路面异物识别方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术实施例公开了路面异物识别方法、装置、计算机设备及存储介质。所述方法包括：获取监控道路图像；提取所述监控道路图像中的路面特征图以及异物特征图；对路面特征图以及异物特征图中的特征张量进行特征概率化；若路面特征概率高于第一预设值，则判断为真实路面，并进一步判断异物特征的概率是否高于第二预设值；若异物特征概率高于第二预设值，则判断所述路面特征图中是否包含所述异物特征图；若所述路面特征图中包含所述异物特征图，则确定监控路面存在异物；确定异物的信息。通过实施本发明专利技术实施例的方法可实现低成本地识别路面异物，提升识别准确率。提升识别准确率。提升识别准确率。

【技术实现步骤摘要】
路面异物识别方法、装置、计算机设备及存储介质


[0001]本专利技术涉及目标识别方法，更具体地说是指路面异物识别方法、装置、计算机设备及存储介质。

技术介绍

[0002]在城市建设施工项目中，需要通过渣土车对施工过程中产生的渣土进行运输作业。在车辆清运渣土作业过程中，车轮、车身携带的泥水和渣土车转弯、变速过程中的洒落渣土会污染路面，带来扬尘污染，影响市容市貌，严重的甚至会阻碍正常交通出行，带来交通隐患。
[0003]因此，需要对路面的异物进行识别，以便于后续准确地清除该异物，现有的路面异物识别方法主要依靠无人机获得垂直俯视图像，但是无人机部署成本高昂，且滞空时间有限，无法实现连续的自动化监控；而且现有的路面异物识别方法还依靠车辆绕行辅助判断，无法识别扬尘严重但无需绕行的情况。
[0004]因此，有必要设计一种新的方法，实现低成本地识别路面异物，提升识别准确率。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的缺陷，提供路面异物识别方法、装置、计算机设备及存储介质。
[0006]为实现上述目的，本专利技术采用以下技术方案：路面异物识别方法，包括：获取监控道路图像；提取所述监控道路图像中的路面特征图以及异物特征图；对路面特征图以及异物特征图中的特征张量进行特征概率化；若路面特征概率高于第一预设值，则判断为真实路面，并进一步判断异物特征的概率是否高于第二预设值；若异物特征概率高于第二预设值，则进一步判断所述路面特征图中是否包含所述异物特征图；若所述路面特征图中包含所述异物特征图，则确定监控路面存在异物；确定异物的信息。
[0007]其进一步技术方案为：所述提取所述监控道路图像中的路面特征图以及异物特征图，包括：采用深度卷积神经网络结合膨胀卷积，依据贝叶斯公式将路面异物识别任务分割为路面识别任务和异物识别任务，分别提取所述监控道路图像中的路面特征图以及异物特征图。
[0008]其进一步技术方案为：所述采用深度卷积神经网络结合膨胀卷积，包括：在深度卷积神经网络的深层网络层中设置不同膨胀率的卷积层；在深度卷积神经网络的浅层网络层中减少卷积核个数，并将浅层网络层中的图像池化层改为普通卷积。
[0009]其进一步技术方案为：所述路面特征图以及所述异物特征图集成在所述深度卷积神经网络输出的特征张量中，所述特征张量包括至少三个维度，所述特征张量的维度分别表征两个不同的分割任务的输出特征张量、每个分割任务的类别以及每个分割任务的特征张量的特征图的尺寸。其进一步技术方案为：所述判断所述路面特征图中是否包含所述异物特征图，包括：对所述路面特征图的特征张量进行特征尺寸匹配，以得到匹配结果；根据所述匹配生成确定路面异物遮罩；根据所述路面异物遮罩确定所述路面特征图中是否包含所述异物特征图。
[0010]其进一步技术方案为：所述根据所述匹配结果生成路面异物遮罩，包括：对所述匹配结果进行argmax操作后，再进行逻辑与操作，以得到路面异物遮罩。
[0011]其进一步技术方案为：所述确定异物的信息，包括：根据所述路面异物遮罩获取连通域；根据连通域计算对应异物的置信度；根据连通域的尺寸以及对应异物的置信度确定目标连通域，以得到异物的信息。
[0012]本专利技术还提供了路面异物识别装置，包括：获取单元，用于获取监控道路图像；提取单元，用于提取所述监控道路图像中的路面特征图以及异物特征图；概率化单元，用于对路面特征图以及异物特征图中的特征张量进行特征概率化；异物概率判断单元，用于若路面特征概率高于第一预设值，则判断异物特征的概率是否高于第二预设值；包含关系判断单元，用于若异物特征概率高于第二预设值，则判断所述路面特征图中是否包含所述异物特征图；第一确定单元，用于若所述路面特征图中包含所述异物特征图，则确定监控路面存在异物；第二确定单元，用于确定异物的信息。
[0013]本专利技术还提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
