CN111539363A - 一种公路落石识别分析方法 - Google Patents
一种公路落石识别分析方法 Download PDFInfo
- Publication number
- CN111539363A CN111539363A CN202010352541.6A CN202010352541A CN111539363A CN 111539363 A CN111539363 A CN 111539363A CN 202010352541 A CN202010352541 A CN 202010352541A CN 111539363 A CN111539363 A CN 111539363A
- Authority
- CN
- China
- Prior art keywords
- road
- road surface
- lane
- surface area
- lane line
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种公路落石识别分析方法,该方法包括建立U‑net深度学习网络模型,对训练样本数据进行训练;通过模型对公路路面区域进行道路面状区域的提取;采用object_detection算法将道路面状区域的提取情况进行识别;将识别完成的道路面状区域进行图像区域分类,得到像素级分类结果,并对不同类型目标进行不同颜色标注;将识别的数据分别通过灰度图转换、图像高斯平滑、车道线边缘检测、霍夫转换和线条提取进行道路车道线的识别。本发明通过利用object_detection算法,车道线识别算法分别得到车辆、行人、落石以及道路车道线的像素坐标值,分析得出公路路面落石所处位置、所处车道线位置以及所占路面面积的大小。
Description
技术领域
本发明涉及公路巡查技术领域,尤其涉及一种公路落石识别分析方法。
背景技术
公路是城镇之间可供汽车行驶的公共道路,公路建设对国土资源的开发、生产力的合理布局、区域间的合作、交通出行的便利和消费、生活水平的提高方面也都有巨大的影响。随着我国现代化建设事业的迅速发展,大量山区公路工程项目开工建设,山区公路路程不断增加,不可避免地形成了大量的边坡工程。而我国又是一个多山国家,特别是中西部地区,地形地质条件错综复杂,又多处于板块交界处,受地质活动影响很大,再加上气候和人类活动等方面的影响,在边坡区域危岩崩塌、滑坡等边坡自然灾害频发。危岩崩塌、滑坡等边坡自然灾害一旦发生,轻则造成交通堵塞,重则毁坏公路、村庄、河道,发生重大交通事故,给民众的生命财产安全带来极大的威胁。因此,积极做好边坡地质灾害防灾减灾工作,加大巡查力度,及时发现,及时预警,及时养护等工作显得尤为重要。但现阶段,山区公路安全巡检主要以人工巡检为主,巡检里程长、巡检周期长、巡检危险性高等特点决定了山区公路巡检的低效性,无法满足实际工程需要。
随着科学技术的不断进步与发展,图像采集技术、图像处理技术飞速发展,为视频、图像等信息的采集处理提供了强大的软硬件支持,先进的压缩编码算法大幅度提高了数据的压缩率。互联网技术、无线通信技术为图像、视频数据的传输提供了高速、可靠的传输路径。太阳能发电技术、风能发电技术为视频采集设备提供了稳定的电力供应。在基于远程视频采集的影像监管等领域,能够进行远程操控及数据传输的数字视频监控系统已全面取代传统的模拟视频监控系统,在交通、公安、民航、社会安全等公众服务领域迅速普及应用。
基于传统方法的人工道路安全巡检进行道路安全巡检,因其道路通达性、巡检人员数量、巡检重点区域的不同,导致了山区道路安全巡检工作存在巡检周期长的特点,对发生边坡落石、道路落石等危险情况的安全预警的时效性达不到实际应用需求。
基于远程数据采集系统的公路落石识别及预警,工作人员无需进行实地巡检,可根据远程的采集数据以及分析处理数据进行公路落石的实时监测及预警。但山区公路地处环境复杂、周边植被较多、传输信号不稳,以及针对山区公路落石的图像处理算法较少、成熟度不高、分析模型数据集数量不足等问题,导致了在山区公路落石的图像分析及监测预警的应用还存在误报警居高不下、实际操作性差等缺陷。
发明内容
为克服相关技术中存在的问题,本发明实施例提供一种公路落石识别分析方法,解决了公路落石识别算法精度欠缺问题以及公路落石训练数据集欠缺问题。
本发明实施例提供一种公路落石识别分析方法,包括以下步骤:
建立U-net深度学习网络模型,对训练样本数据进行训练。
通过模型对公路路面区域进行道路面状区域的提取。
采用object_detection算法将道路面状区域的提取情况进行识别。
将识别完成的道路面状区域进行图像区域分类,得到像素级分类结果,并对不同类型目标进行不同颜色标注。
将识别的数据分别通过灰度图转换、图像高斯平滑、车道线边缘检测、霍夫转换和线条提取进行道路车道线的识别。
利用object_detection算法,车道线识别算法分别得到车辆、行人、落石以及道路车道线的像素坐标值,分析得出公路路面落石所处位置、所处车道线位置以及所占路面面积的大小。
进一步地,采用形态学凸包进行计算,生成凸多边形,将道路区域像素点覆盖在内,并对原始图像数据进行裁剪,生成道路区域信息。
进一步地,识别包括道路区域内路面落石、车辆和行人的多目标信息。
进一步地,利用LabelImg工具对训练数据集进行手工描述,分别对落石、车辆和行人类别进行标注后生成训练模型,对输入信息进行多目标识别。
