CN112053380B - 一种基于语义分割网络的抛洒物检测方法与系统 - Google Patents
一种基于语义分割网络的抛洒物检测方法与系统 Download PDFInfo
- Publication number
- CN112053380B CN112053380B CN202010878598.XA CN202010878598A CN112053380B CN 112053380 B CN112053380 B CN 112053380B CN 202010878598 A CN202010878598 A CN 202010878598A CN 112053380 B CN112053380 B CN 112053380B
- Authority
- CN
- China
- Prior art keywords
- image
- preset
- updating
- judging
- real
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/254—Analysis of motion involving subtraction of images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30236—Traffic on road, railway or crossing
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于语义分割网络的抛洒物检测方法与系统,具体涉及道路检测领域,主要包括离线建模模块、在线背景获取模块和在线抛洒判断模块。本发明不用通过直接对抛洒物进行判断,而是通过运动目标的判断间接的判定抛洒物,提高了抛洒物的预检出率,同时采用双重背景和背景更新的策略来对预设背景图像进行更新,并通过候选判定区域、候选判定区域与预设背景图像的相似度判定,双重判定,提高了判定的准确度。
Description
技术领域
本发明涉及道路检测领域,具体涉及一种基于语义分割网络的抛洒物检测方法与系统。
背景技术
随着道路交通的发展,城际交通运输有了很大的提速,然而越来越多的货运车辆也造成了很多的问题,除了频发的追尾、碰撞事故,还存在货物掉落后车避让不及导致的交通事故的发生,因此除了规范行车行为外,对于意外抛洒物的检测也是交通安全的重要参考因素。
现有的交通道路抛洒物事件检测方法,大多数采用传统的人工提取特征的方式进行检测,例如SIFT角点特征、LBP纹理特征等,这种方式受到人为因素影响,当更换监测场景时,特征的泛化能力不足,抗干扰能力弱,不能很好的满足检测的要求。而深度学习方法能够有效解决这类问题。
在实际交通场景中,抛洒物的形态各式各样,包括有纸箱、木料、铁块、塑料壳体、遮雨布、轮胎皮等等,但因为这类素材量太少,如果直接通过对抛洒物进行训练学习,无疑难度系数很大,一是难以覆盖到所有的抛洒物类型,二是样本素材少,难以有效泛化未训练到的抛洒物,因而直接采用对抛洒物进行学习训练的方式难以有效实施,也无法适应当下的交通运输环境。
发明内容
为了使得对于道路抛洒物的检测能够快速适用于各种环境,同时优化抛洒物判断方法,本发明提出了一种基于语义分割网络的抛洒物检测方法,其通过对实时图像中的样本数据进行提取,分割出道路中的非运动目标区域,结合语义分割网络训练进行背景对比,实现抛洒物检测,包括三个部分:
A1:离线建模阶段,采集各监控环境、各时间段监控视频图像中的样本数据,并利用语义分割网络对样本数据进行训练学习,获得道路训练模型;
B1:在线背景获取阶段,基于背景建模的方法对实时图像进行运动目标提取和比值计算,并根据计算结果对预设背景图像和更新系数进行更新;
C1:在线抛洒判断阶段,根据道路训练模型将实时图像分割为区域图像,通过对区域图像中样本数据的判定获取候选判定区域,将候选判定区域与预设背景图像的相似度与预设阈值进行对比,获取抛洒物判断结果。
进一步地,所述各监控环境包括隧道、桥梁、外场、晴天、雨天、雾天、夜晚,所述样本数据包括车辆、行人、非机动车和道路路面,其中车辆、行人和非机动车为运动目标。
进一步地,所述A1具体分为以下几个步骤:
A1.1:采集各监控环境、各时间段监控视频图像中的样本数据;
