CN114299002A - 一种路面抛洒异常行为智能检测系统与方法 - Google Patents
一种路面抛洒异常行为智能检测系统与方法 Download PDFInfo
- Publication number
- CN114299002A CN114299002A CN202111602648.2A CN202111602648A CN114299002A CN 114299002 A CN114299002 A CN 114299002A CN 202111602648 A CN202111602648 A CN 202111602648A CN 114299002 A CN114299002 A CN 114299002A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- area
- images
- abnormal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 45
- 206010000117 Abnormal behaviour Diseases 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000004044 response Effects 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012544 monitoring process Methods 0.000 claims abstract description 7
- 230000006399 behavior Effects 0.000 claims description 14
- 238000003708 edge detection Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 3
- 238000012887 quadratic function Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 102100035932 Cocaine- and amphetamine-regulated transcript protein Human genes 0.000 description 2
- 101000715592 Homo sapiens Cocaine- and amphetamine-regulated transcript protein Proteins 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种路面抛洒异常行为智能检测系统与方法,该系统主要由图像采集模块、图像识别模块、信息响应模块组成，首先利用道路监控摄像头采集汽车行驶的图像并将图像信息实时输入到计算机进行预处理，再将预处理后的图像利用算法进行识别检测，图像采集模块是在道路场景下通过摄像机采集图像，对图像进行关键帧处理后，将关键帧图像数据送送入图像识别模块；图像识别模块的功能是对图像利用算法进行异常行为检测；信息响应模块的功能是将异常信息进行数理统计，计算图像中异常行为车辆信息，本申请实施例能够高精度的分析路面的真实异物状态,检测出多种类型的抛洒物类别,不局限于抛洒物尺寸、空间特征、类别和运动状态。
Description
技术领域
发明涉及路面异常行为检测领域,尤其涉及一种路面抛洒异常行为智能检测系统与方法。
背景技术
近年来，随着汽车保有量的大幅度增加，交通事故的发生也呈明显增加的趋势。据相关统计，抛洒异物驾驶在交通事故中占22％-30％，在死亡交通事故中也是一个重要原因。
在高速行驶的过程中经常因为人为和非人为的因素出现抛洒物,为保障高速公路上的安全，目前主要基于视觉的抛洒物检测系统检测高速公路中的抛洒物。
在对现有技术的研究和实践过程中,本申请实施例的发明人发现,现有的基于视觉的抛洒物检测系统多为目标检测方案,由于抛洒物的种类太多且大小不确定,因此只能检测出少数几类的抛洒物，且训练数据难获取以及抛洒物检测系统的鲁棒性较低。
发明内容
为了克服现有技术存在的缺点与不足,本发明提供一种路面抛洒异常行为智能检测系统与方法。
