CN107491786A - 一种烟草收购重复过磅行为自动视觉检测与识别方法 - Google Patents

Abstract

本发明公开了一种烟草收购重复过磅行为自动视觉检测与识别方法，包括构建磅秤和货物的样本库，训练获得磅秤和货物的SVM分类器；读取视频流，获得视频帧；获取磅秤的初始区域范围，并结合当前视频帧对磅秤KCF跟踪器进行初始化；使用三帧差法得到帧差图，计算得到二值图像非零区域的最小外接矩形范围，并获取货物的初始区域范围，并结合当前视频帧对货物KCF跟踪器进行初始化；使用当前视频帧更新磅秤和货物KCF跟踪器，并跟踪获得磅秤和货物当前区域范围；分别处理已获取的磅秤和货物的区域范围集合，计算磅秤和货物的位置，并以此为依据，分析当前过磅行为，检测重复过磅行为。本发明用于对车间异常行为中重复过磅行为的自动视觉检测。

Description

一种烟草收购重复过磅行为自动视觉检测与识别方法

技术领域

本发明属于视觉检测技术领域，涉及一种自动视觉检测与识别的方法，尤其涉及一种在烟草收购过程中防止重复过磅的自动视觉检测与识别的方法。

背景技术

在烟草行业的称重车间中，每天都需要将收购的烟草打包过磅入库。由于烟草行业的特殊性，因而就需要保证每一步操作的规范性，过磅作为其中重要的一环，也就必须得到有效的管理。

如申请号为201610038028.3的发明专利申请就公开了一种用于烟叶收购的网络智能POS机系统、一种TPC收购系统及其运行方法，该收购方法的具体步骤包括：(1)同步烟站信息、安装有基地单元TSO软件的收购主机时间、烟叶等级、烟叶收购参数，烟站信息是指烟站的编号、烟站所属市县烟草公司、烟站工作人员；同步安装有基地单元TSO软件的收购主机时间是指安装TSO软件的收购主机的系统时间与烟站统一收烟时间；烟叶等级包括42种烟叶等级及对应的价格；烟叶收购参数包括：烟站烟农的合同量、合同面积、烟农卡发放情况、已收烟量和剩交量；同步成功后进入步骤(2)，否则，重复执行步骤(1)；(2)绑定磅号，磅号是指每个网络智能POS机系统的编号，绑定成功后进入步骤(3)，否则，重复执行步骤(2)；(3)判断收购时间是否符国家规定的烟叶统一收购时间，如果符合，通过所述显示与触摸模块输入烟农卡号或通过所述读卡模块读取烟农卡，获取烟农信息，所述烟农信息包括：烟农今年的合同号、合同量、剩交量、预检数量、合格数量以及烟农姓名；否则，重复执行步骤(3)；(4)判断是否输入预检信息，所述预检信息包括预检数量、合格数量，是的话，录入预检信息，否则，通过步骤(3)获取的烟农信息进行烟农验证，验证通过后，在所述显示模块显示所述烟农信息；(5)定级；(6)所述称重模块对烟叶称重，并将称重数据通过通讯模块发送至所述网络智能POS机系统，并将该称重数据发送至显示模块显示；(7)判断过磅是否结束，是的话，进入步骤(8)，否则，对下一磅烟叶执行步骤(5)；(8)通过所述打印机打印发票，结束。

上述收购方法中需要对烟叶进行过磅、称重，并在称重时需要判断过磅是否结束。但是，由于烟草行业的特殊性，因而就需要保证每一步操作的规范性，尤其是在过磅这一重要环节中。在过磅这一环节中，尤其需要解决的就是重复过磅；因而重复过磅作为过磅过程中的异常行为，需要及时的发现和制止。

