[发明专利]基于视频检测技术的分拣中心异常识别方法

说明书

基于视频检测技术的分拣中心异常识别方法，包括如下步骤，步骤S1.系统开始时，对视频第一帧进行检测，连续检测三帧；步骤S2.运行对象检测器进行视频目标检测，以获得对象的边界框；步骤S3.构建基于LSTM的目标状态预测模型，进行目标的轨迹预测；步骤S4.构建TWP跟踪器实现轨迹相似度计算与数据关联，为每个对象分配数字ID；步骤S5.建立轨迹Token对已经分配好数字ID的跟踪目标，进行状态管理；步骤S6.建立目标异常辨别器，对出现状态异常的跟踪目标进行甄别。本发明利用结合长短期记忆网络的多目标跟踪算法，来提高在分拣中心情形下的目标检测与识别的正确率，并利用新的损失函数进行模型超参数的简化，提高识别目标的模型速度。

技术领域

本发明属于视频检测技术领域，具体涉及一种基于视频检测技术的分拣中心异常识别方法。

背景技术

随着居民消费水平的提高，中国的网络购物的兴起，激起了物流行业的迅速兴起。众多新企业进入物流行业，抢占市场，老牌企业通过价格优势，提高服务质量，来维持自己的竞争优势。在激烈的行业竞争下，安全与速度，成为物流企业的重要评价指标。

针对物品的安全问题，主要集中在运输物品的分拣与“最后一公里”派送这两个流程之中。因为涉及到因为地区，企业制度，社会文化等原因引起的派送问题，要素过多，本文暂不考虑。集中考虑，在分拣环节中，保证运输物品与运输流程的安全性。

根据调查，现有的物流企业针对分拣中心的物品安全问题，大多利用人工排查与视频查找的方式，针对一些小型物品总是不尽人意，同时，面对物品卡带，物品遗失等问题，通过人工干预的方法，方法落后，及时性欠缺，浪费资源的同时达不到较好的效果。高价物品的遗失，会极大的降低物流企业的服务质量，甚至会造成物流企业企业信誉的丢失，对企业造成极为恶劣的影响。

多目标跟踪问题，利用多目标跟踪算法，根据每一帧图像中目标的检测结果，匹配已有的目标轨迹；对于新出现的目标，需要生成新的目标；对于已经离开摄像机视野的目标，需要终止轨迹的跟踪。这一过程中，目标与检测的匹配可以看作为目标的重识别。

循环神经网络(RNN)又名时间递归神经网络，与全连接网络的不同之处在于，全连接网络中隐藏层的值仅取决于输入层，神经元的信号只能向上层传播，而RNN中的隐藏层的状态不仅取决于输入层，还会受到之前的状态的影响，即神经元的中的输出还能在下一时刻反馈到自身。RNN的这种特点，致使RNN可以向前关注多个输入值，允许RNN学习与展示时间序列的时间动态行为。而设计RNN的目的，就是使它像人一样拥有记忆的能力，因而RNN通常用于处理时变系统的任务。

长短期记忆(Long short-term memory,LSTM)是一种特殊的RNN，主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。相比普通的RNN，LSTM能够在更长的序列中有更好的表现，可以记住较长时间的历史信息。LSTM同RNN一样拥有由重复模块组成的链式结构，不同的是，LSTM的重复模块是在RNN的重复模块的基础上添加了一些门结构，这些门是一些控制参数，用来控制网络中及网络间的信息流动。

发明内容

本发明所要解决的技术问题是克服现有技术的不足，提供一种基于视频检测技术的分拣中心异常识别方法，利用视频检测技术与大数据处理，引入长短期记忆网络对多目标算法进行改进，可以对物流分拣中心环境下的视频目标进行检测跟踪。集合RS-Loss损失函数对神经网络模型进行简化，提高运行速度。

本发明提供一种基于视频检测技术的分拣中心异常识别方法，包括如下步骤，

步骤S1.系统开始时，对视频第一帧进行检测，连续检测三帧；

步骤S2.运行对象检测器进行视频目标检测，以获得对象的边界框；

步骤S3.构建基于LSTM的目标状态预测模型，进行目标的轨迹预测；

步骤S4.构建TWP跟踪器实现轨迹相似度计算与数据关联，为每个对象分配数字ID；