CN113221759A - 基于异常检测模型的道路遗撒识别方法以及装置 - Google Patents
基于异常检测模型的道路遗撒识别方法以及装置 Download PDFInfo
- Publication number
- CN113221759A CN113221759A CN202110532241.0A CN202110532241A CN113221759A CN 113221759 A CN113221759 A CN 113221759A CN 202110532241 A CN202110532241 A CN 202110532241A CN 113221759 A CN113221759 A CN 113221759A
- Authority
- CN
- China
- Prior art keywords
- image
- road surface
- scattering
- road
- detection model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于异常检测模型的道路遗撒识别方法以及装置,其中,道路遗撒识别方法包括建立包含重构单元和异常分析单元的异常检测模型,改进并训练异常检测模型;将待测图像输入训练后的异常检测模型,通过重构单元输出重构图像,并计算获取重构误差以及特征相似度距离,异常分析单元根据重构误差和特征相似度距离计算获取异常得分,通过异常得分与道路遗撒阈值的数值比较结果判定待测图像中的路面存在遗撒物的状态。本发明解决了现有技术中的用于路面遗撒检测的深度学习模型,因为对训练样本图像的要求高,从而存在训练成本高且训练困难的问题,以及存在训练出的模型精度差、误报率高,从而导致对路面遗撒检测的识别率很低的问题。
Description
技术领域
本发明涉及交通安全防控技术领域,具体而言,涉及一种基于异常检测模型的道路遗撒 识别方法以及装置。
背景技术
高速公路或国道上行驶车辆较多、且车辆行驶速度很快,当道路的路面上散落遗撒物时, 不仅会影响道路的路面环境,而且会干扰驾驶员的正常驾驶,如果不及时发现并清理,极易 发生交通事故,对车辆的正常行驶造成了极大的安全隐患。
现有技术中,对路面遗撒的识别最为高效的、智能的方法是利用深度学习模型的识别算 法对道路场景照片进行识别,即把道路场景的路面遗撒检测做成一个深度学习中的检测任务, 但现有的用于路面遗撒检测的深度学习模型,由于对训练样本图像的要求高,因此存在训练 成本高且训练困难的问题,且训练出的模型精度差、误报率高,从而导致对路面遗撒检测的 识别率很低;以YOLO模型为例,在训练过程中,需要大量使用包含有遗撒物的训练样本图 像,而大量采集此类训练样本图像十分困难,且采集成本极为高昂,数量稍不达标,训练出 的YOLO模型便会出现大量误报,运行十分不稳定。
发明内容
本发明的主要目的在于提供一种基于异常检测模型的道路遗撒识别方法以及装置,以解 决现有技术中,用于路面遗撒检测的深度学习模型,因为对训练样本图像的要求高,从而存 在训练成本高且训练困难的问题,以及存在训练出的模型精度差、误报率高,从而导致对路 面遗撒检测的识别率很低的问题。
为了实现上述目的,根据本发明的一个方面,提供了一种基于异常检测模型的道路遗撒 识别方法,包括:步骤S1,建立包含重构单元和异常分析单元的异常检测模型,并通过调整 重构单元的自编码器的感受野以及重构单元的记忆模块的记忆特征向量的数量优化重构单 元,以改进异常检测模型;步骤S2,采集无遗撒物的路面帧图像作为正常样本图像,构造训 练样本图像集,并使用训练样本图像集训练改进后的异常检测模型;步骤S3,采集路面帧图 像作为待测图像输入训练后的异常检测模型,通过异常检测模型的重构单元输出重构图像, 重构单元根据重构图像和待测图像计算获取重构误差R以及特征相似度距离D,异常检测模 型的异常分析单元根据重构误差R和特征相似度距离D计算获取异常得分S,并通过异常得 分S与道路遗撒阈值的数值比较结果判定待测图像中的路面存在遗撒物的状态。
进一步地,异常得分S的计算公式为:式中,为通过待测图像的像素值It和重构图像的像素值计算获取的重构误差; D(qt,P)为通过待测图像拆分出的压缩特征向量组qt和记忆模块中的记忆特征向量集合P计算获取的特征相似度距离;λ为权重系数;scale为尺寸缩放因子;当异常得分S大于道路遗撒阈值时,判定待测图像中的路面上无遗撒物存在,待测图像为正常图像;当异常得分S小于或等于道路遗撒阈值时,判定待测图像中的路面上存在遗撒物,待测图像为异常图像。
进一步地,道路遗撒阈值的取值范围为[20,25];权重系数λ的取值范围为[0,1];尺寸缩放 因子的取值范围为[0.5e6,5e6]。
