基于多重高斯模型的高速公路异常场景去噪及识别方法、装置制造方法及图纸

本发明专利技术公开了基于多重高斯模型的高速公路异常场景去噪及识别方法、装置，其中的方法包括首先获取高速公路场景的图像；然后根据预设参数构建多重高斯模型，多重高斯模型包括两个具有不同的背景学习速率的混合高斯模型，利用两个模型对图像中的背景进行学习，得到第一识别结果图和第二识别结果图；再对第一识别结果图和第二识别结果图进行差异化比较，实现异常场景的识别。本发明专利技术能在检测出诸如抛洒物等影响交通的异常场景变化的同时排除其他的移动物体，并且能进一步对因摄像头频繁细微抖动导致的前景目标检测产生的噪点进行去除，提高了混合高斯模型检测的准确性与可靠性。了混合高斯模型检测的准确性与可靠性。了混合高斯模型检测的准确性与可靠性。

【技术实现步骤摘要】
基于多重高斯模型的高速公路异常场景去噪及识别方法、装置


[0001]本专利技术涉及场景识别
，尤其涉及基于多重高斯模型的高速公路异常场景去噪及识别方法、装置。

技术介绍

[0002]现有技术中，通常采用以下几种方法进行异常场景识别：
[0003]1.使用深度识别和卷积神经网络模型识别异常场景变化。该方法首先收集场景数据作为样本图像，同时通过叠加图像的方式产生一部分样本图像，然后用样本图像训练模型，最后将视频图像作为输入，通过模型判断出整张图中哪些区域存在异常。
[0004]2.使用混合高斯模型识别。该方法对图像中每一个像素点建立高斯混合模型，并利用高斯混合模型实现运动目标与背景分离；去除运动目标图像噪点，强化运动目标图像，凸显待检测物体；将强化后的运动目标图像按帧输入经过训练的YOLO v3目标检测网络，确定运动物体是车辆，行人还是其他抛洒物。
[0005]本申请专利技术人在实施本专利技术的过程中，发现现有技术的方法，至少存在如下技术问题：
[0006]通过神经网络识别异常场景最大的问题在于样本过少和识别速度慢。高速公路异常场景属于偶发事件，可以用于训练和验证的样本太少，只能通过抠图和叠加图像的方式人工产生相应的训练样本，但是这种样本也会有场景不够丰富的问题，比如能识别出的抛洒物也基本限制在纸箱轮胎等常见物品；识别速度慢则是因为摄像头假设在龙门架上，高分辨率才能准确的识别车道上的异常场景，但是高分辨率进入卷积神经网络后会降低算法的运行速度，占用较大算力且不能及时的给出警报。/>[0007]单一的高斯混合模型能够准确地将场景中的运动物体从背景中分离出来，但是因为高斯模型的背景会不断学习的特性，物体完全静止后会被高斯模型学习成背景，比起运动物体，停留在高速公路上的异常场景更符合定义，危害也更高，并且只检测运动物体的情况下，无法直接区分运动车辆和抛洒物等异常场景，还需要进一步利用神经网络。
[0008]由此可知，现有技术中的方法存在识别准确性和可靠性不高的技术问题。