A1.2:标注样本数据中的道路路面,保存道路路面的映射二值图像并与对应的监控视频图像对应;
A1.3:根据预设训练参数,利用语义分割网络对样本数据进行训练,获得道路训练模型。
进一步地,所述B1具体分为以下几个步骤:
B1.1:建立第一预设背景图像和第二预设背景图像并初始化,初始化第一更新系数和第二更新系数为标准值;
B1.2:根据实时图像利用背景建模的方法获取运动目标,计算运动目标在对应的实时图像中的比值,若比值小于第一更新系数,第一预设背景图像更新为当前实时图像,第一更新系数更新为当前比值,并在第一帧数段内重复执行该步骤;
B1.3:在第一帧数段后的第二帧数段中,利用上一步骤的方法更新第二预设背景图像和第二更新系数;
B1.4:每隔第二预设帧数重复步骤B1.2至B1.4,并每间隔第一预设帧数初始化第一更新系数和第二更新系数为标准值。
进一步地,所述步骤B1.2中,计算比值的方法具体为:
比值=运动目标面积/(width*height)
其中,width为实时图像的宽度,height为实时图像的高度。
进一步地,所述C1具体分为以下几个步骤:
C1.1:利用道路训练模型对实时图像进行分割,获得区域图像;
C1.2:对区域图像进行轮廓分析,提取含有样本数据的区域图像,判定是否含有运动目标,若无,则判定为候选判定区域并进入下一步骤;
C1.3:判断实时图像对应的帧数与第二预设背景图像对应的帧数的差值,若差值大于预设帧数,则下一步骤中预设背景图像选用第二预设背景图像,否则选用第一预设背景图像;
C1.4:计算候选判定区域与预设背景图像的相似度,若相似度小于预设阈值,则判定该候选判定区域为抛洒物。
一种基于语义分割网络的抛洒物检测系统,包括,离线建模模块、在线背景获取模块和在线抛洒判断模块,其中:
离线建模模块,用于采集各监控环境、各时间段监控视频图像中的样本数据,并利用语义分割网络对样本数据进行训练学习,获得道路训练模型;
在线背景获取模块,用于基于背景建模的方法对实时图像进行运动目标提取和比值计算,并根据计算结果对预设背景图像和更新系数进行更新;
在线抛洒判断模块,根据道路训练模型将实时图像分割为区域图像,通过对区域图像中样本数据的判定获取候选判定区域,将候选判定区域与预设背景图像的相似度与预设阈值进行对比,获取抛洒物判断结果。
进一步地,所述离线建模模块包括:
采集单元,用于采集各监控环境、各时间段监控视频图像中的样本数据;
标注单元,用于标注样本数据中的道路路面,保存道路路面的映射二值图像并与对应的监控视频图像对应;
训练单元,用于根据预设训练参数,利用语义分割网络对样本数据进行训练,获得道路训练模型。
进一步地,所述在线背景获取模块包括:
初始化单元,用于建立第一预设背景图像和第二预设背景图像并初始化,初始化第一更新系数和第二更新系数为标准值;
更新单元,用于根据实时图像利用背景建模的方法获取运动目标,计算运动目标在对应的实时图像中的比值,若比值小于第一更新系数,第一预设背景图像更新为当前实时图像,第一更新系数更新为当前比值,并在第一帧数段内重复执行;
更新单元,还用于利用相同方法更新第二预设背景图像和第二更新系数,并每隔第二预设帧数为一个更新周期;
复位单元,用于每间隔第一预设帧数初始化第一更新系数和第二更新系数为标准值。
进一步地,所述在线抛洒判断模块包括:
图像分割单元,用于利用道路训练模型对实时图像进行分割,获得区域图像;
候选判定单元,对区域图像进行轮廓分析,提取含有样本数据的区域图像,判定是否含有运动目标,若无,则判定为候选判定区域并进入下一步骤;
背景确认单元,用于判断实时图像对应的帧数与第二预设背景图像对应的帧数的差值,若差值大于预设帧数,则下一步骤中预设背景图像选用第二预设背景图像,否则选用第一预设背景图像;
抛洒判定单元,用于计算候选判定区域与预设背景图像的相似度,若相似度小于预设阈值,则判定该候选判定区域为抛洒物。
与现有技术相比,本发明至少含有以下有益效果:
(1)本发明所述的一种基于语义分割网络的抛洒物检测方法与系统,通过基于深度学习语义分割的方式分割道路路面区域,可以不用通过直接抛洒物的判断来确定抛洒物,而是通过运动目标的判定间接的判定抛洒物,提高了抛洒物的预检出率;
(2)采用双重背景和背景更新的策略,能够有效保证背景的实时有效性,避免抛洒物长期不处理被误以为常规样本数据记入背景图像中;
