货物自动追踪系统的制作方法

本发明涉及物流领域，具体涉及货物自动追踪系统。

背景技术：

传统的集装箱管理主要依赖人工管理、盘查，处于人工、半人工状态，成本较高且效率相对低下,具体为:(1)设施滞后，为了适应大容积货物的运输能遍及到世界的每一个角落，更大型的船舶是必须的，因此目前的设施状况不利于集装箱船舶大型化的发展；(2)，自动化程度低，目前处于半人工及全人工状态；(3)港口设备的配置和调度效率低下，随着船舶的大型化，船舶载箱量增多，迫切需要加快船舶周转，降低运输成本。

技术实现要素：

为解决上述问题，本发明旨在提供货物自动追踪系统。

本发明的目的采用以下技术方案来实现：

货物自动追踪系统，包括调度中心、图像采集装置、货物追踪装置；所述调度中心，用于获取物流信息数据、对货物位置进行图像显示、对物流信息数据进行查询、锁定、管理与智能调度运输工具、配置货场；所述图像采集装置用于采集物流图像信息；所述货物追踪装置与调度中心连接，用于对所述物流图像信息进行处理，识别货物，并获取货物所在的位置信息，将位置信息发送给调度中心。

本发明的有益效果为：有效地对物流中的货物进行追踪和管理、进行货物的远程追踪，实时货物信息查询、节约人工成本，提高效率，并大大加强信息的准确性与及时性，基本实现了自动化操作，从而解决了上述的技术问题。

附图说明

利用附图对本发明作进一步说明，但附图中的应用场景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是本发明的结构示意图；

图2是本发明货物追踪装置的模块连接示意图。

附图标记：

调度中心1、货物追踪装置2、图像采集装置3、无线通信装置4、GPS定位模块20、感兴趣区域检测模块21、货物区域确定模块22、货物识别模块23、初始化子模块221、状态转移模型建立子模块222、观测模型建立子模块223、货物候选区域计算子模块224、位置修正子模块225、重采样子模块226。

具体实施方式

结合以下应用场景对本发明作进一步描述。

应用场景1

参见图1、图2，本应用场景的一个实施例的复杂场景下的货物自动追踪系统，包括调度中心1、货物追踪装置2、图像采集装置3；所述调度中心1，用于获取物流信息数据、对货物位置进行图像显示、对物流信息数据进行查询、锁定、管理与智能调度运输工具、配置货场；所述图像采集装置3用于采集物流图像信息；所述货物追踪装置2与调度中心1连接，用于对所述物流图像信息进行处理，识别货物，并获取货物所在的位置信息，将位置信息发送给调度中心1。

本发明上述实施例有效地对物流中的货物进行追踪和管理、进行货物的远程追踪，实时货物信息查询、节约人工成本，提高效率，并大大加强信息的准确性与及时性，基本实现了自动化操作，从而解决了上述的技术问题。

优选的，所述货物追踪装置2包括与调度中心1连接的GPS定位模块20，所述GPS定位模块20用于定位被识别货物的位置信息。

本优选实施例实现了被追踪货物的定位。

优选的，所述物流信息追踪系统还包括无线通信装置4，所述无线通信装置4通过串行数据通信接口连接所述调度中心1，用于将所述位置信息、物流信息数据传输给所述调度中心1。

本优选实施例实现了系统间各块之间的信息传输。

优选的，所述货物追踪装置2还包括感兴趣区域检测模块21、货物区域确定模块22和货物识别模块23；所述感兴趣区域检测模块21用于在采集的物流图像信息中的每桢图像中提取包含货物的感兴趣区域D₁并以此作为货物模板；所述货物区域确定模块22用于建立粒子状态转移和观测模型并基于上述模型，采用粒子滤波预测货物候选区域；所述货物识别模块23用于对所述货物候选区域和所述货物模板进行特征相似度量，完成货物的识别。

本优选实施例构建了货物追踪装置2的模块架构。

优选的，所述货物区域确定模块22包括：

(1)初始化子模块221：用于在所述感兴趣区域D₁内随机选取数量为n的粒子并对各粒子进行初始化处理，初始化处理后粒子的初始状态为x₀ⁱ，初始权值为{Q_oⁱ＝1/n,i＝1,...n}；

(2)状态转移模型建立子模块222：用于建立粒子状态转移模型，所述粒子状态转移模型采用下式：

$x_m^i={\mathrm{Ax}}_{m-1}^i+v_m^i$

式中，表示m时刻的新粒子，m≥2，为均值为0的高斯白噪声，A为2阶单位阵；m-1时刻的粒子通过状态转移模型传播；

(2)观测模型建立子模块223，用于通过颜色直方图、纹理特征直方图和运动边缘特征相结合的方式建立粒子观测模型；

(2)货物候选区域计算子模块224：其利用最小方差估计来计算货物候选区域：

$x_{now}=\underset{j=1}{\overset{n}{\Σ}}{Q}_m^j\·x_m^j$

式中，x_now表示计算的当前帧图像的货物候选区域，表示m时刻第j个粒子的对应状态值；

(5)位置修正子模块225：用于修正异常数据：

$x_{pre}=\underset{j=1}{\overset{n}{\Σ}}{Q}_{m-1}^j\·x_{m-1}^j$

式中，x_pre表示计算的当前帧图像的货物候选区域，表示m-1时刻第j个粒子的对应状态值；

设置数据异常评价函数P＝|x_now-x_pre|，若P的值大于设定的经验值T,则x_now＝x_pre；

(6)重采样子模块226：用于通过重采样操作删除权值过小的粒子，重采样时，利用系统当前时刻预测和观测的差值提供新息残差，进而通过量测新息残差对采样的粒子进行在线自适应性调整，采样过程中粒子数量和信息残差之间的关系定义为：

