CN114267145B - 一种仓库区域入侵检测报警方法及系统 - Google Patents

Abstract

本申请提供一种仓库区域入侵检测报警方法及系统。本申请通过架设于仓库区域中的拍摄设备拍摄仓库区域检测图像，通过服务器识别该图像中的移动目标，通过对应于移动目标底部的检测点，判断移动目标与仓库中禁入区域之间的位置关系，能够避免因拍摄角度而造成的误判，使得系统能够更为准确地对侵入行为进行报警提示。本申请中采用角度方式判断移动目标与仓库中禁入区域之间位置关系，其运算量较小，准确率更高，能够在有效节约仓库成本的同时提高仓库工作安全性。

Description

一种仓库区域入侵检测报警方法及系统

技术领域

本申请涉及智能仓库领域，具体而言涉及一种仓库区域入侵检测报警方法及系统。

背景技术

仓库是一个存在很高风险的作业场景，安全问题始终是仓库管理的重中之重。随着大型仓库不断朝着专业化、智能化发展，仓库中每块工作区域的划分都越来越合理，而且仓库中存在相当数量的区域，出于仓库工作安全性和效率的考虑，禁止移动目标，例如，仓库中的人或者移动设备进入。

大型仓库现场会设计较多的禁入区域。由于大型仓库占地范围较大，采用人工监督的方法不仅效率低，而且很难做到全天侯24小时监督，只能通过日常工作人员巡逻才能随机发现入侵状况。这种监管模式会对仓库安全性，尤其是仓库工作人员的安全性带来很大隐患。

为解决上述问题，利用机器对禁入区域进行全天候的监视，并设置区域入侵检测报警系统势在必行。但是，现有的区域入侵检测技术，其常常存在以下缺陷：

若采用现有技术，通过计算人或物与区域的重叠面积来判断是否发生区域入侵状况，则常常会由于人、物图像与区域重叠状况受光照影响较大，在人处于阴影位置时，难以获得较高正确率，而很难应用于要求严格的工业区域。

若采用现有技术，通过运动检测算法得到运动目标的位置目标，然后对监控场景中的全区域进行全区域掩蔽处理，对掩蔽区域和警戒区域进行分类标记并获取警戒区域状态的敏感参数，最后以运动目标所在区域空间位置状态的敏感参数作为目标入侵的判断依据进行实时区域入侵检测。这种检测方式在实际应用中由于敏感参数的计算准确率不高，且受场景影响较大，导致复用性较差，无法应用在要求严格的大型仓库中。

若采用现有技术，通过海康或大华的摄像头拥有区域入侵检测功能直接进行区域入侵检测。则需要优先保证摄像头监视区域必须是规则区域，不能选择边界线为凹、凸多边形的不规则区域进行检测。其次，在大型仓库的实际应用中，单纯的摄像头检测由于过分依赖边界线遮挡作为判断依据，导致误报率较高，难以保证实际监测效果。

此外，以上三种方式均仅适合将摄像头设置在监控区域正上方，或将摄像头正对监控区域的情况。大型仓库中，往往会将摄像头安装在仓库顶部来监视尽可能多的仓库区域。因此，实际应用场景下，摄像头往往不是在监控区域正上方以直视视角直接监控区域。这种场景下，当运动的人或物在禁入区域周围时，摄像头倾斜视角下所形成的成像画面会显示运动的人或物遮挡了禁入区域或禁入区域边界线。但是实际上，人或物此时往往并没有真正进入禁入区域。这三种方法都会把这种情况误判为产生了区域入侵。

针对该误判问题，上面三种方法，需要针对大型仓库中的每个监视区域分别安装一个设置在监视区域正上方、直视监视区域的摄像头。这样的安装条件要求比较苛刻，同时也会大大增加仓库建造维护成本，增加了仓库的摄像头管理的难度和复杂程度。

总的来说，现有几种仓库区域入侵检测方式，其准确率和通用性不高，无法满足大型仓库的需求。

发明内容

本申请针对现有技术的不足，提供一种仓库区域入侵检测报警方法及系统，本申请通过优化入侵目标检测位置，改进位置判定算法，能够以更小运算成本、更高运算效率实现更为精准的入侵检测效果。本申请具体采用如下技术方案。

