一种高速公路视频抛洒物检测的前景提取方法与流程

本发明涉及视频图像处理
技术领域：
，具体涉及一种高速公路视频抛洒物检测的前景提取方法。
背景技术：
：随着高速公路车流量不断增长，因高速公路抛洒物诱发的事故数量激增。这些抛洒物大多为货车上未捆扎严实而掉下的货物或者汽车故障掉落的碎片，这些体积小而坚硬的物体，对高速公路司乘人员的安全带米了极大的威胁。因此利用视频技术，对高速公路抛洒物进行实时、准确地检测，成为智慧交通领域一个非常有意义且亟待解决的问题。不同于高速公路上的机动车、扩栏、标志标线等对象，抛洒物种类各异，不具有图形图像上的通用特征。随着深度学习的不断发展，相关网络模型提取图像特征的能力不断增强，使用深度学习进行抛洒物目标检测方法也越来越多。公开号为cn106845424a的中国发明专利将抛洒物目标的识别转化为路面、非路面的二分类问题，首先将包含路面和非路面的区域图片标注作为训练集，通过卷积神经网络训练出分类网络；然后通过车辆检测算法进行判断，如果不属于车辆而且该区域属于路面的置信度低于非路面的类别，则将其判断为抛洒物。文献：城市道路视频中小像素目标检测.光电工程，2019，46(9).基于yolov3构建网络，利用抛洒物目标更依赖于浅层特征的特点，增加了1个尺度进行目标检测，通过模型训练，能有效地检测出城市道路上如纸屑、石块等具体几类抛洒物目标。尽管深度学习在特征提取和目标分类上具有突出的能力，但是其局限性在于训练集中目标检测对象是否充分，会直接影响到最终识别效果。所以，这一类相关工作在某些特定场景下识别某些特定种类的抛洒物有一定的效果，但是仍然不具有较强的泛化能力。基于背景建模方法实现对前景抛洒物目标的检测，主要原理是构建一个稳定并且可不断更新的背景模型，然后提取不在背景模型中的目标对象，并对其中抛洒物和噪声进行区分。传统的背景建模方法有帧差法、codebook方法、高斯混合模型方法等。传统的固定背景建模方法容易因开放环境变化产生大量的前景噪声，而多种基于动态背景建模的前景提取方法又容易因抛洒物的静止特性导致前景对象快速融入背景。技术实现要素：本文公开了一种高速公路视频抛洒物检测的前景提取方法，实现背景建模和背景更新。减少环境噪声出现在前景目标中；抛洒物一般具有从运动状态快速到静止状态的过程，避免静止状态的抛洒物被快速融入背景模型中，影响检测效果。本发明解决上述技术问题所提供的技术方案为：一种高速公路视频抛洒物检测的前景提取方法，其特征在于，包括以下步骤：s1为视频序列中的路面建立高斯混合模型，并初始化模型参数；s2使用自适应学习率方法得到初始背景，并进行初始背景划分得到初始背景模型组b；s3匹配视频帧像素点与背景模型，判断各像像素点的类型属于前景或者背景并输出二值化前景图像；s4根据匹配结果更新模型参数用于下一时刻的前景提取，并判断是否需要通过模型权值衰减策略重新划分背景模型。本发明所述的前景提取方法，基于原始高斯混合模型的参数更新策略，使用背景分离和权值衰减策略对背景模型和前景模型进行划分和更新，在初期n帧内使用较高的学习率来过滤掉实际背景中的运动目标等干扰信息，以获得稳定的高速公路背景。经过n帧后，再使用较低的学习率来进行背景建模和前景提取，以保证前景目标的完整性，防止目标像素快速融入背景模型，最终得到抛洒物目标的前景像素，从而有效提高道路行驶安全。所述的s1中所述的建立高斯混合模型，是指为图像中各个像素点的分配k个高斯背景模型，并对k个模型的权值、均值、方差等参数进行初始化；将第一个模型权值设为1，其他模型权值为0，均值设置为第一帧对应像素点的像素值，方差设为9或16；其中，p表示该像素点的背景分布情况；xj，t代表图像中第j个像素点在t时刻的像素向量；为权值，为第j个像素点在混合高斯模型中第i个高斯分布在t时刻的权值；和分别表示第j个像素点在时刻t时第i个高斯分布的均值和协方差矩阵；η表示高斯分布的概率密度函数。