[发明专利]基于深度学习的视频路面积雪状态细粒度识别方法及系统

说明书

本发明公开了基于深度学习的视频路面积雪状态细粒度识别方法及系统，包括：根据深度学习方法对路面图像进行特征提取及分类处理，得到路面特征；根据所述路面特征训练得到路面状态判别模型，其中，所述路面状态判别模型用于对输入的路面图像进行积雪识别，得到路面积雪状态判别结果；利用混合高斯背景建模进行视频分析，通过对路面背景的建模来优化所述路面状态判别模型，以去除车流对所述路面积雪状态判别结果的影响；将路面背景图片输入到优化后的路面状态判别模型，得到路面积雪状态判别结果。本发明在基于视频数据的基础上进行视频分析，可对视频数据实时的进行路面积雪状态判别，能提高检测结果的准确性，可广泛应用于人工智能技术领域。

技术领域

本发明涉及人工智能技术领域，尤其是基于深度学习的视频路面积雪状态细粒度识别方法及系统。

背景技术

一些地区地理气候条件复杂，冬季气候寒冷，局部地区暴风雪、风暴、极寒天气时有发生。在冬季，高速公路时常经过一整夜的暴风雪后被厚厚的积雪覆盖，由于没有实时的监控高速公路的路面状态是否被积雪覆盖、是否有利与车辆通行，所以铲雪车也不能总是及时知道哪些路段需要进行积雪清理，并且交通管理中心也不能及时的了解路面的状况及时的采取通行或是封路的措施。另一方面，高速公路具有行车速度快的特点，而路面积雪会导致路面的附着系数和摩擦系数改变，对冬季的行车安全带来极大的隐患，因此本发明针对高速公路路面的积雪状态进行检测。

通常，对路面进行积雪检测的方法为非接触式的方法，非接触式的方法主要有通过传感器获得的气象数据对积雪进行检测以及通过监控摄像头获取路面图像的方法进行积雪检测。

基于气象数据的研究方法中，遥感方法只能获取大尺度的积雪状态数据，而气象站获取的其他气象数据也因为气象站的分布比较稀疏、有限，因此数据信息是比较粗粒度的，而不能做到对高速公路网进行密集的、具体的路面状态检测。因此，要对高速公路的具体路段进行路面状态的监测还是需要通过较为直观、具体的图像数据获取。

另一方面，现在基于深度学习的路面状态检测方法对于积雪程度的划分只是基于图像进行分类或分割，从图像数据集上提高路面状态检测的准确性，没有和路面监控视频相结合来进行视频分析，缺少了对于视频图像序列中车辆运动对积雪影响的考虑以及检测结果变化的平滑性的考虑。

发明内容

有鉴于此，本发明实施例提供基于深度学习的视频路面积雪状态细粒度识别方法及系统。

本发明的第一方面提供了一种基于深度学习的视频路面积雪状态细粒度识别方法，包括：

根据深度学习方法对获取到的路面图像进行特征提取以及分类处理，得到路面特征；

根据所述路面特征训练得到路面状态判别模型，其中，所述路面状态判别模型用于对输入的路面图像进行积雪识别，得到路面积雪状态判别结果；

利用混合高斯背景建模进行视频分析，通过对路面背景的建模来优化所述路面状态判别模型，以去除车流对所述路面积雪状态判别结果的影响；

将路面背景图片输入到优化后的路面状态判别模型，得到路面积雪状态判别结果。

可选地，所述方法还包括：

确定路面积雪状态的分类标准，其中，所述分类标准依据积雪覆盖的车道数划分，包括严重积雪、大量积雪、中等积雪、少量积雪、干燥和潮湿；

所述路面状态判别模型基于Resnet18网络，保留前17层卷积层作为特征提取模块，最后一层修改为分类数为6的全连接层；

所述路面状态判别模型为在路面积雪图像数据集上训练所保存的测试损失最低的最佳模型。

可选地，所述方法还包括：

所述路面状态判别模型识别时，输入为序列化图像格式的视频，输出为实时的预测分类结果；