基于实例分割模型优化的道路抛洒物检测算法

在交通安全领域,道路抛洒物易引发交通事故,构成了交通安全隐患。针对传统抛洒物检测方式识别率低、对于多类抛洒物检测效果不佳等问题,提出了一种基于实例分割模型CenterMask优化的道路抛洒物检测算法。首先,使用空洞卷积优化的残差网络ResNet50作为主干神经网络来提取特征并进行多尺度处理;然后,通过距离交并比(DIoU)函数优化的全卷积单阶段(FCOS)目标检测器实现对抛洒物的检测和分类;最后,使用空间注意力引导掩膜作为掩膜分割分支来实现对于目标形态的分割,并采用迁移学习的方式实现模型的训练。实验结果表明,所提算法对于抛洒物目标的检测率为94.82%,相较常见实例分割算法Mask R-CNN,所提的道路抛洒物检测算法在边界框检测上的平均精度(AP)提高了8.10个百分点。

一种基于物影匹配算法的道路小目标跟踪方法

针对复杂道路环境下小目标抛洒物难以被检测与跟踪,且落地静止像素易被纳入背景而导致目标丢失等问题,本文提出一种基于物影匹配算法(OSMA)的道路小目标跟踪方法来解决上述问题。首先,采用混合高斯模型对背景进行建模以此获取前景图像,对前景图像采用膨胀、腐蚀等形态学处理;其次,根据道路抛洒物移动时在前景产生独立的物与影双轮廓特征,进行连续帧前景轮廓的物影匹配,并将连续的匹配结果定为疑似抛洒物;最后,采用多帧质心偏移法判断疑似抛洒物是否处于静止状态,并对运动状态中的疑似抛洒物进行位置判定与帧间轮廓匹配,从而实现抛洒物的逐帧跟踪。基于大量实验表明:本文所提出的OSMA与核化相关滤波器(KCF)、辨别尺度空间跟踪器(DSST)、背景感知相关滤波器(BACF)、深度注意力跟踪器(DAT)、视觉跟踪时空变换器(SATRK)等跟踪器相比,准确性更优越,可较好解决道路复杂场景下各类抛洒物的跟踪问题;复杂背景、快速旋转的小目标场景中跟踪表现优异,具有良好的跟踪尺度,实时性满足预期要求。