CN112149649B - 一种道路抛洒物检测方法、计算机设备及存储介质 - Google Patents
一种道路抛洒物检测方法、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112149649B CN112149649B CN202011328962.1A CN202011328962A CN112149649B CN 112149649 B CN112149649 B CN 112149649B CN 202011328962 A CN202011328962 A CN 202011328962A CN 112149649 B CN112149649 B CN 112149649B
- Authority
- CN
- China
- Prior art keywords
- block
- image sub
- image
- road
- projectile
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Abstract
本发明提供了一种道路抛洒物检测方法、计算机设备及存储介质,所述道路抛洒物检测方法包括:获取待检测图像;基于预设的目标检测算法从所述待检测图像中识别车辆,获得包含所述车辆的第一图像子块和第二图像子块,所述第二图像子块的面积大于所述第一图像子块的面积;提取所述第二图像子块中的前景对象,生成包含所述前景对象的第三图像子块;计算所述第三图像子块与所述第一图像子块的相似度;当所述相似度小于或等于预设值时,判定有抛洒物。本发明可以准确判断是否存在道路抛洒物。
Description
技术领域
本发明涉及计算机视觉技术领域,具体而言,涉及一种道路抛洒物检测方法、计算机设备及存储介质。
背景技术
随着城市道路的快速发展,道路安全成为交通领域不可忽视的关键问题,抛洒物是威胁道路安全的主要原因之一,在路上的异常抛洒物如果没有被及时清理,会造成严重的安全隐患。因此需要判断道路上是否存在抛洒物,以及时通知工作人员去现场清理。
存在一种抛洒物检测方式,其首先提取道路图像中的前景物体,再进一步判断提取的前景物体是否为抛洒物,这种抛洒物检测方式容易受光线、图像位置等因素的影响,准确性较低。
发明内容
本发明解决的问题是如何准确判断道路上是否存在抛洒物。
为解决上述问题,本发明提供一种道路抛洒物检测方法,包括:
获取待检测图像;基于预设的目标检测算法从所述待检测图像中识别车辆,获得包含所述车辆的第一图像子块和第二图像子块,所述第二图像子块的面积大于所述第一图像子块的面积;提取所述第二图像子块中的前景对象,生成包含所述前景对象的第三图像子块;计算所述第三图像子块与所述第一图像子块的相似度;当所述相似度小于或等于预设值时,判定有抛洒物。
相对于现有技术,本发明的道路抛洒物检测方法使用预设的目标检测算法检测出车辆,对车辆进行识别,保证准确识别出车辆;获得包含车辆的第一图像子块和第二图像子块,用于缩小所要处理的图像的尺寸,减少计算量;基于第三图像子块与第一图像子块判断是否有抛洒物,保证识别所有类型的抛洒物,不需要多个训练集大量训练。
可选地,所述计算所述第三图像子块与所述第一图像子块的相似度包括:计算所述第三图像子块与所述第一图像子块的交并比值,其中,所述交并比值表示所述相似度。
由此,以交并比的比值量化相似度,作为判断是否有抛洒物的依据。
可选地,所述第二图像子块的长为所述第一图像子块的长的n倍,所述第二图像子块的宽为所述第一图像子块的宽的m倍,其中,m≥1,n≥1。
由此,第二图像子块包含了第一图像子块的所有信息,并在此基础上增加了车辆周围的区域,可以避免漏检。
可选地,所述提取所述第二图像子块中的前景对象,生成包含所述前景对象的第三图像子块包括:将所述第二图像子块的RGB颜色空间数值转换成HSV颜色空间中的数值;将所述第二图像子块使用背景差分法剔除背景部分,获得所述前景对象;获得所述第三图像子块。
由此,可以减少自然光线对检测结果的影响,第三图像子块的获得可以减少背景对检测结果的影响。
可选地,所述目标检测算法包括YOLOv4算法,所述第一图像子块为所述YOLOv4算法输出的所述车辆在所述待检测图像上的像素坐标检测框限定的图像。
由此,YOLOv4算法用于快速准确地识别车辆,并将车辆进行框选,有利于确定第二图像子块。
可选地,所述当所述相似度小于或等于预设值时,判定有抛洒物之后,还包括:当所述抛洒物面积大于第一预设值时,基于预设的目标跟踪算法,跟踪所述抛洒物,确定所述抛洒物的位置信息。
由此,跟踪具有一定大小的抛洒物,用于节省算力。