首先，为实现上述目的，提出一种仓库区域入侵检测报警方法，其步骤包括：获取仓库区域检测图像，检测其中移动目标，获得目标位置矩形；提取目标位置矩形中的检测点M，计算检测点M与仓库中禁入区域边界特征点之间相邻连线的夹角；分别对各检测点M累加其与仓库中禁入区域边界特征点之间相邻连线的夹角，在任一个检测点M所对应的夹角累加之和为360°时判定禁入区域被侵入，触发报警。

可选的，如上任一所述的仓库区域入侵检测报警方法，其中，所述检测点M至少包括以下任意一点：目标位置矩形竖直中轴线下部任意一点，或目标位置矩形的底边中点。

可选的，如上任一所述的仓库区域入侵检测报警方法，其中，当仓库区域检测图像为俯视视角拍摄时，所述检测点M还包括有以下任意一点或其组合：目标位置矩形竖直中轴线上部任意一点，目标位置矩形中点，目标位置矩形的顶边中点。

可选的，如上任一所述的仓库区域入侵检测报警方法，其中，仓库禁入区域边界特征点为：仓库区域检测图像中，禁入区域边界线上的拐点，或者禁入区域边界线上被选中的标记点，或者禁入区域边界线上按照预设规则选定的点，或者禁入区域边界线弯折位置附近的若干点。

可选的，如上任一所述的仓库区域入侵检测报警方法，其中，检测仓库区域检测图像中移动目标，获得目标位置矩形的步骤包括：获取仓库区域检测图像，对仓库区域检测图像中移动目标进行标记，形成数据集；构建深度神经网络模型，然后通过深度神经网络模型识别数据集图像中的移动目标，对深度神经网络模型进行迭代训练，确定深度神经网络模型中的参数；由训练所得的深度神经网络模型识别仓库区域检测图像，获得仓库区域检测图像中对应于移动目标的目标位置矩形。

同时，为实现上述目的，本申请还提供一种仓库区域入侵检测报警系统，其包括：拍摄设备，其设置在仓库区域任意位置，用于拍摄仓库区域检测图像；服务器，其与拍摄设备通讯连接，用于：获取仓库区域检测图像，检测其中移动目标，获得目标位置矩形；提取目标位置矩形中的检测点M，计算检测点M与仓库中禁入区域边界特征点之间相邻连线的夹角；分别对各检测点M累加其与仓库中禁入区域边界特征点之间相邻连线的夹角，在任一个检测点M所对应的夹角累加之和为360°时判定禁入区域被侵入，触发报警。

可选的，如上任一所述的仓库区域入侵检测报警系统，其中，还包括交互设备，其在触发报警时标识并记录仓库区域检测图像及其所对应的拍摄区域、拍摄时间，供查看。

可选的，如上任一所述的仓库区域入侵检测报警系统，其中，所述服务器中还对各拍摄设备的安装位置进行标记；在获取安装于仓库区域正上方的拍摄设备所拍摄的仓库区域检测图像时，提取目标位置矩形中分别位于上下两侧的至少两个检测点M进行判定。

可选的，如上任一所述的仓库区域入侵检测报警系统，其中，位于目标位置矩形上侧的检测点M包括：目标位置矩形竖直中轴线上部任意一点，目标位置矩形中点，目标位置矩形的顶边中点；位于目标位置矩形下侧的检测点M包括：目标位置矩形竖直中轴线下部任意一点，或目标位置矩形的底边中点。

可选的，如上任一所述的仓库区域入侵检测报警系统，其中，所述服务器在获取非安装于仓库区域正上方的拍摄设备所拍摄的仓库区域检测图像时，至少提取以下任意一点作为检测点M：目标位置矩形竖直中轴线下部任意一点，或目标位置矩形的底边中点。

