CN107590936A - 一种基于视频监控的仓库报警系统 - Google Patents
一种基于视频监控的仓库报警系统 Download PDFInfo
- Publication number
- CN107590936A CN107590936A CN201710855836.3A CN201710855836A CN107590936A CN 107590936 A CN107590936 A CN 107590936A CN 201710855836 A CN201710855836 A CN 201710855836A CN 107590936 A CN107590936 A CN 107590936A
- Authority
- CN
- China
- Prior art keywords
- track
- mrow
- msub
- moving
- msup
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 42
- 206010000117 Abnormal behaviour Diseases 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 9
- 230000006399 behavior Effects 0.000 claims description 6
- 239000006185 dispersion Substances 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 4
- 241001270131 Agaricus moelleri Species 0.000 claims description 2
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000003064 k means clustering Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
一种基于视频监控的仓库报警系统，包括：摄像装置、中央处理装置、显示装置和警报装置；所述摄像装置用于对指定区域进行监控，将获取的监控视频实时发送至所述中央处理装置；所述中央处理装置用于对接收的监控视频进行处理，检测监控视频中发生的异常行为；所述显示装置与中央处理装置连接，用于显示由所述摄像装置获取的监控视频；所述警报装置与中央处理器装置连接，用于当检测到监控视频中存在异常行为时发出警报。本发明提供一种能快速发现不明人员进入仓库，及时发出警报的仓库警报系统。
Description
技术领域
本发明涉及智能防盗警报系统领域，特别是一种基于视频监控的仓库报警系统。
背景技术
现有技术中，通过在仓库周围的围墙上安装摄像头，摄像头将获取到的画面传输到指定的显示平台，然后由相关工作人员根据获取到的画面进行判断和分析，以监视仓库周围的情况。此类监控系统虽然能够对仓库周围的情况进行清楚的拍摄，但是需要人为进行判断，具有局限性，如果工作人员一时疏忽或者不在监控现场，很容易导致外来人员潜入仓库而没有被发现，带来严重的后果。
发明内容
针对上述问题，本发明旨在提供一种基于视频监控的仓库报警系统。
本发明的目的采用以下技术方案来实现：
一种基于视频监控的仓库报警系统，包括：摄像装置、中央处理装置、显示装置和警报装置；所述摄像装置用于对指定区域进行监控，将获取的监控视频实时发送至所述中央处理装置；所述中央处理装置用于对接收的监控视频进行处理，检测监控视频中发生的异常行为；所述显示装置与中央处理装置连接，用于显示由所述摄像装置获取的监控视频；所述警报装置与中央处理装置连接，用于当检测到监控视频中存在异常行为时发出警报。
优选地，所述视频采集装置为CCD摄像头，设置在具有一定高度和广角度的位置。
其中，所述中央处理装置包括条件设定模块和视频处理模块；所述条件设定模块用于在接收的监控视频图像上描画异常检测区域，设定异常检测的条件；所述视频处理模块用于对接收的监控视频进行处理，检测监控视频中的运动目标并对其进行跟踪，根据所述异常检测的条件判断其是否存在异常行为。
其中，所述视频处理模块包括运动目标识别模块、运动目标跟踪模块和异常行为判断模块；所述运动目标识别模块用于识别监控视频中的运动目标并对其进行标记；所述运动目标跟踪模块用于获取所述运动目标的运动轨迹；所述异常行为判断模块用于根据由所述条件设定模块设定的异常检测条件判断所述运动目标是否存在异常行为。
