一种基于未知类别感知的路面抛洒物检测方法技术

本发明专利技术公开一个基于未知类别感知的路面抛洒物检测方法，首先采用交通参与者数据集训练目标检测模型和语义分割模型。然后，对未知类别数据集和已知类别数据集分别采用训练好的目标检测模型检测出候选框，保留交并比大于第一阈值的候选框，计算保留候选框对应的感知参数，采用概率密度函数拟合感知参数集合，生成未知类别分布和已知类别分布。最后，将待识别图像输入到训练好的目标检测模型和语义分割模型，利用已知类别分布和未知类别分布，从目标候选框集合中感知未知类别目标，得到疑似抛洒物候选框集合。本发明专利技术能检测多种不同类别的路面抛洒物，更好满足了实际场景的检测需求。求。求。

【技术实现步骤摘要】
一种基于未知类别感知的路面抛洒物检测方法


[0001]本申请属于计算机视觉
，尤其涉及一种基于未知类别感知的路面抛洒物检测方法。

技术介绍

[0002]近年来，随着公路网络的日益完善，公路已成为国家经济循环的重要支撑。不少路段上货车较多，在行驶过程中易造成货物掉落，从而产生路面抛洒物。路面抛洒物极易诱发交通事故，是威胁行车安全的重要隐患之一。相关经营公司对此高度重视，投入大量人力巡查来及时清除隐患，但是存在效率低下、效果不佳的问题，还是需要技术手段的力量。
[0003]现有基于深度学习的路面抛洒物检测方法存在抛洒物检测种类受限的问题，无法很好应对实际场景下种类繁多、图像特征不显著的抛洒物，极大限制了此类方法的实用价值。

技术实现思路

[0004]本申请的目的是提出一种基于未知类别感知的路面抛洒物检测方法，以克服上述
技术介绍
中所提出的技术问题。
[0005]为了实现上述目的，本申请技术方案如下：
[0006]一种基于未知类别感知的路面抛洒物检测方法，包括：
[0007]采用交通参与者数据集训练目标检测模型和语义分割模型，所述目标检测模型用于检测前景目标，所述语义分割模型用于分割出路面区域；
[0008]对未知类别数据集和已知类别数据集分别采用训练好的目标检测模型检测出候选框，保留交并比大于第一阈值的候选框，计算保留候选框对应的感知参数，采用概率密度函数拟合感知参数集合，生成未知类别分布和已知类别分布；
[0009]将待识别图像输入到训练好的目标检测模型和语义分割模型，得到前景候选框集合和路面语义分割结果矩阵，并从前景候选框集合中筛选出目标候选框集合；
[0010]利用已知类别分布和未知类别分布，从目标候选框集合中感知未知类别目标，得到疑似抛洒物候选框集合。
[0011]进一步的，所述基于未知类别感知的路面抛洒物检测方法，还包括：
[0012]对疑似抛洒物候选框集合进行抑制操作，抑制非抛洒物目标，筛选出没有被抑制的候选框，得到最终抛洒物候选框集合。
[0013]进一步的，所述计算保留候选框对应的感知参数，计算公式如下：
[0014]p
uccp
(f)＝ζ
di
·
ρ
ue
[0015]其中，候选框f属于保留候选框集合，ζ
di
为候选框f对应的逻辑值，ρ
ve
为候选框f的最大特征值。
[0016]进一步的，所述从前景候选框集合中筛选出目标候选框集合，包括：
[0017]对于任意一个前景候选框，以前景候选框的中心为原点，按照扩张系数进行扩张
生成一个新的候选框；
[0018]依据路面语义分割结果矩阵，计算新的候选框位于路边区域的置信度，当置信度大于第二阈值时，判定为目标候选框，所有目标候选框组合成目标候选框集合。
[0019]进一步的，所述利用已知类别分布和未知类别分布，从目标候选框集合中感知未知类别目标，包括：
[0020]有目标候选框根据以下条件判定其是否为“未知类别”：
[0021][0022]其中，κ＝p
ucpp
(f)为目标候选框f的感知参数大小，γ为一个极小值。当满足上述条件时，判定目标候选框f属于“未知类别”；当不满足上述条件时，判定目标候选框f不属于“未知类别”，θ
kno
为已知类别分布，θ
unk
为未知类别分布。
[0023]进一步的，所述对疑似抛洒物候选框集合进行抑制操作，抑制非抛洒物目标，包括：
[0024]对于一个疑似抛洒物候选框f，如果满足如下条件其将被抑制：
[0025][0026]其中，为路面语义分割的分割结果，为待识别图像宽度，y
c
为候选框f中心坐标的高度，η
ssio
为尺度比例参数；ω为候选框f的宽度，h为候选框f的高度；
[0027]然后，对于任意一个疑似抛洒物候选框如果满足如下条件其将被抑制：
[0028][0029]其中，y
ty
为候选框f左上角坐标的y轴值，η
ssro
的大小定义为：
[0030][0031]其中，为矩阵中5η
ssro
以下高度的所有值的和，而为矩阵中所有值的和。
[0032]本申请提出的一种基于未知类别感知的路面抛洒物检测方法，，研究了基于未知类别感知目标检测的相关技术手段，识别位于路面区域的未知类别目标为抛洒物，提出了基于未知类别感知的路面抛洒物检测方法。在无任何路面抛洒物训练数据的情况下，本申请能检测大量不同类别的路面抛洒物，更好满足实际场景的检测需求。
附图说明
[0033]图1为本申请基于未知类别感知的抛洒物检测方法流程图。
具体实施方式
[0034]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用
于限定本申请。
[0035]在一个实施例中，如图1所示，提出一种基于未知类别感知的抛洒物检测方法，包括：
[0036]步骤S1、采用交通参与者数据集训练目标检测模型和语义分割模型，所述目标检测模型用于检测前景目标，所述语义分割模型用于分割出路面区域。
[0037]首先，构建一共包含n张图像的交通参与者数据集其中，x
i
为第i张图像的标签边界框集合，y
i
为第i张图像的路面区域语义标签。
[0038]例如，构建包含1500张图像的交通参与者数据集所标注的目标包括车辆、行人、自行车、摩托车、路障和防撞桶，目标类别均标注为“前景目标”。此外，所有图像中均不包含任何抛洒物目标。
[0039]然后，将训练样本分别输入目标检测模型和语义分割模型利用梯度下降法更新模型参数，直至训练完成。训练方法均采用默认的设置，在此不再赘述。其中，目标检测检测模型可以为YOLOv7模型，其负责检测图像中的前景目标；语义分割模型可以为DeepLabv3++，其负责分割图像中的路面区域。
[0040]步骤S2、对未知类别数据集和已知类别数据集分别采用训练好的目标检测模型检测出候选框，保留交并比大于第一阈值的候选框，计算保留候选框对应的感知参数，采用概率密度函数拟合感知参数集合，生成未知类别分布和已知类别分布。
[0041]本步骤用于生成未知类别分布θ
unk
和已知类别分布θ
kno
，两个分布的生成方法相同。对于已知类别分布θ
kno
，首先利用模型检测已知类别数据集保留预测交并比大于0.5的候选框，计算这些保留候选框的感知参数p
uccp
(f)，组成感知参数集合。然后利用多种概率密度函数拟合感知参数集合，通过AICc指标选择拟合度最好的概率密度函数为已知类别分布θ
...

