表示計(jì)算的當(dāng)前幀圖像的貨物候選區(qū)域，表示m時(shí)刻第j個(gè)粒子的對(duì)應(yīng)狀態(tài)值；

(5)位置修正子模塊225：用于修正異常數(shù)據(jù)：

$x_{pre}=\underset{j=1}{\overset{n}{\Σ}}{Q}_{m-1}^j\·x_{m-1}^j$

式中，x_pre表示計(jì)算的當(dāng)前幀圖像的貨物候選區(qū)域，表示m-1時(shí)刻第j個(gè)粒子的對(duì)應(yīng)狀態(tài)值；

設(shè)置數(shù)據(jù)異常評(píng)價(jià)函數(shù)P＝|x_now-x_pre|，若P的值大于設(shè)定的經(jīng)驗(yàn)值T,則x_now＝x_pre；

(6)重采樣子模塊226：用于通過(guò)重采樣操作刪除權(quán)值過(guò)小的粒子，重采樣時(shí)，利用系統(tǒng)當(dāng)前時(shí)刻預(yù)測(cè)和觀測(cè)的差值提供新息殘差，進(jìn)而通過(guò)量測(cè)新息殘差對(duì)采樣的粒子進(jìn)行在線自適應(yīng)性調(diào)整，采樣過(guò)程中粒子數(shù)量和信息殘差之間的關(guān)系定義為：

其中，N_m表示采樣過(guò)程中m時(shí)刻的粒子數(shù)量，N_max和N_min分別表示最小和最大粒子數(shù)，N_min+1表示僅大于N_min的粒子數(shù)，N_max-1表示僅小于N_max的粒子數(shù)，表示m時(shí)刻系統(tǒng)的新息殘差。

本優(yōu)選實(shí)施例采用基于顏色直方圖、紋理特征直方圖和運(yùn)動(dòng)邊緣特征相結(jié)合的方式進(jìn)行采樣粒子的權(quán)值更新，有效增強(qiáng)了追蹤系統(tǒng)的魯棒性；設(shè)置位置修正子模塊225，能夠避免異常數(shù)據(jù)帶來(lái)的影響；在重采樣子模塊226中，利用當(dāng)前時(shí)刻預(yù)測(cè)和觀測(cè)的差值提供新息殘差，進(jìn)而通過(guò)量測(cè)新息殘差對(duì)采樣的粒子進(jìn)行在線自適應(yīng)性調(diào)整，并定義了采樣過(guò)程中粒子數(shù)量和信息殘差之間的關(guān)系，較好地保證了粒子采樣的高效性和算法的實(shí)時(shí)性。

優(yōu)選地，所述粒子觀測(cè)模型的粒子權(quán)值更新公式為：

$Q_m^j=\frac{\stackrel{\‾}{Q_{Cm}^j}\·\stackrel{\‾}{Q_{Mm}^j}\·\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1\stackrel{\‾}{Q_{Cm}^j}+{{\mathrm{\λ}}_2}^2\stackrel{\‾}{Q_{Mm}^j}+{{\mathrm{\λ}}_2}^3\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1{\mathrm{\λ}}_2{\mathrm{\λ}}_3}{(1+{\mathrm{\λ}}_1)(1+{\mathrm{\λ}}_2)(1+{\mathrm{\λ}}_3)}$

式中

$\stackrel{\‾}{Q_{Cm}^j}=Q_{Cm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Cm}^j,Q_{Cm}^j=Q_{C(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{A_m^2}{2{\mathrm{\σ}}^2})$

$\stackrel{\‾}{Q_{Mm}^j}=Q_{Mm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Mm}^j,Q_{Mm}^j=Q_{M(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{B_m^2}{2{\mathrm{\σ}}^2})$

$\stackrel{\‾}{Q_{Wm}^j}=Q_{Wm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Wm}^j,Q_{Wm}^j=Q_{W(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{C_m^2}{2{\mathrm{\σ}}^2})$

其中，表示m時(shí)刻第j個(gè)粒子的最終更新權(quán)值，和分別表示m時(shí)刻和m-1時(shí)刻中第j個(gè)粒子基于顏色直方圖的更新權(quán)值，表示m時(shí)刻和m-1時(shí)刻中第j個(gè)粒子基于運(yùn)動(dòng)邊緣的更新權(quán)值，表示m時(shí)刻和m-1時(shí)刻中第j個(gè)粒子基于紋理特征直方圖的更新權(quán)值，A_m為m時(shí)刻中第j個(gè)粒子基于顏色直方圖的觀測(cè)值與真實(shí)值之間的Bhattacharrya距離，B_m為m時(shí)刻中第j個(gè)粒子基于運(yùn)動(dòng)邊緣的觀測(cè)值與真實(shí)值之間的Bhattacharrya距離,C_m為m時(shí)刻中第j個(gè)粒子基于紋理特征直方圖的觀測(cè)值與真實(shí)值之間的Bhattacharrya距離,σ為高斯似然模型方差，λ₁為基于顏色直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，λ₂為基于運(yùn)動(dòng)邊緣的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子,λ₃為基于紋理特征直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子；

所述自適應(yīng)調(diào)整因子的計(jì)算公式為：

${\mathrm{\λ}}_s^m={\mathrm{\ξ}}_{m-1}\·\[-\underset{j=1}{\overset{n}{\Σ}}\left(p_{m-1}^{s/j}\right){\log }_2^{p_{m-1}^{s/j}}\],s=1,2,3;$

其中，s＝1時(shí)，表示m時(shí)刻中基于顏色直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時(shí)刻中基于顏色直方圖的特征值在j個(gè)粒子下的觀測(cè)概率值；s＝2時(shí)，表示m時(shí)刻中基于運(yùn)動(dòng)邊緣的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時(shí)刻中基于運(yùn)動(dòng)邊緣的特征值在j個(gè)粒子下的觀測(cè)概率值；s＝3時(shí)，表示m時(shí)刻中基于紋理特征直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時(shí)刻中基于紋理特征直方圖的特征值在j個(gè)粒子下的觀測(cè)概率值；ξ_m-1表示在m-1時(shí)刻中所有粒子的空間位置方差值。

本優(yōu)選實(shí)施例提出粒子觀測(cè)模型的粒子權(quán)值更新公式和自適應(yīng)調(diào)整因子的計(jì)算公式，對(duì)粒子的特征權(quán)值進(jìn)行融合處理，有效克服了加性融合和乘性融合存在的缺陷，進(jìn)一步增強(qiáng)了魯棒性。