本发明的有益效果为：现有的仓库视频监控系统智能对仓库的范围进行拍摄，但是不能对所拍摄的视频进行智能分析，也不能进行自动报警，需要人工对视频进行判断；而本发明的使用智能视频分析技术的仓库警报系统，能够根据视频拍摄的情况智能分析是否存在异常行为并进行报警，智能化高，能够节省大量人力，且实时性强，为及时发现潜入仓库的可以人员提供了可靠的支持。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1本发明的框架结构图；
图2是本发明中央处理装置的框架结构图。
附图标记：
摄像装置1、中央处理装置2、显示装置3、警报装置4、条件设定模块20、视频处理模块21、运动目标识别模块210、运动目标跟踪模块212和异常行为判断模块214
具体实施方式
结合以下应用场景对本发明作进一步描述。
参见图1，一种基于视频监控的仓库报警系统，包括：摄像装置1、中央处理装置2、显示装置3和警报装置4；所述摄像装置1用于对指定区域进行监控，将获取的监控视频实时发送至所述中央处理装置2；所述中央处理装置2用于对接收的监控视频进行处理，检测监控视频中发生的异常行为；所述显示装置3与中央处理装置2连接，用于显示由所述摄像装置1获取的监控视频；所述警报装置4与中央处理装置2连接，用于当检测到监控视频中存在异常行为时发出警报。
优选地，所述视频采集装置为CCD摄像头，设置在具有一定高度和广角度的位置。
优选地，参见图2，所述中央处理装置2包括条件设定模块20和视频处理模块21；所述条件设定模块用于在接收的监控视频图像上描画异常检测区域，设定异常检测的条件；所述视频处理模块用于对接收的监控视频进行处理，检测监控视频中的运动目标并对其进行跟踪，根据所述异常检测的条件判断其是否存在异常行为。
优选地，所述视频处理模块21包括运动目标识别模块210、运动目标跟踪模块212和异常行为判断模块214；所述运动目标识别模块210用于识别监控视频中的运动目标并对其进行标记；所述运动目标跟踪模块212用于获取所述运动目标的运动轨迹；所述异常行为判断模块214用于根据由所述条件设定模块设定的异常检测条件判断所述运动目标是否存在异常行为。
本发明上述实施例，针对现有技术中的仓库视频监控系统智能对仓库的范围进行拍摄，但是不能对所拍摄的视频进行智能分析，也不能进行自动报警，需要人工对视频进行判断的问题，提出了一种使用智能视频分析技术的仓库警报系统，能够根据视频拍摄的情况智能分析是否存在异常行为并进行报警，智能化高，能够节省大量人力，且实时性强，为及时发现潜入仓库的可以人员提供了可靠的支持。
优选地，所述运动目标跟踪模块212进一步包括：当跟踪的运动目标发生遮挡时，对跟踪的运动目标进行遮挡处理分析，具体为：
将当前第n-1时刻所有未匹配的前景目标的重心位置、偏心矩向量分散度、灰度等状态特征分量与运动目标一一匹配，如果某状态特征分量的距离小于设定的阈值，则认为该状态特征分量匹配成功，如果其中一个未匹配的前景目标存在两个或两个以上的特征匹配成功时，则将该未匹配的前景目标匹配为运动目标；否则，当所有未匹配的前景目标都仅有一个或没有特征分量匹配成功时，则有可能是发生遮挡情况所导致，这时将未匹配的运动目标暂时保留，并对其进行标记处理，建立遮挡临时链表，将该运动目标的历史状态特征加入到遮挡临时链表中，同时采用自定义状态特征预测模型更新目标状态，对遮挡过程的运动状态进行预测，如果在T个时刻内，运动目标与前景目标重新匹配成功，便可认为该运动目标发生暂时性遮挡，将其回归到正常跟踪状态，如果在T个时刻内，运动目标仍未匹配成功，则认为该运动目标消失，其中T为设定的遮挡时间阈值；
其中，采用的自定义状态特征预测模型为：
式中，X(n)表示n时刻运动目标的状态特征预测，X(1)表示运动目标的初始状态特征，其中所述状态特征X(n)＝(Cn,Vn,Mn,Gn)，包括运动目标在n时刻的中心位置Cn，运动目标在n时刻的运动速度Vn，运动目标在n时刻的偏心矩向量分散度Mn，和运动目标在n时刻的灰度特征Gn，α和β表示状态特征预测参数，θ和表示待估参数，且满足其中P表示累计状态特征序列，Q表示状态特征序列，X1(i)表示运动目标在i时刻的累计状态特征，X(i)表示运动目标在i时刻的状态特征，
本发明上述实施例，针对在运动目标跟踪的过程中可能存在的遮挡问题，采用上述的方法进行遮挡处理分析，根据目标运动过程的状态分量对目标的状态特征进行预测，对目标被遮挡时的装填进行模拟，通过对前景目标的匹配重新确定跟踪的运动目标的状态，能够很好地解决了被跟踪目标因为被遮挡而导致跟踪失败的问题，准确性强，灵活性高，为警报系统准确获取运动目标的轨迹提供了保证。
优选地，所述条件设定模块20进一步包括：所述条件设定模块能根据由摄像装置采集到的正常行为轨迹样本来建立正常轨迹模型，具体为：
(1)筛选出运动目标正常行为的运动轨迹作为有效样本轨迹；
