1.一种模具机床内人员数量数据处理方法,其特征在于,应用于数据处理终端,所述模具机床内人员数量数据处理方法利用双目摄像头搭载的数据处理终端实时对进出模具机床人员数据进行实时统计,并通过联动机床安全装置,给出当前模具机床内人员数量,当人数为0时,通过所述数据处理终端包括的处理器发出安全门关闭控制指令;具体包括:
步骤一,所述数据处理终端采用卡尔曼滤波法与矩形跟踪法结合,分离进出模具机床人员位置、人数数量的特征;
步骤二,通过构建模具机床人员位置、人数数量识别矩阵分析进出模具机床人员运动状态;
对于图像序列在时间间隔很小的情况下,进出模具机床人员的体表特征和轮廓外接矩形不发生很大变化,用下式的状态模型来预测;
s(n)=φ·s(n-1)+w(n-1)
其中s(n)表示在第n个人员图像中的系统状态,w(n-1)表示的是系统的估计误差,φ是状态转换矩阵;进出模具机床人员用其体表特征位置、位移量、外接矩阵的周长、外接矩阵的长宽比特性来反映,则:
其中,δx(n)、δy(n)是进出模具机床人员体表特征在相邻两个人员间x和y方向的位移量,δx'(n)、δy'(n)是其x和y方向的位移量变化率,xs(n)、ys(n)表示进出模具机床人员的模具机床人员位置、人数数量识别矩阵的长度和宽度,x's(n)、y's(n)表示其模具机床人员位置、人数数量识别矩阵的长度和宽度的变化率;
在采样时间δt很小且矩形变化为线性时,则:
当系统状态与观测值之间是线性关系时,系统量测方程为:
m(n)=h·s(n)+v(n)
m(n)表示量测向量,h是量测矩阵,v(n)是量测误差,且:
步骤三,再对不同状态实施相应的双目摄像头多视角的监控跟踪;
步骤四,根据监控跟踪的结果,采用适应时间推移的动态模型进行模具机床人员内数量预测;选取样本数据,进行训练,建立基于自回归模型的初始预测模型;将动态特性融入初始预测模型,建立模具机床人员内数量的动态预测模型;根据所述动态预测模型,所述处理器通过联动机床安全装置,给出当前模具机床内人员数量,当人数为0时,发出安全门关闭控制指令。
2.根据权利要求1所述的模具机床内人员数量数据处理方法,其特征在于,所述步骤二构建模具机床人员位置、人数数量识别矩阵方法包括:
利用进出模具机床人员的特征与目前进出模具机床人员所处的区域特点构建新矩阵,利用矩形跟踪法判别进出模具机床人员是否产生、是否消失;并分析进出模具机床人员特征,预判进出模具机床人员状态空间,判断进出模具机床人员的所处运动状态;具体包括:
第一步,定义进出模具机床人员像素值为255,背景像素值为0,进行图像搜索,计算矩形左上与右上像素灰度值的差,正前与正后的像素灰度值差,左下与右下的像素灰度值差,并将它们之差的绝对值求和;
第二步,当求得的和大于所设定阈值时,认为这一点在进出模具机床人员的边界上;
第三步,对这一点计算它的左上与左下的像素灰度值差,正上与正下的像素灰度值差,右上与右下的像素灰度值差,并将它们之差的绝对值求和;
第四步,当求得的和大于所设定阈值时,认为这一点是进出模具机床人员的特征点;否者不是进出模具机床人员的特征点;
其中,设定m和n为图像子块矩形的长和宽,k和l为搜索范围矩形的长和宽,根据构建过程及实际匹配情况,找到与当前个人员当前块相似度最高的子块当作匹配块,由上一个人员或者下一个人员得到的匹配块和当前块的相对位置,得到这两个人员的进出模具机床人员运动位移,当作当前块运动矢量d。
3.根据权利要求1所述的模具机床内人员数量数据处理方法,其特征在于,所述步骤二分析进出模具机床人员运动状态的方法包括:
将进出模具机床人员分为新进出模具机床人员、进出模具机床人员的融合与进出模具机床人员的消失;当新进出模具机床人员出现时,立刻构建新进出模具机床人员的信息;当进出模具机床人员出现分裂时,分析产生分裂的原因,跟踪分裂;当不同进出模具机床人员出现相互融合时,对融合后的进出模具机床人员进行融合处理;当跟踪的进出模具机床人员消失时,首先判断是否真消失,如果真消失,再删除原有的数据信息。
4.根据权利要求1所述的模具机床内人员数量数据处理方法,其特征在于,所述步骤三所述再对不同状态实施相应的双目摄像头多视角的监控跟踪的方法包括:
首先,对运动进出模具机床人员的阴影光照和颜色特征进行分析,即在前述方法基础上,定义进出模具机床人员像素值为255,背景像素值为0,进行图像搜索,计算矩形左上与右上像素灰度值的差,正前与正后的像素灰度值差,左下与右下的像素灰度值差,并将它们之差的绝对值求和,然后外加对运动进出模具机床人员的阴影光照和颜色特征的考虑,进行微调,使得阈值在原来基础上上下浮动10%,通过实际实验效果改进原有的检测方法;