在此應(yīng)用場(chǎng)景中，選取粒子數(shù)n＝50，追蹤速度相對(duì)提高了8％，追蹤精度相對(duì)提高了7％。

應(yīng)用場(chǎng)景2

參見(jiàn)圖1、圖2，本應(yīng)用場(chǎng)景的一個(gè)實(shí)施例的復(fù)雜場(chǎng)景下的貨物自動(dòng)追蹤系統(tǒng)，包括調(diào)度中心1、貨物追蹤裝置2、圖像采集裝置3；所述調(diào)度中心1，用于獲取物流信息數(shù)據(jù)、對(duì)貨物位置進(jìn)行圖像顯示、對(duì)物流信息數(shù)據(jù)進(jìn)行查詢、鎖定、管理與智能調(diào)度運(yùn)輸工具、配置貨場(chǎng)；所述圖像采集裝置3用于采集物流圖像信息；所述貨物追蹤裝置2與調(diào)度中心1連接，用于對(duì)所述物流圖像信息進(jìn)行處理，識(shí)別貨物，并獲取貨物所在的位置信息，將位置信息發(fā)送給調(diào)度中心1。

本發(fā)明上述實(shí)施例有效地對(duì)物流中的貨物進(jìn)行追蹤和管理、進(jìn)行貨物的遠(yuǎn)程追蹤，實(shí)時(shí)貨物信息查詢、節(jié)約人工成本，提高效率，并大大加強(qiáng)信息的準(zhǔn)確性與及時(shí)性，基本實(shí)現(xiàn)了自動(dòng)化操作，從而解決了上述的技術(shù)問(wèn)題。

優(yōu)選的，所述貨物追蹤裝置2包括與調(diào)度中心1連接的GPS定位模塊20，所述GPS定位模塊20用于定位被識(shí)別貨物的位置信息。

本優(yōu)選實(shí)施例實(shí)現(xiàn)了被追蹤貨物的定位。

優(yōu)選的，所述物流信息追蹤系統(tǒng)還包括無(wú)線通信裝置4，所述無(wú)線通信裝置4通過(guò)串行數(shù)據(jù)通信接口連接所述調(diào)度中心1，用于將所述位置信息、物流信息數(shù)據(jù)傳輸給所述調(diào)度中心1。

本優(yōu)選實(shí)施例實(shí)現(xiàn)了系統(tǒng)間各塊之間的信息傳輸。

優(yōu)選的，所述貨物追蹤裝置2還包括感興趣區(qū)域檢測(cè)模塊21、貨物區(qū)域確定模塊22和貨物識(shí)別模塊23；所述感興趣區(qū)域檢測(cè)模塊21用于在采集的物流圖像信息中的每楨圖像中提取包含貨物的感興趣區(qū)域D₁并以此作為貨物模板；所述貨物區(qū)域確定模塊22用于建立粒子狀態(tài)轉(zhuǎn)移和觀測(cè)模型并基于上述模型，采用粒子濾波預(yù)測(cè)貨物候選區(qū)域；所述貨物識(shí)別模塊23用于對(duì)所述貨物候選區(qū)域和所述貨物模板進(jìn)行特征相似度量，完成貨物的識(shí)別。

本優(yōu)選實(shí)施例構(gòu)建了貨物追蹤裝置2的模塊架構(gòu)。

優(yōu)選的，所述貨物區(qū)域確定模塊22包括：

(1)初始化子模塊221：用于在所述感興趣區(qū)域D₁內(nèi)隨機(jī)選取數(shù)量為n的粒子并對(duì)各粒子進(jìn)行初始化處理，初始化處理后粒子的初始狀態(tài)為x₀ⁱ，初始權(quán)值為{Q_oⁱ＝1/n,i＝1,...n}；

(2)狀態(tài)轉(zhuǎn)移模型建立子模塊222：用于建立粒子狀態(tài)轉(zhuǎn)移模型，所述粒子狀態(tài)轉(zhuǎn)移模型采用下式：

$x_m^i={\mathrm{Ax}}_{m-1}^i+v_m^i$

式中，表示m時(shí)刻的新粒子，m≥2，為均值為0的高斯白噪聲，A為2階單位陣；m-1時(shí)刻的粒子通過(guò)狀態(tài)轉(zhuǎn)移模型傳播；

(2)觀測(cè)模型建立子模塊223，用于通過(guò)顏色直方圖、紋理特征直方圖和運(yùn)動(dòng)邊緣特征相結(jié)合的方式建立粒子觀測(cè)模型；

(2)貨物候選區(qū)域計(jì)算子模塊224：其利用最小方差估計(jì)來(lái)計(jì)算貨物候選區(qū)域：

$x_{now}=\underset{j=1}{\overset{n}{\Σ}}{Q}_m^j\·x_m^j$

式中，x_now表示計(jì)算的當(dāng)前幀圖像的貨物候選區(qū)域，表示m時(shí)刻第j個(gè)粒子的對(duì)應(yīng)狀態(tài)值；

(5)位置修正子模塊225：用于修正異常數(shù)據(jù)：

$x_{pre}=\underset{j=1}{\overset{n}{\Σ}}{Q}_{m-1}^j\·x_{m-1}^j$

式中，x_pre表示計(jì)算的當(dāng)前幀圖像的貨物候選區(qū)域，表示m-1時(shí)刻第j個(gè)粒子的對(duì)應(yīng)狀態(tài)值；

設(shè)置數(shù)據(jù)異常評(píng)價(jià)函數(shù)P＝|x_now-x_pre|，若P的值大于設(shè)定的經(jīng)驗(yàn)值T,則x_now＝x_pre；

(6)重采樣子模塊226：用于通過(guò)重采樣操作刪除權(quán)值過(guò)小的粒子，重采樣時(shí)，利用系統(tǒng)當(dāng)前時(shí)刻預(yù)測(cè)和觀測(cè)的差值提供新息殘差，進(jìn)而通過(guò)量測(cè)新息殘差對(duì)采樣的粒子進(jìn)行在線自適應(yīng)性調(diào)整，采樣過(guò)程中粒子數(shù)量和信息殘差之間的關(guān)系定義為：

其中，N_m表示采樣過(guò)程中m時(shí)刻的粒子數(shù)量，N_max和N_min分別表示最小和最大粒子數(shù)，N_min+1表示僅大于N_min的粒子數(shù)，N_max-1表示僅小于N_max的粒子數(shù)，表示m時(shí)刻系統(tǒng)的新息殘差。