有益效果

本申请通过架设于仓库区域中的拍摄设备拍摄仓库区域检测图像，通过服务器识别该图像中的移动目标，通过对应于移动目标底部的检测点，准确判断移动目标与仓库中禁入区域之间的位置关系，能够避免因拍摄角度而造成的误判，使得本申请的系统能够更为准确地对仓库中移动目标的侵入行为进行报警提示。本申请中采用角度方式判断移动目标与仓库中禁入区域之间位置关系，其运算量较小，准确率更高，能够在有效节约仓库成本的同时提高仓库工作安全性。

此外由于目标检测时，识别移动目标所获得的目标位置矩形外接于移动目标所对应的图像，并且目标位置矩形的左右两侧以移动目标底端为对称中心。因此目标位置矩形中竖直方向的中轴线靠下位置对应于移动目标的底部。对于可移动的设备，识别其图像所获得的目标位置矩形的中轴线靠下位置，可对应于可移动设备外壳底部的一点。将其作为检测点，M将能够真实反映设备底部相对于仓库区域的位置关系。对于人，识别仓库区内人像所对应的目标位置矩形，其边的中点即为人脚步所在位置。因此将目标位置矩形底边的中点作为检测点M将能够真实反映人脚相对于仓库区域的位置关系，从而避免拍摄所造成的视觉误差。

考虑到设置于仓库顶部正上方的摄像头，其拍摄的俯视视角图像无法通过像素位置的上下关系显示人脚位置。因此针对于这种情况，本申请还进一步在判断俯视拍摄的图像时，增加图像中目标位置矩形内部其他点作为额外的检测点。这种情况下，判断图像中任意位置的检测点是否落入进入区域边界线均可获得移动目标相对于禁入区域的位置关系，从而准确判断是否发生入侵。

此外，本申请所采用的基于相邻连线之间夹角角度累加的位置关系判断方式，相比于通过点、线位置关系判断入侵状况，可降低计算复杂度并通过较小的运算代价获得更为准确的检测结果。采用点线关系判断入侵状况时，需要在像素坐标系下计算区域所有边界线的线性方程，同时根据这些方程来判断点M与边界线的关系，即在边界线的上方或下方，然后观察禁入区域，确定如果发生区域入侵时点M和区域各条边界线的关系，并以此为判断依据做出判断结果。只有某一时刻点M同时满足上述全部判定条件时，才认为发生区域入侵。这一方法计算量较大，且点和边界线之间关系的判断较为复杂，尤其对于凹凸不规则区域，其计算过程中还需要结合M边界线形态才能获得正确的判断结果。采用点线关系判断入侵状况时，一旦边界线区域发生变化就要重新判断点线关系，复用性差，而通过本申请的角度累加方式，即可有效解决传统计算方式中的上述问题。

本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。

附图说明

附图用来提供对本申请的进一步理解，并且构成说明书的一部分，并与本申请的实施例一起，用于解释本申请，并不构成对本申请的限制。在附图中：

图1是本申请的系统识别获得的目标位置矩形的示意图；

图2是仓库中禁入区域被入侵状态下的示意图；

图3是本申请中入侵判断计算原理的示意图图

图4是仓库中禁入区域未被入侵状态下的示意图。

具体实施方式

为使本申请实施例的目的和技术方案更加清楚，下面将结合本申请实施例的附图，对本申请实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于所描述的本申请的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

本申请中所述的“和/或”的含义指的是各自单独存在或两者同时存在的情况均包括在内。

本申请中所述的“内、外”的含义指的是相对于仓库中禁入区域本身而言，由其边界线外侧指向仓库中禁入区域中间的方向为内，反之为外；而非对本申请的装置机构的特定限定。

本申请中所述的“连接”的含义可以是部件之间的直接连接也可以是部件间通过其它部件的间接连接。

本申请中所述的“上、下”的含义指的是使用者沿拍摄设备视角看向仓库中禁入区域时，视角下方即为下，视角上方即为上；而非对本申请的装置机构的特定限定。

本申请提供一种仓库区域入侵检测报警系统，其包括：

拍摄设备，其可设置在能够拍摄到仓库区域的任意位置，比如，可将拍摄设备设置于仓库顶部、仓库立体货架的外壁上，或者仓库转运区域、禁入区域的墙上或者支架上，或者直接利用仓库中已安装的现有摄像头，拍摄获取仓库区域不同视角下的检测图像；