可选地,所述当所述相似度小于或等于预设值时,判定有抛洒物之后,还包括:基于预设的目标跟踪算法,跟踪所述抛洒物;当连续预设数量帧图像内所述抛洒物的位移小于或等于第二预设值时,停止跟踪所述抛洒物,并确定所述抛洒物当前的位置信息。
由此,抛洒物静止时立刻停止跟踪,利于节省算力跟踪记录其他抛洒物的位置信息。
可选地,所述预设的目标跟踪算法为SiamFC算法。
由此,可以保证目标跟踪具有较高的计算速度与识别精度。
本发明还提出一种计算机设备,包括存储有计算机程序的计算机可读存储介质和处理器,所述计算机程序被所述处理器读取并运行时,实现如上所述的道路抛洒物检测方法。
所述计算机设备相对于现有技术与所述道路抛洒物检测方法所具有的优势相同,在此不再赘述。
本发明还提出一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器读取并运行时,实现如上所述的道路抛洒物检测方法。
所述计算机可读存储介质相对于现有技术与所述道路抛洒物检测方法所具有的优势相同,在此不再赘述。
附图说明
图1为本发明道路抛洒物检测方法一实施例示意图;
图2为本发明道路抛洒物检测方法步骤S300细化后的一实施例示意图;
图3为本发明道路抛洒物检测方法步骤S500后续步骤的一实施例示意图;
图4为本发明道路抛洒物检测方法另一实施例示意图;
图5为本发明道路抛洒物检测方法又一实施例示意图;
图6为本发明计算机设备一实施例示意图;
图7位本发明道路抛洒物检测方法一实施例示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
为便于理解本发明的技术内容和优势,首先介绍两种不同的道路抛洒物检测方法。一种是基于前景检测的道路抛洒物检测方法,首先将根据道路图像提取背景,在此基础上进行前景物体的提取,随后对提取的前景物体进行进一步判断是否为抛洒物,这种方法的鲁棒性较差,因真实路面情况非常复杂,不同的光照强度、阴影遮挡等都会严重影响这类方法的检测结果。另一种是基于机器学习算法的道路抛洒物检测方法,此种方法需要大量人工标注过的数据作为训练集,但是由于抛洒物的种类多种多样,训练出能够完全涵盖所有种类的抛洒物的模型是不现实的,因此会出现漏检和误检的情况,难以满足实际检测需求。
本发明提出一种道路抛洒物检测方法。
图1为本发明道路抛洒物检测方法一实施例的流程示意图。参照图1,所述道路抛洒物检测方法包括:
步骤S100,获取待检测图像。
待检测图像指道路图像,可从道路监控视频/图像中获取,此处的道路监控视频指以道路为拍摄对象的实时视频。
由于道路抛洒物的出现是一个较为随机的事件,因此,可获取连续的图像帧,对获取的每帧待检测图像,均执行步骤S100-S500对应的道路抛洒物检测程序,以保证及时检测出道路上的抛洒物。待检测图像可以是视频中的每一帧,也可以从预设间隔的帧中抽取,例如,从视频中每隔两帧或三帧抽取一帧作为待检测图像,用于减少计算量,减少相应计算机设备的存储压力。一实施方式中,待检测图像的抽取频率可随时间变化,例如,由于早六点至早八点是通勤高峰期,所以获取视频中的所有帧作为待检测图像,而早十点至十一点是通勤低谷期,所以,每隔三帧抽取一帧图像作为待检测图像。
步骤S200,基于预设的目标检测算法从所述待检测图像中识别车辆,获得包含所述车辆的第一图像子块和第二图像子块,所述第二图像子块的面积大于所述第一图像子块的面积。
基于待检测图像进行车辆识别,因车辆外形特征单一,使用现有的目标检测算法完全可以保证车辆识别具有较高的准确性。预设的目标检测算法可选为YOLO系列目标算法,如YOLOv1算法、YOLOv2算法、YOLOv3算法、YOLOv4算法,也可为其他目标检测算法如Faster R-CNN算法,因上述目标检测算法均为现有算法,此处不赘述。
在识别出待检测图像中的车辆后,对单个的车辆对象,获得包含该单个车辆对象的第一图像子块和第二图像子块,其中,第一图像子块为车辆的外接多边形框(可为矩形框)所限定的图像,第二图像子块的面积大于第一图像子块的面积,则第二图像子块不仅包含车辆,还包含车辆周边区域的事物(如抛洒物、其他车辆部位等)。
一实施方式中,预设的目标检测算法为YOLOv4算法,第一图像子块为YOLOv4算法输出的车辆在所述待检测图像上的像素坐标检测框限定的图像。一实施方式中,第二图像子块可选为以第一图像子块同中心点的、长宽均分别为第一图像子块长宽p倍的框在待检测图像上限定的图像。
