一种快速的高速公路路面分割和摄像机定位的方法技术

一种快速的高速公路路面分割和摄像机定位的方法，涉及基于视频图像的目标检测、应用于高速公路交通场景下的视频监控数据的智能事件分析系统。本发明专利技术的方法步骤为：1）样本收集和模型训练；2）网络模型设计；3)模型损失函数；4)模型训练；5)模型预测。同现有技术相比，本发明专利技术能解决多场景下、不同天气情况下、不同路面状态下的高速路面定位分割问题；同时解决多场景下、不同天气情况下、不同路面状态下摄像机相对路面位置定位问题。

【技术实现步骤摘要】
一种快速的高速公路路面分割和摄像机定位的方法
本专利技术涉及基于视频图像的目标检测、应用于高速公路交通场景下的视频监控数据的智能事件分析系统，特别是将分割和分类问题，转化为多任务的回归和分类问题，快速高效地完成高速公路路面分割和摄像机相对路面位置定位的方法。
技术介绍
2006年Hinton提出神经网络新的训练方法起，深度学习发展迅速，促使人工智能在图像、语音、自然语言处理等多个领域有了实质性的突破，达到产业应用标准。卷积神经网络(CNN)是人工神经网络的一种，已成为当前语音分析和图像识别领域的研究热点，是深度学习常用的一种模型。它的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。该优点在网络的输入是多维图像时表现的更为明显，使图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。卷积网络是为识别二维形状而特殊设计的一个多层感知器，这种网络结构对平移、比例缩放、倾斜或者共他形式的变形具有高度不变性。卷积神经网络是一个多层的神经网络，每层由多个二维平面组成，而每个平面由多个独立神经元组成。参看图1，输入图像通过和三个可训练的滤本文档来自技高网...

【技术保护点】
1.一种快速的高速公路路面分割和摄像机定位的方法，它的方法步骤为：首先，对大量的有代表性的图像训练样本，标注路面区域的五个关键特征点和摄像机的位置信息，其次定义损失函数，最后进行深度学习迭代训练，当训练收敛之后，选择当前的训练模型作为结果模型；1）样本收集和模型训练：收集不同路面的图像数据，对图像数据进行数据标注，标注路面区域的五个点为路面区域的五个边界关键点，其中上面两个点为路面边缘，下面三个点为两个路面边缘点和图像的边界点；图像上面部分的两个点在标注过程中，根据图像大小，动态设置上面两个点的高度线位置信息，该高度线与路面边缘的交点作为上面两个边界关键点；对坐标位置采用相对于图像的高度和宽度...

【技术特征摘要】
1.一种快速的高速公路路面分割和摄像机定位的方法，它的方法步骤为：首先，对大量的有代表性的图像训练样本，标注路面区域的五个关键特征点和摄像机的位置信息，其次定义损失函数，最后进行深度学习迭代训练，当训练收敛之后，选择当前的训练模型作为结果模型；1）样本收集和模型训练：收集不同路面的图像数据，对图像数据进行数据标注，标注路面区域的五个点为路面区域的五个边界关键点，其中上面两个点为路面边缘，下面三个点为两个路面边缘点和图像的边界点；图像上面部分的两个点在标注过程中，根据图像大小，动态设置上面两个点的高度线位置信息，该高度线与路面边缘的交点作为上面两个边界关键点；对坐标位置采用相对于图像的高度和宽度的比例进行归一化操作，即相对坐标位置信息；对摄像机位置采用相对于路面的位置信息；2）网络模型设计：设计了如下的网络结构模型，分为3个conv层，3个pool层，4个Relu层和2个全连接层；其中conv层的主要作用是提取图像中具有平移、旋转、尺度不变的特征，同时完成对图像特征维度降维，防止过拟合，提高模型泛化能力；卷积层的特点主要包括局部感知、参数共享、多核卷积；第一个conv层具有96个卷积核，每个核的大小为5*5，步长为2，第二个conv层具有96个卷积核，每个核的大小为3*3，步长为2，第三个conv层具有128个卷积核，每个核的大小为3*3，步长为2；pool层的卷积核为只取对应位置的最大值、平均值等，并且不经过反向传播的修改；Relu层是线性修正函数层，梯度计算公式为：1{x>0}，正向传播过程中，Relu函...

【专利技术属性】
技术研发人员：王亚涛，江龙，赵英，郑全新，张磊，
申请(专利权)人：北京同方软件股份有限公司，
类型：发明
国别省市：北京,11