其次,在针对不同的进出模具机床人员分别进行检测识别的基础上,其运动状态也不相同,构建的特征辨识矩阵也不相同,此时分别在不同的特征辨识矩阵的基础上,假设任一特征辨识矩阵为当前状态,对其它辨识矩阵做相对运动,即利用矩阵的加减运算,达到多个进出模具机床人员之间的跟踪;
再次,构建符合进出模具机床人员颜色的模型,这里用y,cb,cr分量彩色来表示,与常见的r,g,b三原色的关系如下:
其中y,cb,cr分别表示流明,蓝色浓度偏移量红色浓度偏移量,r,g,b分别表示红,绿、蓝三个颜色浓度;运用颜色的特点克服对进出模具机床人员的遮挡;
最后,分析双目摄像头多视角的监控系统应用需求,实现不同视角的信息传递,一边利用矩阵的空间转换实现。
5.根据权利要求1所述的模具机床内人员数量数据处理方法,其特征在于,所述步骤三所述再对不同状态实施相应的双目摄像头多视角的监控跟踪的方法还包括:采用模糊神经网络对进出模具机床人员进行检测识别;
所述模糊神经网络的运算方法为:
模糊神经网络结构由输入层、模糊化层、模糊推理层及输出层构成;
第一层输入层的各个节点直接与输入量的各个分量连接,将输入量传到下一层模糊化层;
第二层模糊化层采用高斯型函数
第三层模糊推理层通过与模糊化层的连接来完成模糊规则的匹配,当满足不同阈值条件时,就新进出模具机床人员、进出模具机床人员的融合与进出模具机床人员的消失三种情况进行不同匹配,达到对新进出模具机床人员、进出模具机床人员融合及进出模具机床人员消失的判断,各个节点之间实现模糊运算并通过各个模糊节点的组合得到相应的激活强度;
第四层输出层输出运算结果。
6.根据权利要求1所述的模具机床内人员数量数据处理方法,其特征在于,所述步骤四建立初始模具机床人员内数量预测模型具体方法包括:
1)将每次进行出模具的时间数据样本看为一个时间序列,时间序列为:
{ht|t=1,2,3,…,n};
则自回归模型为:
ht=λ1ht-1+λ2ht-2+…+λnht-n+βt;
式中:βt满足独立正态分布,其中均值为零,方差为σ2;λ1,λ2,…,λn为自回归模型参数,n为模型的阶数;
2)自回归模型的阶数n通过最小信息准则来确定,即寻求模型在不同阶数下的最小值;参数λ运用最小二乘法来估计,估计值为:
λ=(xtx)-1xty;
其中:
3)模型建立后运用检验βt是否为白噪声的办法,即检验βt是否与βt-1,βt-2,…,βt-n无关;
4)建立自回归模型递推公式对结果进行预测;定义为在ht(k)为在t时刻对未来k步的预测值,et(k)为预测误差,即:
et(k)=ht+k-ht(k);
预测误差et(k)的方差为最小时的ht(k)值为最佳预测,对于所给出的自回归模型,最佳预测递推公式为:
将动态特性融入初始预测模型,建立动态预测模型,动态特性融入即样本间隔时间和数据样本集合的求解;
样本数据平均间隔时间为m,当前时间间隔为y,动态特性融入规则是将数据样本变为动态样本,即选择下面的数据样本集合中的数据:
{[(y-m-n)-(y-n)],……,[(y-m-1)-(y-1)],[(y-m)-y)]};
依据动态特性融入规则,将建立的初始预测模型变换为动态预测模型,使得预测模型能够适应时间推移变化。
7.一种实现如权利要求1~6任意一项所述模具机床内人员数量数据处理方法的数据处理系统,其特征在于,所述模具机床内人员数量数据处理系统包括:双目摄像头,用于采集进出模具机床人员图像数据;
数据处理终端,与双目摄像头链接,用于实时对进出模具机床人员数据进行实时统计;给出当前模具机床内人员数量,当人数为0时,通过所述数据处理终端包括的处理器发出对联动机床安全装置的安全门关闭控制指令。
8.一种数据处理终端,其特征在于,所述数据处理终端与双目摄像头连接,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1~6任意一项所述模具机床内人员数量数据处理方法。
9.一种计算机可读存储介质,其特征在于,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行权利要求1~6任意一项所述模具机床内人员数量数据处理方法。
10.一种智能冲压模具,其特征在于,所述智能冲压模具搭载权利要求7所述模具机床内人员数量数据处理系统,并实施权利要求1~6任意一项所述模具机床内人员数量数据处理方法。