因抛洒物在道路上,而车辆行驶在道路上,所以抛洒物一定会出现在车辆的周边,例如,抛洒物在一行驶车道中间位置,则车辆行驶在该车道时,总有一个时刻抛洒物会出现在车辆的前边缘位置,因为会检测各个时刻的图像帧,所以抛洒物在车辆前边缘位置的图像也会作为待检测图像进行检测,因而通过先检测车辆位置,锁定车辆位置即可检测出抛洒物。而因抛洒物总有一个时刻会出现在车辆周边,通过设置第二图像子块,将抛洒物检测位置限定在车辆周边,既可以降低计算量,也可以保证检测出抛洒物。
步骤S300,提取所述第二图像子块中的前景对象,生成包含所述前景对象的第三图像子块。
其中,提取出第二图像子块中的前景对象,即分离出第二图像子块中不属于道路本身的元素,如车辆。相应地,第三图像子块只包含前景对象,所述前景对象包括车辆和可能存在于车辆周围的抛洒物,便于对抛洒物的检测。
从第二图像子块中提取的前景对象可能有多个,则基于每个前景对象分别生成各自对应的第三图像子块,其中,每个第三图像子块仅包含一个完整前景对象。
可选地,如图2,步骤S300包括:
步骤S301,将所述第二图像子块的RGB颜色空间数值转换成HSV颜色空间中的数值。
自然环境下获取的图像容易受自然光照、遮挡和阴影等情况的影响,即对亮度比较敏感。在计算机视觉领域中,通常图像是用RGB颜色空间表示,而 RGB 颜色空间的三个分量都与亮度密切相关,即只要亮度改变,三个分量都会随之相应地改变。因此本发明道路抛洒物检测方法采用HSV颜色空间表示图像,将第二图像子块的RGB颜色空间数值转换成HSV颜色空间中的数值,可以有效减小光照、阴影等自然环境的影响,保证鲁棒性,提升抛洒物检测的稳定性。
步骤S302,将所述第二图像子块使用背景差分法剔除背景部分,获得所述第二图像子块中的前景对象。
可提取道路背景图像,将道路背景图像的RGB颜色空间数值也转换成HSV颜色空间中的数值,再将第二图像子块与道路背景图像进行差分对比,得到第二图像子块中的前景对象。其中,使用混合高斯背景建模算法获取道路背景图像,混合高斯背景建模为:使用多个高斯模型来表征图像中各个像素点的特征,在新一帧图像获得后更新混合高斯模型。用当前图像中的每个像素点与混合高斯模型匹配,如果成功则判定该点为背景点,否则为前景点。
混合高斯模型可以适应光照渐变对背景的影响,相较于单高斯模型增加了鲁棒性,本发明在此使用混合高斯背景建模,利用本算法能适应光照的优点,从待检测图像中提取出道路背景图像,以便于后续从第二图像子块中提取出前景对象。
步骤S303,生成包含所述前景对象的第三图像子块。
从第二图像子块中提取的前景对象可能有多个,则基于每个前景对象分别生成各自对应的第三图像子块,其中,每个第三图像子块仅包含一个完整前景对象。
由此,第二图像子块剔除了背景部分,只包含前景对象,在检测时排除了背景带来的影响,提高抛洒物检测的准确性,另外,前景对象包括车辆与可能存在的抛洒物,本步骤为后续步骤S400提供了图像基础。
步骤S400,计算所述第三图像子块与所述第一图像子块的相似度。
使用相似度检测算法计算第三图像子块与第一图像子块之间的相似程度,进一步检测判断是否有道路抛洒物。其中,在第三图像子块有多个时,分别计算每个第三图像子块与第一图像子块的相似度。
可选地,所述步骤S400包括:计算所述第三图像子块与所述第一图像子块的交并比值,其中,所述交并比值表示所述相似度。其中,交并比表示第三图像子块与第一图像子块的边框的交集和并集的比值,用来表示两个边框的相似性,比值越大,说明两个边框越接近,反之说明两个边框相差很大。
可选地,当步骤S200中在同一待检测图像里检测并得到多个第一图像子块时,对应获得、分离出相应的第二图像子块与第三图像子块,此时步骤S400执行的交并比规则为:将对应同一车辆的第三图像子块与第一图像子块计算交并比,得出交并比值,进入步骤S500。
步骤S500,当所述相似度小于或等于预设值时,判定有抛洒物。
当第三图像子块有多个时,对同一车辆,可得到多个相似度,则只要有一个相似度小于或等于预设值,就判断该车辆旁有抛洒物。当第三图像子块包含的前景对象即为车辆时,其与第一图像子块的相似度会较大,当第三图像子块包含的前景对象不是车辆时,很可能是车辆周围的抛洒物,此时其与第一图像子块的相似度会较小。基于此,即可判断抛洒物是否存在。
本发明的道路抛洒物检测方法使用预设的目标检测算法检测出车辆,对车辆进行识别,保证准确识别出车辆;获得包含车辆的第一图像子块和第二图像子块,用于缩小所要处理的图像的尺寸,减少计算量;基于第三图像子块与第一图像子块判断是否有抛洒物,保证识别所有类型的抛洒物,不需要多个训练集大量训练。
可选地,步骤S200还包括:
步骤S201,第二图像子块的长为所述第一图像子块的长的n倍,所述第二图像子块的宽为所述第一图像子块的宽的m倍,其中,m≥1,n≥1。
