Page 19 - 2023年第54卷第5期

图 １ 研究框架
２．２ 运输车车头车尾 ＨＲＮｅｔ关键点检测网络 ＨＲＮｅｔ算法通过高分辨率特征图和低分辨率特征图并联
与融合的方式进行学习 ［２６］ 。为了兼顾运输车卸料识别速度和大场景中运输车目标检测精度，本文使用
２５６ × ２５６图像尺寸作为输入，经过特征提取后将 ６４ × ６４作为最高分辨率特征图的主干分支，下采样的分
支分别为 ３２ × ３２，１６ × １６，８ × ８的逐级降低分辨率的特征图。最终将 ４个分支的特征图融合为每个关键点
的 ６４ × ６４热图输出，确定运输车头部和尾部的关键点，并为确定运输车行进信息（前进或者后退）提供依据。
２．３ 运输车料斗抬升的 ＤＣＬ细粒度分类网络 ＤＣＬ通过将原图分块和打乱，获得一张相对原图的解
构图像，通过训练让网络能够学习不依赖全局的精细特征 ［２９］ 。为了提高计算效率，本文将输入图像先
调整尺寸为 ６４ × ６４再裁剪成 ５６ × ５６，并使用 ＲｅｓＮｅｔ１８ ［３１］ 进行特征提取。在多目标跟踪的基础上，通过
ＤＣＬ算法来判断每辆运输车料斗是否抬升，为判断运输车卸料提供关键依据。
２．４ 基于识别结果上下文推理的运输车卸料识别 通过观察坝面大场景运输车卸料监控视频，可知坝
面运输车卸料主要有以下规律：（ １）满载运输车进入监控画面，空载运输车停留或驶离监控画面；（２）料
斗在卸料前不会抬升；（ ３）运输车缓慢后退至卸料点，再抬升料斗开始卸料；（４）在卸料过程中运输车
基本处于静止或缓慢前进状态；（ ５）结束卸料时，大部分运输车先降下料斗再驶离，少部分未降下料
斗就驶离；（６）未降下料斗驶离卸料点时可能存在卸料出错，此时运输车快速驶离至不远处等待，给
其他车让出卸料区；（ ７）存在多点卸料情况且两次卸料点距离一般不远。为实现运输车卸料判断，需
要首先确定运输车的行进信息，即前进、停止和后退。
２．４．１ 运输车行进状态分析 融合三种视觉识别的结果，由式（１）计算第 ｉ辆运输车的行进信息，当
表示第 ｉ辆运输车行进方向与该运输车从车头关
ｉ
Ａｃｔｉｏｎ为 １时即后退，０即停止，－ １ 即前进。式中 α ｉ
键点指向车尾关键点的方向夹角（当缺乏车头或车尾关键点之一时，运输车按刚体假设，使用运输车
  ｔｋ →
跟踪框中心点代替），计算如式（ ２）所示，τ ｉ ，ｃｃ 表示第 ｉ辆运输车从 ｔ时刻到 ｋ时刻的跟踪框中心点的移
动方向向量，Ｒ为移动距离阈值。考虑到跟踪框的抖动，判定移动距离在该阈值内的运输车为停止。
ｓ
— ５ ２ １ —