本发明所采用的技术方案是，该系统主要由图像采集模块、图像识别模块、信息响应模块组成，首先利用道路监控摄像头采集汽车行驶的图像并将图像信息实时输入到计算机进行预处理，再将预处理后的图像利用算法进行识别检测；
所述图像采集模块是在道路场景下通过监控摄像头采集图像，对图像进行关键帧处理后，将关键帧图像数据送入图像识别模块；图像识别模块的功能是对图像利用算法进行异常行为检测；信息响应模块的功能是将异常信息进行数理统计，计算图像中异常行为车辆信息。
进一步地，一种路面抛洒异常行为智能检测方法，步骤如下所示：
步骤S1：图像预处理，利用随机擦除法去除图像中的目标被遮挡的情形；
步骤S2:图像区域分割，图像预处理后利用中值滤波算法对图像进行去噪处理，消除路面虚实线的干扰，随后利用Canny边缘检测算法对图像中不同的行驶车辆进行区域分割；
步骤S3:小型轿车特征提取，利用局部二值模式算法提取小型轿车的纹理特征；
步骤S4:大型货车特征提取，利用sift算法提取大型货车的纹理特征；
步骤S5:天气特征识别，不同的天气状况影响车辆识别效果，利用对比度特征和相对饱和度识别出天气状况；
步骤S6:图像对比，利用光流法识别出相邻两张图像中物体的位移位置，判断出是否出现抛洒的异常行为。
进一步地，所述步骤S1随机擦除法，该方法过程如下：
步骤S11：设置图像的擦除概率为x，当概率大于x时，利用图像中的一块随机区域y填充指定像素值；
步骤S12：对随机区域y的参数进行设置，随机区域面积表示为A，A的值为图像的垂直像素的个数与水平像素个数乘积，随机擦除面积的矩形高和宽利用随机擦除区域面积A1得到，计算公式为：
A1＝A*random(A2，A3)，
其中，A2,A3表示为设定的擦除面积阈值，B1表示为擦除区域的高度，C1表示为擦除区域的宽度，b1表示擦除区域的高宽比；
步骤S13：在图像中随机选择一个点Q1(m1，n1)，(m1，n1)的限制条件具体如下：
其中Dm、Dn、D1和D3分别表示图像边框左上顶点的横纵坐标值以及长宽值；
步骤S14：赋值给随机擦除区域，并将处理后图像进行输出。
进一步地，所述步骤S2，具体步骤为：
S21：对步骤S14输出的图像进行灰度化处理；
S22：对灰度化后的图像进行中值滤波去噪处理，使用的是窗口大小为5，像素为×5；
S23：利用Canny边缘检测算法提取图像边缘信息，设定最小与最大阈值，其中最小阈值为3，最大阈值为35；
S24：对Canny边缘检测算法处理后图像利用膨胀方法得到二值图像，每一张图像中，寻找从一点开始到图像底部全部为连通区域的点，并将这点向上的区域全部设置为小型轿车图像，向下的区域全部设置为大型货车图像。
进一步地，所述步骤S3小型轿车特征提取，将小型轿车图像划分成多个大小为2，像素为×2的小区域，计算每块小区域的局部二值，公式为：
式中:(if，jf)表示中心像素的坐标，2h为所以像素点的个数，lf为中心像素的灰度值，g表示中心像素相邻的第g个像素，lh为像素g的灰度值，p(i)为符号函数，公式为:
其中，i表示符号函数的自变元；
统计每个区域局部二值，计算并归一化出每个区域的直方图，将每个区域的统计直方图进行连接形成一个完整的特征向量，即得到小型轿车局部二值特征。
进一步地，所述步骤S4大型货车特征提取，sift算法包含以下3个步骤:
S41：尺度空间的极值检测，利用图像与高斯核函数进行卷积得到高斯尺度空间S(i，j，ζ)，
S(i，j，ζ)＝T(i，j，ζ)V(i，j)，
式中:i,j分别表示为图像中像素点的横纵坐标，ζ为尺度空间因子，利用改变ζ来得到不同的尺度图像，T(i，j，ζ)为高斯核函数，V(i，j)表示灰度图像，其表达式为：
构造高斯差分尺度空间W(i，j，ζ)，
W(i，j，ζ)＝S(i，j，xζ)-S(i，j，ζ)，
式中x表示相邻尺度空间因子的尺度系数，在高斯差分尺度空间上进行像素点的比较，判断是否为极值点，得到的局部极值点就是特征点；
S42：特征点定位，利用拟合三维二次函数确定出特征点的尺度以及位置，同时将对比度低的特征点和不稳定的边缘响应点进行删除；
S43：确定特征点方向，利用特征点邻域像素的梯度方向求取局部结构的方向值。