(3)通过候选区域的设置,再将候选区域与预设背景图像对比,增加了检测判断为抛洒物的置信度。
附图说明
图1为一种基于语义分割网络的抛洒物检测系统的模块示意图;
图2为离线建模阶段的步骤示意图;
图3为在线背景获取阶段的步骤示意图;
图4为在线抛洒判断阶段的步骤示意图。
具体实施方式
以下是本发明的具体实施例并结合附图,对本发明的技术方案作进一步的描述,但本发明并不限于这些实施例。
实施例一
为了使得对于道路抛洒物的检测能够快速适用于各种环境,同时优化抛洒物判断方法,本发明提出了一种基于语义分割网络的抛洒物检测方法,其通过对实时图像中的样本数据进行提取,分割出道路中的非运动目标区域,结合语义分割网络训练进行背景对比,实现抛洒物检测,包括三个部分:
A1:离线建模阶段,采集各监控环境、各时间段监控视频图像中的样本数据,并利用语义分割网络对样本数据进行训练学习,获得道路训练模型;
B1:在线背景获取阶段,基于背景建模的方法对实时图像进行运动目标提取和比值计算,并根据计算结果对预设背景图像和更新系数进行更新;
C1:在线抛洒判断阶段,根据道路训练模型将实时图像分割为区域图像,通过对区域图像中样本数据的判定获取候选判定区域,将候选判定区域与预设背景图像的相似度与预设阈值进行对比,获取抛洒物判断结果。
其中,所述各监控环境包括隧道、桥梁、外场、晴天、雨天、雾天、夜晚,所述样本数据包括车辆、行人、非机动车和道路路面,其中车辆、行人和非机动车为运动目标。
如图2所示,离线建模阶段的步骤包括:
A1.1:采集各监控环境、各时间段监控视频图像中的样本数据;
A1.2:标注样本数据中的道路路面,保存道路路面的映射二值图像并与对应的监控视频图像对应;
A1.3:根据预设训练参数,利用语义分割网络对样本数据进行训练,获得道路训练模型。
其中,在本实施例中,预设训练参数设置为图像宽度width=416,图像高度height=416,图像通道channel=3,学习率learningrate=0.001,学习率更新策略为步进式“step”,迭代次数iterate=320000次,每次迭代样本大小batchsize=64。
在对道路训练模型的构建过程中,充分考虑到不同环境因素对道路路面的画面信息提取的影响,通过将各种环境下的道路路面视频信息都加入到语义分割网络中进行训练,从而使得到的道路训练模型能够适用于各种环境下。
而在在线背景获取阶段,如图3所示,包括以下步骤:
B1.1:建立第一预设背景图像bk1和第二预设背景图像bk2并初始化,初始化第一更新系数λ1和第二更新系数λ2为标准值;
B1.2:根据实时图像(初始状态下第一帧Idx=1)利用背景建模的方法获取运动目标,计算运动目标在对应的实时图像中的比值β1,若比值小于第一更新系数,第一预设背景图像更新为当前实时图像,第一更新系数更新为当前比值,并在第一帧数段内重复执行该步骤;
B1.3:在第一帧数段后的第二帧数段中,利用上一步骤的方法(获取运动目标与实时图像的比值β2)更新第二预设背景图像和第二更新系数;
B1.4:每隔第二预设帧数重复步骤B1.2至B1.4,并每间隔第一预设帧数初始化第一更新系数和第二更新系数为标准值()。
所述步骤B1.2中,计算比值的方法具体为:
比值=运动目标面积/(width*height)
其中,width为实时图像的宽度,height为实时图像的高度。
而在本实施例中,标准值初始设置值为1,第一帧数段为200帧,第二帧数段为200帧,第一预设帧数为1800帧,第二预设帧数为200帧。
具体说明得,当实时图像的帧数∈[(n+0)*200+1,(n+1)*200]时(n=0,1,2,3…),该帧图像属于第一帧数段(也即是当(Idx/200)%2!=0时,该帧属于第一帧数段),此时执行B1.2步骤,否则,执行B1.3步骤。同时为了减少环境变化如光照等对背景图像的影响,设置第一预设帧数来对更新系数进行重置。
在确认好第一组预设背景图像和更新系数后,即可开始在线抛洒判断阶段,如图4所示,包括步骤:
C1.1:利用道路训练模型对实时图像进行分割,获得区域图像;
C1.2:对区域图像进行轮廓分析,提取含有样本数据的区域图像,判定是否含有运动目标,若无,则判定为候选判定区域并进入下一步骤;
C1.3:判断实时图像对应的帧数与第二预设背景图像对应的帧数的差值,若差值大于第二预设帧数,则下一步骤中预设背景图像选用第二预设背景图像,否则选用第一预设背景图像;
