本發(fā)明涉及一種基于視頻監(jiān)控的倉儲監(jiān)控方法及裝置。

背景技術(shù)：

現(xiàn)在大多數(shù)倉庫仍采用傳統(tǒng)的監(jiān)控方式，傳統(tǒng)的倉儲監(jiān)控方法包括人力現(xiàn)場監(jiān)控和人力視頻監(jiān)控，基本處于人工管理或半自動化管理狀態(tài)，智能化程度較低，并且存在資金占用量大、貨物識別及貨物信息實時獲取困難，人工依賴性強等諸多問題。

不同于傳統(tǒng)的監(jiān)控技術(shù)，智能視頻監(jiān)控技術(shù)以其強大的數(shù)據(jù)處理能力和高效的自主解析功能展現(xiàn)出明顯的優(yōu)勢。智能視頻監(jiān)控技術(shù)的主要特點是采用計算機視覺的方法，在幾乎不需人為監(jiān)控的情況下，通過對視頻圖像序列進行自動分析，識別出感興趣的監(jiān)控目標(biāo)或事件，并在此基礎(chǔ)上分析和判斷監(jiān)控目標(biāo)的行為，在可疑目標(biāo)、潛在危險等異常情況發(fā)生時，以最快的速度發(fā)出警報。

無線射頻識別技術(shù)(Radio Frequency Identification，簡稱“RFID”)是一種非接觸式自動無線識別和數(shù)據(jù)獲取技術(shù)，優(yōu)勢在于能讓監(jiān)控目標(biāo)“開口說話”，實現(xiàn)數(shù)據(jù)的采集。將RFID技術(shù)與智能視頻監(jiān)控技術(shù)相結(jié)合，可以極大地提高倉儲監(jiān)控技術(shù)的智能化程度，有效地協(xié)助監(jiān)控人員處理異常情況，提高監(jiān)控效率，節(jié)省人力監(jiān)控成本。

技術(shù)實現(xiàn)要素：

本發(fā)明為了解決上述問題，提出了一種基于視頻監(jiān)控的倉儲監(jiān)控方法及裝置，本發(fā)明通過視頻監(jiān)控能實時檢測出倉庫中堆砌貨物形狀所發(fā)生的異常變化并及時報警，同時融合RFID無線射頻識別技術(shù)實時獲取報警貨物的貨物類別等信息。

為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

一種基于視頻監(jiān)控的倉儲監(jiān)控方法，包括以下步驟：

(1)采集倉庫中貨物堆的視頻信息；

(2)對采集到的圖像建立背景模型，并根據(jù)場景的變化對模型參數(shù)進行學(xué)習(xí)更新，檢測視頻場景是否發(fā)生異常變化，得到前景二值圖像；

(3)進行形態(tài)學(xué)濾波操作，對前景二值圖像先做開運算，后做閉運算，；

(4)對濾波后的圖像進行區(qū)域劃分，構(gòu)建連通域，計算出每個連通區(qū)域各自的參數(shù)，剔除超過設(shè)定值的前景區(qū)域；

(5)對篩選后的前景區(qū)域進行異常判斷，如果存在異常變化，進行報警。

所述步驟(1)中，攝像機正對貨物堆安裝，攝像機與貨物堆保持一定的距離，對倉庫中不同大小的貨物堆進行分類分區(qū)存放。

所述步驟(2)中，對采集到的貨物堆圖像建立改進的混合高斯背景模型，并根據(jù)場景的變化對模型參數(shù)進行學(xué)習(xí)更新，具體包括：

(2-1)：計算開始連續(xù)時間段內(nèi)的視頻圖像序列中各像素點的均值和方差，建立K個具有高斯分布的初始混合高斯背景模型，并設(shè)定初始權(quán)值；

(2-2)：每個像素點包含K個高斯分布構(gòu)成的混合高斯背景模型，對后續(xù)傳輸?shù)膱D像中每個新的像素值，分別與對應(yīng)各像素點的背景模型進行匹配；

