一种基于视频数据的遗留物检测分析方法与流程

1.本发明涉及视频图像数据检测技术领域，特别涉及一种基于视频数据的遗留物检测分析方法。


背景技术：

2.目前，目前，深度学习技术快速发展，深度学习技术在图像分类、自然语言处理、人脸识别领域得到了快速发展和广泛应用。卷积神经网络(convolution neural network，cnn)在计算机视觉领域与图像识别上表现优异，通过cnn网络可以提取深层的图像信息，学习到更为复杂的高层语义信息，对复杂场景下的图像，可以克服噪声的干扰。在卷积神经网络中常用的网络结构有alexnet、vgg、resnet，googlenet等，使用上述网络进行提取图像的特征，最后应用于图像分割任务。针对高速路面上的遗留物，会对过往的车辆造成一定程度的干扰，容易引发交通事故；针对室外场景下的遗留物，大多数采用检测和识别的技术，如申请号为“201510268000.4”的“一种快速的遗留物检测方法及系统”，通过分散度过滤和加权滑动平均系数过滤的过滤结构进行静止目标分类，得到遗留物；由于路面上的遗留物并没有固定的类别，遗留物的种类较多；采用图像检测和识别的技术，只能识别到固定的类别遗留物，并不能检测到所有的遗留物；因此，为了解决这个问题，本发明采用深度学习的图像分割方法，根据路面上的遗留物，进行实时的检测和分割，从而识别出来遗留物。


技术实现要素：

3.本发明提供一种基于视频数据的遗留物检测分析方法，用以解决无法高效准确识别目标区域中的所有遗留物的情况。
4.本发明提供了一种基于视频数据的遗留物检测分析方法，包括：
5.步骤一：通过预设的摄像装置进行数据采集，获取图像数据；
6.步骤二：通过预设的处理系统对所述图像数据进行标注分析，生成标注策略，并进行标注处理，获取标注图像；
7.步骤三：通过对所述标注图像进行图像分割，获取图像分割数据；
8.步骤四：根据所述图像分割数据，构建遗留物检测模型，通过对所述遗留物检测模型进行特征提取，生成遗留物检测结果。
9.作为本技术方案的一种实施例，在于所述步骤一包括：
10.通过在预设范围内部署预设数量的摄像组，所述摄像组包括：第一摄像组、第二摄像组；
11.通过第一摄像组在第一预设时间内，按照预设的第一采集频率进行数据采集，获取第一图像数据；
12.通过第二摄像组在第二预设时间内，按照预设的第二采集频率进行数据采集，获取第二图像数据；
13.通过第一摄像组和第二摄像组在第三预设时间内，按照预设的第三采集频率，分
别进行数据采集，并进行数据整理，生成第三图像数据。
14.作为本技术方案的一种实施例，在于所述步骤二包括：
15.通过对图像数据依次进行标号，分别获取对应的标号图像组；其中；
16.所述图像数据包括：第一图像数据、第二图像数据、第三图像数据；
17.所述标号图像组包括：第一标号图像组、第二标号图像组、第三标号图像组；
18.通过对标号图像组中的标号图像依次进行判断，判断所述标号图像的标号是否与预设标号一致，若是，则将标号图像标记为模板图像。
19.作为本技术方案的一种实施例，在于所述步骤二还包括：
20.通过将标号图像组中的标号图像分别与对应的模板图像进行对比分析，获取图像偏差信息，根据所述图像偏差信息，确定图像标注策略；其中，
21.所述标注策略包括：单一标注策略、多元标注策略；其中；
22.所述单一标注策略包括：根据预设的一种标注类型进行图像标注；
23.所述多元标注策略包括：根据预设的两种及两种以上标注类型进行图像标注；其中，
24.所述标注类型包括：位置标注、时间标注、变化量标注。
25.作为本技术方案的一种实施例，在于所述步骤二还包括：
26.通过图像标注策略，对标号图像依次进行标注处理，生成标注信息；
27.所述标注处理包括：类别标注、位置标注、颜色标注；
28.根据所述标注信息依次进行标注检测，确定标注完整度，并进行判断；其中，
29.当所述标注完整度大于预设阈值时，则获取标注图像；
30.当所述标注完整度小于等于预设阈值时，则进行二次标注。
