本发明专利技术涉及图像处理技术领域，尤其是涉及基于图像识别的高速公路异常识别方法及系统；本发明专利技术在对高速公路隧道的异常事件识别时，首先对物体进行追踪，得到物体的轨迹，然后根据轨迹中出现的物体的次数判断是否存在异常事件；相较于直接采用深度学习模型识别异常事件，提高了异常事件的识别准确度；本发明专利技术在对高速公路隧道的异常事件类型识别时，首先判断物体类型为行人还是车辆，若为行人，则认定为行人闯入，若为车辆，则根据车辆轨迹数量和车辆位置判断是否为隧道车辆拥堵，然后根据轨迹出现在每帧运动区域图像的位置判断是否为逆行，判断逻辑简单，易于推广和应用。
【技术实现步骤摘要】
本专利技术涉及图像处理，尤其是涉及一种基于图像识别的高速公路异常识别方法及系统。
技术介绍
1、高速公路是交通运输的重要组成，隧道作为高速公路路网的咽喉地段，具有半封闭、环境条件较差、隐患系数高、风险因素多（如气候、污染、地质灾害）等特点，在交通量大、气候恶劣的情况下，极易发生交通事故和交通阻塞。因此，高速公路隧道的异常识别在整个高速公路的运营管理中发挥着极其重要的作用，也是“智慧高速”未来发挥重要作用的领域。
2、现有技术中，存在通过神经网络对隧道内异常事件检测的方法及系统，例如，授权公告号为cn112906664b的中国专利技术专利，公开了一种基于神经网络的隧道内异常事件检测方法及系统，基于改进的卷积神经网络进行先检测后分类的方法，识别和定位事件的类型和发生位置。然而，上述图像处理方法对异常事件的类型识别数量较少，不能满足隧道监控的现实需求，同时，上述直接将监控图像输入至深度学习模型中，导致模型运算量巨大，效率不高，并且，上述方案未对监控图像处理即输入至深度学习模型中，导致训练的模型聚焦能力不足，识别准确度也会受影响。
技术实现思路
1、有鉴于此，本专利技术提出一种基于图像识别的高速公路异常识别方法及系统，能够提高异常事件类型识别的准确度和效率，同时，识别逻辑简单，可推广性强。
2、为了实现上述目的，本专利技术提供一种基于图像识别的高速公路异常识别方法，所述方法包括以下步骤：
3、s1：通过监控设备实时获取高速公路隧道内的监控图像；
<
p>4、s2：对所述监控图像执行图像差分操作，用于获取所述监控图像的运动区域图像，仅当存在运动区域图像时，执行下一步；5、s3：对所述运动区域图像进行异常事件类型识别；
6、其中，所述s3具体为：
7、s3.1：将所述运动区域图像输入至物体识别模型中，用于对所述运动区域图像中的物体进行识别；
8、s3.2：对所述s3.1识别的物体进行跟踪，分别得到行人和车辆的轨迹，统计每个轨迹中所述物体出现的次数t，并与所述物体出现的次数阈值t2比较，若t>t2，则认为出现异常事件，进入下一步，否则，返回到所述s3.1；
9、s3.3：对所述轨迹进行判断，若所述轨迹为行人，则认定异常事件为行人闯入，若所述轨迹为车辆，则进行下一步；
10、s3.4：统计同一时刻出现的车辆轨迹的数目和当前车辆的位置，根据所述同一时刻出现的车辆的轨迹数目和当前车辆的位置认定异常事件类型是否为隧道车辆拥堵；
11、s3.5：分析所述车辆轨迹出现在每帧运动区域图像的位置，判别车辆的运动方向，若运动方向跟设置的方向相反，则认定所述异常事件类型为逆行。
12、优选地，所述s2中，所述图像差分操作具体为：预先存储所述监控设备获取的前n帧图像，然后将当前帧图像与所述前n帧图像进行像素值差分运算，若像素点的差分绝对值大于阈值t1，则认为该像素点为运动点，否则为静止点，最后将像素点为运动点的区域作为运动区域图像。
13、优选地，所述n取值为4。
14、优选地，所述s3.1中，识别的所述运动区域图像中的物体包括：车辆，行人。
15、优选地，所述s3.1中物体识别模型为faster r-cnn模型。
16、优选地，所述faster r-cnn模型包括特征提取网络、候选框生成模块、roi池化模块、分类回归模块构成，所述特征提取网络为vgg-16，所述vgg-16的卷积层均使用3×3尺寸的小型卷积核，并通过将多个小尺寸卷积核堆积等效成大尺寸卷积核；
17、所述vgg-16设置为16个网络层，分别为13个卷积层、3个全连接层，其中第1-13层为卷积层，第14-16层为全连接层，在13个卷积层中，第1-2层的卷积核个数为64个，第3-4层的卷积核个数为128个，第5-7层的卷积核个数为256个，第8-13层的卷积核个数为512个；
18、其中，每个卷积层的计算公式为：
19、，
20、式中，为每个卷积层的输出，表示特征的位置坐标，u表示横向移动的步长，v表示纵向移动的步长，k表示特征数量，为卷积核函数，为卷积层的输入特征；
21、优选地，所述vgg-16网络的激活函数为relu函数；
22、所述relu函数的公式为：
23、，
24、式中，f（x）表示relu激活函数值，x表示如输入的神经元。
25、优选地，在s3.2中，将检测到的行人和车辆分别采用最近邻方法进行跟踪计算，分别得到行人和车辆的轨迹。
26、优选地，在s3.4中，若同一时刻出现的车辆的轨迹数目p和当前车辆的位置满足以下两个条件，则认定所述异常事件类型为隧道车辆拥堵；
27、所述两个条件为：
28、1）轨迹数目p>t3，t3为轨迹数目阈值；
29、2）将当前运动区域图像按照宽和高划分为m×m块，每块区域内均有车辆。
30、优选地，所述t3取值为2，m取值为5。