服务器，其与拍摄设备通讯连接，通过按照如下的步骤执行目标检测功能和区域检测功能，从而及时地在检测发现仓库中禁入区域发生入侵状况时触发报警模块进行报警：

获取仓库区域检测图像，通过深度学习模型和目标检测算法检测其中移动目标，获得类似图1所示的目标位置矩形；

提取目标位置矩形中的检测点M，计算检测点M与图2中point1至point6所标记的仓库中禁入区域边界所对应的特征点之间相邻连线的夹角；

分别对各检测点M累加其与仓库中禁入区域边界特征点之间相邻连线的夹角。由于检测点M落入禁入区域范围内时，该禁入区域边界上的特征点完整环绕包围所述检测点M一周，因此，通过判断M与point1至point6之间相邻连线间夹角之和是否正好为360度即可判断该检测点M是否位于由point1至point6所包围的区域范围内。由此，当检测到任一个检测点M所对应的夹角累加之和刚好为360°时，即可直接判定该检测点落入禁入区域范围，仓库禁入区域被侵入。此时可直接触发报警并相应执行对视频图像数据进行备份和交互操作，把禁入区域被入侵时的区域详细信息图片展示出来，进行保存并增强可视化。

考虑到倾斜的拍摄视角下，服务器执行目标检测算法所提取出的目标位置矩形如图1所示。该矩形外接于移动目标图像。并且该经常性以移动目标底部像素对称，因此，本申请可直接将检测点M设置为目标位置矩形竖直方向中轴线下部任意一点，或目标位置矩形的底边中点，以此代表移动目标脚部位置或者设备的外壳底部位置进行检测。由于移动目标脚步位置以及设备外壳底部位置接近于仓库区域地面，检测点M以及仓库区域该位置地面的拍摄条件极为接近，因此，以该检测点M进行判断时，能够有效降低因拍摄视角位置关系而造成的判断误差，并且省去对图像畸变进行处理的步骤，保证检测的准确性。

对于垂直向下的俯视拍摄视角，由于图像像素坐标系中的上下位置关系并不能反应拍摄现场垂直地面的相对位置关系。因此，上述匹配于目标位置矩形底部的检测点M并不一定对应于俯视拍摄视角下人脚位置或机器底部位置。此时，如果直接按照上述单一的检测点M进行侵入判断，会影响判定的准确性。

考虑到俯视视角下，目标位置矩形实际指示了移动目标相对于检测区域地面的整个占地空间。因此，俯视视角下，只要检测到目标位置矩形中任意一点落入禁入区域边界线所包围的区域范围内，即可判定相应的移动目标侵入了禁入区域。因此，这种摄像头视角下，可以通过追加目标位置矩形竖直中轴线上部任意一点，目标位置矩形中点，或者目标位置矩形的顶边中点作为检测点，而更全面地对目标位置矩形相对于禁入区域边界范围的位置关系进行评判。当任意一个检测点M通过角度累加的判断方式被检测到落入进入区域边界范围内时，即可判断该检测点所对应的移动目标产生了入侵行为，需要进行报警干预。

本发明对仓库禁入区域边界特征点的选取并不需要做过多限制。一般可根据监控图像，相应在图像中选择对应禁入区域边界线上的拐点位置进行区域划定即可。该划定工作可通过交互终端接收人为标记而相应设定，也可以通过图像识别软件等各种智能方式自动识别。

计算过程中，只要保证仓库禁入区域边界特征点能够完整包围进入区域范围内像素点即可。因此，除单独计算或选择仓库禁入区域边界线上拐点将其设为特征点以外，还可通过认为选定标记的方式，将禁入区域边界线上若干个点标记为特征点，只要各特征点之间连线范围包含整个禁入区域即可实现相同的识别效果。

本方案中所选特征点数量的多寡仅影响角度累加计算过程中的运算量，以及对边界线的标记精度。因此，也可以使用者可直接通过软件程序按照预设的间隔距离选取禁入区域边界线上若干点作为特征点而实现相似的位置关系判断效果。使用者在手动划定禁入区域边界线时，算法软件直接将选定的坐标点作为边界特征点亦可实现相同的判定效果。若需要在此基础上增强位置判断的准确性，则可进一步在边界线弯折位置附近多选择若干点，以扩充特征点数量，避免边界位置被误判。

在具体实现时，使用者可直接针对监视区域安装相应的摄像头，同时部署相应的服务器，也可直接利用大型仓库中现有的针对相应的监视区域的安装在仓库上方的摄像头实现对禁入区域视频图像的拍摄。实现本申请入侵判断功能的服务器可直接设置为连接上述摄像头的独立服务器，也可以通过计算机程序直接部署于仓库现有的控制服务器中。

为使监控到禁入区域尽可能的多，本申请不必使摄像头安装在监视区域的正上方。摄像头的安装只要能够清晰的观测到禁入区域即可。而如果摄像头安装在禁入区域正上方时，安装难度较大，且只能观察这一个禁入区域。服务器和摄像头可通过网线和交换机连接起来，这样服务器就可以实时获取摄像头的视频流，方便进行后续进行实时的区域入侵检测。

上述单独设置的服务器或集成于现有设备中的入侵检测算法系统可通过其内部程序执行目标检测程序模块和入侵检测判断程序模块，实现对入侵目标的判断和报警响应。

其中，目标检测程序模块：利用深度学习模型和目标检测算法检测仓库中潜在的移动入侵目标。在大型仓库中，能够自由移动且构成区域入侵威胁的目标有限，主要是人或极少的硬件设备，因为大部分硬件设备的工作区域都是固定的。下面利用深度学习模型和目标检测算法对这些潜在目标进行检测。首先，利用摄像头获取的视频流采集大量的仓库中的潜在入侵目标图片，然后对这些图片进行标注，对图片中的人和移动硬件设备进行类别标注和位置标注，形成数据集，把数据集划分为训练集和测试集。然后利用yoloV5目标检测算法搭建深度神经网络，构建深度学习模型。利用训练数据集对模型进行迭代训练，确定深度学习模型中的参数。训练完成后，利用测试集对训练好的深度学习模型进行测试，来评估深度学习模型的性能。通过对深度学习模型推理准确率和速率进行分析，采取不同措施来提升深度学习模型的性能，如通过数据增强、图片分割、模型初始参数调整来提高推理准确率；通过减少隐藏层的网络层数、用模型剪枝去掉模型中作用比较小的连接等模型压缩手段来提高推理速率。最后确认模型满足需求后把模型部署到服务器上，来实时处理摄像头视频流。

其中的入侵检测程序模块是系统的核心模块，用来判断是否发生区域入侵状况。其利用上面训练所获得的深度学习模型实时处理摄像头视频流，得到仓库中潜在入侵目标人或移动设备的位置矩形框。这个位置框在摄像头成像图片的像素坐标系下由四个点的连线表示。如图1所示，分别记为(x_min，y_min)，(x_max，y_min)，(x_min，y_max)，(x_max，y_max)。对于禁入区域，在像素坐标系下可由若干点的闭合连线表示其范围，这样可以用像素坐标系下(point1，point2，point3........)点的集合来表示一个禁入区域。这个区域可以规则的，也可以是不规则的，如图2所示。根据摄像头成像原理，在摄像头存在俯视角度观察禁入区域，只要当人的脚进入禁入区域或者移动硬件设备的底部进入禁入区域时才认为发生区域入侵状况，当人或移动设备仅仅上部或侧部遮挡禁入区域或禁入区域警戒线时，其底部的检测点并没有进入区域，因此不认为发生区域入侵。在摄像头不翻转的情况下，可以用(x_min，y_max)，(x_max，y_max)两个的点的中点来表示人的脚位置或移动硬件设备的底部位置，(x_min，y_min)，(x_max，y_min)两个点的中点来表示人的头部位置或移动硬件设备的顶部位置。在摄像头翻转的情况下也可以根据摄像头成像原理和实际情况通过位置矩形框的四个点的关系找到表示人的脚部和头部的点和移动硬件设备底部和顶部的点。下面针对摄像头不翻转的情况进行计算判断人的脚部和硬件设备的底部是否进入禁入区域。首先对(x_min，y_max)，(x_max，y_max)两个点取中点M(x,y),点M用来表示人的脚位置或移动硬件设备的底部位置，针对图2的不规则禁入区域，分别做点M到point1、point2、point3、point4、point5、point6的向量，分别得到向量(M，point1)，(M，point2)，(M，point3)，(M，point4)，(M，point5)，(M，point6)，利用向量夹角的计算公式θ＝arccos(A·B÷|A||B|)，其中A、B为两个向量，θ为向量夹角，求这6向量中两两相邻向量之间的夹角，可得6个夹角θ₁，θ₂，θ₃，θ₄，θ₅，θ₆，如果θ₁+θ₂+θ₃+θ₄+θ₅+θ₆＝360°，那么说明边界线上特征点完整包围了检测点M，则表示一定有点M在禁入区域中，发生区域入侵，如图3所示。相反，参考图4场景，θ₁+θ₂+θ₃+θ₄+θ₅+θ₆≠360°，那么一定有点M不在禁入区域中，未发生区域入侵。

通过特征点与检测点M之间向量角度关系判断M相对于禁入区域的位置关系是最简单，最高效的，也是正确率最高的。比判断方式的运算速度能够超越过通过一条条边界比较检测点M位置关系要快很多倍。传统方式下，如果禁入区域是6边形，则会要求算法分别计算出六边形区域6条边界的方程，然后逐一判断6条边界与检测点M的位置关系。而本申请所采用的通过向量夹角进行位置关系判定的方式，无论禁入区域具有多少条边，只要通过特征点划定了明确的区域范围，就可以通过确定区域的点集，通过相邻连线之间夹角累加是否等于360度进行判别。

如果摄像头安装在禁入区域正上方，拍摄到的人或设备的图片是正正的俯视图。那么识别到的人或设备的位置框任意一点进入区域就是区域入侵。此时，可在服务器中对该摄像头的俯视的拍摄角度进行相应标记，从而可以在对该俯视摄像头图像在执行上述求向量夹角的判定方式的基础上，通过增加检测点数量来进一步判断是否发生区域入侵，避免俯视视角下单一检测点检测不全的问题。此时，不单单是靠点M判断，还应当考虑到位置框可能会存在检测稍大的情况，用位置框上下边的中点所表示的人身体的中线位置，在(x_min，y_min)，(x_max，y_min)中点以及原先选中的底部中心检测点M这两个点任意一个进入区域即可判断发生区域入侵。除增加利用上述顶边中点进行判断，本发明还可根据移动目标像素范围内任意一个像素点落在禁入区域内，就可认为发生了区域入侵。

本申请所使用的报警模块可在服务器判定发生区域入侵状况使进行报警。其可设置为安装在在禁入区域附近的喇叭等报警装置。报警装置和服务器之间可通过485串口转网口装置和交换机实现通讯连接。当发生区域入侵时，服务器通过各通讯装置发送信号到报警装置，播放事先存储在喇叭里的报警语音。

本申请的系统还可通过交互装置实现结果展示：把发生每次区域入侵时的区域详细信息图片展示出来，增加可视化。当发生区域入侵时，把获取到的摄像头视频流中的每帧图片保存下来，如果摄像头帧率较高时，可以每10帧图片保存一次，然后利用网页服务程序把这些区域入侵的图片和时间结点推送到网页上，供后续查看。

综上，本申请通过优化对检测点的选择，能够避免因拍摄视角角度问题而导致的误判状况。本申请通过优化及对检测点相对于禁入区域位置关系的计算方式，能够以更低的运算成本，实现更为准确的位置关系判定效果。与现有的区域入侵检测方法相比，本发明提出的方法，可更加简单灵活地进行摄像头硬件结构的安装，不需要特地在每个禁入区域正上方分别安装摄像头，也不需要为保证拍摄视角而单独设置安装支架结构。本申请可直接利用常规安装在仓库上方的摄像头，通过侧向视角即可实现同样的检测效果。尤其在大型仓库中，本申请的检测方式能够大大节约仓库软硬件成本，同时提高检测系统的通用性和准确率，大大提高了仓库工作安全性。