其中，N_m表示采样过程中m时刻的粒子数量，N_max和N_min分别表示最小和最大粒子数，N_min+1表示仅大于N_min的粒子数，N_max-1表示仅小于N_max的粒子数，表示m时刻系统的新息残差。

本优选实施例采用基于颜色直方图、纹理特征直方图和运动边缘特征相结合的方式进行采样粒子的权值更新，有效增强了追踪系统的鲁棒性；设置位置修正子模块225，能够避免异常数据带来的影响；在重采样子模块226中，利用当前时刻预测和观测的差值提供新息残差，进而通过量测新息残差对采样的粒子进行在线自适应性调整，并定义了采样过程中粒子数量和信息残差之间的关系，较好地保证了粒子采样的高效性和算法的实时性。

优选地，所述粒子观测模型的粒子权值更新公式为：

$Q_m^j=\frac{\stackrel{\‾}{Q_{Cm}^j}\·\stackrel{\‾}{Q_{Mm}^j}\·\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1\stackrel{\‾}{Q_{Cm}^j}+{{\mathrm{\λ}}_2}^2\stackrel{\‾}{Q_{Mm}^j}+{{\mathrm{\λ}}_2}^3\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1{\mathrm{\λ}}_2{\mathrm{\λ}}_3}{(1+{\mathrm{\λ}}_1)(1+{\mathrm{\λ}}_2)(1+{\mathrm{\λ}}_3)}$

式中

$\stackrel{\‾}{Q_{Cm}^j}=Q_{Cm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Cm}^j,Q_{Cm}^j=Q_{C(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{A_m^2}{2{\mathrm{\σ}}^2})$

$\stackrel{\‾}{Q_{Mm}^j}=Q_{Mm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Mm}^j,Q_{Mm}^j=Q_{M(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{B_m^2}{2{\mathrm{\σ}}^2})$

$\stackrel{\‾}{Q_{Wm}^j}=Q_{Wm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Wm}^j,Q_{Wm}^j=Q_{W(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{C_m^2}{2{\mathrm{\σ}}^2})$

其中，表示m时刻第j个粒子的最终更新权值，和分别表示m时刻和m-1时刻中第j个粒子基于颜色直方图的更新权值，表示m时刻和m-1时刻中第j个粒子基于运动边缘的更新权值，表示m时刻和m-1时刻中第j个粒子基于纹理特征直方图的更新权值，A_m为m时刻中第j个粒子基于颜色直方图的观测值与真实值之间的Bhattacharrya距离，B_m为m时刻中第j个粒子基于运动边缘的观测值与真实值之间的Bhattacharrya距离,C_m为m时刻中第j个粒子基于纹理特征直方图的观测值与真实值之间的Bhattacharrya距离,σ为高斯似然模型方差，λ₁为基于颜色直方图的特征权值归一化的自适应调整因子，λ₂为基于运动边缘的特征权值归一化的自适应调整因子,λ₃为基于纹理特征直方图的特征权值归一化的自适应调整因子；

所述自适应调整因子的计算公式为：

${\mathrm{\λ}}_s^m={\mathrm{\ξ}}_{m-1}\·\[-\underset{j=1}{\overset{n}{\Σ}}\left(p_{m-1}^{s/j}\right){\log }_2^{p_{m-1}^{s/j}}\],s=1,2,3;$

其中，s＝1时，表示m时刻中基于颜色直方图的特征权值归一化的自适应调整因子，为m-1时刻中基于颜色直方图的特征值在j个粒子下的观测概率值；s＝2时，表示m时刻中基于运动边缘的特征权值归一化的自适应调整因子，为m-1时刻中基于运动边缘的特征值在j个粒子下的观测概率值；s＝3时，表示m时刻中基于纹理特征直方图的特征权值归一化的自适应调整因子，为m-1时刻中基于纹理特征直方图的特征值在j个粒子下的观测概率值；ξ_m-1表示在m-1时刻中所有粒子的空间位置方差值。

本优选实施例提出粒子观测模型的粒子权值更新公式和自适应调整因子的计算公式，对粒子的特征权值进行融合处理，有效克服了加性融合和乘性融合存在的缺陷，进一步增强了鲁棒性。

在此应用场景中，选取粒子数n＝50，追踪速度相对提高了8％，追踪精度相对提高了7％。

应用场景2

参见图1、图2，本应用场景的一个实施例的复杂场景下的货物自动追踪系统，包括调度中心1、货物追踪装置2、图像采集装置3；所述调度中心1，用于获取物流信息数据、对货物位置进行图像显示、对物流信息数据进行查询、锁定、管理与智能调度运输工具、配置货场；所述图像采集装置3用于采集物流图像信息；所述货物追踪装置2与调度中心1连接，用于对所述物流图像信息进行处理，识别货物，并获取货物所在的位置信息，将位置信息发送给调度中心1。

