[發(fā)明專利]一種基于視頻分析的車行道破損檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011452476.0
• 申請(qǐng)日: 2020-12-12
• 公開（公告）號(hào): CN112488026A
• 公開（公告）日: 2021-03-12
• 發(fā)明（設(shè)計(jì)）人: 賈楠;贠周會(huì);吳斌;王欣欣;葉超;黃江林;王旭;謝吉朋;應(yīng)艷麗
• 申請(qǐng)（專利權(quán)）人: 江西洪都航空工業(yè)集團(tuán)有限責(zé)任公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06N3/04;G06N3/08;G08B21/18;H04N7/18
• 代理公司: 南昌新天下專利商標(biāo)代理有限公司 36115
• 代理人: 王燕

一種基于視頻分析的車行道破損檢測(cè)方法，首先獲取用于形成樣本圖片集的樣本圖片，且每張樣本圖片中至少有一個(gè)破損路段，同時(shí)對(duì)獲取的樣本圖片破損路段區(qū)域進(jìn)行分類標(biāo)記，而后對(duì)分類標(biāo)記完畢的樣本圖片進(jìn)行模型訓(xùn)練以建立樣本圖片F(xiàn)aster R?CNN模型；采集待測(cè)車行道實(shí)時(shí)視頻流數(shù)據(jù)集后輸入生成的樣本圖片F(xiàn)aster R?CNN模型中，通過樣本圖片F(xiàn)aster R?CNN模型判斷目標(biāo)特征區(qū)域與訓(xùn)練樣本的相似度后確定該待測(cè)車行道是否存在破損區(qū)域，有效解決傳統(tǒng)人工檢測(cè)費(fèi)時(shí)費(fèi)力、半自動(dòng)化和自動(dòng)化車行道檢測(cè)算法受環(huán)境影響準(zhǔn)確性等問題，使得車行道破損檢測(cè)準(zhǔn)確性和實(shí)時(shí)性得到提升，進(jìn)而提高維護(hù)工作效率，節(jié)省維護(hù)成本。

技術(shù)領(lǐng)域

本發(fā)明涉及模式識(shí)別技術(shù)領(lǐng)域，尤其涉及一種基于視頻分析的車行道破損檢測(cè)方法。

背景技術(shù)

隨著我國(guó)交通系統(tǒng)的完善，機(jī)動(dòng)車的數(shù)量日益增加，車行道的安全性與城市交通息息相關(guān)。車行道路面在車輛重壓和自然界風(fēng)吹雨打等外在影響下，易出現(xiàn)裂縫等損壞問題。當(dāng)路面出現(xiàn)裂縫等損壞時(shí)，需要及時(shí)進(jìn)行維修；否則，隨著路面損壞面積的增大，不僅增加后期維修成本，且給車輛通行也帶來嚴(yán)重的安全隱患。因此，如何檢測(cè)車行道是否存在破損區(qū)域成為亟待解決的問題。

傳統(tǒng)的車行道破損檢測(cè)方法主要采用人工檢測(cè)，然而隨著道路網(wǎng)絡(luò)與交通流量的不斷增加，這種費(fèi)時(shí)費(fèi)力的方法不再適用，且人工檢測(cè)還存在決策主觀性的影響。近些年，出現(xiàn)一些半自動(dòng)化和自動(dòng)化車行道檢測(cè)算法，可以消除人為的主觀影響，但受光照條件、車行道紋路以及其他外在環(huán)境影響，這些算法在準(zhǔn)確性和實(shí)用性上未取得較好的效果，對(duì)車行道的破損檢測(cè)仍然是一個(gè)具有挑戰(zhàn)的任務(wù)。

發(fā)明內(nèi)容

本發(fā)明所解決的技術(shù)問題在于提供一種基于視頻分析的車行道破損檢測(cè)方法，以解決上述背景技術(shù)中的問題。

本發(fā)明所解決的技術(shù)問題采用以下技術(shù)方案來實(shí)現(xiàn)：

一種基于視頻分析的車行道破損檢測(cè)方法，首先獲取用于形成樣本圖片集的樣本圖片，且每張樣本圖片中至少有一個(gè)破損路段，同時(shí)對(duì)獲取的樣本圖片破損路段區(qū)域進(jìn)行分類標(biāo)記，而后對(duì)分類標(biāo)記完畢的樣本圖片進(jìn)行模型訓(xùn)練以建立樣本圖片F(xiàn)aster R-CNN模型；采集待測(cè)車行道實(shí)時(shí)視頻流數(shù)據(jù)集后輸入生成的樣本圖片F(xiàn)aster R-CNN模型中，通過樣本圖片F(xiàn)aster R-CNN模型判斷目標(biāo)特征區(qū)域與訓(xùn)練樣本的相似度后確定該待測(cè)車行道是否存在破損區(qū)域；具體步驟如下：

1）搜集公開的車行道破損圖片，或采集實(shí)際車行道至少有一個(gè)破損路段的圖片，形成樣本圖片集，并對(duì)樣本圖片集中樣本圖片的破損區(qū)域進(jìn)行分類標(biāo)記，同時(shí)標(biāo)記各個(gè)樣本圖片中對(duì)應(yīng)的樣本破損區(qū)域和破損類型；

2）對(duì)步驟1）中獲取的不同破損區(qū)域和破損類型的樣本圖片分別進(jìn)行模型訓(xùn)練以建立樣本圖片F(xiàn)aster R-CNN模型，采用優(yōu)化后的Faster R-CNN方法訓(xùn)練模型，優(yōu)化后Faster R-CNN模型的特征網(wǎng)絡(luò)使用經(jīng)過壓縮算法處理的VGG-16網(wǎng)絡(luò)結(jié)構(gòu)，該壓縮方法采用通道剪枝和低階因子分解相結(jié)合實(shí)現(xiàn)；

3）由攝像機(jī)采集實(shí)時(shí)視頻流后，通過交換機(jī)傳輸至服務(wù)器進(jìn)行視頻解碼，其中，采用FFmpeg獲取視頻流，再通過CUDA解碼處理視頻流，最后將解碼后的視頻流數(shù)據(jù)集保存在指定位置；

4）將步驟3）存入在指定位置的視頻流數(shù)據(jù)集輸入生成的樣本圖片F(xiàn)aster R-CNN模型中，該模型能夠確定目標(biāo)特征區(qū)域的目標(biāo)破損類型，通過判斷目標(biāo)特征區(qū)域與訓(xùn)練樣本的相似度確定該待測(cè)車行道是否存在破損區(qū)域；

5）樣本圖片F(xiàn)aster R-CNN模型提取視頻流數(shù)據(jù)集中的至少一個(gè)目標(biāo)特征區(qū)域，而后計(jì)算目標(biāo)特征區(qū)域與訓(xùn)練樣本之間的特征相似度，并根據(jù)提取的目標(biāo)特征區(qū)域確定該待測(cè)車行道路面是否存在破損區(qū)域；

6）當(dāng)存在至少一個(gè)目標(biāo)特征區(qū)域相似度大于設(shè)定判定閾值時(shí)，則判定該待檢測(cè)車行道路面存在破損區(qū)域，在視頻數(shù)據(jù)集中用紅框圈出破損區(qū)域，并發(fā)出報(bào)警信號(hào)警告。

在本發(fā)明中，所述樣本圖片F(xiàn)aster R-CNN模型中設(shè)置有樣本訓(xùn)練模塊、實(shí)時(shí)視頻模塊、目標(biāo)提取模塊和報(bào)警模塊。