本發(fā)明屬于圖像數(shù)據(jù)處理，具體涉及一種基于人工智能的高空墜物追溯系統(tǒng)。

背景技術(shù)：

1、高空墜物事故在城市高層建筑中時(shí)有發(fā)生，嚴(yán)重威脅到行人的生命財(cái)產(chǎn)安全。隨著城市化進(jìn)程的加快，高層建筑越來(lái)越多，因高空拋物或墜物引發(fā)的傷害事件也逐年增多。這類事故不僅會(huì)造成直接的人員傷亡和財(cái)產(chǎn)損失，還可能引發(fā)法律糾紛和社會(huì)矛盾，已成為城市安全管理中的一大難題。

2、目前，針對(duì)高空墜物的追溯方法主要依賴于目擊者證言和現(xiàn)場(chǎng)監(jiān)控錄像。這些方法在一定程度上能夠幫助確定墜物的來(lái)源，但普遍存在效率低、準(zhǔn)確性差、取證困難等問(wèn)題。目擊者證言往往因視角局限或記憶模糊而不夠可靠，根據(jù)監(jiān)控錄像追溯則耗時(shí)費(fèi)力，且容易因視頻質(zhì)量低下或信息缺失導(dǎo)致結(jié)果不準(zhǔn)確。

3、因此，亟須一種高空墜物追溯系統(tǒng)以解決上述問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供一種基于人工智能的高空墜物追溯系統(tǒng)，解決相關(guān)技術(shù)中效率低、準(zhǔn)確性差、取證困難以及人力成本高的技術(shù)問(wèn)題。

2、本發(fā)明提供了一種基于人工智能的高空墜物追溯系統(tǒng)，包括：

3、圖像采集模塊，其用于采集目標(biāo)物的圖像數(shù)據(jù)；

4、圖像數(shù)據(jù)包括從目標(biāo)物出現(xiàn)到目標(biāo)物消失或落地的視頻數(shù)據(jù)；

5、預(yù)處理模塊，其用于對(duì)圖像數(shù)據(jù)進(jìn)行預(yù)處理獲得第一目標(biāo)圖像，其中第一目標(biāo)圖像包含n個(gè)連續(xù)的視頻幀，n為自定義參數(shù)；

6、目標(biāo)檢測(cè)模塊，其用于根據(jù)第一目標(biāo)圖像構(gòu)建目標(biāo)檢測(cè)模型，目標(biāo)檢測(cè)模型的輸入為第一目標(biāo)圖像，輸出為第一特征序列，其中第一特征序列的第n個(gè)序列單元表示第n個(gè)視頻幀的目標(biāo)物類別、邊界框?qū)挾?、邊界框高度、邊界框中心點(diǎn)位置以及置信度，其中1≤n≤n；

7、軌跡生成模塊，其用于根據(jù)第一特征序列結(jié)合跟蹤算法生成目標(biāo)物的運(yùn)動(dòng)軌跡。

8、進(jìn)一步地，預(yù)處理的步驟包括：

9、步驟s201，通過(guò)對(duì)圖像數(shù)據(jù)進(jìn)行噪聲去除處理，其中σ是高斯濾波器的標(biāo)準(zhǔn)差，α表示高斯濾波器的權(quán)重系數(shù)，gx，y表示位于x，y的高斯函數(shù)值，即該點(diǎn)的權(quán)重；

10、步驟s202，通過(guò)對(duì)圖像數(shù)據(jù)進(jìn)行增強(qiáng)處理，其中hu，v表示濾波器的頻率響應(yīng)，du，v表示頻率域中的距離函數(shù)，d0表示截止頻率，n表示濾波器的階數(shù)，用于控制濾波器在截止頻率附近的陡峭程度，β表示高通濾波器的權(quán)重系數(shù)；

11、步驟s203，通過(guò)分離出目標(biāo)物，并將其在視頻幀中框選出，其中itx，y表示視頻幀圖像，x，y為空間坐標(biāo)，表示圖像中的像素位置，bx，y表示背景模型，itx，y-bx，y表示每一幀圖像與背景模型之間的像素差異，t表示第一閾值，mx，y表示目標(biāo)物掩碼，目標(biāo)物掩碼由1和0組成；

12、步驟s204，將圖像數(shù)據(jù)按照時(shí)間順序逆序排列；

13、步驟s205，對(duì)圖像數(shù)據(jù)通過(guò)z分?jǐn)?shù)歸一化方法進(jìn)行歸一化處理。

14、進(jìn)一步地，目標(biāo)檢測(cè)模型基于卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建，通過(guò)對(duì)目標(biāo)檢測(cè)模型訓(xùn)練得到目標(biāo)物的類別、邊界框的寬度、邊界框高度、邊界框中心點(diǎn)位置和置信度，邊界框表示包含目標(biāo)物在內(nèi)的矩形，置信度表示目標(biāo)物在邊界框內(nèi)的概率，同時(shí)設(shè)置置信度閾值，對(duì)于低于置信度閾值的視頻幀，不采用其輸出的目標(biāo)物類別、邊界框?qū)挾?、邊界框高度和邊界框中心點(diǎn)位置，通過(guò)線性插值法替換所述視頻幀經(jīng)過(guò)目標(biāo)檢測(cè)模型輸出的目標(biāo)物類別、邊界框?qū)挾取⑦吔缈蚋叨群瓦吔缈蛑行狞c(diǎn)位置。

