用于桥侧坠落点孔位信息定位的方法、系统、设备及介质技术方案

本发明专利技术公开了用于桥侧坠落点孔位信息定位的方法、系统、设备及介质，其中方法包括：S1：获取大桥两端的监控视频数据；S2：利用训练好的PervasionNET深度学习模型识别桥墩位置信息、江面浮子位置信息与江面行进船只位置信息；S3：基于桥墩位置信息、江面浮子位置信息及江面行进船只位置信息利用桥侧识别算法检测大桥各个孔位的位置信息；S4：利用训练好的PervasionNET模型识别有人坠落后产生的水花位置信息，通过水花位置信息与大桥孔位的位置信息的联合计算，获得落水者所在的孔位信息。依据本发明专利技术公开的方法判断坠落者坠落位置对应的孔位编号等信息，将该孔位信息发送至救援人员，提升了搜救效率。提升了搜救效率。提升了搜救效率。

【技术实现步骤摘要】
用于桥侧坠落点孔位信息定位的方法、系统、设备及介质


[0001]本专利技术属于人工智能
，具体涉及用于桥侧坠落点孔位信息定位的方法、系统、设备及介质。
技术背景
[0002]在现实生活中，经常会听到有人坠桥的事故发生。但由于其发生的随机性和偶然性，很难在第一时间发现并进行救治。目前，坠桥搜救主要靠人工巡检和路人报警相结合的方式，效率较低。虽然，现有技术中采用监控手段发现坠桥行为的发生，但是并不能准确定位坠桥者的具体落水位置，使后期的水面搜救行动无法做到精准搜救，增加了搜救的难度，降低了搜救的效率。
[0003]公开号为CN114267082A的中国专利于2022年4月1日公开了一种基于深度理解的桥侧坠落行为识别方法，该专利公开了通过对桥面监控系统的监控画面进行分析判断桥面上是否存在人员坠落，以及时发现桥侧坠落事件，从而及时实施救援。
[0004]但在上述技术方案中，未公开如何对坠落人员坠落地点的孔位信息进行定位，从而无法准确获得坠落者坠落地点对应的孔位信息，导致救援人员在救援过程中需要对较大范围的江面进行搜索，增加了搜救工作量，降低了搜救效率。

技术实现思路

[0005]本专利技术的目的是提供用于桥侧坠落点孔位信息定位的方法、系统、设备及介质，能够有效实现对桥面坠落者坠落位置对应的孔位进行精准定位，减少救援人员需要搜索的江面范围，提升搜救效率。
[0006]基于本专利技术说明书的一方面，提供一种用于桥侧坠落点孔位信息定位的方法，包括以下步骤：S1：获取大桥两端的监控视频数据；大桥两端设置有桥堡，桥堡顶端设置有监控摄像头，监控摄像头用于拍摄桥面及江面的画面，监控摄像头拍摄到的桥面及江面画面构成了监控视频数据；S2：利用训练好的PervasionNET深度学习模型识别桥墩位置信息、江面浮子位置信息与江面行进船只位置信息，进入步骤S3；S3：基于桥墩位置信息、江面浮子位置信息及江面行进船只位置信息利用桥侧识别算法检测大桥各个孔位的位置信息，进入步骤S4；S4：利用训练好的PervasionNET模型识别有人坠落后产生的水花位置信息，通过水花位置信息与大桥孔位的位置信息进行联合计算，获得落水者坠落点所对应孔位的孔位信息。
[0007]在上述技术方案中，首先识别桥墩位置信息、江面浮子位置信息和江面行进船只位置信息，并基于上述位置信息获取大桥孔位（即大桥桥孔）的位置信息，根据大桥孔位的位置信息将江面划分成若干区域，每一区域对应着一个孔位，当有坠落者坠入江面时，识别
水花所在的区域，从而判断坠落者坠落位置对应的孔位编号等信息，将该孔位编号等信息发送至救援人员，救援人员依据孔位编号实现更精准的搜救，提升了搜救效率。
[0008]具体地，所述PervasionNET深度学习模型的训练过程如下：S201：将所述监控视频数据截取为单帧图像，针对所述单帧图像内的不同目标物进行坐标标注，并获得标注信息；所述目标物包括船只、桥墩和江面浮子；S202：将S201所述单帧图像及标注信息输入PervasionNet网络进行权重训练，利用PervasionNet网络根据所述单帧图像及标注信息训练PervasionNet网络各节点的参数，获得PervasionNet深度学习模型针对本次训练的权重；S203：将PervasionNet网络的推测权重设定为步骤S202中所获得的权重；将图片输入到PervasionNet网络中，获得目标物的坐标与标注框大小信息。
[0009]具体地，在步骤S202中所述训练PervasionNet网络各节点的参数包括以下步骤：检测输入的单帧图像的尺寸，基于Rep
‑
DarkNet
‑
53网络提取不同尺度的图片高级语义特征；将所述不同尺度的图片高级语义特征进行融合叠加，获得融合多尺度语义的图像特征；在所述单帧图像中随机生成若干个噪声标注框，将所述噪声标注框与所述图像特征同时输入迭代网络；对所述噪声标注框与所述图像特征进行ROI Align处理，获得噪声标注框与对应兴趣区域的特征；基于前馈神经网络和批归一化调整特征向量通道数，再将调整后的特征向量作为可学习的位置编码输入编码器；将所述噪声标注框与所述步骤S201中的标注信息相对应，通过损失函数调整网络中的节点参数，将所述噪声标注框降噪，恢复成所述步骤S201中的标注信息；迭代得到PervasionNet网络各节点的参数。
[0010]具体地，所述步骤S3具体包括以下步骤：S301：将当前时刻船只位置与上一时刻船只位置进行对比做差运算，判断船只行进方向；S302：对两个以上桥墩位置信息进行拉线操作，获得监控侧的桥面围栏线，所述桥面围栏线与围栏重合；S303：根据船只行进方向和江面浮子位置信息获得各个浮子所划定的桥侧孔位范围；为了确保江面行进船只经过大桥下方时的安全，对不同行进方向（逆流或者顺流）的船只所经过的孔位有严格的要求，根据船只行进方向，即可知晓此时该船只行进线路上对应的孔位编号；S304：基于船只的行进方向和摄像头所在的方位，将所获得的各江面浮子所划定的桥侧孔位范围取均值，再根据桥面位置信息对孔位坐标进行缩放调整，获得孔位的中心点信息；S305：在图像上作若干垂直于所述桥面围栏线的垂线，每一所述垂线均经过一个大桥孔位的中心点，基于若干所述垂线将图像割成多个片段，获得图片中各孔位对应的范围信息。
[0011]具体地，所述拉线操作过程具体如下：
每个摄像头捕捉到至少三个桥墩的图像信息，所述桥墩在图像中呈线性排布；基于所述桥墩位置信息，计算出各桥墩中心连接线的直线参数，增加所述直线参数的像素值偏量，获得监控侧的桥面围栏线。各桥墩中心连接线是指一条穿过各个桥墩识别框中心的直线，直线参数是指直线的斜率等用来表征直线特征的参数。
[0012]具体地，所述步骤S4中的联合计算过程如下：获取大桥孔位信息与落水者坠落后产生水花的位置信息，计算出水花的中心坐标距离大桥各孔位中心的像素距离，再对该像素距离进行现实距离换算，获得落水点所在孔位信息。
[0013]基于本专利技术说明书的另一方面，提供一种用于桥侧坠落点孔位信息定位的系统，包括：数据获取模块，所述数据获取模块用于获取大桥两端的监控视频数据；识别模块，所述识别模块用于识别桥墩位置信息、江面浮子位置信息和江面行进船只位置信息；检测模块，所述检测模块用于检测大桥各孔位的位置信息；定位模块，所述定位模块用于获得落水者的孔位信息。
[0014]基于本专利技术说明书的又一方面，提供一种计算机设备，所述计算机设备包括处理器、存储器，以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现所述的一种用于桥侧坠落点孔位信息定位的方法的步骤。
[0015]基于本专利技术说明书的又一方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现所述的一种用于桥侧坠落点孔位信息定位的方法的步骤。
[0016]与现有技术相比，本专利技术的有益效果是：本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于桥侧坠落点孔位信息定位的方法，其特征在于，包括以下步骤：S1：获取大桥两端的监控视频数据；S2：利用训练好的PervasionNET深度学习模型识别桥墩位置信息、江面浮子位置信息与江面行进船只位置信息，进入步骤S3；S3：基于桥墩位置信息、江面浮子位置信息及江面行进船只位置信息利用桥侧识别算法检测大桥各个孔位的位置信息，进入步骤S4；S4：利用训练好的PervasionNET模型识别有人坠落后产生的水花位置信息，通过水花位置信息与大桥孔位的位置信息进行联合计算，获得落水者坠落点所对应孔位的孔位信息。2.根据权利要求1所述的用于桥侧坠落点孔位信息定位的方法，其特征在于，所述PervasionNET深度学习模型的训练过程如下：S201：将所述监控视频数据截取为单帧图像，针对所述单帧图像内的不同目标物进行坐标标注，并获得标注信息；所述目标物包括船只、桥墩和江面浮子；S202：将S201所述单帧图像及标注信息输入PervasionNet网络进行权重训练，利用PervasionNet网络根据所述单帧图像及标注信息训练PervasionNet网络各节点的参数，获得PervasionNet深度学习模型针对本次训练的权重；S203：将PervasionNet网络的推测权重设定为步骤S202中所获得的权重；将图片输入到PervasionNet网络中，获得目标物的坐标与标注框大小信息。3.根据权利要求2所述的用于桥侧坠落点孔位信息定位的方法，其特征在于，在步骤S202中所述训练PervasionNet网络各节点的参数包括以下步骤：检测输入的单帧图像的尺寸，基于Rep
‑
DarkNet
‑
53网络提取不同尺度的图片高级语义特征；将所述不同尺度的图片高级语义特征进行融合叠加，获得融合多尺度语义的图像特征；在所述单帧图像中随机生成若干个噪声标注框，将所述噪声标注框与所述图像特征同时输入迭代网络；对所述噪声标注框与所述图像特征进行ROI Align处理，获得噪声标注框与对应兴趣区域的特征；基于前馈神经网络和批归一化调整特征向量通道数，再将调整后的特征向量作为可学习的位置编码输入编码器；将所述噪声标注框与所述步骤S201中的标注信息相对应，通过损失函数调整网络中的节点参数，将所述噪声标注框降噪，恢复成所述步骤S201中的标注信息；迭代得到PervasionNet网络各节点的参数。4.根据权利要求3所述...

【专利技术属性】
技术研发人员：朱磊，汪兆斌，成孝刚，高波，倪杰，张博，周渝锋，张衍，高原，皇甫雷萍，汤一江，蔡聪聪，王蓓，章震，胡文波，
申请(专利权)人：南京市公安局，
类型：发明
国别省市：