现代物流仓库安全管理的趋势是信息化、网络化和智能化, 很多企业也与时俱进, 努力进行仓库安全的自动化改造。仓库的安全管理主要是对人员、车辆和物资的安全管理, 可视化的视频监控已经从普通的人工监控阶段过渡到智能化的监控, 智能监控的运用, 提高了仓库的信息化管理水平, 提高了仓库监控区域的安全管理, 其中目标检测技术的算法研究是实现智能监控的重要的基础性工作, 因此具有重大的实际研究意义。本文主要是在淮南市爱一方电子商务企业仓库监控区域的环境下进行的研究, 通过对视频监控图像的智能分析, 检测出异常行为, 并及时自动发送报警信息, 从而提高该企业仓库的安全管理水平。

通过大量文献的阅读, 可以把目标检测运动物体的方法总体上分为三类:光流法、相邻帧差法和背景差分法。光流法是通过灰度模式运动而检测前景目标, 在一定的约束条件下, 根据视频序列中的像素强度信息在时间上的变化和相关性确定每个像素的运动, 并对其进行分析从而把前景目标从背景中分离出来。但是光流法抗噪性能差、计算方法复杂, 很难实现运动目标的实时检测。相邻帧差法的基本思想是在一段连续的视频帧中对相邻两帧或多帧进行差值运算作绝对值, 然后选取一个阈值进行判断, 得到二值化图像, 提取前景目标。但相邻帧差法提取的前景目标轮廓稀疏, 容易出现空洞现象。背景差分法的基本思想是差分当前帧和参考帧获取前景目标, 主要应用于摄像机固定的情况下视频图像的前景检测。在众多目标检测算法中, 目前应用较为广泛的背景模型是由Crimson和Stauffer提出的高斯混合模型 (Gaussian Mixture Model, GMM) 。其在交通、医疗、通信等众多领域都有应用, 高斯混合模型能够模拟现实的多模态场景, 对缓慢的光照变化、树叶晃动等具有较好的处理效果, 其结构简单, 设置的参数少, 拟合性良好等, 因此本文选择用高斯混合模型来检测运动目标。

在企业物流系统中, 仓储承担着货物的收发、储存、保管保养、控制、监督等多种职能, 仓储在维持生产稳定、在售品稳定、平衡企业物流和企业流动资金方面发挥着重要的作用。仓库安全管理一方面是对仓库储存物资的管理, 另一方面是对仓库人员和设备的管理, 仓库安全管理的目标是发现、分析和消除仓库安全管理过程中各种危险和潜在威胁, 保护仓库中人与财物不遭受破坏。随着计算机技术、自动化控制技术、通信技术和图像分析技术的进步, 淮南市爱一方电子商务企业也开始关注仓库安全管理的智能化水平的提高, 在仓库重要区域安装网络数字视频监控设备。该企业仓库每日进出货量比较大, 产品款式种类多, 另外仓库人员和外来人员进出频繁, 这就导致传统的人工监视视频设备无法满足安全性要求, 加上人自身生理的需要暂时离开或者偷懒, 这就需要企业采取更先进的技术来实现实时监控、及时反馈的目标。智能监控便应运而生, 通过在嵌入式视频服务器中, 集成智能行为识别算法, 能够对画面场景中的人或车辆的行为进行识别、判断, 检测出异常行为, 及时发送报警信息提示安保人员及时采取应对措施, 从而确保仓储货物和人员的安全。

该企业主要是从事网络零售行业, 仓库库存量大, 产品款式有200余种, 每日出票2000件左右, 为保证货物及时发出, 热销产品需提前包装好等待出库, 每日固定时间, 快递人员过去扫描出货, 但货物经常会有丢件无揽件记录情况, 通过视频监控回放也很难检查出问题所在, 而且浪费人力和大量的时间, 从根本上无法解决此类问题, 因此, 企业在仓储安全管理上, 应该学习用先进科学的分析工具预判检查安全隐患, 然后有针对性地采取改善措施, 与时俱进, 采用智能化、网络化、模块化的仓储安全监控系统, 实现实时监控、实时响应, 及时避免安全事故发生。同时要加强对仓库监控区域的自动化管理, 实时监控和管理仓库人员、货物和设备, 提高仓储安全管理的智能化水平和可靠性程度, 降低仓储安全管理的成本, 提高生产效率, 推进仓储安全管理的科学化和现代化进程。

高斯混合模型是由Crimson和Stauffer在单高斯模型的基础上提出的, 是用多个高斯函数对背景模拟, 对场景变化、遮挡等问题有较好的处理效果, 是一种经典的运动目标检测和跟踪算法, 采用统计学特征表征背景模型, 能适应复杂的场景, 如摇动的树叶, 雨雪天气, 光线的变化等等, 具有良好的鲁棒性, 同时计算量不是太大, 能基本满足实际应用中对算法的实时性要求。

高斯混合模型的基本思想是:采集视频数据建立背景模型, 初始化K (一般取3-7) 个高斯分布函数对背景中每个像素的颜色特征建模, 并对每个高斯成分的均值和方差进行更新, 然后通过一个阈值判断该像素是否与背景模型匹配, 若满足条件, 则该像素被认为是背景点, 不满足条件则认为是前景点。在高斯混合模型中, 为了便于计算, 假设各像素之间RGB的三个颜色分量互不相关, 对各像素点的处理是相互独立的, 具有相同的方差。其中, K的值越大, 越能适应场景的变化, 模拟背景的处理效果也更好, 但是会增加模型的计算量, 因此并不是K越大越好, 当K大于一定值以后, 算法处理能力大大降低, 运输速度也会变得很慢。高斯混合模型可以概括为以下几个步骤:建立背景模型、参数初始化及参数更新、生成背景模型和提取运动目标等。

高斯混合模型是对视频图像帧的每一个像素建立K个多维高斯分布来混合模拟该点的背景值。对于视频中的t时刻, 设每个像素点颜色取值用变量Xt表示, 其概率密度函数可用如下三维高斯函数表示:

式中K表示高斯成分的个数, wi, t表示t时刻高斯混合模型中第i个模型的权值, 其中wi, t满足

式中η (Xt, μi, t, ∑i, t表示t时刻第i个高斯分布, 定义如下:

此式中n表示像素的维数, μ和∑分别表示高斯混合模型的均值和协方差矩阵。

图1 高斯混合模型建模流程   下载原图

参数初始化是创建视频图像的第一帧中每个对应像素的K个高斯分布的平均值, 对每个高斯分布赋予指定的方差和相同的权重。根据视频序列的实时更新, 将新的图像帧中的每个像素与相应的高斯成分逐一匹配检验, 然后判断该高斯成分是否需要更新。参数更新的速率决定模型的收敛速度和算法的运算效率, 从而影响高斯混合模型算法的鲁棒性和实时性。

将当前帧的像素点Xt与其K个高斯分布比较, 若满足:

则此像素点与模型匹配, 此时更新模型参数:

若匹配时像素不满足模型, 则对相应的模型的权值作衰减:

式中, α为学习速率, ρ为更新速率。

如果全部高斯成分中没有一个能和当前帧的像素点值Xt匹配, 用一个新的高斯成分替换权重最小的那个高斯成分, 用当前像素点值Xt作为新高斯成分的均值, 其方差初始化为一个较大的值, 权重初始化为一个较低的值。

首先, 把每一个像素所有的高斯分布按照ω/σ从大到小进行排列, 然后设定一个阈值T (0.5<T<1) , 满足阈值条件的像素点判定为背景点, 不满足的则为前景点, 这样就生成了背景模型。其具体表达式如下:

上式中T的值越小, B的值就越大, 即高斯分布的个数就越多, 也就有更多的像素归类为背景像素, 但是, T的值偏小会使高斯混合模型模拟的背景简单化, 导致得出的目标不理想, 不能满足实际需要。反之, 如果T的值过大则会增加模型的计算量, 同时可能漏检目标。因此T的设定非常重要。

为了验证本文提出的仓库智能监控环境下高斯混合模型对视频运动目标的检测性能, 在Intel (R) Core (TM) i7-8550U CPU@1.80GHz 1.99GHz、8.00G RAM, Windows 10、64位操作系统, 基于X64的处理器的计算机上, 采用Visual Studio2010和Open CV2.4.9软件进行仿真实验, 实验选择了3段不同分辨率、不同背景环境的视频序列, 进行对比实验, 以测试高斯混合模型的检测性能。其中视频信息如表1所示。

表1 测试视频详细信息     下载原表

图2 实验结果   下载原图

图2 实验结果   下载原图

图2 (a) 选取的视频test1.avi第85帧原始图像, 仓库光线比较暗, 在照明灯灯光的环境下, 图2 (b) 选取的视频test2.avi第88帧原始图像, 仓库日光光线基本良好, 背景环境比较复杂, 图2 (c) 选取的视频test3.avi第99帧原始图像, 仓库光线稍暗, 背景较为复杂, 图2 (d) 、图2 (e) 、图2 (f) 分别为上述原始图像对应的检测结果。从实验结果可以看出, 在复杂的仓库背景环境下, 采用高斯混合模型算法的检测效果能够较好地检测出运动目标, 检测运动目标的轮廓比较完整, 具有较好的鲁棒性, 能够精准地检测和跟踪运动目标信息, 去除噪声等干扰, 并适用于运动目标的实时监控系统。结语

针对物流仓库仓储安全管理的问题, 在智能监控环境下, 本文提出采用高斯混合模型的运动目标检测与跟踪方法, 对仓库视频监控图像中运动目标进行检测和智能分析。通过上述实验结果证明, 基于高斯混合模型的运动目标检测与跟踪方法检测结果较为理想, 其跟踪精度高, 对光照变化与阴影具有鲁棒性, 适合用在运动目标实时监测的场合, 对提高仓库安全管理具有一定的参考价值。