C1.4:计算候选判定区域与预设背景图像的相似度,若相似度小于预设阈值,则判定该候选判定区域为抛洒物。
其中,通过排除含有的样本数据为运动目标的区域图像,再与相应的预设背景图像进行相似度比对,可以不用通过直接抛洒物的判断来确定抛洒物,而是通过运动目标的判定间接的判定抛洒物,提高了抛洒物的预检出率。同时,采用双重背景和背景更新的策略,能够有效保证背景的实时有效性,避免抛洒物长期不处理被误以为是常规样本数据记入背景图像中。
进一步地,通过候选区域的设置,再将候选区域与预设背景图像对比,也即是二次判断,增加了检测判断为抛洒物的置信度。
实施例二
为了更好地对本发明有一个系统性的了解,除了实施例一中的方法步骤形式的说明,本实施例中再通过模块化的描述来对本发明进行功能性界定,如图1所示,一种基于语义分割网络的抛洒物检测系统,包括,离线建模模块、在线背景获取模块和在线抛洒判断模块,其中:
离线建模模块,用于采集各监控环境、各时间段监控视频图像中的样本数据,并利用语义分割网络对样本数据进行训练学习,获得道路训练模型;
在线背景获取模块,用于基于背景建模的方法对实时图像进行运动目标提取和比值计算,并根据计算结果对预设背景图像和更新系数进行更新;
在线抛洒判断模块,根据道路训练模型将实时图像分割为区域图像,通过对区域图像中样本数据的判定获取候选判定区域,将候选判定区域与预设背景图像的相似度与预设阈值进行对比,获取抛洒物判断结果。
其中,离线建模模块包括:
采集单元,用于采集各监控环境、各时间段监控视频图像中的样本数据;
标注单元,用于标注样本数据中的道路路面,保存道路路面的映射二值图像并与对应的监控视频图像对应;
训练单元,用于根据预设训练参数,利用语义分割网络对样本数据进行训练,获得道路训练模型。
在线背景获取模块包括:
初始化单元,用于建立第一预设背景图像和第二预设背景图像并初始化,初始化第一更新系数和第二更新系数为标准值;
更新单元,用于根据实时图像利用背景建模的方法获取运动目标,计算运动目标在对应的实时图像中的比值,若比值小于第一更新系数,第一预设背景图像更新为当前实时图像,第一更新系数更新为当前比值,并在第一帧数段内重复执行;
更新单元,还用于利用相同方法更新第二预设背景图像和第二更新系数,并每隔第二预设帧数为一个更新周期;
复位单元,用于每间隔第一预设帧数初始化第一更新系数和第二更新系数为标准值。
在线抛洒判断模块包括:
图像分割单元,用于利用道路训练模型对实时图像进行分割,获得区域图像;
候选判定单元,对区域图像进行轮廓分析,提取含有样本数据的区域图像,判定是否含有运动目标,若无,则判定为候选判定区域并进入下一步骤;
背景确认单元,用于判断实时图像对应的帧数与第二预设背景图像对应的帧数的差值,若差值大于预设帧数,则下一步骤中预设背景图像选用第二预设背景图像,否则选用第一预设背景图像;
抛洒判定单元,用于计算候选判定区域与预设背景图像的相似度,若相似度小于预设阈值,则判定该候选判定区域为抛洒物。
综上所述,本发明所述的一种基于语义分割网络的抛洒物检测方法与系统,通过基于深度学习语义分割的方式分割道路路面区域,可以不用通过直接抛洒物的判断来确定抛洒物,而是通过运动目标的判定间接的判定抛洒物,提高了抛洒物的预检出率。
采用双重背景和背景更新的策略,能够有效保证背景的实时有效性,避免抛洒物长期不处理被误以为常规样本数据记入背景图像中。而通过候选区域的设置,再将候选区域与预设背景图像对比(二次判定),更增加了检测判断为抛洒物的置信度。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (5)
1.一种基于语义分割网络的抛洒物检测方法,其特征在于,通过对实时图像中的样本数据进行提取,分割出道路中的非运动目标区域,结合语义分割网络训练进行背景对比,实现抛洒物检测,包括三个部分:
A1:离线建模阶段,采集各监控环境、各时间段监控视频图像中的样本数据,并利用语义分割网络对样本数据进行训练学习,获得道路训练模型;
B1:在线背景获取阶段,基于背景建模的方法对实时图像进行运动目标提取和比值计算,并根据计算结果对预设背景图像和更新系数进行更新;