本優(yōu)選實(shí)施例采用基于顏色直方圖、紋理特征直方圖和運(yùn)動(dòng)邊緣特征相結(jié)合的方式進(jìn)行采樣粒子的權(quán)值更新，有效增強(qiáng)了追蹤系統(tǒng)的魯棒性；設(shè)置位置修正子模塊225，能夠避免異常數(shù)據(jù)帶來(lái)的影響；在重采樣子模塊226中，利用當(dāng)前時(shí)刻預(yù)測(cè)和觀測(cè)的差值提供新息殘差，進(jìn)而通過(guò)量測(cè)新息殘差對(duì)采樣的粒子進(jìn)行在線自適應(yīng)性調(diào)整，并定義了采樣過(guò)程中粒子數(shù)量和信息殘差之間的關(guān)系，較好地保證了粒子采樣的高效性和算法的實(shí)時(shí)性。

優(yōu)選地，所述粒子觀測(cè)模型的粒子權(quán)值更新公式為：

$Q_m^j=\frac{\stackrel{\‾}{Q_{Cm}^j}\·\stackrel{\‾}{Q_{Mm}^j}\·\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1\stackrel{\‾}{Q_{Cm}^j}+{{\mathrm{\λ}}_2}^2\stackrel{\‾}{Q_{Mm}^j}+{{\mathrm{\λ}}_2}^3\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1{\mathrm{\λ}}_2{\mathrm{\λ}}_3}{(1+{\mathrm{\λ}}_1)(1+{\mathrm{\λ}}_2)(1+{\mathrm{\λ}}_3)}$

式中

$\stackrel{\‾}{Q_{Cm}^j}=Q_{Cm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Cm}^j,Q_{Cm}^j=Q_{C(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{A_m^2}{2{\mathrm{\σ}}^2})$

$\stackrel{\‾}{Q_{Mm}^j}=Q_{Mm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Mm}^j,Q_{Mm}^j=Q_{M(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{B_m^2}{2{\mathrm{\σ}}^2})$

$\stackrel{\‾}{Q_{Wm}^j}=Q_{Wm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Wm}^j,Q_{Wm}^j=Q_{W(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{C_m^2}{2{\mathrm{\σ}}^2})$

其中，表示m時(shí)刻第j個(gè)粒子的最終更新權(quán)值，和分別表示m時(shí)刻和m-1時(shí)刻中第j個(gè)粒子基于顏色直方圖的更新權(quán)值，表示m時(shí)刻和m-1時(shí)刻中第j個(gè)粒子基于運(yùn)動(dòng)邊緣的更新權(quán)值，表示m時(shí)刻和m-1時(shí)刻中第j個(gè)粒子基于紋理特征直方圖的更新權(quán)值，A_m為m時(shí)刻中第j個(gè)粒子基于顏色直方圖的觀測(cè)值與真實(shí)值之間的Bhattacharrya距離，B_m為m時(shí)刻中第j個(gè)粒子基于運(yùn)動(dòng)邊緣的觀測(cè)值與真實(shí)值之間的Bhattacharrya距離,C_m為m時(shí)刻中第j個(gè)粒子基于紋理特征直方圖的觀測(cè)值與真實(shí)值之間的Bhattacharrya距離,σ為高斯似然模型方差，λ₁為基于顏色直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，λ₂為基于運(yùn)動(dòng)邊緣的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子,λ₃為基于紋理特征直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子；

所述自適應(yīng)調(diào)整因子的計(jì)算公式為：

${\mathrm{\λ}}_s^m={\mathrm{\ξ}}_{m-1}\·\[-\underset{j=1}{\overset{n}{\Σ}}\left(p_{m-1}^{s/j}\right){\log }_2^{p_{m-1}^{s/j}}\],s=1,2,3;$

其中，s＝1時(shí)，表示m時(shí)刻中基于顏色直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時(shí)刻中基于顏色直方圖的特征值在j個(gè)粒子下的觀測(cè)概率值；s＝2時(shí)，表示m時(shí)刻中基于運(yùn)動(dòng)邊緣的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時(shí)刻中基于運(yùn)動(dòng)邊緣的特征值在j個(gè)粒子下的觀測(cè)概率值；s＝3時(shí)，表示m時(shí)刻中基于紋理特征直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時(shí)刻中基于紋理特征直方圖的特征值在j個(gè)粒子下的觀測(cè)概率值；ξ_m-1表示在m-1時(shí)刻中所有粒子的空間位置方差值。

本優(yōu)選實(shí)施例提出粒子觀測(cè)模型的粒子權(quán)值更新公式和自適應(yīng)調(diào)整因子的計(jì)算公式，對(duì)粒子的特征權(quán)值進(jìn)行融合處理，有效克服了加性融合和乘性融合存在的缺陷，進(jìn)一步增強(qiáng)了魯棒性。

在此應(yīng)用場(chǎng)景中，選取粒子數(shù)n＝55，追蹤速度相對(duì)提高了7％，追蹤精度相對(duì)提高了8％。

應(yīng)用場(chǎng)景3

參見(jiàn)圖1、圖2，本應(yīng)用場(chǎng)景的一個(gè)實(shí)施例的復(fù)雜場(chǎng)景下的貨物自動(dòng)追蹤系統(tǒng)，包括調(diào)度中心1、貨物追蹤裝置2、圖像采集裝置3；所述調(diào)度中心1，用于獲取物流信息數(shù)據(jù)、對(duì)貨物位置進(jìn)行圖像顯示、對(duì)物流信息數(shù)據(jù)進(jìn)行查詢、鎖定、管理與智能調(diào)度運(yùn)輸工具、配置貨場(chǎng)；所述圖像采集裝置3用于采集物流圖像信息；所述貨物追蹤裝置2與調(diào)度中心1連接，用于對(duì)所述物流圖像信息進(jìn)行處理，識(shí)別貨物，并獲取貨物所在的位置信息，將位置信息發(fā)送給調(diào)度中心1。

本發(fā)明上述實(shí)施例有效地對(duì)物流中的貨物進(jìn)行追蹤和管理、進(jìn)行貨物的遠(yuǎn)程追蹤，實(shí)時(shí)貨物信息查詢、節(jié)約人工成本，提高效率，并大大加強(qiáng)信息的準(zhǔn)確性與及時(shí)性，基本實(shí)現(xiàn)了自動(dòng)化操作，從而解決了上述的技術(shù)問(wèn)題。

