CN113221819A - 包裹暴力分拣的检测方法、装置、计算机设备和存储介质 - Google Patents

包裹暴力分拣的检测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN113221819A
CN113221819A CN202110590456.8A CN202110590456A CN113221819A CN 113221819 A CN113221819 A CN 113221819A CN 202110590456 A CN202110590456 A CN 202110590456A CN 113221819 A CN113221819 A CN 113221819A
Authority
CN
China
Prior art keywords
frame image
package
parcel
video frame
position information
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
Application number
CN202110590456.8A
Other languages
English (en)
Inventor
魏鹏
孟彦伟
普恒安
李丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Post Information Technology Beijing Co ltd
Original Assignee
China Post Information Technology Beijing Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Post Information Technology Beijing Co ltd filed Critical China Post Information Technology Beijing Co ltd
Priority to CN202110590456.8A priority Critical patent/CN113221819A/zh
Publication of CN113221819A publication Critical patent/CN113221819A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种包裹暴力分拣的检测方法、装置、计算机设备和存储介质。该方法包括：实时获取视频帧图像，以及所述视频帧图像中包裹的位置信息；根据当前视频帧图像中包裹的位置信息获取包裹的运动轨迹，获取当前视频帧图像中包裹的预测位置，并根据所述预测位置以及当前视频帧图像中包裹的位置信息，更新包裹的运动轨迹；若满足分拣行为检测条件，则根据包裹的运动轨迹判断包裹是否被暴力分拣。使用本发明的技术方案，可以实现自动进行快递包裹暴力分拣行为的检测，提高了暴力分拣行为检测的准确性。

Description

包裹暴力分拣的检测方法、装置、计算机设备和存储介质
技术领域
本发明实施例涉及计算机视觉技术，尤其涉及一种包裹暴力分拣的检测方法、装置、计算机设备和存储介质。
背景技术
随着国民经济的飞速发展，中国物流行业保持较快增长速度，物流体系不断完善，行业运行日益成熟和规范。随着电商的发展，订单分拣量迅速增大，在包裹的分拣过程中分拣员存在着抛、踢等会对包裹进行损害的暴力分拣行为，因此需要对暴力分拣行为进行检测。
传统的检测方法主要是通过摄像装置及存储设备记录包裹分拣过程中的视频信息，然后由人工在后台检测暴力分拣行为。这种人工检测的方法成本高、效率低，并且会存在漏检、错检行为。
发明内容
本发明实施例提供一种包裹暴力分拣的检测方法、装置、计算机设备和存储介质，以实现自动进行快递包裹暴力分拣行为的检测，提高了暴力分拣行为检测的准确性。
第一方面，本发明实施例提供了一种包裹暴力分拣的检测方法，该方法包括：
实时获取视频帧图像，以及所述视频帧图像中包裹的位置信息；
根据当前视频帧图像中包裹的位置信息获取包裹的运动轨迹，获取当前视频帧图像中包裹的预测位置，并根据所述预测位置以及当前视频帧图像中包裹的位置信息，更新包裹的运动轨迹；
若满足分拣行为检测条件，则根据包裹的运动轨迹判断包裹是否被暴力分拣。
第二方面，本发明实施例还提供了一种包裹暴力分拣的检测装置，该装置包括：
包裹位置信息检测模块，用于实时获取视频帧图像，以及所述视频帧图像中包裹的位置信息；
包裹运动轨迹更新模块，用于根据当前视频帧图像中包裹的位置信息获取包裹的运动轨迹，获取当前视频帧图像中包裹的预测位置，并根据所述预测位置以及当前视频帧图像中包裹的位置信息，更新包裹的运动轨迹；