本发明上述实施例有效地对物流中的货物进行追踪和管理、进行货物的远程追踪，实时货物信息查询、节约人工成本，提高效率，并大大加强信息的准确性与及时性，基本实现了自动化操作，从而解决了上述的技术问题。

优选的，所述货物追踪装置2包括与调度中心1连接的GPS定位模块20，所述GPS定位模块20用于定位被识别货物的位置信息。

本优选实施例实现了被追踪货物的定位。

优选的，所述物流信息追踪系统还包括无线通信装置4，所述无线通信装置4通过串行数据通信接口连接所述调度中心1，用于将所述位置信息、物流信息数据传输给所述调度中心1。

本优选实施例实现了系统间各块之间的信息传输。

优选的，所述货物追踪装置2还包括感兴趣区域检测模块21、货物区域确定模块22和货物识别模块23；所述感兴趣区域检测模块21用于在采集的物流图像信息中的每桢图像中提取包含货物的感兴趣区域D₁并以此作为货物模板；所述货物区域确定模块22用于建立粒子状态转移和观测模型并基于上述模型，采用粒子滤波预测货物候选区域；所述货物识别模块23用于对所述货物候选区域和所述货物模板进行特征相似度量，完成货物的识别。

本优选实施例构建了货物追踪装置2的模块架构。

优选的，所述货物区域确定模块22包括：

(1)初始化子模块221：用于在所述感兴趣区域D₁内随机选取数量为n的粒子并对各粒子进行初始化处理，初始化处理后粒子的初始状态为x₀ⁱ，初始权值为{Q_oⁱ＝1/n,i＝1,...n}；

(2)状态转移模型建立子模块222：用于建立粒子状态转移模型，所述粒子状态转移模型采用下式：

$x_m^i={\mathrm{Ax}}_{m-1}^i+v_m^i$

式中，表示m时刻的新粒子，m≥2，为均值为0的高斯白噪声，A为2阶单位阵；m-1时刻的粒子通过状态转移模型传播；

(2)观测模型建立子模块223，用于通过颜色直方图、纹理特征直方图和运动边缘特征相结合的方式建立粒子观测模型；

(2)货物候选区域计算子模块224：其利用最小方差估计来计算货物候选区域：

$x_{now}=\underset{j=1}{\overset{n}{\Σ}}{Q}_m^j\·x_m^j$

式中，x_now表示计算的当前帧图像的货物候选区域，表示m时刻第j个粒子的对应状态值；

(5)位置修正子模块225：用于修正异常数据：

$x_{pre}=\underset{j=1}{\overset{n}{\Σ}}{Q}_{m-1}^j\·x_{m-1}^j$

式中，x_pre表示计算的当前帧图像的货物候选区域，表示m-1时刻第j个粒子的对应状态值；

设置数据异常评价函数P＝|x_now-x_pre|，若P的值大于设定的经验值T,则x_now＝x_pre；

(6)重采样子模块226：用于通过重采样操作删除权值过小的粒子，重采样时，利用系统当前时刻预测和观测的差值提供新息残差，进而通过量测新息残差对采样的粒子进行在线自适应性调整，采样过程中粒子数量和信息残差之间的关系定义为：

其中，N_m表示采样过程中m时刻的粒子数量，N_max和N_min分别表示最小和最大粒子数，N_min+1表示仅大于N_min的粒子数，N_max-1表示仅小于N_max的粒子数，表示m时刻系统的新息残差。

本优选实施例采用基于颜色直方图、纹理特征直方图和运动边缘特征相结合的方式进行采样粒子的权值更新，有效增强了追踪系统的鲁棒性；设置位置修正子模块225，能够避免异常数据带来的影响；在重采样子模块226中，利用当前时刻预测和观测的差值提供新息残差，进而通过量测新息残差对采样的粒子进行在线自适应性调整，并定义了采样过程中粒子数量和信息残差之间的关系，较好地保证了粒子采样的高效性和算法的实时性。

优选地，所述粒子观测模型的粒子权值更新公式为：

$Q_m^j=\frac{\stackrel{\‾}{Q_{Cm}^j}\·\stackrel{\‾}{Q_{Mm}^j}\·\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1\stackrel{\‾}{Q_{Cm}^j}+{{\mathrm{\λ}}_2}^2\stackrel{\‾}{Q_{Mm}^j}+{{\mathrm{\λ}}_2}^3\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1{\mathrm{\λ}}_2{\mathrm{\λ}}_3}{(1+{\mathrm{\λ}}_1)(1+{\mathrm{\λ}}_2)(1+{\mathrm{\λ}}_3)}$

式中

$\stackrel{\‾}{Q_{Cm}^j}=Q_{Cm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Cm}^j,Q_{Cm}^j=Q_{C(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{A_m^2}{2{\mathrm{\σ}}^2})$

$\stackrel{\‾}{Q_{Mm}^j}=Q_{Mm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Mm}^j,Q_{Mm}^j=Q_{M(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{B_m^2}{2{\mathrm{\σ}}^2})$

$\stackrel{\‾}{Q_{Wm}^j}=Q_{Wm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Wm}^j,Q_{Wm}^j=Q_{W(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{C_m^2}{2{\mathrm{\σ}}^2})$

