一种基于高速公路监控视频的路面抛洒物检测方法技术

本发明专利技术提出了一种基于高速公路监控视频的路面抛洒物检测方法，属于智能交通技术领域，包括：获取高速公路路段背景图像数据集，获取抛洒物图像数据集；将抛洒物数据集与道路背景图像结合，构建道路抛洒物数据集；VIBE背景建模，获取背景以及前景；改进YOLOv5网络模型并优化；利用改进后的YOLOv5模型对抛洒物进行分类检测。本发明专利技术提出了一种构建高速公路场景抛洒物数据集的方法，与实地勘测获取高速公路场景抛洒物数据集相比，大大节省了时间和成本，提升了安全性。另外，改进了YOLOv5网络使得路侧视角下也能实时高效地进行目标跟踪，同时提高了检测精度。提高了检测精度。提高了检测精度。

【技术实现步骤摘要】
一种基于高速公路监控视频的路面抛洒物检测方法


[0001]本专利技术属于智能交通
，具体为一种基于高速公路监控视频的路面抛洒物检测方法。

技术介绍

[0002]随着我国经济的快速发展，我国高速公路里程不断增加。随之而来的是车流量和货物运输量的不断提升，同时由于高速公路行车速度较快，高速公路事故发生率也在不断上升。
[0003]交通事故造成的拥堵每年造成全世界数十亿美元的生产力损失、财产损失和个人伤害。高速公路抛洒物是破坏正常运输过程的重要原因之一。货车货物泄露以及行车人员在高速公路上随意丢弃垃圾构成了高速公路抛洒物的主要来源。这些物体体积小，不易被司机及时发现，导致车辆避让不及从而引发交通事故。
[0004]随着信息化的发展，自动检测道路中抛洒物，降低抛洒物引发交通事故与拥堵的概率已成为高速公路智慧化的必要条件。
[0005]目前，对于高速公路抛洒五的检测方法主要有两种，传统的人工巡检以及自动检测。人工巡检效率低下且覆盖率较低，而当下高速公路视频监控普及程度越来越高，因此通过监控视频自动检测抛洒物成为一种新型有效的方式。