C1:在线抛洒判断阶段,根据道路训练模型将实时图像分割为区域图像,通过对区域图像中样本数据的判定获取候选判定区域,将候选判定区域与预设背景图像的相似度与预设阈值进行对比,获取抛洒物判断结果;
所述B1具体分为以下几个步骤:
B1.1:建立第一预设背景图像和第二预设背景图像并初始化,初始化第一更新系数和第二更新系数为标准值;
B1.2:根据实时图像利用背景建模的方法获取运动目标,计算运动目标在对应的实时图像中的比值,若比值小于第一更新系数,第一预设背景图像更新为当前实时图像,第一更新系数更新为当前比值,并在第一帧数段内重复执行该步骤;
B1.3:在第一帧数段后的第二帧数段中,利用上一步骤的方法更新第二预设背景图像和第二更新系数;
B1.4:每隔第二预设帧数重复步骤B1.2至B1.4,并每间隔第一预设帧数初始化第一更新系数和第二更新系数为标准值;
计算比值的方法具体为:
比值=运动目标面积/(width*height)
其中,width为实时图像的宽度,height为实时图像的高度;
所述C1具体分为以下几个步骤:
C1.1:利用道路训练模型对实时图像进行分割,获得区域图像;
C1.2:对区域图像进行轮廓分析,提取含有样本数据的区域图像,判定是否含有运动目标,若无,则判定为候选判定区域并进入下一步骤;
C1.3:判断实时图像对应的帧数与第二预设背景图像对应的帧数的差值,若差值大于第二预设帧数,则下一步骤中预设背景图像选用第二预设背景图像,否则选用第一预设背景图像;
C1.4:计算候选判定区域与预设背景图像的相似度,若相似度小于预设阈值,则判定该候选判定区域为抛洒物。
2.如权利要求1所述的一种基于语义分割网络的抛洒物检测方法其特征在于,所述各监控环境包括隧道、桥梁、外场、晴天、雨天、雾天、夜晚,所述样本数据包括车辆、行人、非机动车和道路路面,其中车辆、行人和非机动车为运动目标。
3.如权利要求2所述的一种基于语义分割网络的抛洒物检测方法,其特征在于,所述A1具体分为以下几个步骤:
A1.1:采集各监控环境、各时间段监控视频图像中的样本数据;
A1.2:标注样本数据中的道路路面,保存道路路面的映射二值图像并与对应的监控视频图像对应;
A1.3:根据预设训练参数,利用语义分割网络对样本数据进行训练,获得道路训练模型。
4.一种基于语义分割网络的抛洒物检测系统,其特征在于,包括,离线建模模块、在线背景获取模块和在线抛洒判断模块,其中:
离线建模模块,用于采集各监控环境、各时间段监控视频图像中的样本数据,并利用语义分割网络对样本数据进行训练学习,获得道路训练模型;
在线背景获取模块,用于基于背景建模的方法对实时图像进行运动目标提取和比值计算,并根据计算结果对预设背景图像和更新系数进行更新;
在线抛洒判断模块,根据道路训练模型将实时图像分割为区域图像,通过对区域图像中样本数据的判定获取候选判定区域,将候选判定区域与预设背景图像的相似度与预设阈值进行对比,获取抛洒物判断结果;
所述在线背景获取模块包括:
初始化单元,用于建立第一预设背景图像和第二预设背景图像并初始化,初始化第一更新系数和第二更新系数为标准值;
更新单元,用于根据实时图像利用背景建模的方法获取运动目标,计算运动目标在对应的实时图像中的比值,若比值小于第一更新系数,第一预设背景图像更新为当前实时图像,第一更新系数更新为当前比值,并在第一帧数段内重复执行;
更新单元,还用于利用相同方法更新第二预设背景图像和第二更新系数,并每隔第二预设帧数为一个更新周期;
复位单元,用于每间隔第一预设帧数初始化第一更新系数和第二更新系数为标准值;
计算比值的方法具体为:
比值=运动目标面积/(width*height)
其中,width为实时图像的宽度,height为实时图像的高度;
所述在线抛洒判断模块包括:
图像分割单元,用于利用道路训练模型对实时图像进行分割,获得区域图像;
候选判定单元,对区域图像进行轮廓分析,提取含有样本数据的区域图像,判定是否含有运动目标,若无,则判定为候选判定区域并进入下一步骤;
背景确认单元,用于判断实时图像对应的帧数与第二预设背景图像对应的帧数的差值,若差值大于预设帧数,则下一步骤中预设背景图像选用第二预设背景图像,否则选用第一预设背景图像;
抛洒判定单元,用于计算候选判定区域与预设背景图像的相似度,若相似度小于预设阈值,则判定该候选判定区域为抛洒物。