进一步地，所述步骤S5天气特征识别，利用阴影检测算法从图像数据集中提取晴天户外图像的地面区域阴影集，利用阴影距离计算方法，计算单个地面阴影与阴影集阴影的距离，提取数据集中每幅晴天图像最明显的地面阴影px，提取测试集中的待测图像最明显的地面阴影oy，计算待测图像一个地面阴影与阴影集p中的阴影距离Zyx，公式为:
进一步地，所述步骤S5天气对比度特征，利用均方根对比度作为全局图像特征，均方根对比度Qm计算公式为：
式中:Z(i，j)为像素点(i，j)的亮度；Mt为图像t的像素点数量；
所述相对饱和度的计算公式为：
式中:Pi，j是像素点t(i，j)的饱和度；max(Pt)是图像t的最大饱和度；min(Pt)是图像t的最小饱和度。
进一步地，所述步骤S6光流法，通过计算相邻两张图像的每个像素点经过时间△t后的位移，判断出抛洒异常行为，图像的约束方程如式所示：
A(i，j，t)＝A(i+Δi，j+Δj，t+Δt)，
其中，A(i,j,t)表示在t时刻(i,j)位置的像素。
相较于现有技术,本申请提出的一种路面抛洒异常行为智能检测系统与方法，利用系统对汽车行驶的图像进行拍摄，通过利用随机擦除法、Canny边缘检测算法、特征提取算法、天气识别算法、图像对比算法这一系列算法流程对图像进行预处理、处理、判断出汽车行驶过程中是否出现异常抛洒行为，相较于现有技术,本申请实施例能够高精度的分析路面的真实异物状态,检测出多种类型的抛洒物类别,不局限于抛洒物尺寸、空间特征、类别和运动状态。
附图说明
图1为本发明系统框图；
图2为本发明的方法流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互结合,下面结合附图和有具体实施例对本申请作进一步详细说明。
如图1所示,一种路面抛洒异常行为智能检测系统与方法，该系统主要由图像采集模块、图像识别模块、信息响应模块组成，首先利用道路监控摄像头采集汽车行驶的图像并将图像信息实时输入到计算机进行预处理，再将预处理后的图像利用算法进行识别检测；
所述图像采集模块是在道路场景下通过监控摄像头采集图像，对图像进行关键帧处理后，将关键帧图像数据送入图像识别模块；图像识别模块的功能是对图像利用算法进行异常行为检测；信息响应模块的功能是将异常信息进行数理统计，计算图像中异常行为车辆信息。
本发明采用海康威视DS-2DC4223IW-D/GLT(D)型号摄像头，该摄像头画面输出最大支持1920×1080@30fps，压缩算法为H.265，能够较大节省存储空间，并且支持5G网络传输。
摄像头标配一根一体化辫子线缆，采用网口通讯，使用RJ45网线连接硬件设备与交换机，相较于其他通讯方式，网线通讯不受其他通讯波影响，抗干扰性强、稳定性高，非连接设备无法获取到视频信息，具有一定的保密性，且百兆规格网线即可满足视频传送的实时性。
如图2所示，一种路面抛洒异常行为智能检测方法，步骤如下所示：
步骤S1：图像预处理，利用随机擦除法去除图像中的目标被遮挡的情形；
步骤S2:图像区域分割，图像预处理后利用中值滤波算法对图像进行去噪处理，消除路面虚实线的干扰，随后利用Canny边缘检测算法对图像中不同的行驶车辆进行区域分割；
步骤S3:小型轿车特征提取，利用局部二值模式算法提取小型轿车的纹理特征；
步骤S4:大型货车特征提取，利用sift算法提取大型货车的纹理特征；
步骤S5:天气特征识别，不同的天气状况影响车辆识别效果，利用对比度特征和相对饱和度识别出天气状况；
步骤S6:图像对比，利用光流法识别出相邻两张图像中物体的位移位置，判断出是否出现抛洒的异常行为。
步骤S1随机擦除法，数据增强是图像预处理的常用方法之一，它可以在一定程度上扩充样本、防止过拟合、提高模型鲁棒性。本发明利用随机擦除数据增强方法，去除图像中的目标被遮挡的情形，增加数据集的数量，提高网络的泛化能力，使得网络仅通过学习局部特征即可完成目标的检测和识别。该方法过程如下：
步骤S11：设置图像的擦除概率为x，当概率大于x时，利用图像中的一块随机区域y填充指定像素值；
步骤S12：对随机区域y的参数进行设置，随机区域面积表示为A，A的值为图像的垂直像素的个数与水平像素个数乘积，随机擦除面积的矩形高和宽利用随机擦除区域面积A1得到，计算公式为：
A1＝A*random(A2，A3)，
其中，A2,A3表示为设定的擦除面积阈值，B1表示为擦除区域的高度，C1表示为擦除区域的宽度，b1表示擦除区域的高宽比；
步骤S13：在图像中随机选择一个点Q1(m1，n1)，(m1，n1)的限制条件具体如下：