进一步地,重构误差R的计算公式为:式中,为 峰值信噪比,其由公式计算得到,其中,N为待测图像或重构图像的像素点个数;特征相似度距离D的计算公式为:式中, K为待测图像拆分出的压缩特征向量qt的个数,Pp为记忆模块中的与压缩特征向量qt k的L2距离最接近的记忆特征向量。
进一步地,自编码器包括编码器和解码器,记忆模块位于编码器和解码器之间,待测图 像通过编码器后被压缩并拆分出包含多个隐式空间的压缩特征向量的压缩特征向量组qt, 压缩特征向量通过记忆模块后与记忆模块中的与其最相似的记忆特征向量Pp拼接形成复 合特征向量,包含多个复合特征向量的复合特征向量组经过解码器后生成重构图像。
进一步地,在步骤S1中,调整重构单元的自编码器的感受野通过调整编码器的下采样单 元的数量和解码器的上采样单元的数量实现;调整重构单元的记忆模块的记忆特征向量集合 P中的记忆特征向量的数量范围为[10,100]。
进一步地,编码器的下采样单元的数量与解码器的上采样单元的数量相等,编码器的下 采样单元和解码器的上采样单元均为1个,重构单元的自编码器的感受野为14×14像素区域; 或编码器的下采样单元和解码器的上采样单元均为2个,重构单元的自编码器的感受野为32 ×32像素区域;或编码器的下采样单元和解码器的上采样单元均为3个,重构单元的自编码 器的感受野为68×68像素区域;或编码器的下采样单元和解码器的上采样单元均为4个,重 构单元的自编码器的感受野为140×140像素区域。
进一步地,编码器的下采样单元包括两个卷积层,两个非线性激活层,两个批正则化层 和一个最大池化层;解码器的上采样单元包含三个卷积层,三个非线性激活层,两个批正则 化层和一个反卷积层。
进一步地,训练样本图像集包括小规格训练组、中规格训练组和大规格训练组,其中, 小规格训练组包括一个或多个场景的路面帧图像,各场景采集的路面帧图像的数量范围为 [1,5000];中规格训练组包括一个或多个场景的路面帧图像,各场景采集的路面帧图像的数量 范围为[15000,70000];大规格训练组包括一个或多个场景的路面帧图像,各场景采集的路面帧 图像的数量范围为[2000,200000]。
进一步地,在步骤S2中,采集无遗撒物的路面帧图像时,将处于彩色状态的路面帧图像 调整为灰度状态,且计算各路面帧图像的像素点均值,并筛除像素点均值不在筛选阈值范围 内的路面帧图像,筛选阈值的范围为[45,60]。
进一步地,在步骤S3中,采集路面帧图像,构造测试图像集,测试图像集包含无路面遗 撒物的正常图像以及存在路面遗撒物的异常图像,在测试图像集中随机选取路面帧图像作为 待测图像输入训练后的异常检测模型。
根据本发明的另一方面,提供了一种道路遗撒识别装置,包括异常检测模型,异常检测 模型通过上述的基于异常检测模型的道路遗撒识别方法的步骤S1和步骤S2训练获得;异常 检测模型用于执行上述的基于异常检测模型的道路遗撒识别方法。
应用本发明的技术方案,通过对异常检测模型的优化改进,合理地利用重构单元的自编 码器和记忆模块的结合,对后续作为正常样本图像输入的待测图像进行重构,获取对应于正 常样本图像的重构图像,以正常样本图像生成的重构图像作为标准基础,则异常检测模型能 够重构出比较优质的重构图像,而当待测图像不属于预先定义的正常样本图像时,异常检测 模型对生成的重构图像的质量会很差,进而重构图像的差异性便能够使得改进的异常检测模 型准确地、迅速地识别判断,检测为异常。
具体而言,当将采集到的路面帧图像作为待测图像输入训练后的异常检测模型后,异常 检测模型的重构单元输出重构图像,重构单元根据重构图像和待测图像计算获取重构误差R 以及特征相似度距离D,异常检测模型的异常分析单元根据重构误差R和特征相似度距离D 计算获取异常得分S;其中,重构误差R便体现为重构图像的差异性,特征相似度距离D则 体现了正常样本图像对应于记忆模块中的记忆特征向量与待测图像拆分出的压缩特征向量组 之间的差异性,综合两个参数并进行权重的合理分配能够得到异常得分S,从而通过异常得 分S与道路遗撒阈值的数值比较结果,精确地判定待测图像中的路面存在遗撒物的状态,进 而当判断出待测图像中的路面存在遗撒时,有利于后续的迅速报警,以及对路面遗撒物及时 清理,确保了道路上车辆的行驶安全性。可见,本发明的改进的异常检测模型具有模型精度 高,误报率低的优点。
不仅如此,本发明利用改进后的异常检测模型进行的异常检测任务采用弱监督的方式, 因此,在训练改进后的异常检测模型时的训练样本图像集中只含有无遗撒物的路面帧图像, 这样大大地降低了样本图像的采集难度,从而降低了改进的异常检测模型的训练难度,提升 了改进的异常检测模型的训练精度,具有实用性和经济性坚固的优点。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实 施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1示出了本发明的基于异常检测模型的道路遗撒识别方法的流程图;
