[發明專利]一種道路遺撒物體檢測方法、裝置、設備及可讀存儲介質

在審

• 申請號: 201811253027.6
• 申請日: 2018-10-25
• 公開（公告）號: CN109492552A
• 公開（公告）日: 2019-03-19
• 發明（設計）人: 宋彬;孫峰瑤;康煦
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/08
• 代理公司: 北京華仲龍騰專利代理事務所(普通合伙) 11548
• 代理人: 李靜

1.一種道路遺撒物體檢測方法，其特征在于，所述方法包括：

根據K近鄰方法對監控視頻進行自適應背景建模，獲得即時背景模型和延時背景模型；

根據預獲取的預訓練圖像與標簽文件，結合已有的監控視頻訓練數據，訓練并構建深度卷積神經網絡模型；

將待檢測視頻分別送入所述即時背景模型和延時背景模型中，獲取與視頻幀對應的二值化即時掩膜圖像和二值化延時掩膜圖像；

對所述二值化即時掩膜圖像和二值化延時掩膜圖像進行比對，確定遺撒物體的位置；

將所述遺撒物體圖像輸入所述深度卷積神經網絡模型中，確定所述遺撒物體的類別。

2.如權利要求1所述的道路遺撒物體檢測方法，其特征在于，還包括：

當遺撒物體的類別無法從深度卷積神經網絡模型中識別，則將所述遺撒物體圖像進行存儲，并歸類為未知分類遺撒物體圖像；

對所述未知分類遺撒物體圖像進行標簽標注，并記錄所述未知分類遺撒物體的位置與類別信息；

根據所述標簽標注后的未知分類遺撒物體圖像，對深度卷積神經網絡模型進行更新。

3.如權利要求1所述的道路遺撒物體檢測方法，其特征在于，所述根據預獲取的預訓練圖像與標簽文件，結合已有的監控視頻訓練數據，構建并訓練深度卷積神經網絡模型，具體包括：

基于開放的大型圖像數據庫，獲取帶有文件標簽的預訓練圖像以及標簽文件；

將所述帶有文件標簽的預訓練圖像以及標簽文件輸入深度卷積神經網絡進行一次訓練；

從已有監控視頻中，獲取含遺撒物體的視頻幀中所述遺撒物體的位置與類別信息，作為訓練數據；

根據所述訓練數據，對一次訓練后的深度卷積神經網絡進行二次訓練，構建深度卷積神經網絡模型。

4.如權利要求1所述的道路遺撒物體檢測方法，其特征在于，所述將待檢測視頻分別送入所述即時背景模型和延時背景模型中，獲取與視頻幀對應的二值化即時掩膜圖像和二值化延時掩膜圖像，具體包括：

將待檢測視頻的每一視頻幀分別送入即時背景模型和延時背景模型中；

對所述即時背景模型和延時背景模型進行更新，并獲取前景提取圖；

對所述前景提取圖進行形態學開運算操作處理，以獲取所述視頻幀對應的二值化即時掩膜圖像和二值化延時掩膜圖像。

5.如權利要求1所述的道路遺撒物體檢測方法，其特征在于，所述對所述二值化即時掩膜圖像和二值化延時掩膜圖像進行比對，確定遺撒物體的位置，具體包括：

對二值化即時掩膜圖像和二值化延時掩膜圖像進行比較，獲取所述二值化即時掩膜圖像和二值化延時掩膜圖像中交疊率低于預設值的前景物體框；

根據所述前景物體框，獲取潛在遺撒物體的位置；

當所述前景物體框在視頻幀中出現的次數大于預設閾值時，則確定所述潛在遺撒物體為遺撒物體，并確定所述遺撒物體的位置。

6.如權利要求1所述的道路遺撒物體檢測方法，其特征在于，所述將所述遺撒物體圖像輸入所述深度卷積神經網絡模型中，確定所述遺撒物體的類別，具體包括：

接收從視頻幀原圖中提取出來的遺撒物體圖像，并對所述遺撒物體圖像的分辨率進行重置處理；

將所述處理后的遺撒物體圖像輸入所述深度卷積神經網絡模型中；

判斷所述深度卷積神經網絡模型輸出的最大概率是否大于預設分類閾值，若是，則確認所述遺撒物體類別為相應類別；若否，則確認所述遺撒物體的類別為未知分類遺撒物體。

7.如權利要求3所述的道路遺撒物體檢測方法，其特征在于，所述深度卷積神經網絡的結構為5個卷積-池化特征提取層、3個全連接層以及1個分類層。