进一步地,通过高斯平滑算法将图像变模糊,将不重要的线条进行屏蔽;利用边缘检测算法对高斯平滑处理后数据进行边缘检测;利用霍夫变换进行车道线端点(x、y)的生成,对于多车道路面图像,根据车道线斜率大于小于零进行左车道和右车道的区分,利用加权平均方式进行平均斜率和截距的生成,得到符合真实形状的道路车道线。
进一步地,利用像素坐标值比对算法,对落石的最大、最小像素坐标值同道路车道线像素坐标值进行比对,公式如下:
Li(x,y)≤rock(x,y)≤Li+1(x,y)
其中,i为车道线,(x,y)为像素坐标值。
本发明的实施例提供的技术方案具有以下有益效果:利用object_detection算法,车道线识别算法分别得到车辆、行人、落石以及道路车道线的像素坐标值,分析得出公路路面落石所处位置、所处车道线位置以及所占路面面积的大小,并对道路可通过性进行评估,得到道路可通过性,为道路管理人员提供实时数据支撑,解决道路落石提取效果抗干扰性差的问题,提高提取精度,达到道路落石信息的快速、准确的识别;同时可提高道路落石灾害发生后,道路可通过性的定量评价,提高道路安全管控的精准性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是本发明实施例中公路落石识别分析方法的流程图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置及相关应用、方法的例子。
图1是本发明实施例中公路落石识别分析方法的流程图,如图1所示,该公路落石识别分析方法,包括以下步骤:
步骤101、建立U-net深度学习网络模型,对训练样本数据进行训练。
对训练样本数据进行弱监督分类标注的方式进行道路提取模型的训练,为提高模型的适用性以及提取精度,对训练样本采用MLS进行其形状变化,使U-net深度学习网络模型学习到形状的不变性,提高并模型的适用性。
利用LabelImg工具对训练数据集进行手工描述,分别对落石、车辆、行人等类别进行标注后生成训练模型,对输入信息进行多目标识别。
步骤102、通过模型对公路路面区域进行道路面状区域的提取。
采用形态学凸包进行计算,生成凸多边形,将道路区域像素点覆盖在内,并对原始图像数据进行裁剪,生成道路区域信息,明确落石识别范围,提高处理效率、增加识别精度。
步骤103、采用object_detection算法将道路面状区域的提取情况进行识别。
识别包括道路区域内路面落石、车辆和行人的多目标信息,可降低道路行驶车辆、行人等周边环境因素对落石目标识别的干扰,提高落石的识别精度。
步骤104、将识别完成的道路面状区域进行图像区域分类,得到像素级分类结果,并对不同类型目标进行不同颜色标注。
实现ymin、xmin、ymax、xmax、classes等信息的统计及分析,计算出每一识别目标的最大、最小像素坐标值以及种类。
步骤105、将识别的数据分别通过灰度图转换、图像高斯平滑、车道线边缘检测、霍夫转换和线条提取进行道路车道线的识别。
通过高斯平滑算法将图像变模糊,将不重要的线条进行屏蔽;利用边缘检测算法对高斯平滑处理后数据进行边缘检测;利用霍夫变换进行车道线端点(x、y)的生成,对于多车道路面图像,根据车道线斜率大于小于零进行左车道和右车道的区分,利用加权平均方式进行平均斜率和截距的生成,得到符合真实形状的道路车道线。
步骤106、利用object_detection算法,车道线识别算法分别得到车辆、行人、落石以及道路车道线的像素坐标值。
易发落石灾害道路大多为山区道路,通常为双向二车道或四车道;落石规模大小不一,对道路可通过性所产生的影响不同;山区道路较偏远,养护人员到达现场时间较长,对发生落石灾害后的道路通过性缺少定量评估,统一的封锁道路会降低道路的便利性。
通过对道路路面车道线进行识别,同落石识别结果进行对比分析,可明确落石的大小、具体位置、影响车道,并对道路可通过性进行评估,得到道路可通过性,为道路管理人员提供实时数据支撑。
步骤107、对坐标值分析得出公路路面落石所处位置、所处车道线位置以及所占路面面积的大小。
利用像素坐标值比对算法,对落石的最大、最小像素坐标值同道路车道线像素坐标值进行比对,公式如下:
Li(x,y)≤rock(x,y)≤Li+1(x,y)
其中,i为车道线,(x,y)为像素坐标值。
采用上述发明的实施例,利用object_detection算法,车道线识别算法分别得到车辆、行人、落石以及道路车道线的像素坐标值,分析得出公路路面落石所处位置、所处车道线位置以及所占路面面积的大小,并对道路可通过性进行评估,得到道路可通过性,为道路管理人员提供实时数据支撑,解决道路落石提取效果抗干扰性差的问题,提高提取精度,达到道路落石信息的快速、准确的识别;同时可提高道路落石灾害发生后,道路可通过性的定量评价,提高道路安全管控的精准性。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (7)
1.一种公路落石识别分析方法,其特征在于,包括以下步骤:
建立U-net深度学习网络模型,对训练样本数据进行训练;
通过模型对公路路面区域进行道路面状区域的提取;
采用object_detection算法将道路面状区域的提取情况进行识别;
将识别完成的道路面状区域进行图像区域分类,得到像素级分类结果,并对不同类型目标进行不同颜色标注;
将识别的数据分别通过灰度图转换、图像高斯平滑、车道线边缘检测、霍夫转换和线条提取进行道路车道线的识别;
利用object_detection算法,车道线识别算法分别得到车辆、行人、落石以及道路车道线的像素坐标值,分析得出公路路面落石所处位置、所处车道线位置以及所占路面面积的大小。