暴力分拣行为检测模块，用于若满足分拣行为检测条件，则根据包裹的运动轨迹判断包裹是否被暴力分拣。
第三方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明实施例中任一所述的包裹暴力分拣的检测方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本发明实施例中任一所述的包裹暴力分拣的检测方法。
本发明实施例通过实时获取视频帧图像，检测视频帧图像中的包裹位置信息，对于当前视频帧图像中的包裹，获取预测位置和运动轨迹，并根据预测位置更新运动轨迹，从而根据运动轨迹进行暴力分拣行为的判断。解决了现有技术中人工检测的方法成本高、效率低，并且会存在漏检、错检行为的问题，实现了自动进行快递包裹暴力分拣行为的检测，提高了暴力分拣行为检测的准确性。
附图说明
图1是本发明实施例一中的一种包裹暴力分拣的检测方法的流程图；
图2是本发明实施例二中的一种包裹暴力分拣的检测方法的流程图；
图3是本发明实施例三中的一种包裹暴力分拣的检测装置的结构示意图；
图4是本发明实施例四中的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的一种包裹暴力分拣的检测方法的流程图，本实施例可适用于自动检测是否存在暴力分拣快递包裹行为的情况，该方法可以由包裹暴力分拣的检测装置来执行，该装置可以由软件和/或硬件来实现，并一般集成在计算机设备中，与摄像装置配合使用。
如图1所示，本发明实施例的技术方案，具体包括如下步骤：
S110、实时获取视频帧图像，以及所述视频帧图像中包裹的位置信息。
其中，视频帧图像为根据摄像装置拍摄的视频获取，可以在视频中提取每一帧图像作为视频帧图像，也可以每隔预设数量帧提取一帧图像作为视频帧图像，本实施例对此不进行限制。
视频帧图像中包括快递包裹，优选的，本实施例可以适用于包括多个快递包裹的场景，现有技术可以根据各视频帧图像中包裹的位置信息确定包裹的运动轨迹，从而根据包裹在运动轨迹中的起始点坐标和终点坐标判断包裹是否被暴力分拣。但是，在视频帧图像中包括多个包裹，并且各包裹之间距离较近时，采用现有技术中的方式，各包裹的运动轨迹之间可能存在交叉或重叠，难以区分，从而使包裹的暴力分拣检测准确率不高。本发明实施例的技术方案，在多个快递包裹的复杂场景下，可以准确获取包裹的运动轨迹，从而提高暴力分拣检测的准确性。
在本发明实施例中，获取视频帧图像之后，对视频帧图像进行包裹检测，获取视频帧图像中的包裹以及包裹的位置信息。示例性的，位置信息可以用包裹中心点的像素坐标表示。
S120、根据当前视频帧图像中包裹的位置信息获取包裹的运动轨迹，获取当前视频帧图像中包裹的预测位置，并根据所述预测位置以及当前视频帧图像中包裹的位置信息，更新包裹的运动轨迹。
当前视频帧图像为当前处理的视频帧图像，可选的，当前视频帧图像中包裹的预测位置为根据上一帧图像中包裹的历史运动轨迹进行位置预测而得到。对每一帧图像，在识别出包裹的位置信息、生成包裹的实际运动轨迹之后，都对包裹在下一帧图像中的位置进行预测，因此，当前视频帧图像中包裹的预测位置为上一帧图像中对包裹进行位置预测后获得。
在本发明实施例中，为获取包裹的准确运动轨迹，可以综合包裹的预测位置和包裹在运动轨迹中的位置，对包裹的运动轨迹进行更新。
S130、若满足分拣行为检测条件，则根据包裹的运动轨迹判断包裹是否被暴力分拣。
分拣行为检测条件可以是每隔预设数量的视频帧图像，也可以是每隔预设时间间隔，本实施例对此不进行限制。示例性的，当在视频中提取每一帧图像作为视频帧图像时，可以每获取四张视频帧图像，根据这四张视频帧图像进行暴力分拣行为的判断。
在本发明实施例中，对视频帧图像中的包裹生成运动轨迹之后，还根据包裹的预测位置，对运动轨迹进行更新，可以有效减少包裹数量多且较为密集时，由于包裹运动轨迹交叉重叠所造成的检测错误。
本实施例的技术方案，通过实时获取视频帧图像，检测视频帧图像中的包裹位置信息，对于当前视频帧图像中的包裹，获取预测位置和运动轨迹，并根据预测位置更新运动轨迹，从而根据运动轨迹进行暴力分拣行为的判断。解决了现有技术中人工检测的方法成本高、效率低，并且会存在漏检、错检行为的问题，实现了自动进行快递包裹暴力分拣行为的检测，提高了暴力分拣行为检测的准确性。
实施例二
图2是本发明实施例二提供的一种包裹暴力分拣的检测方法的流程图，本发明实施例在上述实施例的基础上，对获取包裹的运动轨迹的过程、更新包裹的运动轨迹的过程，以及判断包裹是否被暴力分拣的过程进行了进一步的具体化，还加入了获取手臂位置信息，综合包裹运动轨迹和手臂位置信息共同检测暴力分拣行为的步骤。
相应的，如图2所示，本发明实施例的技术方案，具体包括如下步骤：
