(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 202211120610.6 (22)申请日 2022.09.15 (71)申请人 浙江科技学院 地址 310023 浙江省杭州市西湖区留和路 318号 (72)发明人 项新建　胡海斌　姚佳娜　郑永平　 许宏辉　王科宇　翁云龙　吴善宝　 李可晗　颜超龙　 (74)专利代理 机构 浙江永鼎律师事务所 3 3233 专利代理师 周希良 (51)Int.Cl. G06V 20/54(2022.01) G06V 20/56(2022.01) G06V 10/34(2022.01) G06V 10/44(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) (54)发明名称 复杂光环境下的高速抛物检测与跟踪方法 及系统 (57)摘要 本发明属于高速抛物检测技术领域， 具体涉 及复杂光环境下的高速抛物检测与跟踪方法及 系统。 包括如下步骤： S1， 采集道路信息 图像， 并 对进行分帧； S2， 对首次出现抛物的帧进行抛物 检测与识别， 导入混合高斯模型， 获取前景图； 确 定抛物前景的闭轮廓， 并完成抛物前景轮廓模板 的初始化； S3， 获取前景目标， 并对前景图像做先 膨胀后腐蚀的形态学处理； S4， 引入Hu矩判别条 件， 做Hu矩阈值判别； S5， 引入预测框中心偏移判 别条件， 对预测框偏移距离进行限制； S6， 对不满 足Hu矩判别条件与预测框中心偏移判别条件的 帧， 视为跟踪失败， 并进行目标的重定位。 本发明 具有能有效提高在复杂光照环境下抛物检测准 确率的特点。 权利要求书2页 说明书6页 附图2页 CN 115546740 A 2022.12.30 CN 115546740 A 1.复杂光环境下的高速抛物检测与跟踪方法， 其特 征在于， 包括如下步骤： S1， 采集道路信息图像， 并对 采集的图像进行分帧； S2， 通过YOLOv3模型算法对首次出现抛物的帧进行抛物检测与识别， 将抛物存在的首 帧及抛物位置信息导入混合高斯模型， 获取前景图； 根据前景图并利用抛物位置信息确定 抛物前景的闭轮廓， 并完成抛物前 景轮廓模板的初始化； S3， 将采集图像的后续帧直接送入混合高斯模型获取前景目标， 并对前景图像做先膨 胀后腐蚀的形态学处 理； S4， 将YOLOv3模型算法输出的预测框， 在前景图中进行DSST首帧标定， 对DDST预测区域 进行闭轮廓提取， 同时引入Hu矩判别 条件， 将提取的DDST预测区域闭轮廓与前景轮廓模板 做Hu矩阈值判别； S5， 引入预测框中心偏移判别条件， 设定阈值X， 通过前后帧预测框中心的欧氏距离， 对 预测框偏移 距离进行限制； S6， 对不满足Hu矩判别条件与预测框中心偏移判别条件的帧， 视为跟踪失败， 并导入 YOLOv3模型算法中进行目标的重 定位， 初始化抛物目标信息 。 2.根据权利要求1所述的复杂光环境下的高速抛物检测与跟踪方法， 其特征在于， 步骤 S2中， 所述混合高斯模型建立的公式如下 所示： 其中， 表示样本参数 向量， 时间t时的样本集χT＝{x(t),...,x(t‑T)}用于表示在时间窗 口T内不断增加新样本更新背景模型； BG表示背景分量； FG表示前景分量； πm表示M个混合模 型的权重； η为高斯分布的概率密度函数； 与 分别为t时刻像素点的均值与协方差 矩阵， 其中 为高斯分布方差估计值， I 为单位矩阵。 3.