技术实现思路

[0009]本专利技术提供一种基于多重高斯模型的高速公路异常场景去噪及识别方法、装置，用以解决或者至少部分解决现有技术中存在的识别准确性和可靠性不高的技术问题。
[0010]为了解决上述技术问题，本专利技术第一方面提供了基于多重高斯模型的高速公路异常场景去噪及识别方法，包括：
[0011]获取高速公路场景的图像；
[0012]根据预设参数构建多重高斯模型，多重高斯模型包括两个具有不同的背景学习速率的混合高斯模型，其中，拥有较快背景学习速率的混合高斯模型为模型S，拥有较慢背景
学习速率的混合高斯模型为模型L，利用模型S和模型L对图像中的背景进行学习，得到模型S的第一识别结果图和模型L的第二识别结果图；
[0013]对第一识别结果图和第二识别结果图进行差异化比较，同时实现场景去噪和异常场景的识别。
[0014]在一种实施方式中，预设参数包括VarThreshold、learningRate和BackgroundRatio，VarThreshold为决定方差的阈值，learningRate为学习速率，BackgroundRatio为背景比例。
[0015]在一种实施方式中，模型S和模型L的VarThreshold的值设置为36，模型S的learningRate设置为
‑
1，backgroundRatio设置为0.5，模型L的learningRate设置为0.001，backgroundRatio调整为0.01。
[0016]在一种实施方式中，对第一识别结果图和第二识别结果图进行差异化比较，同时实现场景去噪和异常场景的识别，包括：
[0017]将第一识别结果图和第二识别结果图作差，如果第一识别结果图中的某一像素与第二识别结果图中同一位置的一个像素的颜色相同，则表明在同一位置两个模型识别的都为运动目标或者都为噪点，如果不相同，则表明该位置的像素点为默认背景中出现的静止物体；
[0018]通过作差将同一位置出现的噪点去除，并过滤运动目标，将差异化比较结果中分离的静止物体作为异常物体，对异常场景进行识别。
[0019]在一种实施方式中，对第一识别结果图和第二识别结果图进行差异化比较，实现异常场景的识别之后，所述方法还包括：
[0020]标注出异常物体的位置并进行警报。
[0021]在一种实施方式中，对第一识别结果图和第二识别结果图进行差异化比较，同时实现场景去噪和异常场景的识别之后，所述方法还包括：
[0022]采用形态学方法进行去噪。
[0023]基于同样的专利技术构思，本专利技术第二方面提供了基于多重高斯模型的高速公路异常场景去噪及识别装置，包括：
[0024]图像获取模块，用于获取高速公路场景的图像；
[0025]模型构建模块，用于根据预设参数构建多重高斯模型，多重高斯模型包括两个具有不同的背景学习速率的混合高斯模型，其中，拥有较快背景学习速率的混合高斯模型为模型S，拥有较慢背景学习速率的混合高斯模型为模型L，利用模型S和模型L对图像中的背景进行学习，得到模型S的第一识别结果图和模型L的第二识别结果图；
[0026]异常场景识别模块，用于对第一识别结果图和第二识别结果图进行差异化比较，实现异常场景的识别。
[0027]基于同样的专利技术构思，本专利技术第三方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被执行时实现第一方面所述的方法
[0028]基于同样的专利技术构思，本专利技术第四方面提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述的方法。
[0029]相对于现有技术，本专利技术的优点和有益的技术效果如下：
[0030]本专利技术提供的基于多重高斯模型的高速公路异常场景去噪及识别方法，首先获取高速公路场景的图像；然后根据预设参数构建多重高斯模型，利用模型S和模型L对图像中的背景进行学习，得到模型S的第一识别结果图和模型L的第二识别结果图；再对第一识别结果图和第二识别结果图进行差异化比较，实现异常场景的识别。由于多重高斯模型中的两个高斯模型S和模型L会拥有不同的背景学习速率，所以当物体停留在模型S中则会被较快地学习成背景，而停留在模型L中则基本不会被学习成背景，即，对于运动物体，两个模型的识别结果相同，二者会同时将运动目标标注为前景，而静止物体则会出现学习差异，因此，通过将二者的识别结果图进行差异化比较后，相同的部分(运动目标)会被过滤掉，不同的部分(静止物体)会被凸显展示出来，因此可以实现异常物的准确识别，提高了识别的准确性和可靠性。同时，通过差异化比较的方式可以大幅减轻两个高斯模型出现的模式相同的噪点的影响，进一步提升了识别效果。
附图说明
[0031]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多重高斯模型的高速公路异常场景去噪及识别方法，其特征在于，包括：获取高速公路场景的图像；根据预设参数构建多重高斯模型，多重高斯模型包括两个具有不同的背景学习速率的混合高斯模型，其中，拥有较快背景学习速率的混合高斯模型为模型S，拥有较慢背景学习速率的混合高斯模型为模型L，利用模型S和模型L对图像中的背景进行学习，得到模型S的第一识别结果图和模型L的第二识别结果图；对第一识别结果图和第二识别结果图进行差异化比较，同时实现场景去噪和异常场景的识别。2.如权利要求1所述的基于多重高斯模型的高速公路异常场景去噪及识别方法，其特征在于，预设参数包括VarThreshold、learningRate和BackgroundRatio，VarThreshold为决定方差的阈值，learningRate为学习速率，BackgroundRatio为背景比例。3.如权利要求2所述的基于多重高斯模型的高速公路异常场景去噪及识别方法，其特征在于，模型S和模型L的VarThreshold的值设置为36，模型S的learningRate设置为
‑
1，backgroundRatio设置为0.5，模型L的learningRate设置为0.001，backgroundRatio调整为0.01。4.如权利要求1所述的基于多重高斯模型的高速公路异常场景去噪及识别方法，其特征在于，对第一识别结果图和第二识别结果图进行差异化比较，同时实现场景去噪和异常场景的识别，包括：将第一识别结果图和第二识别结果图作差，如果第一识别结果图中的某一像素与第二识别结果图中同一位置的一个像素的颜色相同，则表明在同一位置两个模型识别的都为运...

【专利技术属性】
技术研发人员：贾龙超，何坤，谢建，
申请(专利权)人：武汉长江通信产业集团股份有限公司，
类型：发明
国别省市：