CN113283309A - 一种根据实时路面图像识别道路施工状态的方法与系统 - Google Patents
一种根据实时路面图像识别道路施工状态的方法与系统 Download PDFInfo
- Publication number
- CN113283309A CN113283309A CN202110490675.9A CN202110490675A CN113283309A CN 113283309 A CN113283309 A CN 113283309A CN 202110490675 A CN202110490675 A CN 202110490675A CN 113283309 A CN113283309 A CN 113283309A
- Authority
- CN
- China
- Prior art keywords
- construction
- road surface
- road
- image
- 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.)
- Withdrawn
Links
- 238000010276 construction Methods 0.000 title claims abstract description 205
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000003550 marker Substances 0.000 claims abstract description 86
- 238000001514 detection method Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims description 46
- 238000013135 deep learning Methods 0.000 claims description 18
- 230000011218 segmentation Effects 0.000 claims description 15
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 abstract description 19
- 238000007689 inspection Methods 0.000 abstract description 10
- 206010039203 Road traffic accident Diseases 0.000 abstract description 9
- 230000000007 visual effect Effects 0.000 abstract 1
- 238000012423 maintenance Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种根据实时路面图像识别道路施工状态的方法与系统,涉及道路施工状态识别领域,其通过道路路面模型得到候选目标区域;通过施工标识物检测模型得到候选施工标识物坐标集;获取候选施工标识物坐标集中各坐标与预设施工物特征点坐标集中对应坐标的距离信息集;通过距离信息集得到候选坐标集;判断候选坐标集与候选目标区域是否有交集,如果有,则判断交集区域处于道路施工状态。本发明通过坐标集之间的距离判断以及坐标集与候选目标区域之间的交集判断得到道路施工状态,解决了目前监控人员人工肉眼巡检导致的巡检周期长、极易疲劳、不易发现正在施工或者发现不及时而导致的车辆拥堵且极易发生交通事故的问题。
Description
技术领域
本发明涉及道路施工状态识别领域,尤其涉及一种根据实时路面图像识别道路施工状态的方法与系统。
背景技术
高速公路施工及养护是高速公路运维中重要的环节,但是因为道路施工及养护过程中,占用路面资源,导致高速公路车道拥堵或发生事故的现象时有发生,甚至由此产生二次交通事故,对驾乘人员生命财产安全造成威胁,同时也由此造成经济损失和负面的社会影响。
现有的高速公路道路施工及养护的管理方法,一是采用施工养护登记申请备案的方式,这种方式会出现道路现场情况与备案脱节,无法及时反馈道路现场的实时情况;二是采用传统的人工肉眼巡检的方式,通过现场的高速公路摄像机,监控人员在路网中心或监控中心,巡视画面来检查道路是否存在施工及养护活动,但由于监控中心或路网中心的监控画面数量很多,一方面受硬件影响无法将所有画面同时展示在大屏幕上,另一方面监控人员将大量的监控画面巡视一遍,周期长且极易疲劳,经常发生某一路段因施工或养护导致了车辆拥堵,监控人员才引起注意,此时介入干预已经滞后,因此在实际操作环节,该方式可控性差、效果不佳。而通过对实时路面图像分析处理的方式,对监控的路面图像进行识别检测,实时获取到道路的施工状态,该方式很大程度上降低了道路拥堵和交通事故的发生率,同时也避免了二次事故的发生。
发明内容
为了克服上述现有技术中监控人员通过肉眼监视道路施工状态所用周期长、易疲劳且由于发现不及时造成的交通拥堵或交通事故的问题,本发明提出了一种根据实时路面图像识别道路施工状态的方法,包括步骤:
S1:通过道路路面模型分割实时路面图像得到路面区域图像,提取路面区域图像中的非路面目标区域并纳入候选目标区域;
S2:通过施工标识物检测模型获取实时路面图像中的道路施工标识物的坐标并纳入候选施工标识物坐标集;
S3:获取候选施工标识物坐标集中各坐标与预设施工物特征点坐标集中对应坐标的距离信息集;所述预设施工物特征点坐标集为利用预设方法进行更新获得的施工物特征点坐标集;
S4:判断距离信息集中是否含有符合预设标准的距离信息,若有,提取该距离信息对应的道路施工标识物坐标并纳入候选坐标集;
S5:判断候选坐标集与候选目标区域是否有交集,如果有,则判断交集区域处于道路施工状态。
进一步地,所述步骤S1中道路路面模型的获取方式为:
获取各时间段以及应用场景的路面图像;
通过语义分割样本标注工具标注路面图像中的车道路面获取车道路面标注训练集;
通过车道路面标注训练集训练语义分割深度学习网络获取道路路面模型。
进一步地,所述步骤S2中施工标识物检测模型的获取方式为:
获取各时间段以及应用场景的路面图像;
通过目标检测样本标注工具标注路面图像中的道路施工标识物获取道路施工标识物训练集;
通过道路施工标识物训练集训练深度学习目标检测网络获取施工标识物检测模型。
进一步地,所述步骤S3中的预设方法包括步骤:
S31:获取当前帧的实时路面图像;
S32:通过特征点检测技术提取实时路面图像的特征点图像,并初始化特征点图像中各像素点的特征点计数值为零;
S33:以像素为单元遍历特征点图像,并判断相同坐标的像素是否为像素特征点,若是,则特征点计数值加1;
S34:判断已获取的实时路面图像帧数是否达到预设值,若是,则进入下一步骤,若否,则获取下一帧实时路面图像并返回步骤S32;
S35:判断各像素点的特征点计数值是否在预设范围内,若是,则将对应像素点的坐标纳入施工物特征点坐标集。
本发明还提出了一种根据实时路面图像识别道路施工状态的系统,包括:
候选目标区域模块:通过道路路面模型分割实时路面图像得到路面区域图像,提取路面区域图像中的非路面目标区域并纳入候选目标区域;
候选施工标识物坐标集模块:通过施工标识物检测模型获取实时路面图像中的道路施工标识物的坐标并纳入候选施工标识物坐标集;
距离信息集模块:获取候选施工标识物坐标集中各坐标与预设施工物特征点坐标集中对应坐标的距离信息集;所述预设施工物特征点坐标集为利用预设方法进行更新获得的施工物特征点坐标集;
候选坐标集模块:判断距离信息集中是否含有符合预设标准的距离信息,若有,提取该距离信息对应的道路施工标识物坐标并纳入候选坐标集;
道路施工状态获取模块:判断候选坐标集与候选目标区域是否有交集,如果有,则判断交集区域处于道路施工状态。
进一步地,所述候选目标区域模块中道路路面模型的获取方式为:
获取各时间段以及应用场景的路面图像;
通过语义分割样本标注工具标注路面图像中的车道路面获取车道路面标注训练集;
通过车道路面标注训练集训练语义分割深度学习网络获取道路路面模型。
进一步地,所述候选施工标识物坐标集模块中施工标识物检测模型的获取方式为:
获取各时间段以及应用场景的路面图像;
通过目标检测样本标注工具标注路面图像中的道路施工标识物获取道路施工标识物训练集;
通过道路施工标识物训练集训练深度学习目标检测网络获取施工标识物检测模型。
进一步地,所述距离信息集模块中的预设方法包括:
图像获取模块,获取当前帧的实时路面图像;
提取特征点模块:通过特征点检测技术提取实时路面图像的特征点图像,并初始化特征点图像中各像素点的特征点计数值为零;
特征点计数模块:以像素为单元遍历特征点图像,并判断相同坐标的像素是否为像素特征点,若是,则特征点计数值加1;