優(yōu)選的，所述貨物追蹤裝置2包括與調(diào)度中心1連接的GPS定位模塊20，所述GPS定位模塊20用于定位被識(shí)別貨物的位置信息。

本優(yōu)選實(shí)施例實(shí)現(xiàn)了被追蹤貨物的定位。

優(yōu)選的，所述物流信息追蹤系統(tǒng)還包括無(wú)線通信裝置4，所述無(wú)線通信裝置4通過(guò)串行數(shù)據(jù)通信接口連接所述調(diào)度中心1，用于將所述位置信息、物流信息數(shù)據(jù)傳輸給所述調(diào)度中心1。

本優(yōu)選實(shí)施例實(shí)現(xiàn)了系統(tǒng)間各塊之間的信息傳輸。

優(yōu)選的，所述貨物追蹤裝置2還包括感興趣區(qū)域檢測(cè)模塊21、貨物區(qū)域確定模塊22和貨物識(shí)別模塊23；所述感興趣區(qū)域檢測(cè)模塊21用于在采集的物流圖像信息中的每楨圖像中提取包含貨物的感興趣區(qū)域D₁并以此作為貨物模板；所述貨物區(qū)域確定模塊22用于建立粒子狀態(tài)轉(zhuǎn)移和觀測(cè)模型并基于上述模型，采用粒子濾波預(yù)測(cè)貨物候選區(qū)域；所述貨物識(shí)別模塊23用于對(duì)所述貨物候選區(qū)域和所述貨物模板進(jìn)行特征相似度量，完成貨物的識(shí)別。

本優(yōu)選實(shí)施例構(gòu)建了貨物追蹤裝置2的模塊架構(gòu)。

優(yōu)選的，所述貨物區(qū)域確定模塊22包括：

(1)初始化子模塊221：用于在所述感興趣區(qū)域D₁內(nèi)隨機(jī)選取數(shù)量為n的粒子并對(duì)各粒子進(jìn)行初始化處理，初始化處理后粒子的初始狀態(tài)為x₀ⁱ，初始權(quán)值為{Q_oⁱ＝1/n,i＝1,...n}；

(2)狀態(tài)轉(zhuǎn)移模型建立子模塊222：用于建立粒子狀態(tài)轉(zhuǎn)移模型，所述粒子狀態(tài)轉(zhuǎn)移模型采用下式：

$x_m^i={\mathrm{Ax}}_{m-1}^i+v_m^i$

式中，表示m時(shí)刻的新粒子，m≥2，為均值為0的高斯白噪聲，A為2階單位陣；m-1時(shí)刻的粒子通過(guò)狀態(tài)轉(zhuǎn)移模型傳播；

(2)觀測(cè)模型建立子模塊223，用于通過(guò)顏色直方圖、紋理特征直方圖和運(yùn)動(dòng)邊緣特征相結(jié)合的方式建立粒子觀測(cè)模型；

(2)貨物候選區(qū)域計(jì)算子模塊224：其利用最小方差估計(jì)來(lái)計(jì)算貨物候選區(qū)域：

$x_{now}=\underset{j=1}{\overset{n}{\Σ}}{Q}_m^j\·x_m^j$

式中，x_now表示計(jì)算的當(dāng)前幀圖像的貨物候選區(qū)域，表示m時(shí)刻第j個(gè)粒子的對(duì)應(yīng)狀態(tài)值；

(5)位置修正子模塊225：用于修正異常數(shù)據(jù)：

$x_{pre}=\underset{j=1}{\overset{n}{\Σ}}{Q}_{m-1}^j\·x_{m-1}^j$

式中，x_pre表示計(jì)算的當(dāng)前幀圖像的貨物候選區(qū)域，表示m-1時(shí)刻第j個(gè)粒子的對(duì)應(yīng)狀態(tài)值；

設(shè)置數(shù)據(jù)異常評(píng)價(jià)函數(shù)P＝|x_now-x_pre|，若P的值大于設(shè)定的經(jīng)驗(yàn)值T,則x_now＝x_pre；

(6)重采樣子模塊226：用于通過(guò)重采樣操作刪除權(quán)值過(guò)小的粒子，重采樣時(shí)，利用系統(tǒng)當(dāng)前時(shí)刻預(yù)測(cè)和觀測(cè)的差值提供新息殘差，進(jìn)而通過(guò)量測(cè)新息殘差對(duì)采樣的粒子進(jìn)行在線自適應(yīng)性調(diào)整，采樣過(guò)程中粒子數(shù)量和信息殘差之間的關(guān)系定義為：

其中，N_m表示采樣過(guò)程中m時(shí)刻的粒子數(shù)量，N_max和N_min分別表示最小和最大粒子數(shù)，N_min+1表示僅大于N_min的粒子數(shù)，N_max-1表示僅小于N_max的粒子數(shù)，表示m時(shí)刻系統(tǒng)的新息殘差。

本優(yōu)選實(shí)施例采用基于顏色直方圖、紋理特征直方圖和運(yùn)動(dòng)邊緣特征相結(jié)合的方式進(jìn)行采樣粒子的權(quán)值更新，有效增強(qiáng)了追蹤系統(tǒng)的魯棒性；設(shè)置位置修正子模塊225，能夠避免異常數(shù)據(jù)帶來(lái)的影響；在重采樣子模塊226中，利用當(dāng)前時(shí)刻預(yù)測(cè)和觀測(cè)的差值提供新息殘差，進(jìn)而通過(guò)量測(cè)新息殘差對(duì)采樣的粒子進(jìn)行在線自適應(yīng)性調(diào)整，并定義了采樣過(guò)程中粒子數(shù)量和信息殘差之間的關(guān)系，較好地保證了粒子采樣的高效性和算法的實(shí)時(shí)性。

優(yōu)選地，所述粒子觀測(cè)模型的粒子權(quán)值更新公式為：

$Q_m^j=\frac{\stackrel{\‾}{Q_{Cm}^j}\·\stackrel{\‾}{Q_{Mm}^j}\·\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1\stackrel{\‾}{Q_{Cm}^j}+{{\mathrm{\λ}}_2}^2\stackrel{\‾}{Q_{Mm}^j}+{{\mathrm{\λ}}_2}^3\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1{\mathrm{\λ}}_2{\mathrm{\λ}}_3}{(1+{\mathrm{\λ}}_1)(1+{\mathrm{\λ}}_2)(1+{\mathrm{\λ}}_3)}$

式中

$\stackrel{\‾}{Q_{Cm}^j}=Q_{Cm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Cm}^j,Q_{Cm}^j=Q_{C(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{A_m^2}{2{\mathrm{\σ}}^2})$

$\stackrel{\‾}{Q_{Mm}^j}=Q_{Mm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Mm}^j,Q_{Mm}^j=Q_{M(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{B_m^2}{2{\mathrm{\σ}}^2})$