S210、实时获取视频帧图像，以及所述视频帧图像中包裹的位置信息。
可选的，对视频帧图像进行包裹识别，可以通过目标检测模型来实现。将视频帧图像输入至目标检测模型中，获取目标检测模型输出的标注包裹位置后的视频帧图像。示例性的，目标检测模型可以通过Faster RCNN(Region with CNN feature，区域卷积神经网络)算法，根据多个预先标注包裹位置的样本图像进行训练得到。
S220、获取所述视频帧图像中手臂的位置信息。
在本发明实施例中，还将在视频帧图像中获取手臂位置信息，在进行暴力分拣行为检测时，综合考虑包裹位移和包裹相对于手臂的位移判断是否存在暴力分拣，提高了暴力分拣行为检测的准确性。
可选的，对视频帧图像进行手臂位置识别，也可以通过目标检测模型来实现。可以通过一个目标检测模型同时实现包裹和手臂位置的识别，也可以通过两个目标检测模型，分别进行包裹和手臂位置的识别。相对应的，当通过一个目标检测模型同时实现包裹和手臂位置的识别时，目标检测模型可以根据多个同时预先标注包裹和手臂位置的样本图像进行训练得到。当通过两个目标检测模型，分别进行包裹和手臂位置的识别时，根据多个预先标注包裹位置的样本图像进行训练得到的目标检测模型用于进行包裹位置识别，根据多个预先标注手臂位置的样本图像进行训练得到的目标检测模型用于进行手臂位置识别，本实施例对此不进行限制。
S230、获取当前视频帧图像的上一帧图像中包裹的历史运动轨迹。
上一帧图像中包裹的历史运动轨迹可以根据历史视频帧图像中包裹的位置信息而生成，历史视频帧图像是上一帧图像的前一帧或前几帧图像，本实施例对历史视频帧图像的数量不进行限制。每获取一帧图像，都将其对应的各包裹的位置信息进行存储。
S240、采用多目标跟踪算法，根据包裹的历史运动轨迹以及当前视频帧图像中的包裹的位置信息，获取当前视频帧图像中的包裹的运动轨迹。
示例性的，可以采用deepsort算法，生成当前视频帧图像中的包裹的运动轨迹，deepsort算法是一种多目标跟踪算法，本实施例对采用哪种多目标跟踪算法不进行限制。
根据包裹的历史运动轨迹和当前视频帧图像中的包裹的位置信息，可以通过多目标跟踪算法生成当前视频帧图像中的包裹的运动轨迹。具体的，可以根据包裹的位置信息，对历史运动轨迹中的各包裹和当前视频帧图像中的包裹进行匹配，将历史运动轨迹中的各包裹和当前视频帧图像中匹配度最大的包裹认为是同一包裹，从而可以根据该包裹在历史运动轨迹中和当前视频帧图像中的位置信息生成该包裹的运动轨迹。但是，对于包裹较多且密集的场景，生成的包裹的运动轨迹可能会出现错误的情况，从而影响暴力分拣行为检测的准确性，因此，需要根据预测位置和包裹的位置信息进行匹配，综合确定包裹的实际运动轨迹。
S250、获取当前视频帧图像中包裹的预测位置。
在上一帧图像中确定包裹的实际运动轨迹之后，根据包裹的实际运动轨迹预测包裹在当前视频帧图像中的位置。示例性的，对包裹进行位置预测可以采用卡尔曼滤波算法，但本实施例对此不进行限制。可选的，可以对各包裹分配不同的标识，标识与包裹一一对应。在上一帧图像中确定各包裹的运动轨迹之后，对各包裹进行位置预测，获取各包裹的预测位置，其中，各包裹的预测位置可以使用标识进行标注。
S260、将当前视频帧图像中包裹的位置信息与预测位置进行匹配，根据匹配结果更新包裹的运动轨迹。
将预测位置与当前视频帧图像中各包裹的实际的位置信息进行匹配，根据匹配结果对包裹的运动轨迹进行更新。示例性的，将预测位置与包裹的位置信息进行匹配，可以采用匈牙利算法，但本实施例对匹配算法不进行限制。将包裹的位置信息与预测位置进行匹配时，不仅考虑包裹的位置，还需要考虑包裹的外观、尺寸等属性信息，可以将预测位置的包裹与当前视频帧图像中的包裹进行特征匹配，确定预测位置的包裹与当前视频帧图像中的包裹属性是否匹配。
S270、每隔预设数量的视频帧图像，分别获取起始帧图像和终点帧图像中包裹的运动轨迹以及手臂的位置信息。
示例性的，可以每隔四帧进行一次暴力分拣行为的判断，但本实施例对预设数量的具体数值不进行限制。
S280、根据起始帧图像和终点帧图像中包裹的运动轨迹以及手臂的位置信息，判断包裹是否被暴力分拣。
本发明实施例中，综合考虑包裹的位移和包裹相对于手臂的位移，可以有效区分包裹是正常移动状态还是被抛出状态，提高了暴力分拣检测的准确性。
相应的，S280又可以包括：
S281、判断根据起始帧图像和终点帧图像中包裹的运动轨迹是否确定包裹的位移大于或者等于预设距离，若是，则执行S282，否则返回执行S210。
根据起始帧图像中包裹的运动轨迹确定包裹在起始帧中的位置信息，根据终点帧图像中包裹的运动轨迹确定包裹在终点帧中的位置信息，从而计算包裹的位移。预设距离可以是包裹尺寸，也可以根据传送带速度等进行确定，本实施例对此不进行限制。示例性的，当包裹在起始帧图像和终点帧图像中的位移大于或者等于包裹尺寸时，认为包裹发生了非正常移动。
