[发明专利]一种基于交通监控视频的目标实例分割方法

说明书

本发明提供一种基于交通监控视频的目标实例分割方法，包括：构建交通监控视频目标实例分割数据集；构建交通监控视频目标实例分割模型；针对所述交通监控视频目标实例分割模型进行模型训练，获得交通监控视频目标实例分割优化模型；通过所述交通监控视频目标实例分割优化模型进行视频监测。本发明提供一种基于交通监控视频的目标实例分割方法，利用深度学习自动提取特征，减少人工干预，提高效率；提高检测精度，实现交通监控的智能化、实时化，同时具有模型轻便，检测精度高的优点。

技术领域

本发明涉及数据分割技术领域，特别涉及一种基于交通监控视频的目标实例分割方法。

背景技术

随着城市化和机动化水平的提高，城市交通问题日趋严重,社会各界对于智能交通系统的需求也日益强烈。人工智能的发展也使得智能交通系统成为未来交通的发展方向，而道路监控作为智能交通系统中的关键，在其中起着非常重要的作用，实现对交通监控视频中车辆、行人等目标的分割具有较大的研究和应用价值。

传统的分割方法主要有阈值分割方法、边缘检测方法、区域提取方法和结合特定理论工具的分割方法。阈值分割方法是基于图像的灰度特征来计算一个或多个灰度阈值，并将图像中每个像素的灰度值与阈值相比较，最后将像素根据比较结果分到合适的类别中。边缘检测方法指的是基于灰度值的边缘检测，它是建立在边缘灰度值会呈现出阶跃型或屋顶型变化这一观测基础上的方法。区域提取方法是将图像按照相似性准则分成不同的区域，主要包括种子区域生长法、区域分裂合并法和分水岭法等几种类型。但是，传统的分割方法往往需要手工设计特征，效率低；受噪声影响大，且分割的精度不高，需要辅助人工识别；另外其分割目标具有针对性和单一性，无法将其应用到多目标分割当中。

基于深度学习的分割方法主要有基于全卷积神经网络的语义分割方法和基于区域框的实例分割方法。基于全卷积神经网络的语义分割方法能够在普通分割的基础上，分类出每一块区域的语义，将全连接网络替换成了卷积网络(如U-net)，使得网络可以接受任意大小的图像，并输出和原图一样大小的分割图。基于区域框的实例分割方法是在目标检测的基础上增加了分割分支(如Mask-RCNN)其通过生成大量候选框进行目标检测，之后再对检测的结果进行分割。但是，语义分割方法只能做到不同类别之间的区分而无法做到不同实例之间的区分；基于区域框的实例分割方法采用分两步走策略，即先检测后分割，这使得模型推理时间变长，无法满足实际工程应用的实时性要求，且模型庞大，不利于部署到边缘终端设备。

因此，本发明提供一种基于交通监控视频的目标实例分割方法，利用深度学习自动提取特征，减少人工干预，提高效率；提高检测精度，实现交通监控的智能化、实时化，同时具有模型轻便，检测精度高的优点。

发明内容

本发明提供一种基于交通监控视频的目标实例分割方法，利用深度学习自动提取特征，减少人工干预，提高效率；提高检测精度，实现交通监控的智能化、实时化，同时具有模型轻便，检测精度高的优点。

本发明提供一种基于交通监控视频的目标实例分割方法，包括：

构建交通监控视频目标实例分割数据集；

构建交通监控视频目标实例分割模型；

针对所述交通监控视频目标实例分割模型进行模型训练，获得交通监控视频目标实例分割优化模型；

通过所述交通监控视频目标实例分割优化模型进行视频监测。

优选的，所述构建交通监控视频目标实例分割数据集，包括如下步骤：

获取交通监控视频流，每隔二十帧提取一帧图像的图片，进行命名后以jpg格式保存到image文件夹中；

对所述图片中包含的不同车辆以及行人进行实例标注，获得标注图片，并将所述标注图片的信息以json格式按照对应的命名保存到label文件夹中；