$\stackrel{\‾}{Q_{Wm}^j}=Q_{Wm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Wm}^j,Q_{Wm}^j=Q_{W(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{C_m^2}{2{\mathrm{\σ}}^2})$

其中，表示m時(shí)刻第j個(gè)粒子的最終更新權(quán)值，和分別表示m時(shí)刻和m-1時(shí)刻中第j個(gè)粒子基于顏色直方圖的更新權(quán)值，表示m時(shí)刻和m-1時(shí)刻中第j個(gè)粒子基于運(yùn)動(dòng)邊緣的更新權(quán)值，表示m時(shí)刻和m-1時(shí)刻中第j個(gè)粒子基于紋理特征直方圖的更新權(quán)值，A_m為m時(shí)刻中第j個(gè)粒子基于顏色直方圖的觀測(cè)值與真實(shí)值之間的Bhattacharrya距離，B_m為m時(shí)刻中第j個(gè)粒子基于運(yùn)動(dòng)邊緣的觀測(cè)值與真實(shí)值之間的Bhattacharrya距離,C_m為m時(shí)刻中第j個(gè)粒子基于紋理特征直方圖的觀測(cè)值與真實(shí)值之間的Bhattacharrya距離,σ為高斯似然模型方差，λ₁為基于顏色直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，λ₂為基于運(yùn)動(dòng)邊緣的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子,λ₃為基于紋理特征直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子；

所述自適應(yīng)調(diào)整因子的計(jì)算公式為：

${\mathrm{\λ}}_s^m={\mathrm{\ξ}}_{m-1}\·\[-\underset{j=1}{\overset{n}{\Σ}}\left(p_{m-1}^{s/j}\right){\log }_2^{p_{m-1}^{s/j}}\],s=1,2,3;$

其中，s＝1時(shí)，表示m時(shí)刻中基于顏色直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時(shí)刻中基于顏色直方圖的特征值在j個(gè)粒子下的觀測(cè)概率值；s＝2時(shí)，表示m時(shí)刻中基于運(yùn)動(dòng)邊緣的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時(shí)刻中基于運(yùn)動(dòng)邊緣的特征值在j個(gè)粒子下的觀測(cè)概率值；s＝3時(shí)，表示m時(shí)刻中基于紋理特征直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時(shí)刻中基于紋理特征直方圖的特征值在j個(gè)粒子下的觀測(cè)概率值；ξ_m-1表示在m-1時(shí)刻中所有粒子的空間位置方差值。

本優(yōu)選實(shí)施例提出粒子觀測(cè)模型的粒子權(quán)值更新公式和自適應(yīng)調(diào)整因子的計(jì)算公式，對(duì)粒子的特征權(quán)值進(jìn)行融合處理，有效克服了加性融合和乘性融合存在的缺陷，進(jìn)一步增強(qiáng)了魯棒性。

在此應(yīng)用場(chǎng)景中，選取粒子數(shù)n＝60，追蹤速度相對(duì)提高了6.5％，追蹤精度相對(duì)提高了8.2％。

應(yīng)用場(chǎng)景4

參見(jiàn)圖1、圖2，本應(yīng)用場(chǎng)景的一個(gè)實(shí)施例的復(fù)雜場(chǎng)景下的貨物自動(dòng)追蹤系統(tǒng)，包括調(diào)度中心1、貨物追蹤裝置2、圖像采集裝置3；所述調(diào)度中心1，用于獲取物流信息數(shù)據(jù)、對(duì)貨物位置進(jìn)行圖像顯示、對(duì)物流信息數(shù)據(jù)進(jìn)行查詢、鎖定、管理與智能調(diào)度運(yùn)輸工具、配置貨場(chǎng)；所述圖像采集裝置3用于采集物流圖像信息；所述貨物追蹤裝置2與調(diào)度中心1連接，用于對(duì)所述物流圖像信息進(jìn)行處理，識(shí)別貨物，并獲取貨物所在的位置信息，將位置信息發(fā)送給調(diào)度中心1。

本發(fā)明上述實(shí)施例有效地對(duì)物流中的貨物進(jìn)行追蹤和管理、進(jìn)行貨物的遠(yuǎn)程追蹤，實(shí)時(shí)貨物信息查詢、節(jié)約人工成本，提高效率，并大大加強(qiáng)信息的準(zhǔn)確性與及時(shí)性，基本實(shí)現(xiàn)了自動(dòng)化操作，從而解決了上述的技術(shù)問(wèn)題。

優(yōu)選的，所述貨物追蹤裝置2包括與調(diào)度中心1連接的GPS定位模塊20，所述GPS定位模塊20用于定位被識(shí)別貨物的位置信息。

本優(yōu)選實(shí)施例實(shí)現(xiàn)了被追蹤貨物的定位。

優(yōu)選的，所述物流信息追蹤系統(tǒng)還包括無(wú)線通信裝置4，所述無(wú)線通信裝置4通過(guò)串行數(shù)據(jù)通信接口連接所述調(diào)度中心1，用于將所述位置信息、物流信息數(shù)據(jù)傳輸給所述調(diào)度中心1。

本優(yōu)選實(shí)施例實(shí)現(xiàn)了系統(tǒng)間各塊之間的信息傳輸。

優(yōu)選的，所述貨物追蹤裝置2還包括感興趣區(qū)域檢測(cè)模塊21、貨物區(qū)域確定模塊22和貨物識(shí)別模塊23；所述感興趣區(qū)域檢測(cè)模塊21用于在采集的物流圖像信息中的每楨圖像中提取包含貨物的感興趣區(qū)域D₁并以此作為貨物模板；所述貨物區(qū)域確定模塊22用于建立粒子狀態(tài)轉(zhuǎn)移和觀測(cè)模型并基于上述模型，采用粒子濾波預(yù)測(cè)貨物候選區(qū)域；所述貨物識(shí)別模塊23用于對(duì)所述貨物候選區(qū)域和所述貨物模板進(jìn)行特征相似度量，完成貨物的識(shí)別。

本優(yōu)選實(shí)施例構(gòu)建了貨物追蹤裝置2的模塊架構(gòu)。

優(yōu)選的，所述貨物區(qū)域確定模塊22包括：

(1)初始化子模塊221：用于在所述感興趣區(qū)域D₁內(nèi)隨機(jī)選取數(shù)量為n的粒子并對(duì)各粒子進(jìn)行初始化處理，初始化處理后粒子的初始狀態(tài)為x₀ⁱ，初始權(quán)值為{Q_oⁱ＝1/n,i＝1,...n}；