S282、判断根据起始帧图像和终点帧图像中包裹的运动轨迹以及手臂的位置信息是否确定包裹相对于手臂的位移大于或者等于预设距离，若是，则执行S283，否则返回执行S210。
根据起始帧图像中包裹的位置信息和手臂的位置信息，以及终点帧图像中包裹的位置信息和手臂的位置信息，可以计算得到包裹在起始帧图像和终点帧图像中相对于手臂的相对位移。可以将包裹尺寸作为预设距离，也可以预先根据包裹尺寸对应的平均重量，确定抛出包裹的平均距离，并将该平均距离作为预设距离，本实施例对此不进行限制。
S283、确定包裹被暴力分拣。
当包裹在起始帧图像和终点帧图像中的位移和相对于手臂的相对位移都满足大于或者等于预设距离的判断条件时，确定包裹被暴力分拣。
可选的，本发明实施例可以在确定包裹被暴力分拣之后，进行暴力分拣的提示。还可以在确定包裹被暴力分拣之后，根据视频帧图像提取人脸图像，对人脸图像进行人脸识别，确定暴力分拣包裹的人员，对暴力分拣包裹的人员进行提示，从而有效减少暴力分拣包裹的现象。
实施例三
图3是本发明实施例三中的一种包裹暴力分拣的检测装置的结构示意图，如图3所示，该装置包括：包裹位置信息检测模块310、包裹运动轨迹更新模块320以及暴力分拣行为检测模块330。其中：
包裹位置信息检测模块310，用于实时获取视频帧图像，以及所述视频帧图像中包裹的位置信息；
包裹运动轨迹更新模块320，用于根据当前视频帧图像中包裹的位置信息获取包裹的运动轨迹，获取当前视频帧图像中包裹的预测位置，并根据所述预测位置以及当前视频帧图像中包裹的位置信息，更新包裹的运动轨迹；
暴力分拣行为检测模块330，用于若满足分拣行为检测条件，则根据包裹的运动轨迹判断包裹是否被暴力分拣。
本实施例的技术方案，通过实时获取视频帧图像，检测视频帧图像中的包裹位置信息，对于当前视频帧图像中的包裹，获取预测位置和运动轨迹，并根据预测位置更新运动轨迹，从而根据运动轨迹进行暴力分拣行为的判断。解决了现有技术中人工检测的方法成本高、效率低，并且会存在漏检、错检行为的问题，实现了自动进行快递包裹暴力分拣行为的检测，提高了暴力分拣行为检测的准确性。
在上述实施例的基础上，所述装置，还包括：
手臂位置信息获取模块，用于获取所述视频帧图像中手臂的位置信息；
所述暴力分拣行为检测模块330，包括：
暴力分拣行为检测单元，用于根据包裹的运动轨迹以及手臂的位置信息，判断包裹是否被暴力分拣。
在上述实施例的基础上，包裹运动轨迹更新模块320，包括：
历史运动轨迹获取单元，用于获取当前视频帧图像的上一帧图像中包裹的历史运动轨迹；
运动轨迹获取单元，用于采用多目标跟踪算法，根据包裹的历史运动轨迹以及当前视频帧图像中的包裹的位置信息，获取当前视频帧图像中的包裹的运动轨迹。
在上述实施例的基础上，当前视频帧图像中包裹的预测位置为根据上一帧图像中包裹的历史运动轨迹进行位置预测而得到。
在上述实施例的基础上，包裹运动轨迹更新模块320，包括：
运动轨迹更新单元，用于将当前视频帧图像中包裹的位置信息与预测位置进行匹配，根据匹配结果更新包裹的运动轨迹。
在上述实施例的基础上，暴力分拣行为检测单元，用于：
每隔预设数量的视频帧图像，分别获取起始帧图像和终点帧图像中包裹的运动轨迹以及手臂的位置信息；
根据起始帧图像和终点帧图像中包裹的运动轨迹以及手臂的位置信息，判断包裹是否被暴力分拣。
在上述实施例的基础上，暴力分拣行为检测单元，用于：
若根据起始帧图像和终点帧图像中包裹的运动轨迹确定包裹的位移大于或者等于预设距离，并且根据起始帧图像和终点帧图像中包裹的运动轨迹以及手臂的位置信息确定包裹相对于手臂的位移大于或者等于预设距离，则确定包裹被暴力分拣。
本发明实施例所提供的包裹暴力分拣的检测装置可执行本发明任意实施例所提供的包裹暴力分拣的检测方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4为本发明实施例四提供的一种计算机设备的结构示意图，如图4所示，该计算机设备包括处理器70、存储器71、输入装置72和输出装置73；计算机设备中处理器70的数量可以是一个或多个，图4中以一个处理器70为例；计算机设备中的处理器70、存储器71、输入装置72和输出装置73可以通过总线或其他方式连接，图4中以通过总线连接为例。
存储器71作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的包裹暴力分拣的检测方法对应的模块(例如，包裹暴力分拣的检测装置中的包裹位置信息检测模块310、包裹运动轨迹更新模块320以及暴力分拣行为检测模块330)。处理器70通过运行存储在存储器71中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述的包裹暴力分拣的检测方法。该方法包括：
