[发明专利]一种面向城市河道监管的水面漂浮物自动检测方法及装置

说明书

本发明公开了一种面向城市河道监管的水面漂浮物自动检测方法及装置，方法包括：从水面监控视频流自动提取图像并基于自适应对比度增强图像；对图像中目标检测物尺寸进行聚类得到被检测目标的尺寸分布；构建改进的Faster R‑CNN网络模型，根据目标检测物的尺寸及卷积神经网络模型各层的感受野大小确定融合的特征层，并通过拼接方式融合跨特征层提取的特征；根据聚类结果确定RPN网络锚框大小及长宽比，生成不同尺寸目标的建议区域；通过迭代法优化网络模型参数并实现水上漂浮物的检测。本发明能够实现视频流中漂浮物的自动识别及标注，解决了检测准确率低、泛化能力差等问题，可以实现漂浮物的自动检测，从而可应用于实际工程如城市河道的自动监管等。

技术领域

本发明涉及一种面向城市河道监管的水面漂浮物自动检测方法及装置，属于人工智能、计算机视觉领域。

背景技术

伴随着经济社会快速发展，水生态水环境问题成为群众最关注的民生议题之一。水面漂浮物的堆积不仅影响了城市的生活环境质量，也造成了水体污染及生态平衡的破坏，甚至威胁到饮用水安全。为了解决复杂的水环境问题，河长制中提出要加强水环境治理，相关部门能够对水面漂浮物情况及时报告并迅速响应，这就要求在河长制实施过程中漂浮物的检测需要智能化，不能仅仅依赖人工监管。

已有的漂浮物检测方法主要包括：背景差分法和图像分割方法。前者对环境的改变较为敏感，当背景改变时，检测精度会大大降低。后者则对提取的特征较为敏感，需要对不同的检测目标提取特定的特征，这使得该方法泛化能力较差。近年来，基于深度学习的目标检测技术在多个领域得到广泛应用，如人脸识别、车辆检测、自动驾驶技术等，并取得了较好的效果。这是由于，在卷积神经网络中输入图像通过多个卷积层和池化层进行特征提取，可以替代传统的手工设计特征，且提取的特征拥有高级的语义表达能力、特征表达能力强、鲁棒性更好，大大提高了目标检测的精度。此外，基于深度学习的目标检测技术能够实现漂浮物地实时检测，真正实现智能化监管。

发明内容

发明目的：针对现有技术的不足，本发明的目的是提供一种面向城市河道监管的水面漂浮物自动检测方法及装置，以克服传统漂浮物检测方法存在的泛化能力差、检测精确度低等问题；并基于漂浮物的尺寸分布对网络模型进行改进，对网络跨特征层提取的特征进行融合，自动生成不同尺寸目标的建议区域，进一步提高漂浮物检测的精度。

技术方案：为实现上述发明目的，本发明所述的一种面向城市河道监管的水面漂浮物自动检测方法，包括如下步骤：

(1)从水面监控视频流中获取图像并基于自适应对比度进行图像的增强；

(2)对图像中的漂浮物进行标注构建网络模型训练所需的样本集，并对图像中目标检测物尺寸进行聚类得到被检测目标的尺寸分布；

(3)构建面向城市河道水面漂浮物检测的Faster R-CNN漂浮物检测模型，根据目标检测物尺寸的聚类结果中尺寸最小的两类的聚类中心及卷积神经网络模型各层的感受野大小确定与网络最后一个特征提取层融合的两个特征层，通过拼接方式融合跨特征层提取的特征；并利用聚类结果确定区域建议网络锚框大小及长宽比，自动生成不同尺寸目标的建议区域；

(4)通过预训练得到的网络权重值，对改进的Faster R-CNN漂浮物检测模型参数初始化，基于步骤(2)得到的样本集通过迭代法优化调整模型参数，最终利用优化后的网络参数实现城市河道水面漂浮物的实时在线自动检测。

进一步地，所述步骤(1)包括：

(11)在摄像机中设置图像提取时间间隔对视频流进行视频帧截取，设置每隔时间自动提取一副图像，以获取不同时间的视频流中的图像信息；其中a为摄像机视野范围宽度，v为监控区域水流速度；

(12)对步骤(11)所获取的图像集利用自适应对比度增强，使漂浮物在光照复杂的情况下更突出；具体算法如下：