(2)对于一个包含有k条有效样本轨迹的样本G＝{G1,G2,…,Gk}，采用自定义相似度比较函数两两比较所述有效样本轨迹的相似度：
其中，
式中，Gp和Gq分别表示样本中第p条和第q条有效样本轨迹，p,q∈[1,k]，k表示有效样本轨迹的总数，r(Gp,Gq)表示有效样本轨迹Gp和Gq的自定义相似度函数，用于计算效样本轨迹Gp和Gq的相似度，τ表示尺度参数，v(x,y)表示有向距离函数，用于计算目标轨迹x到轨迹y的有向距离，表示样本轨迹Gp的轨迹点的个数，和分别表示轨迹Gp中第f个轨迹点的横坐标和纵坐标，和分别表示在有效样本轨迹Gq中与有效样本轨迹Gq中第f个轨迹点距离最近的轨迹点的横坐标和纵坐标，表示有效样本轨迹Gq中与有效样本轨迹Gq中第f个轨迹点距离最近的轨迹点的排序， 和分别表示有效样本轨迹Gq中第h个轨迹点的横坐标和纵坐标，其中h小于等于有效样本轨迹Gq中轨迹点的总数，函数表示符合函数A(h)取为最小值时h的取值；
(3)根据上述样本轨迹间的相似度建立相似矩阵R：
式中，Rp,q表示相似矩阵中第p行第q列的取值，Gp和Gq分别表示样本中第p条和第q条有效样本轨迹，p,q∈[1,k]，k表示有效样本轨迹的总数，r(Gp,Gq)表示有效样本轨迹Gp和Gq的自定义相似度函数，用于计算效样本轨迹Gp和Gq的相似度；
(4)根据相似性矩阵R与度矩阵S构造拉普拉斯矩阵L，其中L＝S-1/2RS-1/2，其中Rp,q表示相似矩阵中第p行第q列的取值，k表示有效样本轨迹的总数；
(5)利用Krylov子空间迭代法对L进行特征值分解；
(6)将所有特征值ε由小到大排序ε1≤ε2≤…≤εk，如果第d个特征值与第d+1个特征值的差异较大，即则取d为聚类类别数；
(7)计算d个最小特征值即对应的特征向量j1,j2,…,jd，构造k×d矩阵J＝[j1,j2,…,jd]；对J的每一行进行归一化，得到矩阵J‘；
(8)把J‘的行向量视为d维空间中的点，每个轨迹样本Gp对应J‘的第p个行向量，利用k-means聚类算法在空间中进行聚类，将轨迹样本划分为d类，作为设定的d类正常轨迹模式。
本发明上述实施例，条件设定模块采用上述方法对之前获取到的正常行为轨迹样本进行学习并建立标准轨迹模型，使得标准轨迹模型能更加适应正常行为的范围，获得更加合理的模型建立，为之后图像处理模块准确判断运动目标是否存在异常行为奠定了基础。
优选地，所述异常行为判断模块214进一步包括：通过判断运动目标的运动轨迹是否属于正常轨迹模型来判断运动目标是否存在异常行为，具体为：
(1)设定所述的d类正常轨迹模式为D1,D2,…,Dd；
(2)判断运动目标的运动轨迹O中每个轨迹点的模式归属，其中采用自定义轨迹模式归属函数为：
(3)式中，ICDd’(ot)表示t时刻运动目标的运动轨迹中的轨迹点属于轨迹模式Dd’的归属值，d’＝1,2,…,d，d表示轨迹模式分类的总数，ot表示t时刻运动目标的运动轨迹中的轨迹点，表示轨迹模式Dd’中样本的二维均值向量，Ld’表示二维协方差矩阵，P(Dd’)表示轨迹模式Dd’所占的比重；
(4)依次获取运动目标的运动轨迹O中的每个轨迹点对于每个轨迹模式的归属值，如果运动目标的运动轨迹O中每个轨迹点的最大归属值均属于同一轨迹模式，且该归属值大于设定的阈值，即且ICDδ(ot)＞Φ，则判断运动目标的运动轨迹属于轨迹模式Dδ；相反的，如果对于轨迹模式D1,D2,…,Dd中的任一模式，运动目标的运动轨迹O均不满足上述条件，则判断其存在违规行为；
其中，ICDd’(ot)表示第t时刻运动目标的运动轨迹中的轨迹点属于轨迹模式Dd’的归属值，d’＝1,2,…,d，d表示轨迹模式分类的总数，ot表示第t时刻运动目标的运动轨迹中的轨迹点，δ表示t时刻运动目标的运动轨迹中的轨迹点属于轨迹模式Dδ时所得的归属值最大，Φ表示设定的归属阈值。
本优选实施例，根据上述建立的正常轨迹模型，采用自定义轨迹模式归属函数对运动目标轨迹中的每个轨迹点进行模式归属判断，通过判断运动目标轨迹中每个轨迹点的模式归属，能够快速、准确地判断运动目标是否存在异常行为，实时性强，为警报系统快速发现目标异常行为并发出警报奠定了基础，大大地提高了仓库警报系统的智能化和安全性。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当分析，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。
Claims (7)
1.一种基于视频监控的仓库报警系统，其特征在于，包括：摄像装置、中央处理装置、显示装置和警报装置；所述摄像装置用于对指定区域进行监控，将获取的监控视频实时发送至所述中央处理装置；所述中央处理装置用于对接收的监控视频进行处理，检测监控视频中发生的异常行为；所述显示装置与中央处理装置连接，用于显示由所述摄像装置获取的监控视频；所述警报装置与中央处理装置连接，用于当检测到监控视频中存在异常行为时发出警报。