31.作为本技术方案的一种实施例，在于所述步骤三包括以下步骤：
32.步骤s01：通过对标注图像依次进行预处理，获取预处理图像；其中，
33.所述预处理包括：缩放处理、去模糊处理；
34.步骤s02：对所述预处理图像进行归一化处理，获取归一化图像；其中，
35.所述归一化处理包括：遍历标准化处理、标准正态分布处理；
36.步骤s03：通过预设的损失函数对所述归一化图像进行损失计算，确定图像损失值；
37.步骤s04：根据所述图像损失值对归一化图像进行类别划分，确定类别区域，并进行图像分割，生成分割图像，获取图像分割数据。
38.作为本技术方案的一种实施例，在于所述图像分割包括：
39.通过将归一化图像传输至预设的神经网络模型，进行图像训练，获取图像训练信息；其中，
40.所述图像训练信息包括：分布信息、位置信息；
41.通过预设的空间旋转注意力模块和所述图像训练信息，构建空间权重矩阵，根据所述空间权重矩阵进行特征提取，获取第一特征数据；
42.通过预设的翻译图像模块对训练图像进行结构化分析，获取结构化特征数据，将所述结构化特征数据与第一特征数据进行特征融合，生成第二特征数据；
43.根据所述第一特征数据和第二特征数据进行实例分割，生成分割图像，获取图像
分割数据。
44.作为本技术方案的一种实施例，在于所述步骤四，包括图像像素提取：
45.所述图像像素提取包括以下步骤：
46.步骤s10：根据预设条件对分割图片进行压缩处理，获取分割图片的压缩数据，根据所述压缩数据和图像分割数据，确定图像参数；其中，
47.所述压缩数据包括：压缩横轴数据、压缩纵轴数据；
48.所述图像参数包括：图像通道、图像维度；
49.步骤s20：通过所述图像参数和预设的对照参数进行参数对比，获取参数对比值，并进行判断；其中，
50.当所述参数对比值在预设的阈值范围内时，获取图像像素参数；
51.当所述参数对比值不在预设的阈值范围内时，则对所述图像参数进行提升处理，获取图像像素参数；
52.步骤s30：通过所述图像像素参数建立遗留物第一检测模型，根据所述遗留物第一检测模型进行嵌入特征提取，获取图像第一嵌入特征。
53.作为本技术方案的一种实施例，在于所述步骤四还包括：
54.通过图像分割数据和预设的图像补丁数据对照表进行筛选，获取图像补丁数据，将所述图像补丁数据输入至预设模型中的嵌入层，获取图像数据向量组；其中，
55.所述图像数据向量组中的数据向量包括令牌向量；
56.通过对所述令牌向量进行叠加处理，并进行排序，获取序列图像，根据排序顺序对所述序列图像和预设的对照图像进行预设次数的图像堆叠，生成叠加处理图像，并进行特征分析，获取图像第二嵌入特征。
57.作为本技术方案的一种实施例，在于所述步骤四还包括：
58.通过将图像第一嵌入特征和图像第二嵌入特征输入预设的分段模块中，并调用预设的归一化指数函数，进行图像分部估计，获取图像分部概率；其中，
59.所述分段模块为全连接神经网络结构；
60.通过根据图像分割数据对图像进行分类分析，获取图像分类损失；
61.通过预设的多层感知器对所述图像分部概率和图像分类损失进行转换分析，并通过预设的激活函数进行预测分析，获取遗留物图像预测数据，确定遗留物识别信息。
62.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
63.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
64.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
65.图1为本发明实施例中一种基于视频数据的遗留物检测分析方法的流程图；
66.图2为本发明实施例中一种基于视频数据的遗留物检测分析方法中步骤三的流程图；
67.图3为本发明实施例中一种基于视频数据的遗留物检测分析方法中图像像素提取的流程图。
具体实施方式
68.以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
