CN106295713A - 一种面向计算机视觉认知的物品状态标签识别系统及方法 - Google Patents
一种面向计算机视觉认知的物品状态标签识别系统及方法 Download PDFInfo
- Publication number
- CN106295713A CN106295713A CN201610694115.4A CN201610694115A CN106295713A CN 106295713 A CN106295713 A CN 106295713A CN 201610694115 A CN201610694115 A CN 201610694115A CN 106295713 A CN106295713 A CN 106295713A
- Authority
- CN
- China
- Prior art keywords
- segment
- black
- article condition
- article
- white
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Abstract
本发明公开了一种面向计算机视觉认知的物品状态标签识别系统及方法,包括物品状态标签、监控摄像头、计算机及警报器,所述警报器与监控摄像头分别与计算机连接,所述物品状态标签在监控摄像头在视线范围内,所述物品状态标签由黑块及白块排列构成,利用计算机视觉技术进行识别。本发明价格低廉,易于维护并且维护成本低,节省了大量的人力物力。
Description
技术领域
本发明涉及计算机视觉及图像处理领域,具体涉及一种面向计算机视觉认知的物品状态标签识别系统及方法。
背景技术
随着社会的不断发展,越来越多的行业和领域都需要用到物品状态识别技术,并且对物品状态识别技术的准确性要求也越来越高。比如对物流行业来说,货物的安全直接关系到企业的利益,如果货物的安全性得不到保障,就有可能会使企业蒙受巨大的经济损失,甚至影响到企业的信誉。如何对货物进行安全监管,已经成为相关企业不断提高管理水平、服务水准和提升行业竞争力的迫切需要。传统的管理方法主要是安装视频监控设备、聘请保安进行24小时全天候轮流值班等,虽然这些方法起到了一定的防盗作用,但耗费了巨大的人力物力,且安全系数不是很高。近年来也有一些专业学者提出了一些防盗方法,如将RFID技术用于仓储监管系统中,可以对库存货物进行实时监控等。这些方法虽然在传统管理方法上有了一定的改进,但仍然存在一些不足,例如这些方案需要的仪器较多、技术复杂、维护起来比较困难且成本较高。此外,现在许多地方所贴的封条只能起到形式上的作用,如公司的仓库、相关部门查封的某些场所等,要想要保证封条的安全性和可靠性,只能安排专门人员进行看护或者制作特殊的封条,但这些方法耗费了巨大的人力而且可靠性不高。
发明内容
为了解决现有技术存在的缺点与不足,本发明提供一种面向计算机视觉认知的物品状态标签识别系统及方法。
本发明采用如下技术方案:
一种面向计算机视觉认知的物品状态标签识别系统,包括物品状态标签、监控摄像头、计算机及警报器,所述警报器与监控摄像头分别与计算机连接,所述物品状态标签在监控摄像头的视线范围内,所述物品状态标签由黑块及白块排列构成。
所述黑块及白块为规则图形或不规则图形构成,
所述黑块及白块具体为水平排列。
所述物品状态标签粘贴在物品的正面或四周。
一种物品状态标签识别系统的识别方法,包括如下步骤:
S1监控摄像头对物品进行实时监控,并将所获视频传送给计算机;
S2提取视频,并对视频中每帧图像进行灰度处理和降噪处理;
S3获得视频第一帧图像中,物品状态标签中黑白图块的排列顺序,并保存作为检测标准;
S4读取视频中第一帧图像以后的每一帧图像中的黑白图块的排列顺序并与第一帧图像进行对比;
S5若图块排列顺序不一致,则说明物品状态改变,警报器发出警报;若一致,则物品状态未改变。
采用OpenCV进行视频的读取及处理。
所述S3中获取黑白图片的排列顺序,具体为:
根据光照模型,黑色图块中像素点的像素值较低,白色图块中像素点的像素值较高,在黑色图块中取一个3*3的像素点矩阵,求它们像素值的均值,在白色图块中取一个3*3的像素点矩阵,求它们像素值的均值,则白色图块中像素点矩阵的像素均值大于黑色图块的,选取物品状态标签中n个白色图块,每个白色图块都记为“1”,n个黑色图块,每个黑色图块都记为“0”,根据所需物品状态标签的长短确定n的值,求取它们的像素点矩阵的均值并从高到低进行排序,获得序列从序列中得到两个标准,分别为①序列前n个为1,后n个为0,②pn-pn+1>10成立,其中pn和pn+1分别为序列中第n个元素和第n+1个元素的值,这即是第一帧图像中黑白图块所代表的信息,也是物品状态是否改变的判断标准。
本发明的有益效果:
本发明所需要的设备数相对于现有的一些物品状态识别方法来说较少,价格低廉,易于维护并且维护成本低,节省了大量的人力物力;
本发明的检测精度接近100%,本发明是一种科学且有效的物品状态识别方法。
附图说明
图1是本发明的结构图;
图2是本发明的物品状态标签示意图;
图3是本发明实施例中物品状态标签贴在物品正面的示意图;
