CN114120077B - 一种基于无人机航拍大数据下的防控风险预警方法 - Google Patents
一种基于无人机航拍大数据下的防控风险预警方法 Download PDFInfo
- Publication number
- CN114120077B CN114120077B CN202210096984.2A CN202210096984A CN114120077B CN 114120077 B CN114120077 B CN 114120077B CN 202210096984 A CN202210096984 A CN 202210096984A CN 114120077 B CN114120077 B CN 114120077B
- Authority
- CN
- China
- Prior art keywords
- appearance
- motion
- granularity
- convolution
- time
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于机器人视觉领域异常检测技术,尤其涉及一种基于无人机航拍大数据下的防控风险预警方法。本发明通过采集数据,对数据提取多层次多粒度特征,然后对多层次多粒度特征进行外观编码和运动编码进行特征融合,输出风险判断结果。本发明使用一种隐式多粒度外观‑运动编码网络来学习异常情况,通过对外观‑运动编码对物体的外观和运动属性进行学习,将两个模块的输出进行融合,进一步增强了特征表示。
Description
技术领域
本发明属于机器人视觉领域异常检测技术,尤其涉及一种基于无人机航拍大数据下的防控风险预警方法。
背景技术
在高层建筑物密集的场所,往往存在高空坠物的隐患。除人为因素及台风、暴雨等自然因素外,钢架和墙面没有锁稳、缺乏有效固定,年久失修、钢架老化、腐朽等原因导致的高空坠物防不胜防,需要建筑物管理人付出巨大的人力物力进行巡查和防范。因此,针对高空坠物的安全隐患自动排查,极大减少了人工成本,减少了安全隐患。
针对无人机航拍大数据下的风险防控,特别是高空坠物风险防控这一关键问题,现有一种鲁棒、轻量的防控模型。这种防控模型基于智能监控的风险防控受限于数据采集的问题,在开放动态环境下不能针对性地进行预警。在具体场景下,针对粗粒度物体防控,如高空广告牌等具有长期静止、姿态保持不变的特性大型悬挂物,如果选择安装智能监控,成本较高;而针对细粒度物体防控,如高层建筑的阳台盆栽等小物体,其位置又处于智能监控的视觉盲区。而基于航空大数据的手段具有灵活性高、数据量少的优点,可以针对性、动态的对高危风险进行选择性监控。在采集的数据中,广告牌等物体作为主体静止不动,但同时存在临时出现的物体、光照等干扰噪声,并且由于高空坠落事件很少发生,正常数据和异常数据之间存在类不平衡问题,不可能收集所有潜在的异常事件,使得任务具有挑战性。
发明内容
为了解决现有技术中的上述问题,本发明提出了一种基于无人机航拍大数据下的防控风险预警方法,所述方法包括以下步骤:
步骤S1:标定存在高空坠物风险的位置,设计无人机航拍巡航路线,设定无人机拍摄时间和坐标,同一坐标下拍摄的所有图像为一组序列数据,采集数据。
步骤S2:对采集的每一组序列数据提取多层次多粒度特征。
步骤S3:对提取的多层次多粒度特征进行外观编码和运动编码。
步骤S4:对外观编码和运动编码进行特征融合,输出风险判断结果。
优选的方案如下:
所述步骤S2中,提取多层次多粒度特征方法为:针对一组序列数据,表示拍摄时间,每张图像的大小是,表示图像的高度,表示图像的宽度,将每张图像复制3份,从三个不同分辨率的层次对进行粒度划分,划分为4个大小为个小补丁,划分为16个大小为个小补丁,划分为32个大小为个小补丁。沿时间维度对不同层次划分的粒度小补丁串在一起,即形成了4个输入组:
经过卷积拓展过的神经网络共有5个卷积组,分别为,,,,,将输入到中,得到提取的特征,此时和的分辨率大小相同。经过一个1×1卷积层后与在通道维度上拼接,作为的输入,得到提取的特征,此时和的分辨率大小相同。经过一个1×1卷积层后与在通道维度上拼接,作为的输入,得到提取的特征,此时和的分辨率大小相同。经过一个1×1卷积层后与在通道维度上拼接,作为的输入,得到提取的特征,继续输入到中,得到特征。为提取的多层次多粒度特征。
进行异常检测需要学习正常场景的模式,从而检测出未见的、未定义的异常。本发明通过检测广告牌等静止物体是否发生位移,进而判断是否存在坠落的风险。针对存在隐患的物体存在变形的外观和发生位移两大特性。本发明使用一种隐式多粒度外观-运动编码网络来学习异常情况。其中通过提取多层次多粒度特征来建模不同粒度物体在长时间跨度的时空依赖关系,通过对外观-运动编码对物体的外观和运动属性进行学习,这两个模块的输出进行融合,进一步增强了特征表示。
附图说明
图1为原始输入图像。
图2为外观特征图。
图3为运动特征图。
图4为外观编码。
图5为运动编码。
具体实施方式
下面结合附图与实施例对本发明做进一步说明。在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一:
本实施例提出一种基于无人机航拍大数据下的防控风险预警方法,包括以下步骤:
步骤S1:无人机航拍数据的采集过程如下:初始状态下,无人机在所设定的应用场景下,全方位立体的进行巡航。技术人员根据采集的图像,标定存在高空坠物风险的位置,设计无人机航拍巡航路线。之后,无人机每天在固定的时间沿固定的轨迹飞行,在固定的坐标拍摄图像。同一坐标下拍摄的所有图像视为一组序列数据,沿着时间维度判断该位置是否出现异常风险。
步骤S2:对采集的每一组序列数据提取多层次多粒度特征。高空坠物风险防控中,除广告牌等大型物体外,往往还有阳台上的盆栽等小物体的防控。这就要求防控风险预警方法对盆栽等细粒度物体鲁棒。此外,无人机航拍图像的质量高,单张图像分辨率高,使用普通卷积和深层网络难以获得全局的感受野。因此采用多层次多粒度特征提取方法。
步骤S3:对提取的多层次多粒度特征进行外观编码和运动编码。
步骤S4:对外观编码和运动编码进行特征融合,输出风险判断结果。
实施例二:
实施例一的步骤S2中,通过下述方法对多层次多粒度特征提取:针对一组序列图像,表示拍摄时间,使用多层次多粒度的方法提取带有区分性的特征。每张的大小是,表示图像的高度,表示图像的宽度,将每张图像复制3份,从三个不同分辨率的层次对进行粒度划分,划分为4个大小为个小补丁,划分为16个大小为个小补丁,划分为32个大小为个小补丁。沿时间维度对不同层次划分的粒度小补丁串在一起,即形成了4个输入组:
经过卷积拓展过的神经网络共有5个卷积组,分别为,,,,,将输入到中,得到提取的特征,此时和的分辨率大小相同。经过一个1×1卷积层后与在通道维度上拼接,作为的输入,得到提取的特征,此时和的分辨率大小相同。经过一个1×1卷积层后与在通道维度上拼接,作为的输入,得到提取的特征,此时和的分辨率大小相同。经过一个1×1卷积层后与在通道维度上拼接,作为的输入,得到提取的特征,继续输入到中得到特征。为提取的多层次多粒度特征。
该方法将图像从不同层次划分成不同大小的小补丁,可以让网络学习到不同粒度的全局感受野,提取不同大小的物体更具有区分性的特征。且通过卷积拓展网络,学习不同时间段拍摄到照片的时间信息,对物体的时空关系进行建模,使得学习的特征具有长期依赖和历史记忆,更好的学习到物体的位置信息和外观信息,进而检测到是否存在高空坠落的风险。该方法的可拓展性高,可以针对具体任务设计更高层次更细粒度的小补丁划分。
实施例三:
在实施例一的步骤S3中,对提取的多层次多粒度特征进行双路编码,即进行外观编码和运动编码。在序列数据中物体具有两个属性,分别是外观和运动,即外观是否发生形变、颜色光照变化和遮挡等,运动指的是位置相对于背景是否发生变化。外观编码和运动编码具体方法如下:
实施例四:
在实施例一中,外观编码和运动编码特征融合方法为:
为了更好地利用外观编码和运动编码的全局语义信息,将外观编码和运动编码经过一个共享权重的卷积层后进行一个逐元素的加和操作实现特征融合,然后接一个前馈神经网络(FFN)得到最终的预测结果,输出风险判断结果。
表1是本发明方法的一个仿真实验,该实验采用受试者工作特征曲线下的面积(AUC)作为性能指标。AUC是衡量二分类模型优劣的一种评价指标,对于本发明涉及的检测是否异常的任务是十分契合的。本发明在自行搜集的仿真数据集和UCSD Ped2 公开数据集上进行实验。考虑到本发明的泛化性,本发明所采用的仿真数据集是三种不同型号无人航拍机(包括大疆mini2,MAX,kidsdeer)所拍摄的照片。数据集共324组序列数据,每一组序列数据中有50张航拍照片。每张照片都1到3个目标(目标主要是存在高空坠物安全隐患的物体)和若干干扰物体(包括路面上的车辆、阳台上的人、晾晒的衣物等),每张照片的标注信息都包括目标的位置信息。所有的照片都统一缩放到512×512×3大小,其中198组序列数据作为训练集、其余组序列数据作为验证集。UCSD Ped2数据集由两个通过安装的摄像机获得的俯瞰人行道场景组成。因此,前景对象的大小和移动变化很小,视频是灰度和低分辨率的。
本发明方法与Mem-guided、MemAE、Auto-reg、HybridAE四个异常检测算法进行比较,结果如表1所示:
表1 本发明方法与其他算法比较结果
与现有技术相比,本发明采用多层次多粒度特征提取方法获得全局感受野,在仿真数据集和公开数据集UCSDPed2上都取得了比现有Mem-guided、MemAE、Auto-reg、HybridAE方法更好的效果。
如附图1-3是关于外观特征图和运动特征图的可视化效果分析。以附图1中的原始输入图像为例,附图2是外观特征图,可见本发明可以较为准确的识别场景中出现的物体,如窗户中出现的人和旗帜;附图3是运动特征图,可见本发明可以通过序列数据中前后文信息识别出位移的物体,如人挥舞的手臂和被风吹舞的旗帜。附图4和5分别是外观编码和运动编码,在外观特征图和运动特征图的基础上,在相应的位置有更高的编码值,表示本发明使用的模型关注到了正确的外观和运动信息,提取到了正确的特征并且使用了正确的编码表示。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