(2)狀態(tài)轉(zhuǎn)移模型建立子模塊222：用于建立粒子狀態(tài)轉(zhuǎn)移模型，所述粒子狀態(tài)轉(zhuǎn)移模型采用下式：

$x_m^i={\mathrm{Ax}}_{m-1}^i+v_m^i$

式中，表示m時(shí)刻的新粒子，m≥2，為均值為0的高斯白噪聲，A為2階單位陣；m-1時(shí)刻的粒子通過(guò)狀態(tài)轉(zhuǎn)移模型傳播；

(2)觀測(cè)模型建立子模塊223，用于通過(guò)顏色直方圖、紋理特征直方圖和運(yùn)動(dòng)邊緣特征相結(jié)合的方式建立粒子觀測(cè)模型；

(2)貨物候選區(qū)域計(jì)算子模塊224：其利用最小方差估計(jì)來(lái)計(jì)算貨物候選區(qū)域：

$x_{now}=\underset{j=1}{\overset{n}{\Σ}}{Q}_m^j\·x_m^j$

式中，x_now表示計(jì)算的當(dāng)前幀圖像的貨物候選區(qū)域，表示m時(shí)刻第j個(gè)粒子的對(duì)應(yīng)狀態(tài)值；

(5)位置修正子模塊225：用于修正異常數(shù)據(jù)：

$x_{pre}=\underset{j=1}{\overset{n}{\Σ}}{Q}_{m-1}^j\·x_{m-1}^j$

式中，x_pre表示計(jì)算的當(dāng)前幀圖像的貨物候選區(qū)域，表示m-1時(shí)刻第j個(gè)粒子的對(duì)應(yīng)狀態(tài)值；

設(shè)置數(shù)據(jù)異常評(píng)價(jià)函數(shù)P＝|x_now-x_pre|，若P的值大于設(shè)定的經(jīng)驗(yàn)值T,則x_now＝x_pre；

(6)重采樣子模塊226：用于通過(guò)重采樣操作刪除權(quán)值過(guò)小的粒子，重采樣時(shí)，利用系統(tǒng)當(dāng)前時(shí)刻預(yù)測(cè)和觀測(cè)的差值提供新息殘差，進(jìn)而通過(guò)量測(cè)新息殘差對(duì)采樣的粒子進(jìn)行在線自適應(yīng)性調(diào)整，采樣過(guò)程中粒子數(shù)量和信息殘差之間的關(guān)系定義為：

其中，N_m表示采樣過(guò)程中m時(shí)刻的粒子數(shù)量，N_max和N_min分別表示最小和最大粒子數(shù)，N_min+1表示僅大于N_min的粒子數(shù)，N_max-1表示僅小于N_max的粒子數(shù)，表示m時(shí)刻系統(tǒng)的新息殘差。

本優(yōu)選實(shí)施例采用基于顏色直方圖、紋理特征直方圖和運(yùn)動(dòng)邊緣特征相結(jié)合的方式進(jìn)行采樣粒子的權(quán)值更新，有效增強(qiáng)了追蹤系統(tǒng)的魯棒性；設(shè)置位置修正子模塊225，能夠避免異常數(shù)據(jù)帶來(lái)的影響；在重采樣子模塊226中，利用當(dāng)前時(shí)刻預(yù)測(cè)和觀測(cè)的差值提供新息殘差，進(jìn)而通過(guò)量測(cè)新息殘差對(duì)采樣的粒子進(jìn)行在線自適應(yīng)性調(diào)整，并定義了采樣過(guò)程中粒子數(shù)量和信息殘差之間的關(guān)系，較好地保證了粒子采樣的高效性和算法的實(shí)時(shí)性。

優(yōu)選地，所述粒子觀測(cè)模型的粒子權(quán)值更新公式為：

$Q_m^j=\frac{\stackrel{\‾}{Q_{Cm}^j}\·\stackrel{\‾}{Q_{Mm}^j}\·\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1\stackrel{\‾}{Q_{Cm}^j}+{{\mathrm{\λ}}_2}^2\stackrel{\‾}{Q_{Mm}^j}+{{\mathrm{\λ}}_2}^3\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1{\mathrm{\λ}}_2{\mathrm{\λ}}_3}{(1+{\mathrm{\λ}}_1)(1+{\mathrm{\λ}}_2)(1+{\mathrm{\λ}}_3)}$

式中

$\stackrel{\‾}{Q_{Cm}^j}=Q_{Cm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Cm}^j,Q_{Cm}^j=Q_{C(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{A_m^2}{2{\mathrm{\σ}}^2})$

$\stackrel{\‾}{Q_{Mm}^j}=Q_{Mm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Mm}^j,Q_{Mm}^j=Q_{M(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{B_m^2}{2{\mathrm{\σ}}^2})$

$\stackrel{\‾}{Q_{Wm}^j}=Q_{Wm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Wm}^j,Q_{Wm}^j=Q_{W(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{C_m^2}{2{\mathrm{\σ}}^2})$

其中，表示m時(shí)刻第j個(gè)粒子的最終更新權(quán)值，和分別表示m時(shí)刻和m-1時(shí)刻中第j個(gè)粒子基于顏色直方圖的更新權(quán)值，表示m時(shí)刻和m-1時(shí)刻中第j個(gè)粒子基于運(yùn)動(dòng)邊緣的更新權(quán)值，表示m時(shí)刻和m-1時(shí)刻中第j個(gè)粒子基于紋理特征直方圖的更新權(quán)值，A_m為m時(shí)刻中第j個(gè)粒子基于顏色直方圖的觀測(cè)值與真實(shí)值之間的Bhattacharrya距離，B_m為m時(shí)刻中第j個(gè)粒子基于運(yùn)動(dòng)邊緣的觀測(cè)值與真實(shí)值之間的Bhattacharrya距離,C_m為m時(shí)刻中第j個(gè)粒子基于紋理特征直方圖的觀測(cè)值與真實(shí)值之間的Bhattacharrya距離,σ為高斯似然模型方差，λ₁為基于顏色直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，λ₂為基于運(yùn)動(dòng)邊緣的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子,λ₃為基于紋理特征直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子；

所述自適應(yīng)調(diào)整因子的計(jì)算公式為：

${\mathrm{\λ}}_s^m={\mathrm{\ξ}}_{m-1}\·\[-\underset{j=1}{\overset{n}{\Σ}}\left(p_{m-1}^{s/j}\right){\log }_2^{p_{m-1}^{s/j}}\],s=1,2,3;$

