[发明专利]目标检测方法及应用其的车辆抛洒滴漏识别方法

说明书

本申请提出了一种目标检测方法及应用其的车辆抛洒滴漏识别方法，其中目标检测方法包括获取待测图像；将所述待测图像输入特征提取网络中，其中，所述特征提取网络包括多层残差模块，相邻两层所述残差模块间连接感受野增强模块，经过残差模块、感受野增强模块对特征进行提取，通过融合模块融合各层级特征，并输出预测结果。本申请能够对小目标进行识别从而提高抛洒物发现效率；并基于车辆运动运动轨迹在原始监控视频帧获取行车范围图像，以此增大输出模型中的识别目标，降低了模型对抛洒物的识别难度。

技术领域

本申请涉图像处理及机器学习技术领域，特别是涉及目标检测方法及应用其的车辆抛洒滴漏识别方法。

背景技术

工程车抛洒滴漏是城市治理中常见的问题，由于工程车装载渣土的不规范、未苫盖等行为导致抛洒滴漏的现象时有发生，不仅损害了城市道路环境、产生扬尘污染，而且给道路行驶带来严重安全隐患；由于人工排查的难度大，排查时效长、成本高，抛洒滴漏治理任务已经成为城市治理中的一大挑战。

近些年，随着计算机视觉相关技术的快速发展，在许多城市治理项目中发挥了巨大的作用，相关的技术也被应用到抛洒滴漏识别任务上，这种策略可以极大的提高抛洒物发现的效率，降低排查成本，提高城市治理水平；然而抛洒滴漏物存在目标较小，与周围背景相近，受其噪声干扰大等特点问题，尽管相关技术在抛洒滴漏识别技术得到了有效应用，但是它的识别准确率仍待进一步改进。

发明内容

本申请实施例提供了目标检测方法及应用其的车辆抛洒滴漏识别方法，能够对小目标进行识别从而提高抛洒物发现效率；并基于车辆运动运动轨迹在原始监控视频帧获取行车范围图像，以此增大输出模型中的识别目标，降低了模型对抛洒物的识别难度。

第一方面，本申请实施例提供了一种目标检测方法，包括以下步骤：获取待测图像将所述待测图像经卷积池化后得到的特征图输入特征提取网络中，其中，所述特征提取网络包括多层残差模块和每相邻两层所述残差模块间连接的感受野增强模块，所述感受野增强模块用于增强每一所述残差模块输出的图像特征的感受野，从第二个所述残差模块起将每一所述残差模块输出的图像特征与下一所述残差模块输出的图像特征输入融合网络中进行融合获取多个融合特征；分别将每一所述融合特征输入预测网络中，输出预测结果。

在其中一个实施例中，在所述感受野增强模块将所述第一特征信息的通道分为不同部分特征，一部分特征送入增大感受野算子进行卷积，输出的特征结果与另一部分特征拼接，对拼接后的特征采用通道混洗后与所述第一特征信息进行求和，输出所述第二特征信息。

在其中一个实施例中，所述增大感受野算子包括一个增大感受野的3x3卷积核和一个用于扩充特征通道数的1x1卷积核，经1x1卷积后的所述特征结果的通道数与另一部分特征通道数之和与所述第一特征信息通道数相等。

在其中一个实施例中，所述通道混洗包括：采用shuffleNet对拼接后的各部分特征的通道进行有序打乱。

在其中一个实施例中，应用于抛洒物检测中，其中所述预测结果至少包括所述待测图像中确定抛洒物位置的抛洒物候选框。

在其中一个实施例中，基于所述抛洒物候选框从所述待测图像中提取抛洒物图像，对所述抛洒物图像进行尺度变化后复制在第一样本图像上得到第二样本图像，其中，所述第一样本图像、所述第二样本图像用于对目标检测方法所需模型进行训练。

在其中一个实施例中，每个所述残差模块包括若干堆叠的残差块，其中每一所述残差块包括一个用于减少特征通道的1x1卷积核、一个用于增大感受野的3x3卷积核和一个用于扩充特征通道数的1x1卷积核，下层残差模块的残差块数量大于上层残差模块的残差数量且最下层残差模块的残差块数量与最上层残差模块的残差块数量相等。

在其中一个实施例中，在所述融合网络中将每个下层残差模块输出的图像特征通过反卷积进行图像特征的尺寸放大，将放大后的图像特征与上层残差模块输出的图像特征拼接，输出所述融合特征。