【技术实现步骤摘要】
一种基于主动学习和神经网络的高空抛物检测方法
[0001]本专利技术涉及目标检测
,尤其是涉及一种基于主动学习和神经网络的高空抛物检测方法。
技术介绍
[0002]随着近年来城市化进程的进一步加快,一座座高楼大厦拔地而起,随之带来的高空抛物问题也愈演愈烈。作为城市不文明现象,它所带来的社会危害(安全隐患、财产损失、环境破坏等)十分巨大,严重影响了人民的安全感与幸福感,也因此成为了人们“悬在城市上空的痛”。
[0003]目前通用的解决方案是通过部署镜头向上的安防摄像机,基于动态的目标检测和目标跟踪,通过设置过滤条件来排除干扰物体的高空抛物检测方法。
[0004]传统视觉中的动态目标检测方法有帧差法或者光流检测法,但其都存在许多局限性。例如,帧差法无法避免对树叶的误检,在摄像头有轻微摇晃时也有许多误检现象;光流检测法也是类似帧差法的问题,另外还有一个最大的问题是其基于稀疏特征点匹配的算法,因此实际上并不能很好的解决目标划分的问题。尽管有稠密光流检测算法,但是耗时较长,且仍存在其他问题,因此不予考虑。传统的跟踪算法,一种是根据HOG特征,另一种是根据特征点来进行跟踪。但因为高空抛物的目标很小,而且移动速度很快,所以不能用传统的基于特征的方式进行跟踪。
[0005]除此之外,现有技术也采用了深度学习的方法,通过采集大量的训练数据,将模型部署在服务器中。以深度学习为代表的监督分类方法和无监督的背景差分法、光流法相比性能确实更好。但基于YOLO、RCNN系列的目标检测需要大量的先验数据,高空抛物中的 ...
【技术保护点】
【技术特征摘要】
1.一种基于主动学习和神经网络的高空抛物检测方法,其特征在于,包括以下步骤:S1、采集高空抛物的下落物体数据:采集并获取真实楼宇间的视频流数据,将视频流进行抽帧并解码处理,对得到的运动物体图像帧数据进行标注;S2、构建主动目标检测模型:采用基网为ResNet
‑
50的RetinaNet的神经网络作为目标检测器,通过基于主动学习方法的查询策略选择样本进行标记,利用标注的信息改善预测模型;S3、进行运动物体的目标跟踪:采用动态目标跟踪算法进行预测,通过IOU匹配和级联匹配关联运动帧信息,使用滤波器进行预测和更新,得到运动目标的跟踪序号、运动轨迹以及对应帧的编号信息;S4、构建图像分类神经网络模型:进行图像分类网络模型部署,通过ImageNet和OpenImages获取数据集,对干扰物体进行分类;S5、利用图像分类网络过滤干扰物体:进行神经网络的训练和分类预测,对获取的运动目标图像进行分类网络的模型应用,根据CNN模型的分类结果,将干扰物体从输出图像中过滤;S6、排除非高空抛物的运动轨迹:对运动物体的轨迹特征设定过滤条件,根据目标的移动距离和自由落体规律来判断抛物轨迹,排除高空抛物中非正常的运动轨迹。2.根据权利要求1所述的一种基于主动学习和神经网络的高空抛物检测方法,其特征在于,所述步骤S1中,采集高空抛物的下落物体数据,具体包括以下步骤:S1
‑
1、通过摄像头获取真实视频数据,得到包含RGB三层颜色通道的图像;S1
‑
2、对视频抽帧解码处理,将视频数据解析为连续的图像帧数据;S1
‑
3、对每一帧图像中的运动目标的类别进行标注,形成该帧图像的类别标签{Yi,i=1,...,N}。3.根据权利要求2所述的一种基于主动学习和神经网络的高空抛物检测方法,其特征在于,所述步骤S2中,构建主动目标检测模型,具体包括以下步骤:S2
‑
1、对步骤S1
‑
2中的运动物体的图像帧数据进行标注;S2
‑
2、选择基网为ResNet
‑
50的RetinaNet的神经网络作为基础检测器;S2
‑
3、将步骤S2
‑
1中标注好的图像帧数据输入主动学习的网络框架中;S2
‑
4、定义主动学习器Active Learner;S2
‑
5、应用目标检测模型获取运动目标的bounding box。4.根据权利要求3所述的一种基于主动学习和神经网络的高空抛物检测方法,其特征在于,步骤S2
‑
4中定义主动学习器Active Learner具体包括以下步骤:S2
‑4‑
1、定义模型参数和应用于请求标注的查询策略;S2
‑4‑1‑
1、对于预测的bounding boxB
j
的紧密度定义如下;T(B
j
)=IOU(B
j
,R
j
)其中,R
j
为当网络预测未经调整前的候选区域region;S2
‑4‑1‑
2、根据样本的紧密度T(B
j
)和置信度P
max
的不同,采用如下选择策略来更新bounding box;
S2
‑4‑1‑
3、通过如下公式计算当前模型对噪声的稳定度S(B
j
);S2
‑4‑1‑
4、若该稳定度S(B
j
)达到了稳定值,无需对未标记图像进行标记;S2
‑4‑1‑
5、对步骤S2
‑4‑1‑
3中未达到稳定值的S(B
j
),采用如下公式进行更新;S2
‑4‑
2、使用基于不确定性的主动学习方法,返回策略选择出需要标注的数据;S2
‑4‑
3、判断模型精度是否达到要求,利用查询函数选取对提高模型精度最有用的数据进行人工标注;S2
‑4‑
4、将步骤S2
‑4‑
3中的数据按照查询标准加到训练集样本中循环查询。5.根据权利要求4所述的一种基于主动学习和神经网络的高空抛物检测方法,其特征在于,所述步骤S3中,进行运动物体的目标跟踪,包括以下步骤:S3
‑
1、计算当前t时刻运动目标的检测框bounding box与上一时刻的检测框交并比IOU;S3
‑
2、判断计算结果是否小于预设的阈值,如果是,则认为匹配失败,进行卡尔曼滤波预测;S3
‑
3、初始化一个新的卡尔曼滤波器,记录当前运动目标的跟踪序号以及对应帧的编号信息;S3
‑<...
【专利技术属性】
技术研发人员:刘建,周云龙,段刘祺,段萌,卢中源,吴子文,陈良宇,毛江华,车杰,
申请(专利权)人:合肥工业大学,
类型:发明
国别省市:
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。