69.需说明的是，当部件被称为“固定于”或“设置于”另一个部件，它可以直接在另一个部件上或者间接在该另一个部件上。当一个部件被称为是“连接于”另一个部件，它可以是直接或者间接连接至该另一个部件上。
70.需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
71.此外，需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序，“多个”的含义是两个或两个以上，除非另有明确具体的限定。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
72.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
73.本发明可以根据视频数据的采集场景适配不同数量和不同位置分布的摄像装置，获取符合场景和采集任务需要的图像数据；针对不同的图像数据，生成不同的标注策略，对图像进行标注，在保障图像数据标注准确性的同时，通过大量数据进行训练后，标注分析速度及图像标注速度则会越来越快；再对标注图像进行图像分割，根据分割数据建立遗留物检测模型，不同场景下不同复杂度的遗留物情况，最后生成的遗留物检测模型也不相同，此时对遗留物检测模型进行特征提取，生成检测结果，可以提高不同复杂程度的场景的遗留物检测结果准确度。
74.实施例1：
75.本发明实施例提供了一种基于视频数据的遗留物检测分析方法，包括：
76.步骤一：通过预设的摄像装置进行数据采集，获取图像数据；
77.步骤二：通过预设的处理系统对所述图像数据进行标注分析，生成标注策略，并进行标注处理，获取标注图像；
78.步骤三：通过对所述标注图像进行图像分割，获取图像分割数据；
79.步骤四：根据所述图像分割数据，构建遗留物检测模型，通过对所述遗留物检测模型进行特征提取，生成遗留物检测结果；
80.上述技术方案的工作原理为：现有技术方案中，一般通过视频获取图像后，对图像从重点出发对每部分进行识别，或从端点开始进行识别，遇到复杂图像时，无法将图像中的
信息全面识别出来；上述技术方案中，如图1所示，通过摄像装置采集图像，设置10台摄像机，部署在不同的高速路口采集数据，采集早上时间段8：00-12:00的数据，针对相同视角下的高速路口采集数据，每间隔一秒中存储一张图像，对其进行定义，采集下午时间段12:00-17:00的数据，在不同视角下的高速路口采集数据，每间隔2秒存储一张图像，对其进行定义，以此类推，将10台相机全部完成数据采集，存储图像数据；再对图像数据进行标注分析，生成标注策略，并进行标注处理，获取标注图像，将每个相机下存储的数据进行标号，将标号为1的下的图像，选取一张图像作为模板图像，其余图像作为代为标注的样本，根据选取的模板，标记出与模板不同物体位置信息，依次将10个相机的图像标注完成；对标注图像进行图像分割，获取图像分割数据，图像分割将标注的图像进行统一处理和归一化处理，获取图像分割数据；最后根据图像分割数据，构建遗留物检测模型，通过对遗留物检测模型进行特征提取，生成遗留物检测结果；
81.上述技术方案的有益效果为：通过对图像数据进行标注分析，提高了标注策略的准确性和标注效率，也为后续图像进行分割提供操作基础，通过对标注图像进行图像分割，提高了图像处理效率和图像遗留物识别的完整性，通过构建遗留物检测模型，进行特征提取，提高了遗留物检测的精准性和全面性。
82.实施例2：
83.在一个实施例中，所述步骤一包括：
84.通过在预设范围内部署预设数量的摄像组，所述摄像组包括：第一摄像组、第二摄像组；
85.通过第一摄像组在第一预设时间内，按照预设的第一采集频率进行数据采集，获取第一图像数据；
86.通过第二摄像组在第二预设时间内，按照预设的第二采集频率进行数据采集，获取第二图像数据；