其中Dm、Dn、D1和D3分别表示图像边框左上顶点的横纵坐标值以及长宽值；
步骤S14：赋值给为擦除区域，并将处理后图像进行输出。
汽车行驶图像可以分为小型轿车和大型货车，划分图像中的汽车类型并识别小型轿车和大型货车是特征提取前的必要工作。
本发明对图像进行去噪处理，消除路面虚实线的干扰。之后，基于Canny算子的边缘检测具有较高的信噪比和检测精度的特点，将Canny算子的边缘检测与形态学相结合作为天际线分割的主要方法，具体步骤为：
S21：对步骤S14输出的图像进行灰度化处理；
S22：对灰度化后的图像进行中值滤波去噪处理使用的是窗口大小为5，像素为×5；
S23：利用Canny边缘检测算法提取图像边缘信息，设定最小与最大阈值，其中最小阈值为3，最大阈值为35；
S24：对Canny边缘检测算法处理后图像利用膨胀方法得到二值图像，每一张图像中，寻找从一点开始到图像底部全部为连通区域的点，并将这点向上的区域全部设置为小型轿车图像，向下的区域全部设置为大型货车图像。
步骤S3小型轿车特征提取，将小型轿车图像划分成多个大小为2，像素为×2的小区域，计算每块小区域的局部二值，公式为：
式中:(if，jf)表示中心像素的坐标，2h为所以像素点的个数，lf为中心像素的灰度值，g表示中心像素相邻的第g个像素，lh为像素g的灰度值，p(i)为符号函数，公式为:
其中，i表示符号函数的自变元；
统计每个区域局部二值，计算并归一化出每个区域的直方图，将每个区域的统计直方图进行连接形成一个完整的特征向量，即得到小型轿车局部二值特征。
使用sift算法提取的特征点对旋转、尺度缩放、亮度变化等因素影响保持不变，对视角变化、仿射变换、噪声具有一定的稳定性。基于以上因素选择sift算法提取图像大型货车中的特征点，步骤S4大型货车特征提取，sift算法包含以下3个步骤:
S41：尺度空间的极值检测，利用图像与高斯核函数进行卷积得到高斯尺度空间S(i，j，ζ)，
S(i，j，ζ)＝T(i，j，ζ)V(i，j)，
其中，i,j分别表示为图像中像素点的横纵坐标，ζ为尺度空间因子，利用改变ζ来得到不同的尺度图像，T(i，j，ζ)为高斯核函数，V(i，j)表示灰度图像，其表达式为：
构造高斯差分尺度空间W(i，j，ζ)，
W(i，j，ζ)＝S(i，j，xζ)-S(i，j，ζ)，
式中x表示相邻尺度空间因子的尺度系数，在高斯差分尺度空间上进行像素点的比较，判断是否为极值点，得到的局部极值点就是特征点；
S42：特征点定位，利用拟合三维二次函数确定出特征点的尺度以及位置，同时将对比度低的特征点和不稳定的边缘响应点进行删除；
S43：确定特征点方向，利用特征点邻域像素的梯度方向求取局部结构的方向值。
特征点描述。首先，校正旋转主方向，确保旋转不变性；然后，生成描述子形成一个128维的特征向量；最后，将特征向量长度进行归一化处理。
步骤S5天气特征识别，利用阴影检测算法从图像数据集中提取晴天户外图像的地面区域阴影集，利用阴影距离计算方法，计算单个地面阴影与阴影集阴影的距离，提取数据集中每幅晴天图像最明显的地面阴影px，提取测试集中的待测图像最明显的地面阴影oy，计算待测图像一个地面阴影与阴影集p中的阴影距离Zyx，公式为:
步骤S5天气对比度特征，利用均方根对比度作为全局图像特征，均方根对比度Qm计算公式为：
式中:Z(i，j)为像素点(i，j)的亮度；Mt为图像t的像素点数量；
所述相对饱和度的计算公式为：
式中:Pi，j是像素点t(i，j)的饱和度；max(Pt)是图像t的最大饱和度；min(Pt)是图像t的最小饱和度。
提取图像特征后，利用随机森林分类器进行分类训练。首先，为了使每棵树的训练集不同且里面包含重复的训练样本，利用Bootstrap抽样从数据集中抽取10个训练集，每个训练集包含10000幅汽车图像；然后从SITF、局部二值、阴影特征、对比度、相对饱和的5个特征中随机选k个特征(0＜k＜10)，按照每个特征的信息增益大小依次选择分类节点建立分类回归树(CART)。重复以上步骤m次，建立m棵CART，最后将这m棵CART形成随机森林，建立投票表决机制，确定每个户外图像抛洒物类别。
步骤S6光流法，通过计算相邻两张图像的每个像素点经过时间△t后的位移，判断出抛洒异常行为，图像的约束方程如式所示：
