本申请公开了一种道路属性识别方法、装置、电子设备及存储介质，本申请中，训练完成的道路属性识别模型包括特征提取子网络和背景特征增强子网络。获取道路监控视频中待处理的第一图像之后，基于道路属性识别模型中的特征提取子网络，对第一图像进行特征提取，得到道路特征图；基于道路属性识别模型中的背景特征增强子网络对第一图像进行特征提取，得到背景特征图。再对道路特征图和道路背景特征图进行融合处理，得到第一图像对应的道路融合特征图，最终对道路融合特征图进行识别，得到第一图像的道路属性识别结果。结合特征提取子网络和背景特征增强子网络对第一图像进行特征提取，能够有效抑制噪声，增强背景，从而提高道路属性识别的准确性。属性识别的准确性。属性识别的准确性。
【技术实现步骤摘要】
一种道路属性识别方法、装置、电子设备及存储介质
[0001]本申请涉及智能交通
，尤其涉及一种道路属性识别方法、装置、电子设备及存储介质。
技术介绍
[0002]随着道路基础设施网络的日益庞大，道路属性的识别与维护的重要性日益凸显。道路属性例如是裂纹、坑槽等道路病害属性，或者道路中固定的路障、固定标志物等属性。完全采用人工手段识别道路属性，过于耗时耗力，现在多采用机器学习方法进行辅助，自动识别道路属性。
[0003]现有的基于机器学习的道路属性识别方法一般采用阈值分割、形态学操作等手段，虽然能够实现自动识别道路属性。但是对于一些与道路属性形状类似的前景物体，容易造成道路属性误识别，例如，图像中一辆车上放着竹竿或线状物体，现有的方案易将竹竿或线状物体识别为纵向裂纹，也就造成了道路属性的误识别，使得道路属性识别的准确性较差。
技术实现思路
[0004]本申请实施例提供了一种道路属性识别方法、装置、电子设备及存储介质，用以解决现有技术存在的道路属性识别的准确性较差的问题。
[0005]第一方面，本申请提供了一种道路属性识别方法，所述方法包括：获取道路监控视频中待处理的第一图像，将所述第一图像输入已训练的道路属性识别模型；通过所述道路属性识别模型中的特征提取子网络对所述第一图像进行特征提取，得到道路特征图；并通过所述道路属性识别模型中的背景特征增强子网络对所述第一图像进行特征提取，得到背景特征图；对所述道路特征图和道路背景特征图进行融合处理，得到道路融合特征图；对所述道路融合特征图进行识别，得到所述第一图像的道路属性识别结果。
[0006]第二方面，本申请提供了一种道路属性识别装置，所述装置包括：获取模块，用于获取道路监控视频中待处理的第一图像，将所述第一图像输入已训练的道路属性识别模型；第一确定模块，用于通过所述道路属性识别模型中的特征提取子网络对所述第一图像进行特征提取，得到道路特征图；并通过所述道路属性识别模型中的背景特征增强子网络对所述第一图像进行特征提取，得到背景特征图；第二确定模块，用于对所述道路特征图和道路背景特征图进行融合处理，得到道路融合特征图；识别模块，用于对所述道路融合特征图进行识别，得到所述第一图像的道路属性识别结果。
[0007]第三方面，本申请提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序时，实现所述的方法步骤。
[0008]第四方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现所述的方法步骤。
[0009]本申请提供了一种道路属性识别方法、装置、电子设备及存储介质，所述方法包括：获取道路监控视频中待处理的第一图像，将所述第一图像输入已训练的道路属性识别模型；通过所述道路属性识别模型中的特征提取子网络对所述第一图像进行特征提取，得到道路特征图；并通过所述道路属性识别模型中的背景特征增强子网络对所述第一图像进行特征提取，得到背景特征图；对所述道路特征图和道路背景特征图进行融合处理，得到道路融合特征图；对所述道路融合特征图进行识别，得到所述第一图像的道路属性识别结果。
[0010]上述的技术方案具有如下优点或有益效果：本申请中，训练完成的道路属性识别模型包括特征提取子网络和背景特征增强子网络。获取道路监控视频中待处理的第一图像之后，基于道路属性识别模型中的特征提取子网络，对第一图像进行特征提取，得到道路特征图；并且基于道路属性识别模型中的背景特征增强子网络对第一图像进行特征提取，得到背景特征图。再对道路特征图和道路背景特征图进行融合处理，得到第一图像对应的道路融合特征图，最终对道路融合特征图进行识别，得到第一图像的道路属性识别结果。结合特征提取子网络和背景特征增强子网络对第一图像进行特征提取，能够有效抑制噪声，增强背景，从而提高道路属性识别的准确性。
附图说明
[0011]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0012]图1为本申请提供的道路属性识别过程示意图；图2为本申请提供的道路属性识别模型训练过程示意图；图3为本申请提供的道路病害识别整体流程图；图4为本申请提供的基于语义分割的道路病害识别模型训练过程示意图；图5为本申请提供的道路病害识别模型框架图；图6为本申请提供的道路病害识别装置结构示意图；图7为本申请提供的电子设备结构示意图。