现有技术中，在烟草领域为了规避重复过磅，基本上还是依靠人工进行规避。但是，采用人工规避时出错率较高。申请号为201520048220.1的实用新型专利就公开了一种静态轨道衡远程过磅装置，用于铁水的计量，一定程度上也可转用于烟草的收购。其包括交换机、远程计算机终端、音箱、采集卡、称重仪表、衡器、显示屏、打印机、功放、摄像头，所述的交换机通过网线分别与远程计算机终端、采集卡、显示屏、打印机相连，其中采集卡通过信号线再与称重仪表相连，称重仪表通过信号线与衡器相连；其中功放通过信号线分别与音箱、摄像头相连。工作时：火车司机把铁水罐推至衡器上，司磅员通过摄像头查看位置是否正确，若有误则通过音箱语音告知火车司机，称重仪表输出的重量信号通过采集卡转换成网络信号后，经交换机连续不断的发送给远程计算机计量终端进行计量统计，并将相关计量信息发送给显示屏显示出来，以让现场人员实时了解计量信息，同时将计量完成信号发送给功放，从而控制音箱播放“计量完成”提示火车司机，计量已经完成。这样，火车司机可根据音箱发出的语音信号知道计量已经完成，从而控制火车的移动进行下一罐铁水的计量，同时通过打印机将相关信息打印出来，而计量装置则又处于下一次计量等待状态。从而，最终解决了目前动态采集重量的技术落后及火车运行速度的不均匀，极易造成遗漏过磅、重复过磅、数据不准确等问题，降低了人力资源成本。

但是，传统的监控视频加人工监视模式已经不能达到重复过磅的实时准确的效果，无法满足目前对于重复过磅的监控系统的要求；致使目前烟草车间额智能化管理水平较低，烟草重复过磅的出错率较高。

发明内容

本发明的目的在于：提供一种烟草收购重复过磅行为自动视觉检测与识别方法，解决称重车间监控视频中重复过磅行为的检测问题，降低烟草重复过磅的出错率。

本发明采用的技术方案如下：

一种烟草收购重复过磅行为自动视觉检测与识别方法，主要包括三个部分，一是目标检测之前，进行相关SVM分类器的离线训练工作，二是目标跟踪之前，进行相关KCF跟踪器的在线初始化工作，并设置好全局阈值，三是进行相关KCF跟踪器的在线更新工作，获取目标实时位置信息，实时分析当前视频内容(过磅行为)；具体包括以下内容：构建磅秤和货物的样本库，训练获得磅秤和货物的SVM分类器；读取视频流，获得视频帧；使用磅秤SVM分类器对当前视频帧进行检测，获取磅秤的初始区域范围，并结合当前视频帧对磅秤KCF跟踪器进行初始化；从视频流中读取三帧相邻视频帧，使用三帧差法得到帧差图，并对其进行二值化处理，计算得到二值图像非零区域的最小外接矩形范围，使用货物SVM分类器对当前视频帧的该矩形范围内图像进行检测，获取货物的初始区域范围，并结合当前视频帧对货物KCF跟踪器进行初始化；使用当前视频帧更新磅秤和货物KCF跟踪器，并跟踪获得磅秤和货物当前区域范围；分别处理已获取的磅秤和货物的区域范围集合，计算磅秤和货物的位置，并以此为依据，分析当前过磅行为，检测重复过磅行为。

具体包括以下步骤：

步骤一、进行SVM分类器的离线训练工作；

步骤二、设置好全局阈值，并进行KCF跟踪器的在线初始化工作；

步骤三、获取目标实时位置信息，实时分析当前视频内容，包括步骤31至步骤36：

步骤31：从VideoStream依次序读取第i帧视频帧f_i(x,y)，使用f_i(x,y)更新KCF跟踪器Tracker₁和Tracker₂，获得第i帧视频帧中的磅秤所在区域范围和货物所在区域范围

步骤32：由磅秤所在区域范围集合算出当前磅秤平均位置

步骤33：由货物所在区域范围集合并结合Thres₂和Thres₃算出货物静止位置集合即到第i帧为止，货物移动路径上已有m个静止位置；

步骤34：计算货物移动路径上静止位置集合P₁与当前磅秤平均位置的距离集合为D＝{D⁽¹⁾,D⁽²⁾,...,D^(m)}，得到D中大于Thres₂×Thres₃的元素数目n；

