(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211127658.X (22)申请日 2022.09.16 (71)申请人 联陆智能交通科技 （上海） 有限公司 地址 201100 上海市闵行区申滨南路12 26 号604、 605、 606、 607室 (72)发明人 薛威　 (74)专利代理 机构 上海锻创知识产权代理有限 公司 314 48 专利代理师 何惠燕 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/72(2022.01) G06V 10/74(2022.01) G06V 10/82(2022.01) G06N 3/08(2006.01) (54)发明名称 基于机器视觉的道路抛洒物检测追踪方法 和系统 (57)摘要 本发明提供了一种基于机器视觉的道路抛 洒物检测追踪方法和系统， 包括： 步骤1： 使用高 斯混合模型分离监控区域前后景； 步骤2： 剔除预 设交通参与者目标； 步骤3： 获取前景目标的最小 矩形框的像素位置， 逐个与神经网络检出物进行 递归匹配比较， 若匹配则剔除目标， 不进行疑似 抛洒物追踪； 若不匹配则进行疑似抛洒物追踪； 步骤4： 对疑似抛洒物从运动态到静止态进行交 并比IoU追踪， 根据交并比值确认是否为抛洒物。 本发明解决了路测端视觉抛洒物体难以检测， 并 且准确度偏低的问题， 通过低计算复杂度的 TRIOU_track算法， 能够高效实时追 踪抛洒物。 权利要求书2页 说明书6页 附图2页 CN 115512107 A 2022.12.23 CN 115512107 A 1.一种基于 机器视觉的道路抛洒物检测追踪方法， 其特 征在于， 包括： 步骤1： 使用高斯混合模型分离监控区域前后景， 模型输入为3通道的RGB彩图， 输出为1 通道的灰度图， 灰度图中只包含2种信息， 全黑的区域为背景区域， 白色区域为可能的抛洒 物目标和运动目标； 步骤2： 剔除预设交通 参与者目标； 步骤3： 获取前景目标的最小矩形框的像素位置， 逐个与神经网络检出物进行递归 匹配 比较， 若匹配则剔除目标， 不进行疑似抛洒物追踪； 若不匹配则进行疑似抛洒物追踪； 步骤4： 对疑似抛洒物从运动态到静止态进行交并比IoU追踪， 根据交并比值确认是否 为抛洒物。 2.根据权利要求1所述的基于机器视觉的道路抛洒物检测追踪方法， 其特征在于， 所述 步骤1包括： 步骤1.1： 初始化高斯模型； 步骤1.2： 设定背景 学习率和模式系数， 通过 学习率参与权重计算并更新权 重值； 步骤1.3： 在权 重值满足预设条件后， 得到监控区域的前后背景分离 。 3.根据权利要求1所述的基于机器视觉的道路抛洒物检测追踪方法， 其特征在于， 所述 步骤2包括： 统计分离出来的所有白色区域前景， 作为抛洒物候选， 通过神经网络推理出交通参与 者， 在抛洒物候选中减去推理出的交通 参与者， 得到可能的抛洒物； 神经网络推理出交通参与者的过程为： 加载预先训练好的网络模型， 输入对应权重值 和偏差参数， 然后由计算机自动进行推断， 得到每帧检测标的物， 以及标的物的像素位置和 物体类型。 4.根据权利要求1所述的基于机器视觉的道路抛洒物检测追踪方法， 其特征在于， 交并 比IoU追踪衡量两个边界框重叠的相对大小， 得到预测边框与真实边框的交集的比值， 交并 比值越高， 说明帧间物体运动状态越趋近于 静止， 当场景中有多个目标相交时， 匹配最大的 IoU目标框 。 5.根据权利要求1所述的基于机器视觉的道路抛洒物检测追踪方法， 其特征在于， IoU 值计算公式为： IoU(a,b)代表两个目标框重叠的交并比值； Area(a)代表a目标的边界框面积大小； Area(b)代表b目标的边界框面积大小； 公 式分子代表目标a,b的面积相交部分； 公 式分母代 表目标a,b的面积并集大小。 6.一种基于 机器视觉的道路抛洒物检测追踪系统， 其特 征在于， 包括： 模块M1： 使用高斯混合模型分离监控区域前后景， 模型输入为3通道的RGB彩图， 输出为 1通道的灰度图， 灰度图中只包含2种信息， 全黑的区域为背 景区域， 白色区域为可能的抛洒 物目标和运动目标； 模块M2： 剔除预设交通 参与者目标； 模块M3： 获取前景目标的最小矩形框的像素位置， 逐个与神经网络检出物进行递归匹权　利　要　求　书 1/2 页 2 CN 115512107 A 2配比较， 若匹配则剔除目标， 不进行疑似抛洒物追踪； 若不匹配则进行疑似抛洒物追踪； 模块M4： 对疑似抛洒物从运动态到静止态进行交并比IoU追踪， 根据交并比值确认是否 为抛洒物。 7.根据权利要求6所述的基于机器视觉的道路抛洒物检测追踪系统， 其特征在于， 所述 模块M1包括： 模块M1.1： 初始化高斯模型； 模块M1.2： 设定背景 学习率和模式系数， 通过 学习率参与权重计算并更新权 重值； 模块M1.3： 在权 重值满足预设条件后， 得到监控区域的前后背景分离 。 8.根据权利要求6所述的基于机器视觉的道路抛洒物检测追踪系统， 其特征在于， 所述 模块M2包括： 统计分离出来的所有白色区域前景， 作为抛洒物候选， 通过神经网络推理出交通参与 者， 在抛洒物候选中减去推理出的交通 参与者， 得到可能的抛洒物； 神经网络推理出交通参与者的过程为： 加载预先训练好的网络模型， 输入对应权重值 和偏差参数， 然后由计算机自动进行推断， 得到每帧检测标的物， 以及标的物的像素位置和 物体类型。 9.根据权利要求6所述的基于机器视觉的道路抛洒物检测追踪系统， 其特征在于， 交并 比IoU追踪衡量两个边界框重叠的相对大小， 得到预测边框与真实边框的交集的比值， 交并 比值越高， 说明帧间物体运动状态越趋近于 静止， 当场景中有多个目标相交时， 匹配最大的 IoU目标框 。 10.根据权利要求6所述的基于机器视觉的道路抛洒物检测追踪系统， 其特征在于， IoU 值计算公式为： IoU(a,b)代表两个目标框重叠的交并比值； Area(a)代表a目标的边界框面积大小； Area(b)代表b目标的边界框面积大小； 公 式分子代表目标a,b的面积相交部分； 公 式分母代 表目标a,b的面积并集大小。权　利　要　求　书 2/2 页 3 CN 115512107 A 3