(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211111551.6 (22)申请日 2022.09.13 (65)同一申请的已公布的文献号 申请公布号 CN 115223103 A (43)申请公布日 2022.10.21 (73)专利权人 深圳市研超科技有限公司 地址 518000 广东省深圳市龙岗区坂田街 道环城南路五号坂田国际中心E栋902 室 (72)发明人 秦刚　王作文　 (74)专利代理 机构 深圳壹舟知识产权代理事务 所(普通合伙) 44331 专利代理师 仉玉新 (51)Int.Cl. G06V 20/52(2022.01) G06N 3/04(2006.01) G06V 10/62(2022.01) G06V 10/762(2022.01) G06V 10/764(2022.01)G06V 10/77(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 20/40(2022.01) (56)对比文件 US 2008182685 A1,20 08.07.31 US 2017046875 A1,2017.02.16 CN 112132863 A,2020.12.25 CN 112418069 A,2021.02.26 CN 113947103 A,2022.01.18 CN 113705597 A,2021.1 1.26 陈影玉 等.船舶行为异常检测研究进 展. 《交通信息与安全》 .2020,第38卷(第5期),第1- 11页. 张哲雨 等.基 于车辆视角数据的行 人轨迹 预测与风险等级评 定. 《汽车工程》 .202 2,第44卷 (第5期),第675 -683页. (续) 审查员 刘志军 (54)发明名称 基于数字图像处 理的高空抛物检测方法 (57)摘要 本发明涉及图像处理技术领域， 具体涉及基 于数字图像处理的高空抛物检测方法。 包括： 利 用图像处理算法获得疑似抛物轨迹， 构建数据集 以及轨迹识别模 型， 根据数据集的类别得到记忆 样本并进行训练该模型， 将数据集样本输入到轨 迹识别模型中得到样本的依 赖度向量， 根据样本 的依赖度向量 以及每个类别的综合记忆向量与 参考价值得到异常样本， 并得到异常样本的最依 赖记忆样 本， 利用融合权重将异常样本与最依赖 记忆样本进行融合得到更新样 本， 进而得到新的 数据集， 利用新的数据集重新得到记忆样本并且 重新完成轨迹识别模型的训练， 最后利用轨迹识 别模型检测高空抛物， 本发明避免了模型由于过 拟合导致准确率低的情况， 使得模 型不仅简单而且准确率高。 [转续页] 权利要求书2页 说明书9页 附图2页 CN 115223103 B 2022.11.22 CN 115223103 B (56)对比文件 Antun Ivan ovic et.al.Parabo lic Airdrop Trajectory Plan ning for Multirotor Unman ned Aerial Vehicles. 《IE EE Access》 .2022,第36907-36923页.2/2 页 2[接上页] CN 115223103 B1.基于数字图像处 理的高空抛物检测方法， 其特 征在于， 该 方法包括： 获取相机采集的视频序列， 利用图像处理算法根据视频序列得到疑似抛物轨迹； 利用 历史中得到的疑似抛物轨 迹构建数据集； 构建轨 迹识别模型； S1:首先对数据集中的样本进行聚类得到所有类别， 将每个类别的聚类中心作为轨迹 识别模型的每 个记忆样本， 然后利用数据集训练轨 迹识别模型； S2:将数据集中样本输入到训练好的轨迹识别模型中得到样本的依赖度向量以及样本 的损失值， 根据每个类别中所有样本的依赖度向量得到每个类别的综合记忆向量以及每个 类别的参考价值， 根据每个类别中所有样本的依赖度向量计算每个类别中每个样本的异常 值， 根据所述异常值与每个类别中所有样本异常值的比值和每个类别中每个样本的损失值 得到每个类别中每个样本的异常程度， 将每个类别中异常程度最大 的样本作为异常样本； 获取每个类别中异常样本的异常程度与每个类别参考价值的第一比值， 根据每个类别中异 常样本的依赖度向量 获得最依赖记忆样本， 根据每个类别中异常样本的依赖度向量以及第 一比值获得融合权重， 利用融合权重将 每个类别中异常样本与对应的最依赖记忆样本进 行 融合得到异常样本的更新样本； 将所有类别中的异常样本用对应的更新样本进行更新替换得到新的数据集， 重复S1、 S2预设次数后， 将得到的轨 迹识别模型记为 最终轨迹识别模型； 利用相机实时采集的视频序列 得到实时的疑似抛物轨迹， 将 实时的疑似抛物轨迹输入 到最终轨 迹识别模型中得到 输出结果， 根据输出 结果进行高空抛物预警。 2.根据权利要求1所述的基于数字图像处理 的高空抛物检测方法， 其特征在于， 所述轨 迹识别模型采用的是RBF神经网络， 所述RBF神经网络中间层包含多个径向基神经元， 每个 径向基神经 元对应一个记 忆样本以及一个训练参数。 3.根据权利要求1所述的基于数字图像处理 的高空抛物检测方法， 其特征在于， 所述将 数据集中样本输入到训练好的轨迹识别模型中得到样本的依赖度向量以及样本的损失值 的步骤包括： 样本输入到训练好的轨迹识别模型后， 得到每个径向基神经元的输出结果， 输出结果 与每个径向基神经元对应的训练参数相乘， 得到每个径向基神经元 的第一指标， 将每个径 向基神经元 的第一指标与所有径向基神经元第一指标之和的比值记为每个径向基神经元 的依赖程度， 所有径向基神经元 的依赖程度构成的向量记为样本的依赖度向量； 依赖度向 量每个维度对应一个记 忆样本； 将样本输入到训练好的轨迹识别模型后， 轨迹识别模型输出的结果与样本的标签的差 值的平方作为样本的损失值。 4.根据权利要求1所述的基于数字图像处理 的高空抛物检测方法， 其特征在于， 所述根 据每个类别中所有样本的依赖度向量得到每个类别的综合记忆向量以及每个类别的参考 价值的步骤 包括： 对每个类别中所有样本的依赖度向量进行主成分分析获得每个类别的综合记忆向量， 将每个类别中所有样本的依赖度向量与综合记忆向量的余弦相似度的均值记为每个类别 的参考价值。 5.根据权利要求1所述的基于数字图像处理 的高空抛物检测方法， 其特征在于， 所述根 据每个类别中所有样本的依赖度向量计算每 个类别中每 个样本的异常值的步骤 包括：权　利　要　求　书 1/2 页 2 CN 115223103 B 3