判断模块:判断已获取的实时路面图像帧数是否达到预设值,若是,则进入下一模块,若否,则获取下一帧实时路面图像并返回提取特征点模块;
施工物特征点坐标集模块:判断各像素点的特征点计数值是否在预设范围内,若是,则将对应像素点的坐标纳入施工物特征点坐标集。
本发明至少具有以下有益效果:
1、通过道路路面模型分割实时路面图像得到路面区域图像,并提取出路面区域图像中的非路面目标区域,提高了施工状态的预检出率,通过基于深度学习目标检测的方式识别施工标识物,提高了道路施工状态识别的置信度;
2、通过计算预设帧数的实时路面图像中相同坐标像素被记为特征点的次数,筛选出特征点次数符合预设判断条件的像素坐标,该技术手段过滤掉了不是特征点的像素,提高了识别道路施工状态的有效性;
3、通过判断道路施工标识物中各坐标与预设施工物特征点坐标集中各坐标之间的距离是否符合预设标准,得到候选坐标集,并通过该坐标集与道路路面模型获取的候选目标区域进行交集判断,最后得到道路施工的状态,该方法通过对多方数据进行多次判断,增加了检测判断为施工状态的可靠性;
4、该方法解决了目前监控人员人工肉眼巡检导致的巡检周期长、极易疲劳、不易发现正在施工或者发现不及时而导致的车辆拥堵且极易发生交通事故的问题。
附图说明
图1为一种根据实时路面图像识别道路施工状态的方法与系统的方法步骤图;
图2为一种根据实时路面图像识别道路施工状态的方法与系统的预设方法流程图;
图3为一种根据实时路面图像识别道路施工状态的方法与系统的系统结构图。
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
为了克服上述现有技术中监控人员通过肉眼监视道路施工状态所用周期长、易疲劳且由于发现不及时造成的交通拥堵或交通事故的问题,如图1所示,本发明提出了一种根据实时路面图像识别道路施工状态的方法,包括步骤:
S1:通过道路路面模型分割实时路面图像得到路面区域图像,提取路面区域图像中的非路面目标区域并纳入候选目标区域;
本实施例中通过道路路面模型得到非路面目标区域并纳入候选目标区域。本实施例中候选目标区域记作Ri,其中i∈[1,m],m为非路面目标区域的数量。
所述步骤S1中道路路面模型的获取方式为:
获取各时间段以及应用场景的路面图像;
通过语义分割样本标注工具标注路面图像中的车道路面获取车道路面标注训练集;
通过车道路面标注训练集训练语义分割深度学习网络获取道路路面模型。
需要说明的是,获取各时间段以及应用场景的路面图像包括:收集不同时间段以及应用场景的监控视频图像素材样本,时间段包括上午、中午、下午和夜晚四个时段,每个时段下又包括晴天、雨天、大雾、桥梁、隧道、普通高速公路外场等不同场景,其中样本中包含高速道路路面、车辆、行人、非机动车等特征。
本实施例中,利用车道路面标注训练集训练语义分割深度学习网络,并设置训练参数,图像宽度W=1920,图像高度H=1080,图像通道Ch=3,学习率LR=0.001,学习率更新策略为步进式“步进式”,迭代次数It=64k次,每次迭代样本数量BS=128,获得道路路面模型。
S2:通过施工标识物检测模型获取实时路面图像中的道路施工标识物的坐标并纳入候选施工标识物坐标集;
本实施例中,候选施工标识物坐标集中的各坐标记为(xk,yk),其中k∈[1,t],t为道路施工标识物的数量。
所述步骤S2中施工标识物检测模型的获取方式为:
获取各时间段以及应用场景的路面图像;
通过目标检测样本标注工具标注路面图像中的道路施工标识物获取道路施工标识物训练集;
需要说明的是,获取各时间段以及应用场景的路面图像包括:收集不同时间段以及应用场景的监控视频图像素材样本,素材样本图像中存在道路施工标识物,包括不限于反光锥体、隔离护栏、警示牌、LED信息提示牌、爆闪灯、限速牌、施工人员、安全帽、反光背心、施工车辆、摇旗动态机器假人等。
本实施例中,利用目标检测样本标注工具标注每张路面图像中的道路施工标识物得到道路施工标识物训练集,所述道路施工标识物训练集中的每个样本对应一份描述文件,描述文件中包含每个标识物的位置信息和标签信息。
通过道路施工标识物训练集训练深度学习目标检测网络获取施工标识物检测模型。
S3:获取候选施工标识物坐标集中各坐标与预设施工物特征点坐标集中对应坐标的距离信息集;所述预设施工物特征点坐标集为利用预设方法进行更新获得的施工物特征点坐标集;
