[發明專利]一種基于深度學習的監控視頻圖像遮擋檢測方法

在審

• 申請號: 202110793747.7
• 申請日: 2021-07-14
• 公開（公告）號: CN115619801A
• 公開（公告）日: 2023-01-17
• 發明（設計）人: 邵慶言;杜峰
• 申請（專利權）人: 山東華軟金盾軟件股份有限公司
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/136;G06T7/155;G06T7/90;H04N7/18;G06N3/0464;G06N3/09;G06T5/00;G06T5/30;G06T5/40
• 代理公司: 北京金宏來專利代理事務所(特殊普通合伙) 11641
• 代理人: 左海明

1.一種基于深度學習的監控視頻圖像遮擋檢測方法，其特征在于，包括以下步驟：1)通過監控攝像機遠程獲取視頻圖像；

2)對獲取的視頻圖像進行預處理；

3)基于預處理后的視頻圖像提取感興趣區域的視頻圖像；

4)將感興趣的視頻圖像由BGR顏色空間轉至HSV顏色空間，在HSV顏色空間做直方圖統計，采用非均勻量化直方圖進行量化，對量化后的顏色空間計算直方圖；

5)判定視頻圖像中最多像素值所在閾值空間是否屬于障礙物顏色空間；

6)對于在障礙物顏色空間內的圖像，根據障礙物顏色空間所占整個圖像的比例作為是否進行障礙物特定目標檢測的標準；

7)如果障礙物顏色所占整個圖像比例大于特定閾值，則根據已訓練好的深度學習模型對障礙物特定目標進行檢測；

8)計算檢測到的障礙物特定目標的區域面積所占整個圖像比例作為判定是否視頻遮擋的依據；

9)如果圖像中最多像素值所在閾值空間不在障礙物顏色空間的圖像或者障礙物顏色所占整個圖像比例不滿足特定閾值，不需要進行障礙物目標檢測，直接根據抽取圖像中像素值最大的所有像素作為新圖像，并進行形態學變換；

10)對形態學變換后的圖像中像素值占原始圖像的比率作為判定是否遮擋的依據；

11)如果計算的值大于指定閾值，則確定圖像發生遮擋，否則確定圖像不發生遮擋。

2.根據權利要求1所述的基于深度學習的監控視頻圖像遮擋檢測方法，其特征在于，所述步驟2中的獲取的視頻圖像采用高斯濾波器進行平滑處理。

3.根據權利要求1所述的基于深度學習的監控視頻圖像遮擋檢測方法，其特征在于，所述步驟3中的提取感興趣區域的視頻圖像需做去除邊緣部分可能噪聲區域，提取剩余區域圖像作為計算的標準。

4.根據權利要求1所述的基于深度學習的監控視頻圖像遮擋檢測方法，其特征在于，所述步驟4中的將BGR顏色空間圖像轉為HSV顏色空間，首先將BGR顏色空間各通道值歸一化為[0,1]，方式如下：value*＝1./255；

將BGR顏色空間轉為HSV顏色空間，具體方式如下：

V＝max(R,G,B)

其中R，G，B分別為BGR顏色空間中各通道的歸一化后的像素值；

在HSV顏色空間做直方圖統計，采用非均勻量化直方圖進行量化，量化方式如下：

其中h,s,v分別為HSV顏色空間中各通道的值，上述L式中從上向下依次為黑色、灰色、白色、彩色區域，按照此方法得到的顏色空間可以量化到[0,35]，共36個等級，對量化后的顏色空間計算直方圖，直方圖是將上述得到的36個等級顏色空間進行簡單的數據歸納，并對每個等級進行計數。

5.根據權利要求4所述的基于深度學習的監控視頻圖像遮擋檢測方法，其特征在于，所述步驟5中的判定是否屬于障礙物顏色空間即根據36個等級顏色空間是直方圖，得到計數最大的等級。

6.根據權利要求1所述的基于深度學習的監控視頻圖像遮擋檢測方法，其特征在于，所述步驟6中的障礙物顏色空間所占整個圖像的比例設定閾值為5％，作為是否進行障礙物特定目標檢測的標準。

7.根據權利要求6所述的基于深度學習的監控視頻圖像遮擋檢測方法，其特征在于，所述步驟7中的如果障礙物顏色所占整個圖像比例大于特定閾值，則根據已訓練好的深度學習模型對障礙物特定目標進行檢測，即為如果大于5％，則進行障礙物特定目標檢測，障礙物特定目標檢測的深度學習模型采用YOLOV5，通過NVIDIA Tesla T4顯卡進行訓練，訓練步驟如下：

①基礎模型使用COCO數據集訓練得到的預訓練模型，收集若干張包含不同障礙物的真實監控攝像機圖像作為Fine-tune的數據集；

②數據集中包含不同障礙物的真實監控攝像機圖像中90％用于訓練，10％用于評估；

③在Tesla T4顯卡上迭代訓練；

④選擇評估最真的模型作為最終的推理模型；

⑤使用推理模型對視頻圖像進行預測，檢測到圖像中障礙物目標區域。