[发明专利]一种基于deepstream的抛洒物识别方法

说明书

本发明公开了一种基于deepstream的抛洒物识别方法，属于道路检测技术领域，以车载流媒体相机为输入源，获取抛洒物的外部图像，视频信号以rtsp流的形式传输，在视频实时传输到微型计算机后，采用Yolo v4算法，使用基于gstream的deepstream技术对rtsp流进行实时处理，通过建立管道对视频信号完成解析，再通过在管道上建立的插件，完成对抛洒物的检测。本发明方法不再局限于固定的环境，对于多样化的物品在检测过程中也能够轻松识别，大大的提高了检测的准确性。

技术领域

本发明属于道路检测技术领域，具体涉及一种基于deepstream的抛洒物识别方法。

背景技术

对于高速行驶的车辆，道路上面的洒落物品很容易对其形成安全隐患。现有技术中对于抛洒物的检测所采用的方式是通过背景建模、前景检测。这种方法存在很大的局限性，因为在道路上检测道路背景不是固定的，并且抛洒物的颜色也不是固定的，所以在检测过程中漏检的几率很高。

发明内容

有鉴于此，本发明的目的在于提供一种基于deepstream的抛洒物识别方法，不再局限于固定的环境，对于多样化的物品在检测过程中也能够轻松识别，大大的提高了检测的准确性。

为达到上述目的，本发明提供如下技术方案：

本发明一种基于deepstream的抛洒物识别方法，以车载流媒体相机为输入源，获取抛洒物的外部图像，视频信号以rtsp流的形式传输，在视频实时传输到微型计算机后，采用Yolo v4算法，使用基于gstream的deepstream技术对rtsp流进行实时处理，通过建立管道对视频信号完成解析，再通过在管道上建立的插件，完成对抛洒物的检测。

进一步，Yolo v4算法中的基准网络形成一种Backbone结构，其中包含了5个CSP模块，CSP模块可以将基础层的特征映射划分为两部分，通过跨阶段层次结构将它们合并起来。

进一步，通过在Yolo v4算法中嵌入Mish激活函数，当x0时，Leaky_relu与Mish激活函数基本相同；当x0时，Mish函数基本为0，而Leaky_relu函数为λx，Yolo v4的Backbone中均使用Mish激活函数。

本发明的有益效果在于：

本发明一种基于deepstream的抛洒物识别方法，采用车载相机作为输入方式，使检测可在车辆移动过程中进行。与传统的固定相机检测相比，车载相机能够对多个路段进行检测，这有效地节约了成本，提升了检测效率。且采用Yolo v4算法可减少背景对抛洒物检测的干扰，提高对各种路面的适应程度，提高检测精度。采用本发明方法，不再局限于固定的环境，对于多样化的物品在检测过程中也能够轻松识别，大大的提高了检测的准确性。

本发明的其他优点、目标和特征将在随后的说明书中进行阐述，并且在某种程度上对本领域技术人员而言是显而易见的，或者本领域技术人员可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

具体实施方式

本发明一种基于deepstream的抛洒物识别方法，以车载流媒体相机为输入源，获取抛洒物的外部图像，视频信号以rtsp流的形式传输，在视频实时传输到微型计算机后，采用Yolo v4算法，使用基于gstream的deepstream技术对rtsp流进行实时处理，通过建立管道对视频信号完成解析，再通过在管道上建立的插件，完成对抛洒物的检测。本发明方法，采用车载相机作为输入方式，使检测可在车辆移动过程中进行。与传统的固定相机检测相比，车载相机能够对多个路段进行检测，这有效地节约了成本，提升了检测效率。且采用Yolo v4算法可减少背景对抛洒物检测的干扰，提高对各种路面的适应程度，提高检测精度。