[发明专利]一种基于深度学习增强实例分割的道路积水区域检测方法

说明书

一种基于深度学习增强实例分割的道路积水区域检测方法，涉及智慧城市领域和计算机视觉领域。本发明的方法步骤为：1）数据收集和标注；2）构建Mask R‑CNN，划分数据集，以易检测积水样本训练Mask R‑CNN；3）构建并训练含有GAN分支的Mask R‑CNN；4）利用含有生成器分支的Mask R‑CNN进行预测。同现有技术相比，本发明不增加现场设备节约了成本，具有算法实现简便、误差小、检测结果准确的特点。

技术领域

本发明涉及智慧城市领域和计算机视觉领域，特别是应用于城市监控视频场景下基于深度学习增强实例分割的道路积水区域检测方法。

背景技术

良好的道路是城市交通畅通的根本，城市道路积水对城市交通影响较为严重：一是道路积水影响车辆和行人的正常通行，路面积水行车，积水容易溅湿行人，给车辆和行人带来了极大的不便；二是道路长时间积水，路面会产生麻面、积水沿路面裂缝渗透，路面结构层强度降低，最终凹陷、破损，影响行车舒适性；三是城市道路大量积水、深浅难测，不仅会影响车辆和行人通行，甚至会发生危险。

目前对于城市道路积水方面研究，大多集中于道路积水深度监测方面，主要应用于城市道路低洼处、下穿式立交桥等容易发生大面积积水、易发生危险的位置。需要现场安装接触式或非接触式传感器、供电系统等相应配套设施，耗费大量人力、物力、财力，且对影响车辆和行人通行、影响道路寿命的道路少量积水情况无能为力。这种情况还得依靠城管、交通工作人员通过监控视频或现场巡视发现，耗费大量人力，且效率较低。现在城市中已安装了大量摄像头，若能利用城市监控视频直接检测城市道路积水情况，相关城市管理部门既能降低成本，又能全面、及时地掌握各路段的积水情况，降低道路积水对行人车辆通行、道路寿命的影响，同时在防洪防灾方面也有一定的辅助作用。

基于城市监控视频分析的城市管理事件检测方法由于其检测速度快，无需增加现场监测设备、部署实施应用方便，在国内外范围内逐渐成为研究的热点。在通过城市监控视频进行道路积水检测方面，公开的研究成果较少。天津英田视讯科技有限公司申请的中国专利201711192410.0《一种道路积水检测的方法》，此技术使用的是传统机器学习的方法，提取视频单帧图像基于局部二进制的静态纹理特征和多帧图像基于三正交平面边缘方向直方图的动态纹理特征，用支持向量机判断静态纹理检测和动态纹理检测是否为积水纹理。若均为积水纹理，则对相应像素块进行标识，最终将连续的积水像素块进行拼接，可以实现对积水位置的检测。此方法基于传统机器学习方法，需要手动提取视频帧图像中的纹理特征，特征提取过程不仅任务量大，而且提取到的特征有限，仅依靠纹理特征，难以胜任道路积水检测任务。

不同于传统机器学习方法，在深度学习方面，可用于道路积水检测的方法主要有目标检测和实例分割。目前应用效果比较好的目标检测方法，如Faster R-CNN、YOLOv3、SSD、RefineDet等方法都可以应用于道路积水检测。江苏理工学院申请的中国专利201811403004.9《一种基于混合模型的道路积水图像检测预警方法》，此技术使用的是目标检测方法和相似度比对方法结合的混合模型，深度学习目标检测方法用于检测是否存在道路积水及其位置，相似度比对方法用于粗略估计积水深度。但由于城市道路积水情况比较复杂，如积水区域无固定形态、大小不一，因路面坑洼不平而分布零散，可能受行人、车辆、树木等影响存在遮挡，因刮风、下雨等影响可能存在不同纹理，无风时可能存在倒影，受积水深度、是否含有泥土影响而呈现不同颜色等，前述目标检测方法难以应对上述各种情形，且目标检测方法需要用矩形框标注目标物体，在数据标注时会将部分背景标注在矩形框内，从而对目标检测方法造成一定程度的影响，这在一定程度上会导致检测效果不佳。虽然诸如FCIS、Mask R-CNN等实例分割方法在标注数据时可以去除道路积水的背景信息，但由于城市监控场景本就比较复杂，而道路积水情况又过于复杂，仅用目标检测或实例分割方法很容易发生误检和漏检，难以达到较为理想的效果，而且目前还没有公开其他将目标检测或实例分割方法用于城市道路积水检测的研究和应用。