87.通过第一摄像组和第二摄像组在第三预设时间内，按照预设的第三采集频率，分别进行数据采集，并进行数据整理，生成第三图像数据；
88.上述技术方案的工作原理为：现有技术方案中，一般通过多设备连接同时采集，来获取图片数据并进行分析，这种方法对图片中大体积物体识别效果较好，但应对多种类小体积物体时，则不能全面识别，上述技术方案中，通过设置摄像组：第一摄像组、第二摄像组，此时可以设置二组到十组摄像组，第一摄像组的任务是在第一预设时间内根据固定频率进行数据采集，剩余的摄像组分别在对应的时间内，以对应的固定频率进行数据采集，最后将所有的数据进行对照整理，生成最终图像数据，本发明为第三图像数据，如果有十组摄像组，则此时获取第十图像数据；
89.上述技术方案的有益效果为：通过多摄像组设置，通过一个固定采集，剩余的为辅助对照采集，最后进行综合分析，极大提高了识别图像的数据广度，提高了图像数据的完整性，增强了图像数据采集效率。
90.实施例3：
91.在一个实施例中，步骤二包括：
92.通过对图像数据依次进行标号，分别获取对应的标号图像组；其中；
93.所述图像数据包括：第一图像数据、第二图像数据、第三图像数据；
94.所述标号图像组包括：第一标号图像组、第二标号图像组、第三标号图像组；
95.通过对标号图像组中的标号图像依次进行判断，判断所述标号图像的标号是否与预设标号一致，若是，则将标号图像标记为模板图像；
96.上述技术方案的工作原理为：现有技术方案中，一般对图像进行分类，获取图像分类信息，这种方法对常见类别的物体可以快速识别出来，但对于小众物体却很难识别，甚至不能识别，上述技术方案中，对图像依次进行标号，获取对应的标号图像组，标号图像组中有多个标号图像，依次进行判断，判断所述标号图像的标号是否与预设标号一致，若是，则将标号图像标记为模板图像；
97.上述技术方案的有益效果为：通过对图像进行标号，极大提高了了图像可使用性，并增强了图像使用效率，通过标号判断，提高图像的适用性，为后续图像分析打下良好基础。
98.实施例4：
99.在一个实施例中，步骤二还包括：
100.通过将标号图像组中的标号图像分别与对应的模板图像进行对比分析，获取图像偏差信息，根据所述图像偏差信息，确定图像标注策略；其中，
101.所述标注策略包括：单一标注策略、多元标注策略；其中；
102.所述单一标注策略包括：根据预设的一种标注类型进行图像标注；
103.所述多元标注策略包括：根据预设的两种及两种以上标注类型进行图像标注；其中，
104.所述标注类型包括：位置标注、时间标注、变化量标注；
105.上述技术方案的工作原理为：一般技术方案中，通过从上到下依次对图像中的物体进行识别或者标记，这种方法有使用的局限性和低效性，上述技术方案中，通过将标号图像组中的标号图像分别与对应的模板图像进行对比分析，获取图像偏差信息，根据所述图像偏差信息，确定图像标注策略，标注策略包括：单一标注策略、多元标注策略，单一标注策略包括：根据预设的一种标注类型进行图像标注，多元标注策略包括：根据预设的两种及两种以上标注类型进行图像标注，标注类型包括：位置标注、时间标注、变化量标注；
106.上述技术方案的有益效果为：通过多种标注策略，提高图像标注的准确性和标注效率，通过多元标注策略，提高了图像标注可行性，扩大了标注适用范围。
107.实施例5：
108.在一个实施例中，步骤二还包括：
109.通过图像标注策略，对标号图像依次进行标注处理，生成标注信息；
110.所述标注处理包括：类别标注、位置标注、颜色标注；
111.根据所述标注信息依次进行标注检测，确定标注完整度，并进行判断；其中，
112.当所述标注完整度大于预设阈值时，则获取标注图像；
113.当所述标注完整度小于等于预设阈值时，则进行二次标注；
114.上述技术方案的工作原理为：通过图像标注策略，对标号图像依次进行标注处理，生成标注信息；包括：类别标注、位置标注、颜色标注；根据所述标注信息依次进行标注检测，确定标注完整度，并进行判断，当所述标注完整度大于预设阈值时，则获取标注图像，当所述标注完整度小于等于预设阈值时，则进行二次标注；对图像中的标记信息进行检测，同