具体实施方式
[0013]为使本申请的目的和实施方式更加清楚，下面将结合本申请示例性实施例中的附图，对本申请示例性实施方式进行清楚、完整地描述，显然，描述的示例性实施例仅是本申请一部分实施例，而不是全部的实施例。
[0014]需要说明的是，本申请中对于术语的简要说明，仅是为了方便理解接下来描述的
实施方式，而不是意图限定本申请的实施方式。除非另有说明，这些术语应当按照其普通和通常的含义理解。
[0015]本申请中说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别类似或同类的对象或实体，而不必然意味着限定特定的顺序或先后次序，除非另外注明。应该理解这样使用的用语在适当情况下可以互换。
[0016]术语“包括”和“具有”以及他们的任何变形，意图在于覆盖但不排他的包含，例如，包含了一系列组件的产品或设备不必限于清楚地列出的所有组件，而是可包括没有清楚地列出的或对于这些产品或设备固有的其它组件。
[0017]术语“模块”是指任何已知或后来开发的硬件、软件、固件、人工智能、模糊逻辑或硬件或/和软件代码的组合，能够执行与该元件相关的功能。
[0018]最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
[0019]为了方便解释，已经结合具体的实施方式进行了上述说明。但是，上述示例性的讨论不是意图穷尽或者将实施方式限定到上述公开的具体形式。根据上述的教导，可以得到多种修改和变形。上述实施方式的选择和描述是为了更好的解释原理以及实际的应用，从而使得本领域技术人员更好的使用所述实施方式以及适于具体使用考虑的各种不同的变形的实施方式。
[0020]图1为本申请提供的道路病害识别过程示意图，该过程包括以下步骤：S101：获取道路监控视频中待处理的第一图像，将所述第一图像输入已训练的道路属性识别模型。
[0021]S102：通过所述道路属性识别模型本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种道路属性识别方法，其特征在于，所述方法包括：获取道路监控视频中待处理的第一图像，将所述第一图像输入已训练的道路属性识别模型；通过所述道路属性识别模型中的特征提取子网络对所述第一图像进行特征提取，得到道路特征图；并通过所述道路属性识别模型中的背景特征增强子网络对所述第一图像进行特征提取，得到背景特征图；对所述道路特征图和道路背景特征图进行融合处理，得到道路融合特征图；对所述道路融合特征图进行识别，得到所述第一图像的道路属性识别结果。2.如权利要求1所述的方法，其特征在于，对所述道路融合特征图进行识别，得到所述第一图像的道路属性识别结果包括：对所述道路融合特征图进行识别，得到所述第一图像的第一道路属性识别结果；获取上一视频帧的第二图像的第二道路属性识别结果；对所述第一道路属性识别结果和所述第二道路属性识别结果进行融合处理，得到所述第一图像的道路特征识别结果。3.如权利要求1所述的方法，其特征在于，所述道路属性识别模型是通过如下方式进行训练得到的：针对样本集中的各个场景，选取所述场景的第一样本图像输入道路属性识别模型中的特征提取子网络，选取所述场景的第二样本图像输入所述道路属性识别模型中的背景特征增强子网络；基于所述特征提取子网络对所述第一样本图像进行特征提取，得到第一样本特征图，基于所述背景特征增强子网络对所述第二样本图像进行特征提取，得到第二样本特征图；对所述第一样本特征图和第二样本特征图进行融合处理，得到第三样本特征图；基于所述第三样本特征图确定样本预测结果，根据所述样本预测结果和所述第一样本图像对应的标签信息，对所述道路属性识别模型中的特征提取子网络和所述背景特征增强子网络进行训练。4.如权利要求3所述的方法，其特征在于，对所述第一样本特征图和第二样本特征图进行融合处理，得到第三样本特征图包括：获取当前的训练次数，根据当前的训练次数和预设的训练总次数，确定所述特征提取子网络的第一权重值和所述背景特征增强子网络的第二权重值；其中，当前的训练次数越小，所述第一权重值越大；根据所述第一权重值和第二权重值对所述第一样本特征图和第二样本特征图进行融合处理，得到第三样本特征图。5.如权利要求4所述的方法，其特征在于，所述根据当前的训练次数和预设的训练总次数，确定所述特征提取子网络的第一权重值和所述背景特征增强子网络的第二权重值包括：将所述当前的训练次数和预设的训练总次数带入公式α=1
‑
t/（2T），得到所述特征提取子网络的第一权重值α，和所述背景特征增强子网络的第二权重值1
‑
α...
【专利技术属性】
技术研发人员：段富治，余言勋，郝行猛，黄宇，王亚运，金恒，殷俊，
申请(专利权)人：浙江大华技术股份有限公司，
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。