2.根据权利要求1所述的一种道路异常行为动作检测装置，其特征在于，所述视频采集装置为CCD摄像头，设置在具有一定高度和广角度的位置。
3.根据权利要求1所述的一种道路异常行为动作检测装置，其特征在于，所述中央处理装置包括条件设定模块和视频处理模块；所述条件设定模块用于在接收的监控视频图像上描画异常检测区域，设定异常检测的条件；所述视频处理模块用于对接收的监控视频进行处理，检测监控视频中的运动目标并对其进行跟踪，根据所述异常检测的条件判断其是否存在异常行为。
4.根据权利要求3所述的一种道路异常行为动作检测装置，其特征在于，所述视频处理模块包括运动目标识别模块、运动目标跟踪模块和异常行为判断模块；所述运动目标识别模块用于识别监控视频中的运动目标并对其进行标记；所述运动目标跟踪模块用于获取所述运动目标的运动轨迹；所述异常行为判断模块用于根据由所述条件设定模块设定的异常检测条件判断所述运动目标是否存在异常行为。
5.根据权利要求4所述的一种道路异常行为动作检测装置，其特征在于，所述运动目标跟踪模块进一步包括：当跟踪的运动目标发生遮挡时，对跟踪的运动目标进行遮挡处理分析，具体为：
将当前第n-1时刻所有未匹配的前景目标的重心位置、偏心矩向量分散度、灰度等状态特征分量与运动目标一一匹配，如果某状态特征分量的距离小于设定的阈值，则认为该状态特征分量匹配成功，如果其中一个未匹配的前景目标存在两个或两个以上的特征匹配成功时，则将该未匹配的前景目标匹配为运动目标；否则，当所有未匹配的前景目标都仅有一个或没有特征分量匹配成功时，则有可能是发生遮挡情况所导致，这时将未匹配的运动目标暂时保留，并对其进行标记处理，建立遮挡临时链表，将该运动目标的历史状态特征加入到遮挡临时链表中，同时采用自定义状态特征预测模型更新运动目标状态，对遮挡过程的运动状态进行预测，如果在T个时刻内，运动目标与前景目标重新匹配成功，便可认为该运动目标发生暂时性遮挡，将其回归到正常跟踪状态，如果在T个时刻内，运动目标仍未匹配成功，则认为该运动目标消失，其中T为设定的遮挡时间阈值；
其中，采用的自定义状态特征预测模型为：
式中，X(n)表示n时刻运动目标的状态特征预测，X(1)表示运动目标的初始状态特征，其中所述状态特征X(n)＝(Cn,Vn,Mn,Gn)，包括运动目标在n时刻的中心位置Cn，运动目标在n时刻的运动速度Vn，运动目标在n时刻的偏心矩向量分散度Mn，和运动目标在n时刻的灰度特征Gn，α和β表示状态特征预测参数，θ和表示待估参数，且满足其中P表示累计状态特征序列，Q表示状态特征序列，X1(i)表示运动目标在i时刻的累计状态特征，X(i)表示运动目标在i时刻的状态特征，
6.根据权利要求4所述的一种道路异常行为动作检测装置，其特征在于，所述条件设定模块进一步包括：所述条件设定模块能根据由摄像装置采集到的正常行为轨迹样本来建立正常轨迹模型，具体为：
(1)筛选出运动目标正常行为的运动轨迹作为有效样本轨迹；
(2)对于一个包含有k条有效样本轨迹的样本G＝{G1,G2,…,Gk}，采用自定义相似度比较函数两两比较所述有效样本轨迹的相似度：
<mrow>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>G</mi>
<mi>p</mi>
</msub>
<mo>,</mo>
<msub>
<mi>G</mi>
<mi>q</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>&tau;</mi>
</mfrac>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>G</mi>
<mi>p</mi>
</msub>
<mo>,</mo>
<msub>
<mi>G</mi>
<mi>q</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>,</mo>
<mi>v</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>G</mi>
<mi>q</mi>
</msub>
<mo>,</mo>
<msub>
<mi>G</mi>
<mi>p</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
其中，
式中，Gp和Gq分别表示样本中第p条和第q条有效样本轨迹，p,q∈[1,k]，k表示有效样本轨迹的总数，r(Gp,Gq)表示有效样本轨迹Gp和Gq的自定义相似度函数，用于计算效样本轨迹Gp和Gq的相似度，τ表示尺度参数，v(x,y)表示有向距离函数，用于计算目标轨迹x到轨迹y的有向距离，表示样本轨迹Gp的轨迹点的个数，和分别表示轨迹Gp中第f个轨迹点的横坐标和纵坐标，和分别表示在有效样本轨迹Gq中与有效样本轨迹Gq中第f个轨迹点距离最近的轨迹点的横坐标和纵坐标，表示有效样本轨迹Gq中与有效样本轨迹Gq中第f个轨迹点距离最近的轨迹点的排序， 和分别表示有效样本轨迹Gq中第h个轨迹点的横坐标和纵坐标，其中h小于等于有效样本轨迹Gq中轨迹点的总数，函数表示符合函数A(h)取为最小值时h的取值；
(3)根据上述样本轨迹间的相似度建立相似矩阵R：
<mrow>
<msub>
<mi>R</mi>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mi>q</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>G</mi>
<mi>p</mi>
</msub>
<mo>,</mo>
<msub>
<mi>G</mi>
<mi>q</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>p</mi>
<mo>&NotEqual;</mo>
<mi>q</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
式中，Rp,q表示相似矩阵中第p行第q列的取值，Gp和Gq分别表示样本中第p条和第q条有效样本轨迹，p,q∈[1,k]，k表示有效样本轨迹的总数，r(Gp,Gq)表示有效样本轨迹Gp和Gq的自定义相似度函数，用于计算效样本轨迹Gp和Gq的相似度；
(4)根据相似性矩阵R与度矩阵S构造拉普拉斯矩阵L，其中L＝S-1/2RS-1/2，其中Rp,q表示相似矩阵中第p行第q列的取值，k表示有效样本轨迹的总数；
(5)利用Krylov子空间迭代法对L进行特征值分解；
(6)将所有特征值ε由小到大排序ε1≤ε2≤…≤εk，如果第d个特征值与第d+1个特征值的差异较大，即则取d为聚类类别数；
(7)计算d个最小特征值即对应的特征向量j1,j2,…,jd，构造k×d矩阵J＝[j1,j2,…,jd]；对J的每一行进行归一化，得到矩阵J‘；
(8)把J‘的行向量视为d维空间中的点，每个轨迹样本Gp对应J‘的第p个行向量，利用k-means聚类算法在空间中进行聚类，将轨迹样本划分为d类，作为设定的d类正常轨迹模式。
7.根据权利要求6所述的一种道路异常行为动作检测装置，其特征在于，所述异常行为判断模块进一步包括：通过判断运动目标的运动轨迹是否属于正常轨迹模型来判断运动目标是否存在异常行为，具体为：
(1)设定所述的d类正常轨迹模式为D1,D2,…,Dd；
(2)判断运动目标的运动轨迹O中每个轨迹点的模式归属，其中采用自定义轨迹模式归属函数为：
<mrow>
<msub>
<mi>ICD</mi>
<msup>
<mi>d</mi>
<mo>,</mo>
</msup>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>o</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>D</mi>
<msup>
<mi>d</mi>
<mo>,</mo>
</msup>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>o</mi>
<mi>t</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>&xi;</mi>
<mo>&OverBar;</mo>
</mover>
<msup>
<mi>d</mi>
<mo>,</mo>
</msup>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<msubsup>
<mi>L</mi>
<msup>
<mi>d</mi>
<mo>,</mo>
</msup>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>o</mi>
<mi>t</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>&xi;</mi>
<mo>&OverBar;</mo>
</mover>
<msup>
<mi>d</mi>