图2示出了本发明的基于异常检测模型的道路遗撒识别方法中改进后的异常检测模型的 重构单元的工作流程示意图;
图3示出了本发明的的基于异常检测模型的道路遗撒识别方法中的一种可选实施例的采 集到的路面不存在遗撒物的路面帧图像,其可以作为训练样本图像集中的正常样本图像,或 作为测试图像集中的正常图像;
图4示出了本发明的的基于异常检测模型的道路遗撒识别方法中的一种可选实施例的采 集到的路面存在遗撒物的路面帧图像,其可以作为测试图像集中的异常图像;
图5示出了本发明的的基于异常检测模型的道路遗撒识别方法中的另一种可选实施例的 能够作为采集到的路面存在遗撒物的路面帧图像,其路面存在的遗撒物按预设条件添加,可 以作为测试图像集中的异常图像;
图6示出了本发明的的基于异常检测模型的道路遗撒识别方法中,使用测试图像集对改 进后的异常检测模型进行测试后得到的AUC曲线图,其中,三条AUC曲线对应为同一测试 集对使用训练样本图像集的不同规格的训练组训练出的三种异常检测模型进行测试获得。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。 下面将参考附图并结合实施例来详细说明本发明。
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图, 对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明 一部分的实施例,而不是全部的实施例。基于本发明中的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等 是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据 在适当情况下可以互换,以便这里描述的本发明的实施例。此外,术语“包括”、“和”、“具 有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的 过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清 楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了解决现有技术中,用于路面遗撒检测的深度学习模型,因为对训练样本图像的要求 高,从而存在训练成本高且训练困难的问题,以及存在训练出的模型精度差、误报率高,从 而导致对路面遗撒检测的识别率很低的的问题,本发明提供了一种基于异常检测模型的道路 遗撒识别方法以及装置,其中,道路遗撒识别装置包括异常检测模型,异常检测模型通过上 述或下述的基于异常检测模型的道路遗撒识别方法的步骤S1和步骤S2训练获得;异常检测 模型用于执行上述或下述的基于异常检测模型的道路遗撒识别方法。
图1是根据本发明实施例的基于异常检测模型的道路遗撒识别方法的流程图。如图1所 示,该道路遗撒识别方法包括步骤如下:步骤S1,建立包含重构单元和异常分析单元的异常 检测模型,并通过调整重构单元的自编码器的感受野以及重构单元的记忆模块的记忆特征向 量的数量优化重构单元,以改进异常检测模型;步骤S2,采集无遗撒物的路面帧图像作为正 常样本图像,构造训练样本图像集,并使用训练样本图像集训练改进后的异常检测模型;步 骤S3,采集路面帧图像作为待测图像输入训练后的异常检测模型,通过异常检测模型的重构 单元输出重构图像,重构单元根据重构图像和待测图像计算获取重构误差R以及特征相似度 距离D,异常检测模型的异常分析单元根据重构误差R和特征相似度距离D计算获取异常得 分S,并通过异常得分S与道路遗撒阈值的数值比较结果判定待测图像中的路面存在遗撒物 的状态。
通过对异常检测模型的优化改进,合理地利用重构单元的自编码器和记忆模块的结合, 对后续作为正常样本图像输入的待测图像进行重构,获取对应于正常样本图像的重构图像, 以正常样本图像生成的重构图像作为标准基础,则异常检测模型能够重构出比较优质的重构 图像,而当待测图像不属于预先定义的正常样本图像时,异常检测模型对生成的重构图像的 质量会很差,进而重构图像的差异性便能够使得改进的异常检测模型准确地、迅速地识别判 断,检测为异常。
具体而言,当将采集到的路面帧图像作为待测图像输入训练后的异常检测模型后,异常 检测模型的重构单元输出重构图像,重构单元根据重构图像和待测图像计算获取重构误差R 以及特征相似度距离D,异常检测模型的异常分析单元根据重构误差R和特征相似度距离D 计算获取异常得分S;其中,重构误差R便体现为重构图像的差异性,特征相似度距离D则 体现了正常样本图像对应于记忆模块中的记忆特征向量与待测图像拆分出的压缩特征向量组 之间的差异性,综合两个参数并进行权重的合理分配能够得到异常得分S,从而通过异常得 分S与道路遗撒阈值的数值比较结果,精确地判定待测图像中的路面存在遗撒物的状态,进 而当判断出待测图像中的路面存在遗撒时,有利于后续的迅速报警,以及对路面遗撒物及时 清理,确保了道路上车辆的行驶安全性。可见,本发明的改进的异常检测模型具有模型精度 高,误报率低的优点。