A(i，j，t)＝A(i+Δi，j+Δj，t+Δt)，
其中，A(i,j,t)表示在t时刻(i,j)位置的像素。
相较于现有技术,本申请提出的一种路面抛洒异常行为智能检测系统与方法，利用系统对汽车行驶的图像进行拍摄，通过利用随机擦除法、Canny边缘检测算法、特征提取算法、天气识别算法、图像对比算法这一系列算法流程对图像进行预处理、处理、判断出汽车行驶过程中是否出现异常抛洒行为，相较于现有技术,本申请实施例能够高精度的分析路面的真实异物状态,检测出多种类型的抛洒物类别,不局限于抛洒物尺寸、空间特征、类别和运动状态。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解的是,在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种等效的变化、修改、替换和变型,本发明的范围由所附权利要求及其等同范围限定。
Claims (9)
1.一种路面抛洒异常行为智能检测系统，其特征在于，该系统主要由图像采集模块、图像识别模块、信息响应模块组成，首先利用道路监控摄像头采集汽车行驶的图像并将图像信息实时输入到计算机进行预处理，再将预处理后的图像利用算法进行识别检测；
所述图像采集模块是在道路场景下通过监控摄像头采集图像，对图像进行关键帧处理后，将关键帧图像数据送入图像识别模块；图像识别模块的功能是对图像利用算法进行异常行为检测；信息响应模块的功能是将异常信息进行数理统计，计算图像中异常行为车辆信息。
2.一种路面抛洒异常行为智能检测方法，其特征在于，步骤如下所示：
步骤S1：图像预处理，利用随机擦除法去除图像中的目标被遮挡的情形；
步骤S2:图像区域分割，图像预处理后利用中值滤波算法对图像进行去噪处理，消除路面虚实线的干扰，随后利用Canny边缘检测算法对图像中不同的行驶车辆进行区域分割；
步骤S3:小型轿车特征提取，利用局部二值模式算法提取小型轿车的纹理特征；
步骤S4:大型货车特征提取，利用sift算法提取大型货车的纹理特征；
步骤S5:天气特征识别，不同的天气状况影响车辆识别效果，利用对比度特征和相对饱和度识别出天气状况；
步骤S6:图像对比，利用光流法识别出相邻两张图像中物体的位移位置，判断出是否出现抛洒的异常行为。
3.如权利要求3所述的一种路面抛洒异常行为智能检测方法，其特征在于，所述步骤S1随机擦除法，该方法过程如下：
步骤S11：设置图像的擦除概率为x，当概率大于x时，利用图像中的一块随机区域y填充指定像素值；
步骤S12：对随机区域y的参数进行设置，随机区域面积表示为A，A的值为图像的垂直像素的个数与水平像素个数乘积，随机擦除面积的矩形高和宽利用随机擦除区域面积A1得到，计算公式为：
A1＝A*random(A2，A3)，
其中，A2，A3表示为设定的擦除面积阈值，B1表示为擦除区域的高度，C1表示为擦除区域的宽度，b1表示擦除区域的高宽比；
步骤S13：在图像中随机选择一个点Q1(m1，n1)，(m1，n1)的限制条件具体如下：
其中Dm、Dn、D1和D3分别表示图像边框左上顶点的横纵坐标值以及长宽值；
步骤S14：赋值给为擦除区域，并将处理后图像进行输出。
4.如权利要求3所述的一种路面抛洒异常行为智能检测方法，其特征在于，所述步骤S2，具体步骤为：
S21：对步骤S14输出的图像进行灰度化处理；
S22：对灰度化后的图像进行中值滤波去噪处理使用的是窗口大小为5，像素为×5；
S23：利用Canny边缘检测算法提取图像边缘信息，设定最小与最大阈值，其中最小阈值为3，最大阈值为35；
S24：对Canny边缘检测算法处理后图像利用膨胀方法得到二值图像，每一张图像中，寻找从一点开始到图像底部全部为连通区域的点，并将这点向上的区域全部设置为小型轿车图像，向下的区域全部设置为大型货车图像。
5.如权利要求3所述的一种路面抛洒异常行为智能检测方法，其特征在于，所述步骤S3小型轿车特征提取，将小型轿车图像划分成多个大小为2，像素为×2的小区域，计算每块小区域的局部二值，公式为：
式中：(if，jf)表示中心像素的坐标，2h为所以像素点的个数，lf为中心像素的灰度值，g表示中心像素相邻的第g个像素，lh为像素g的灰度值，p(i)为符号函数，公式为
其中，i表示符号函数的自变元；