技术实现思路

[0006]本专利技术提出一种基于高速公路监控视频的路面抛洒物检测方法，其目的在于解决了高速公路抛洒物检测的问题。
[0007]本专利技术实施例提供了一种基于高速公路监控视频的路面抛洒物检测方法，包括：
[0008]S1：构建基础数据集。获取高速公路监控视频获取路段背景图像数据集，并从ImageNet下载相应的抛洒物图像数据集。
[0009]S2：图像融合。将抛洒物的中心与背景图像中随机选择的路面区域的重合，然后将其粘贴到场景图象中，生成合成图像，构建高速公路场景抛洒物数据集。
[0010]S3：VIBE背景建模。获取背景以及前景。
[0011]S4：构建神经网络。基于YOLOv5网络改进搭建神经网络模型。
[0012]S5：训练优化模型。将抛洒物数据集输入神经网络模型中进行训练，并根据训练结果对模型进行优化，得到抛洒物检测模型的训练权重和分类结果。
[0013]S6：抛洒物检测。利用训练好的深度学习网络进行抛洒物检测。
[0014]优选地，若是将抛洒物放于实际场景获得大量的图像是危险的且费用昂贵，采用实际背景图片与抛洒物图片融合而成的高速公路抛洒物图像安全且高效。
[0015]优选地，高速公路监控视频是固定视角，画面变化比较小，所以采用背景建模方法，VIBE是一种用于模拟背景和检测前景的算法。
[0016]优选地，搭建神经网络采用YOLOv5模型，在YOLOv5网络上进行了两个改进。一是将
卷积核的大小减少到1
×
1。因此，前向卷积层可以在不增加参数数量的情况下获得更小尺度的核，而后向卷积层可以在此基础上构建更高层次的特征，比如在边缘、形状和对象类型的层次上的结构特征。另一个改进是增加了不同卷积层之间的卷积连接，如在ResNet上跳跃连接。
[0017]本专利技术的有益效果为：
[0018]1、本专利技术基于高速公路监控视频对道路抛洒物进行检测与识别，降低了人工成本，提升了检测效率。
[0019]2、本专利技术将高速公路视频监控获取的背景图片与开源的抛洒五图片数据集相融合，使得不需要人工在实际路面上施放抛洒物，大幅度节省了人工成本，并且更加安全与高效。
[0020]3、本专利技术在YOLOv5网络上进行了两个改进，包括将卷积核的大小减少到1
×
1和在ResNet中使用跳跃连接，以增强观察对象细节的能力，提高计算能力。常规的数据集是从正面拍摄的，而高速公路视频监控是处于一个角度相对较低的位置，具有更复杂的亮度和阴影，这使得为改进的YOLOv5网络中的卷积层难以分析图像中的细节，而改进后的YOLOv5网络观察图像细节能力增强，能够很好得分析图像细节。
[0021]本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在说明书以及附图中所特别指出的结构来实现和获得。
附图说明
[0022]附图用来提供对本专利技术进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：
[0023]图1为本专利技术基于高速公路监控视频道路抛洒物检测方法流程图；
[0024]图2为本专利技术VIBE模型更新的三种状况；
[0025]图3为本专利技术改进的YOLOv5网络检测流程图；
[0026]图4为本专利技术基于高速公路监控视频道路抛洒物检测方法具体实施流程图。
具体实施方式
[0027]为了使得本专利技术的技术方案的目的、技术方案和优点更加清楚，下文中将结合本专利技术具体实施例的附图，对本专利技术实施例的技术方案进行清楚、完整的描述。需要说明的是，所描述的实施例是本专利技术的一部分实施例，而不是全部的实施例。基于所描述的本专利技术的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0028]本专利技术设计一种基于高速公路监控视频的路面抛洒物检测方法，其流程图如图1所示，包括：
[0029]步骤1：构建基础数据集。基于高速公路监控视频获取路段背景图像，构建高速公路场景数据集。从ImageNet数据集下载相应的抛洒物图像，针对高速公路抛洒物特性补充样本，构建涵盖十种类别的抛洒物数据集，具体类别有：盒子、纸箱、纸、瓶子、袋子、路障、石头、沙子、塑料袋和包裹。
[0030]步骤2：图像融合。将抛洒物的中心与背景图像中随机选择的路面区域的重合，然后将其粘贴到场景图象中，生成合成图像，构建高速公路场景抛洒物数据集。手动检查生成的图像，以调整抛洒物图像的大小，使整个抛洒物包含在路面区域像素内。最后人工对这些合成的图像进行检查，剔除不符合自然场景的合成图像。并标注出每张图像抛洒物的类型、大小和位置。
[0031]步骤3：VIBE背景建模。首先对输入的无车辆行驶的视频帧进行背景模型初始化，VIBE为每个像素(x，y)建立一个包含N个样本的背景模型M(x，y)，该像素点与其8邻域像素组成样本采样空间NB(x，y)，随机地在NB(x，y)中选取像素点对背景模型进行初始化，M(x，y)初始化计算如公式所示：
[0032]M(x，y)＝{v1(x,y)，v2(x,y)...v
n
(x,y)}
[0033]MB(x,y)初始化计算如下图所示：
[0034]M
B
(x,y)＝{v
i
(x,y)|(x,y)∈N
B
(x,y)}
[0035]其中，是采样空间样本集中地第i个样本值，N为样本数，设置为20。接着将当前图像中的像素值与建立好的背景模型进行比较来区分该像素点是否为前景目标像素点。同时，VIBE模型有三种不同的模型更新策略，如图2所示。VIBE模型复本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于高速公路监控视频的路面抛洒物检测方法，其特征在于，包括下述步骤：S1：构建基础数据集；获取高速公路监控视频获取路段背景图像数据集，并从ImageNet下载相应的抛洒物图像数据集；S2：图像融合；将抛洒物的中心与背景图像中随机选择的路面区域的重合，然后将其粘贴到场景图象中，生成合成图像，构建高速公路场景抛洒物数据集；S3：VIBE背景建模；获取背景以及前景；S4：构建网络；基于YOLOv5网络改进搭建神经网络模型；S5：训练优化模型；将抛洒物数据集输入神经网络模型中进行训练，并根据训练结果对模型进行优化，得到抛洒物检测模型的训练权重和分类结果；S6：抛洒物检测；利用训练好的深度学习网络进行抛洒物检测。2.根据权利要求1所述的基于高速公路监控视频的路面抛洒物检测方法，其特征在于：路面的抛洒物图像由高速公路监控图像与抛洒物图像人工结合而成。3.根据权利要求1所述的基于高速公路监控视频的路面抛洒物检测方法，其特征在于：数据标注的内容包括抛洒物类别、大小及位置。4.根据权利要求1所述的基于高速公路监控视频的路面抛洒物检测方法，其特征在于：VIBE背景建模首先对输入的无车辆行驶的视频帧进行背景模型初始化，接着将当前图像中的像素值与建立好的背景模型进行比较来区分该...

【专利技术属性】
技术研发人员：孙健，
申请(专利权)人：江苏宁杭高速公路有限公司，
类型：发明
国别省市：