时对图像标注进行判断，判断其是否符合预设的标注准则，这里需要说明的时，标注准则可以根据图像检测目的进行调整修改；所述确定标注完整度还包括检测标注精准度；其中，
115.所述检测标注精准度，包括以下步骤：
116.步骤100：获取标号图像组{x1，x2，...，xn}和预设的标注组{y1，y2，...，ym}，建立方程组：
[0117][0118]
其中，xi为标号图像组中第i个图像，xd为对照图像，为标号图像组中第i个图像与对照图像的参照值；θ为第一参照系数，μ为第二参照系数，e为自然对数，为标号图像组中第i个图像与对照图像的相似度，为标号图像组中第i个图像与对照图像的关联值，为在图像组中前i个图像的方差，为对照图像的方差，为标号图像组中第i个图像与对照图像的协方差；
[0119]
步骤s200：根据所述方程组，求解相似度
[0120][0121]
其中，τ为相似系数；
[0122]
步骤s300：根据所述相似度计算图像标注的精准度ω：
[0123][0124]
其中，pi为标号图像组中第i个图像的全部标注中正确的标注数量，ti为标号图像组中第i个图像的预测标注数量，ci为标号图像组中第i个图像的实际标注数量；
[0125]
上述技术方案的有益效果为：通过标注处理，提高了图像的辨识度，提高了图像处理的可行性，通过判断标注完整度，降低了标注错误率。
[0126]
实施例6：
[0127]
在一个实施例中，步骤三包括以下步骤：
[0128]
步骤s01：通过对标注图像依次进行预处理，获取预处理图像；其中，
[0129]
所述预处理包括：缩放处理、去模糊处理；
[0130]
步骤s02：对所述预处理图像进行归一化处理，获取归一化图像；其中，
[0131]
所述归一化处理包括：遍历标准化处理、标准正态分布处理；
[0132]
步骤s03：通过预设的损失函数对所述归一化图像进行损失计算，确定图像损失值；
[0133]
步骤s04：根据所述图像损失值对归一化图像进行类别划分，确定类别区域，并进
行图像分割，生成分割图像，获取图像分割数据；
[0134]
上述技术方案的工作原理为：如图2所示，首先，对标注图像依次进行缩放处理和去模糊处理，获取预处理图像；其次，对预处理图像进行遍历标准化处理和标准正态分布处理，获取归一化图像；然后，通过预设的损失函数对归一化图像进行损失计算，确定图像损失值；最后根据图像损失值对归一化图像进行类别划分，确定类别区域，并进行图像分割，生成分割图像，获取图像分割数据；对图像进行缩放处理，具体的缩放类型可根据不同图像进行不同的缩放调整，同时，损失函数需要根据图像中遗留物遮挡情况进行分析，若图像中遗留物为大体遗留物，则可适当调整损失函数的计算，甚至不进行损失函数计算；
[0135]
上述技术方案的有益效果为：通过对图像进行归一化处理，提高了图像分析的准确性，通过损失函数，降低了图像分析难度，提高了图像的精准度，最后对图像进行分割，极大降低了图像遗留物识别难度。
[0136]
实施例7：
[0137]
在一个实施例中，图像分割包括：
[0138]
通过将归一化图像传输至预设的神经网络模型，进行图像训练，获取图像训练信息；其中，
[0139]
所述图像训练信息包括：分布信息、位置信息；
[0140]
通过预设的空间旋转注意力模块和所述图像训练信息，构建空间权重矩阵，根据所述空间权重矩阵进行特征提取，获取第一特征数据；
[0141]
通过预设的翻译图像模块对训练图像进行结构化分析，获取结构化特征数据，将所述结构化特征数据与第一特征数据进行特征融合，生成第二特征数据；
[0142]
根据所述第一特征数据和第二特征数据进行实例分割，生成分割图像，获取图像分割数据；
[0143]
