[發明專利]一種高速公路視頻拋灑物檢測的前景提取方法

有效

• 申請號: 202010324666.8
• 申請日: 2020-04-22
• 公開（公告）號: CN111582070B
• 公開（公告）日: 2022-06-21
• 發明（設計）人: 夏瑩杰;歐陽聰宇
• 申請（專利權）人: 浙江大學
• 主分類號: G06V20/40
• 分類號: G06V20/40;G06V20/54;G06T7/194
• 代理公司: 杭州天勤知識產權代理有限公司 33224
• 代理人: 胡紅娟

本發明公開了一種高速公路視頻拋灑物檢測的前景提取方法，其方法步驟如下：S1為視頻序列中的路面建立高斯混合模型，并初始化模型參數；S2使用自適應學習率方法得到初始背景，并進行初始背景劃分得到初始背景模型組B；S3匹配視頻幀像素點與背景模型，判斷各像素點的類型屬于前景或者背景并輸出二值化前景圖像；S4根據匹配結果更新背景模型參數用于下一時刻的前景提取，并判斷是否需要通過模型權值衰減策略重新劃分背景模型。本發明所述的前景提取方法具有實時性高，對環境噪聲適應能力強的特點，在實際檢測中準確度高，誤報率低。

技術領域

本發明涉及視頻圖像處理技術領域，具體涉及一種高速公路視頻拋灑物檢測的前景提取方法。

背景技術

隨著高速公路車流量不斷增長，因高速公路拋灑物誘發的事故數量激增。這些拋灑物大多為貨車上未捆扎嚴實而掉下的貨物或者汽車故障掉落的碎片，這些體積小而堅硬的物體，對高速公路司乘人員的安全帶米了極大的威脅。因此利用視頻技術，對高速公路拋灑物進行實時、準確地檢測，成為智慧交通領域一個非常有意義且亟待解決的問題。不同于高速公路上的機動車、擴欄、標志標線等對象，拋灑物種類各異，不具有圖形圖像上的通用特征。

隨著深度學習的不斷發展，相關網絡模型提取圖像特征的能力不斷增強，使用深度學習進行拋灑物目標檢測方法也越來越多。

公開號為CN106845424A的中國發明專利將拋灑物目標的識別轉化為路面、非路面的二分類問題，首先將包含路面和非路面的區域圖片標注作為訓練集，通過卷積神經網絡訓練出分類網絡；然后通過車輛檢測算法進行判斷，如果不屬于車輛而且該區域屬于路面的置信度低于非路面的類別，則將其判斷為拋灑物。

文獻：城市道路視頻中小像素目標檢測.光電工程，2019，46(9).基于YOLO V3構建網絡，利用拋灑物目標更依賴于淺層特征的特點，增加了1個尺度進行目標檢測，通過模型訓練，能有效地檢測出城市道路上如紙屑、石塊等具體幾類拋灑物目標。

盡管深度學習在特征提取和目標分類上具有突出的能力，但是其局限性在于訓練集中目標檢測對象是否充分，會直接影響到最終識別效果。所以，這一類相關工作在某些特定場景下識別某些特定種類的拋灑物有一定的效果，但是仍然不具有較強的泛化能力。

基于背景建模方法實現對前景拋灑物目標的檢測，主要原理是構建一個穩定并且可不斷更新的背景模型，然后提取不在背景模型中的目標對象，并對其中拋灑物和噪聲進行區分。傳統的背景建模方法有幀差法、Codebook方法、高斯混合模型方法等。

傳統的固定背景建模方法容易因開放環境變化產生大量的前景噪聲，而多種基于動態背景建模的前景提取方法又容易因拋灑物的靜止特性導致前景對象快速融入背景。

發明內容

本文公開了一種高速公路視頻拋灑物檢測的前景提取方法，實現背景建模和背景更新。減少環境噪聲出現在前景目標中；拋灑物一般具有從運動狀態快速到靜止狀態的過程，避免靜止狀態的拋灑物被快速融入背景模型中，影響檢測效果。

本發明解決上述技術問題所提供的技術方案為：

一種高速公路視頻拋灑物檢測的前景提取方法，其特征在于，包括以下步驟：

S1為視頻序列中的路面建立高斯混合模型，并初始化模型參數；

S2使用自適應學習率方法得到初始背景，并進行初始背景劃分得到初始背景模型組B；

S3匹配視頻幀像素點與背景模型，判斷各像像素點的類型屬于前景或者背景并輸出二值化前景圖像；

S4根據匹配結果更新模型參數用于下一時刻的前景提取，并判斷是否需要通過模型權值衰減策略重新劃分背景模型。