其中，s＝1時(shí)，表示m時(shí)刻中基于顏色直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時(shí)刻中基于顏色直方圖的特征值在j個(gè)粒子下的觀測(cè)概率值；s＝2時(shí)，表示m時(shí)刻中基于運(yùn)動(dòng)邊緣的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時(shí)刻中基于運(yùn)動(dòng)邊緣的特征值在j個(gè)粒子下的觀測(cè)概率值；s＝3時(shí)，表示m時(shí)刻中基于紋理特征直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時(shí)刻中基于紋理特征直方圖的特征值在j個(gè)粒子下的觀測(cè)概率值；ξ_m-1表示在m-1時(shí)刻中所有粒子的空間位置方差值。

本優(yōu)選實(shí)施例提出粒子觀測(cè)模型的粒子權(quán)值更新公式和自適應(yīng)調(diào)整因子的計(jì)算公式，對(duì)粒子的特征權(quán)值進(jìn)行融合處理，有效克服了加性融合和乘性融合存在的缺陷，進(jìn)一步增強(qiáng)了魯棒性。

在此應(yīng)用場(chǎng)景中，選取粒子數(shù)n＝65，追蹤速度相對(duì)提高了6.5％，追蹤精度相對(duì)提高了8.5％。

應(yīng)用場(chǎng)景5

參見(jiàn)圖1、圖2，本應(yīng)用場(chǎng)景的一個(gè)實(shí)施例的復(fù)雜場(chǎng)景下的貨物自動(dòng)追蹤系統(tǒng)，包括調(diào)度中心1、貨物追蹤裝置2、圖像采集裝置3；所述調(diào)度中心1，用于獲取物流信息數(shù)據(jù)、對(duì)貨物位置進(jìn)行圖像顯示、對(duì)物流信息數(shù)據(jù)進(jìn)行查詢、鎖定、管理與智能調(diào)度運(yùn)輸工具、配置貨場(chǎng)；所述圖像采集裝置3用于采集物流圖像信息；所述貨物追蹤裝置2與調(diào)度中心1連接，用于對(duì)所述物流圖像信息進(jìn)行處理，識(shí)別貨物，并獲取貨物所在的位置信息，將位置信息發(fā)送給調(diào)度中心1。

本發(fā)明上述實(shí)施例有效地對(duì)物流中的貨物進(jìn)行追蹤和管理、進(jìn)行貨物的遠(yuǎn)程追蹤，實(shí)時(shí)貨物信息查詢、節(jié)約人工成本，提高效率，并大大加強(qiáng)信息的準(zhǔn)確性與及時(shí)性，基本實(shí)現(xiàn)了自動(dòng)化操作，從而解決了上述的技術(shù)問(wèn)題。

優(yōu)選的，所述貨物追蹤裝置2包括與調(diào)度中心1連接的GPS定位模塊20，所述GPS定位模塊20用于定位被識(shí)別貨物的位置信息。

本優(yōu)選實(shí)施例實(shí)現(xiàn)了被追蹤貨物的定位。

優(yōu)選的，所述物流信息追蹤系統(tǒng)還包括無(wú)線通信裝置4，所述無(wú)線通信裝置4通過(guò)串行數(shù)據(jù)通信接口連接所述調(diào)度中心1，用于將所述位置信息、物流信息數(shù)據(jù)傳輸給所述調(diào)度中心1。

本優(yōu)選實(shí)施例實(shí)現(xiàn)了系統(tǒng)間各塊之間的信息傳輸。

優(yōu)選的，所述貨物追蹤裝置2還包括感興趣區(qū)域檢測(cè)模塊21、貨物區(qū)域確定模塊22和貨物識(shí)別模塊23；所述感興趣區(qū)域檢測(cè)模塊21用于在采集的物流圖像信息中的每楨圖像中提取包含貨物的感興趣區(qū)域D₁并以此作為貨物模板；所述貨物區(qū)域確定模塊22用于建立粒子狀態(tài)轉(zhuǎn)移和觀測(cè)模型并基于上述模型，采用粒子濾波預(yù)測(cè)貨物候選區(qū)域；所述貨物識(shí)別模塊23用于對(duì)所述貨物候選區(qū)域和所述貨物模板進(jìn)行特征相似度量，完成貨物的識(shí)別。

本優(yōu)選實(shí)施例構(gòu)建了貨物追蹤裝置2的模塊架構(gòu)。

優(yōu)選的，所述貨物區(qū)域確定模塊22包括：

(1)初始化子模塊221：用于在所述感興趣區(qū)域D₁內(nèi)隨機(jī)選取數(shù)量為n的粒子并對(duì)各粒子進(jìn)行初始化處理，初始化處理后粒子的初始狀態(tài)為x₀ⁱ，初始權(quán)值為{Q_oⁱ＝1/n,i＝1,...n}；

(2)狀態(tài)轉(zhuǎn)移模型建立子模塊222：用于建立粒子狀態(tài)轉(zhuǎn)移模型，所述粒子狀態(tài)轉(zhuǎn)移模型采用下式：

$x_m^i={\mathrm{Ax}}_{m-1}^i+v_m^i$

式中，表示m時(shí)刻的新粒子，m≥2，為均值為0的高斯白噪聲，A為2階單位陣；m-1時(shí)刻的粒子通過(guò)狀態(tài)轉(zhuǎn)移模型傳播；

(2)觀測(cè)模型建立子模塊223，用于通過(guò)顏色直方圖、紋理特征直方圖和運(yùn)動(dòng)邊緣特征相結(jié)合的方式建立粒子觀測(cè)模型；

(2)貨物候選區(qū)域計(jì)算子模塊224：其利用最小方差估計(jì)來(lái)計(jì)算貨物候選區(qū)域：

$x_{now}=\underset{j=1}{\overset{n}{\Σ}}{Q}_m^j\·x_m^j$

式中，x_now表示計(jì)算的當(dāng)前幀圖像的貨物候選區(qū)域，表示m時(shí)刻第j個(gè)粒子的對(duì)應(yīng)狀態(tài)值；

(5)位置修正子模塊225：用于修正異常數(shù)據(jù)：

$x_{pre}=\underset{j=1}{\overset{n}{\Σ}}{Q}_{m-1}^j\·x_{m-1}^j$

式中，x_pre表示計(jì)算的當(dāng)前幀圖像的貨物候選區(qū)域，表示m-1時(shí)刻第j個(gè)粒子的對(duì)應(yīng)狀態(tài)值；

