The embodiment of this application discloses a road recognition method and device in video surveillance. This method creates a symmetrical full convolution neural network, uses training samples, test samples and calibration data with corresponding labeled data to optimize and adjust parameters, and uses the symmetrical full convolution neural network after parameter optimization and adjustment to recognize road surveillance pictures. By applying the technical scheme proposed in the embodiment of this application, the end-to-end road detection for each pixel point is realized, which can solve the problem that the traditional DCNN-based scene adaptive road segmentation method can not effectively solve the road segmentation in road video surveillance scene, and improve the accuracy of road recognition in video surveillance picture.
【技术实现步骤摘要】
一种道路识别方法和装置
本申请涉及视频监控领域,特别涉及一种道路识别方法和装置。
技术介绍
视频监控与处理是智能交通系统中的一个重要组成部分。在道路监控的实际应用中,如拥堵检测、道路抛洒物检测等,都需要先将道路准确地检测出来,才能以此为基础进行进一步处理。传统方法基于背景建模技术,将道路作为背景来检测,缺点是容易受天气影响,而且背景更新错误容易把目标更新进去。近年来,基于机器学习的框架被逐渐引入到道路检测中,将图像中的像素块输入到分类器中进行“道路”和“非道路”分类。但是,这样的处理方案由于待检测场景的复杂多样性,和现有分类器中的特征表达能力有限,在减少了计算强度的同时,也存在部分场景下分割效果不佳的问题。基于这样的问题,现有技术提出了基于深度卷积神经网络(DeepConvolutionalNeuralNetwork,DCNN)的场景自适应道路分割方法。该方法将图像分割成32x32的超像素块,输入到DCNN中进行训练,以获取道路的深度特征,最后利用学习的特征对新的样本进行分类,将道路从背景和目标中分割出来。申请人在实现本申请的过程中发现,上述现有的处理方案至少存在如下的问题:应用基于DCNN的场景自适应道路分割方法的重要前提是能够提取出可靠的超像素块,才能利用DCNN网络从道路、背景和目标中提取有效的特征向量。对于实际场景的监控,由于环境的复杂性,往往会导致超像素分割不准确,从而影响最终的分类判断。其次,因为超像素块间的边界问题,以及用超像素块的类别来代表其中的每个像素点类别,都较难保证最终道路分割的完整性,容易出现较大块的孔洞。第三,容易受到噪声干扰,如 ...
【技术保护点】
1.一种道路识别方法,应用于视频监控设备,其特征在于,所述方法具体包括:根据道路监控画面的图像数据集,生成相应的标注数据集,并根据所述图像数据集和相应的标注数据集生成训练样本集;创建对称型全卷积神经网络,所述对称型全卷积神经网络中的池化层与所述池化层镜像对称的上采样层相连接;根据所述训练样本集确定所述对称型全卷积神经网络的参数信息;将待识别的道路监控画面的信息输入所述对称型全卷积神经网络,识别所述待识别的道路监控画面中的道路信息。
【技术特征摘要】
1.一种道路识别方法,应用于视频监控设备,其特征在于,所述方法具体包括:根据道路监控画面的图像数据集,生成相应的标注数据集,并根据所述图像数据集和相应的标注数据集生成训练样本集;创建对称型全卷积神经网络,所述对称型全卷积神经网络中的池化层与所述池化层镜像对称的上采样层相连接;根据所述训练样本集确定所述对称型全卷积神经网络的参数信息;将待识别的道路监控画面的信息输入所述对称型全卷积神经网络,识别所述待识别的道路监控画面中的道路信息。2.如权利要求1所述的方法,其特征在于,所述根据道路监控画面的图像数据集,生成相应的标注数据集,并根据所述图像数据集和相应的标注数据集生成训练样本集,具体包括:分别将所述图像数据集中所包括的各原始图片中的各像素点,进行类别标注,生成所述各原始图片所对应的标注图片;将所述图像数据集中所包括的各原始图片所对应的标注图片,组成标注数据集,其中,所述图像数据集中的一个原始图片,和所述标注数据集中的与所述原始图片相对应的标注图片,组成所述原始图片的图片信息组;根据所述图像数据集中所有原始图片的图片信息组,生成训练样本集。3.如权利要求1所述的方法,其特征在于,在所述根据所述训练样本集确定所述对称型全卷积神经网络的参数信息的步骤之前,所述方法还包括:将所述图像数据集进行预设处理,并将处理后的图像数据集和相应的标注数据集生成至少一个校验数据集;所述根据所述训练样本集确定所述对称型全卷积神经网络的参数信息,具体包括:根据所述训练样本集和所述校验数据集,确定所述对称型全卷积神经网络的参数信息。4.如权利要求3所述的方法,其特征在于,所述将所述图像数据集进行预设处理,并将处理后的图像数据集和相应的标注数据集生成至少一个校验数据集具体包括:对所述图像数据集中各原始图片进行镜像和/或旋转操作,生成校验图片,并将所述图像数据集中所有原始图片的校验图片,和所述标注数据集中的与所有原始图片相对应的标注图片,组成校验数据集;和/或,对所述图像数据集中各原始图片进行模糊和/或加入白噪声操作,生成校验图片,并将所述图像数据集中所有原始图片的校验图片,和所述标注数据集中的与所有原始图片相对应的标注图片,组成校验数据集。5.如权利要求1-4中任意一项所述的方法,其特征在于,所述对称型全卷积神经网络结构,具体包括:采用串联方式将卷积层、池化层和上采样层组成对称型网络结构,其中,卷积层的数目为偶数层;利用掩膜方法将所述对称型网络结构中处于镜像位置的池化层和上采样层进行连接,使各上采样层利用处于其镜像位置的池...
【专利技术属性】
技术研发人员:刘承文,
申请(专利权)人:浙江宇视科技有限公司,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。