步骤35：如果n>1，则当前视频内容中出现了重复过磅行为；否则如果n＝1，则当前视频内容中出现了正常过磅行为；否则，则当前视频内容中尚未出现过磅行为；

步骤36：如果视频尚未结束，i加1后继续执行步骤31，否则结束本次视频检测。

进一步地，步骤一中，具体的离线训练为：

步骤11：构建磅秤样本库和货物样本库，分别训练出磅秤SVM分类器Classifier₁和货物SVM分类器Classifier₂；

进一步地，所述步骤11中，根据磅秤样本库和货物样本库训练磅秤SVM分类器Classifier₁和货物SVM分类器Classifier₂的具体步骤如下：

步骤111：采集磅秤正负样本，并标记每个样本，正样本标签值为“1”，负样本标签值为“-1”；

步骤112：对磅秤正负样本提取HOG特征数据，并进行归一化处理；

步骤113：将归一化处理后的HOG特征数据和对应的标签值进行支持向量机SVM训练，得到磅秤SVM分类器Classifier₁；

步骤114：采集货物正负样本，重复步骤111至步骤113，得到货物SVM分类器Classifier₂。

进一步地，步骤二中，设置好全局阈值并进行KCF跟踪器的在线初始化工作的具体步骤为：

步骤21：全局阈值包括面积阈值Thres₁、距离阈值Thres₂和帧数阈值Thres₃，设置好面积阈值Thres₁、距离阈值Thres₂和帧数阈值Thres₃；

步骤22：准备待检测视频流VideoStream；

步骤23：从VideoStream依次序读取一帧视频帧f_c(x,y)，使用磅秤SVM分类器Classifier₁检测f_c(x,y)，得到磅秤初始区域范围

步骤24：结合和f_c(x,y)初始化磅秤KCF跟踪器Tracker₁；

步骤25：从VideoStream依次序读取三帧相邻视频帧f₁(x,y)、f₂(x,y)和f₃(x,y)，使用三帧差法得到帧差图f_d(x,y)；

步骤26：取f_d(x,y)二值化处理后的非零区域的最小外接矩形范围Rect₀，最小外接矩形的面积大小为S₀；

步骤27：如果S₀>Thres₁，执行步骤28，否则执行步骤25；

步骤28：使用货物SVM分类器Classifier₂检测f₂(x,y)中Rect₀内图像区域，得到货物初始区域范围结合和f₂(x,y)初始化货物KCF跟踪器Tracker₂。

进一步地，所述步骤25中，计算帧差图f_d(x,y)的公式如下：

f_d(x,y)＝0.5×abs(f₂(x,y)-f₁(x,y))+0.5×abs(f₂(x,y)-f₃(x,y))；

其中f₁(x,y)、f₂(x,y)和f₃(x,y)为视频流VideoStream中三帧相邻视频帧，函数abs()为绝对值函数。

进一步地，所述步骤26中，二值化处理的公式如下：

其中f_d(i,j)表示帧差图f_d(x,y)上坐标(i,j)处的像素值，Th为二值化的阈值，N为图像每一行的像素个数，M为图像上每一列的像素个数；

计算最小外接矩形范围Rect₀的公式如下：

其中Rect₀.x为Rect₀左上角点的横坐标，Rect₀.y为Rect₀左上角点的纵坐标，Rect₀.width为Rect₀的宽，Rect₀.height为Rect₀的高，为二值图像b(x,y)非零区域的横坐标的最小值，为二值图像b(x,y)非零区域的纵坐标的最小值，为二值图像b(x,y)非零区域的横坐标的最大值，为二值图像b(x,y)非零区域的纵坐标的最大值；

计算Rect₀面积的公式如下：

S₀＝Rect₀.width×Rect₀.height

进一步地，所述步骤32中，计算磅秤平均位置的公式如下：

其中表示磅秤平均位置的横坐标，表示磅秤平均位置的纵坐标，i表示磅秤所在区域范围集合R₀的元素数目，和分别表示第j帧视频帧中磅秤所在区域的左上角横坐标、左上角纵坐标，宽和高。

进一步地，所述步骤33中，计算货物静止位置集合的具体步骤如下：

(331)已知到第i帧视频帧，货物所在区域范围集合计算出货物位置集合计算公式如下：

其中表示第j帧视频帧中货物位置的横坐标，表示第j帧视频帧中货物位置的纵坐标，i表示货物所在区域范围集合R₁的元素数目，和分别表示第j帧视频帧中货物区域的左上角横坐标、左上角纵坐标，宽和高；

(332)计算各帧货物的位移集合计算公式如下：

其中表示第j帧中货物位置和第j+1帧中货物位置差值的二范数；

(333)定义D_t中连续且均小于Thres₂的元素的序号对应的位置集合为准静止集SG，在货物位置集合P_t中搜索准静止集，假设搜索到了N个准静止集，即：

第k个准静止集为：

其中n_k为第k个准静止集的元素个数，m_k为第k个准静止集的起始元素在P_t中的序号。

(334)删除所有长度小于Thres₃的准静止集，，删除后共m个准静止集，即：

(335)计算货物静止位置集合，公式如下：

其中和分别表示第j个静止位置的横纵坐标，和分别表示第j个准静止集中第k个元素的横纵坐标；

计算m次，即得到货物移动路径上静止位置集合

进一步地，所述步骤34中，计算货物移动路径上静止位置集合P₁与当前磅秤平均位置的距离集合D＝{D⁽¹⁾,D⁽²⁾,...,D^(m)}的公式如下：

其中表示第j帧中货物位置和当前磅秤平均位置的差值的二范数。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

一、本发明首次提出了一种新的针对重复过磅行为的自动视觉检测方法，作为车间异常行为管理的重要一环，完善了车间的智能化管理；通过计算机视觉技术能够实时、准确地自动视觉检测是否出现重复过磅的情形，自动视觉检测的精确度较高，最终降低烟草重复过磅的出错率；

二、本发明货物检测部分，采用先判断场景内运动物体面积是否足够大，再使用SVM分类器检测场景内含运动物体的图像部分，得到货物区域范围，这样极大的缩短了检测用时；

三、本发明采用KCF算法的跟踪器，跟踪速度快，帧率可以达到60fps以上；

四、本发明采用分析货物移动路径的方式进而分析过磅行为，并随着视频帧的读取，不断更新路径，具有实时性。

附图说明

图1为本发明的方法流程图；

图2为本发明中帧差图f_d(x,y)二值化处理后的图像；

图3为本发明中矩形范围Rect₀内的图像区域；

图4为本发明视频流中的某一帧原始视频帧；

图5为本发明中未过磅情况下的检测结果；

图6为本发明中正常过磅情况下的检测结果；

图7为本发明中重复过磅情况下的检测结果；

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

一种烟草收购重复过磅行为自动视觉检测与识别方法，主要包括三个部分，一是目标检测之前，进行相关SVM分类器的离线训练工作，二是目标跟踪之前，进行相关KCF跟踪器的在线初始化工作，并设置好全局阈值，三是进行相关KCF跟踪器的在线更新工作，获取目标实时位置信息，实时分析当前视频内容(过磅行为)；具体包括以下内容：构建磅秤和货物的样本库，训练获得磅秤和货物的SVM分类器；读取视频流，获得视频帧；使用磅秤SVM分类器对当前视频帧进行检测，获取磅秤的初始区域范围，并结合当前视频帧对磅秤KCF跟踪器进行初始化；从视频流中读取三帧相邻视频帧，使用三帧差法得到帧差图，并对其进行二值化处理，计算得到二值图像非零区域的最小外接矩形范围，使用货物SVM分类器对当前视频帧的该矩形范围内图像进行检测，获取货物的初始区域范围，并结合当前视频帧对货物KCF跟踪器进行初始化；使用当前视频帧更新磅秤和货物KCF跟踪器，并跟踪获得磅秤和货物当前区域范围；分别处理已获取的磅秤和货物的区域范围集合，计算磅秤和货物的位置，并以此为依据，分析当前过磅行为，检测重复过磅行为。

具体包括以下步骤：

步骤一、进行SVM分类器的离线训练工作；

该步骤一中，具体的离线训练为：

步骤11：构建磅秤样本库和货物样本库，分别训练出磅秤SVM分类器Classifier₁和货物SVM分类器Classifier₂；

在步骤11中，根据磅秤样本库和货物样本库训练磅秤SVM分类器Classifier₁和货物SVM分类器Classifier₂的具体步骤如下：

步骤111：采集磅秤正负样本，并标记每个样本，正样本标签值为“1”，负样本标签值为“-1”；

步骤112：对磅秤正负样本提取HOG特征数据，并进行归一化处理；

步骤113：将归一化处理后的HOG特征数据和对应的标签值进行支持向量机SVM训练，得到磅秤SVM分类器Classifier₁；

步骤114：采集货物正负样本，重复步骤111至步骤113，得到货物SVM分类器Classifier₂。

步骤二、设置好全局阈值，并进行KCF跟踪器的在线初始化工作；

步骤二中，设置好全局阈值并进行KCF跟踪器的在线初始化工作的具体步骤为：

步骤21：全局阈值包括面积阈值Thres₁、距离阈值Thres₂和帧数阈值Thres₃，设置好面积阈值Thres₁、距离阈值Thres₂和帧数阈值Thres₃；

步骤22：准备待检测视频流VideoStream；

步骤23：从VideoStream依次序读取一帧视频帧f_c(x,y)，使用磅秤SVM分类器Classifier₁检测f_c(x,y)，得到磅秤初始区域范围

步骤24：结合和f_c(x,y)初始化磅秤KCF跟踪器Tracker₁；

步骤25：从VideoStream依次序读取三帧相邻视频帧f₁(x,y)、f₂(x,y)和f₃(x,y)，使用三帧差法得到帧差图f_d(x,y)；

在步骤25中，计算帧差图f_d(x,y)的公式如下：

f_d(x,y)＝0.5×abs(f₂(x,y)-f₁(x,y))+0.5×abs(f₂(x,y)-f₃(x,y))；

其中f₁(x,y)、f₂(x,y)和f₃(x,y)为视频流VideoStream中三帧相邻视频帧，函数abs()为绝对值函数。

步骤26：取f_d(x,y)二值化处理后的非零区域的最小外接矩形范围Rect₀，最小外接矩形的面积大小为S₀；

在步骤26中，二值化处理的公式如下：

其中f_d(i,j)表示帧差图f_d(x,y)上坐标(i,j)处的像素值，Th为二值化的阈值，N为图像每一行的像素个数，M为图像上每一列的像素个数；

计算最小外接矩形范围Rect₀的公式如下：

其中Rect₀.x为Rect₀左上角点的横坐标，Rect₀.y为Rect₀左上角点的纵坐标，Rect₀.width为Rect₀的宽，Rect₀.height为Rect₀的高，为二值图像b(x,y)非零区域的横坐标的最小值，为二值图像b(x,y)非零区域的纵坐标的最小值，为二值图像b(x,y)非零区域的横坐标的最大值，为二值图像b(x,y)非零区域的纵坐标的最大值；

计算Rect₀面积的公式如下：

S₀＝Rect₀.width×Rect₀.height。

步骤27：如果S₀>Thres₁，执行步骤28，否则执行步骤25；

步骤28：使用货物SVM分类器Classifier₂检测f₂(x,y)中Rect₀内图像区域，得到货物初始区域范围结合和f₂(x,y)初始化货物KCF跟踪器Tracker₂。

步骤三、获取目标实时位置信息，实时分析当前视频内容(过磅行为)，包括步骤31至步骤36：

步骤31：从VideoStream依次序读取第i帧视频帧f_i(x,y)，使用f_i(x,y)更新KCF跟踪器Tracker₁和Tracker₂，获得第i帧视频帧中的磅秤所在区域范围和货物所在区域范围

步骤32：由磅秤所在区域范围集合算出当前磅秤平均位置

在步骤32中，计算磅秤平均位置的公式如下：

其中表示磅秤平均位置的横坐标，表示磅秤平均位置的纵坐标，i表示磅秤所在区域范围集合R₀的元素数目，和分别表示第j帧视频帧中磅秤所在区域的左上角横坐标、左上角纵坐标，宽和高。

步骤33：由货物所在区域范围集合并结合Thres₂和Thres₃算出货物静止位置集合即到第i帧为止，货物移动路径上已有m个静止位置；

进一步地，所述步骤33中，计算货物静止位置集合的具体步骤如下：

(331)已知到第i帧视频帧，货物所在区域范围集合计算出货物位置集合计算公式如下：

其中表示第j帧视频帧中货物位置的横坐标，表示第j帧视频帧中货物位置的纵坐标，i表示货物所在区域范围集合R₁的元素数目，和分别表示第j帧视频帧中货物区域的左上角横坐标、左上角纵坐标，宽和高；