实时获取视频帧图像，以及所述视频帧图像中包裹的位置信息；
根据当前视频帧图像中包裹的位置信息获取包裹的运动轨迹，获取当前视频帧图像中包裹的预测位置，并根据所述预测位置以及当前视频帧图像中包裹的位置信息，更新包裹的运动轨迹；
若满足分拣行为检测条件，则根据包裹的运动轨迹判断包裹是否被暴力分拣。
存储器71可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器71可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器71可进一步包括相对于处理器70远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置72可用于接收输入的数字或字符信息，以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。输出装置73可包括显示屏等显示设备。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种包裹暴力分拣的检测方法，该方法包括：
实时获取视频帧图像，以及所述视频帧图像中包裹的位置信息；
根据当前视频帧图像中包裹的位置信息获取包裹的运动轨迹，获取当前视频帧图像中包裹的预测位置，并根据所述预测位置以及当前视频帧图像中包裹的位置信息，更新包裹的运动轨迹；
若满足分拣行为检测条件，则根据包裹的运动轨迹判断包裹是否被暴力分拣。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的包裹暴力分拣的检测方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述包裹暴力分拣的检测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种包裹暴力分拣的检测方法，其特征在于，包括：
实时获取视频帧图像，以及所述视频帧图像中包裹的位置信息；
根据当前视频帧图像中包裹的位置信息获取包裹的运动轨迹，获取当前视频帧图像中包裹的预测位置，并根据所述预测位置以及当前视频帧图像中包裹的位置信息，更新包裹的运动轨迹；
若满足分拣行为检测条件，则根据包裹的运动轨迹判断包裹是否被暴力分拣。
2.根据权利要求1所述的方法，其特征在于，在实时获取视频帧图像之后，还包括：
获取所述视频帧图像中手臂的位置信息；
根据包裹的运动轨迹判断包裹是否被暴力分拣，包括：
根据包裹的运动轨迹以及手臂的位置信息，判断包裹是否被暴力分拣。
3.根据权利要求1所述的方法，其特征在于，根据当前视频帧图像中包裹的位置信息获取包裹的运动轨迹，包括：
获取当前视频帧图像的上一帧图像中包裹的历史运动轨迹；
采用多目标跟踪算法，根据包裹的历史运动轨迹以及当前视频帧图像中的包裹的位置信息，获取当前视频帧图像中的包裹的运动轨迹。
4.根据权利要求3所述的方法，其特征在于，当前视频帧图像中包裹的预测位置为根据上一帧图像中包裹的历史运动轨迹进行位置预测而得到。
5.根据权利要求4所述的方法，其特征在于，根据所述预测位置以及当前视频帧图像中包裹的位置信息，更新包裹的运动轨迹，包括：
将当前视频帧图像中包裹的位置信息与预测位置进行匹配，根据匹配结果更新包裹的运动轨迹。
6.根据权利要求2所述的方法，其特征在于，所述若满足分拣行为检测条件，则根据包裹的运动轨迹以及手臂的位置信息，判断包裹是否被暴力分拣，包括：
每隔预设数量的视频帧图像，分别获取起始帧图像和终点帧图像中包裹的运动轨迹以及手臂的位置信息；
根据起始帧图像和终点帧图像中包裹的运动轨迹以及手臂的位置信息，判断包裹是否被暴力分拣。
7.根据权利要求6所述的方法，其特征在于，所述根据起始帧图像和终点帧图像中包裹的运动轨迹以及手臂的位置信息，判断包裹是否被暴力分拣，包括：
若根据起始帧图像和终点帧图像中包裹的运动轨迹确定包裹的位移大于或者等于预设距离，并且根据起始帧图像和终点帧图像中包裹的运动轨迹以及手臂的位置信息确定包裹相对于手臂的位移大于或者等于预设距离，则确定包裹被暴力分拣。
8.一种包裹暴力分拣的检测装置，其特征在于，包括：
包裹位置信息检测模块，用于实时获取视频帧图像，以及所述视频帧图像中包裹的位置信息；
包裹运动轨迹更新模块，用于根据当前视频帧图像中包裹的位置信息获取包裹的运动轨迹，获取当前视频帧图像中包裹的预测位置，并根据所述预测位置以及当前视频帧图像中包裹的位置信息，更新包裹的运动轨迹；