一实施方式中,第一图像子块和第二图像子块均为矩形。第一图像子块和第二图像子块的中心可重合。第一图像子块仅包含车辆,第二图像子块包含车辆及车辆周边一定面积的区域。如果存在抛洒物,则一定是从车辆的前后左右等方位出现,通过划分第二图像子块作为重点检测区域,有利于减少对抛洒物检测的计算量。
可选地,m=2,n=2,即第二图像子块的长和宽均为第一图像子块的2倍,在本取值下,第二图像子块的大小正合适,执行所述步骤S200时可以有效避免取值太小造成的漏检,提高对道路上抛洒物检测的准确性;也可以避免因取值太大而造成的冗余计算,减轻道路抛洒物检测装置的负载压力。
可选地,步骤S500之后,还包括:
步骤S600,当所述抛洒物面积大于第一预设值时,基于预设的目标跟踪算法,跟踪所述抛洒物,确定所述抛洒物的位置信息。
步骤S500的判断过程中,可能会出现误判的情况,或者由于抛洒物过小而无需进行后续处理,所以,在检测到所述抛洒物时,只有当所述抛洒物的面积大于预设值时,才会被判断为可以进行后续处理的目标。
一实施方式中,通过执行步骤S500检测到存在抛洒物,则基于预设的目标跟踪算法跟踪抛洒物,同时计算该抛洒物的面积,其中抛洒物面积计算方式为:抛洒物检测框坐标为(x1,y1,x2,y2),x1,y1表示检测框的左上角像素坐标,x2,y2表示检测框的右下角像素坐标,抛洒物面积为S = (x2-x1)*(y2-y1)。在计算出抛洒物的面积后,若抛洒物面积大于第一预设值,则使用预设的目标跟踪算法跟踪抛洒物,并且记录抛洒物的位置信息,定位抛洒物,由此,可以跟踪体积较大的抛洒物,并在跟踪的同时,输出抛洒物的位置用于通知相关人员清理道路抛洒物,可选地,也可在检测到抛洒物位移小于一定值,抛洒物位置趋近不动时,终止跟踪该抛洒物并输出抛洒物当前的位置,以通知相关人员清理道路抛洒物。若抛洒物面积小于第一预设值,则可终止跟踪该抛洒物,也无需通知相关人员,以避免不必要的资源浪费。
可选地,如图3,步骤S500之后,还包括:
步骤S610,基于预设的目标跟踪算法,跟踪所述抛洒物。
可选地,预设的目标跟踪算法为SiamFC算法、MeanShift算法或KCF跟踪算法等。
可将连续的待检测图像或待检测图像对应的视频作为目标跟踪算法的输入,以确定抛洒物的具体位置,可记录抛洒物的具体位置,并可通过前后待检测图像中抛洒物的位置得出抛洒物的位移变化量,可以抛洒物的中心坐标表示抛洒物的具体位置,抛洒物检测框坐标为(x1,y1,x2,y2),则抛洒物中心坐标为:((x1+x2)/2, (y1+y2)/2)。
步骤S611,当连续预设数量帧图像内所述抛洒物的位移小于或等于第二预设值时,停止跟踪所述抛洒物,并确定所述抛洒物当前的位置信息。
当连续预设数量帧图像内抛洒物的位移小于或等于第二预设值时,说明抛洒物趋近于静止状态,此时抛洒物的位置相对固定,可停止跟踪抛洒物,并确定此时抛洒物的位置信息。
可选地,抛洒物的位置信息可以待检测图像中的固定标志物为参照点。
一实施方式中,固定标志物可选为公交站牌或交通标志牌或红绿灯或路边灯杆等,例如,当抛洒物的位移小于或等于第二预设值,即抛洒物趋近于静止时,停止跟踪抛洒物,此时抛洒物定位在公交站牌左侧位置,可输出抛洒物在公交站牌左侧至相关人员或后台。
另一实施方式中,在待检测图像建立平面直角坐标系,从而确定抛洒物的位置信息。如图7,以待检测图像左下角为原点,建立如图所示的平面直角坐标系,当抛洒物趋近于静止时,停止跟踪抛洒物,将此时抛洒物的位置信息通过坐标形式发送给后台,以此定位抛洒物的位置。
可选地,在确定存在抛洒物后立即向后台报告危险信号,后台推送短信给相关人员,也可在判定抛洒物趋于静止,停止跟踪抛洒物后,将抛洒物最后的位置发送给相关人员。
第二预设值的取值范围为[0,0.5]米。预设数量帧可选为30帧至60帧。
由此,可以第一时间通知清洁人员清理抛洒物,减少道路抛洒物对交通的影响;报告危险信号的同时停止跟踪抛洒物,节省算力判断或跟踪其他抛洒物。
在本发明的一实施例中,如图4或5所示,首先获取交通监控视频流作为道路抛洒物检测的输入来源,选取视频中的图像帧作为待检测图像后,在本实施例中,使用混合高斯背景建模算法作为提取道路背景的算法。再用基于YOLOv4的目标检测算法检测待检测图像中的车辆。其中,本实施例中的YOLOv4算法是提前使用人工标注过的车辆的数据作为训练集,以训练出可以准确识别车辆的模型。由于抛洒物的形状、大小、颜色都是不确定的,因此不能直接用YOLOv4检测抛洒物。