[0014]本专利技术还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述的方法。
[0015]本专利技术与现有技术相比的有益效果是：本专利技术通过利用摄像头拍摄监控道路图像，降低识别成本，采用深度学习技术识别路面特征图以及异物特征图，并依据这两个特征图确定路面与异物的包含关系，提升识别准确性，抑制非路面情况下的识别误报。
[0016]下面结合附图和具体实施例对本专利技术作进一步描述。
附图说明
[0017]为了更清楚地说明本专利技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，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。
[0018]图1为本专利技术实施例提供的路面异物识别方法的应用场景示意图；图2为本专利技术实施例提供的路面异物识别方法的流程示意图；图3为本专利技术实施例提供的特征图链接示意图；图4为本专利技术实施例提供的一种监控道路原图；图5为本专利技术实施例提供的一种监控道路原图的路面异物识别结果图；图6为本专利技术实施例提供的路面异物识别装置的示意性框图；图7为本专利技术实施例提供的路面异物识别装置的包含关系判断单元的示意性框图；图8为本专利技术实施例提供的计算机设备的示意性框图。
具体实施方式
[0019]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动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。
[0020]应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和
ꢀ“
包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0021]还应当理解，在此本专利技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本专利技术。如在本专利技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0022]还应当进一步理解，在本专利技术说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0023]请参阅图1和图2，图1为本专利技术实施例提供的路面异物识别方法的应用场景示意图。图2为本专利技术实施例提供的路面异物识别方法的示意性流程图。该路面异物识别方法应用于服务器中。该服务器与摄像头进行数据交互，摄像头拍摄监控道路图像，并输入至服务器，服务器识别路面和异物，并确定路面与异物的包含关系，以确定监控路面是否存在异物，以提升识别准确性，抑制非路面情况下的识别误报。
[0024]图2本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.路面异物识别方法，其特征在于，包括：获取监控道路图像；提取所述监控道路图像中的路面特征图以及异物特征图；对路面特征图以及异物特征图中的特征张量进行特征概率化；若路面特征概率高于第一预设值，则判断为真实路面，并进一步判断异物特征的概率是否高于第二预设值；若异物特征概率高于第二预设值，则进一步判断所述路面特征图中是否包含所述异物特征图；若所述路面特征图中包含所述异物特征图，则确定监控路面存在异物；确定异物的信息。2.根据权利要求1所述的路面异物识别方法，其特征在于，所述提取所述监控道路图像中的路面特征图以及异物特征图，包括：采用深度卷积神经网络结合膨胀卷积，依据贝叶斯公式将路面异物识别任务分割为路面识别任务和异物识别任务，分别提取所述监控道路图像中的路面特征图以及异物特征图。3.根据权利要求2所述的路面异物识别方法，其特征在于，所述采用深度卷积神经网络结合膨胀卷积，包括：在深度卷积神经网络的深层网络层中设置不同膨胀率的卷积层；在深度卷积神经网络的浅层网络层中减少卷积核个数，并将浅层网络层中的图像池化层改为普通卷积。4.根据权利要求3所述的路面异物识别方法，其特征在于，所述路面特征图以及所述异物特征图集成在所述深度卷积神经网络输出的特征张量中，所述特征张量包括至少三个维度，所述特征张量的维度分别表征两个不同的分割任务的输出特征张量、每个分割任务的类别以及每个分割任务的特征张量的特征图的尺寸。5.根据权利要求4所述的路面异物识别方法，其特征在于，所述判断所述路面特征图中是否包含所述异物特征图，包括：对所述路面特征图的特征张量进行特征尺寸匹配，...

【专利技术属性】
技术研发人员：储翔，周家伟，
申请(专利权)人：云途信息科技杭州有限公司，
类型：发明
国别省市：