[发明专利]高空抛物检测方法、装置和设备

权利要求书

1.一种高空抛物检测方法，其特征在于，包括：

获取视频信息；所述视频信息包括移动的前景图像；

提取所述视频信息中的所述前景图像；

利用预先训练的高空抛物检测模型对所述前景图像进行识别，得到输出的图像识别类型；

基于所述图像识别类型，确定高空抛物结果。

2.根据权利要求1所述高空抛物检测方法，其特征在于，所述提取所述视频信息中的所述前景图像，包括：

利用GarbCut算法，在所述视频信息中，提取所述前景图像。

3.根据权利要求1所述高空抛物检测方法，其特征在于，所述利用预先训练的高空抛物检测模型对所述前景图像进行识别，得到输出的图像识别类型之前，还包括：

确定训练数据集；每个训练数据集均包括样本图像和对应的样本识别类型；

将所述样本图像和对应的样本识别类型输入到预设的卷积神经网络模型中进行训练，得到所述高空抛物检测模型。

4.根据权利要求1所述高空抛物检测方法，其特征在于，所述利用预先训练的高空抛物检测模型对所述前景图像进行识别，得到输出的图像识别类型，包括：

对所述前景图像进行预处理，得到输入图像；

将所述输入图像输入到所述高空抛物检测模型中，得到所述的所述图像识别类型。

5.根据权利要求4所述高空抛物检测方法，其特征在于，所述对所述前景图像进行预处理，得到输入图像，包括：

将所述前景图像进行降采样处理，得到降采样图片；

对所述降采样图片进行局部归一化处理，得到局部归一化图片；

将所述局部归一化图片分为成预设规格的图像块，将所述图像块作为所述输入图片。

6.根据权利要求4所述高空抛物检测方法，其特征在于，所述将所述输入图像输入到所述高空抛物检测模型中，得到所述的所述图像识别类型，包括：

将每个所述图像块输入所述高空抛物检测模型的卷积层，分别进行特征提取；

将提取的特征经由激活函数变换后构成卷积特征图；

通过对所述卷积特征图进行下采样后构成池化特征图；

对所述池化特征图进行矢量变换，构成特征向量；

利用Softmax分类器对所述特征向量进行分类，得到识别结果；

综合所有所述图像块的识别结果，得到所述图像识别类型。

7.根据权利要求3所述高空抛物检测方法，其特征在于，所述样本识别类型包括包括树叶、鸟类、塑料瓶、鸡蛋、花盆、玻璃杯、砖石、香蕉皮中的至少一种；对应地，所述图像识别类型包括树叶、鸟类、塑料瓶、鸡蛋、花盆、玻璃杯、砖石、香蕉皮中的至少一种；

所述基于所述图像识别类型，确定高空抛物结果，包括：

若所述图像识别类型包括树叶和/或鸟类，则表示高空抛物结果为未发生高空抛物；若所述图像识别类型包括塑料瓶、鸡蛋、花盆、玻璃杯、砖石、香蕉皮中的至少一种，则表示高空抛物结果为发生高空抛物。

8.根据权利要求7所述高空抛物检测方法，其特征在于，若高空抛物结果为发生高空抛物，所述基于所述图像识别类型，确定高空抛物结果之后，包括：

生成高空抛物警报。

9.一种高空抛物检测装置，其特征在于，包括：

获取模块，用于获取视频信息；所述视频信息包括移动的前景图像；

提取模块，用于提取所述视频信息中的所述前景图像；

识别模块，用于利用预先训练的高空抛物检测模型对所述前景图像进行识别，得到输出的图像识别类型；

确定模块，用于基于所述图像识别类型，确定高空抛物结果。

10.一种高空抛物检测设备，其特征在于，包括处理器和存储器，所述处理器与存储器相连：

其中，所述处理器，用于调用并执行所述存储器中存储的程序；

所述存储器，用于存储所述程序，所述程序至少用于执行权利要求1-8任一项所述的高空抛物检测方法。