上述技术方案的工作原理为：通过神经网络模型对归一化图像进行图像训练，获取图像分布信息和位置信息，通过预设的空间旋转注意力模块和所述图像训练信息，构建空间权重矩阵，根据所述空间权重矩阵进行特征提取，获取第一特征数据，通过预设的翻译图像模块对训练图像进行结构化分析，获取结构化特征数据，将所述结构化特征数据与第一特征数据进行特征融合，生成第二特征数据；结合第一特征数据和第二特征数据，实行实例分割，生成分割图像，获取图像分割数据，实例分割对图像中不同标记的遗留物用不同的颜色进行区分；
[0144]
上述技术方案的有益效果为：通过训练图像，提高了图像中分布信息和位置信息的准确性，通过空间旋转注意力模块，提高了图像第一特征获取效率和第一特征的准确性，通过实例分割，使得图像标注更加清晰，提高了图像分割效率。
[0145]
实施例8：
[0146]
在一个实施例中，步骤四，包括图像像素提取：
[0147]
所述图像像素提取包括以下步骤：
[0148]
步骤s10：根据预设条件对分割图片进行压缩处理，获取分割图片的压缩数据，根据所述压缩数据和图像分割数据，确定图像参数；其中，
[0149]
所述压缩数据包括：压缩横轴数据、压缩纵轴数据；
[0150]
所述图像参数包括：图像通道、图像维度；
[0151]
步骤s20：通过所述图像参数和预设的对照参数进行参数对比，获取参数对比值，并进行判断；其中，
[0152]
当所述参数对比值在预设的阈值范围内时，获取图像像素参数；
[0153]
当所述参数对比值不在预设的阈值范围内时，则对所述图像参数进行提升处理，获取图像像素参数；
[0154]
步骤s30：通过所述图像像素参数建立遗留物第一检测模型，根据所述遗留物第一检测模型进行嵌入特征提取，获取图像第一嵌入特征；
[0155]
上述技术方案的工作原理为：如图3所示，首先对分割图片进行压缩处理，再根据图像分割数据，确定图像参数，包括：图像通道、图像维度；然后对比图像参数和预设的标准参数，计算出参数对比值，进行判断，判断参数对比值是否在预设的阈值范围内，若是，则获取图像像素参数，否则，进行提升处理，提升处理包括图像通道提升和图像维度提升，最后通过上述数据构建遗留物第一检测模型，并进行特征提取，确定图像第一嵌入特征；
[0156]
上述技术方案的有益效果为：通过压缩数据，提高数据的适用性，通过图像参数对比，提高图像分析的准确性和匹配度，通过构建模型，提取嵌入特征，提高了遗留物识别效率。
[0157]
实施例9：
[0158]
在一个实施例中，步骤四还包括：
[0159]
通过图像分割数据和预设的图像补丁数据对照表进行筛选，获取图像补丁数据，将所述图像补丁数据输入至预设模型中的嵌入层，获取图像数据向量组；其中，
[0160]
所述图像数据向量组中的数据向量包括令牌向量；
[0161]
通过对所述令牌向量进行叠加处理，并进行排序，获取序列图像，根据排序顺序对所述序列图像和预设的对照图像进行预设次数的图像堆叠，生成叠加处理图像，并进行特征分析，获取图像第二嵌入特征；
[0162]
上述技术方案的工作原理为：根据图像补丁数据对照表对图像分割数据进行分析，确定图像补丁数据，并输入至预设模型中的嵌入层，获取图像数据向量组，图像数据向量组中的数据向量包括令牌向量；然后对令牌向量进行叠加处理，并进行排序，获取序列图像；最后根据排序顺序对所述序列图像和预设的对照图像进行预设次数的图像堆叠，生成叠加处理图像，并进行特征分析，获取图像第二嵌入特征
[0163]
上述技术方案的有益效果为：通过图像补丁，提高了图像遗留物识别的完整性，通过令牌向量，降低了图像处理难度，提高了图像处理速度。
[0164]
实施例10：
[0165]
在一个实施例中，步骤四还包括：
[0166]
通过将图像第一嵌入特征和图像第二嵌入特征输入预设的分段模块中，并调用预设的归一化指数函数，进行图像分部估计，获取图像分部概率；其中，
[0167]
所述分段模块为全连接神经网络结构；
[0168]
通过根据图像分割数据对图像进行分类分析，获取图像分类损失；
[0169]
通过预设的多层感知器对所述图像分部概率和图像分类损失进行转换分析，并通过预设的激活函数进行预测分析，获取遗留物图像预测数据，确定遗留物识别信息；