本实施例中,根据欧几里得公式,依次计算候选施工标识物坐标集中各坐标(xk,yk)与施工物特征点坐标集中各坐标(xj,yj)之间的欧式距离,所述距离信息集中包括各坐标以及各坐标之间对应的欧式距离。
如图2所示,所述步骤S3中的预设方法包括步骤:
S31:获取当前帧的实时路面图像;
本实施例中,初始化帧序号FIdx从1开始。
S32:通过特征点检测技术提取实时路面图像的特征点图像,并初始化特征点图像中各像素点的特征点计数值为零;
S33:以像素为单元遍历特征点图像,并判断相同坐标的像素是否为像素特征点,若是,则特征点计数值加1;
本实施例中,以像素为单元遍历特征点图像,对获取的特征点图像进行统计处理,任意坐标(x,y)位置处的特征点计数值记为FPNum(x,y),当前帧图像坐标(x,y)位置检测为特征点时,FPNum加1处理,非特征点位置不做处理。
S34:判断已获取的实时路面图像帧数是否达到预设值,若是,则进入下一步骤,若否,则获取下一帧实时路面图像并返回步骤S32;
S35:判断各像素点的特征点计数值是否在预设范围内,若是,则将对应像素点的坐标纳入施工物特征点坐标集。
需要说明的是,当FPNum(x,y)的FPNum值属于(λ1,λ2)时,将对应(x,y)像素点纳入施工物特征点坐标集,所述λ1为预设范围的预设下限值,λ2为预设范围的预设上限值。本实施例中施工物特征点坐标集中的各坐标记为(xj,yj),其中j∈[1,n],n为施工物特征点的数量;
S4:判断距离信息集中是否含有符合预设标准的距离信息,若有,提取该距离信息对应的道路施工标识物坐标并纳入候选坐标集;
本实施例中,通过判断出距离信息集中符合预设标准的欧式距离,并提取出其对应的道路施工标识物坐标并纳入候选坐标集。
S5:判断候选坐标集与候选目标区域是否有交集,如果有,则判断交集区域处于道路施工状态。
本实施例中,将满足S4步骤的道路施工标识物的坐标(xk,yk)与候选目标区域Ri进行交集判断,如果判断出有交集,则表示交集区域处于道路施工状态。
实施例二
如图1所示,本发明提出了一种根据实时路面图像识别道路施工状态的方法,包括步骤:
S1:通过道路路面模型分割实时路面图像得到路面区域图像,提取路面区域图像中的非路面目标区域并纳入候选目标区域;
需要说明的是,通过道路路面模型分割实时路面图像得到路面区域图像,并提取出路面区域图像中的非路面目标区域,提高了施工状态的预检出率。
所述步骤S1中道路路面模型的获取方式为:
获取各时间段以及应用场景的路面图像;
通过语义分割样本标注工具标注路面图像中的车道路面获取车道路面标注训练集;
通过车道路面标注训练集训练语义分割深度学习网络获取道路路面模型。
S2:通过施工标识物检测模型获取实时路面图像中的道路施工标识物的坐标并纳入候选施工标识物坐标集;
所述步骤S2中施工标识物检测模型的获取方式为:
获取各时间段以及应用场景的路面图像;
通过目标检测样本标注工具标注路面图像中的道路施工标识物获取道路施工标识物训练集;
通过道路施工标识物训练集训练深度学习目标检测网络获取施工标识物检测模型。
需要说明的是,通过基于深度学习目标检测的方式识别施工标识物,提高了道路施工状态识别的置信度。
S3:获取候选施工标识物坐标集中各坐标与预设施工物特征点坐标集中对应坐标的距离信息集;所述预设施工物特征点坐标集为利用预设方法进行更新获得的施工物特征点坐标集;
所述步骤S3中的预设方法包括步骤:
S31:获取当前帧的实时路面图像;
S32:通过特征点检测技术提取实时路面图像的特征点图像,并初始化特征点图像中各像素点的特征点计数值为零;
S33:以像素为单元遍历特征点图像,并判断相同坐标的像素是否为像素特征点,若是,则特征点计数值加1;
S34:判断已获取的实时路面图像帧数是否达到预设值,若是,则进入下一步骤,若否,则获取下一帧实时路面图像并返回步骤S32;
S35:判断各像素点的特征点计数值是否在预设范围内,若是,则将对应像素点的坐标纳入施工物特征点坐标集。
需要说明的是,通过计算预设帧数的实时路面图像中相同坐标像素被记为特征点的次数,筛选出特征点次数符合预设判断条件的像素坐标,该技术手段过滤掉了不是特征点的像素,提高了识别道路施工状态的有效性。
S4:判断距离信息集中是否含有符合预设标准的距离信息,若有,提取该距离信息对应的道路施工标识物坐标并纳入候选坐标集;
S5:判断候选坐标集与候选目标区域是否有交集,如果有,则判断交集区域处于道路施工状态。