不仅如此,本发明利用改进后的异常检测模型进行的异常检测任务采用弱监督的方式, 因此,在训练改进后的异常检测模型时的训练样本图像集中只含有无遗撒物的路面帧图像, 这样大大地降低了样本图像的采集难度,从而降低了改进的异常检测模型的训练难度,提升 了改进的异常检测模型的训练精度,具有实用性和经济性坚固的优点。
在发明的可选实施例中,异常得分S的计算公式为:
式中,为通过待测图像的像素值It和重构图像的像素值计算获取的重构误差; D(qt,P)为通过待测图像拆分出的压缩特征向量组qt和记忆模块中的记忆特征向量集合P计 算获取的特征相似度距离;λ为权重系数;scale为尺寸缩放因子。
利用上述公式(1)的数值结果对待测图像的检测算法为:
当异常得分S大于道路遗撒阈值时,判定待测图像中的路面上无遗撒物存在,待测图像 为正常图像(如图3所示);当异常得分S小于或等于道路遗撒阈值时,判定待测图像中的路 面上存在遗撒物,待测图像为异常图像(如图4所示)。
可选地,道路遗撒阈值的取值范围为[20,25];权重系数λ的取值范围为[0,1];尺寸缩放因 子的取值范围为[0.5e6,5e6]。
在本发明的优选实施例中,权重系数λ的取值为0.5,这样有利于重构误差R和特征相似 度距离D的权重平衡,尺寸缩放因子的取值为e6。
需要说明的是,权重系数λ的设置对重构误差R和特征相似度距离D加权求和计算异常 得分S的过程中,对两者的权重进行分配,使得针对输入的不同的待测图像,根据实际情况 有所侧重,确保计算得到的异常得分S的结果具备使用可靠性。尺寸缩放因子scale的设置则 能够确保重构误差R和特征相似度距离D的计算数值处于同一数量级,确保两者的加权求和 数值有变化浮动,使得异常得分S的数值结果有实际应用意义。
具体而言,重构误差R的计算公式为:
特征相似度距离D的计算公式为:
如图2所示,为本发明的基于异常检测模型的道路遗撒识别方法中改进后的异常检测模 型的重构单元的工作流程示意图;如图2所示,重构单元的自编码器包括编码器(Encoder) 和解码器(Decoder),记忆模块(Memory Module)位于编码器和解码器之间;图2中的InputIt作为输入异常检测模型的待测图像,通过编码器(Encoder)后被压缩并拆分出包含多个隐式 空间的压缩特征向量的压缩特征向量组qt,压缩特征向量通过记忆模块(Memory Module)后与记忆模块(Memory Module)中的与其最相似的记忆特征向量Pp拼接形成复合 特征向量,包含多个复合特征向量的复合特征向量组经过解码器(Decoder)后生成作为输出 的重构图像,即图中的Output
需要说明的是,如图2所示,拆分出的K个压缩特征向量qt,分别为其中,K为W×H,即模块的宽和高,而编码器(Encoder)定义的各压缩特征向量qt的长度均 为C,也就是压缩特征向量qt在此维度上包含了量级为C的数字信息。记忆模块(MemoryModule)中的记忆特征向量集合P包含M个记忆特征向量,分别为P1、P2…PM,M的个 数可以与压缩特征向量qt的个数相等或不等,但各记忆特征向量的长度与压缩特征向量qt的 长度相同,均为C,因此,两者拼接形成的复合特征向量的长度为2C。
在改进异常检测模型时,步骤S1中,调整重构单元的记忆模块的记忆特征向量集合P中 的记忆特征向量的数量范围为[10,100]。在本发明的优选实施例中,重构单元的记忆模块的记 忆特征向量集合P中的记忆特征向量的数量为50。记忆特征向量的数量根据任务场景的复杂 度决定,在目前的高速道路场景,50个记忆特征向量的数量可以使得改进的异常检测模型达 到最优性能。
在改进异常检测模型时,步骤S1中,调整重构单元的自编码器的感受野通过调整编码器 的下采样单元的数量和解码器的上采样单元的数量实现。
可选地,编码器的下采样单元的数量与解码器的上采样单元的数量相等,编码器的下采 样单元和解码器的上采样单元均为1个,重构单元的自编码器的感受野为14×14像素区域; 或编码器的下采样单元和解码器的上采样单元均为2个,重构单元的自编码器的感受野为32 ×32像素区域;或编码器的下采样单元和解码器的上采样单元均为3个,重构单元的自编码 器的感受野为68×68像素区域;或编码器的下采样单元和解码器的上采样单元均为4个,重 构单元的自编码器的感受野为140×140像素区域。
本发明的图示实施例中,重构单元的自编码器的感受野为14×14像素区域。此时改进的 异常检测模型具有优良性能。
需要说明的是,本发明中的编码器的下采样单元包括两个卷积层,两个非线性激活层, 两个批正则化层和一个最大池化层;解码器的上采样单元包含三个卷积层,三个非线性激活 层,两个批正则化层和一个反卷积层。
本实施例中,在训练改进后的异常检测模型时训练样本图像集包括小规格训练组、中规 格训练组和大规格训练组,其中,小规格训练组包括一个或多个场景的路面帧图像,各场景 采集的路面帧图像的数量范围为[1,5000];中规格训练组包括一个或多个场景的路面帧图像, 各场景采集的路面帧图像的数量范围为[15000,70000];大规格训练组包括一个或多个场景的路 面帧图像,各场景采集的路面帧图像的数量范围为[2000,200000]。这样,避免测试场景之间的 相互影响以及样本数量对改进的异常检测模型训练效果的影响。
本实施例中,小规格训练组包括3个场景的路面帧图像,各场景采集的路面帧图像的数 量为5000,总共15000张路面帧图像;中规格训练组包括单独场景的路面帧图像,单独场景 采集的路面帧图像的数量为70000;大规格训练组包括100个场景的路面帧图像,各场景采集 的路面帧图像的数量为2000,总共200000张路面帧图像。上述路面帧图像均为无遗撒物的正 常样本图像。为了确保训练改进后的异常检测模型的精度,上述的路面帧图像需要确保不显 示时间信息或地点信息,通过对路面帧图像进行裁剪的方式可以将冗余的时间信息或地点信 息去掉。
此外,本发明的图示实施例中,所采集的路面帧图像为高速道路场景,即可以从不同的 高速公路卡口抓拍的路面帧图像中收集所需要的正常样本图像形成训练样本图像集,且优选 为高速公路卡口的近景角度,这样的一个场景相对比较简单,背景和道路比较固定,前景只 有行驶的车辆,对异常检测方法比较友好。此外,为了让记忆模块能够记忆更多更全面的正 常样本图像的特征,在制作训练样本图像集时需要收集足够多的包含不同品牌以及不同颜色 不同车型车辆的路面帧图像。不仅如此,还需要对所有采集的正常样本图像进行分辨率统一, 防止路面帧图像出现比例失调的现象,可以通过调整面帧图像的比例以及缩放实现。本实施 例中的作为路面帧图像训练样本图像集中的正常样本图像的像素统一调整为256×256。
此外,采集无遗撒物的路面帧图像时,将处于彩色状态的路面帧图像调整为灰度状态, 且计算各路面帧图像的像素点均值,并筛除像素点均值不在筛选阈值范围内的路面帧图像, 筛选阈值的范围为[45,60]。这是可以去除夜间拍摄到的路面帧图像,避免出现因路面不清晰而 导致训练出改进后的异常检测模型的工作稳定性差的问题。可选地,处于彩色状态的路面帧 图像通过opencv的颜色空间转换接口将bgr彩色图像转换为灰度图像。
通过上述制作好的训练样本图像集的三个训练组分别去训练已经调整过自编码器的感受 野和记忆模块的记忆特征向量的改进后的异常检测模型,模型优化器采用Adam优化器,学习 率为0.00002采用余弦退火策略调整学习率。模型训练60个轮次(每轮代表将训练集所有样 本传入模型一次)。
不仅如此,为了进一步确保训练出改进后的异常检测模型的可靠性,需要通过一个预训 练的检测模型对采集到的正常样本图像进行过滤,过滤掉检测模型标记出的异常图像样本(即 存在路面遗撒物的图像)。
需要说明的是,利用本发明的训练出的改进后的异常检测模型,能够对随机输入的待测 图像可靠检测。当然,为了进一步得到验证,在步骤S3中,采集路面帧图像,构造测试图像 集,测试图像集包含无路面遗撒物的正常图像以及存在路面遗撒物的异常图像,在测试图像 集中随机选取路面帧图像作为待测图像输入训练后的异常检测模型。
本实施例中,测试图像集为一个,为100个场景随机挑选的100张异常图像,以及相同 100个场景各20张正常图像。异常图像也可以是正常图像通过人工添加典型遗撒物获得,遗 撒物包括轮胎,碎石或货物框等。
使用上述测试图像集测试优化和改进后的异常检测模型的结果如图6所示。图中,横坐 标为假阳率,代表正常图像被识别为异常图像的比例;纵坐标为真阳率,代表异常图像被识 别为正常图像的概率。图中曲线表示不同阈值下异常检测模型的预测结果,具体地,图中曲 线small、middle和large分别对应小规格训练组、中规格训练组和大规格训练组使用上述测试 图像集对改进后的异常检测模型进行测试后得到的AUC曲线,曲线下面积越大代表异常检测 模型的性能越好。在本实施例中,异常检测模型在测试图像集的受试者工作特征曲线(AUC 曲线)下面积达到77%,说明异常检测模型具备了良好的检测性能。