在YOLOv4目标检测模型从图像中检测到机动车后,会得到第一图像子块,具体地,在本实施例中,第一图像子块为机动车在图像上的像素坐标检测框(矩形框),以此来定位机动车位置。如果存在抛洒物,则一定是从机动车的前后左右等方位出现,因此可以重点关注第一图像子块的周围像素,设定为第二图像子块。在本实施例中,第二图像子块以第一图像子块为中心,长和宽均为第一图像子块的2倍。自然环境下获取的图像容易受自然光照、遮挡和阴影等情况的影响,而 RGB 颜色空间的三个分量都与亮度密切相关,因此本实施例中将第二图像子块的RGB数值转换成HSV颜色空间中的数值,可以有效减小光照、阴影等自然环境的影响。在此基础上将第二图像子块与提取到的背景进行差分对比,提取出与背景不同的部分,作为第三图像子块,即待检测目标。此时待检测目标可能只包含机动车或者包含机动车和抛撒物。之后将待检测目标与第一图像子块进行对比,使用交并比算法计算相似度大小,得出交并比的比值,若交并比的比值大于预设值,则说明待检测目标与第一图像子块很接近,因此排除抛洒物的可能;反之,则说明车辆周围存在抛洒物。第二图像子块的设定可以大大缩小提取待检测目标的范围,提高算法运行效率。
在确定车辆周围存在抛洒物后,最终还需要确定抛洒物落在道路上的位置。本实施例采用SiamFC目标跟踪算法对检测到的抛撒物进行跟踪。该算法以所有检测到本抛洒物的图像帧作为输入,在确定目标后可以在后续图像帧中跟踪目标的位置并记录跟踪位置信息。若抛洒物大于第一预设值才作为抛撒物,继续跟踪,否则取消跟踪。在本实施例中,计算连续30帧内抛撒物中心的位移变化,根据抛洒物位移的变化可以判断抛洒物是否静止,如果抛洒物的位移大于第二预设值,说明抛洒物还在运动中;若抛洒物的位移小于第二预设值,则停止跟踪所述抛洒物。在本实施例中,确定抛洒物后立即向后台报告危险信号,后台推送短信给相关人员。短信内容包括监控摄像头的地理坐标信息以及危险抛洒物当前的位置信息,方便清理人员快速找到抛洒物并清理。
另一方面,如图6,本发明提供一种计算机设备,包括存储有计算机程序的计算机可读存储介质和处理器,所述计算机程序被所述处理器读取并运行时实现如上所述的道路抛洒物检测方法。
本发明计算机设备相对于现有技术所具有的有益效果与上述道路抛洒物检测方法一致,此处不赘述。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器读取并运行时,实现如上所述的道路抛洒物检测方法。
本发明计算机可读存储介质相对于现有技术所具有的有益效果与上述道路抛洒物检测方法一致,此处不赘述。
虽然本公开披露如上,但本公开的保护范围并非仅限于此。本领域技术人员在不脱离本公开的精神和范围的前提下,可进行各种变更与修改,这些变更与修改均将落入本发明的保护范围。
Claims (9)
1.一种道路抛洒物检测方法,其特征在于,包括:
获取待检测图像;
基于预设的目标检测算法从所述待检测图像中识别车辆,获得包含所述车辆的第一图像子块和第二图像子块,所述第二图像子块的面积大于所述第一图像子块的面积;
提取所述第二图像子块中的前景对象,生成包含所述前景对象的第三图像子块;
计算所述第三图像子块与所述第一图像子块的相似度,包括,计算所述第三图像子块与所述第一图像子块的交并比值,其中,所述交并比值表示所述相似度;
当所述相似度小于或等于预设值时,判定有抛洒物。
2.根据权利要求1所述的道路抛洒物检测方法,其特征在于,所述第二图像子块的长为所述第一图像子块的长的n倍,所述第二图像子块的宽为所述第一图像子块的宽的m倍,其中,m≥1,n≥1。
3.根据权利要求1所述的道路抛洒物检测方法,其特征在于,所述提取所述第二图像子块中的前景对象,生成包含所述前景对象的第三图像子块包括:
将所述第二图像子块的RGB颜色空间数值转换成HSV颜色空间中的数值;
将所述第二图像子块使用背景差分法剔除背景部分,获得所述第二图像子块中的前景对象;
生成包含所述前景对象的第三图像子块。
4.根据权利要求1至3任一所述的道路抛洒物检测方法,其特征在于,所述目标检测算法包括YOLOv4算法,所述第一图像子块为所述YOLOv4算法输出的所述车辆在所述待检测图像上的像素坐标检测框限定的图像。
5.根据权利要求4所述的道路抛洒物检测方法,其特征在于,所述当所述相似度小于或等于预设值时,判定有抛洒物之后,还包括:
当所述抛洒物面积大于第一预设值时,基于预设的目标跟踪算法,跟踪所述抛洒物,确定所述抛洒物的位置信息。
6.根据权利要求4所述的道路抛洒物检测方法,其特征在于,所述当所述相似度小于或等于预设值时,判定有抛洒物之后,还包括:
基于预设的目标跟踪算法,跟踪所述抛洒物;
当连续预设数量帧图像内所述抛洒物的位移小于或等于第二预设值时,停止跟踪所述抛洒物,并确定所述抛洒物当前的位置信息。
7.根据权利要求5或6所述的道路抛洒物检测方法,其特征在于,所述预设的目标跟踪算法为SiamFC算法。