31、优选地，在s3.5中，通过至少两帧运动区域的图像中车辆轨迹的位置，可判定所述车辆的运动方向，若运动方向与预先设定的方向相反，则说明存在车辆逆行的情况。
32、本专利技术的另一方面，还提供一种基于图像识别的高速公路异常识别系统，其中，所述识别系统采用上述的基于图像识别的高速公路异常识别方法，所述识别系统包括：
33、监控图像获取模块，用于通过监控设备实时获取高速公路隧道内的监控图像；
34、运动区域图像获取模块，与所述监控图像获取模块连接，用于对所述监控图像执行图像差分操作，以获取所述监控图像的运动区域图像，且在仅当存在运动区域图像时，将所述运动区域图像输入至异常识别模块；
35、异常事件类型识别模块，与所述运动区域图像获取模块连接，用于对所述运动区域图像进行异常事件类型识别。
36、本专利技术的优点和有益效果为：
37、1、本专利技术在对高速公路隧道的异常事件识别时，首先对物体进行追踪，得到物体的轨迹，然后根据轨迹中出现的物体的次数判断是否存在异常事件；相较于直接采用深度学习模型识别异常事件，提高了异常事件的识别准确度。
38、2、本专利技术在对高速公路隧道的异常事件类型识别时，首先判断物体类型为行人还是车辆，若为行人，则认定为行人闯入，若为车辆，则根据车辆轨迹数量和车辆位置判断是否为隧道车辆拥堵，然后根据轨迹出现在每帧运动区域图像的位置判断是否为逆行，判断逻辑简单，易于推广和应用。
39、3、本专利技术首先对多个监控图像进行差分运算，判断是否存在运动区域图像，若存在运动区域图像，再进入后续步骤，不存在运动区域图像，则继续对监控图像进行差分运算，相较于现有技术，在通过监控图像进行异常事件监测时，直接将监控图像输入至识别模型，一方面高速公路在特定时间车辆相对城市道路减少，隧道的监控设本文档来自技高网
...
【技术保护点】
1.基于图像识别的高速公路异常识别方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的基于图像识别的高速公路异常识别方法，其特征在于，所述S2中，所述图像差分操作具体为：预先存储所述监控设备获取的前N帧图像，然后将当前帧图像与所述前N帧图像进行像素值差分运算，若像素点的差分绝对值大于阈值T1，则认为该像素点为运动点，否则为静止点，最后将像素点为运动点的区域作为运动区域图像。
3.根据权利要求2所述的基于图像识别的高速公路异常识别方法，其特征在于，所述N取值为4。
4.根据权利要求1所述的基于图像识别的高速公路异常识别方法，其特征在于，所述S3.1中物体识别模型为Faster R-CNN模型。
5.根据权利要求4所述的基于图像识别的高速公路异常识别方法，其特征在于，所述Faster R-CNN模型包括特征提取网络、候选框生成模块、ROI池化模块、分类回归模块构成，所述特征提取网络为VGG-16，所述VGG-16的卷积层均使用3×3尺寸的小型卷积核，并通过将多个小尺寸卷积核堆积等效成大尺寸卷积核；
6.根据权利要求1所述的基于图像识别的高速公路异常识别方法，其特征在于，在S3.2中，将检测到的行人和车辆分别采用最近邻方法进行跟踪计算，分别得到行人和车辆的轨迹。
7.根据权利要求1所述的基于图像识别的高速公路异常识别方法，其特征在于，在S3.4中，若同一时刻出现的车辆的轨迹数目P和当前车辆的位置满足以下两个条件，则认定所述异常事件类型为隧道车辆拥堵；
8.根据权利要求7所述的基于图像识别的高速公路异常识别方法，其特征在于，所述T3取值为2，M取值为5。
9.根据权利要求1所述的基于图像识别的高速公路异常识别方法，其特征在于，在S3.5中，通过至少两帧运动区域的图像中车辆轨迹的位置，可判定所述车辆的运动方向，若运动方向与预先设定的方向相反，则认定存在车辆逆行情况。
10.一种基于图像识别的高速公路异常识别系统，其特征在于，所述识别系统采用权利要求1-9任一项所述的基于图像识别的高速公路异常识别方法，所述识别系统包括：
...
【技术特征摘要】
1.基于图像识别的高速公路异常识别方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的基于图像识别的高速公路异常识别方法，其特征在于，所述s2中，所述图像差分操作具体为：预先存储所述监控设备获取的前n帧图像，然后将当前帧图像与所述前n帧图像进行像素值差分运算，若像素点的差分绝对值大于阈值t1，则认为该像素点为运动点，否则为静止点，最后将像素点为运动点的区域作为运动区域图像。
3.根据权利要求2所述的基于图像识别的高速公路异常识别方法，其特征在于，所述n取值为4。
4.根据权利要求1所述的基于图像识别的高速公路异常识别方法，其特征在于，所述s3.1中物体识别模型为faster r-cnn模型。
5.根据权利要求4所述的基于图像识别的高速公路异常识别方法，其特征在于，所述faster r-cnn模型包括特征提取网络、候选框生成模块、roi池化模块、分类回归模块构成，所述特征提取网络为vgg-16，所述vgg-16的卷积层均使用3×3尺寸的小型卷积核，并通过将多...
【专利技术属性】
技术研发人员：张林梁，闫连山，李朝霞，李赛飞，
申请(专利权)人：西南交通大学烟台新一代信息技术研究院，
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。