统计每个区域局部二值，计算并归一化出每个区域的直方图，将每个区域的统计直方图进行连接形成一个完整的特征向量，即得到小型轿车局部二值特征。
6.如权利要求3所述的一种路面抛洒异常行为智能检测方法，其特征在于，所述步骤S4大型货车特征提取，sift算法包含以下3个步骤：
S41：尺度空间的极值检测，利用图像与高斯核函数进行卷积得到高斯尺度空间S(i，j，ζ)，
S(i，j，ζ)＝T(i，j，ζ)V(i，j)，
式中：i，j分别表示为图像中像素点的横纵坐标，ζ为尺度空间因子，利用改变ζ来得到不同的尺度图像，T(i，j，ζ)为高斯核函数，V(i，j)表示灰度图像，其表达式为：
构造高斯差分尺度空间W(i，j，ζ)，
W(i，j，ζ)＝S(i，j，xζ)-S(i，j，ζ)，
式中x表示相邻尺度空间因子的尺度系数，在高斯差分尺度空间上进行像素点的比较，判断是否为极值点，得到的局部极值点就是特征点；
S42：特征点定位，利用拟合三维二次函数确定出特征点的尺度以及位置，同时将对比度低的特征点和不稳定的边缘响应点进行删除；
S43：确定特征点方向，利用特征点邻域像素的梯度方向求取局部结构的方向值。
7.如权利要求3所述的一种路面抛洒异常行为智能检测方法，其特征在于，所述步骤S5天气特征识别，利用阴影检测算法从图像数据集中提取晴天户外图像的地面区域阴影集，利用阴影距离计算方法，计算单个地面阴影与阴影集阴影的距离，提取数据集中每幅晴天图像最明显的地面阴影px，提取测试集中的待测图像最明显的地面阴影Oy，计算待测图像一个地面阴影与阴影集p中的阴影距离Zyx，公式为：
8.如权利要求3所述的一种路面抛洒异常行为智能检测方法，其特征在于，所述步骤S5天气对比度特征，利用均方根对比度作为全局图像特征，均方根对比度Qm计算公式为：
式中：Z(i，j)为像素点(i，j)的亮度；Mt为图像t的像素点数量；
所述相对饱和度的计算公式为：
式中：Pi，j是像素点t(i，j)的饱和度；max(Pt)是图像t的最大饱和度；min(Pt)是图像t的最小饱和度。
9.如权利要求1所述的一种路面抛洒异常行为智能检测系统与方法，其特征在于，所述步骤S6光流法，通过计算相邻两张图像的每个像素点经过时间Δt后的位移，判断出抛洒异常行为，图像的约束方程如式所示：
A(i，j，t)＝A(i+Δi，j+Δj，t+Δt)，
其中，A(i，j，t)表示在t时刻(i，j)位置的像素。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111602648.2A CN114299002A (zh) | 2021-12-24 | 2021-12-24 | 一种路面抛洒异常行为智能检测系统与方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111602648.2A CN114299002A (zh) | 2021-12-24 | 2021-12-24 | 一种路面抛洒异常行为智能检测系统与方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114299002A true CN114299002A (zh) | 2022-04-08 |
Family
ID=80970315
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111602648.2A Pending CN114299002A (zh) | 2021-12-24 | 2021-12-24 | 一种路面抛洒异常行为智能检测系统与方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114299002A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114758322A (zh) * | 2022-05-13 | 2022-07-15 | 安徽省路通公路工程检测有限公司 | 基于机器识别的道路质量检测系统 |
| CN114777030A (zh) * | 2022-05-23 | 2022-07-22 | 中用科技有限公司 | 一种基于nb-iot技术的危化气体监测方法 |
