[发明专利]一种基于光流法和深度学习卷积神经网络的黑烟车检测方法

说明书

本发明的一种基于光流法和深度学习卷积神经网络的黑烟车检测方法，包括以下步骤：对于实时产生的待检测监控视频图片，使用训练好的检测模型进行检测，判断图片中是否存在黑烟；对于检测出存在黑烟的监控视频图片，标注出黑烟车位置所在的矩形边界框；与传统的人工设计先验框相比，本方案不再直接预测边界框的尺寸，而是在新的数据集中聚类得到先验框，更有利于对监控图片中目标的定位。与RCNN相比，本目标检测模型在进行检测时，将整张图像归一化后直接送入深度网络。在邻接时，才加入候选框信息，在末尾的少数几层处理每个候选框，故大大提升了模型的实时检测性能；此外，本目标检测模型把类别判断和位置精调统一用深度网络实现，不需要额外存储，大大缩减了训练时所需的空间。

技术领域

本发明涉及环境检测技术领域，具体涉及一种基于光流法和深度学习卷积神经网络的黑烟车检测方法。

背景技术

二十一世纪以来，我国的机动车数量快速增加，移动源带来的空气污染问题日益显著。城市地区汽油车保有量飞速增长，同时，城郊地区也存在大量排放黑烟的柴油车，造成了严重的环境污染问题。柴油车所排放的黑烟废气中含有约两百种不同的化合物，是造成细颗粒物、光化学烟雾污染的主要原因之一。综合考虑柴油车行驶里程和排放系数，一辆无法达到国三排放标准或更低排放标准的柴油车的氮氧化物和细颗粒物排放量，相当于两百多辆国四排放标准小轿车排放量之和，对环境产生的影污染极大。

基于烟雾具有视觉模糊特性、半透明特性和扩散运动特性，许多专家学者针对烟雾检测提出了很多相关工作。翟文鹏等根据视频烟雾的颜色特征以及烟雾运动的扩散性，提出一种基于颜色特征和运动特征的视频烟雾探测方法：首先利用光流场法进行运动检测提取烟雾区域，然后对提取的烟雾区域进行烟雾运动相对稳定性分析和烟雾运动局部不规则分析，结合烟雾的颜色特征，在给定的阈值条件下进行烟雾检测。

由于烟雾会遮挡图片的纹理和边缘，导致图片的高频信息减少，其主要反映在小波域的烟雾图片在小波高频能量会减少。基于这一特性，吴爱国等提出了利用混合高斯模型提取烟雾区域，然后对小波变化分析烟雾区域得到烟雾判别输出的静态特征和动态特征相结合的烟雾检测方法。

以上传统的烟雾检测方法主要存在以下两点不足：

(1)之前已开展的绝大多数研究工作都是针对森林火灾或者工厂烟囱排放烟雾的高空视角，其应用场景中的运动干扰物较少，背景相对固定，使之难以成为适用于各种场景的通用烟雾检测方法。

例如本发明所涉及的复杂条件下交通道口监控摄像机工作场景，其中存在光照变化频繁剧烈，路面颜色灰暗，水渍污渍遍布，道路旁杂物较多，车辆间存在相互遮挡，烟羽轮廓面积多变等问题。传统烟雾检测算法所使用的基于经验阈值和实验统计阈值的人工特征提取方法，如人工设计建模烟雾的颜色特征、频域特征、纹理特征等，难以胜任如此复杂场景下的检测任务。

(2)传统方法所涉及的机器学习算法的所有计算任务都只能部署CPU上进行，实时性很差，难以根据具体的应用场景进行特定优化以及支持GPU并行计算加速。

发明内容

本发明提出的一种基于光流法和深度学习卷积神经网络的黑烟车检测方法，用于克服传统烟雾检测算法的不足，提供了一种适用于复杂交通道口监控视频的实时烟雾检测算法。

为实现上述目的，本发明采用了以下技术方案：

一种基于光流法和深度学习卷积神经网络的黑烟车检测方法，包括以下步骤：

步骤1：获取交通道口的监控视频，提取关键视频帧制作黑烟车样本数据集，在每一帧的监控图片中标注出柴油车附近黑烟车所在位置的矩形边界框。

步骤2：构建目标检测模型，并对监控视频图片上标注的矩形边界框使用k-均值聚类算法，计算出包含黑烟柴油车的先验框。

步骤3：利用监控视频图片和包含黑烟柴油车的先验框，对构建的目标检测模型进行训练，得到满足检测目的的模型。