一种基于人工智能的高空坠物追溯系统的制作方法

本发明属于图像数据处理，具体涉及一种基于人工智能的高空坠物追溯系统。

背景技术：

1、高空坠物事故在城市高层建筑中时有发生，严重威胁到行人的生命财产安全。随着城市化进程的加快，高层建筑越来越多，因高空抛物或坠物引发的伤害事件也逐年增多。这类事故不仅会造成直接的人员伤亡和财产损失，还可能引发法律纠纷和社会矛盾，已成为城市安全管理中的一大难题。

2、目前，针对高空坠物的追溯方法主要依赖于目击者证言和现场监控录像。这些方法在一定程度上能够帮助确定坠物的来源，但普遍存在效率低、准确性差、取证困难等问题。目击者证言往往因视角局限或记忆模糊而不够可靠，根据监控录像追溯则耗时费力，且容易因视频质量低下或信息缺失导致结果不准确。

3、因此，亟须一种高空坠物追溯系统以解决上述问题。

技术实现思路

1、本发明提供一种基于人工智能的高空坠物追溯系统，解决相关技术中效率低、准确性差、取证困难以及人力成本高的技术问题。

2、本发明提供了一种基于人工智能的高空坠物追溯系统，包括：

3、图像采集模块，其用于采集目标物的图像数据；

4、图像数据包括从目标物出现到目标物消失或落地的视频数据；

5、预处理模块，其用于对图像数据进行预处理获得第一目标图像，其中第一目标图像包含n个连续的视频帧，n为自定义参数；

6、目标检测模块，其用于根据第一目标图像构建目标检测模型，目标检测模型的输入为第一目标图像，输出为第一特征序列，其中第一特征序列的第n个序列单元表示第n个视频帧的目标物类别、边界框宽度、边界框高度、边界框中心点位置以及置信度，其中1≤n≤n；

7、轨迹生成模块，其用于根据第一特征序列结合跟踪算法生成目标物的运动轨迹。

8、进一步地，预处理的步骤包括：

9、步骤s201，通过对图像数据进行噪声去除处理，其中σ是高斯滤波器的标准差，α表示高斯滤波器的权重系数，gx，y表示位于x，y的高斯函数值，即该点的权重；

10、步骤s202，通过对图像数据进行增强处理，其中hu，v表示滤波器的频率响应，du，v表示频率域中的距离函数，d0表示截止频率，n表示滤波器的阶数，用于控制滤波器在截止频率附近的陡峭程度，β表示高通滤波器的权重系数；

11、步骤s203，通过分离出目标物，并将其在视频帧中框选出，其中itx，y表示视频帧图像，x，y为空间坐标，表示图像中的像素位置，bx，y表示背景模型，itx，y-bx，y表示每一帧图像与背景模型之间的像素差异，t表示第一阈值，mx，y表示目标物掩码，目标物掩码由1和0组成；

12、步骤s204，将图像数据按照时间顺序逆序排列；

13、步骤s205，对图像数据通过z分数归一化方法进行归一化处理。

14、进一步地，目标检测模型基于卷积神经网络构建，通过对目标检测模型训练得到目标物的类别、边界框的宽度、边界框高度、边界框中心点位置和置信度，边界框表示包含目标物在内的矩形，置信度表示目标物在边界框内的概率，同时设置置信度阈值，对于低于置信度阈值的视频帧，不采用其输出的目标物类别、边界框宽度、边界框高度和边界框中心点位置，通过线性插值法替换所述视频帧经过目标检测模型输出的目标物类别、边界框宽度、边界框高度和边界框中心点位置。

15、进一步地，对于低于置信度阈值的视频帧的目标物类别、边界框宽度、边界框高度和边界框中心点位置通过线性插值法获取，具体包括：将距离低置信度帧最近的高置信度帧的目标物类别作为低置信度帧的目标物类别；将低置信度帧之前的最近的高置信度帧和之后的最近的高置信度帧作为插值的起点和终点，并据此计算低置信度帧的边界框的宽度、边界框的高度和边界框中心点的位置。

16、进一步地，通过人工模拟的方式获取目标检测模型的样本数据，通过人工标注的方式获取目标检测模型的样本标签。

17、进一步地，在目标检测模型训练之前先对第一目标图像的n个视频帧进行预训练，在预训练的过程中，将第一目标图像的n个视频帧输入到分类器中，分类器的分类空间表示目标物的类别。

18、进一步地，目标检测模型的损失函数包括：用于分类的交叉熵损失函数、用于边界框的l1损失函数和用于置信度的二元交叉熵损失函数，总损失函数为：ltotal＝λclslcls+λreglreg+λconflconf，其中lcls、lreg和lconf分别为交叉熵损失函数、l1损失函数和二元交叉熵损失函数，λcls、λreg和λconf分别为交叉熵损失函数、l1损失函数和二元交叉熵损失函数的权重参数。

19、进一步地，使用目标检测模型第一次输出的结果初始化跟踪器，设置目标物的初始位置及边界框的宽度和高度，并在随后的每一帧中通过跟踪算法预测目标物的新位置，将其与目标检测获得的边界框中心点位置结合，更新目标物在视频帧中的位置，并将每一帧的目标物位置保存到轨迹列表里，从而形成目标物的运动轨迹。

20、本发明还提供一种计算设备，包括：

21、一个或多个处理器；

22、存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现所述的系统。

23、本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有程序，该程序被处理器执行时实现所述的系统。

24、本发明的有益效果在于：本发明通过构建并训练目标检测模型得到目标物边界框中心点在图像中每一帧的位置，并结合跟踪算法更新目标物位置，提高了目标物源头位置的准确性。

技术特征：

1.一种基于人工智能的高空坠物追溯系统，其特征在于，包括：

2.根据权利要求1所述的一种基于人工智能的高空坠物追溯系统，其特征在于，预处理的步骤包括：

3.根据权利要求1所述的一种基于人工智能的高空坠物追溯系统，其特征在于，目标检测模型基于卷积神经网络构建，通过对目标检测模型训练得到目标物的类别、边界框的宽度、边界框高度、边界框中心点位置和置信度，边界框表示包含目标物在内的矩形，置信度表示目标物在边界框内的概率，同时设置置信度阈值，对于低于置信度阈值的视频帧，不采用其输出的目标物类别、边界框宽度、边界框高度和边界框中心点位置，通过线性插值法替换所述视频帧经过目标检测模型输出的目标物类别、边界框宽度、边界框高度和边界框中心点位置。

4.根据权利要求3所述的一种基于人工智能的高空坠物追溯系统，其特征在于，对于低于置信度阈值的视频帧的目标物类别、边界框宽度、边界框高度和边界框中心点位置通过线性插值法获取，具体包括：将距离低置信度帧最近的高置信度帧的目标物类别作为低置信度帧的目标物类别；将低置信度帧之前的最近的高置信度帧和之后的最近的高置信度帧作为插值的起点和终点，并据此计算低置信度帧的边界框的宽度、边界框的高度和边界框中心点的位置。

5.根据权利要求1所述的一种基于人工智能的高空坠物追溯系统，其特征在于，通过人工模拟的方式获取目标检测模型的样本数据，通过人工标注的方式获取目标检测模型的样本标签。

6.根据权利要求1所述的一种基于人工智能的高空坠物追溯系统，其特征在于，在目标检测模型训练之前先对第一目标图像的n个视频帧进行预训练，在预训练的过程中，将第一目标图像的n个视频帧输入到分类器中，分类器的分类空间表示目标物的类别。

7.根据权利要求1所述的一种基于人工智能的高空坠物追溯系统，其特征在于，目标检测模型的损失函数包括：用于分类的交叉熵损失函数、用于边界框的l1损失函数和用于置信度的二元交叉熵损失函数，总损失函数为：ltotal＝λclslcls+λreglreg+λconflconf，其中lcls、lreg和lconf分别为交叉熵损失函数、l1损失函数和二元交叉熵损失函数，λcls、λreg和λconf分别为交叉熵损失函数、l1损失函数和二元交叉熵损失函数的权重参数。

8.根据权利要求1所述的一种基于人工智能的高空坠物追溯系统，其特征在于，使用目标检测模型第一次输出的结果初始化跟踪器，设置目标物的初始位置及边界框的宽度和高度，并在随后的每一帧中通过跟踪算法预测目标物的新位置，将其与目标检测获得的边界框中心点位置结合，更新目标物在视频帧中的位置，并将每一帧的目标物位置保存到轨迹列表里，从而形成目标物的运动轨迹。

9.一种计算设备，其特征在于，包括：

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序，该程序被处理器执行时实现如权利要求1至8中任一项所述的系统。

技术总结本发明涉及图像数据处理技术领域，公开了一种基于人工智能的高空坠物追溯系统，该种基于人工智能的高空坠物追溯系统，包括：图像采集模块，其用于采集目标物的图像数据；预处理模块，其用于对图像数据进行预处理获得第一目标图像；目标检测模块，其用于根据第一目标图像构建目标检测模型，目标检测模型的输出为第一特征序列；轨迹生成模块，其用于根据第一特征序列结合跟踪算法生成目标物的运动轨迹。本发明通过构建并训练目标检测模型得到目标物边界框中心点在图像中每一帧的位置，并结合跟踪算法更新目标物位置，提高了目标物源头位置的准确性。技术研发人员：吴长海,刘东才受保护的技术使用者：艾索擘（上海）科技有限公司技术研发日：技术公布日：2025/1/6