[发明专利]基于数字图像处理的高空抛物检测方法

权利要求书

1.基于数字图像处理的高空抛物检测方法，其特征在于，该方法包括：

获取相机采集的视频序列，利用图像处理算法根据视频序列得到疑似抛物轨迹；利用历史中得到的疑似抛物轨迹构建数据集；构建轨迹识别模型；

S1:首先对数据集中的样本进行聚类得到所有类别，将每个类别的聚类中心作为轨迹识别模型的每个记忆样本，然后利用数据集训练轨迹识别模型；

S2:将数据集中样本输入到训练好的轨迹识别模型中得到样本的依赖度向量以及样本的损失值，根据每个类别中所有样本的依赖度向量得到每个类别的综合记忆向量以及每个类别的参考价值，根据每个类别中所有样本的依赖度向量计算每个类别中每个样本的异常值，根据所述异常值与每个类别中所有样本异常值的比值和每个类别中每个样本的损失值得到每个类别中每个样本的异常程度，将每个类别中异常程度最大的样本作为异常样本；获取每个类别中异常样本的异常程度与每个类别参考价值的第一比值，根据每个类别中异常样本的依赖度向量获得最依赖记忆样本，根据每个类别中异常样本的依赖度向量以及第一比值获得融合权重，利用融合权重将每个类别中异常样本与对应的最依赖记忆样本进行融合得到异常样本的更新样本；

将所有类别中的异常样本用对应的更新样本进行更新替换得到新的数据集，重复S1、S2预设次数后，将得到的轨迹识别模型记为最终轨迹识别模型；

利用相机实时采集的视频序列得到实时的疑似抛物轨迹，将实时的疑似抛物轨迹输入到最终轨迹识别模型中得到输出结果，根据输出结果进行高空抛物预警。

2.根据权利要求1所述的基于数字图像处理的高空抛物检测方法，其特征在于，所述轨迹识别模型采用的是RBF神经网络，所述RBF神经网络中间层包含多个径向基神经元，每个径向基神经元对应一个记忆样本以及一个训练参数。

3.根据权利要求1所述的基于数字图像处理的高空抛物检测方法，其特征在于，所述将数据集中样本输入到训练好的轨迹识别模型中得到样本的依赖度向量以及样本的损失值的步骤包括：

样本输入到训练好的轨迹识别模型后，得到每个径向基神经元的输出结果，输出结果与每个径向基神经元对应的训练参数相乘，得到每个径向基神经元的第一指标，将每个径向基神经元的第一指标与所有径向基神经元第一指标之和的比值记为每个径向基神经元的依赖程度，所有径向基神经元的依赖程度构成的向量记为样本的依赖度向量；依赖度向量每个维度对应一个记忆样本；

将样本输入到训练好的轨迹识别模型后，轨迹识别模型输出的结果与样本的标签的差值的平方作为样本的损失值。

4.根据权利要求1所述的基于数字图像处理的高空抛物检测方法，其特征在于，所述根据每个类别中所有样本的依赖度向量得到每个类别的综合记忆向量以及每个类别的参考价值的步骤包括：

对每个类别中所有样本的依赖度向量进行主成分分析获得每个类别的综合记忆向量，将每个类别中所有样本的依赖度向量与综合记忆向量的余弦相似度的均值记为每个类别的参考价值。

5.根据权利要求1所述的基于数字图像处理的高空抛物检测方法，其特征在于，所述根据每个类别中所有样本的依赖度向量计算每个类别中每个样本的异常值的步骤包括：

将每个类别中所有样本的依赖度向量进行均值漂移聚类获得所有聚类结果，将每个聚类结果中所有依赖度向量的均值记为每个聚类结果的聚类中心，每个样本与所有聚类中心间的欧氏距离的均值作为每个类别中每个样本的异常值。

6.根据权利要求1所述的基于数字图像处理的高空抛物检测方法，其特征在于，所述根据每个类别中异常样本的依赖度向量以及第一比值获得融合权重的步骤包括：

获取每个类别中异常样本的依赖度向量中所有维度的最大值，计算所述最大值与第一比值的乘积，所述乘积利用sigmod函数进行映射得到融合权重。

7.根据权利要求6所述的基于数字图像处理的高空抛物检测方法，其特征在于，所述利用融合权重将每个类别中异常样本与对应的最依赖记忆样本进行融合得到异常样本的更新样本的公式为：

v表示每个类别中异常样本，u表示每个类别中异常样本对应的最依赖记忆样本，表示融合权重，V表示异常样本的更新样本。