暴力分拣行为检测模块，用于若满足分拣行为检测条件，则根据包裹的运动轨迹判断包裹是否被暴力分拣。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一所述的包裹暴力分拣的检测方法。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的包裹暴力分拣的检测方法。
CN202110590456.8A 2021-05-28 2021-05-28 包裹暴力分拣的检测方法、装置、计算机设备和存储介质 Pending CN113221819A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110590456.8A CN113221819A (zh) 2021-05-28 2021-05-28 包裹暴力分拣的检测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110590456.8A CN113221819A (zh) 2021-05-28 2021-05-28 包裹暴力分拣的检测方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN113221819A true CN113221819A (zh) 2021-08-06

Family

ID=77099093

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110590456.8A Pending CN113221819A (zh) 2021-05-28 2021-05-28 包裹暴力分拣的检测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN113221819A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114627430A (zh) * 2021-12-30 2022-06-14 东莞先知大数据有限公司 一种拿取外卖的检测方法、装置及存储介质
WO2023160022A1 (zh) * 2022-02-23 2023-08-31 京东科技信息技术有限公司 包裹分拣行为的识别方法及其装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080240578A1 (en) * 2007-03-30 2008-10-02 Dan Gudmundson User interface for use in security screening providing image enhancement capabilities and apparatus for implementing same
CN205851395U (zh) * 2016-04-20 2017-01-04 广东工业大学 一种快递包裹分拣装置
CN110544054A (zh) * 2019-09-30 2019-12-06 北京物资学院 防暴力分拣的主动式快递分拣作业辅助和评价***及方法
CN111209846A (zh) * 2020-01-03 2020-05-29 秒针信息技术有限公司 一种暴力分拣的识别方法及装置
CN111325137A (zh) * 2020-02-18 2020-06-23 上海东普信息科技有限公司 暴力分拣检测方法、装置、设备及存储介质
CN111898438A (zh) * 2020-06-29 2020-11-06 北京大学 一种监控场景多目标跟踪方法及***
JP2021012692A (ja) * 2019-07-04 2021-02-04 アークソフト コーポレイション リミテッドＡｒｃＳｏｆｔ Ｃｏｒｐｏｒａｔｉｏｎ Ｌｉｍｉｔｅｄ 物体識別方法、システム及び電子機器
CN112474403A (zh) * 2020-12-03 2021-03-12 中邮信息科技(北京)有限公司 一种自主集包的管理方法、装置、介质及电子设备
CN112507760A (zh) * 2019-09-16 2021-03-16 杭州海康威视数字技术股份有限公司 暴力分拣行为的检测方法、装置及设备

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080240578A1 (en) * 2007-03-30 2008-10-02 Dan Gudmundson User interface for use in security screening providing image enhancement capabilities and apparatus for implementing same