其中，表示m时刻第j个粒子的最终更新权值，和分别表示m时刻和m-1时刻中第j个粒子基于颜色直方图的更新权值，表示m时刻和m-1时刻中第j个粒子基于运动边缘的更新权值，表示m时刻和m-1时刻中第j个粒子基于纹理特征直方图的更新权值，A_m为m时刻中第j个粒子基于颜色直方图的观测值与真实值之间的Bhattacharrya距离，B_m为m时刻中第j个粒子基于运动边缘的观测值与真实值之间的Bhattacharrya距离,C_m为m时刻中第j个粒子基于纹理特征直方图的观测值与真实值之间的Bhattacharrya距离,σ为高斯似然模型方差，λ₁为基于颜色直方图的特征权值归一化的自适应调整因子，λ₂为基于运动边缘的特征权值归一化的自适应调整因子,λ₃为基于纹理特征直方图的特征权值归一化的自适应调整因子；

所述自适应调整因子的计算公式为：

${\mathrm{\λ}}_s^m={\mathrm{\ξ}}_{m-1}\·\[-\underset{j=1}{\overset{n}{\Σ}}\left(p_{m-1}^{s/j}\right){\log }_2^{p_{m-1}^{s/j}}\],s=1,2,3;$

其中，s＝1时，表示m时刻中基于颜色直方图的特征权值归一化的自适应调整因子，为m-1时刻中基于颜色直方图的特征值在j个粒子下的观测概率值；s＝2时，表示m时刻中基于运动边缘的特征权值归一化的自适应调整因子，为m-1时刻中基于运动边缘的特征值在j个粒子下的观测概率值；s＝3时，表示m时刻中基于纹理特征直方图的特征权值归一化的自适应调整因子，为m-1时刻中基于纹理特征直方图的特征值在j个粒子下的观测概率值；ξ_m-1表示在m-1时刻中所有粒子的空间位置方差值。

本优选实施例提出粒子观测模型的粒子权值更新公式和自适应调整因子的计算公式，对粒子的特征权值进行融合处理，有效克服了加性融合和乘性融合存在的缺陷，进一步增强了鲁棒性。

在此应用场景中，选取粒子数n＝55，追踪速度相对提高了7％，追踪精度相对提高了8％。

应用场景3

参见图1、图2，本应用场景的一个实施例的复杂场景下的货物自动追踪系统，包括调度中心1、货物追踪装置2、图像采集装置3；所述调度中心1，用于获取物流信息数据、对货物位置进行图像显示、对物流信息数据进行查询、锁定、管理与智能调度运输工具、配置货场；所述图像采集装置3用于采集物流图像信息；所述货物追踪装置2与调度中心1连接，用于对所述物流图像信息进行处理，识别货物，并获取货物所在的位置信息，将位置信息发送给调度中心1。

本发明上述实施例有效地对物流中的货物进行追踪和管理、进行货物的远程追踪，实时货物信息查询、节约人工成本，提高效率，并大大加强信息的准确性与及时性，基本实现了自动化操作，从而解决了上述的技术问题。

优选的，所述货物追踪装置2包括与调度中心1连接的GPS定位模块20，所述GPS定位模块20用于定位被识别货物的位置信息。

本优选实施例实现了被追踪货物的定位。

优选的，所述物流信息追踪系统还包括无线通信装置4，所述无线通信装置4通过串行数据通信接口连接所述调度中心1，用于将所述位置信息、物流信息数据传输给所述调度中心1。

本优选实施例实现了系统间各块之间的信息传输。

优选的，所述货物追踪装置2还包括感兴趣区域检测模块21、货物区域确定模块22和货物识别模块23；所述感兴趣区域检测模块21用于在采集的物流图像信息中的每桢图像中提取包含货物的感兴趣区域D₁并以此作为货物模板；所述货物区域确定模块22用于建立粒子状态转移和观测模型并基于上述模型，采用粒子滤波预测货物候选区域；所述货物识别模块23用于对所述货物候选区域和所述货物模板进行特征相似度量，完成货物的识别。

本优选实施例构建了货物追踪装置2的模块架构。

优选的，所述货物区域确定模块22包括：

(1)初始化子模块221：用于在所述感兴趣区域D₁内随机选取数量为n的粒子并对各粒子进行初始化处理，初始化处理后粒子的初始状态为x₀ⁱ，初始权值为{Q_oⁱ＝1/n,i＝1,...n}；

(2)状态转移模型建立子模块222：用于建立粒子状态转移模型，所述粒子状态转移模型采用下式：

$x_m^i={\mathrm{Ax}}_{m-1}^i+v_m^i$

式中，表示m时刻的新粒子，m≥2，为均值为0的高斯白噪声，A为2阶单位阵；m-1时刻的粒子通过状态转移模型传播；

(2)观测模型建立子模块223，用于通过颜色直方图、纹理特征直方图和运动边缘特征相结合的方式建立粒子观测模型；

(2)货物候选区域计算子模块224：其利用最小方差估计来计算货物候选区域：

$x_{now}=\underset{j=1}{\overset{n}{\Σ}}{Q}_m^j\·x_m^j$

式中，x_now表示计算的当前帧图像的货物候选区域，表示m时刻第j个粒子的对应状态值；

(5)位置修正子模块225：用于修正异常数据：

$x_{pre}=\underset{j=1}{\overset{n}{\Σ}}{Q}_{m-1}^j\·x_{m-1}^j$

式中，x_pre表示计算的当前帧图像的货物候选区域，表示m-1时刻第j个粒子的对应状态值；

设置数据异常评价函数P＝|x_now-x_pre|，若P的值大于设定的经验值T,则x_now＝x_pre；

(6)重采样子模块226：用于通过重采样操作删除权值过小的粒子，重采样时，利用系统当前时刻预测和观测的差值提供新息残差，进而通过量测新息残差对采样的粒子进行在线自适应性调整，采样过程中粒子数量和信息残差之间的关系定义为：