2.根据权利要求1所述的公路落石识别分析方法,其特征在于,所述通过模型对公路路面区域进行道路面状区域的提取还包括,采用形态学凸包进行计算,生成凸多边形,将道路区域像素点覆盖在内,并对原始图像数据进行裁剪,生成道路区域信息。
3.根据权利要求1所述的公路落石识别分析方法,其特征在于,采用object_detection算法将道路面状区域的提取情况进行识别,进一步地,识别包括道路区域内路面落石、车辆和行人的多目标信息。
4.根据权利要求1所述的公路落石识别分析方法,其特征在于,还包括,利用LabelImg工具对训练数据集进行手工描述,分别对落石、车辆和行人类别进行标注后生成训练模型,对输入信息进行多目标识别。
5.根据权利要求1所述的公路落石识别分析方法,其特征在于,进一步地,通过高斯平滑算法将图像变模糊,将不重要的线条进行屏蔽;利用边缘检测算法对高斯平滑处理后数据进行边缘检测;利用霍夫变换进行车道线端点(x、y)的生成,对于多车道路面图像,根据车道线斜率大于小于零进行左车道和右车道的区分,利用加权平均方式进行平均斜率和截距的生成,得到符合真实形状的道路车道线。
7.根据权利要求1所述的公路落石识别分析方法,其特征在于,还包括,利用像素坐标值比对算法,对落石的最大、最小像素坐标值同道路车道线像素坐标值进行比对,公式如下:
Li(x,y)≤rock(x,y)≤Li+1(x,y)
其中,i为车道线,(x,y)为像素坐标值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010352541.6A CN111539363A (zh) | 2020-04-28 | 2020-04-28 | 一种公路落石识别分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010352541.6A CN111539363A (zh) | 2020-04-28 | 2020-04-28 | 一种公路落石识别分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111539363A true CN111539363A (zh) | 2020-08-14 |
Family
ID=71967906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010352541.6A Pending CN111539363A (zh) | 2020-04-28 | 2020-04-28 | 一种公路落石识别分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111539363A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949617A (zh) * | 2021-05-14 | 2021-06-11 | 江西农业大学 | 农村道路类型识别方法、系统、终端设备及可读存储介质 |
CN113781776A (zh) * | 2021-08-19 | 2021-12-10 | 中铁桥研科技有限公司 | 一种山区施工便道行车调度方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809679A (zh) * | 2016-03-04 | 2016-07-27 | 李云栋 | 一种基于视觉分析的山区铁路边坡落石检测方法 |
CN106845424A (zh) * | 2017-01-24 | 2017-06-13 | 南京大学 | 基于深度卷积网络的路面遗留物检测方法 |
CN108932472A (zh) * | 2018-05-23 | 2018-12-04 | 中国汽车技术研究中心有限公司 | 一种基于车道线检测的自动驾驶行驶区域判别方法 |
US20200041284A1 (en) * | 2017-02-22 | 2020-02-06 | Wuhan Jimu Intelligent Technology Co., Ltd. | Map road marking and road quality collecting apparatus and method based on adas system |
CN110942024A (zh) * | 2019-11-26 | 2020-03-31 | 江苏天策机器人科技有限公司 | 一种基于深度学习的无人车路牙检测方法 |
-
2020
- 2020-04-28 CN CN202010352541.6A patent/CN111539363A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809679A (zh) * | 2016-03-04 | 2016-07-27 | 李云栋 | 一种基于视觉分析的山区铁路边坡落石检测方法 |
CN106845424A (zh) * | 2017-01-24 | 2017-06-13 | 南京大学 | 基于深度卷积网络的路面遗留物检测方法 |
US20200041284A1 (en) * | 2017-02-22 | 2020-02-06 | Wuhan Jimu Intelligent Technology Co., Ltd. | Map road marking and road quality collecting apparatus and method based on adas system |