需要说明的是,通过判断道路施工标识物中各坐标与预设施工物特征点坐标集中各坐标之间的距离是否符合预设标准,得到候选坐标集,并通过该坐标集与道路路面模型获取的候选目标区域进行交集判断,最后得到道路施工的状态,该方法通过对多方数据进行多次判断,增加了检测判断为施工状态的可靠性。本实施例中,该方法解决了目前监控人员人工肉眼巡检导致的巡检周期长、极易疲劳、不易发现正在施工或者发现不及时而导致的车辆拥堵且极易发生交通事故的问题。
实施例三
如图3所示,本发明提出了一种根据实时路面图像识别道路施工状态的系统,包括:
候选目标区域模块:通过道路路面模型分割实时路面图像得到路面区域图像,提取路面区域图像中的非路面目标区域并纳入候选目标区域;
需要说明的是,通过道路路面模型分割实时路面图像得到路面区域图像,并提取出路面区域图像中的非路面目标区域,提高了施工状态的预检出率。
所述候选目标区域模块中道路路面模型的获取方式为:
获取各时间段以及应用场景的路面图像;
通过语义分割样本标注工具标注路面图像中的车道路面获取车道路面标注训练集;
通过车道路面标注训练集训练语义分割深度学习网络获取道路路面模型。
候选施工标识物坐标集模块:通过施工标识物检测模型获取实时路面图像中的道路施工标识物的坐标并纳入候选施工标识物坐标集;
所述候选施工标识物坐标集模块中施工标识物检测模型的获取方式为:
获取各时间段以及应用场景的路面图像;
通过目标检测样本标注工具标注路面图像中的道路施工标识物获取道路施工标识物训练集;
通过道路施工标识物训练集训练深度学习目标检测网络获取施工标识物检测模型。
需要说明的是,通过基于深度学习目标检测的方式识别施工标识物,提高了道路施工状态识别的置信度。
距离信息集模块:获取候选施工标识物坐标集中各坐标与预设施工物特征点坐标集中对应坐标的距离信息集;所述预设施工物特征点坐标集为利用预设方法进行更新获得的施工物特征点坐标集;
图像获取模块,获取当前帧的实时路面图像;
提取特征点模块:通过特征点检测技术提取实时路面图像的特征点图像,并初始化特征点图像中各像素点的特征点计数值为零;
特征点计数模块:以像素为单元遍历特征点图像,并判断相同坐标的像素是否为像素特征点,若是,则特征点计数值加1;
判断模块:判断已获取的实时路面图像帧数是否达到预设值,若是,则进入下一模块,若否,则获取下一帧实时路面图像并返回提取特征点模块;
施工物特征点坐标集模块:判断各像素点的特征点计数值是否在预设范围内,若是,则将对应像素点的坐标纳入施工物特征点坐标集。
需要说明的是,通过计算预设帧数的实时路面图像中相同坐标像素被记为特征点的次数,筛选出特征点次数符合预设判断条件的像素坐标,该技术手段过滤掉了不是特征点的像素,提高了识别道路施工状态的有效性。
候选坐标集模块:判断距离信息集中是否含有符合预设标准的距离信息,若有,提取该距离信息对应的道路施工标识物坐标并纳入候选坐标集;
道路施工状态获取模块:判断候选坐标集与候选目标区域是否有交集,如果有,则判断交集区域处于道路施工状态。
本实施例中,还包括预警模块,当道路施工状态获取模块判断出交集区域处于道路施工状态时,通过预警模块发出报警提示至监控中心,监控人员可以在第一时间进行干预,发出“前方施工,注意避让”等信息提示后方来车,从而降低道路拥堵和交通事故的发生率,避免二次事故的发生。
需要说明的是,通过判断道路施工标识物中各坐标与预设施工物特征点坐标集中各坐标之间的距离是否符合预设标准,得到候选坐标集,并通过该坐标集与道路路面模型获取的候选目标区域进行交集判断,最后得到道路施工的状态,该方法通过对多方数据进行多次判断,增加了检测判断为施工状态的可靠性。本实施例中,该方法解决了目前监控人员人工肉眼巡检导致的巡检周期长、极易疲劳、不易发现正在施工或者发现不及时而导致的车辆拥堵且极易发生交通事故的问题。
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 (8)
1.一种根据实时路面图像识别道路施工状态的方法,其特征在于,包括步骤:
S1:通过道路路面模型分割实时路面图像得到路面区域图像,提取路面区域图像中的非路面目标区域并纳入候选目标区域;
S2:通过施工标识物检测模型获取实时路面图像中的道路施工标识物的坐标并纳入候选施工标识物坐标集;
S3:获取候选施工标识物坐标集中各坐标与预设施工物特征点坐标集中对应坐标的距离信息集;所述预设施工物特征点坐标集为利用预设方法进行更新获得的施工物特征点坐标集;