15、進(jìn)一步地，對(duì)于低于置信度閾值的視頻幀的目標(biāo)物類別、邊界框?qū)挾?、邊界框高度和邊界框中心點(diǎn)位置通過(guò)線性插值法獲取，具體包括：將距離低置信度幀最近的高置信度幀的目標(biāo)物類別作為低置信度幀的目標(biāo)物類別；將低置信度幀之前的最近的高置信度幀和之后的最近的高置信度幀作為插值的起點(diǎn)和終點(diǎn)，并據(jù)此計(jì)算低置信度幀的邊界框的寬度、邊界框的高度和邊界框中心點(diǎn)的位置。

16、進(jìn)一步地，通過(guò)人工模擬的方式獲取目標(biāo)檢測(cè)模型的樣本數(shù)據(jù)，通過(guò)人工標(biāo)注的方式獲取目標(biāo)檢測(cè)模型的樣本標(biāo)簽。

17、進(jìn)一步地，在目標(biāo)檢測(cè)模型訓(xùn)練之前先對(duì)第一目標(biāo)圖像的n個(gè)視頻幀進(jìn)行預(yù)訓(xùn)練，在預(yù)訓(xùn)練的過(guò)程中，將第一目標(biāo)圖像的n個(gè)視頻幀輸入到分類器中，分類器的分類空間表示目標(biāo)物的類別。

18、進(jìn)一步地，目標(biāo)檢測(cè)模型的損失函數(shù)包括：用于分類的交叉熵?fù)p失函數(shù)、用于邊界框的l1損失函數(shù)和用于置信度的二元交叉熵?fù)p失函數(shù)，總損失函數(shù)為：ltotal＝λclslcls+λreglreg+λconflconf，其中l(wèi)cls、lreg和lconf分別為交叉熵?fù)p失函數(shù)、l1損失函數(shù)和二元交叉熵?fù)p失函數(shù)，λcls、λreg和λconf分別為交叉熵?fù)p失函數(shù)、l1損失函數(shù)和二元交叉熵?fù)p失函數(shù)的權(quán)重參數(shù)。

19、進(jìn)一步地，使用目標(biāo)檢測(cè)模型第一次輸出的結(jié)果初始化跟蹤器，設(shè)置目標(biāo)物的初始位置及邊界框的寬度和高度，并在隨后的每一幀中通過(guò)跟蹤算法預(yù)測(cè)目標(biāo)物的新位置，將其與目標(biāo)檢測(cè)獲得的邊界框中心點(diǎn)位置結(jié)合，更新目標(biāo)物在視頻幀中的位置，并將每一幀的目標(biāo)物位置保存到軌跡列表里，從而形成目標(biāo)物的運(yùn)動(dòng)軌跡。

20、本發(fā)明還提供一種計(jì)算設(shè)備，包括：

21、一個(gè)或多個(gè)處理器；

22、存儲(chǔ)裝置，用于存儲(chǔ)一個(gè)或多個(gè)程序，當(dāng)所述一個(gè)或多個(gè)程序被所述一個(gè)或多個(gè)處理器執(zhí)行，使得所述一個(gè)或多個(gè)處理器實(shí)現(xiàn)所述的系統(tǒng)。

23、本發(fā)明還提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中存儲(chǔ)有程序，該程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)所述的系統(tǒng)。

24、本發(fā)明的有益效果在于：本發(fā)明通過(guò)構(gòu)建并訓(xùn)練目標(biāo)檢測(cè)模型得到目標(biāo)物邊界框中心點(diǎn)在圖像中每一幀的位置，并結(jié)合跟蹤算法更新目標(biāo)物位置，提高了目標(biāo)物源頭位置的準(zhǔn)確性。

技術(shù)特征：

1.一種基于人工智能的高空墜物追溯系統(tǒng)，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的一種基于人工智能的高空墜物追溯系統(tǒng)，其特征在于，預(yù)處理的步驟包括：

3.根據(jù)權(quán)利要求1所述的一種基于人工智能的高空墜物追溯系統(tǒng)，其特征在于，目標(biāo)檢測(cè)模型基于卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建，通過(guò)對(duì)目標(biāo)檢測(cè)模型訓(xùn)練得到目標(biāo)物的類別、邊界框的寬度、邊界框高度、邊界框中心點(diǎn)位置和置信度，邊界框表示包含目標(biāo)物在內(nèi)的矩形，置信度表示目標(biāo)物在邊界框內(nèi)的概率，同時(shí)設(shè)置置信度閾值，對(duì)于低于置信度閾值的視頻幀，不采用其輸出的目標(biāo)物類別、邊界框?qū)挾?、邊界框高度和邊界框中心點(diǎn)位置，通過(guò)線性插值法替換所述視頻幀經(jīng)過(guò)目標(biāo)檢測(cè)模型輸出的目標(biāo)物類別、邊界框?qū)挾?、邊界框高度和邊界框中心點(diǎn)位置。

