[發(fā)明專利]一種基于高速公路監(jiān)控視頻的路面拋灑物檢測方法

在審

• 申請?zhí)枺?/td>: 202310177342.X
• 申請日: 2023-02-24
• 公開（公告）號: CN116343136A
• 公開（公告）日: 2023-06-27
• 發(fā)明（設計）人: 孫健
• 申請（專利權(quán)）人: 江蘇寧杭高速公路有限公司
• 主分類號: G06V20/54
• 分類號: G06V20/54;G06V10/80;G06V10/764;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 南京佰騰智信知識產(chǎn)權(quán)代理事務所(普通合伙) 32509
• 代理人: 黃杭飛

1.一種基于高速公路監(jiān)控視頻的路面拋灑物檢測方法，其特征在于，包括下述步驟：

S1：構(gòu)建基礎(chǔ)數(shù)據(jù)集；獲取高速公路監(jiān)控視頻獲取路段背景圖像數(shù)據(jù)集，并從ImageNet下載相應的拋灑物圖像數(shù)據(jù)集；

S2：圖像融合；將拋灑物的中心與背景圖像中隨機選擇的路面區(qū)域的重合，然后將其粘貼到場景圖象中，生成合成圖像，構(gòu)建高速公路場景拋灑物數(shù)據(jù)集；

S3：VIBE背景建模；獲取背景以及前景；

S4：構(gòu)建網(wǎng)絡；基于YOLOv5網(wǎng)絡改進搭建神經(jīng)網(wǎng)絡模型；

S5：訓練優(yōu)化模型；將拋灑物數(shù)據(jù)集輸入神經(jīng)網(wǎng)絡模型中進行訓練，并根據(jù)訓練結(jié)果對模型進行優(yōu)化，得到拋灑物檢測模型的訓練權(quán)重和分類結(jié)果；

S6：拋灑物檢測；利用訓練好的深度學習網(wǎng)絡進行拋灑物檢測。

2.根據(jù)權(quán)利要求1所述的基于高速公路監(jiān)控視頻的路面拋灑物檢測方法，其特征在于：路面的拋灑物圖像由高速公路監(jiān)控圖像與拋灑物圖像人工結(jié)合而成。

3.根據(jù)權(quán)利要求1所述的基于高速公路監(jiān)控視頻的路面拋灑物檢測方法，其特征在于：數(shù)據(jù)標注的內(nèi)容包括拋灑物類別、大小及位置。

4.根據(jù)權(quán)利要求1所述的基于高速公路監(jiān)控視頻的路面拋灑物檢測方法，其特征在于：VIBE背景建模首先對輸入的無車輛行駛的視頻幀進行背景模型初始化，接著將當前圖像中的像素值與建立好的背景模型進行比較來區(qū)分該像素點是否為前景目標像素點。VIBE模型復雜度低，初始化模型時間短且能夠在背景發(fā)生變化時及時自動更新生成新的背景。

5.根據(jù)權(quán)利要求1所述的基于高速公路監(jiān)控視頻的路面拋灑物檢測方法，其特征在于：構(gòu)建深度學習網(wǎng)絡，在YOLOv5網(wǎng)絡的基礎(chǔ)上做了兩個改進；一是將卷積核的大小減少到1×1，另一個改進是增加了不同卷積層之間的卷積連接。

6.根據(jù)權(quán)利要求1所述的基于高速公路監(jiān)控視頻的路面拋灑物檢測方法，其特征在于：上述網(wǎng)絡對完整圖像和圖像中的所有對象進行全局計算；置信度分數(shù)表示為IOU和Pr；的交集；IOU是預測框和任何地面真實框的交集與并集之比；IOU的計算公式如下所示：

Pr表示預測框中含拋灑物的可能性；如果預測框包含拋灑物，則Pr＝1,否則Pr＝0。

7.根據(jù)權(quán)利要求1所述的基于高速公路監(jiān)控視頻的路面拋灑物檢測方法，其特征在于：改進的YOLOv5模型的卷積層在合成數(shù)據(jù)集上進行訓練以獲得卷積層參數(shù)；分類模型采用第一種YOLOv5模型的20個卷積層；然后，將開發(fā)的模型寫入cfg文件中，其中卷積層參數(shù)被放入；然后，采用非極大抑制(NMS)方法對模型的參數(shù)進行優(yōu)化。經(jīng)過多次優(yōu)化，在驗證數(shù)據(jù)集上測試了計算精度；不斷優(yōu)化直到精度不再增加時停止。