S4:判断距离信息集中是否含有符合预设标准的距离信息,若有,提取该距离信息对应的道路施工标识物坐标并纳入候选坐标集;
S5:判断候选坐标集与候选目标区域是否有交集,如果有,则判断交集区域处于道路施工状态。
2.根据权利要求1所述的一种根据实时路面图像识别道路施工状态的方法,其特征在于,所述步骤S1中道路路面模型的获取方式为:
获取各时间段以及应用场景的路面图像;
通过语义分割样本标注工具标注路面图像中的车道路面获取车道路面标注训练集;
通过车道路面标注训练集训练语义分割深度学习网络获取道路路面模型。
3.根据权利要求1所述的一种根据实时路面图像识别道路施工状态的方法,其特征在于,所述步骤S2中施工标识物检测模型的获取方式为:
获取各时间段以及应用场景的路面图像;
通过目标检测样本标注工具标注路面图像中的道路施工标识物获取道路施工标识物训练集;
通过道路施工标识物训练集训练深度学习目标检测网络获取施工标识物检测模型。
4.根据权利要求1所述的一种根据实时路面图像识别道路施工状态的方法,其特征在于,所述步骤S3中的预设方法包括步骤:
S31:获取当前帧的实时路面图像;
S32:通过特征点检测技术提取实时路面图像的特征点图像,并初始化特征点图像中各像素点的特征点计数值为零;
S33:以像素为单元遍历特征点图像,并判断相同坐标的像素是否为像素特征点,若是,则特征点计数值加1;
S34:判断已获取的实时路面图像帧数是否达到预设值,若是,则进入下一步骤,若否,则获取下一帧实时路面图像并返回步骤S32;
S35:判断各像素点的特征点计数值是否在预设范围内,若是,则将对应像素点的坐标纳入施工物特征点坐标集。
5.一种根据实时路面图像识别道路施工状态的系统,其特征在于,包括:
候选目标区域模块:通过道路路面模型分割实时路面图像得到路面区域图像,提取路面区域图像中的非路面目标区域并纳入候选目标区域;
候选施工标识物坐标集模块:通过施工标识物检测模型获取实时路面图像中的道路施工标识物的坐标并纳入候选施工标识物坐标集;
距离信息集模块:获取候选施工标识物坐标集中各坐标与预设施工物特征点坐标集中对应坐标的距离信息集;所述预设施工物特征点坐标集为利用预设方法进行更新获得的施工物特征点坐标集;
候选坐标集模块:判断距离信息集中是否含有符合预设标准的距离信息,若有,提取该距离信息对应的道路施工标识物坐标并纳入候选坐标集;
道路施工状态获取模块:判断候选坐标集与候选目标区域是否有交集,如果有,则判断交集区域处于道路施工状态。
6.根据权利要求5所述的一种根据实时路面图像识别道路施工状态的系统,其特征在于,所述候选目标区域模块中道路路面模型的获取方式为:
获取各时间段以及应用场景的路面图像;
通过语义分割样本标注工具标注路面图像中的车道路面获取车道路面标注训练集;
通过车道路面标注训练集训练语义分割深度学习网络获取道路路面模型。
7.根据权利要求5所述的一种根据实时路面图像识别道路施工状态的系统,其特征在于,
所述候选施工标识物坐标集模块中施工标识物检测模型的获取方式为:
获取各时间段以及应用场景的路面图像;
通过目标检测样本标注工具标注路面图像中的道路施工标识物获取道路施工标识物训练集;
通过道路施工标识物训练集训练深度学习目标检测网络获取施工标识物检测模型。
8.根据权利要求5所述的一种根据实时路面图像识别道路施工状态的系统,其特征在于,所述距离信息集模块中的预设方法包括:
图像获取模块,获取当前帧的实时路面图像;
提取特征点模块:通过特征点检测技术提取实时路面图像的特征点图像,并初始化特征点图像中各像素点的特征点计数值为零;
特征点计数模块:以像素为单元遍历特征点图像,并判断相同坐标的像素是否为像素特征点,若是,则特征点计数值加1;
判断模块:判断已获取的实时路面图像帧数是否达到预设值,若是,则进入下一模块,若否,则获取下一帧实时路面图像并返回提取特征点模块;