4.根據(jù)權(quán)利要求3所述的一種基于人工智能的高空墜物追溯系統(tǒng)，其特征在于，對(duì)于低于置信度閾值的視頻幀的目標(biāo)物類別、邊界框?qū)挾?、邊界框高度和邊界框中心點(diǎn)位置通過(guò)線性插值法獲取，具體包括：將距離低置信度幀最近的高置信度幀的目標(biāo)物類別作為低置信度幀的目標(biāo)物類別；將低置信度幀之前的最近的高置信度幀和之后的最近的高置信度幀作為插值的起點(diǎn)和終點(diǎn)，并據(jù)此計(jì)算低置信度幀的邊界框的寬度、邊界框的高度和邊界框中心點(diǎn)的位置。

5.根據(jù)權(quán)利要求1所述的一種基于人工智能的高空墜物追溯系統(tǒng)，其特征在于，通過(guò)人工模擬的方式獲取目標(biāo)檢測(cè)模型的樣本數(shù)據(jù)，通過(guò)人工標(biāo)注的方式獲取目標(biāo)檢測(cè)模型的樣本標(biāo)簽。

6.根據(jù)權(quán)利要求1所述的一種基于人工智能的高空墜物追溯系統(tǒng)，其特征在于，在目標(biāo)檢測(cè)模型訓(xùn)練之前先對(duì)第一目標(biāo)圖像的n個(gè)視頻幀進(jìn)行預(yù)訓(xùn)練，在預(yù)訓(xùn)練的過(guò)程中，將第一目標(biāo)圖像的n個(gè)視頻幀輸入到分類器中，分類器的分類空間表示目標(biāo)物的類別。

7.根據(jù)權(quán)利要求1所述的一種基于人工智能的高空墜物追溯系統(tǒng)，其特征在于，目標(biāo)檢測(cè)模型的損失函數(shù)包括：用于分類的交叉熵?fù)p失函數(shù)、用于邊界框的l1損失函數(shù)和用于置信度的二元交叉熵?fù)p失函數(shù)，總損失函數(shù)為：ltotal＝λclslcls+λreglreg+λconflconf，其中l(wèi)cls、lreg和lconf分別為交叉熵?fù)p失函數(shù)、l1損失函數(shù)和二元交叉熵?fù)p失函數(shù)，λcls、λreg和λconf分別為交叉熵?fù)p失函數(shù)、l1損失函數(shù)和二元交叉熵?fù)p失函數(shù)的權(quán)重參數(shù)。

8.根據(jù)權(quán)利要求1所述的一種基于人工智能的高空墜物追溯系統(tǒng)，其特征在于，使用目標(biāo)檢測(cè)模型第一次輸出的結(jié)果初始化跟蹤器，設(shè)置目標(biāo)物的初始位置及邊界框的寬度和高度，并在隨后的每一幀中通過(guò)跟蹤算法預(yù)測(cè)目標(biāo)物的新位置，將其與目標(biāo)檢測(cè)獲得的邊界框中心點(diǎn)位置結(jié)合，更新目標(biāo)物在視頻幀中的位置，并將每一幀的目標(biāo)物位置保存到軌跡列表里，從而形成目標(biāo)物的運(yùn)動(dòng)軌跡。

9.一種計(jì)算設(shè)備，其特征在于，包括：

10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中存儲(chǔ)有程序，該程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1至8中任一項(xiàng)所述的系統(tǒng)。

技術(shù)總結(jié)
本發(fā)明涉及圖像數(shù)據(jù)處理技術(shù)領(lǐng)域，公開(kāi)了一種基于人工智能的高空墜物追溯系統(tǒng)，該種基于人工智能的高空墜物追溯系統(tǒng)，包括：圖像采集模塊，其用于采集目標(biāo)物的圖像數(shù)據(jù)；預(yù)處理模塊，其用于對(duì)圖像數(shù)據(jù)進(jìn)行預(yù)處理獲得第一目標(biāo)圖像；目標(biāo)檢測(cè)模塊，其用于根據(jù)第一目標(biāo)圖像構(gòu)建目標(biāo)檢測(cè)模型，目標(biāo)檢測(cè)模型的輸出為第一特征序列；軌跡生成模塊，其用于根據(jù)第一特征序列結(jié)合跟蹤算法生成目標(biāo)物的運(yùn)動(dòng)軌跡。本發(fā)明通過(guò)構(gòu)建并訓(xùn)練目標(biāo)檢測(cè)模型得到目標(biāo)物邊界框中心點(diǎn)在圖像中每一幀的位置，并結(jié)合跟蹤算法更新目標(biāo)物位置，提高了目標(biāo)物源頭位置的準(zhǔn)確性。

技術(shù)研發(fā)人員：吳長(zhǎng)海,劉東才
受保護(hù)的技術(shù)使用者：艾索擘（上海）科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6