(2-3)：根據(jù)模型匹配的結(jié)果進行參數(shù)更新，分為兩種情況，若當(dāng)前幀的像素值與高斯模型集合中的一個高斯模型匹配，則更新該高斯模型的均值和方差，同時增加該高斯模型的權(quán)值，降低剩余未匹配的高斯模型的權(quán)值；若都不匹配，則根據(jù)當(dāng)前幀的像素值引入一個新的高斯分布替換原先K個高斯模型集合中權(quán)值最小的高斯模型；

(2-4)：將K個高斯模型從高到低依次排序，依據(jù)設(shè)定的閾值選擇相應(yīng)個數(shù)的高斯模型作為背景模型。

所述步驟(2-4)中，背景模型的高斯模型個數(shù)的選取方法為：

其中，B為選擇的背景模型個數(shù)，ω_k為各個高斯模型的權(quán)值，T為估計背景的最小閾值。

所述步驟(2)中，檢測視頻場景中的貨物堆是否發(fā)生異常變化，對于傳輸來的視頻圖像，根據(jù)建立的背景模型，按照優(yōu)先級次序依次與當(dāng)前幀的像素值逐一匹配，若匹配則判斷該點為前景點，否則為背景點，最終得到前景二值圖像。

所述步驟(3)中，采用3×3方形結(jié)構(gòu)元素做形態(tài)學(xué)濾波操作，對二值化圖像先做開運算，后做閉運算，以消除前景區(qū)域的不連續(xù)空洞，連接同一前景區(qū)域的斷裂處以及平滑其邊緣。

所述步驟(4)中，通過像素標(biāo)記算法將每個前景區(qū)域區(qū)分開，計算出每個連通區(qū)域各自的參數(shù)，然后根據(jù)各個區(qū)域的幾何特征剔除掉不符合實際情況的前景區(qū)域，保留可能的前景區(qū)域。

所述步驟(5)中，對不同的貨物堆區(qū)域設(shè)定不同的最小面積閾值，當(dāng)通過連通域檢測模塊后得到的前景區(qū)域大于設(shè)定的最小面積閾值時，則判定貨物堆形狀發(fā)生變化。

一種基于視頻監(jiān)控的倉儲監(jiān)控裝置，包括視頻采集單元、異常檢測單元、報警單元、RFID單元和顯示單元，其中：

所述視頻采集單元，被配置為實時采集監(jiān)控場景的視頻信息，并將其傳輸給異常檢測單元和顯示單元；

所述異常檢測單元，被配置為對采集到的圖像建立背景模型，并根據(jù)場景的變化對模型參數(shù)進行學(xué)習(xí)更新，檢測視頻場景是否發(fā)生異常變化，根據(jù)與背景模型的匹配結(jié)果得到前景二值圖像，對前景二值圖像先進行形態(tài)學(xué)濾波，再進行區(qū)域劃分，構(gòu)建連通域，對篩選后的前景區(qū)域進行異常判斷，向報警單元傳輸異常變化信號；

所述報警單元，被配置為接收異常變化信號，并進行報警；

所述RFID單元，被配置為根據(jù)異常變化結(jié)果獲取監(jiān)控范圍內(nèi)發(fā)生異常變動的相應(yīng)的貨物信息；

所述顯示單元，被配置為顯示實時場景視頻以及異常判斷結(jié)果。

所述異常檢測單元包括背景學(xué)習(xí)模塊、前景檢測模塊、形態(tài)學(xué)處理模塊、連通域檢測模塊與異常判斷模塊，其中：

所述背景學(xué)習(xí)模塊，被配置為對采集到的貨物堆圖像建立改進的混合高斯背景模型，并根據(jù)場景的變化對模型參數(shù)進行學(xué)習(xí)更新；