施工物特征点坐标集模块:判断各像素点的特征点计数值是否在预设范围内,若是,则将对应像素点的坐标纳入施工物特征点坐标集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110490675.9A CN113283309A (zh) | 2021-05-06 | 2021-05-06 | 一种根据实时路面图像识别道路施工状态的方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110490675.9A CN113283309A (zh) | 2021-05-06 | 2021-05-06 | 一种根据实时路面图像识别道路施工状态的方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113283309A true CN113283309A (zh) | 2021-08-20 |
Family
ID=77278043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110490675.9A Withdrawn CN113283309A (zh) | 2021-05-06 | 2021-05-06 | 一种根据实时路面图像识别道路施工状态的方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113283309A (zh) |
-
2021
- 2021-05-06 CN CN202110490675.9A patent/CN113283309A/zh not_active Withdrawn
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109977812B (zh) | 一种基于深度学习的车载视频目标检测方法 | |
CN110197589B (zh) | 一种基于深度学习的闯红灯违法检测方法 | |
CN110136447B (zh) | 行车变道检测及违法变道识别的方法 | |
CN108765404A (zh) | 一种基于深度学习图像分类的道路破损检测方法及装置 | |
CN110717433A (zh) | 一种基于深度学习的交通违规分析方法及装置 | |
CN109299674B (zh) | 一种基于车灯的隧道违章变道检测方法 | |
CN111833598B (zh) | 一种高速公路无人机交通事件自动监测方法及系统 | |
CN109782364B (zh) | 基于机器视觉的交通标志牌缺失检测方法 | |
CN109448365A (zh) | 一种跨尺度空基平台区域道路交通系统综合监视方法 | |
CN111126171A (zh) | 一种车辆逆行检测方法及系统 | |
CN110619279A (zh) | 一种基于跟踪的路面交通标志实例分割方法 | |
US20230306573A1 (en) | Systems and methods for assessing infrastructure | |
CN111797803A (zh) | 基于人工智能和图像处理的道路护栏异常检测方法 | |
CN113903008A (zh) | 基于深度学习和轨迹跟踪的匝道出口车辆违法识别方法 | |
CN112084892B (zh) | 一种道路异常事件检测管理装置及其方法 | |
CN111783700B (zh) | 一种路面异物自动识别预警方法和系统 | |
CN111144301A (zh) | 一种基于深度学习的道路路面缺陷快速预警装置 | |
CN117474870B (zh) | 一种基于大数据筛选的公路路面裂缝识别决策方法及系统 | |
CN116128360A (zh) | 道路交通拥堵等级评估方法、装置、电子设备及存储介质 | |
CN115994901A (zh) | 一种道路病害自动检测方法与系统 | |
Sanjeewani et al. | Learning and analysis of AusRAP attributes from digital video recording for road safety | |
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 | |
CN116229396B (zh) | 高速路面病害识别及告警方法 | |
CN115440071B (zh) | 一种自动驾驶违规停车检测方法 | |
CN113283309A (zh) | 一种根据实时路面图像识别道路施工状态的方法与系统 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210820 |