所述的s2使用自适应学习率方法得到初始背景，并进行初始背景划分，具体如下：s21初始背景学习，设置帧数n和初始学习率βh，选取视频前n帧以初始学习率βh更新背景，过滤运动目标等干扰信息；s22初始背景划分，并设置背景阈值参数t，选择b个高斯分布作为背景模型，计算初始背景模型组b：其中，b的取值范围为0＜b＜k；ωi，t为t时刻像素点第i个模型的权值。所述的帧数n为200，所述的初始学习率βh为0.5。所述的s3匹配视频帧像素点与背景模型，判断各像像素点的类型属于前景或者背景并输出二值化前景图像；具体如下：当像素点和对应的高斯分布，匹配如下条件时，则认为与该模型匹配，若像素值与背景模型匹配，则认为该像素点属于背景；否则，认为该像素点属于前景并输出二值化前景图像；|xt-μi，t-1|≤d×σi；其中xt表示t时刻的像素值，μi，t-1表示第i个模型在t-1时刻的均值，σi表示模型i的方差，d为常数3。所述的背景模型为初始背景模型组b或更新后的背景模型。所述的s4根据匹配结果更新模型参数，并通过模型权值衰减策略重新划分背景模型用于下一时刻的前景提取，具体如下：s41当像素点与第i个模型匹配上时，更新该模型的权值、均值和方差，并且对应模型的权值增加，完成匹配后，归一化权值参数；ωi，t＝(1-α)ωi，t-1+α(mi，t)；μj，t＝(1-ρ)μj，t-1+ρxi，t；其中mi，t为匹配权重，如果匹配上，mi，t为1，否则为0，ρ为参数更新速率，ρ＝α·η(xt，μi，t，σi，t)；其中α表示学习率；若没有一个模型匹配上当前像素值，则进入步骤s42；s42加一个以该像素值为均值的高斯分布模型，并将模型方差设为默认值，模型权值为学习率α；若当前像素点的高斯分布模型数量已经为k，则将权值最低的高斯分布模型删除得到更新后的背景模型；最终对更新后的模型权值进行归一化处理并排序；s43.计算该时刻模型参数更新后背景模型的权值和，设置权值衰减阈值tw，当该权值和低于阈值tw时，则进入步骤s22中的策略对背景和前景模型进行重新划分；否则，进入步骤s3。所述的学习率α为0.001。所述的前景提取方法还包括步骤s5根据二值化前景图像判断是否存在抛洒物，进而实施报警。本发明的有益效果主要体现在：1、本发明所述的前景提取方法改进原有混合高斯模型的背景划分和像素点类型判断方式，保留了其实时更新背景的特点，实现了既能减少开放环境大量环境噪声的影响，并且通过背景分离的方式检测出静止的抛洒物目标，对比同类前景提取算法会产生更少的前景噪声。2、本发明所述的前景提取方法具有实时性高，对环境噪声适应能力强的特点，在实际检测中准确度高，误报率低。附图说明图1为本发明的整体流程示图。图2为采用低学习率gmm方法和采用本发明所述的前景提取方法在静止抛洒物目标持久性提取效果的对比。图3为本发明所述前景提取方法的实际检测结果。具体实施方式下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。实施例1一种高速公路视频抛洒物检测的前景提取方法。s1为视频序列中的路面建立高斯混合模型，并初始化模型参数。所述的建立高斯混合模型，是指图像中各个像素点的分配k个高斯背景模型，并对k个模型的权值、均值、方差等参数进行初始化；将第一个模型权值设为1，其他模型权值为0，均值设置为第一帧对应像素点的像素值，方差设为9或16；其中，p表示该像素点的背景分布情况；xj，t代表图像中第j个像素点在t时刻的像素向量；为第j个像素点在混合高斯模型中第i个高斯分布在t时刻的权值；表示第j个像素点在时刻t时第i个高斯分布的均值；表示第j个像素点在时刻t时第i个高斯分布的协方差矩阵；η表示高斯分布的概率密度函数。本实施例中k＝5。s2使用自适应学习率方法得到初始背景，并进行初始背景划分得到初始背景模型组b。