基于数字图像处理的高空抛物检测方法技术

本发明专利技术涉及图像处理技术领域，具体涉及基于数字图像处理的高空抛物检测方法。包括：利用图像处理算法获得疑似抛物轨迹，构建数据集以及轨迹识别模型，根据数据集的类别得到记忆样本并进行训练该模型，将数据集样本输入到轨迹识别模型中得到样本的依赖度向量，根据样本的依赖度向量以及每个类别的综合记忆向量与参考价值得到异常样本，并得到异常样本的最依赖记忆样本，利用融合权重将异常样本与最依赖记忆样本进行融合得到更新样本，进而得到新的数据集，利用新的数据集重新得到记忆样本并且重新完成轨迹识别模型的训练，最后利用轨迹识别模型检测高空抛物，本发明专利技术避免了模型由于过拟合导致准确率低的情况，使得模型不仅简单而且准确率高。且准确率高。且准确率高。

【技术实现步骤摘要】
基于数字图像处理的高空抛物检测方法


[0001]本专利技术涉及图像处理
，具体涉及一种基于数字图像处理的高空抛物检测方法。

技术介绍

[0002]现有的办公或居住的建筑物都很高，有的高空抛物下落速度非常快，严重影响到楼下行人和财产的安全；为了及时发现高空抛物事件以及事件的溯源，对抛物者进行警告或依法处理，需要利用监控设备监控和检测高空抛物事件。
[0003]现有很多高空抛物检测方法，但是大多都是通过图像处理算法获得高空抛物轨迹，根据轨迹进行高空抛物预警以及识别抛物事件的发生位置，但是相机捕捉到的监控视频中往往除了高空抛物的轨迹之外，还有其他物体的运动轨迹，例如鸟虫轨迹，晃动轨迹，落叶轨迹等，这些轨迹在现有方法中都可能被认为成抛物轨迹，这导致很多起高空抛物事件会被误报，需要人员重新对识别出的轨迹进行筛选分类和报警，这不但大大增加了人员的工作负担，还降低了高空抛物事件的检测和识别效率。
[0004]基于此，本专利技术使用AI算法对已有的高空抛物轨迹信息进行分类筛选，判断是否为真正的高空抛物，大大的降低了工作人员的工作量，同时提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于数字图像处理的高空抛物检测方法，其特征在于，该方法包括：获取相机采集的视频序列，利用图像处理算法根据视频序列得到疑似抛物轨迹；利用历史中得到的疑似抛物轨迹构建数据集；构建轨迹识别模型；S1:首先对数据集中的样本进行聚类得到所有类别，将每个类别的聚类中心作为轨迹识别模型的每个记忆样本，然后利用数据集训练轨迹识别模型；S2:将数据集中样本输入到训练好的轨迹识别模型中得到样本的依赖度向量以及样本的损失值，根据每个类别中所有样本的依赖度向量得到每个类别的综合记忆向量以及每个类别的参考价值，根据每个类别中所有样本的依赖度向量计算每个类别中每个样本的异常值，根据所述异常值与每个类别中所有样本异常值的比值和每个类别中每个样本的损失值得到每个类别中每个样本的异常程度，将每个类别中异常程度最大的样本作为异常样本；获取每个类别中异常样本的异常程度与每个类别参考价值的第一比值，根据每个类别中异常样本的依赖度向量获得最依赖记忆样本，根据每个类别中异常样本的依赖度向量以及第一比值获得融合权重，利用融合权重将每个类别中异常样本与对应的最依赖记忆样本进行融合得到异常样本的更新样本；将所有类别中的异常样本用对应的更新样本进行更新替换得到新的数据集，重复S1、S2预设次数后，将得到的轨迹识别模型记为最终轨迹识别模型；利用相机实时采集的视频序列得到实时的疑似抛物轨迹，将实时的疑似抛物轨迹输入到最终轨迹识别模型中得到输出结果，根据输出结果进行高空抛物预警。2.根据权利要求1所述的基于数字图像处理的高空抛物检测方法，其特征在于，所述轨迹识别模型采用的是RBF神经网络，所述RBF神经网络中间层包含多个径向基神经元，每个径向基神经元对应一个记忆样本以及一个训练参数。3.根据权利要求1所述的基于数字图像处理的高空抛物检测方法，其特征在于，所述将数据集中样本输入到训练好的轨迹识别模型中得到样本的依赖度向量以及样本的损失值的步骤包括：样本输入到训练好的轨迹识别模型后，得到每个径向基神经元的输出结果，输出结果与每个径向基神经元对应的训练参数相乘，得到每个径向基神经元的第一指标，将每个径向基神经元的第一指标与所有径向基神经元第一指标之和的比值记为每个径向基神经元的依赖程度，所有径向基神经元的依赖程度构成的向...

【专利技术属性】
技术研发人员：秦刚，王作文，
申请(专利权)人：深圳市研超科技有限公司，
类型：发明
国别省市：