5.如权利要求4所述的一种基于语义分割网络的抛洒物检测系统,其特征在于,所述离线建模模块包括:
采集单元,用于采集各监控环境、各时间段监控视频图像中的样本数据;
标注单元,用于标注样本数据中的道路路面,保存道路路面的映射二值图像并与对应的监控视频图像对应;
训练单元,用于根据预设训练参数,利用语义分割网络对样本数据进行训练,获得道路训练模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010878598.XA CN112053380B (zh) | 2020-08-27 | 2020-08-27 | 一种基于语义分割网络的抛洒物检测方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010878598.XA CN112053380B (zh) | 2020-08-27 | 2020-08-27 | 一种基于语义分割网络的抛洒物检测方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112053380A CN112053380A (zh) | 2020-12-08 |
CN112053380B true CN112053380B (zh) | 2023-04-18 |
Family
ID=73599385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010878598.XA Active CN112053380B (zh) | 2020-08-27 | 2020-08-27 | 一种基于语义分割网络的抛洒物检测方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112053380B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006056743A1 (en) * | 2004-11-25 | 2006-06-01 | British Telecommunications Public Limited Company | Method and system for initialising a background model |
CN106297278A (zh) * | 2015-05-18 | 2017-01-04 | 杭州海康威视数字技术股份有限公司 | 一种用于查询抛洒物车辆的方法和系统 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10373320B2 (en) * | 2017-03-17 | 2019-08-06 | Uurmi Systems PVT, LTD | Method for detecting moving objects in a video having non-stationary background |
-
2020
- 2020-08-27 CN CN202010878598.XA patent/CN112053380B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006056743A1 (en) * | 2004-11-25 | 2006-06-01 | British Telecommunications Public Limited Company | Method and system for initialising a background model |
CN106297278A (zh) * | 2015-05-18 | 2017-01-04 | 杭州海康威视数字技术股份有限公司 | 一种用于查询抛洒物车辆的方法和系统 |
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 |
Non-Patent Citations (2)
Title |
---|
Abandoned or removed object detection from visual surveillance: a review;Tripathi, Rajesh Kumar,et al.;《Multimedia Tools & Applications》;20191231;全文 * |