<mo>,</mo>
</msup>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>ln</mi>
<mo>|</mo>
<msub>
<mi>L</mi>
<msup>
<mi>d</mi>
<mo>,</mo>
</msup>
</msub>
<mo>|</mo>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<mi>ln</mi>
<mo>|</mo>
<msub>
<mi>L</mi>
<msup>
<mi>d</mi>
<mo>,</mo>
</msup>
</msub>
<mo>|</mo>
</mrow>
</mfrac>
</mrow>
(3)式中，ICDd’(ot)表示t时刻运动目标的运动轨迹中的轨迹点属于轨迹模式Dd’的归属值，d’＝1,2,…,d，d表示轨迹模式分类的总数，ot表示t时刻运动目标的运动轨迹中的轨迹点，表示轨迹模式Dd’中样本的二维均值向量，Ld’表示二维协方差矩阵，P(Dd’)表示轨迹模式Dd’所占的比重；
(4)依次获取运动目标的运动轨迹O中的每个轨迹点对于每个轨迹模式的归属值，如果运动目标的运动轨迹O中每个轨迹点的最大归属值均属于同一轨迹模式，且该归属值大于设定的阈值，即且ICDδ(ot)＞Φ，则判断运动目标的运动轨迹属于轨迹模式Dδ；相反的，如果对于轨迹模式D1,D2,…,Dd中的任一模式，运动目标的运动轨迹O均不满足上述条件，则判断其存在违规行为；
其中，ICDd’(ot)表示第t时刻运动目标的运动轨迹中的轨迹点属于轨迹模式Dd’的归属值，d’＝1,2,…,d，d表示轨迹模式分类的总数，ot表示第t时刻运动目标的运动轨迹中的轨迹点，δ表示t时刻运动目标的运动轨迹中的轨迹点属于轨迹模式Dδ时所得的归属值最大，Φ表示设定的归属阈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710855836.3A CN107590936A (zh) | 2017-09-20 | 2017-09-20 | 一种基于视频监控的仓库报警系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710855836.3A CN107590936A (zh) | 2017-09-20 | 2017-09-20 | 一种基于视频监控的仓库报警系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107590936A true CN107590936A (zh) | 2018-01-16 |
Family
ID=61048344
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710855836.3A Pending CN107590936A (zh) | 2017-09-20 | 2017-09-20 | 一种基于视频监控的仓库报警系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107590936A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108960128A (zh) * | 2018-06-29 | 2018-12-07 | 贵州省仁怀市西科电脑科技有限公司 | 一种用于仓库的安防监控系统 |
| CN109509021A (zh) * | 2018-10-22 | 2019-03-22 | 武汉极意网络科技有限公司 | 基于行为轨迹的异常识别方法、装置、服务器及存储介质 |
| CN116863399A (zh) * | 2023-07-06 | 2023-10-10 | 哈尔滨鼎鑫数据科技有限公司 | 一种基于人工智能的网络安全监控系统及方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101093603A (zh) * | 2007-07-03 | 2007-12-26 | 北京智安邦科技有限公司 | 智能视频监控设备模组和系统及其监控方法 |
| CN105894702A (zh) * | 2016-06-21 | 2016-08-24 | 南京工业大学 | 一种基于多摄像机数据融合的入侵检测报警系统及其检测方法 |
-
2017