所述前景檢測模塊，檢測視頻場景中的貨物堆是否發(fā)生異常變化，對于傳輸來的視頻圖像，根據(jù)前若干個高斯模型建立的背景模型，按照優(yōu)先級次序依次與當(dāng)前幀的像素值逐一匹配，得到前景二值圖像；

所述形態(tài)學(xué)處理模塊，進行形態(tài)學(xué)濾波操作，對前景二值圖像先做開運算，后做閉運算，以消除前景區(qū)域的不連續(xù)空洞，連接同一前景區(qū)域的斷裂處以及平滑其邊緣；

所述連通域檢測模塊，對檢測到的前景區(qū)域進行篩選；

所述異常判斷模塊，對篩選后的前景區(qū)域進行異常判斷。

所述RFID單元包括電子標(biāo)簽、讀寫器、控制器與數(shù)據(jù)庫服務(wù)器，其中：

所述電子標(biāo)簽，標(biāo)記貨物的ID信息；

所述讀寫器，采集監(jiān)控范圍內(nèi)貨物攜帶的電子標(biāo)簽信息，并將數(shù)據(jù)信息傳輸給控制器；

所述控制器，對讀寫器進行讀寫功率和讀寫模式的設(shè)置，同時將從讀寫器中接收到的數(shù)據(jù)信息傳輸?shù)綌?shù)據(jù)庫服務(wù)器；

所述數(shù)據(jù)庫服務(wù)器，接收從控制器中傳輸來的數(shù)據(jù)信息并存儲。

本發(fā)明的有益效果為：

(1)本發(fā)明在異常檢測單元的背景學(xué)習(xí)模塊中采用基于改進的混合高斯模型的背景建模算法，在算法中使用時變的權(quán)值更新率和不同的參數(shù)更新因子，不僅提高了檢測靈敏度，還降低了模型的適應(yīng)程度，使算法的魯棒性增強；

(2)本發(fā)明將RFID技術(shù)應(yīng)用到視頻監(jiān)控技術(shù)中來，利用RFID快速掃描、穿透性和無屏礙閱讀、抗污染能力和耐久性強、可重復(fù)使用、數(shù)據(jù)記憶容量大等優(yōu)點，提高了倉儲監(jiān)控裝置的智能化程度；

(3)本發(fā)明成本低，安裝簡便，節(jié)省了人力資源成本，具有較強的實際應(yīng)用價值。

附圖說明

圖1是本發(fā)明的結(jié)構(gòu)框圖；

圖2是本發(fā)明的異常檢測單元中背景學(xué)習(xí)模塊的方法流程圖；

圖3是本發(fā)明的RFID單元的應(yīng)用過程示意圖。

具體實施方式：

下面結(jié)合附圖與實施例對本發(fā)明作進一步說明。

如圖1所示，為本發(fā)明的結(jié)構(gòu)框圖，本發(fā)明由視頻采集單元1、異常檢測單元2、報警單元3、RFID單元4和顯示單元5五部分組成。

視頻采集單元1用于采集實時監(jiān)控場景的視頻信息，并通過網(wǎng)線與異常檢測單元2進行視頻傳輸，通過光纖電纜與顯示單元5進行實時視頻傳輸；

異常檢測單元2用于檢測從視頻采集單元1接收的場景視頻信息，如果檢測到異常變化則輸出I/O信號給報警單元3，并通過光纖電纜與顯示單元5進行信號傳輸；

報警單元3用于接收從異常檢測單元2發(fā)出的報警信號，及時發(fā)出報警信息；

RFID單元4用于獲取監(jiān)控范圍內(nèi)發(fā)生異常變動的貨物信息，并通過光纖電纜與顯示單元5連接，進行信號傳輸；

顯示單元5用于顯示從視頻采集單元1接收的實時場景視頻，以及從異常檢測單元2接收的檢測結(jié)果。

進一步，所述視頻采集單元1由紅外攝像機6組成，用于采集倉庫中貨物堆的視頻信息。所述視頻采集單元1中的紅外攝像機6適用于在照明條件不足或或完全無光的環(huán)境中采集圖像，當(dāng)倉庫中的光線亮度低于某一閾值時，紅外攝像機6會啟動紅外燈照明補光，采集到的圖像為黑白圖像；反之，紅外攝像機6會關(guān)閉紅外燈照明，采集到彩色圖像。