面向高速公路抛洒物检测的动态背景建模方法;夏莹杰 等;《浙江大学学报》;20200703;第54卷(第7期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112053380A (zh) | 2020-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112347993B (zh) | 一种基于车辆-无人机协同的高速公路车辆行为和轨迹预测方法 | |
CN111104903B (zh) | 一种深度感知交通场景多目标检测方法和系统 | |
CN104376554B (zh) | 一种基于图像纹理的违章停车检测方法 | |
Liu et al. | A survey of vision-based vehicle detection and tracking techniques in ITS | |
CN104134222A (zh) | 基于多特征融合的车流监控图像检测和跟踪系统及方法 | |
CN109697420A (zh) | 一种面向城市交通的移动目标检测及跟踪方法 | |
CN111580131B (zh) | 三维激光雷达智能车在高速公路上识别车辆的方法 | |
CN108416316B (zh) | 一种黑烟车的检测方法及系统 | |
CN110348332B (zh) | 一种交通视频场景下机非人多目标实时轨迹提取方法 | |
CN101727748A (zh) | 一种基于车辆尾灯检测的车辆监控方法、系统和设备 | |
Billones et al. | Intelligent system architecture for a vision-based contactless apprehension of traffic violations | |
Marcomini et al. | A comparison between background modelling methods for vehicle segmentation in highway traffic videos | |
CN103077387B (zh) | 视频中货运列车车厢自动检测方法 | |
CN111259796A (zh) | 一种基于图像几何特征的车道线检测方法 | |
Shi et al. | Weather recognition based on edge deterioration and convolutional neural networks | |
CN113763427A (zh) | 一种基于从粗到精遮挡处理的多目标跟踪方法 | |
CN110533692B (zh) | 一种面向无人机航拍视频中移动目标的自动跟踪方法 | |
CN112053380B (zh) | 一种基于语义分割网络的抛洒物检测方法与系统 | |
Ren et al. | Automatic measurement of traffic state parameters based on computer vision for intelligent transportation surveillance | |
CN115223106A (zh) | 一种融合差分视频序列和卷积神经网络的抛洒物检测方法 | |
CN117351702A (zh) | 一种基于车流量进行调节的智慧交通管理方法 | |
CN112818935A (zh) | 基于深度学习的多车道拥堵检测及持续时间预测方法及系统 | |
CN114612506B (zh) | 一种简易高效抗干扰的高空抛物轨迹识别与定位方法 | |
Deng et al. | Vision based adaptive traffic signal control system development | |
Zhu et al. | A method of lane detection and tracking for expressway based on ransac |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |