CIEFRNet:面向高速公路的抛洒物检测算法

高速公路抛洒物危及行车安全,极易诱发交通事故,及时识别并清理高速公路抛洒物十分重要。由于高速公路抛洒物在图像中面积占比小且图像背景复杂,现有检测方法常出现漏检和误检的情况。针对上述问题,提出了一种基于上下文信息增强和特征提纯的抛洒物检测算法,记为CIEFRNet。设计了一种融合上下文Transformer的主干特征提取模块(CSP-COT),充分挖掘局部静态上下文信息和全局动态上下文信息,增强小抛洒物的特征表示;主干网络中使用改进的空间金字塔池化(ISPP),通过级联的空洞卷积实现特征的多尺度下采样,减轻目标细节信息的损失;为提高特征融合能力,设计了特征提纯模块(CNAB),其中嵌入了提出的一种混合注意力机制(ECSA),可抑制图像背景噪声,强化微小抛洒物的特征;引入基于动态非单调聚焦机制的WIoU优化损失函数,提高小抛洒物学习能力,加速网络收敛。实验结果表明,所提方法在自制的高速公路抛洒物数据集上的精确率、召回率、AP0.5和AP0.5:0.95分别达到96.5%、81.6%、88.1%和46.5%,优于当前主流的目标检测方法,其算法复杂度也更低,满足实际场景应用需要。

面向路面抛洒物检测的多任务学习算法研究

针对现有检测算法在定点抛洒物检测方面的不足,提出一种基于多任务学习和图像处理的路面抛洒物检测算法.首先,为YOLOv6s设计一种融合多层语义特征的语义分割头,并为目标检测分支和语义分割分支设计损失函数,进行多任务学习;其次,结合语义分割分支分割连续性的优势以及图像处理的方法,提取完整路面区域;最后,引入结合IoU和质心位置的抛洒物区域识别与排除方法,实现非抛洒物的排除和最终抛洒物区域提取.实验结果表明,在BDD100k数据集上,改进算法在车辆目标检测和可行驶区域分割上分别达到77.8%的平均精度值(mAP)和91.5%的平均交并比(mIoU).

面向高速公路抛洒物检测的动态背景建模方法

针对高速公路抛洒物检测中传统的固定背景建模方法容易因开放环境变化产生大量的前景噪声,动态背景建模方法容易因抛洒物的静止特性导致前景对象快速融入背景,提出基于背景分离高斯混合模型(BS-GMM)的动态背景建模方法.该方法对传统高斯混合模型的背景划分和模型匹配方法进行改进,设计基于像素点的高斯分布背景模型权值的衰减状况进行背景建模和背景更新的方法,既能减少开放环境大量环境噪声的影响,也能对抛洒物快速进入静止状态后的准确检测,在计算性能上能够达到实时检测的效果.实验结果证明,BS-GMM方法在抛洒物检测过程中产生的噪声数量比其他方法少,且对静止超过20 s的物体能够作为前景目标提取,因此能够有效地应用于高速公路抛洒物的准确识别.

基于帧间差分自适应法的车辆抛洒物检测

高速公路抛洒物事件容易引发交通事故,造成不良影响。为了实现对高速公路抛洒物的检测,提出了帧间差分自适应法。该方法是基于连续帧间差分法和均值法背景减除的运动目标检测算法。首先,对图像进行包括灰度转换、图像降噪以及图像增强等预处理。然后,对连续的序列图像进行累计差分,对得到的差值图像进行求和运算并求平均,并对得到的图像通过选择合适的阈值T进行二值化;使用均值法进行背景建模,将当前帧与所得的背景模型进行差分运算并进行二值化处理。最后将用连续帧间差分法得到的二值图像与基于均值法的背景减除得到的二值图像进行逻辑"与"运算,并对逻辑运算后的结果进行数学形态学膨胀处理得到最终的运动目标检测结果。实验结果表明,该方法可在一定程度上克服传统的帧间差分法和均值背景减除法的缺点,更加完整准确地提取出前景运动目标。