图4是本发明的工作流程图。
具体实施方式
下面结合实施例及附图,对本发明作进一步地详细说明,但本发明的实施方式不限于此。
实施例
如图1所示,一种面向计算机视觉认知的物品状态标签识别系统,
包括物品状态标签,所述物品状态标签粘贴在物品的正面或四周,由黑块及白块排列的纸带构成用于表示货物的特定状态信息,如果循环利用,也可以采用其他材料制成,黑块及白块可以是规则形状也可以为不规则形状。
规则图块包括矩形、平行四边形、圆形、三角形和梯形。
如图2及图3所示,物品状态标签可以采用黑白块相间的水平排列方式,不同物品状态标签的尺寸及排列可以不相同。
监控摄像头,所述物品状态标签在监控摄像头的视线范围内,监控摄像头与物品状态标签可以一一对应,也可以一对多关系。
计算机及警报器,所述警报器与监控摄像头分别与计算机连接。
如图4所示,标签的识别方法,包括如下步骤:
S1监控摄像头对物品进行实时监控,并将所获视频传送给计算机;
S2提取视频,并对视频中每帧图像进行灰度处理和降噪处理,采用OpenCV进行视频的读取及处理;
S3获得视频第一帧图像中,物品状态标签中黑白图块的排列顺序,并保存作为检测标准;
具体为:
获取第一帧图像中黑白图块所代表的信息时,根据光照模型,黑色图块中像素点的像素值较低,白色图块中像素点的像素值较高,所以,可以在黑色图块中取一个3*3的像素点矩阵,求它们像素值的均值;在白色图块中取一个3*3的像素点矩阵,求它们像素值的均值,则白色图块中像素点矩阵的像素均值大于黑色图块的,选取物品状态标签中n个白色图块,每个白色图块都记为“1”,n个黑色图块,每个黑色图块都记为“0”(根据所需物品状态标签的长短确定n的值),求取它们的像素点矩阵的均值并从高到低进行排序,获得序列,则①序列前n个为1,后n个为0,且②pn-pn+1>10成立,其中pn和pn+1分别为序列中第n个元素和第n+1个元素的值,这即是第一帧图像中黑白图块所代表的信息,也是物品状态是否改变的判断标准;
S4读取视频中第一帧图像以后的每一帧图像中的黑白图块的排列顺序并与第一帧图像进行对比;
S5若图块排列顺序不一致,则说明物品状态改变,警报器发出警报;若一致,则物品状态未改变。
获取以后每一帧图像中黑白图块所代表的信息时,若物品状态未变,则判断标准①和②不变,与第一帧图片中的信息一致;若有人改变物品状态(比如前来盗取物品),必然会对物品状态标签造成遮挡或毁坏,从而使得标准①或者②不成立,与第一帧图片中黑白图块的信息不一致。
本实施例中,采用的物品状态标签如图2所示,其具体的识别过程为:
在视频的第一帧图像中选取10个黑色图块,全部记为“0”,选取10个白色图块全部记为“1”,测得黑色图块中3*3的像素点矩阵的均值分别为12,23,18,15,17,21,18,22,21,16,同理得到白色图块中3*3像素点矩阵的均值分别为206,203,212,215,207,206,211,205,203,209,将这20个值从高到低排列得到序列满足①前10个为“1”后10个为“0”,②p10-p11=180>10,将这两个条件作为第一帧图像中黑白图块代表的信息,保存并作为判断标准;
视频中以后的每一帧图像中黑白图块排列组合顺序所代表的信息都和第一帧相比较,当无人前来时,计算机采集到的黑白图块所的信息不变,货物安全;当有人前来时,对纸带造成了遮挡,此时黑色图块中3*3的像素点矩阵的均值分别为12,23,18,75,81,83,78,22,21,16,白色图块中3*3像素点矩阵的均值分别为206,203,212,73,77,76,81,205,203,209,从而将这这20个值从高到低排列得到
序列,且p10-p11=1<10,不满足①和②,与第一帧的信息不同,判断有人前来盗取货物,发出警报。
本方法的优点在于:1、需要的设备数相对于现有的方法来说较少,价格低廉,易于维护并且维护成本低,从而节省了大量的人力、物力;2、本发明的检测精度很高,在实验时,检测精度接近100%。所以本发明提供了一种科学、有效且简单易行的物品状态识别方法。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受所述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (7)
1.一种面向计算机视觉认知的物品状态标签识别系统,其特征在于,包括物品状态标签、监控摄像头、计算机及警报器,所述警报器与监控摄像头分别与计算机连接,所述物品状态标签在监控摄像头的视线范围内,所述物品状态标签由黑块及白块排列构成。
2.根据权利要求1所述的一种面向计算机视觉认知的物品状态标签识别系统,其特征在于,所述黑块及白块为规则图形或不规则图形构成。
3.根据权利要求1所述的一种面向计算机视觉认知的物品状态标签识别系统,其特征在于,所述黑块及白块具体为水平排列。
4.根据权利要求1所述的物品状态标签识别系统,其特征在于,所述物品状态标签粘贴在物品的正面或四周。
5.一种如权利要求1-4任一项所述的物品状态标签识别系统的识别方法,其特征在于,包括如下步骤:
S1监控摄像头对物品进行实时监控,并将所获视频传送给计算机;
S2提取视频,并对视频中每帧图像进行灰度处理和降噪处理;
S3获得视频第一帧图像中,物品状态标签中黑白图块的排列顺序,并保存作为检测标准;
S4读取视频中第一帧图像以后的每一帧图像中的黑白图块的排列顺序并与第一帧图像进行对比;
S5若图块排列顺序不一致,则说明物品状态改变,警报器发出警报;若一致,则物品状态未改变。
6.根据权利要求5所述的识别方法,其特征在于,采用OpenCV进行视频的读取及处理。
7.根据权利要求5所述的识别方法,其特征在于,S3中获取黑白图片的排列顺序,具体为:
根据光照模型,黑色图块中像素点的像素值较低,白色图块中像素点的像素值较高,在黑色图块中取一个3*3的像素点矩阵,求它们像素值的均值,在白色图块中取一个3*3的像素点矩阵,求它们像素值的均值,则白色图块中像素点矩阵的像素均值大于黑色图块的,选取物品状态标签中n个白色图块,每个白色图块都记为“1”,n个黑色图块,每个黑色图块都记为“0”,根据所需物品状态标签的长短确定n的值,求取它们的像素点矩阵的均值并从高到低进行排 序,获得序列从序列中得到两个标准,分别为①序列前n个为1,后n个为0,②pn-pn+1>10成立,其中pn和pn+1分别为序列中第n个元素和第n+1个元素的值,这即是第一帧图像中黑白图块所代表的信息,也是物品状态是否改变的判断标准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610694115.4A CN106295713A (zh) | 2016-08-19 | 2016-08-19 | 一种面向计算机视觉认知的物品状态标签识别系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610694115.4A CN106295713A (zh) | 2016-08-19 | 2016-08-19 | 一种面向计算机视觉认知的物品状态标签识别系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106295713A true CN106295713A (zh) | 2017-01-04 |
Family
ID=57661706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610694115.4A Pending CN106295713A (zh) | 2016-08-19 | 2016-08-19 | 一种面向计算机视觉认知的物品状态标签识别系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106295713A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709283A (zh) * | 2020-05-07 | 2020-09-25 | 顺丰科技有限公司 | 物流件状态的检测方法以及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101571982A (zh) * | 2009-05-11 | 2009-11-04 | 宁波海视智能系统有限公司 | 一种判断视频监控范围内物品失窃的方法 |
CN101908230A (zh) * | 2010-07-23 | 2010-12-08 | 东南大学 | 一种基于区域深度边缘检测和双目立体匹配的三维重建方法 |
CN101936919A (zh) * | 2010-08-06 | 2011-01-05 | 清华大学 | 一种基于计算机视觉的玻璃质量检测装置及其测量方法 |
CN102246186A (zh) * | 2008-10-14 | 2011-11-16 | 西柏控股股份有限公司 | 物品识别方法和系统 |
CN102914295A (zh) * | 2012-09-21 | 2013-02-06 | 上海大学 | 基于计算机视觉立方体标定的三维测量方法 |
CN103116771A (zh) * | 2013-02-20 | 2013-05-22 | 吴凡 | 一种基于条形码的目标识别方法及应用系统 |
CN103150631A (zh) * | 2013-03-11 | 2013-06-12 | 苏州斯普锐智能系统有限公司 | 基于图像匹配的自动物品管理方法及其系统 |
CN103065494B (zh) * | 2012-04-12 | 2015-04-22 | 华南理工大学 | 一种基于计算机视觉的空闲停车位检测方法 |
-
2016
- 2016-08-19 CN CN201610694115.4A patent/CN106295713A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102246186A (zh) * | 2008-10-14 | 2011-11-16 | 西柏控股股份有限公司 | 物品识别方法和系统 |