[0170]
上述技术方案的工作原理为：针对上述获取的图像第一嵌入特征和图像第二嵌入
特征，通过预设的分段模块进行归一化指数函数计算，完成图像分部估计，获取图像分部概率；这里的分段模块为全连接神经网络结构，然后根据图像分割数据对图像进行分类分析，获取图像分类损失，接下来通过预设的多层感知器对图像分部概率和图像分类损失进行转换分析，最后通过预设的激活函数进行预测分析，获取遗留物图像预测数据，确定遗留物识别信息；
[0171]
上述技术方案的有益效果为：通过分段模块对图像进行处理，提高了图像遗留物识别的全面性，通过多层感知器和图像分类损失转换分析，降低了图像遗留物在计算中出现偏差的概率，提高了遗留物识别效率。
[0172]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
[0173]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0174]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0175]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0176]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

技术特征：
1.一种基于视频数据的遗留物检测分析方法，包括：步骤一：通过预设的摄像装置进行数据采集，获取图像数据；步骤二：通过预设的处理系统对所述图像数据进行标注分析，生成标注策略，并进行标注处理，获取标注图像；步骤三：通过对所述标注图像进行图像分割，获取图像分割数据；步骤四：根据所述图像分割数据，构建遗留物检测模型，通过对所述遗留物检测模型进行特征提取，生成遗留物检测结果。2.如权利要求1所述的一种基于视频数据的遗留物检测分析方法，其特征在于，所述步骤一包括：通过在预设范围内部署预设数量的摄像组，所述摄像组包括：第一摄像组、第二摄像组；通过第一摄像组在第一预设时间内，按照预设的第一采集频率进行数据采集，获取第一图像数据；通过第二摄像组在第二预设时间内，按照预设的第二采集频率进行数据采集，获取第二图像数据；通过第一摄像组和第二摄像组在第三预设时间内，按照预设的第三采集频率，分别进行数据采集，并进行数据整理，生成第三图像数据。3.如权利要求1所述的一种基于视频数据的遗留物检测分析方法，其特征在于，所述步骤二包括：通过对图像数据依次进行标号，分别获取对应的标号图像组；其中；所述图像数据包括：第一图像数据、第二图像数据、第三图像数据；所述标号图像组包括：第一标号图像组、第二标号图像组、第三标号图像组；通过对标号图像组中的标号图像依次进行判断，判断所述标号图像的标号是否与预设标号一致，若是，则将标号图像标记为模板图像。4.如权利要求1所述的一种基于视频数据的遗留物检测分析方法，其特征在于，所述步骤二还包括：通过将标号图像组中的标号图像分别与对应的模板图像进行对比分析，获取图像偏差信息，根据所述图像偏差信息，确定图像标注策略；其中，所述标注策略包括：单一标注策略、多元标注策略；其中；所述单一标注策略包括：根据预设的一种标注类型进行图像标注；所述多元标注策略包括：根据预设的两种及两种以上标注类型进行图像标注；其中，所述标注类型包括：位置标注、时间标注、变化量标注。5.如权利要求1所述的一种基于视频数据的遗留物检测分析方法，其特征在于，所述步骤二还包括：通过图像标注策略，对标号图像依次进行标注处理，生成标注信息；所述标注处理包括：类别标注、位置标注、颜色标注；根据所述标注信息依次进行标注检测，确定标注完整度，并进行判断；其中，当所述标注完整度大于预设阈值时，则获取标注图像；当所述标注完整度小于等于预设阈值时，则进行二次标注。