(332)计算各帧货物的位移集合计算公式如下：

其中表示第j帧中货物位置和第j+1帧中货物位置差值的二范数；

(333)定义D_t中连续且均小于Thres₂的元素的序号对应的位置集合为准静止集SG，在货物位置集合P_t中搜索准静止集，假设搜索到了N个准静止集，即：

第k个准静止集为：

其中n_k为第k个准静止集的元素个数，m_k为第k个准静止集的起始元素在P_t中的序号。

(334)删除所有长度小于Thres₃的准静止集，，删除后共m个准静止集，即：

(335)计算货物静止位置集合，公式如下：

其中和分别表示第j个静止位置的横纵坐标，和分别表示第j个准静止集中第k个元素的横纵坐标；

计算m次，即得到货物移动路径上静止位置集合

步骤34：计算货物移动路径上静止位置集合P₁与当前磅秤平均位置的距离集合为D＝{D⁽¹⁾,D⁽²⁾,...,D^(m)}，得到D中大于Thres₂×Thres₃的元素数目n；

在步骤34中，计算货物移动路径上静止位置集合P₁与当前磅秤平均位置的距离集合D＝{D⁽¹⁾,D⁽²⁾,...,D^(m)}的公式如下：

其中表示第j帧中货物位置和当前磅秤平均位置的差值的二范数。

步骤35：如果n>1，则当前视频内容中出现了重复过磅行为；否则如果n＝1，则当前视频内容中出现了正常过磅行为；否则，则当前视频内容中尚未出现过磅行为；

步骤36：如果视频尚未结束，i加1后继续执行步骤31，否则结束本次视频检测。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种烟草收购重复过磅行为自动视觉检测与识别方法，其特征在于，包括以下步骤：

步骤一、进行SVM分类器的离线训练工作；

步骤二、设置好全局阈值，并进行KCF跟踪器的在线初始化工作；

步骤三、获取目标实时位置信息，实时分析当前视频内容，包括步骤31至步骤36：

步骤31：从VideoStream依次序读取第i帧视频帧f_i(x,y)，使用f_i(x,y)更新KCF跟踪器Tracker₁和Tracker₂，获得第i帧视频帧中的磅秤所在区域范围和货物所在区域范围

步骤32：由磅秤所在区域范围集合算出当前磅秤平均位置

步骤33：由货物所在区域范围集合并结合Thres₂和Thres₃算出货物静止位置集合即到第i帧为止，货物移动路径上已有m个静止位置；

步骤34：计算货物移动路径上静止位置集合P₁与当前磅秤平均位置的距离集合为D＝{D⁽¹⁾,D⁽²⁾,...,D^(m)}，得到D中大于Thres₂×Thres₃的元素数目n；

步骤35：如果n>1，则当前视频内容中出现了重复过磅行为；否则如果n＝1，则当前视频内容中出现了正常过磅行为；否则，则当前视频内容中尚未出现过磅行为；

步骤36：如果视频尚未结束，i加1后继续执行步骤31，否则结束本次视频检测。

2.根据权利要求1所述的一种烟草收购重复过磅行为自动视觉检测与识别方法，其特征在于，步骤一中，具体的离线训练为：

步骤11：构建磅秤样本库和货物样本库，分别训练出磅秤SVM分类器Classifier₁和货物SVM分类器Classifier₂。

3.根据权利要求2所述的一种烟草收购重复过磅行为自动视觉检测与识别方法，其特征在于，所述步骤11中，根据磅秤样本库和货物样本库训练磅秤SVM分类器Classifier₁和货物SVM分类器Classifier₂的具体步骤如下：