CN108932472A (zh) * | 2018-05-23 | 2018-12-04 | 中国汽车技术研究中心有限公司 | 一种基于车道线检测的自动驾驶行驶区域判别方法 |
CN110942024A (zh) * | 2019-11-26 | 2020-03-31 | 江苏天策机器人科技有限公司 | 一种基于深度学习的无人车路牙检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949617A (zh) * | 2021-05-14 | 2021-06-11 | 江西农业大学 | 农村道路类型识别方法、系统、终端设备及可读存储介质 |
CN113781776A (zh) * | 2021-08-19 | 2021-12-10 | 中铁桥研科技有限公司 | 一种山区施工便道行车调度方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106845424B (zh) | 基于深度卷积网络的路面遗留物检测方法 | |
Riveiro et al. | Automatic segmentation and shape-based classification of retro-reflective traffic signs from mobile LiDAR data | |
Yu et al. | Automated detection of urban road manhole covers using mobile laser scanning data | |
CN105488454A (zh) | 基于单目视觉的前方车辆检测与测距 | |
CN106934374B (zh) | 一种雾霾场景中交通标识牌的识别方法及系统 | |
CN107944377B (zh) | 一种交通基础设施安全监控方法和系统 | |
CN108717540A (zh) | 基于2d激光雷达区分行人和车辆的方法及装置 | |
Ren et al. | YOLOv5s-M: A deep learning network model for road pavement damage detection from urban street-view imagery | |
CN111539363A (zh) | 一种公路落石识别分析方法 | |
CN110619258A (zh) | 一种基于高分辨率遥感影像的道路轨迹核查方法 | |
CN111209923A (zh) | 一种基于深度学习技术的渣土车是否盖盖识别方法 | |
Zhou et al. | Leveraging deep convolutional neural networks pre-trained on autonomous driving data for vehicle detection from roadside LiDAR data | |
CN112597926A (zh) | 基于fod影像对飞机目标的识别方法、设备、存储介质 | |
WO2021076573A1 (en) | Systems and methods for assessing infrastructure | |
CN103413131A (zh) | 基于光谱及几何特征的塔吊识别方法 | |
Guerrieri et al. | Flexible and stone pavements distress detection and measurement by deep learning and low-cost detection devices | |
Li et al. | Automated classification and detection of multiple pavement distress images based on deep learning | |
CN105160324A (zh) | 一种基于部件空间关系的车辆检测方法 | |
Jiang | A crack detection and diagnosis methodology for automated pavement condition evaluation | |
CN115527118A (zh) | 一种融合注意力机制的遥感图像目标检测方法 | |
Wang et al. | Application of road extraction from high-resolution remote sensing images in tourism navigation and GIS | |
Koloushani et al. | Introducing Automatic Control Method of Safety Standards in Horizontal Curves by Processing Images Taken by Mobile Mapping System. | |
CN112308135A (zh) | 基于深度学习的铁路动车撒砂管松脱故障检测方法 | |
Shao et al. | Crack detection and measurement using PTZ camera–based image processing method on expressways | |
CN114998770B (zh) | 一种公路标识提取方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |