(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 20221017680 5.6 (22)申请日 2022.02.25 (71)申请人 南京邮电大 学 地址 210023 江苏省南京市栖霞区亚 东新 城区文苑路9号 (72)发明人 孙哲　乐磊　孙知信　赵学健　 汪胡青　宫婧　胡冰　 (74)专利代理 机构 南京苏科专利代理有限责任 公司 32102 专利代理师 周湛湛 (51)Int.Cl. G06V 20/40(2022.01) G06V 10/30(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01)G06K 9/62(2022.01) (54)发明名称 一种基于视频检测技术的分拣中心异常行 为的识别方法 (57)摘要 本发明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。 权利要求书4页 说明书10页 附图4页 CN 114581824 A 2022.06.03 CN 114581824 A 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Darki,j＝min(JC(i,j))， 0≤i<m,0≤j< nC∈{R,G,B}， 其中JC(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Dividep,q＝max(Darki,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， Dividet,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Ai,j＝max (Divide)where(i,j)i nDivide。 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Bx＝0.59×JR(x)+0.3×JG(x)+0.11 ×JB(x)； 其中， JC(x)指 图像J的像素点x在C通道分量上的值；权　利　要　求　书 1/4 页 2 CN 114581824 A 2步骤3.2、 设窗口大小为3 ×3， 非覆盖平移窗口， 有Featurek＝Quantile0.99(Bx)‑avg (Bx)， x∈Ω(k)， 其中， Ω(k)为B的第k个划分窗口， Quantilep(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Featurek＜Quantile0.75(Bx)‑Quantile0.25(Bx)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 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∈BΩ(k)， 其中， BΩ(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Ck, 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Dk， 判断该前景类型， 其具体判别公式如下：权　利　要　求　书 2/4 页 3 CN 114581824 A 3