8.一种计算机设备,其特征在于,包括存储有计算机程序的计算机可读存储介质和处理器,所述计算机程序被所述处理器读取并运行时,实现如权利要求1-7任一项所述的道路抛洒物检测方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器读取并运行时,实现如权利要求1-7任一项所述的道路抛洒物检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011328962.1A CN112149649B (zh) | 2020-11-24 | 2020-11-24 | 一种道路抛洒物检测方法、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011328962.1A CN112149649B (zh) | 2020-11-24 | 2020-11-24 | 一种道路抛洒物检测方法、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112149649A CN112149649A (zh) | 2020-12-29 |
CN112149649B true CN112149649B (zh) | 2021-03-26 |
Family
ID=73887310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011328962.1A Active CN112149649B (zh) | 2020-11-24 | 2020-11-24 | 一种道路抛洒物检测方法、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112149649B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221724B (zh) * | 2021-05-08 | 2022-11-04 | 杭州鸿泉物联网技术股份有限公司 | 车辆抛洒物检测方法及系统 |
CN113723176B (zh) * | 2021-07-19 | 2022-06-10 | 上海闪马智能科技有限公司 | 一种目标对象确定方法、装置、存储介质和电子装置 |
CN116453065B (zh) * | 2023-06-16 | 2023-09-19 | 云途信息科技(杭州)有限公司 | 路面异物抛洒识别方法、装置、计算机设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014137566A1 (en) * | 2013-03-04 | 2014-09-12 | Sensormatic Electronics, LLC | Method and system to characterize video background changes as abandoned or removed objects |
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 |
CN111047558A (zh) * | 2019-11-20 | 2020-04-21 | 深圳市康冠智能科技有限公司 | 图像检测方法、装置、计算机设备以及存储介质 |
CN111797727A (zh) * | 2020-06-18 | 2020-10-20 | 浙江大华技术股份有限公司 | 一种检测路面抛洒物的方法、装置及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8744123B2 (en) * | 2011-08-29 | 2014-06-03 | International Business Machines Corporation | Modeling of temporarily static objects in surveillance video data |
CN111145210B (zh) * | 2019-12-20 | 2023-09-08 | 上海富瀚微电子股份有限公司 | 一种前景提取方法及装置、可读存储介质 |
-
2020
- 2020-11-24 CN CN202011328962.1A patent/CN112149649B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014137566A1 (en) * | 2013-03-04 | 2014-09-12 | Sensormatic Electronics, LLC | Method and system to characterize video background changes as abandoned or removed objects |
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 |
CN111047558A (zh) * | 2019-11-20 | 2020-04-21 | 深圳市康冠智能科技有限公司 | 图像检测方法、装置、计算机设备以及存储介质 |
CN111797727A (zh) * | 2020-06-18 | 2020-10-20 | 浙江大华技术股份有限公司 | 一种检测路面抛洒物的方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于背景分离混合高斯模型的高速公路小目标抛洒物检测;欧阳聪宇;《中国优秀硕士论文全文数据库 工程科技II辑》;20200815(第8期);第C034-297页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112149649A (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112149649B (zh) | 一种道路抛洒物检测方法、计算机设备及存储介质 | |
TWI409718B (zh) | 移動中車輛之車牌定位方法 | |
Tae-Hyun et al. | Detection of traffic lights for vision-based car navigation system | |
AU2020102039A4 (en) | A high-precision multi-targets visual detection method in automatic driving scene | |
CN113850123A (zh) | 基于视频的公路监控方法及装置、存储介质和监控系统 | |
CN103778786A (zh) | 一种基于显著车辆部件模型的交通违章检测方法 | |
CN104598912A (zh) | 一种基于cpu与gpu协同计算的交通灯检测识别方法 | |
Li et al. | A lane marking detection and tracking algorithm based on sub-regions | |
CN112766069A (zh) | 基于深度学习的车辆违停检测方法、装置及电子设备 | |
CN111881832A (zh) | 车道目标检测方法、装置、设备及计算机可读存储介质 | |
CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
CN110782409A (zh) | 一种去除多运动物体阴影的方法 | |
CN111967384A (zh) | 车辆信息处理方法、装置、设备及计算机可读存储介质 | |
CN111292530A (zh) | 处理违章图片的方法、装置、服务器和存储介质 | |
CN111191557B (zh) | 一种标志识别定位方法、标志识别定位装置及智能设备 | |
CN113297939B (zh) | 障碍物检测方法、系统、终端设备及存储介质 | |
CN114821274A (zh) | 一种用于识别分合指示牌的状态的方法和设备 | |
CN110033425B (zh) | 干扰区域检测装置及方法、电子设备 | |
CN113505638A (zh) | 车流量的监测方法、监测装置及计算机可读存储介质 | |
CN111695374B (zh) | 监控视角中斑马线区域的分割方法、系统、介质及设备 | |
JP6831396B2 (ja) | 映像監視装置 | |
CN116311000A (zh) | 烟火检测方法、检测装置、设备及存储介质 | |
CN110660225A (zh) | 闯红灯行为检测方法、装置和设备 | |
Dai et al. | A driving assistance system with vision based vehicle detection techniques | |
CN113505860B (zh) | 盲区检测训练集的筛选方法、装置、服务器及存储介质 |
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 |