進一步，所述異常檢測單元2由背景學(xué)習(xí)模塊7、前景檢測模塊8、形態(tài)學(xué)處理模塊9、連通域檢測模塊10與異常判斷模塊11五部分組成。其中：

如圖2所示，所述背景學(xué)習(xí)模塊7，用于對采集到的貨物堆圖像建立改進的混合高斯背景模型，并根據(jù)場景的變化對模型參數(shù)進行學(xué)習(xí)更新，具體步驟包括：

(1)：模型初始化；

(2)：模型匹配；

(3)：模型參數(shù)更新；

(4)：背景模型建立。

其中，步驟(1)模型初始化的具體步驟為：

步驟(1.1)：計算開始連續(xù)幾段很短時間內(nèi)N幀視頻圖像序列中每一個像素點的均值μ₀和方差均值和方差的計算公式如下：

其中，μ₀是每個像素點的像素均值，i＝1…N是視頻圖像序列的幀數(shù)，X_i是第i幀視頻圖像中每個像素點的像素值，是每個像素點的方差值；

步驟(1.2)：用步驟(1.1)得到的每個像素點的均值μ₀和方差建立K個具有高斯分布的初始混合高斯背景模型，每個像素點的高斯概率分布表達式如下：

其中，K為混合高斯模型中高斯分布的個數(shù)，通常的取值范圍為[3,5]，ω_i,t為t時刻混合高斯模型中第i個高斯分布的權(quán)值的估計值，X_t為每個像素點在t時刻的像素值，μ_i,t為t時刻混合高斯模型中第i個高斯分布的均值，Σ_i,t為t時刻混合高斯模型中第i個高斯分布的協(xié)方差矩陣，η為高斯概率密度函數(shù)；

進一步，高斯概率密度函數(shù)的表達式為：

其中，n是像素值X_t的維數(shù)，n＝1為灰度圖像，μ_t和Σ分別為t時刻混合高斯模型的均值和協(xié)方差矩陣；

為簡化計算，協(xié)方差矩陣的計算公式如下：

其中，Σ_k,t和分別為t時刻混合高斯模型中第k個高斯分布的協(xié)方差矩陣和方差，I為單位矩陣；

步驟(1.3)：設(shè)定由步驟(1.2)建立的K個高斯背景模型的初始權(quán)值，初始化權(quán)值公式如下：

其中，ω_i,t是t時刻混合高斯模型中第i個高斯模型的權(quán)值，X_t為每個像素點在t時刻的值，μ_i,t為t時刻混合高斯模型中第i個高斯分布的均值，N為視頻圖像序列的幀數(shù)；

步驟(2)模型匹配的具體做法為：

在完成步驟(1)初始化后，每個像素點包含K個高斯分布構(gòu)成的混合高斯背景模型，對后續(xù)傳輸?shù)膱D像中每個新的像素值X_t，分別與對應(yīng)各像素點的高斯背景模型進行匹配，匹配的公式如下：

其中，λ是判斷閾值，通常設(shè)為2.5；

步驟(3)模型參數(shù)更新的具體步驟為：

步驟(3.1)：根據(jù)步驟(2)模型匹配的結(jié)果進行參數(shù)更新，分為兩種情況：

若當(dāng)前幀每個像素點處的像素值X_t與K個高斯模型集合中的一個高斯模型匹配，則更新該高斯模型的均值和方差，同時增加該高斯模型的權(quán)值，均值和方差的更新公式如下：

μ_t＝(1-ρ₁)μ_t-1+ρ₁X_t (8)

上式中，μ_t和分別是更新后t時刻的高斯模型的均值和方差，μ_t-1和分別是更新前t-1時刻的高斯模型的均值和方差，ρ₁、ρ₂是取值在[0,1]之間的參數(shù)更新因子，且ρ₁＞ρ₂；

進一步，該高斯模型權(quán)值增加的公式如下：

ω_k,t＝(1-α)ω_k,t-1+α (10)

其中，ω_k,t為更新后的高斯模型的權(quán)值，ω_k,t-1為更新前的高斯模型的權(quán)值，α為取值在[0,1]的權(quán)值更新率；

對于K個高斯模型集合中剩余未與X_t匹配的高斯模型，則僅降低這些高斯模型的權(quán)值，權(quán)值降低的公式如下：

ω_k,t＝(1-α)ω_k,t-1 (11)

上式中，ω_k,t為更新后的高斯模型的權(quán)值，ω_k,t-1為更新前的高斯模型的權(quán)值，α為取值在[0,1]的權(quán)值更新率；

其中，權(quán)值更新率α的計算公式如下：

上式中，n＝1,2,…,N為視頻圖像序列的幀數(shù)；

若當(dāng)前幀每個像素點處的像素值X_t與K個高斯模型集合中的任何一個高斯模型都不匹配，則根據(jù)X_t引入一個新的高斯分布替換原先K個高斯模型集合中權(quán)值最小的高斯模型，替換的方法為：新高斯模型的均值μ_t設(shè)為當(dāng)前像素值X_t，方差取為較大值，權(quán)值ω_t取為較小值；

步驟(3.2)：參數(shù)更新完后，對混合高斯模型中的K個高斯模型的權(quán)值進行歸一化處理：

上式中，ω_i,t為K個混合高斯模型中第i個高斯模型的權(quán)值；

步驟(4)背景模型建立的具體步驟為：

步驟(4.1)：計算K個高斯模型的優(yōu)先級ω/σ；

步驟(4.2)：根據(jù)優(yōu)先級ω/σ的值將各高斯模型從高到低依次排序；

步驟(4.3)：從K個高斯模型中選擇前B個高斯模型作為背景模型，選取方法為：

其中，B為選擇的背景模型個數(shù)，ω_k為各個高斯模型的權(quán)值，T為估計背景的最小閾值，T一般取經(jīng)驗值0.85。

所述前景檢測模塊8，用于檢測視頻場景中的貨物堆是否發(fā)生異常變化，對于傳輸來的視頻圖像，根據(jù)前B個高斯模型建立的背景模型，按照優(yōu)先級次序依次與當(dāng)前幀的像素值X_t逐一匹配，若匹配則判斷該點為前景點，否則為背景點，從而分割出前景區(qū)域與背景區(qū)域，得到前景二值圖像，前景區(qū)域分割的公式如下：

上式中，R_k(x,y)為賦予當(dāng)前像素點的新像素值，μ_i,t和σ_i,t分別為背景模型的均值和標(biāo)準(zhǔn)差，i＝1…B為背景模型的個數(shù)。

所述形態(tài)學(xué)處理模塊9，經(jīng)過前景檢測8后得到包含前景信息的二值化圖像，在其背景區(qū)域存在著小噪聲，在其前景區(qū)域內(nèi)部也存在著一些空洞，且前景區(qū)域的邊緣處不平滑，有大量毛刺。為了去除這些不利影響，本發(fā)明采用3×3方形結(jié)構(gòu)元素做形態(tài)學(xué)濾波操作，對二值化圖像先做開運算，后做閉運算，以消除前景區(qū)域的不連續(xù)空洞，連接同一前景區(qū)域的斷裂處以及平滑其邊緣。

所述連通域檢測模塊10，指的是對檢測到的前景區(qū)域進行篩選。通過前景檢測8后的二值化圖像可能包括多個前景區(qū)域，通過像素標(biāo)記算法將每個前景區(qū)域區(qū)分開，計算出每個連通區(qū)域各自的參數(shù)(面積、周長等)，然后根據(jù)各個區(qū)域的幾何特征剔除掉一些在面積和形狀上明顯不符合實際情況的前景區(qū)域，保留可能的前景區(qū)域。

