本發(fā)明涉及圖像處理，尤其涉及基于組合式背景的高速公路異常駐留目標檢測方法及系統(tǒng)。

背景技術：

1、隨著高速公路交通流量的不斷增加，異常駐留現(xiàn)象成為影響道路安全的重要因素之一。異常駐留現(xiàn)象指的是車輛、人員或其他物體在高速公路上停留時間超過一定閾值的情況，可能對高速公路的通行安全帶來嚴重威脅，包括違停車輛或人員以及拋灑物、障礙物等。傳統(tǒng)的高速公路異常駐留目標檢測主要依賴于人工巡檢或者固定攝像頭進行視頻監(jiān)控。這些方法不僅效率低下，且容易受到復雜環(huán)境因素的干擾，導致檢測不準確或者漏檢，無法及時預警和響應。

2、現(xiàn)有的自動化視頻監(jiān)控技術通常采用背景建模方法來檢測異常目標。這些方法主要包括單高斯模型、混合高斯模型等背景建模技術。通過對高速公路場景中的靜止或移動較慢的目標進行建模，可以有效檢測出駐留的物體。然而，在高速公路這種復雜的動態(tài)環(huán)境中，由于快速移動的車輛、光照變化、攝像機抖動等因素，背景建模技術在處理異常駐留目標時常常面臨以下問題：

3、1、誤報率和漏報率較高：現(xiàn)有的背景建模技術在面對高速公路上的動態(tài)背景時，容易將短時間內停留的目標誤報為異常目標，或者漏報實際存在的異常駐留目標，尤其是面對類似環(huán)境變化（如光線突然變化）的情況下，系統(tǒng)的檢測準確率難以保障。

4、2、深度學習檢測技術的局限性：雖然近年來深度學習技術（如yolo目標檢測算法）在目標檢測領域取得了顯著進展，但在高速公路場景中，異常駐留目標的不確定性給深度學習算法帶來了挑戰(zhàn)?，F(xiàn)有的深度學習方法通常依賴于大量預標注的目標數(shù)據(jù)，但高速公路下的異常駐留目標往往是隨機且難以預知的，導致誤報和漏報現(xiàn)象時有發(fā)生，同時該類算法往往對gpu資源的需求較高，難以在計算資源受限的情況下廣泛應用。

技術實現(xiàn)思路

1、為了解決上述現(xiàn)有技術中存在的技術問題，本發(fā)明旨在提供一種基于組合式背景圖像與深度學習檢測技術相結合的高速公路異常駐留目標檢測方法及系統(tǒng)。通過動態(tài)組合不同時段的背景圖像，生成更加精確的組合式背景，能夠有效應對高速公路上復雜的動態(tài)背景。同時，結合深度學習模型對檢測到的目標進行進一步分類和標注，提升了系統(tǒng)的檢測精度和實時性，并且能夠在cpu資源充足、gpu資源有限的情況下有效運行，彌補現(xiàn)有技術的不足，顯著提高高速公路異常駐留目標檢測的準確性與效率。

2、為了實現(xiàn)上述發(fā)明目的，本發(fā)明所提供的技術方案包括：

3、基于組合式背景的高速公路異常駐留目標檢測方法，包括步驟：

4、s1、采集高速公路目標區(qū)域的監(jiān)測圖像，提取并緩存原始背景圖像；

5、s2、獲取t0幀監(jiān)測圖像，提取并緩存當前背景圖像，將所述原始背景圖像與所述當前背景圖像疊加，用所述原始背景圖像更新所述當前背景圖像中的疑似異常駐留目標區(qū)域圖像，緩存為組合式背景圖像；

6、s3、獲取tn幀監(jiān)測圖像，提取并緩存當前背景圖像，將所述當前背景圖像與最新的組合式背景圖像進行幀差處理，根據(jù)差值圖像更新疑似異常駐留目標列表，其中，n=1,2,3,…；當所述疑似異常駐留目標列表發(fā)生變化或達到預設的更新周期時，緩存新的組合式背景圖像；

7、s4、重復執(zhí)行步驟s3，直至所述疑似異常駐留目標列表中的任意對象滿足上報條件時，利用訓練好的目標檢測模型對當前幀監(jiān)測圖像進行目標識別，為所述疑似異常駐留目標添加屬性標簽，更新所述疑似異常駐留目標列表并上報；所述上報條件包括預設的上報周期。

8、優(yōu)選的，所述疑似異常駐留目標列表包括：疑似異常駐留目標id、疑似異常駐留目標圖像、疑似異常駐留目標出現(xiàn)時間、持續(xù)時間、消失時間和持續(xù)消失時間。

9、優(yōu)選的，步驟s3中所述緩存新的組合式背景圖像的方法包括：

10、獲取當前幀監(jiān)測圖像，提取并緩存當前背景圖像，將所述當前背景圖像與最新的組合式背景圖像疊加，用所述組合式背景圖像更新所述當前背景圖像中的疑似異常駐留目標區(qū)域圖像，緩存為新的組合式背景圖像。