根据权利要求1所述的复杂光环境下的高速抛物检测与跟踪方法， 其特征在于， 步骤 S3中所述对前 景图像做先膨胀后腐蚀的形态学处 理， 包括如下步骤： S31， 通过一个7 ×7的卷积核对前景轮廓进行膨胀处理， 将混合 高斯前景误分区域模糊 化扩张， 保持前 景轮廓的完整性； S32， 使用5 ×5的卷积核对膨胀后的前景轮廓进行腐蚀处理， 将前景物体边界细化保持 前景轮廓的特 征性， 并去除复杂环境引入前 景的细小噪声。 4.根据权利要求1所述的复杂光环境下的高速抛物检测与跟踪方法， 其特征在于， 步骤 S4中Hu矩建立式如下 所示： Hu＝(y30+3y)2+(3y21+y03)2                  (3‑2) ypq＝ μpq/ μ00r                        (3‑3) r＝(p+q+2)/2  p+q＝2， 3                 (3‑4) μpq＝ ∫ ∫(x‑x0)p(y‑y0)qf(x,y)dxdy               (3‑5) mpq＝ ∫ ∫xpyqf(x,y)dxdy                    (3‑6) x0＝m10/m00 y0＝m01/m00                 (3‑7) 其中， y30、 y21、 y03分别为p＝3,q＝0、 p＝2,q＝ 1、 p＝0,q＝3时的3阶归一化中心矩， μ00为权　利　要　求　书 1/2 页 2 CN 115546740 A 2p＝q＝0时的0阶中心矩， m10、 m01分别为p＝1,q＝0、 p＝0,q＝1时的1阶普通矩， m00为p＝q＝0 时的0阶普通矩； ypq为归一化中心矩， mpq与 μpq分别为普通矩与中心矩， r为中心矩的阶数； x0 与y0分别为中心矩的横纵坐标， f(x,y)为图像灰度分布函数， x、 y分别为图像像素点的横纵 坐标， p与q分别为矩的阶数。 5.根据权利要求1所述的复杂光环境下的高速抛物检测与跟踪方法， 其特征在于， 步骤 S5中所述欧氏距离公式如下 所示： 其中， Gthx和Gthy分别为前一帧预测框中心点的横、 纵坐标； Bboxx和Bboxy分别为后一帧预 测框中心点的横、 纵坐标； Xt为每帧中心点偏移误差 。 6.根据权利要求1所述的复杂光环境下的高速抛物检测与跟踪方法， 其特征在于， 步骤 S2中， 所述YOLOv3模型算法包括主干网络Darknet53、 特征融合模块Neck和预测模块 Predicti on。 7.复杂光环境下的高速抛物检测与跟踪系统， 其特 征在于， 包括： 图像采集与处 理模块， 用于采集道路信息图像， 并对 采集的图像进行分帧； 抛物检测与识别 模块， 用于通过YOLOv3模型算法对首次出现抛物的帧进行抛物检测与 识别， 将抛物存在的首帧及抛物位置信息导入混合高斯模型， 获取前景图； 根据前景图并利 用抛物位置信息确定抛物前 景的闭轮廓， 并完成抛物前 景轮廓模板的初始化； 形态学处理模块， 用于将采集图像的后续帧直接送入混合高斯模型获取前景目标， 并 对前景图像做先膨胀后腐蚀的形态学处 理； 标定模块， 用于将YOLOv3模型算法输出的预测框， 在前景图中进行DSST首帧标定， 对 DDST预测区域进行闭轮廓提取， 同时引入Hu矩判别条件， 将提取的DDST预测区域闭轮廓与 前景轮廓模板做Hu矩阈值判别； 预测框中心偏移判别模块， 用于引入预测框中心偏移判别条件， 设定阈值X， 通过前后 帧预测框中心的欧氏距离， 对预测框偏移 距离进行限制； 重定位模块， 用于对不满足Hu矩判别条件与预测框中心偏移判别条件的帧， 视为跟踪 失败， 并导入YOLOv3模型算法中进行目标的重 定位， 初始化抛物目标信息 。权　利　要　求　书 2/2 页 3 CN 115546740 A 3