步骤111：采集磅秤正负样本，并标记每个样本，正样本标签值为“1”，负样本标签值为“-1”；

步骤112：对磅秤正负样本提取HOG特征数据，并进行归一化处理；

步骤113：将归一化处理后的HOG特征数据和对应的标签值进行支持向量机SVM训练，得到磅秤SVM分类器Classifier₁；

步骤114：采集货物正负样本，重复步骤111至步骤113，得到货物SVM分类器Classifier₂。

4.根据权利要求1所述的一种烟草收购重复过磅行为自动视觉检测与识别方法，其特征在于，步骤二中，设置好全局阈值并进行KCF跟踪器的在线初始化工作的具体步骤为：

步骤21：全局阈值包括面积阈值Thres₁、距离阈值Thres₂和帧数阈值Thres₃，设置好面积阈值Thres₁、距离阈值Thres₂和帧数阈值Thres₃；

步骤22：准备待检测视频流VideoStream；

步骤23：从VideoStream依次序读取一帧视频帧f_c(x,y)，使用磅秤SVM分类器Classifier₁检测f_c(x,y)，得到磅秤初始区域范围

步骤24：结合和f_c(x,y)初始化磅秤KCF跟踪器Tracker₁；

步骤25：从VideoStream依次序读取三帧相邻视频帧f₁(x,y)、f₂(x,y)和f₃(x,y)，使用三帧差法得到帧差图f_d(x,y)；

步骤26：取f_d(x,y)二值化处理后的非零区域的最小外接矩形范围Rect₀，最小外接矩形的面积大小为S₀；

步骤27：如果S₀>Thres₁，执行步骤28，否则执行步骤25；

步骤28：使用货物SVM分类器Classifier₂检测f₂(x,y)中Rect₀内图像区域，得到货物初始区域范围结合和f₂(x,y)初始化货物KCF跟踪器Tracker₂。

5.根据权利要求4所述的一种烟草收购重复过磅行为自动视觉检测与识别方法，其特征在于，所述步骤25中，计算帧差图f_d(x,y)的公式如下：

f_d(x,y)＝0.5×abs(f₂(x,y)-f₁(x,y))+0.5×abs(f₂(x,y)-f₃(x,y))；

其中f₁(x,y)、f₂(x,y)和f₃(x,y)为视频流VideoStream中三帧相邻视频帧，函数abs()为绝对值函数。

6.根据权利要求4所述的一种烟草收购重复过磅行为自动视觉检测与识别方法，其特征在于，所述步骤26中，二值化处理的公式如下：

其中f_d(i,j)表示帧差图f_d(x,y)上坐标(i,j)处的像素值，Th为二值化的阈值，N为图像每一行的像素个数，M为图像上每一列的像素个数；

计算最小外接矩形范围Rect₀的公式如下：

其中Rect₀.x为Rect₀左上角点的横坐标，Rect₀.y为Rect₀左上角点的纵坐标，Rect₀.width为Rect₀的宽，Rect₀.height为Rect₀的高，为二值图像b(x,y)非零区域的横坐标的最小值，为二值图像b(x,y)非零区域的纵坐标的最小值，为二值图像b(x,y)非零区域的横坐标的最大值，为二值图像b(x,y)非零区域的纵坐标的最大值；

计算Rect₀面积的公式如下：

S₀＝Rect₀.width×Rect₀.height。

7.根据权利要求1所述的一种烟草收购重复过磅行为自动视觉检测与识别方法，其特征在于，所述步骤32中，计算磅秤平均位置的公式如下：

其中表示磅秤平均位置的横坐标，表示磅秤平均位置的纵坐标，i表示磅秤所在区域范围集合R₀的元素数目，和分别表示第j帧视频帧中磅秤所在区域的左上角横坐标、左上角纵坐标，宽和高。

8.根据权利要求1所述的一种烟草收购重复过磅行为自动视觉检测与识别方法，其特征在于，所述步骤33中，计算货物静止位置集合的具体步骤如下：

(331)已知到第i帧视频帧，货物所在区域范围集合计算出货物位置集合计算公式如下：

其中表示第j帧视频帧中货物位置的横坐标，表示第j帧视频帧中货物位置的纵坐标，i表示货物所在区域范围集合R₁的元素数目，和分别表示第j帧视频帧中货物区域的左上角横坐标、左上角纵坐标，宽和高；

(332)计算各帧货物的位移集合计算公式如下：

其中表示第j帧中货物位置和第j+1帧中货物位置差值的二范数；

(333)定义D_t中连续且均小于Thres₂的元素的序号对应的位置集合为准静止集SG，在货物位置集合P_t中搜索准静止集，假设搜索到了N个准静止集，即：

第k个准静止集为：

其中n_k为第k个准静止集的元素个数，m_k为第k个准静止集的起始元素在P_t中的序号。

(334)删除所有长度小于Thres₃的准静止集，，删除后共m个准静止集，即：

(335)计算货物静止位置集合，公式如下：

其中和分别表示第j个静止位置的横纵坐标，和分别表示第j个准静止集中第k个元素的横纵坐标；

计算m次，即得到货物移动路径上静止位置集合

9.根据权利要求1所述的一种烟草收购重复过磅行为自动视觉检测与识别方法，其特征在于，所述步骤34中，计算货物移动路径上静止位置集合P₁与当前磅秤平均位置的距离集合D＝{D⁽¹⁾,D⁽²⁾,...,D^(m)}的公式如下：

其中表示第j帧中货物位置和当前磅秤平均位置的差值的二范数。