11、優(yōu)選的，所述疑似異常駐留目標列表的更新包括：

12、當新的差值圖像輪廓區(qū)域的外接矩形滿足預設的寬度和\或高度閾值時，用新的差值圖像輪廓區(qū)域更新所述疑似異常駐留目標；

13、當新的差值圖像輪廓與當前差值圖像輪廓存在重疊時，用新的差值圖像輪廓區(qū)域與當前差值圖像輪廓區(qū)域的并集更新所述疑似異常駐留目標；

14、當新的差值圖像輪廓包含當前差值圖像輪廓時，用新的差值圖像輪廓區(qū)域更新所述疑似異常駐留目標；

15、當新的差值圖像輪廓與當前差值圖像輪廓不存在重疊，且該狀態(tài)維持預設的時間時，用新的差值圖像輪廓區(qū)域更新所述疑似異常駐留目標。

16、優(yōu)選的，所述上報條件還包括：

17、所述疑似異常駐留目標持續(xù)時間滿足預設的時間閾值；

18、所述疑似異常駐留目標的屬性標簽為未知。

19、本發(fā)明還公開了基于組合式背景的高速公路異常駐留目標檢測系統(tǒng)，包括：

20、圖像采集模塊，用于采集高速公路目標區(qū)域的監(jiān)測圖像；

21、緩存模塊，用于緩存疑似異常駐留目標列表和背景圖像；

22、背景更新模塊，分別與所述圖像采集模塊和所述緩存模塊連接，用于根據(jù)所述監(jiān)測圖像提取并緩存原始背景圖像；還用于獲取t0幀監(jiān)測圖像，提取并緩存當前背景圖像，將所述原始背景圖像與所述當前背景圖像疊加，用所述原始背景圖像更新所述當前背景圖像中的疑似異常駐留目標區(qū)域圖像，緩存為組合式背景圖像；還用于當所述疑似異常駐留目標列表發(fā)生變化或達到預設的更新周期時，緩存新的組合式背景圖像；

23、疑似異常駐留目標獲取模塊，分別與所述圖像采集模塊、所述緩存模塊和所述背景更新模塊連接，用于獲取tn幀監(jiān)測圖像，提取并緩存當前背景圖像，將所述當前背景圖像與最新的組合式背景圖像進行幀差處理，根據(jù)差值圖像更新疑似異常駐留目標列表，其中，n=1,2,3,…；

24、目標檢測模塊，內置有訓練好的目標檢測模型，分別與所述圖像采集模塊和所述緩存模塊連接，用于當所述疑似異常駐留目標列表中的任意對象滿足上報條件時，對當前幀監(jiān)測圖像進行目標識別，為所述疑似異常駐留目標添加屬性標簽，更新所述疑似異常駐留目標列表；

25、上報模塊，與所述緩存模塊連接，用于上報所述疑似異常駐留目標列表中滿足上報條件的疑似異常駐留目標；所述上報條件包括預設的上報周期。

26、優(yōu)選的，所述背景更新模塊緩存新的組合式背景圖像的方法包括：

27、獲取當前幀監(jiān)測圖像，提取并緩存當前背景圖像，將所述當前背景圖像與最新的組合式背景圖像疊加，用所述組合式背景圖像更新所述當前背景圖像中的疑似異常駐留目標區(qū)域圖像，緩存為新的組合式背景圖像。

28、優(yōu)選的，所述疑似異常駐留目標列表包括：疑似異常駐留目標id、疑似異常駐留目標圖像、疑似異常駐留目標出現(xiàn)時間、持續(xù)時間、消失時間和持續(xù)消失時間；

29、所述疑似異常駐留目標列表的更新包括：

30、當新的差值圖像輪廓區(qū)域的外接矩形滿足預設的寬度和\或高度閾值時，用新的差值圖像輪廓區(qū)域更新所述疑似異常駐留目標；

31、當新的差值圖像輪廓與當前差值圖像輪廓存在重疊時，用新的差值圖像輪廓區(qū)域與當前差值圖像輪廓區(qū)域的并集更新所述疑似異常駐留目標；

32、當新的差值圖像輪廓包含當前差值圖像輪廓時，用新的差值圖像輪廓區(qū)域更新所述疑似異常駐留目標；

33、當新的差值圖像輪廓與當前差值圖像輪廓不存在重疊，且該狀態(tài)維持預設的時間時，用新的差值圖像輪廓區(qū)域更新所述疑似異常駐留目標。

34、有益效果

35、1、提高檢測準確性：本發(fā)明所提出的組合式背景技術，能夠有效應對高速公路復雜的動態(tài)背景，如車輛快速通過、光照變化、攝像機抖動等情況，降低了傳統(tǒng)背景建模方法中的誤報和漏報現(xiàn)象，能夠更精準地識別異常駐留目標，特別是針對那些停留時間較長或短時消失后再次出現(xiàn)的目標。

36、2、增強系統(tǒng)的實時性和響應速度：通過動態(tài)背景更新和深度學習檢測技術的結合，能夠快速提取異常目標，并及時更新目標列表，實現(xiàn)高效的實時監(jiān)控與異常報警，滿足高速公路環(huán)境中對事件及時響應的要求。

37、3、減少計算資源消耗：本發(fā)明通過組合式背景技術，大幅減少了對深度學習檢測的依賴，建立了目標檢測模型的調用頻率，從而降低了系統(tǒng)對算力資源的需求，能夠顯著降低系統(tǒng)成本，提高系統(tǒng)的可推廣性和適應性。

38、4、提高系統(tǒng)的智能化與自動化水平：本發(fā)明結合了深度學習目標檢測技術，能夠自動為疑似異常駐留目標添加屬性標簽，并基于預設條件自動判斷是否上報，極大提升了系統(tǒng)的智能化水平，減少了對人工干預的依賴。