其中，N_m表示采样过程中m时刻的粒子数量，N_max和N_min分别表示最小和最大粒子数，N_min+1表示仅大于N_min的粒子数，N_max-1表示仅小于N_max的粒子数，表示m时刻系统的新息残差。

本优选实施例采用基于颜色直方图、纹理特征直方图和运动边缘特征相结合的方式进行采样粒子的权值更新，有效增强了追踪系统的鲁棒性；设置位置修正子模块225，能够避免异常数据带来的影响；在重采样子模块226中，利用当前时刻预测和观测的差值提供新息残差，进而通过量测新息残差对采样的粒子进行在线自适应性调整，并定义了采样过程中粒子数量和信息残差之间的关系，较好地保证了粒子采样的高效性和算法的实时性。

优选地，所述粒子观测模型的粒子权值更新公式为：

$Q_m^j=\frac{\stackrel{\‾}{Q_{Cm}^j}\·\stackrel{\‾}{Q_{Mm}^j}\·\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1\stackrel{\‾}{Q_{Cm}^j}+{{\mathrm{\λ}}_2}^2\stackrel{\‾}{Q_{Mm}^j}+{{\mathrm{\λ}}_2}^3\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1{\mathrm{\λ}}_2{\mathrm{\λ}}_3}{(1+{\mathrm{\λ}}_1)(1+{\mathrm{\λ}}_2)(1+{\mathrm{\λ}}_3)}$

式中

$\stackrel{\‾}{Q_{Cm}^j}=Q_{Cm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Cm}^j,Q_{Cm}^j=Q_{C(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{A_m^2}{2{\mathrm{\σ}}^2})$

$\stackrel{\‾}{Q_{Mm}^j}=Q_{Mm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Mm}^j,Q_{Mm}^j=Q_{M(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{B_m^2}{2{\mathrm{\σ}}^2})$

$\stackrel{\‾}{Q_{Wm}^j}=Q_{Wm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Wm}^j,Q_{Wm}^j=Q_{W(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{C_m^2}{2{\mathrm{\σ}}^2})$

其中，表示m时刻第j个粒子的最终更新权值，和分别表示m时刻和m-1时刻中第j个粒子基于颜色直方图的更新权值，表示m时刻和m-1时刻中第j个粒子基于运动边缘的更新权值，表示m时刻和m-1时刻中第j个粒子基于纹理特征直方图的更新权值，A_m为m时刻中第j个粒子基于颜色直方图的观测值与真实值之间的Bhattacharrya距离，B_m为m时刻中第j个粒子基于运动边缘的观测值与真实值之间的Bhattacharrya距离,C_m为m时刻中第j个粒子基于纹理特征直方图的观测值与真实值之间的Bhattacharrya距离,σ为高斯似然模型方差，λ₁为基于颜色直方图的特征权值归一化的自适应调整因子，λ₂为基于运动边缘的特征权值归一化的自适应调整因子,λ₃为基于纹理特征直方图的特征权值归一化的自适应调整因子；

所述自适应调整因子的计算公式为：

${\mathrm{\λ}}_s^m={\mathrm{\ξ}}_{m-1}\·\[-\underset{j=1}{\overset{n}{\Σ}}\left(p_{m-1}^{s/j}\right){\log }_2^{p_{m-1}^{s/j}}\],s=1,2,3;$

其中，s＝1时，表示m时刻中基于颜色直方图的特征权值归一化的自适应调整因子，为m-1时刻中基于颜色直方图的特征值在j个粒子下的观测概率值；s＝2时，表示m时刻中基于运动边缘的特征权值归一化的自适应调整因子，为m-1时刻中基于运动边缘的特征值在j个粒子下的观测概率值；s＝3时，表示m时刻中基于纹理特征直方图的特征权值归一化的自适应调整因子，为m-1时刻中基于纹理特征直方图的特征值在j个粒子下的观测概率值；ξ_m-1表示在m-1时刻中所有粒子的空间位置方差值。

本优选实施例提出粒子观测模型的粒子权值更新公式和自适应调整因子的计算公式，对粒子的特征权值进行融合处理，有效克服了加性融合和乘性融合存在的缺陷，进一步增强了鲁棒性。

在此应用场景中，选取粒子数n＝60，追踪速度相对提高了6.5％，追踪精度相对提高了8.2％。

应用场景4

参见图1、图2，本应用场景的一个实施例的复杂场景下的货物自动追踪系统，包括调度中心1、货物追踪装置2、图像采集装置3；所述调度中心1，用于获取物流信息数据、对货物位置进行图像显示、对物流信息数据进行查询、锁定、管理与智能调度运输工具、配置货场；所述图像采集装置3用于采集物流图像信息；所述货物追踪装置2与调度中心1连接，用于对所述物流图像信息进行处理，识别货物，并获取货物所在的位置信息，将位置信息发送给调度中心1。

本发明上述实施例有效地对物流中的货物进行追踪和管理、进行货物的远程追踪，实时货物信息查询、节约人工成本，提高效率，并大大加强信息的准确性与及时性，基本实现了自动化操作，从而解决了上述的技术问题。

优选的，所述货物追踪装置2包括与调度中心1连接的GPS定位模块20，所述GPS定位模块20用于定位被识别货物的位置信息。

本优选实施例实现了被追踪货物的定位。

优选的，所述物流信息追踪系统还包括无线通信装置4，所述无线通信装置4通过串行数据通信接口连接所述调度中心1，用于将所述位置信息、物流信息数据传输给所述调度中心1。

本优选实施例实现了系统间各块之间的信息传输。

优选的，所述货物追踪装置2还包括感兴趣区域检测模块21、货物区域确定模块22和货物识别模块23；所述感兴趣区域检测模块21用于在采集的物流图像信息中的每桢图像中提取包含货物的感兴趣区域D₁并以此作为货物模板；所述货物区域确定模块22用于建立粒子状态转移和观测模型并基于上述模型，采用粒子滤波预测货物候选区域；所述货物识别模块23用于对所述货物候选区域和所述货物模板进行特征相似度量，完成货物的识别。

本优选实施例构建了货物追踪装置2的模块架构。

优选的，所述货物区域确定模块22包括：

(1)初始化子模块221：用于在所述感兴趣区域D₁内随机选取数量为n的粒子并对各粒子进行初始化处理，初始化处理后粒子的初始状态为x₀ⁱ，初始权值为{Q_oⁱ＝1/n,i＝1,...n}；

(2)状态转移模型建立子模块222：用于建立粒子状态转移模型，所述粒子状态转移模型采用下式：

$x_m^i={\mathrm{Ax}}_{m-1}^i+v_m^i$

式中，表示m时刻的新粒子，m≥2，为均值为0的高斯白噪声，A为2阶单位阵；m-1时刻的粒子通过状态转移模型传播；

(2)观测模型建立子模块223，用于通过颜色直方图、纹理特征直方图和运动边缘特征相结合的方式建立粒子观测模型；

(2)货物候选区域计算子模块224：其利用最小方差估计来计算货物候选区域：

$x_{now}=\underset{j=1}{\overset{n}{\Σ}}{Q}_m^j\·x_m^j$

式中，x_now表示计算的当前帧图像的货物候选区域，表示m时刻第j个粒子的对应状态值；

(5)位置修正子模块225：用于修正异常数据：

$x_{pre}=\underset{j=1}{\overset{n}{\Σ}}{Q}_{m-1}^j\·x_{m-1}^j$

式中，x_pre表示计算的当前帧图像的货物候选区域，表示m-1时刻第j个粒子的对应状态值；

设置数据异常评价函数P＝|x_now-x_pre|，若P的值大于设定的经验值T,则x_now＝x_pre；

(6)重采样子模块226：用于通过重采样操作删除权值过小的粒子，重采样时，利用系统当前时刻预测和观测的差值提供新息残差，进而通过量测新息残差对采样的粒子进行在线自适应性调整，采样过程中粒子数量和信息残差之间的关系定义为：

其中，N_m表示采样过程中m时刻的粒子数量，N_max和N_min分别表示最小和最大粒子数，N_min+1表示仅大于N_min的粒子数，N_max-1表示仅小于N_max的粒子数，表示m时刻系统的新息残差。

本优选实施例采用基于颜色直方图、纹理特征直方图和运动边缘特征相结合的方式进行采样粒子的权值更新，有效增强了追踪系统的鲁棒性；设置位置修正子模块225，能够避免异常数据带来的影响；在重采样子模块226中，利用当前时刻预测和观测的差值提供新息残差，进而通过量测新息残差对采样的粒子进行在线自适应性调整，并定义了采样过程中粒子数量和信息残差之间的关系，较好地保证了粒子采样的高效性和算法的实时性。

优选地，所述粒子观测模型的粒子权值更新公式为：

$Q_m^j=\frac{\stackrel{\‾}{Q_{Cm}^j}\·\stackrel{\‾}{Q_{Mm}^j}\·\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1\stackrel{\‾}{Q_{Cm}^j}+{{\mathrm{\λ}}_2}^2\stackrel{\‾}{Q_{Mm}^j}+{{\mathrm{\λ}}_2}^3\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1{\mathrm{\λ}}_2{\mathrm{\λ}}_3}{(1+{\mathrm{\λ}}_1)(1+{\mathrm{\λ}}_2)(1+{\mathrm{\λ}}_3)}$

式中

$\stackrel{\‾}{Q_{Cm}^j}=Q_{Cm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Cm}^j,Q_{Cm}^j=Q_{C(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{A_m^2}{2{\mathrm{\σ}}^2})$

$\stackrel{\‾}{Q_{Mm}^j}=Q_{Mm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Mm}^j,Q_{Mm}^j=Q_{M(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{B_m^2}{2{\mathrm{\σ}}^2})$

$\stackrel{\‾}{Q_{Wm}^j}=Q_{Wm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Wm}^j,Q_{Wm}^j=Q_{W(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{C_m^2}{2{\mathrm{\σ}}^2})$

其中，表示m时刻第j个粒子的最终更新权值，和分别表示m时刻和m-1时刻中第j个粒子基于颜色直方图的更新权值，表示m时刻和m-1时刻中第j个粒子基于运动边缘的更新权值，表示m时刻和m-1时刻中第j个粒子基于纹理特征直方图的更新权值，A_m为m时刻中第j个粒子基于颜色直方图的观测值与真实值之间的Bhattacharrya距离，B_m为m时刻中第j个粒子基于运动边缘的观测值与真实值之间的Bhattacharrya距离,C_m为m时刻中第j个粒子基于纹理特征直方图的观测值与真实值之间的Bhattacharrya距离,σ为高斯似然模型方差，λ₁为基于颜色直方图的特征权值归一化的自适应调整因子，λ₂为基于运动边缘的特征权值归一化的自适应调整因子,λ₃为基于纹理特征直方图的特征权值归一化的自适应调整因子；

所述自适应调整因子的计算公式为：

${\mathrm{\λ}}_s^m={\mathrm{\ξ}}_{m-1}\·\[-\underset{j=1}{\overset{n}{\Σ}}\left(p_{m-1}^{s/j}\right){\log }_2^{p_{m-1}^{s/j}}\],s=1,2,3;$

其中，s＝1时，表示m时刻中基于颜色直方图的特征权值归一化的自适应调整因子，为m-1时刻中基于颜色直方图的特征值在j个粒子下的观测概率值；s＝2时，表示m时刻中基于运动边缘的特征权值归一化的自适应调整因子，为m-1时刻中基于运动边缘的特征值在j个粒子下的观测概率值；s＝3时，表示m时刻中基于纹理特征直方图的特征权值归一化的自适应调整因子，为m-1时刻中基于纹理特征直方图的特征值在j个粒子下的观测概率值；ξ_m-1表示在m-1时刻中所有粒子的空间位置方差值。

本优选实施例提出粒子观测模型的粒子权值更新公式和自适应调整因子的计算公式，对粒子的特征权值进行融合处理，有效克服了加性融合和乘性融合存在的缺陷，进一步增强了鲁棒性。

在此应用场景中，选取粒子数n＝65，追踪速度相对提高了6.5％，追踪精度相对提高了8.5％。

应用场景5

参见图1、图2，本应用场景的一个实施例的复杂场景下的货物自动追踪系统，包括调度中心1、货物追踪装置2、图像采集装置3；所述调度中心1，用于获取物流信息数据、对货物位置进行图像显示、对物流信息数据进行查询、锁定、管理与智能调度运输工具、配置货场；所述图像采集装置3用于采集物流图像信息；所述货物追踪装置2与调度中心1连接，用于对所述物流图像信息进行处理，识别货物，并获取货物所在的位置信息，将位置信息发送给调度中心1。

本发明上述实施例有效地对物流中的货物进行追踪和管理、进行货物的远程追踪，实时货物信息查询、节约人工成本，提高效率，并大大加强信息的准确性与及时性，基本实现了自动化操作，从而解决了上述的技术问题。

优选的，所述货物追踪装置2包括与调度中心1连接的GPS定位模块20，所述GPS定位模块20用于定位被识别货物的位置信息。

本优选实施例实现了被追踪货物的定位。

优选的，所述物流信息追踪系统还包括无线通信装置4，所述无线通信装置4通过串行数据通信接口连接所述调度中心1，用于将所述位置信息、物流信息数据传输给所述调度中心1。

本优选实施例实现了系统间各块之间的信息传输。

优选的，所述货物追踪装置2还包括感兴趣区域检测模块21、货物区域确定模块22和货物识别模块23；所述感兴趣区域检测模块21用于在采集的物流图像信息中的每桢图像中提取包含货物的感兴趣区域D₁并以此作为货物模板；所述货物区域确定模块22用于建立粒子状态转移和观测模型并基于上述模型，采用粒子滤波预测货物候选区域；所述货物识别模块23用于对所述货物候选区域和所述货物模板进行特征相似度量，完成货物的识别。

本优选实施例构建了货物追踪装置2的模块架构。

优选的，所述货物区域确定模块22包括：

(1)初始化子模块221：用于在所述感兴趣区域D₁内随机选取数量为n的粒子并对各粒子进行初始化处理，初始化处理后粒子的初始状态为x₀ⁱ，初始权值为{Q_oⁱ＝1/n,i＝1,...n}；

