一种基于视频分析的车行道破损检测方法

技术领域

本发明涉及模式识别技术领域，尤其涉及一种基于视频分析的车行道破损检测方法。

背景技术

随着我国交通系统的完善，机动车的数量日益增加，车行道的安全性与城市交通息息相关。车行道路面在车辆重压和自然界风吹雨打等外在影响下，易出现裂缝等损坏问题。当路面出现裂缝等损坏时，需要及时进行维修；否则，随着路面损坏面积的增大，不仅增加后期维修成本，且给车辆通行也带来严重的安全隐患。因此，如何检测车行道是否存在破损区域成为亟待解决的问题。

传统的车行道破损检测方法主要采用人工检测，然而随着道路网络与交通流量的不断增加，这种费时费力的方法不再适用，且人工检测还存在决策主观性的影响。近些年，出现一些半自动化和自动化车行道检测算法，可以消除人为的主观影响，但受光照条件、车行道纹路以及其他外在环境影响，这些算法在准确性和实用性上未取得较好的效果，对车行道的破损检测仍然是一个具有挑战的任务。

发明内容

本发明所解决的技术问题在于提供一种基于视频分析的车行道破损检测方法，以解决上述背景技术中的问题。

本发明所解决的技术问题采用以下技术方案来实现：

一种基于视频分析的车行道破损检测方法，首先获取用于形成样本图片集的样本图片，且每张样本图片中至少有一个破损路段，同时对获取的样本图片破损路段区域进行分类标记，而后对分类标记完毕的样本图片进行模型训练以建立样本图片Faster R-CNN模型；采集待测车行道实时视频流数据集后输入生成的样本图片Faster R-CNN模型中，通过样本图片Faster R-CNN模型判断目标特征区域与训练样本的相似度后确定该待测车行道是否存在破损区域；具体步骤如下：

1）搜集公开的车行道破损图片，或采集实际车行道至少有一个破损路段的图片，形成样本图片集，并对样本图片集中样本图片的破损区域进行分类标记，同时标记各个样本图片中对应的样本破损区域和破损类型；

2）对步骤1）中获取的不同破损区域和破损类型的样本图片分别进行模型训练以建立样本图片Faster R-CNN模型，采用优化后的Faster R-CNN方法训练模型，优化后Faster R-CNN模型的特征网络使用经过压缩算法处理的VGG-16网络结构，该压缩方法采用通道剪枝和低阶因子分解相结合实现；

3）由摄像机采集实时视频流后，通过交换机传输至服务器进行视频解码，其中，采用FFmpeg获取视频流，再通过CUDA解码处理视频流，最后将解码后的视频流数据集保存在指定位置；

4）将步骤3）存入在指定位置的视频流数据集输入生成的样本图片Faster R-CNN模型中，该模型能够确定目标特征区域的目标破损类型，通过判断目标特征区域与训练样本的相似度确定该待测车行道是否存在破损区域；

5）样本图片Faster R-CNN模型提取视频流数据集中的至少一个目标特征区域，而后计算目标特征区域与训练样本之间的特征相似度，并根据提取的目标特征区域确定该待测车行道路面是否存在破损区域；

6）当存在至少一个目标特征区域相似度大于设定判定阈值时，则判定该待检测车行道路面存在破损区域，在视频数据集中用红框圈出破损区域，并发出报警信号警告。

在本发明中，所述样本图片Faster R-CNN模型中设置有样本训练模块、实时视频模块、目标提取模块和报警模块。

在本发明中，所述样本图片Faster R-CNN模型中设置有判定阈值，用于判定提取的视频流数据集中是否存在破损区域。

有益效果：本发明通过视频分析检测车行道破损，有效解决传统人工检测车行道破损的费时费力、半自动化和自动化车行道检测算法受环境影响准确性等问题，使得车行道破损检测准确性和实时性得到提升，进而提高维护工作效率，节省维护成本。

附图说明

图1为本发明的较佳实施例的流程示意图。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明。

一种基于视频分析的车行道破损检测方法，具体步骤如下：

1）搜集公开的车行道破损图片，或采集实际车行道至少有一个破损路段的图片，形成样本图片集，并对样本图片集中样本图片的破损区域进行分类标记，同时标记各个样本图片中对应的样本破损区域和破损类型；

2）对步骤1）中获取的不同破损区域和破损类型的样本图片通过样本训练模块进行模型训练，以建立样本图片Faster R-CNN模型，采用优化后的Faster R-CNN方法训练模型，优化后Faster R-CNN模型的特征网络使用经过压缩算法处理的VGG-16网络结构，该压缩方法采用通道剪枝和低阶因子分解相结合实现；

3）由摄像机采集实时视频流后，通过交换机传输至服务器进行视频解码，其中，采用FFmpeg获取视频流，再通过CUDA解码处理视频流，最后将解码后的视频流数据集保存在指定位置；

4）通过实时视频模块将步骤3）存入在指定位置的视频流数据集输入生成的样本图片Faster R-CNN模型中，该模型能够确定目标特征区域的目标破损类型，通过判断目标特征区域与训练样本的相似度确定该待测车行道是否存在破损区域；

5）样本图片Faster R-CNN模型中目标提取模块提取视频流数据集中的至少一个目标特征区域，而后计算目标特征区域与训练样本之间的特征相似度，并根据提取的目标特征区域确定该待测车行道路面是否存在破损区域；

6）当存在至少一个目标特征区域相似度大于设定判定阈值时，则判定该待检测车行道路面存在破损区域，在视频数据集中用红框圈出破损区域，并发出报警信号警告。

在本实施例中，所述样本图片Faster R-CNN模型中设置有样本训练模块、实时视频模块、目标提取模块和报警模块。

在本实施例中，所述样本图片Faster R-CNN模型中设置有判定阈值，用于提取的视频流数据集中是否存在破损区域。