s21初始背景学习，设置帧数n和学习率βh，选取视频前n帧以学习率βh更新背景，过滤运动目标等干扰信息；s22初始背景划分，并设置背景阈值参数t，选择b个高斯分布作为背景模型，计算初始背景模型组b：b的取值范围为0＜b＜k；ωi，t为各高斯模型的权值。本实施例中n为200，βh为0.05；背景阈值参数t为0.9。s3匹配视频帧像素点与背景模型，判断各像像素点的类型属于前景或者背景并输出二值化前景图像。当像素点和对应b个高斯分布，匹配如下条件时，则认为与该模型匹配，若像素值与背景模型匹配，则认为该像素点属于背景；否则，认为该像素点属于前景并输出二值化前景图像；|xt-μi，t-1|≤d×σi；其中xt表示t时刻的像素值，μi，t-1表示第i个模型在t-1时刻的均值，σi表示模型i的方差，d为常数3。模型匹配方法遵循3σ原则，若像素点满足上述条件，则认为与该模型匹配，若像素值与s22得出的初始背景模型b匹配，则认为该像素点属于背景。s4根据匹配结果更新模型参数用于下一时刻的前景提取，并判断是否通过模型权值衰减策略重新划分背景模型；s41模型参数更新方法：当像素点与第i个模型匹配上时，更新该模型的均值和方差等参数，并且对应模型的权值增加，完成匹配后，归一化权值参数。ωi，t＝(1-α)ωi，t-1+α(mi，t)；μj，t＝(1-ρ)μj，t-1+ρxi，t；其中mi，t为匹配权重，如果匹配上，mi，t为1，否则为0，ρ为参数更新速率，ρ＝α·η(xt，μi，t，σi，t)；其中α表示学习率；本实施例中，α取0.001。s42增加一个以该像素值为均值的高斯分布模型，并将模型方差设为默认值，模型权值为学习率α；若当前像素点的高斯分布模型数量已经为k，则将权值最低的高斯分布模型删除；最终对模型权值进行归一化处理并排序；s43计算该时刻模型参数更新后背景模型的权值和，设置权值衰减阈值tw，当该权值和低于阈值tw时，则进入步骤s22中的策略对背景和前景模型进行重新划分；否则，进入步骤s3。本实施例中tw设置为0.5。s5根据二值化前景图像判断是否存在抛洒物，进而实施报警。应用例为了验证本发明所述前景提取方法在高速公路抛洒物检测的有效性，将所述前景提取方法与传统的低学习率高斯混合模型方法进行比较，对静止抛洒物检出的正确性和时间持久性，以及各算法产生的前景噪声数量等指标进行分析，并选取多个实际高速公路抛洒物场景展示检测效果。实验设备配置：cpu为intelcorei5@2.3ghz，内存为8gb，操作系统为windows1064位。实验数据集：本文的视频数据来源于某市高速公路支队的监控摄像头，一共取自30个不同点位的摄像头，所有视频时长均为2分钟，帧率为25fps，分辨率为1920*1080。抛洒物种类包括木块、石块、塑料袋、遮货布等，无抛洒物的视频中也包含各类噪声，如阴影、抖动、天气变化等环境因素。其详细信息如下表l所示：表1视频类型场景数量视频数量视频时长含抛洒物30402分钟无抛洒物301202分钟低学习率高斯混合模型方法(gmm)，主要参数为高斯模型数量5，背景阈值0.9，学习率0.001，方差阈值16，对前200帧视频使用高学习率建立背景模型。本发明所述前景提取方法，参数与实施例1中高斯混合模型一致。选取其中一个视频，前200帧(即8秒)用于背景建模，从第300帧(即12秒)开始抛洒物已经静止了4秒，抛洒物目标的前景模型权值已经大于0.1，采用低学习率gmm方法抛洒物目标开始逐渐融入背景，而bs-gmm方法背景模型的权值衰减率还没有触发背景更新，静止抛洒物还能较好的被持久提取出来。具体效果如图2所示。采用bs-gmm方法对包含遮货布等抛洒物的实际高速公路视频进行检测，获得的前景图像如图3所示。其中，静止状态是抛洒物静止20秒后对前景目标的提取结果。本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属
技术领域：
的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。当前第1页12