摘要
车辆行驶过程掉落物品到道路上形成抛洒物，将对后续行驶车辆造成安全隐患，严重的将威胁到车上人员的生命财产安全。高速公路上车辆行驶速度普遍较快，抛洒物引起的交通事故将更加严重。因此，高速公路场景下的抛洒物检测和监管是非常必要的。随着深度学习技术的发展，道路抛洒物检测算法取得巨大进步，算法能够识别出实际场景中可能出现的抛洒物目标。不同于传统的异常检测，交通场景下环境更加复杂，准确识别道路上的抛洒物是一项非常重要的工作。另外，现有训练数据集样本少且高速公路抛洒物数据难以收集。针对以上问题，本文主要完成了以下相关工作： 首先，本文基于收集的真实高速公路抛洒物数据，结合数据重采样与目标混淆两种方法构建高速公路监控视角抛洒物数据集Expressway-Abandoned，总共包含9336张不同域的抛洒物图像。 其次，为了有效利用不同来源数据的抛洒物特征，本文提出基于域对抗学习的抛洒物检测算法。该方法通过最大化域分类器损失函数和最小化标签预测器损失函数的对抗过程，不断优化特征提取器提取不同域数据的最小差异特征，提高模型对多域数据的检测性能与泛化能力。在Expressway-Abandoned数据集和Fishyscapes基准验证数据集进行对比实验和消融实验，验证基于域对抗学习的抛洒物检测算法的有效性。 随后，在基于语义不确定和图像重建的抛洒物检测算法中，本文提出三个改进点：1)通过边界抑制和膨胀平滑方法，降低分割网络在实例边缘类别预测的不确定性并扩展实例空间内的语义不确定信息；2)改进重建特征差异计算，通过原始图像与重建图像的语义图特征差异信息，降低图像重建后图像中正常实例类别区域的特征差异；3)通过空间可分离交叉注意力算法增强全局特征和语义不确定、图像重建差异的特征融合。改进的抛洒物检测算法在Fishyscapes基准的验证数据集与RoadAnomaly测试数据集上进行对比实验和消融实验，最后将改进的方法与Fishyscapes以及Segmentmeifyoucan基准中各公开方法进行了比较，从而验证方法的有效性。 最后，基于本文提出的抛洒物检测算法设计并实现高速公路场景下的抛洒物检测系统。本系统能够对道路监控视频中的抛洒物进行实时监测并及时报警。
NETL