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使 用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本发明的技术方案本 质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式 体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机 设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或 部分步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的 部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实 现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻 辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集 成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦 合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是 电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部 件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元 上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个 单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以 采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员 来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等 同替换、改进等,均应包含在本发明的保护范围之内。
Claims (12)
1.一种基于异常检测模型的道路遗撒识别方法,其特征在于,包括:
步骤S1,建立包含重构单元和异常分析单元的异常检测模型,并通过调整所述重构单元的自编码器的感受野以及所述重构单元的记忆模块的记忆特征向量的数量优化所述重构单元,以改进所述异常检测模型;
步骤S2,采集无遗撒物的路面帧图像作为正常样本图像,构造训练样本图像集,并使用所述训练样本图像集训练改进后的所述异常检测模型;
步骤S3,采集路面帧图像作为待测图像输入训练后的所述异常检测模型,通过所述异常检测模型的重构单元输出重构图像,所述重构单元根据所述重构图像和所述待测图像计算获取重构误差R以及特征相似度距离D,所述异常检测模型的异常分析单元根据所述重构误差R和所述特征相似度距离D计算获取异常得分S,并通过所述异常得分S与道路遗撒阈值的数值比较结果判定所述待测图像中的路面存在遗撒物的状态。
3.根据权利要求2所述的道路遗撒识别方法,其特征在于,
所述道路遗撒阈值的取值范围为[20,25];
所述权重系数λ的取值范围为[0,1];
所述尺寸缩放因子的取值范围为[0.5e6,5e6]。
6.根据权利要求5所述的道路遗撒识别方法,其特征在于,在所述步骤S1中,调整所述重构单元的自编码器的感受野通过调整所述编码器的下采样单元的数量和所述解码器的上采样单元的数量实现;调整所述重构单元的记忆模块的记忆特征向量集合P中的记忆特征向量的数量范围为[10,100]。
7.根据权利要求6所述的道路遗撒识别方法,其特征在于,所述编码器的下采样单元的数量与所述解码器的上采样单元的数量相等,
所述编码器的下采样单元和所述解码器的上采样单元均为1个,所述重构单元的自编码器的感受野为14×14像素区域;或
所述编码器的下采样单元和所述解码器的上采样单元均为2个,所述重构单元的自编码器的感受野为32×32像素区域;或
所述编码器的下采样单元和所述解码器的上采样单元均为3个,所述重构单元的自编码器的感受野为68×68像素区域;或
所述编码器的下采样单元和所述解码器的上采样单元均为4个,所述重构单元的自编码器的感受野为140×140像素区域。
8.根据权利要求6所述的道路遗撒识别方法,其特征在于,所述编码器的下采样单元包括两个卷积层,两个非线性激活层,两个批正则化层和一个最大池化层;所述解码器的上采样单元包含三个卷积层,三个非线性激活层,两个批正则化层和一个反卷积层。
9.根据权利要求1所述的道路遗撒识别方法,其特征在于,所述训练样本图像集包括小规格训练组、中规格训练组和大规格训练组,其中,
所述小规格训练组包括一个或多个场景的路面帧图像,各所述场景采集的所述路面帧图像的数量范围为[1,5000];
