CN113688812A - 一种基于背景建模和分类网络的高速路抛洒物检测方法 - Google Patents
一种基于背景建模和分类网络的高速路抛洒物检测方法 Download PDFInfo
- Publication number
- CN113688812A CN113688812A CN202111251147.4A CN202111251147A CN113688812A CN 113688812 A CN113688812 A CN 113688812A CN 202111251147 A CN202111251147 A CN 202111251147A CN 113688812 A CN113688812 A CN 113688812A
- Authority
- CN
- China
- Prior art keywords
- data
- projectile
- target
- road
- road area
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000004140 cleaning Methods 0.000 claims abstract description 8
- 238000002372 labelling Methods 0.000 claims abstract description 8
- 230000002708 enhancing effect Effects 0.000 claims abstract description 5
- 210000001503 joint Anatomy 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims description 18
- 238000007500 overflow downdraw method Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000001413 cellular effect Effects 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000005728 strengthening Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims 1
- 239000007921 spray Substances 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30244—Camera pose
-
- 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
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于背景建模和分类网络的高速路抛洒物检测方法，包括以下步骤：S1：获取视频流数据进行道路区域提取，得到道路区域数据；S2：对道路区域数据和视频流数据进行目标检测得到目标对象集；S3：在目标对象集中收集包含抛洒物和非抛洒物的样本，清洗、标注和增强得到包含抛洒物和非抛洒物的完整样本集；S4：分类网络模型训练，得到包含抛洒物模型和非抛洒物模型的目标检测结果分类器分类结果；S5：对目标检测结果分类器模型进行网络模型部署，并完成抛洒检测器端口的对接得到抛洒物检测结果。本发明实现动态建模，极大提高了检测精度，提高了鲁棒性。
Description
技术领域
本发明涉及一种视频图像处理技术领域，尤其涉及一种基于背景建模和分类网络的高速路抛洒物检测方法。
背景技术
高速公路车流量大、行车速度高，一旦发生抛洒物事故则往往非常严重，这些体积小而坚硬的物体，对高速公路司乘人员的安全带来了极大的威胁，更有可能还会引起二次事故的发生，严重影响公路的整体通行能力和运营效率。利用视频技术对高速公路抛洒物进行实时、准确地检测，对高速公路交通安全有着非常重要的作用。
现有的抛洒物检测技术，简单来说就是利用信息化技术检测当前路段是否存在抛洒物事件，若存在则检测出抛洒物的位置信息，并提出预警信号。
目前抛洒物检测算法可以分为5类：比较算法、统计算法、基于时间序列与滤波的算法、基于交通流理论模型的算法和人工智能及其它先进算法。传统方法不依赖于数据，但鲁棒性较差，而且基于人工智能的新方法虽然性能优于传统方法需要大量的数据，因此如何结合传统方法和人工智能方法，以提高抛洒物检测的性能，又能降低训练数据量的需求是一个值得研究的方向。
发明内容
本发明的目的在于提供一种基于背景建模和分类网络的高速路抛洒物检测方法，解决了现有技术中传统方法抛洒物检测技术的鲁棒性差；人工智能的方法训练数据需求量大且数据较为复制的问题。
本发明采用的技术方案如下：
一种基于背景建模和分类网络的高速路抛洒物检测方法，包括以下步骤：
S1：获取视频流数据进行道路区域提取，得到道路区域数据；
S2：对道路区域数据进行目标检测得到目标对象集；
S3：在目标对象集中收集包含抛洒物和非抛洒物的样本，创建包含抛洒物和非抛洒物的初始样本集，对包含抛洒物和非抛洒物的初始样本集进行清洗、标注和增强得到包含抛洒物和非抛洒物的完整样本集；
S4：使用包含抛洒物和非抛洒物的完整样本集进行分类网络模型训练，并根据训练结果对训练过程进行模型训练优化，最终得到包含抛洒物模型和非抛洒物模型的目标检测结果分类器分类结果；
S5：对目标检测结果分类器分类结果进行网络模型部署，并完成抛洒检测器端口的对接得到抛洒物检测结果。
进一步地，所述S1中道路区域提取为自动提取法或手动提取法。
进一步地，所述自动提取法，包括以下步骤：
S11：直线检测，对视频流数据进行直线检测，检测出道路边缘、车道线得到含有直线图像的数据；
S12：区域分割，使用直线将含有直线图像的数据分割为若干个部分，根据位置信息和纹理信息确定道路区域，得到道路区域数据。
进一步地，所述手动提取法为架设摄像头，对摄像头中的视频流数据进行提前标定，标定出道路区域的边界，作为固定数据保存在相机标定数据中，得到道路区域数据。
进一步地，所述S2中目标检测，包括以下步骤：
S21：对道路区域数据建立高斯混合模型，设置1表示初始前景数据，0表示背景的二值图；
S22：将初始前景数据与道路区域数据合并，得到非道路区域目标的数据为0，得到只包含道路区域目标的更新前景数据为1；
S23：对更新前景数据使用形态学开方法进行去噪处理，得到无噪声前景数据；
S24：对无噪声前景数据中分裂的道路区域目标进行融合，填充分裂的道路区域目标的缝隙部分，恢复分裂的道路区域目标，得到融合后的前景数据；
S25：对融合后的前景数据使用轮廓融合方法，合并重复部分超过10%的两个道路区域目标的轮廓，最后提取出前景数据中的所有道路区域目标，得到目标轮廓；
S26：对目标轮廓剪裁，并设置图像大小为96*96，得到目标对象集。
进一步地，所述S23中去噪处理为对更新前景数据先进行腐蚀操作去掉细小噪声，再进行膨胀操作，填补去掉的道路区域目标部分，从而去除更新前景数据中的噪声信息，得到无噪声前景数据。
进一步地，所述S24中对无噪声前景数据中分裂的道路区域目标进行融合的方法为细胞自动机原理的目标融合方法，具体为：当目标点8邻域和≥4时，设定目标=1；当目标点8邻域和<4时，设定目标=0；根据目标融合方法对无噪声前景数据进行N次融合操作，连接分裂的道路区域目标。
进一步地，所述S3中，包括具体以下步骤：
S31：在目标对象集中收集包含抛洒物和非抛洒物的样本，进行道路区域目标检测，输出抛洒物样本坐标信息和非抛洒物样本坐标信息，并根据抛洒物样本坐标信息和非抛洒物样本坐标信息剪裁出包含抛洒物和非抛洒物的目标数据并缩放到96*96大小，创建包含抛洒物和非抛洒物的初始样本集；
S32：对包含抛洒物和非抛洒物的初始样本集进行数据清洗和标注，并按4:1的比例分为训练集和测试集两部分，最终合并训练集和测试集，得到包含抛洒物和非抛洒物的合并样本集；
S33：对包含抛洒物和非抛洒物的合并样本集进行增强处理，得到包含抛洒物和非抛洒物的完整样本集。
进一步地，所述S4中分类网络模型训练的方法为使用随机梯度下降法通过VGG16主干网络的模型训练，所述S5中网络模型部署的工具为TensorRt工具。
进一步地，所述S4中模型训练优化为调整训练参数和补充训练样本，根据loss值的变化调整训练参数，调整学习率、迭代次数；当调整参数后训练结果没有变化时，则根据测试集结果分析样本集类别不均衡、缺少特征的情况，根据具体原因补充相应的样本集再进行FineTuning。
本发明的有益效果是：
1、本发明所述的高速路检测方法基于背景建模和分类网络的结合能适应动态场景的变化，实现动态建模，因此对路面抛洒物的检测效果影响较小，前景噪声的减小，适用性广，极大提高了检测精度，提高了鲁棒性。
2、本发明所述的高速路检测方法具有实时性高，对环境噪声使用能力强，准确度高。
附图说明
图1为本发明的整体流程图；
图2为本发明实施例1视频流数据中的原始交通图；
图3为本发明实施例1道路区域数据；
图4为本发明实施例1目标对象集；
图5为本发明实施例1包含抛洒物和非抛洒物的完整样本集；
图6为本发明实施例1包含抛洒物模型和非抛洒物模型的目标检测结果分类器分类结果；
图7为本发明实施例1最终抛洒物检测结果。
具体实施方式
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
见图1，一种基于背景建模和分类网络的高速路抛洒物检测方法，包括以下步骤：
S1：获取视频流数据进行道路区域提取，得到道路区域数据，所述道路区域提取为自动提取法或手动提取法，若为自动提取法，包括以下步骤：
S11：直线检测，对视频流数据进行直线检测，检测出道路边缘、车道线得到含有直线图像的数据；
S12：区域分割，使用直线将含有直线图像的数据分割为若干个部分，根据位置信息和纹理信息确定道路区域，得到道路区域数据；
若为手动提取法，则为架设摄像头，对摄像头中的视频流数据进行提前标定，标定出道路区域的边界，作为固定数据保存在相机标定数据中，得到道路区域数据。
S2：对道路区域数据进行目标检测得到目标对象集；
S21：对道路区域数据建立高斯混合模型，设置1表示初始前景数据，0表示背景的二值图；
S22：将初始前景数据与道路区域数据合并，得到非道路区域目标的数据为0，得到只包含道路区域目标的更新前景数据为1；
S23：对更新前景数据使用形态学开方法进行去噪处理，得到无噪声前景数据；去噪处理为对更新前景数据先进行腐蚀操作去掉细小噪声，再进行膨胀操作，填补去掉的道路区域目标部分，从而去除更新前景数据中的噪声信息，得到无噪声前景数据。
S24：对无噪声前景数据中分裂的道路区域目标进行融合，填充分裂的道路区域目标的缝隙部分，恢复分裂的道路区域目标，得到融合后的前景数据；对无噪声前景数据中分裂的道路区域目标进行融合的方法为细胞自动机原理的目标融合方法，具体为：当目标点8邻域和≥4时，设定目标=1；当目标点8邻域和<4时，设定目标=0；根据目标融合方法对无噪声前景数据进行N次融合操作，连接分裂的道路区域目标。
S25：对融合后的前景数据使用轮廓融合方法，合并重复部分超过10%的两个道路区域目标的轮廓，最后提取出前景数据中的所有道路区域目标，得到目标轮廓；
S26：对目标轮廓剪裁，并设置图像大小为96*96，得到目标对象集。
S3：在目标对象集中收集包含抛洒物和非抛洒物的样本，创建包含抛洒物和非抛洒物的初始样本集，对包含抛洒物和非抛洒物的初始样本集进行清洗、标注和增强得到包含抛洒物和非抛洒物的完整样本集；
S31：在目标对象集中收集包含抛洒物和非抛洒物的样本，进行道路区域目标检测，输出抛洒物样本坐标信息和非抛洒物样本坐标信息，并根据抛洒物样本坐标信息和非抛洒物样本坐标信息剪裁出包含抛洒物和非抛洒物的目标数据并缩放到96*96大小，创建包含抛洒物和非抛洒物的初始样本集；
S32：对包含抛洒物和非抛洒物的初始样本集进行数据清洗和标注，并按4:1的比例分为训练集和测试集两部分，最终合并训练集和测试集，得到包含抛洒物和非抛洒物的合并样本集；
S33：对包含抛洒物和非抛洒物的合并样本集进行增强处理，得到包含抛洒物和非抛洒物的完整样本集。
S4：使用包含抛洒物和非抛洒物的完整样本集进行分类网络模型训练，并根据训练结果对训练过程进行模型训练优化，最终得到包含抛洒物模型和非抛洒物模型的目标检测结果分类器分类结果，分类网络模型训练的方法为使用随机梯度下降法通过VGG16主干网络的模型训练，模型训练优化为调整训练参数和补充训练样本，根据loss值的变化调整训练参数，调整学习率、迭代次数；当调整参数后训练结果没有变化时，则根据测试集结果分析样本集类别不均衡、缺少特征的情况，根据具体原因补充相应的样本集再进行FineTuning。
S5：对目标检测结果分类器分类结果进行网络模型部署，并完成抛洒检测器端口的对接得到抛洒物检测结果，网络模型部署的工具为TensorRt工具。
实施例1
S1：获取视频流数据进行道路区域提取，得到道路区域数据，图2为视频流数据中的原始交通图，图3为道路区域提取后得到的道路区域数据；
S2：对道路区域数据进行目标检测得到目标对象集，图4为得到的目标对象集；
S3：在目标对象集中收集包含抛洒物和非抛洒物的样本，创建包含抛洒物和非抛洒物的初始样本集，对包含抛洒物和非抛洒物的初始样本集进行清洗、标注和增强得到包含抛洒物和非抛洒物的完整样本集，图5为包含抛洒物和非抛洒物的完整样本集；
S4：使用包含抛洒物和非抛洒物的完整样本集进行分类网络模型训练，并根据训练结果对训练过程进行模型训练优化，最终得到包含抛洒物模型和非抛洒物模型的目标检测结果分类器分类结果，图6为得到的包含抛洒物模型和非抛洒物模型的目标检测结果分类器分类结果，即区分出抛洒物和非抛洒物结果；
S5：对目标检测结果分类器模型进行网络模型部署，并完成抛洒检测器端口的对接得到抛洒物检测结果，图7为最终抛洒物检测结果。
本发明能适应动态场景的变化，实现动态建模，提高检测精度，对对环境噪声使用能力强，准确度高。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于背景建模和分类网络的高速路抛洒物检测方法，其特征在于，包括以下步骤：
S1：获取视频流数据进行道路区域提取，得到道路区域数据；
S2：对道路区域数据进行目标检测得到目标对象集；
S3：在目标对象集中收集包含抛洒物和非抛洒物的样本，创建包含抛洒物和非抛洒物的初始样本集，对包含抛洒物和非抛洒物的初始样本集进行清洗、标注和增强得到包含抛洒物和非抛洒物的完整样本集；
S4：使用包含抛洒物和非抛洒物的完整样本集进行分类网络模型训练，并根据训练结果对训练过程进行模型训练优化，最终得到包含抛洒物模型和非抛洒物模型的目标检测结果分类器分类结果；
S5：对目标检测结果分类器分类结果进行网络模型部署，并完成抛洒检测器端口的对接得到抛洒物检测结果。
2.如权利要求1所述的一种基于背景建模和分类网络的高速路抛洒物检测方法，其特征在于，所述S1中道路区域提取为自动提取法或手动提取法。
3.如权利要求2所述的一种基于背景建模和分类网络的高速路抛洒物检测方法，其特征在于，所述自动提取法，包括以下步骤：
S11：直线检测，对视频流数据进行直线检测，检测出道路边缘、车道线得到含有直线图像的数据；
S12：区域分割，使用直线将含有直线图像的数据分割为若干个部分，根据位置信息和纹理信息确定道路区域，得到道路区域数据。
4.如权利要求2所述的一种基于背景建模和分类网络的高速路抛洒物检测方法，其特征在于，所述手动提取法为架设摄像头，对摄像头中的视频流数据进行提前标定，标定出道路区域的边界，作为固定数据保存在相机标定数据中，得到道路区域数据。
5.如权利要求1所述的一种基于背景建模和分类网络的高速路抛洒物检测方法，其特征在于，所述S2中目标检测，包括以下步骤：
S21：对道路区域数据建立高斯混合模型，设置1表示初始前景数据，0表示背景的二值图；
S22：将初始前景数据与道路区域数据合并，得到非道路区域目标的数据为0，得到只包含道路区域目标的更新前景数据为1；
S23：对更新前景数据使用形态学开方法进行去噪处理，得到无噪声前景数据；
S24：对无噪声前景数据中分裂的道路区域目标进行融合，填充分裂的道路区域目标的缝隙部分，恢复分裂的道路区域目标，得到融合后的前景数据；
S25：对融合后的前景数据使用轮廓融合方法，合并重复部分超过10%的两个道路区域目标的轮廓，最后提取出前景数据中的所有道路区域目标，得到目标轮廓；
S26：对目标轮廓剪裁，并设置图像大小为96*96，得到目标对象集。
6.如权利要求5所述的一种基于背景建模和分类网络的高速路抛洒物检测方法，其特征在于，所述S23中去噪处理为对更新前景数据先进行腐蚀操作去掉细小噪声，再进行膨胀操作，填补去掉的道路区域目标部分，从而去除更新前景数据中的噪声信息，得到无噪声前景数据。
7.如权利要求5所述的一种基于背景建模和分类网络的高速路抛洒物检测方法，其特征在于，所述S24中对无噪声前景数据中分裂的道路区域目标进行融合的方法为细胞自动机原理的目标融合方法，具体为：当目标点8邻域和≥4时，设定目标=1；当目标点8邻域和<4时，设定目标=0；根据目标融合方法对无噪声前景数据进行N次融合操作，连接分裂的道路区域目标。
8.如权利要求1所述的一种基于背景建模和分类网络的高速路抛洒物检测方法，其特征在于，所述S3中，包括具体以下步骤：
S31：在目标对象集中收集包含抛洒物和非抛洒物的样本，进行道路区域目标检测，输出抛洒物样本坐标信息和非抛洒物样本坐标信息，并根据抛洒物样本坐标信息和非抛洒物样本坐标信息剪裁出包含抛洒物和非抛洒物的目标数据并缩放到96*96大小，创建包含抛洒物和非抛洒物的初始样本集；
S32：对包含抛洒物和非抛洒物的初始样本集进行数据清洗和标注，并按4:1的比例分为训练集和测试集两部分，最终合并训练集和测试集，得到包含抛洒物和非抛洒物的合并样本集；
S33：对包含抛洒物和非抛洒物的合并样本集进行增强处理，得到包含抛洒物和非抛洒物的完整样本集。
9.如权利要求1-8任一项所述的一种基于背景建模和分类网络的高速路抛洒物检测方法，其特征在于，所述S4中分类网络模型训练的方法为使用随机梯度下降法通过VGG16主干网络的模型训练，所述S5中网络模型部署的工具为TensorRt工具。
10.如权利要求9所述的一种基于背景建模和分类网络的高速路抛洒物检测方法，其特征在于，所述S4中模型训练优化为调整训练参数和补充训练样本，根据loss值的变化调整训练参数，调整学习率、迭代次数；当调整参数后训练结果没有变化时，则根据测试集结果分析样本集类别不均衡、缺少特征的情况，根据具体原因补充相应的样本集再进行FineTuning。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111251147.4A CN113688812A (zh) | 2021-10-27 | 2021-10-27 | 一种基于背景建模和分类网络的高速路抛洒物检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111251147.4A CN113688812A (zh) | 2021-10-27 | 2021-10-27 | 一种基于背景建模和分类网络的高速路抛洒物检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113688812A true CN113688812A (zh) | 2021-11-23 |
Family
ID=78588115
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111251147.4A Pending CN113688812A (zh) | 2021-10-27 | 2021-10-27 | 一种基于背景建模和分类网络的高速路抛洒物检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113688812A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104331879A (zh) * | 2014-10-17 | 2015-02-04 | 上海交通大学 | 基于机器视觉的道路检测方法 |
| 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 |
| CN108171695A (zh) * | 2017-12-29 | 2018-06-15 | 安徽农业大学 | 一种基于图像处理的高速公路路面检测方法 |
-
2021
- 2021-10-27 CN CN202111251147.4A patent/CN113688812A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104331879A (zh) * | 2014-10-17 | 2015-02-04 | 上海交通大学 | 基于机器视觉的道路检测方法 |
| 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 |
| CN108171695A (zh) * | 2017-12-29 | 2018-06-15 | 安徽农业大学 | 一种基于图像处理的高速公路路面检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 潘洁晨: "《基于遥感影像矿山环境信息提取方法研究》", 31 October 2019 * |
| 理勤辉: "公路抛洒物视频检测方法研究", 《中国优秀硕博士学位论文全文数据库（硕士）》 * |
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 | |
| CN110348445B (zh) | 一种融合空洞卷积和边缘信息的实例分割方法 | |
| CN104463903B (zh) | 一种基于目标行为分析的行人图像实时检测方法 | |
| CN110766098A (zh) | 基于改进YOLOv3的交通场景小目标检测方法 | |
| CN108615358A (zh) | 一种道路拥堵检测方法及装置 | |
| CN110751099A (zh) | 一种基于深度学习的无人机航拍视频轨迹高精度提取方法 | |
| CN105608431A (zh) | 一种基于车辆数目与车流速度的高速公路拥堵检测方法 | |
| CN109815859A (zh) | 一种低等级道路自动提取及变化分析方法 | |
| CN105632170A (zh) | 一种基于Mean Shift跟踪算法的交通流检测方法 | |
| CN101819681B (zh) | 权值自适应调整的加权平均背景更新方法 | |
| CN111127520B (zh) | 一种基于视频分析的车辆跟踪方法和系统 | |
| CN113516853A (zh) | 一种针对复杂监控场景的多车道车流量检测方法 | |
| 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 | |
| CN113688812A (zh) | 一种基于背景建模和分类网络的高速路抛洒物检测方法 | |
| Chang et al. | Using spatiotemporal stacks for precise vehicle tracking from roadside 3D LiDAR data | |
| CN104680787B (zh) | 一种道路拥堵检测方法 | |
| CN111339824A (zh) | 基于机器视觉的路面抛洒物检测方法 | |
| CN108256444B (zh) | 一种用于车载视觉系统的目标检测方法 | |
| CN115100650A (zh) | 基于多重高斯模型的高速公路异常场景去噪及识别方法、装置 | |
| CN114677343A (zh) | 一种基于双背景的高速公路抛洒物检测方法 | |
| CN112883813B (zh) | 一种基于监控视频的高速公路路面抛洒物检测方法 | |
| CN114419531A (zh) | 目标检测方法、目标检测系统以及计算机可读存储介质 | |
| CN114648549A (zh) | 一种融合视觉和激光雷达的交通场景目标检测及定位方法 | |
| Malekshahi et al. | Detection and removal of rain from video using predominant direction of Gabor filters | |
| CN114913488A (zh) | 抛洒物检测方法、装置、电子设备及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211123 |
|
| RJ01 | Rejection of invention patent application after publication |