- 2017-09-20 CN CN201710855836.3A patent/CN107590936A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101093603A (zh) * | 2007-07-03 | 2007-12-26 | 北京智安邦科技有限公司 | 智能视频监控设备模组和系统及其监控方法 |
| CN105894702A (zh) * | 2016-06-21 | 2016-08-24 | 南京工业大学 | 一种基于多摄像机数据融合的入侵检测报警系统及其检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 胡宏宇: "基于视频处理的交通事件识别方法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108960128A (zh) * | 2018-06-29 | 2018-12-07 | 贵州省仁怀市西科电脑科技有限公司 | 一种用于仓库的安防监控系统 |
| CN108960128B (zh) * | 2018-06-29 | 2022-07-22 | 云侠科技(苏州)有限公司 | 一种用于仓库的安防监控系统 |
| CN109509021A (zh) * | 2018-10-22 | 2019-03-22 | 武汉极意网络科技有限公司 | 基于行为轨迹的异常识别方法、装置、服务器及存储介质 |
| CN116863399A (zh) * | 2023-07-06 | 2023-10-10 | 哈尔滨鼎鑫数据科技有限公司 | 一种基于人工智能的网络安全监控系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105759834B (zh) | 一种主动捕获低空小型无人飞行器的系统及方法 | |
| CN107016690B (zh) | 基于视觉的无人机入侵检测与识别系统及方法 | |
| CN105141885B (zh) | 进行视频监控的方法及装置 | |
| CN102663452B (zh) | 基于视频分析的可疑行为检测方法 | |
| CN101465033B (zh) | 一种自动追踪识别系统及方法 | |
| CN110602449A (zh) | 一种基于视觉的大场景下施工安全智能监控系统方法 | |
| CN103456024B (zh) | 一种运动目标越线判断方法 | |
| CN107194360B (zh) | 逆向通行对象识别方法、装置及系统 | |
| CN106128022A (zh) | 一种智慧金睛识别暴力动作报警方法和装置 | |
| Qu et al. | Moving vehicle detection with convolutional networks in UAV videos | |
| CN113676702B (zh) | 基于视频流的目标追踪监测方法、系统、装置及存储介质 | |
| CN108500992A (zh) | 一种多功能的移动安防机器人 | |
| US7295106B1 (en) | Systems and methods for classifying objects within a monitored zone using multiple surveillance devices | |
| CN107590936A (zh) | 一种基于视频监控的仓库报警系统 | |
| CN113076899B (zh) | 一种基于目标跟踪算法的高压输电线路异物检测方法 | |
| CN106341661A (zh) | 巡逻机器人 | |
| CN113963301A (zh) | 一种时空特征融合的视频火灾烟雾探测方法及系统 | |
| CN106127814A (zh) | 一种智慧金睛识别人员聚集打斗报警方法和装置 | |
| CN103714697A (zh) | 一种识别跟踪罪犯车辆的方法 | |
| CN107610393A (zh) | 一种办公室智能监控系统 | |
| CN103152558B (zh) | 基于场景识别的入侵检测方法 | |
| CN109299700A (zh) | 基于人群密度分析的地铁群体异常行为检测方法 | |
| Zhou et al. | Car park occupancy analysis using UAV images | |
| CN110796682A (zh) | 运动目标的检测识别方法及检测识别系统 | |
| CN114419481A (zh) | 一种基于社区小脑监控的户外儿童无人陪护检测方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180116 |