[发明专利]一种基于时空信息的高空抛物检测方法

权利要求书

1.一种基于时空信息的高空抛物检测方法，其特征在于，包括：

获取待识别图像对序列，所述待识别图像对序列为连续时间内同一个视频场景下的均匀采样图像序列；

将待识别图像对序列输入到预先训练好的深度神经网络模型中进行前向运算，获取高空抛物体的下落轨迹概率图；

若所述下落轨迹概率图上存在一定长度的竖直方向连通区域，则该时间段内存在高空抛物行为；

所述深度神经网络模型包括编码网络和解码网络；

所述编码网络包括依次连接的快速下降网络、残差结构体层resblock0、最大值池化层maxpool1和残差结构体层resblock1，待识别图像对序列与快速下降网络的输入端连接，残差结构体层resblock1的输出与解码网络的输入连接；

所述残差结构体层resblock0或残差结构体层resblock1均包括卷积层rconv0、卷积层rconv1、合并层eltsum0、合并层eltsum1和卷积层rconv2；

卷积层rconv0的输出和卷积层rconv1的输出连接到合并层eltsum0的输入，合并层eltsum0的输出分别连接到合并层eltsum1的输入、卷积层rconv2的输入，rconv2的输出连接到合并层eltsum1的输入；

在残差结构体层resblock0中，卷积层rconv0的输入和卷积层rconv1的输入均连接到快速下降网络的输出，合并层eltsum1的输出与最大值池化层maxpool1的输入连接；

在残差结构体层resblock1中，卷积层rconv0的输入和卷积层rconv1的输入均连接到最大值池化层maxpool1的输出，合并层eltsum1的输出与解码网络的输入连接；

卷积层rconv1、卷积层rconv2的输出均连接有批量归一化层和非线性激活层；

所述快速下降网络包括依次连接的快速下降层FCS、卷积层conv0和最大值池化层maxpool0，快速下降层FCS的输入与待识别图像对序列连接，最大值池化层maxpool0的输出分别与残差结构体层resblock0中的卷积层rconv0的输入、卷积层rconv1的输入连接；

所述快速下降层FCS包括依次连接的图像分解层split、拼接层concat和卷积层conv_fds，待识别图像对序列与图像分解层split的输入端连接，卷积层conv_fds的输出与卷积层conv0的输入连接；

卷积层conv0和卷积层conv_fds的输出均连接有批量归一化层和非线性激活层；

所述图像分解层split用于将待识别图像对序列中的较大分辨率尺寸的图像，快速分解成若干个较小分辨率尺寸的分解子图，具体分解步骤如下：

计算待识别图像对序列的分解步长，所述分解步长等于split层的跨度；

按照行优先顺序对待识别图像对序列按分解步长进行数字编码，得到编码图像；

对编码图像中相同数字编码的像素进行提取，按照编码图像中的位置顺序连续排列拼接，得到分解子图。

2.根据权利要求1所述的基于时空信息的高空抛物检测方法，其特征在于，在判断所述下落轨迹概率图上存在较长的竖直方向连通区域之前，包括：

对所述下落轨迹概率图通过预设的过滤阈值去除干扰点，得到过滤后的下落轨迹概率图；

对过滤后的下落轨迹概率图判断是否存在较长的竖直方向连通区域。

3.根据权利要求1所述的基于时空信息的高空抛物检测方法，其特征在于，所述编码网络还包括用于对已构建完成的深度神经网络模型进行训练时使用的辅助网络aux-net；所述辅助网络aux-net包括依次连接的全局均值池化层ave-pool和全连接层fc，全局均值池化层ave-pool的输入连接到残差结构体层resblock1中合并层eltsum1的输出。