【技术保护点】

【技术特征摘要】
1.一种基于未知类别感知的路面抛洒物检测方法，其特征在于，所述基于未知类别感知的路面抛洒物检测方法，包括：采用交通参与者数据集训练目标检测模型和语义分割模型，所述目标检测模型用于检测前景目标，所述语义分割模型用于分割出路面区域；对未知类别数据集和已知类别数据集分别采用训练好的目标检测模型检测出候选框，保留交并比大于第一阈值的候选框，计算保留候选框对应的感知参数，采用概率密度函数拟合感知参数集合，生成未知类别分布和已知类别分布；将待识别图像输入到训练好的目标检测模型和语义分割模型，得到前景候选框集合和路面语义分割结果矩阵，并从前景候选框集合中筛选出目标候选框集合；利用已知类别分布和未知类别分布，从目标候选框集合中感知未知类别目标，得到疑似抛洒物候选框集合。2.根据权利要求1所述的基于未知类别感知的路面抛洒物检测方法，其特征在于，所述基于未知类别感知的路面抛洒物检测方法，还包括：对疑似抛洒物候选框集合进行抑制操作，抑制非抛洒物目标，筛选出没有被抑制的候选框，得到最终抛洒物候选框集合。3.根据权利要求1所述的基于未知类别感知的路面抛洒物检测方法，其特征在于，所述计算保留候选框对应的感知参数，计算公式如下：p
uccp
(f)＝∫
di
·
ρ
ve
其中，候选框f属于保留候选框集合，ζ
di
为候选框f对应的逻辑值，ρ
ve
为候选框f的最大特征值。4.根据权利要求1所述的基于未知类别感知的路面抛洒物检测方法，其特征在于，所述从前景候选框集合中筛选出目标候选框集合，包括：对于任意一个前景...

【专利技术属性】
技术研发人员：陶杰，金炎君，于涵诚，李保，陈立康，邵奇可，颜世航，
申请(专利权)人：浙江省机电设计研究院有限公司，
类型：发明
国别省市：