CN205851395U (zh) * 2016-04-20 2017-01-04 广东工业大学 一种快递包裹分拣装置
JP2021012692A (ja) * 2019-07-04 2021-02-04 アークソフト コーポレイション リミテッドＡｒｃＳｏｆｔ Ｃｏｒｐｏｒａｔｉｏｎ Ｌｉｍｉｔｅｄ 物体識別方法、システム及び電子機器
CN112507760A (zh) * 2019-09-16 2021-03-16 杭州海康威视数字技术股份有限公司 暴力分拣行为的检测方法、装置及设备
CN110544054A (zh) * 2019-09-30 2019-12-06 北京物资学院 防暴力分拣的主动式快递分拣作业辅助和评价***及方法
CN111209846A (zh) * 2020-01-03 2020-05-29 秒针信息技术有限公司 一种暴力分拣的识别方法及装置
CN111325137A (zh) * 2020-02-18 2020-06-23 上海东普信息科技有限公司 暴力分拣检测方法、装置、设备及存储介质
CN111898438A (zh) * 2020-06-29 2020-11-06 北京大学 一种监控场景多目标跟踪方法及***
CN112474403A (zh) * 2020-12-03 2021-03-12 中邮信息科技(北京)有限公司 一种自主集包的管理方法、装置、介质及电子设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114627430A (zh) * 2021-12-30 2022-06-14 东莞先知大数据有限公司 一种拿取外卖的检测方法、装置及存储介质
CN114627430B (zh) * 2021-12-30 2023-04-07 东莞先知大数据有限公司 一种拿取外卖的检测方法、装置及存储介质
WO2023160022A1 (zh) * 2022-02-23 2023-08-31 京东科技信息技术有限公司 包裹分拣行为的识别方法及其装置

Similar Documents

Publication Publication Date Title
CN107527009B (zh) 一种基于yolo目标检测的遗留物检测方法
CN110443210B (zh) 一种行人跟踪方法、装置以及终端
CN108388879B (zh) 目标的检测方法、装置和存储介质
CN108875465B (zh) 多目标跟踪方法、多目标跟踪装置以及非易失性存储介质
CN109727275B (zh) 目标检测方法、装置、***和计算机可读存储介质
CN113221819A (zh) 包裹暴力分拣的检测方法、装置、计算机设备和存储介质
CN112528716B (zh) 一种事件信息获取方法及装置
CN110287907A (zh) 一种对象检测方法和装置
CN112507760B (zh) 暴力分拣行为的检测方法、装置及设备
CN110610123A (zh) 一种多目标车辆检测方法、装置、电子设备及存储介质
CN103810718A (zh) 一种剧烈运动目标检测方法和装置
CN114463368A (zh) 目标跟踪方法和装置、电子设备、计算机可读存储介质
CN110866428A (zh) 目标跟踪方法、装置、电子设备及存储介质
US20220300774A1 (en) Methods, apparatuses, devices and storage media for detecting correlated objects involved in image
CN113469137A (zh) 异常行为的识别方法、装置、存储介质及电子装置
CN113470013A (zh) 一种搬移物品的检测方法及装置
CN113052019A (zh) 目标跟踪方法及装置、智能设备和计算机存储介质
CN112347818B (zh) 一种视频目标检测模型的困难样本图像筛选方法及装置
CN115984780B (zh) 工业固体废物出入库判别方法、装置、电子设备及介质
CN113158953B (zh) 一种人员查找方法、装置、设备及介质
CN117671548A (zh) 异常分拣检测方法、装置、电子设备及存储介质
CN109033922A (zh) 一种视频中设置目标标识的方法及装置
CN114445787A (zh) 非机动车重识别方法及相关设备
CN114005060A (zh) 图像数据的确定方法及装置
CN109948656B (zh) 一种信息处理方法、装置及存储介质

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