6.如权利要求1所述的一种基于视频数据的遗留物检测分析方法，其特征在于，所述步骤三包括以下步骤：步骤s01：通过对标注图像依次进行预处理，获取预处理图像；其中，所述预处理包括：缩放处理、去模糊处理；步骤s02：对所述预处理图像进行归一化处理，获取归一化图像；其中，所述归一化处理包括：遍历标准化处理、标准正态分布处理；步骤s03：通过预设的损失函数对所述归一化图像进行损失计算，确定图像损失值；步骤s04：根据所述图像损失值对归一化图像进行类别划分，确定类别区域，并进行图像分割，生成分割图像，获取图像分割数据。7.如权利要求1所述的一种基于视频数据的遗留物检测分析方法，其特征在于，所述图像分割包括：通过将归一化图像传输至预设的神经网络模型，进行图像训练，获取图像训练信息；其中，所述图像训练信息包括：分布信息、位置信息；通过预设的空间旋转注意力模块和所述图像训练信息，构建空间权重矩阵，根据所述空间权重矩阵进行特征提取，获取第一特征数据；通过预设的翻译图像模块对训练图像进行结构化分析，获取结构化特征数据，将所述结构化特征数据与第一特征数据进行特征融合，生成第二特征数据；根据所述第一特征数据和第二特征数据进行实例分割，生成分割图像，获取图像分割数据。8.如权利要求1所述的一种基于视频数据的遗留物检测分析方法，其特征在于，所述步骤四，包括图像像素提取：所述图像像素提取包括以下步骤：步骤s10：根据预设条件对分割图片进行压缩处理，获取分割图片的压缩数据，根据所述压缩数据和图像分割数据，确定图像参数；其中，所述压缩数据包括：压缩横轴数据、压缩纵轴数据；所述图像参数包括：图像通道、图像维度；步骤s20：通过所述图像参数和预设的对照参数进行参数对比，获取参数对比值，并进行判断；其中，当所述参数对比值在预设的阈值范围内时，获取图像像素参数；当所述参数对比值不在预设的阈值范围内时，则对所述图像参数进行提升处理，获取图像像素参数；步骤s30：通过所述图像像素参数建立遗留物第一检测模型，根据所述遗留物第一检测模型进行嵌入特征提取，获取图像第一嵌入特征。9.如权利要求1所述的一种基于视频数据的遗留物检测分析方法，其特征在于，所述步骤四还包括：通过图像分割数据和预设的图像补丁数据对照表进行筛选，获取图像补丁数据，将所述图像补丁数据输入至预设模型中的嵌入层，获取图像数据向量组；其中，所述图像数据向量组中的数据向量包括令牌向量；
通过对所述令牌向量进行叠加处理，并进行排序，获取序列图像，根据排序顺序对所述序列图像和预设的对照图像进行预设次数的图像堆叠，生成叠加处理图像，并进行特征分析，获取图像第二嵌入特征。10.如权利要求1所述的一种基于视频数据的遗留物检测分析方法，其特征在于，所述步骤四还包括：通过将图像第一嵌入特征和图像第二嵌入特征输入预设的分段模块中，并调用预设的归一化指数函数，进行图像分部估计，获取图像分部概率；其中，所述分段模块为全连接神经网络结构；通过根据图像分割数据对图像进行分类分析，获取图像分类损失；通过预设的多层感知器对所述图像分部概率和图像分类损失进行转换分析，并通过预设的激活函数进行预测分析，获取遗留物图像预测数据，确定遗留物识别信息。

技术总结
本发明提供了一种基于视频数据的遗留物检测分析方法，包括：步骤一：通过预设的摄像装置进行数据采集，获取图像数据；步骤二：通过预设的处理系统对所述图像数据进行标注分析，生成标注策略，并进行标注处理，获取标注图像；步骤三：通过对所述标注图像进行图像分割，获取图像分割数据；步骤四：根据所述图像分割数据，构建遗留物检测模型，通过对所述遗留物检测模型进行特征提取，生成遗留物检测结果；通过对图像数据进行标注分析，提高了标注策略的准确性和标注效率，也为后续图像进行分割提供操作基础，通过对标注图像进行图像分割，提高了图像处理效率，通过构建遗留物检测模型，进行特征提取，提高了遗留物检测的精准性和全面性。提高了遗留物检测的精准性和全面性。提高了遗留物检测的精准性和全面性。


技术研发人员：战凯 项一东
受保护的技术使用者：北京商海文天科技发展有限公司
技术研发日：2022.02.21
技术公布日：2022/5/25