CN101571982A (zh) * | 2009-05-11 | 2009-11-04 | 宁波海视智能系统有限公司 | 一种判断视频监控范围内物品失窃的方法 |
CN101908230A (zh) * | 2010-07-23 | 2010-12-08 | 东南大学 | 一种基于区域深度边缘检测和双目立体匹配的三维重建方法 |
CN101936919A (zh) * | 2010-08-06 | 2011-01-05 | 清华大学 | 一种基于计算机视觉的玻璃质量检测装置及其测量方法 |
CN103065494B (zh) * | 2012-04-12 | 2015-04-22 | 华南理工大学 | 一种基于计算机视觉的空闲停车位检测方法 |
CN102914295A (zh) * | 2012-09-21 | 2013-02-06 | 上海大学 | 基于计算机视觉立方体标定的三维测量方法 |
CN103116771A (zh) * | 2013-02-20 | 2013-05-22 | 吴凡 | 一种基于条形码的目标识别方法及应用系统 |
CN103150631A (zh) * | 2013-03-11 | 2013-06-12 | 苏州斯普锐智能系统有限公司 | 基于图像匹配的自动物品管理方法及其系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709283A (zh) * | 2020-05-07 | 2020-09-25 | 顺丰科技有限公司 | 物流件状态的检测方法以及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8215565B2 (en) | Apparatus and method for securement of two-dimensional bar codes with geometric symbology | |
CN105405298B (zh) | 一种车牌标识的识别方法和装置 | |
US9025828B2 (en) | Methods and systems for enhancing read accuracy in an automated license plate reader system | |
CN103248534B (zh) | 幼儿园安全防护系统 | |
CN104766086B (zh) | 一种公路标识的监管方法和系统 | |
CN107609491A (zh) | 一种基于卷积神经网络的车辆违章停车检测方法 | |
US8243984B1 (en) | User identifiable watermarking | |
CN107592506B (zh) | 一种监控方法以及监控装置、监控系统 | |
CN110414320B (zh) | 一种安全生产监管的方法及系统 | |
CN102595099B (zh) | 一种基于信号检测技术的视频数据合成方法 | |
US20100007738A1 (en) | Method of advanced person or object recognition and detection | |
TW200841737A (en) | Video analytics for banking business process monitoring | |
Zin et al. | A Markov random walk model for loitering people detection | |
CN111553355B (zh) | 基于监控视频的出店经营检测及通知管理店主的方法 | |
CN109685026A (zh) | 一种驾驶员手持手机通话的实时监测方法 | |
CN116310943B (zh) | 一种感知工人安全状况的方法 | |
CN111223260A (zh) | 在仓储管理中智能监控货物防盗损的方法和系统 | |
CN103870966A (zh) | 产品追踪方法 | |
CN103425960A (zh) | 一种视频中快速运动物体侦测方法 | |
CN202887219U (zh) | 危险品运输识别系统 | |
CN106295713A (zh) | 一种面向计算机视觉认知的物品状态标签识别系统及方法 | |
CN110674703A (zh) | 一种智能监控中的视频绊线报警计数方法与流程 | |
CN112633157A (zh) | 一种agv工作区域安全性的实时检测方法及系统 | |
CN109885605B (zh) | 一种城市体征指标模型数据预处理方法 | |
CN107016673A (zh) | 铁路信号机柜状态灯图像分析方法、装置以及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170104 |
|
WD01 | Invention patent application deemed withdrawn after publication |