(2)状态转移模型建立子模块222：用于建立粒子状态转移模型，所述粒子状态转移模型采用下式：

$x_m^i={\mathrm{Ax}}_{m-1}^i+v_m^i$

式中，表示m时刻的新粒子，m≥2，为均值为0的高斯白噪声，A为2阶单位阵；m-1时刻的粒子通过状态转移模型传播；

(2)观测模型建立子模块223，用于通过颜色直方图、纹理特征直方图和运动边缘特征相结合的方式建立粒子观测模型；

(2)货物候选区域计算子模块224：其利用最小方差估计来计算货物候选区域：

$x_{now}=\underset{j=1}{\overset{n}{\Σ}}{Q}_m^j\·x_m^j$

式中，x_now表示计算的当前帧图像的货物候选区域，表示m时刻第j个粒子的对应状态值；

(5)位置修正子模块225：用于修正异常数据：

$x_{pre}=\underset{j=1}{\overset{n}{\Σ}}{Q}_{m-1}^j\·x_{m-1}^j$

式中，x_pre表示计算的当前帧图像的货物候选区域，表示m-1时刻第j个粒子的对应状态值；

设置数据异常评价函数P＝|x_now-x_pre|，若P的值大于设定的经验值T,则x_now＝x_pre；

(6)重采样子模块226：用于通过重采样操作删除权值过小的粒子，重采样时，利用系统当前时刻预测和观测的差值提供新息残差，进而通过量测新息残差对采样的粒子进行在线自适应性调整，采样过程中粒子数量和信息残差之间的关系定义为：

其中，N_m表示采样过程中m时刻的粒子数量，N_max和N_min分别表示最小和最大粒子数，N_min+1表示仅大于N_min的粒子数，N_max-1表示仅小于N_max的粒子数，表示m时刻系统的新息残差。

本优选实施例采用基于颜色直方图、纹理特征直方图和运动边缘特征相结合的方式进行采样粒子的权值更新，有效增强了追踪系统的鲁棒性；设置位置修正子模块225，能够避免异常数据带来的影响；在重采样子模块226中，利用当前时刻预测和观测的差值提供新息残差，进而通过量测新息残差对采样的粒子进行在线自适应性调整，并定义了采样过程中粒子数量和信息残差之间的关系，较好地保证了粒子采样的高效性和算法的实时性。

优选地，所述粒子观测模型的粒子权值更新公式为：

$Q_m^j=\frac{\stackrel{\‾}{Q_{Cm}^j}\·\stackrel{\‾}{Q_{Mm}^j}\·\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1\stackrel{\‾}{Q_{Cm}^j}+{{\mathrm{\λ}}_2}^2\stackrel{\‾}{Q_{Mm}^j}+{{\mathrm{\λ}}_2}^3\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1{\mathrm{\λ}}_2{\mathrm{\λ}}_3}{(1+{\mathrm{\λ}}_1)(1+{\mathrm{\λ}}_2)(1+{\mathrm{\λ}}_3)}$

式中

$\stackrel{\‾}{Q_{Cm}^j}=Q_{Cm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Cm}^j,Q_{Cm}^j=Q_{C(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{A_m^2}{2{\mathrm{\σ}}^2})$

$\stackrel{\‾}{Q_{Mm}^j}=Q_{Mm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Mm}^j,Q_{Mm}^j=Q_{M(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{B_m^2}{2{\mathrm{\σ}}^2})$

$\stackrel{\‾}{Q_{Wm}^j}=Q_{Wm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Wm}^j,Q_{Wm}^j=Q_{W(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{C_m^2}{2{\mathrm{\σ}}^2})$

其中，表示m时刻第j个粒子的最终更新权值，和分别表示m时刻和m-1时刻中第j个粒子基于颜色直方图的更新权值，表示m时刻和m-1时刻中第j个粒子基于运动边缘的更新权值，表示m时刻和m-1时刻中第j个粒子基于纹理特征直方图的更新权值，A_m为m时刻中第j个粒子基于颜色直方图的观测值与真实值之间的Bhattacharrya距离，B_m为m时刻中第j个粒子基于运动边缘的观测值与真实值之间的Bhattacharrya距离,C_m为m时刻中第j个粒子基于纹理特征直方图的观测值与真实值之间的Bhattacharrya距离,σ为高斯似然模型方差，λ₁为基于颜色直方图的特征权值归一化的自适应调整因子，λ₂为基于运动边缘的特征权值归一化的自适应调整因子,λ₃为基于纹理特征直方图的特征权值归一化的自适应调整因子；

所述自适应调整因子的计算公式为：

${\mathrm{\λ}}_s^m={\mathrm{\ξ}}_{m-1}\·\[-\underset{j=1}{\overset{n}{\Σ}}\left(p_{m-1}^{s/j}\right){\log }_2^{p_{m-1}^{s/j}}\],s=1,2,3;$

其中，s＝1时，表示m时刻中基于颜色直方图的特征权值归一化的自适应调整因子，为m-1时刻中基于颜色直方图的特征值在j个粒子下的观测概率值；s＝2时，表示m时刻中基于运动边缘的特征权值归一化的自适应调整因子，为m-1时刻中基于运动边缘的特征值在j个粒子下的观测概率值；s＝3时，表示m时刻中基于纹理特征直方图的特征权值归一化的自适应调整因子，为m-1时刻中基于纹理特征直方图的特征值在j个粒子下的观测概率值；ξ_m-1表示在m-1时刻中所有粒子的空间位置方差值。

本优选实施例提出粒子观测模型的粒子权值更新公式和自适应调整因子的计算公式，对粒子的特征权值进行融合处理，有效克服了加性融合和乘性融合存在的缺陷，进一步增强了鲁棒性。

在此应用场景中，选取粒子数n＝70，追踪速度相对提高了6％，追踪精度相对提高了9％

最后应当说明的是，以上应用场景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，尽管参照较佳应用场景对本发明作了详细地说明，本领域的普通技术人员应当理解，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。