【技术实现步骤摘要】
基于异常检测模型的道路遗撒识别方法以及装置
本专利技术涉及交通安全防控
，具体而言，涉及一种基于异常检测模型的道路遗撒识别方法以及装置。
技术介绍
高速公路或国道上行驶车辆较多、且车辆行驶速度很快，当道路的路面上散落遗撒物时，不仅会影响道路的路面环境，而且会干扰驾驶员的正常驾驶，如果不及时发现并清理，极易发生交通事故，对车辆的正常行驶造成了极大的安全隐患。现有技术中，对路面遗撒的识别最为高效的、智能的方法是利用深度学习模型的识别算法对道路场景照片进行识别，即把道路场景的路面遗撒检测做成一个深度学习中的检测任务，但现有的用于路面遗撒检测的深度学习模型，由于对训练样本图像的要求高，因此存在训练成本高且训练困难的问题，且训练出的模型精度差、误报率高，从而导致对路面遗撒检测的识别率很低；以YOLO模型为例，在训练过程中，需要大量使用包含有遗撒物的训练样本图像，而大量采集此类训练样本图像十分困难，且采集成本极为高昂，数量稍不达标，训练出的YOLO模型便会出现大量误报，运行十分不稳定。
技术实现思路
本...
【技术保护点】
1.一种基于异常检测模型的道路遗撒识别方法，其特征在于，包括：/n步骤S1，建立包含重构单元和异常分析单元的异常检测模型，并通过调整所述重构单元的自编码器的感受野以及所述重构单元的记忆模块的记忆特征向量的数量优化所述重构单元，以改进所述异常检测模型；/n步骤S2，采集无遗撒物的路面帧图像作为正常样本图像，构造训练样本图像集，并使用所述训练样本图像集训练改进后的所述异常检测模型；/n步骤S3，采集路面帧图像作为待测图像输入训练后的所述异常检测模型，通过所述异常检测模型的重构单元输出重构图像，所述重构单元根据所述重构图像和所述待测图像计算获取重构误差R以及特征相似度距离D，所述...
【技术特征摘要】
1.一种基于异常检测模型的道路遗撒识别方法，其特征在于，包括：
步骤S1，建立包含重构单元和异常分析单元的异常检测模型，并通过调整所述重构单元的自编码器的感受野以及所述重构单元的记忆模块的记忆特征向量的数量优化所述重构单元，以改进所述异常检测模型；
步骤S2，采集无遗撒物的路面帧图像作为正常样本图像，构造训练样本图像集，并使用所述训练样本图像集训练改进后的所述异常检测模型；
步骤S3，采集路面帧图像作为待测图像输入训练后的所述异常检测模型，通过所述异常检测模型的重构单元输出重构图像，所述重构单元根据所述重构图像和所述待测图像计算获取重构误差R以及特征相似度距离D，所述异常检测模型的异常分析单元根据所述重构误差R和所述特征相似度距离D计算获取异常得分S，并通过所述异常得分S与道路遗撒阈值的数值比较结果判定所述待测图像中的路面存在遗撒物的状态。
2.根据权利要求1所述的道路遗撒识别方法，其特征在于，所述异常得分S的计算公式为：
式中，为通过所述待测图像的像素值It和所述重构图像的像素值计算获取的重构误差；D(qt,P)为通过所述待测图像拆分出的压缩特征向量组qt和所述记忆模块中的记忆特征向量集合P计算获取的特征相似度距离；λ为权重系数；scale为尺寸缩放因子；
当所述异常得分S大于所述道路遗撒阈值时，判定所述待测图像中的路面上无遗撒物存在，所述待测图像为正常图像；
当所述异常得分S小于或等于所述道路遗撒阈值时，判定所述待测图像中的路面上存在遗撒物，所述待测图像为异常图像。
3.根据权利要求2所述的道路遗撒识别方法，其特征在于，
所述道路遗撒阈值的取值范围为[20,25]；
所述权重系数λ的取值范围为[0,1]；
所述尺寸缩放因子的取值范围为[0.5e6,5e6]。
4.根据权利要求2所述的道路遗撒识别方法，其特征在于，
所述重构误差R的计算公式为：
式中，为峰值信噪比，其由公式计算得到，其中，N为所述待测图像或所述重构图像的像素点个数；
所述特征相似度距离D的计算公式为：
式中，K为所述待测图像拆分出的压缩特征向量qt的个数，Pp为记忆模块中的与压缩特征向量的L2距离最接近的所述记忆特征向量。
5.根据权利要求1所述的道路遗撒识别方法，其特征在于，所述自编码器包括编码器和解码器，所述记忆模块位于所述编码器和所述解码器之间，所述待测图像通过所述编码器后被压缩并拆分出包含多个隐式空间的压缩特征向量的压缩特征向量组qt，所述压缩特征向量通过所述记忆模块后与所述记忆模块中的与其最相似的记忆特征向量Pp拼接形成复合特征向量，包含多个所述复合特征向量的复合特征向量组经过所述解码器后生成所述重构图像。
6.根据权利要求5所...
【专利技术属性】
技术研发人员：张志嵩，曹松，任必为，
申请(专利权)人：北京文安智能技术股份有限公司，
类型：发明
国别省市：北京;11
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。