所述異常判斷模塊11，指的是對篩選后的前景區(qū)域進行異常判斷。由于判斷的是貨物堆的形狀，當(dāng)貨物堆的形狀發(fā)生變化時，則會出現(xiàn)一定面積的前景區(qū)域。所述視頻采集單元1中的紅外攝像機6正對貨物堆安裝，攝像機6與貨物堆保持一定的距離，對倉庫中不同大小的貨物堆進行分類分區(qū)存放，對不同的貨物堆區(qū)域設(shè)定不同的最小面積閾值，當(dāng)通過連通域檢測模塊10后得到的前景區(qū)域大于設(shè)定的最小面積閾值時，則判定貨物堆形狀發(fā)生變化，即有人動過貨物，同時發(fā)出I/O報警信號傳遞給報警單元3。

進一步，所述報警單元3由報警器12組成，當(dāng)貨物堆形狀發(fā)生變化時，報警器12接收異常檢測單元2傳來的報警信號，進行報警，協(xié)助倉庫管理人員及時進行處理。

進一步，所述RFID單元4由電子標(biāo)簽13、讀寫器14、系統(tǒng)軟件15與數(shù)據(jù)庫服務(wù)器16四部分組成。

所述電子標(biāo)簽13，用于標(biāo)記貨物的ID信息，如貨物類別、擺放位置、日期等數(shù)據(jù)信息。

所述讀寫器14，用于采集監(jiān)控范圍內(nèi)貨物攜帶的電子標(biāo)簽信息，并將數(shù)據(jù)信息傳輸給系統(tǒng)軟件15。

所述系統(tǒng)軟件15，用于對讀寫器14進行讀寫功率和讀寫模式的設(shè)置，同時將從讀寫器14中接收到的數(shù)據(jù)信息傳輸?shù)綌?shù)據(jù)庫服務(wù)器16中存儲。

所述數(shù)據(jù)庫服務(wù)器16，用于接收從系統(tǒng)軟件15中傳輸來的數(shù)據(jù)信息并存儲。

如圖3所示，所述RFID單元4在典當(dāng)倉庫中的具體應(yīng)用過程如下：

首先，為典當(dāng)倉庫中的每個貨物18分別植入一個電子標(biāo)簽13，每個電子標(biāo)簽13注冊有不同的ID信息，讀寫器14讀取監(jiān)控范圍內(nèi)堆放貨物18上的電子標(biāo)簽信息，并傳輸至系統(tǒng)軟件15，由系統(tǒng)軟件15將數(shù)據(jù)信息寫入數(shù)據(jù)庫服務(wù)器16中并存儲；當(dāng)貨物堆發(fā)生異常即貨物18離開存放位置時，固定式的讀寫器14會讀取貨物18上的電子標(biāo)簽信息，并傳輸至系統(tǒng)軟件15，由系統(tǒng)軟件15寫入數(shù)據(jù)庫服務(wù)器16，記錄貨物18的異常變動，同時在顯示單元5的計算機顯示器17中顯示發(fā)生異常變動的貨物信息。

進一步，所述顯示單元5由計算機顯示器17組成，接收從視頻采集單元1傳輸來的實時監(jiān)控場景視頻并顯示，同時與異常檢測單元2、RFID單元4連接，顯示異常檢測的結(jié)果和發(fā)生異常變化的貨物信息。

上述雖然結(jié)合附圖對本發(fā)明的具體實施方式進行了描述，但并非對本發(fā)明保護范圍的限制，所屬領(lǐng)域技術(shù)人員應(yīng)該明白，在本發(fā)明的技術(shù)方案的基礎(chǔ)上，本領(lǐng)域技術(shù)人員不需要付出創(chuàng)造性勞動即可做出的各種修改或變形仍在本發(fā)明的保護范圍以內(nèi)。