所述中规格训练组包括一个或多个场景的路面帧图像,各所述场景采集的所述路面帧图像的数量范围为[15000,70000];
所述大规格训练组包括一个或多个场景的路面帧图像,各所述场景采集的所述路面帧图像的数量范围为[2000,200000]。
10.根据权利要求1所述的道路遗撒识别方法,其特征在于,在所述步骤S2中,采集无遗撒物的所述路面帧图像时,将处于彩色状态的所述路面帧图像调整为灰度状态,且计算各所述路面帧图像的像素点均值,并筛除像素点均值不在筛选阈值范围内的所述路面帧图像,所述筛选阈值的范围为[45,60]。
11.根据权利要求1所述的道路遗撒识别方法,其特征在于,在所述步骤S3中,采集路面帧图像,构造测试图像集,所述测试图像集包含无路面遗撒物的正常图像以及存在路面遗撒物的异常图像,在所述测试图像集中随机选取所述路面帧图像作为所述待测图像输入训练后的所述异常检测模型。
12.一种道路遗撒识别装置,其特征在于,包括异常检测模型,所述异常检测模型通过权利要求1至11中任一项所述的基于异常检测模型的道路遗撒识别方法的步骤S1和步骤S2训练获得;所述异常检测模型用于执行权利要求1至11中任一项所述的基于异常检测模型的道路遗撒识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110532241.0A CN113221759A (zh) | 2021-05-17 | 2021-05-17 | 基于异常检测模型的道路遗撒识别方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110532241.0A CN113221759A (zh) | 2021-05-17 | 2021-05-17 | 基于异常检测模型的道路遗撒识别方法以及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113221759A true CN113221759A (zh) | 2021-08-06 |
Family
ID=77092122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110532241.0A Pending CN113221759A (zh) | 2021-05-17 | 2021-05-17 | 基于异常检测模型的道路遗撒识别方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113221759A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114663742A (zh) * | 2022-04-01 | 2022-06-24 | 北京优创新港科技股份有限公司 | 一种基于无监督学习的路面异常检测方法及*** |
CN114972350A (zh) * | 2022-08-01 | 2022-08-30 | 深圳市信润富联数字科技有限公司 | 模具异常检测方法、装置、设备及存储介质 |
WO2024024263A1 (ja) * | 2022-07-29 | 2024-02-01 | 株式会社日立産機システム | 検査装置及び方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711280A (zh) * | 2018-12-10 | 2019-05-03 | 北京工业大学 | 一种基于ST-Unet的视频异常检测方法 |
CN111340056A (zh) * | 2018-12-18 | 2020-06-26 | 富士通株式会社 | 信息处理方法以及信息处理设备 |
CN111915691A (zh) * | 2019-05-07 | 2020-11-10 | 上海科技大学 | 基于神经网络的图像处理***、方法、终端、及介质 |
CN111967571A (zh) * | 2020-07-07 | 2020-11-20 | 华东交通大学 | 一种基于mhma的异常检测方法和设备 |
CN112766342A (zh) * | 2021-01-12 | 2021-05-07 | 安徽容知日新科技股份有限公司 | 一种电气设备的异常检测方法 |
-
2021
- 2021-05-17 CN CN202110532241.0A patent/CN113221759A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711280A (zh) * | 2018-12-10 | 2019-05-03 | 北京工业大学 | 一种基于ST-Unet的视频异常检测方法 |
