高空抛物检测方案设计（使用SOM进行轨迹分类）

---

前言

高空抛物检测的关键是方案的设计，以及方案的稳定性，如何排除干扰、排除误报，不可能就通过一个算法就能让产品稳定落地应用，需要不断打磨。
该项目主要实现了对于布署在住宅小区中的高空抛物事件的检测。且目前作为一款实际的产品，故在此不贴出实现的检测代码，只大致描述一下所采用的技术方案与实际的检测效果。仅供学习参考。

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、技术方案介绍

1.方案设计图

2.流程介绍

算法的处理流程大致可以分为如下几步：
1、对视频流的抽帧并解码；
2、高斯混合背景建模法建立背景模型，据此获取运动前景；
3、通过卡尔曼滤波完成运动目标跟踪，并记录运动轨迹；
4、在跟踪期间记录物体的前景图像块，利用图像分类网络排序干扰物体；
5、对记录运动轨迹通过预训练的SOM网络，排除不符合抛物运动轨迹的记录。
其中 4、5 两点主要在事件布署场景下误报事件太多而采取的两个策略，能有效的对误报事件的抑制。

3.说明

关于图像的处理基本都是采用了 OpenCV 库；
且为了提升处理速度，采用了 CUDA + OpenCV
关于深度学习的处理部分，通过 Pytorch 搭建的网络。

二、实际检测

在此处放几个实际检测的案例仅供参考

1.摄像头的安装

这是当时在布署地随便拍了个安装点

2.实际检测

**说明1：**下述事件都是被检测到，然后再去下载录像后在本地跑的结果；
**说明2：**下述事件都是在小区1中发生的事件，该小区的楼层较低，比如容易检测；而还有小区2都是高楼层的检测
事件1：一次正常的抛物事件

事件2：略高楼层中的一次抛物事件

事件3：下雨天的测试

三、误报解决

此处列出几个误报事件，结合并结合正常的抛物事件的轨迹对误报事件进行排除。

误报事件1：飞鸟

误报事件2：树叶

误报事件3：被子

解决方案

通过 SOM（自组织映射神经网络） 对不同运动的轨迹进行分析

轨迹展示

原始轨迹

在验证算法可行性阶段，总共从视频序列中获取了469 条轨迹，分为 4 类：抛物、鸟、树叶、衣服被单。

SOM分类结果

0：抛物；
1：鸟；
2：树叶
3：衣服棉被
效果看起来很惊人，非常好！

---

总结

以上就是本文介绍的高空抛物检测方案，欢迎留言交流，如果对您有帮助，感谢点赞+关注+收藏！