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 (1)
1.一种基于无人机航拍大数据下的防控风险预警方法,其特征在于,包括以下步骤:
步骤S1:标定存在高空坠物风险的位置,设计无人机航拍巡航路线,设定无人机拍摄时间和坐标,同一坐标下拍摄的所有图像为一组序列数据,采集数据;
步骤S2:对采集的每一组序列数据提取多层次多粒度特征;
步骤S3:对提取的多层次多粒度特征进行外观编码和运动编码;
步骤S4:对外观编码和运动编码进行特征融合,输出风险判断结果;
所述步骤S2,针对一组序列数据,每张图像的大小是,表示拍摄时间,表示图像的高度,表示图像的宽度,将每张图像复制3份,从三个不同分辨率的层次对进行粒度划分,划分为4个大小为个小补丁,划分为16个大小为个小补丁,划分为32个大小为个小补丁;沿时间维度对不同层次划分的粒度小补丁串在一起,即形成了4个输入组:
其中表示小补丁索引;经过卷积拓展过的神经网络共有5个卷积组,分别为,,,,,将输入到中,得到提取的特征,此时和的分辨率大小相同;经过一个1×1卷积层后与在通道维度上拼接,作为的输入,得到提取的特征,此时和的分辨率大小相同;经过一个1×1卷积层后与在通道维度上拼接,作为的输入,得到提取的特征,此时和的分辨率大小相同;经过一个1×1卷积层后与在通道维度上拼接,作为的输入,得到提取的特征,继续输入到中,得到多层次多粒度特征;
所述步骤S3中,将提取的多层次多粒度特征经过一个卷积输出两个分解特征图,分别为外观特征图和运动特征图;外观特征图经过一个卷积操作得到三个新的特征图、和,、和经过重塑操作,将大小由变为,经过转置后与点积,再与点积,得到的结果重塑回,再与相加,输出外观编码;运动特征图经过一个3D卷积操作得到一个新的特征图,经过重塑操作,将大小由变为,得到;和转置后的点积,经过一个激活函数得到;经过转置后与点积,再重塑回,再与相加,输出运动编码;表示时间索引,表示通道数,表示外观特征图的长度,表示外观特征图的宽度,表示运动特征图的长度,表示运动特征图的宽度;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210096984.2A CN114120077B (zh) | 2022-01-27 | 2022-01-27 | 一种基于无人机航拍大数据下的防控风险预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210096984.2A CN114120077B (zh) | 2022-01-27 | 2022-01-27 | 一种基于无人机航拍大数据下的防控风险预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114120077A CN114120077A (zh) | 2022-03-01 |
CN114120077B true CN114120077B (zh) | 2022-05-03 |
Family
ID=80361296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210096984.2A Active CN114120077B (zh) | 2022-01-27 | 2022-01-27 | 一种基于无人机航拍大数据下的防控风险预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114120077B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272899B (zh) * | 2022-09-27 | 2023-04-07 | 广东国图勘测地理信息有限公司 | 一种风险预警方法、装置、飞行器及存储介质 |
CN115796591B (zh) * | 2022-12-06 | 2023-07-07 | 深圳市博铭维系统工程有限公司 | 一种基于图像采集的智慧城市居住安全预警分析方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298227A (zh) * | 2019-04-17 | 2019-10-01 | 南京航空航天大学 | 一种基于深度学习的无人机航拍图像中的车辆检测方法 |
CN112949579A (zh) * | 2021-03-30 | 2021-06-11 | 上海交通大学 | 一种基于密集卷积块神经网络的目标融合检测系统及方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280443A (zh) * | 2018-02-23 | 2018-07-13 | 深圳市唯特视科技有限公司 | 一种基于深特征提取异步融合网络的动作识别方法 |
CN109858407B (zh) * | 2019-01-17 | 2023-11-10 | 西北大学 | 一种基于多种信息流特征和异步融合的视频行为识别方法 |