| CN114821512A (zh) * | 2022-06-22 | 2022-07-29 | 托伦斯半导体设备启东有限公司 | 一种基于计算机视觉的工作路面异常检测及路径优化方法 |
| CN116343176A (zh) * | 2023-05-30 | 2023-06-27 | 济南城市建设集团有限公司 | 一种路面异常监测系统及其监测方法 |
| CN116503779A (zh) * | 2023-04-26 | 2023-07-28 | 中国公路工程咨询集团有限公司 | 一种路面抛洒物识别系统及方法 |
| CN117808805A (zh) * | 2024-02-29 | 2024-04-02 | 汶上义桥煤矿有限责任公司 | 一种单轨吊全自动洒水车的出水调控系统 |
| CN117830957A (zh) * | 2024-02-23 | 2024-04-05 | 安徽大学 | 一种高速公路抛洒物自动检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109583379A (zh) * | 2018-11-30 | 2019-04-05 | 常州大学 | 一种基于随机擦除行人对齐网络的行人重识别方法 |
| CN112597975A (zh) * | 2021-02-26 | 2021-04-02 | 上海闪马智能科技有限公司 | 一种基于视频的火灾烟雾和抛洒物检测方法及系统 |
| CN113743151A (zh) * | 2020-05-27 | 2021-12-03 | 顺丰科技有限公司 | 一种检测路面抛洒物的方法、装置及存储介质 |
-
2021
- 2021-12-24 CN CN202111602648.2A patent/CN114299002A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109583379A (zh) * | 2018-11-30 | 2019-04-05 | 常州大学 | 一种基于随机擦除行人对齐网络的行人重识别方法 |
| CN113743151A (zh) * | 2020-05-27 | 2021-12-03 | 顺丰科技有限公司 | 一种检测路面抛洒物的方法、装置及存储介质 |
| CN112597975A (zh) * | 2021-02-26 | 2021-04-02 | 上海闪马智能科技有限公司 | 一种基于视频的火灾烟雾和抛洒物检测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 王俊健;王莹;王以好;: "云台场景下高速公路异常事件自动检测系统", 中国交通信息化, no. 10, 15 October 2018 (2018-10-15) * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114758322A (zh) * | 2022-05-13 | 2022-07-15 | 安徽省路通公路工程检测有限公司 | 基于机器识别的道路质量检测系统 |
| CN114777030A (zh) * | 2022-05-23 | 2022-07-22 | 中用科技有限公司 | 一种基于nb-iot技术的危化气体监测方法 |
| CN114777030B (zh) * | 2022-05-23 | 2023-09-05 | 中用科技有限公司 | 一种基于nb-iot技术的危化气体监测方法 |
| CN114821512A (zh) * | 2022-06-22 | 2022-07-29 | 托伦斯半导体设备启东有限公司 | 一种基于计算机视觉的工作路面异常检测及路径优化方法 |
| CN116503779A (zh) * | 2023-04-26 | 2023-07-28 | 中国公路工程咨询集团有限公司 | 一种路面抛洒物识别系统及方法 |
| CN116343176A (zh) * | 2023-05-30 | 2023-06-27 | 济南城市建设集团有限公司 | 一种路面异常监测系统及其监测方法 |
| CN116343176B (zh) * | 2023-05-30 | 2023-08-11 | 济南城市建设集团有限公司 | 一种路面异常监测系统及其监测方法 |