CN111340056A (zh) * | 2018-12-18 | 2020-06-26 | 富士通株式会社 | 信息处理方法以及信息处理设备 |
CN111915691A (zh) * | 2019-05-07 | 2020-11-10 | 上海科技大学 | 基于神经网络的图像处理***、方法、终端、及介质 |
CN111967571A (zh) * | 2020-07-07 | 2020-11-20 | 华东交通大学 | 一种基于mhma的异常检测方法和设备 |
CN112766342A (zh) * | 2021-01-12 | 2021-05-07 | 安徽容知日新科技股份有限公司 | 一种电气设备的异常检测方法 |
Non-Patent Citations (1)
Title |
---|
HYUNJONG PARK等,: "Learning Memory-Guided Normality for Anomaly Detection", 《2020 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114663742A (zh) * | 2022-04-01 | 2022-06-24 | 北京优创新港科技股份有限公司 | 一种基于无监督学习的路面异常检测方法及*** |
WO2024024263A1 (ja) * | 2022-07-29 | 2024-02-01 | 株式会社日立産機システム | 検査装置及び方法 |
CN114972350A (zh) * | 2022-08-01 | 2022-08-30 | 深圳市信润富联数字科技有限公司 | 模具异常检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363182B (zh) | 基于深度学习的车道线检测方法 | |
CN113221759A (zh) | 基于异常检测模型的道路遗撒识别方法以及装置 | |
CN107657237A (zh) | 基于深度学习的汽车碰撞检测方法及*** | |
CN110570613A (zh) | 基于分布式光纤***的围栏振动入侵定位和模式识别方法 | |
CN111160249A (zh) | 基于跨尺度特征融合的光学遥感图像多类目标检测方法 | |
CN110210350A (zh) | 一种基于深度学习的快速停车位检测方法 | |
CN113569756B (zh) | 异常行为检测与定位方法、***、终端设备及可读存储介质 | |
CN104680554A (zh) | 基于surf的压缩跟踪方法和*** | |
CN112990314A (zh) | 基于改进孤立森林算法的高光谱图像异常检测方法及装置 | |
CN110263836B (zh) | 一种基于多特征卷积神经网络的不良驾驶状态识别方法 | |
CN113724286A (zh) | 显著性目标的检测方法、检测设备及计算机可读存储介质 | |
CN114596316A (zh) | 一种基于语义分割的道路图像细节抓取方法 | |
CN112488995A (zh) | 列车自动化检修的智能判伤方法及*** | |
CN111563468A (zh) | 一种基于神经网络注意力的驾驶员异常行为检测方法 | |
CN115019201A (zh) | 一种基于特征精细化深度网络的弱小目标检测方法 | |
CN114708532A (zh) | 一种监控视频质量评估方法、***及存储介质 | |
CN118015562A (zh) | 一种恶劣天气下交通事故监控视频关键帧提取方法及*** | |
CN117475327A (zh) | 一种城市中基于遥感图像的多目标检测定位方法和*** | |
CN116805409A (zh) | 一种利用行车视频进行路面状态识别与平整性评估的方法 | |
CN115456957B (zh) | 一种全尺度特征聚合的遥感影像变化检测的方法 | |
CN116309407A (zh) | 一种铁路接触网螺栓异常状态的检测方法 | |
CN112232102A (zh) | 一种基于深度神经网络和多任务学习的建筑物目标识别方法和*** | |
CN115631457A (zh) | 建筑施工监控视频中的人机协作异常检测方法及*** | |
CN112507327B (zh) | 一种基于机器学习的晴雨检测与处理方法 | |
CN112380986B (zh) | 抗复杂街道背景干扰的车型检测方法、***及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210806 |
|
WD01 | Invention patent application deemed withdrawn after publication |