CN111046732B (zh) * | 2019-11-11 | 2023-11-28 | 华中师范大学 | 一种基于多粒度语义解析的行人重识别方法及存储介质 |
CN111259786B (zh) * | 2020-01-14 | 2022-05-03 | 浙江大学 | 一种基于视频的外观和运动信息同步增强的行人重识别方法 |
CN111461217B (zh) * | 2020-03-31 | 2023-05-23 | 华南理工大学 | 一种基于特征融合和上采样的航拍图像小目标检测方法 |
CN111738070A (zh) * | 2020-05-14 | 2020-10-02 | 华南理工大学 | 一种多个小目标的自动准确检测方法 |
CN111476219A (zh) * | 2020-06-02 | 2020-07-31 | 苏州科技大学 | 智能家居环境中图像目标检测方法 |
CN113269054B (zh) * | 2021-04-30 | 2022-06-10 | 重庆邮电大学 | 一种基于时空2d卷积神经网络的航拍视频分析方法 |
-
2022
- 2022-01-27 CN CN202210096984.2A patent/CN114120077B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298227A (zh) * | 2019-04-17 | 2019-10-01 | 南京航空航天大学 | 一种基于深度学习的无人机航拍图像中的车辆检测方法 |
CN112949579A (zh) * | 2021-03-30 | 2021-06-11 | 上海交通大学 | 一种基于密集卷积块神经网络的目标融合检测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114120077A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111967393B (zh) | 一种基于改进YOLOv4的安全帽佩戴检测方法 | |
CN110163187B (zh) | 基于f-rcnn的远距离交通标志检测识别方法 | |
Eykholt et al. | Robust physical-world attacks on deep learning visual classification | |
CN114120077B (zh) | 一种基于无人机航拍大数据下的防控风险预警方法 | |
CN111723654B (zh) | 基于背景建模、YOLOv3与自优化的高空抛物检测方法及装置 | |
CN104378582B (zh) | 一种基于ptz摄像机巡航的智能视频分析系统及方法 | |
CN111899227A (zh) | 基于无人机作业的铁路扣件缺陷自动采集辨识方法 | |
CN108985192A (zh) | 一种基于多任务深度卷积神经网络的视频烟雾识别方法 | |
CN107352032A (zh) | 一种人流量数据的监控方法及无人机 | |
CN100565557C (zh) | 基于粒子动态采样模型的红外人体目标跟踪系统 | |
CN109191255B (zh) | 一种基于无监督特征点检测的商品对齐方法 | |
CN109241902A (zh) | 一种基于多尺度特征融合的山体滑坡检测方法 | |
CN111401188A (zh) | 一种基于人体关键点特征的交警手势识别方法 | |
Zhang et al. | Transmission line abnormal target detection based on machine learning yolo v3 | |
CN109948474A (zh) | Ai热成像全天候智能监控方法 | |
CN116363748A (zh) | 基于红外-可见光图像融合的电网现场作业一体管控方法 | |
CN111260687B (zh) | 一种基于语义感知网络和相关滤波的航拍视频目标跟踪方法 | |
CN116846059A (zh) | 一种用于电网巡检和监控的边缘检测系统 | |
CN103366158A (zh) | 基于三维结构和色彩模型的单目视觉路面检测方法 | |
CN116343513B (zh) | 农村公路超视距风险点安全监测预警方法及其系统 | |
CN105740819A (zh) | 一种基于整数规划的人群密度估计方法 | |
CN115482483A (zh) | 一种交通视频目标跟踪装置、方法及存储介质 | |
CN113837001A (zh) | 监控场景下的异常闯入物实时检测方法及装置 | |
CN113869122A (zh) | 一种配网工程强化管控方法 | |
Hummel et al. | Data simulation and testing of visual algorithms in synthetic environments for security sensor networks |
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 |