| CN117830957A (zh) * | 2024-02-23 | 2024-04-05 | 安徽大学 | 一种高速公路抛洒物自动检测方法 |
| CN117808805A (zh) * | 2024-02-29 | 2024-04-02 | 汶上义桥煤矿有限责任公司 | 一种单轨吊全自动洒水车的出水调控系统 |
| CN117808805B (zh) * | 2024-02-29 | 2024-05-24 | 汶上义桥煤矿有限责任公司 | 一种单轨吊全自动洒水车的出水调控系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114299002A (zh) | 一种路面抛洒异常行为智能检测系统与方法 | |
| Alvarez et al. | Road detection based on illuminant invariance | |
| US9443142B2 (en) | Vision-based system for dynamic weather detection | |
| CN103020605B (zh) | 基于决策层融合的桥梁识别方法 | |
| Alefs et al. | Road sign detection from edge orientation histograms | |
| CN102509291B (zh) | 基于无线网络视频传感器的公路路面病害检测及识别方法 | |
| Khalifa et al. | Malaysian Vehicle License Plate Recognition. | |
| CN107944354B (zh) | 一种基于深度学习的车辆检测方法 | |
| CN111915583A (zh) | 复杂场景中基于车载红外热像仪的车辆和行人检测方法 | |
| CN106056139A (zh) | 一种基于图像分割的森林火灾烟雾检测方法 | |
| CN105321189A (zh) | 基于连续自适应均值漂移多特征融合的复杂环境目标跟踪方法 | |
| CN111091111A (zh) | 一种车底危险目标识别方法 | |
| CN110310263B (zh) | 一种基于显著性分析和背景先验的sar图像居民区检测方法 | |
| FAN et al. | Robust lane detection and tracking based on machine vision | |
| Abdullah et al. | Vehicles detection system at different weather conditions | |
| CN114332644A (zh) | 一种基于视频卫星数据的大视场交通密度获取方法 | |
| CN113033363A (zh) | 一种基于深度学习的车辆稠密目标检测方法 | |
| Kim | Detection of traffic signs based on eigen-color model and saliency model in driver assistance systems | |
| CN109241824B (zh) | 基于码本和平滑转换自回归模型的黑烟车智能监控方法 | |
| CN114758139B (zh) | 基坑积水检测方法 | |
| CN116071713A (zh) | 斑马线确定方法、装置、电子设备和介质 | |
| Singh et al. | Smart traffic monitoring through real-time moving vehicle detection using deep learning via aerial images for consumer application | |
| CN115512310A (zh) | 一种基于视频监控下车脸特征的车型识别方法及系统 | |
| CN112785550B (zh) | 图像质量值确定方法、装置、存储介质及电子装置 | |
| CN114429593A (zh) | 基于快速导向滤波的红外小目标检测方法及其应用 |
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 |