以上仅为本申请的实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些均属于本申请的保护范围。

Claims (9)

1.一种仓库区域入侵检测报警方法，其特征在于，步骤包括：

获取仓库区域检测图像，检测其中移动目标，获得目标位置矩形；

提取目标位置矩形中的检测点M，计算检测点M与仓库中禁入区域边界特征点之间相邻连线的夹角；

分别对各检测点M累加其与仓库中禁入区域边界特征点之间相邻连线的夹角，在任一个检测点M所对应的夹角累加之和为360°时判定禁入区域被侵入，触发报警；

其中，仓库禁入区域边界特征点为：仓库区域检测图像中，禁入区域边界线上的拐点，或者禁入区域边界线上被选中的标记点，或者禁入区域边界线上按照预设规则选定的点，或者禁入区域边界线弯折位置附近的若干点。

2.如权利要求1所述的仓库区域入侵检测报警方法，其特征在于，所述检测点M至少包括以下任意一点：目标位置矩形竖直中轴线下部任意一点，或目标位置矩形的底边中点。

3.如权利要求2所述的仓库区域入侵检测报警方法，其特征在于，当仓库区域检测图像为俯视视角拍摄时，所述检测点M还包括有以下任意一点或其组合：目标位置矩形竖直中轴线上部任意一点，目标位置矩形中点，目标位置矩形的顶边中点。

4.如权利要求2所述的仓库区域入侵检测报警方法，其特征在于，检测仓库区域检测图像中移动目标，获得目标位置矩形的步骤包括：获取仓库区域检测图像，对仓库区域检测图像中移动目标进行标记，形成数据集；

构建深度神经网络模型，然后通过深度神经网络模型识别数据集图像中的移动目标，对深度神经网络模型进行迭代训练，确定深度神经网络模型中的参数；

由训练所得的深度神经网络模型识别仓库区域检测图像，获得仓库区域检测图像中对应于移动目标的目标位置矩形。

5.一种仓库区域入侵检测报警系统，其特征在于，包括：

拍摄设备，其设置在仓库区域任意位置，用于拍摄仓库区域检测图像；

服务器，其与拍摄设备通讯连接，用于：

获取仓库区域检测图像，检测其中移动目标，获得目标位置矩形；

提取目标位置矩形中的检测点M，计算检测点M与仓库中禁入区域边界特征点之间相邻连线的夹角；

分别对各检测点M累加其与仓库中禁入区域边界特征点之间相邻连线的夹角，在任一个检测点M所对应的夹角累加之和为360°时判定禁入区域被侵入，触发报警；

其中，仓库禁入区域边界特征点为：仓库区域检测图像中，禁入区域边界线上的拐点，或者禁入区域边界线上被选中的标记点，或者禁入区域边界线上按照预设规则选定的点，或者禁入区域边界线弯折位置附近的若干点。

6.如权利要求5所述的仓库区域入侵检测报警系统，其特征在于，还包括交互设备，其在触发报警时标识并记录仓库区域检测图像及其所对应的拍摄区域、拍摄时间，供查看。

7.如权利要求5所述的仓库区域入侵检测报警系统，其特征在于，所述服务器中还对各拍摄设备的安装位置进行标记；

在获取安装于仓库区域正上方的拍摄设备所拍摄的仓库区域检测图像时，提取目标位置矩形中分别位于上下两侧的至少两个检测点M进行判定。

8.如权利要求7所述的仓库区域入侵检测报警系统，其特征在于，位于目标位置矩形上侧的检测点M包括：目标位置矩形竖直中轴线上部任意一点，目标位置矩形中点，目标位置矩形的顶边中点；

位于目标位置矩形下侧的检测点M包括：目标位置矩形竖直中轴线下部任意一点，或目标位置矩形的底边中点。

9.如权利要求8所述的仓库区域入侵检测报警系统，其特征在于，所述服务器在获取非安装于仓库区域正上方的拍摄设备所拍摄的仓库区域检测图像时，至少提取以下任意一点作为检测点M：目标位置矩形竖直中轴线下部任意一点，或目标位置矩形的底边中点。