一种高速公路目标检测的异常预警方法及系统

本发明涉及计算机视觉，特别是涉及一种高速公路目标检测的异常预警方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、行人、电动自行车、摩托车、三轮车、拖拉机、轮式专用机械车、铰接式客车、全挂拖斗车以及其他设计最高时速低于七十公里的机动车被要求不得进入高速公路，而擅自进入高速公路运营区域会对通行过往的车辆造成极大的安全隐患；其次，高速公路上也常发生各种异常事件，如应急车道停车、应急车道客车上、下人、抛洒物事件、逆行事件等。像行人、一些非机动车或掉落的物品会因为其目标要小于机动车辆，其在视频图像上占有的空间也比较小，从而导致高速公路视频监控检测时出现漏检问题；另外，高速公路视频监控系统仍以人工巡检为主，常时间巡检易于产生视觉疲劳或者巡检员责任心问题，也易于导致漏检问题。

3、当然，目前多数高速公路收费站入口区域通过视频预警摄像机视频感应，可实现对行人、非机动车、摩托车非法进闯事件起到防控、管控作用，但仅仅是针对入口处，无法对高速公路全程进行监测。

4、对于小目标的定义通常分为两种：一是绝对小目标，当目标的像素点数小于32×32时，即可被看作是小目标；二是相对小目标，当目标尺寸小于原图尺寸的10％时可认为是相对小目标。由于小目标在图像中占用的空间小、像素信息少、分辨率低且特征信息不明显等问题，导致小目标物体在检测过程中精度较低。

5、目前的小目标检测一般是采用通用目标检测算法或其简单改进，如两阶段检测算法中的fast r-cnn、faster r-cnn、r-fcn等，单阶段检测算法中的yolo系列、多尺度目标检测(single shot multibox detector，ssd)算法系列等。两阶段检测算法大多数是利用深度神经网络的最后层进行预测，由于小目标经过多次卷积后特征信息丢失严重，所以难以在深层特征图中检测到小目标，且该类算法检测速度较慢。yolo系列算法是单阶段检测算法中使用非常广泛的方法，但对小目标及遮挡目标的检测效果仍不理想。ssd算法设置多个尺度特征图进行检测从而在保证实时性的情况提高了检测精度，但由于浅层特征缺乏语义信息，深层特征图缺乏空间信息，使得对小目标检测效果不佳。基于ssd改进的反卷积单激发检测(deconvolutional single shot detector，dssd)算法由于引入反卷积模块，从而导致模型复杂度增加和检测速度减慢。感受野网络(receptive field block net，rfbnet)算法因骨干网络浅层提取能力不足且没能考虑浅层特征与深层特征信息的融合利用，目标检测效果同样不理想。

技术实现思路

1、为了解决上述问题，本发明提出了一种高速公路目标检测的异常预警方法及系统，采用efficientnetv2网络作为骨干网络，加强特征提取能力；在浅层特征上经特征融合以有效地捕捉目标细节信息，并在检测前加入se注意力模块以增强对有效特征的关注度。

2、为了实现上述目的，本发明采用如下技术方案：

3、第一方面，本发明提供一种高速公路目标检测的异常预警方法，包括：

4、获取高速公路的监控视频，得到连续帧图像；

5、根据训练后的目标检测模型，对每一帧图像进行目标检测；所述目标检测模型为对每一帧图像进行不同尺度的特征提取，在设定的特征提取层上由上至下进行特征融合，将融合后的特征图经通道注意力加权后进行目标检测；

6、根据目标检测结果判断是否存在异常目标，由此进行异常报警。

7、作为可选择的实施方式，所述目标检测模型的特征提取部分以efficientnetv2网络为骨干网络，输入的图像分辨率为300×300，则不同尺度的特征由下及上依次包括38×38、19×19、10×10、5×5、3×3和1×1。

8、作为可选择的实施方式，所述efficientnetv2网络采用mbconv模块与fused-mbconv模块堆叠的方式，mbconv模块使用1x1卷积对图像进行通道数的降维，然后使用深度可分离卷积进行特征提取，经注意力模型调整通道特征的权重，最后使用1x1卷积进行通道数的升维。

9、作为可选择的实施方式，fused-mbconv模块为将mbconv模块中的1×1的升维卷积和深度可分离卷积替换成3×3卷积。

10、作为可选择的实施方式，在设定的特征提取层上由上至下进行特征融合的过程包括：将10×10的特征图通过卷积和上采样与19×19特征图经过卷积后进行融合，19×19的特征图通过卷积和上采样与38×38特征图经过卷积后进行融合。

11、作为可选择的实施方式，将融合后的特征图经se注意力模块进行通道的自适应加权。

12、作为可选择的实施方式，根据实际需求设定待检测的特定目标，若目标检测结果中包括待检测的特定目标时则表示出现异常事件。

13、第二方面，本发明提供一种高速公路目标检测的异常预警系统，包括：

14、数据获取模块，被配置为获取高速公路的监控视频，得到连续帧图像；

15、目标检测模块，被配置为根据训练后的目标检测模型，对每一帧图像进行目标检测；所述目标检测模型为对每一帧图像进行不同尺度的特征提取，在设定的特征提取层上由上至下进行特征融合，将融合后的特征图经通道注意力加权后进行目标检测；

16、异常预警模块，被配置为根据目标检测结果判断是否存在异常目标，由此进行异常报警。

17、第三方面，本发明提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述的方法。

18、第四方面，本发明提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。

19、与现有技术相比，本发明的有益效果为：

20、为解决高速公路上由于待检测目标的像素尺寸小、特征信息不明显以及易受遮挡，或在一些恶劣环境下容易出现的误检、漏检等问题，以及无法精确检测和定位小目标的问题，本发明提出一种基于rfbnet的目标检测算法efe-rfbnet，针对特征提取网络vgg16存在计算量大、特征提取能力低等问题，使用efficientnetv2网络作为特征提取网络，代替rfbnet模型原有的骨干网络vgg16，通过使用复合系数对网络的宽度、深度和分辨率进行缩放，可以在保持计算效率的同时提供更强的特征表示能力。

21、针对浅层网络缺乏语义信息的问题，本发明在浅层特征图添加特征融合模块，将浅层特征图的细节信息与深层特征图进行融合，增强上下文信息融合，提供更强的特征表示能力和更全局的上下文信息，有效捕捉小目标的细节信息，提高小目标识别能力。

22、针对因小目标具有低对比度和模糊的特征而容易出现误检的问题，本发明在检测前加入se注意力模块，自适应调整通道重要性，从而增强与小目标相关的特征表达能力。

23、本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。