[发明专利]一种行人翻越马路护栏检测方法

权利要求书

1.一种行人翻越马路护栏检测方法，其特征在于，包括如下步骤：

步骤1，获取监控摄像头采集的视频流，使用图像分割网络Fence-Net检测视频流中护栏所占据的区域，将视频流所有像素区域分为两类：护栏像素区域、非护栏像素区域；

步骤2，对步骤1所得区域进行异常值去除处理，获取护栏下边沿的边界；

步骤3，将视频流每一帧转化为图像，对每一帧进行处理，获取人体外接矩形框；

步骤4，根据步骤2中所得护栏下边沿的边界，和步骤3中所得人体外接矩形框，进行检测结果分析，判断视频帧中是否出现行人翻越马路护栏的行为。

2.根据权利要求1所述的方法，其特征在于，步骤1中，所述图像分割网络Fence-Net包括Base Stream基础特征流模块、Contour Stream轮廓特征流模块和Fusion Module融合模块；

所述Base Stream模块用于提取图像特征；

所述Contour Stream模块用于提取各个物体的边缘特征；

所述Fusion Module模块包括ASPP空洞空间卷积池化金字塔模块。

3.根据权利要求2所述的方法，其特征在于，所述Contour Stream模块首先由两个以上的1*1的卷积层负责优化Base Stream模块提取出的图像特征，并对特征图的通道数进行相应的优化，此后，由两个以上SE-ResNet Module压缩激发残差模块以及Gated Conv Layer门卷积层间隔连接，形成Contour Stream模块的剩余部分，其中SE-ResNet Module负责对特征图的质量进行进一步优化，Gated Conv Layer则负责将Contour Stream模块的注意力集中在检测物体的轮廓与形状上。

4.根据权利要求3所述的方法，其特征在于，所述SE-ResNet Module通过吸取残差模块Res-Block残差块与SE-Block压缩激发块的特性，将不同层次的特征进行了融合，并将同一层次的特征在通道维度上进行权重赋值。

5.根据权利要求4所述的方法，其特征在于，所述Gated Conv Layer通过结合神经网络中间层特征图以及图像梯度图这两者的信息，对图像内物体的边缘形状进行抽取，并通过BatchNorm批标准化操作，提高收敛速度。

6.根据权利要求5所述的方法，其特征在于，所述ASPP模块执行如下步骤：

步骤a1，将Contour Stream模块输出的边缘特征缩小，使得其大小与Base Stream模块输出的特征图相同，接着进行1*1卷积，获得1个通道数为256的特征图；

步骤a2，将Base Stream模块输出的特征图进行全局平均池化，再进行1*1卷积，最后再将特征图放大回目标尺寸，获得一个通道数等于256的特征图；

步骤a3，利用四种不同扩张率的空洞卷积层(1，6，12，18)对Base Stream模块输出的特征图进行卷积，获得4个特征图，四个特征图的通道数都为256；

步骤a4，将步骤a1，、步骤a2和步骤a3得到的共6个特征图进行通道拼接，得到最终输出。