設(shè)置數(shù)據(jù)異常評(píng)價(jià)函數(shù)P＝|x_now-x_pre|，若P的值大于設(shè)定的經(jīng)驗(yàn)值T,則x_now＝x_pre；

(6)重采樣子模塊226：用于通過(guò)重采樣操作刪除權(quán)值過(guò)小的粒子，重采樣時(shí)，利用系統(tǒng)當(dāng)前時(shí)刻預(yù)測(cè)和觀測(cè)的差值提供新息殘差，進(jìn)而通過(guò)量測(cè)新息殘差對(duì)采樣的粒子進(jìn)行在線自適應(yīng)性調(diào)整，采樣過(guò)程中粒子數(shù)量和信息殘差之間的關(guān)系定義為：

其中，N_m表示采樣過(guò)程中m時(shí)刻的粒子數(shù)量，N_max和N_min分別表示最小和最大粒子數(shù)，N_min+1表示僅大于N_min的粒子數(shù)，N_max-1表示僅小于N_max的粒子數(shù)，表示m時(shí)刻系統(tǒng)的新息殘差。

本優(yōu)選實(shí)施例采用基于顏色直方圖、紋理特征直方圖和運(yùn)動(dòng)邊緣特征相結(jié)合的方式進(jìn)行采樣粒子的權(quán)值更新，有效增強(qiáng)了追蹤系統(tǒng)的魯棒性；設(shè)置位置修正子模塊225，能夠避免異常數(shù)據(jù)帶來(lái)的影響；在重采樣子模塊226中，利用當(dāng)前時(shí)刻預(yù)測(cè)和觀測(cè)的差值提供新息殘差，進(jìn)而通過(guò)量測(cè)新息殘差對(duì)采樣的粒子進(jìn)行在線自適應(yīng)性調(diào)整，并定義了采樣過(guò)程中粒子數(shù)量和信息殘差之間的關(guān)系，較好地保證了粒子采樣的高效性和算法的實(shí)時(shí)性。

優(yōu)選地，所述粒子觀測(cè)模型的粒子權(quán)值更新公式為：

$Q_m^j=\frac{\stackrel{\‾}{Q_{Cm}^j}\·\stackrel{\‾}{Q_{Mm}^j}\·\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1\stackrel{\‾}{Q_{Cm}^j}+{{\mathrm{\λ}}_2}^2\stackrel{\‾}{Q_{Mm}^j}+{{\mathrm{\λ}}_2}^3\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1{\mathrm{\λ}}_2{\mathrm{\λ}}_3}{(1+{\mathrm{\λ}}_1)(1+{\mathrm{\λ}}_2)(1+{\mathrm{\λ}}_3)}$

式中

$\stackrel{\‾}{Q_{Cm}^j}=Q_{Cm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Cm}^j,Q_{Cm}^j=Q_{C(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{A_m^2}{2{\mathrm{\σ}}^2})$

$\stackrel{\‾}{Q_{Mm}^j}=Q_{Mm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Mm}^j,Q_{Mm}^j=Q_{M(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{B_m^2}{2{\mathrm{\σ}}^2})$

$\stackrel{\‾}{Q_{Wm}^j}=Q_{Wm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Wm}^j,Q_{Wm}^j=Q_{W(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{C_m^2}{2{\mathrm{\σ}}^2})$

其中，表示m時(shí)刻第j個(gè)粒子的最終更新權(quán)值，和分別表示m時(shí)刻和m-1時(shí)刻中第j個(gè)粒子基于顏色直方圖的更新權(quán)值，表示m時(shí)刻和m-1時(shí)刻中第j個(gè)粒子基于運(yùn)動(dòng)邊緣的更新權(quán)值，表示m時(shí)刻和m-1時(shí)刻中第j個(gè)粒子基于紋理特征直方圖的更新權(quán)值，A_m為m時(shí)刻中第j個(gè)粒子基于顏色直方圖的觀測(cè)值與真實(shí)值之間的Bhattacharrya距離，B_m為m時(shí)刻中第j個(gè)粒子基于運(yùn)動(dòng)邊緣的觀測(cè)值與真實(shí)值之間的Bhattacharrya距離,C_m為m時(shí)刻中第j個(gè)粒子基于紋理特征直方圖的觀測(cè)值與真實(shí)值之間的Bhattacharrya距離,σ為高斯似然模型方差，λ₁為基于顏色直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，λ₂為基于運(yùn)動(dòng)邊緣的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子,λ₃為基于紋理特征直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子；

所述自適應(yīng)調(diào)整因子的計(jì)算公式為：

${\mathrm{\λ}}_s^m={\mathrm{\ξ}}_{m-1}\·\[-\underset{j=1}{\overset{n}{\Σ}}\left(p_{m-1}^{s/j}\right){\log }_2^{p_{m-1}^{s/j}}\],s=1,2,3;$

其中，s＝1時(shí)，表示m時(shí)刻中基于顏色直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時(shí)刻中基于顏色直方圖的特征值在j個(gè)粒子下的觀測(cè)概率值；s＝2時(shí)，表示m時(shí)刻中基于運(yùn)動(dòng)邊緣的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時(shí)刻中基于運(yùn)動(dòng)邊緣的特征值在j個(gè)粒子下的觀測(cè)概率值；s＝3時(shí)，表示m時(shí)刻中基于紋理特征直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時(shí)刻中基于紋理特征直方圖的特征值在j個(gè)粒子下的觀測(cè)概率值；ξ_m-1表示在m-1時(shí)刻中所有粒子的空間位置方差值。

本優(yōu)選實(shí)施例提出粒子觀測(cè)模型的粒子權(quán)值更新公式和自適應(yīng)調(diào)整因子的計(jì)算公式，對(duì)粒子的特征權(quán)值進(jìn)行融合處理，有效克服了加性融合和乘性融合存在的缺陷，進(jìn)一步增強(qiáng)了魯棒性。

在此應(yīng)用場(chǎng)景中，選取粒子數(shù)n＝70，追蹤速度相對(duì)提高了6％，追蹤精度相對(duì)提高了9％

最后應(yīng)當(dāng)說(shuō)明的是，以上應(yīng)用場(chǎng)景僅用以說(shuō)明本發(fā)明的技術(shù)方案，而非對(duì)本發(fā)明保護(hù)范圍的限制，盡管參照較佳應(yīng)用場(chǎng)景對(duì)本發(fā)明作了詳細(xì)地說(shuō)明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解，可以對(duì)本發(fā)明的技術(shù)方案進(jìn)行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的實(shí)質(zhì)和范圍。