[发明专利]一种基于时空信息的高空抛物检测方法

说明书

本发明公开了一种基于时空信息的高空抛物检测方法，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；本申请可以准确定位出高空抛物体的下落轨迹，进而判断是否存在高空抛物行为。

技术领域

本发明涉及城市公共安全技术领域，尤其涉及一种基于时空信息的高空抛物检测方法。

背景技术

随着高楼大厦的拔地而起，高空抛物也越发增多，高空抛物现象曾被称为“悬在城市上空的痛”。在“陋习排行榜”中，它与“乱扔垃圾”齐名，排名第二。高空抛物，是一种不文明的行为，而且会带来很大的社会危害。目前社会中对于高空抛物存在难以寻找肇事者的关键问题，导致追责不及时、不到位，不能有效的警示高层用户。高空抛物不仅增加了物业的管理服务难度，其存在的安全隐患就是典型的难题，很难进行事前控制，很多事发现了已经发生了，难以定位责任人，无法进行合理追责。

针对上述问题，利用现在社会的高清广角摄像头技术，主要是在地面上安装一台摄像机，实时拍摄整栋楼画面，通过机器视觉的方法检测是否存在高空抛物行为。该类方法易受外界环境和自身硬件设备干扰，误检误报较多，同时该中方法一般作为高空抛物事后取证辅助技术手段，并不能起到高空抛物的准确检测、防范和预警的作用。

发明内容

基于背景技术存在的技术问题，本发明提出了一种基于时空信息的高空抛物检测方法，可以准确定位出高空抛物体的下落轨迹，进而判断是否存在高空抛物行为。

本发明提出的一种基于时空信息的高空抛物检测方法，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。

进一步地，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。

进一步地，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。

进一步地，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；