基于掩膜Mask分割优化电子围栏目标检测

基于掩膜Mask分割优化电子围栏目标检测

李鑫1，刘欢2

（攀枝花学院数学与计算机学院（大数据学院），四川省攀枝花市617000）

摘要：本论文旨在研究基于Mask计算优化提升电子围栏目标检测效率的方法，我们提出了一种新的电子围栏目标检测计算原理，即利用mask图例分割来计算电子围栏和目标框。该方法通过将围栏区域和目标区域分别用不同的遮罩图像进行标识，然后利用掩膜mask计算技术来实现目标检测和围栏计算的优化。我们使用了先进的YOLOv5模型来处理目标检测识别，该模型具备强大的目标检测和识别类别计算能力。通过结合这一模型和mask图例分割的计算原理，我们能够更准确地检测电子围栏和目标框重合程度，即判断某些禁止物体是否真的在电子围栏里，并且在计算效率上取得了显著的提升。本研究的结果表明，基于Mask计算优化电子围栏目标检测相比传统的IOU计算两者重叠区间速度提升30%，准确率提升22%。

关键词 ：目标检测；电子围栏；目标识别；YOLO ；计算机视觉；

目前主流的目标检测识别框架中，都会加入电子围栏模块，以便整合业务，发挥实际应用价值，例如在安全方面，河塘、江边等防溺水电子围栏检测，当人进入电子围栏范围，一定时间范围内未离开，及时上报工单，防范于未然；在生活交通方面以及城市管理方面，违规停车，小贩占道经营，甚至目标追踪等，都不仅仅依靠检测识别，更依靠检测对象与电子围栏的准确判断，在本文中，我们主要对这一方面进行了电子围栏与检测框位置判断的算法设计、与现有的传统判断算法在效率和准确率对比，首先根据电子围栏在图片上的坐标点，利用OpenCV绘制展示出围栏区域，再通过YOLOv5的检测识别框架，将监控视频流进行检测识别，输出结果后跟据围栏区域和检测出的结果框进行掩码mask处理，原理是先将围栏区域的图层进行二值转换，即是黑白处理，对围栏区域进行白色处理，其他区域为黑色，这样围栏区域在一张图片上呈现(0,255,0)，再将检测识别的结果图片的检测框的坐标进行计算，YOLO检测出的坐标为左上和右下两个坐标，我们根据这两个坐标，计算出右上和左下以及中心点，这样我们就根据这五个坐标点在围栏区域的黑白图层中是否为255，如果是则代表该点在电子围栏区域中，再设定坐标点阈值，达到阈值，则代表该检测框的类别物体进入了电子围栏区域中，在一定时间的检测识别和判断中，一直存在则上报工单处理；此方法相比传统的面积IOU计算阈值判断法，简化了计算步骤，改为二分判断方式，并且完美的解决了不规则几何的围栏与检测框的问题。

一、算法设计

OpenCV中的掩膜（mask）是一种二进制图像，其中每个像素的值为0或255。它用于控制对原始图像的某些区域进行操作，而对其他区域保持不变。掩膜通常用于图像处理中的像素级别操作，例如图像增强、图像分割和图像合成。在这些操作中，掩膜定义了我们感兴趣的图像区域。对于每个像素，掩膜指定应该对其进行操作还是应该跳过。OpenCV中的掩膜是使用矩阵运算进行应用的。掩膜矩阵的大小必须与原始图像的大小相同。然后，对于每个像素，掩膜的值都与相应像素的值相乘。这意味着在掩膜像素值为0的区域，原始图像的像素值将被忽略。在掩膜像素值为255的区域，原始图像的像素值将被保留并参与后续处理。

例如，假设我们有一个原始图像(图1.1所示)和一个掩膜(图1.2所示)。原始图像是一张监控视频流抽帧图，其中一部分是我们设定的电子围栏标记区域。我们想要提取标记并将其复制到另一张图像中。掩膜是一张二进制图像，其中标记的区域为白色（值为255），其他区域为黑色（值为0）。我们将掩膜应用于原始图像，这将使标记的区域保留下来，而其他区域将被忽略。然后，我们可以将这个标记复制到另一个图像中(即包含目标检测识别的矩形框图片)，这样就能将该图的电子围栏与该图的检测识别出的检测框进行对比判断，达到快速判断是否在围栏中和降低阈值提高准确率目的。具体算法为mask(x,y)是否为255，其中x、y为检测框的各顶点和中点，设定顶点阈值根据场景测试而定，本文设定为2。

（图1.1 原始抽帧图像）

（图1.2 原始图像掩膜处理）

二、算法对比

在算法对比方面，我们采取了本算法与传统的IOU目标检测算法和DIOU目标检测算法在推理速度和判断准确率上的测试对比；IOU目标检测算法是在目标检测中常用的评价指标，它实际是交并比，其原理如图2.1所示，根据输出框(predict_box)和真实框(ground_truth)的交集面积除以并集面积之比评价检测效果，但是用在对电子围栏与输出框判断时，如果电子围栏为不规则几何框，将无法进行计算判断；DIoU将目标与anchor之间的距离，重叠率以及尺度都考虑进去，使得目标框回归变得更加稳定，不会像IoU一样出现判断过程中发散等问题，其原理如图2.2所示。

（图2.1 IOU算法原理） 

 （图2.2 DIOU算法原理）

本对比实验中，我们使用YOLOv5的7.0版本训练好的检测识别权重文件，拉取了两分钟的监控视频流作为数据源，分别进行了mask、IOU、Diou推理和判断是否在电子围栏中，并且使用真实结果与判断的结果进行对比统计分析，计算准确率以及根据推理和判断时间计算效率，最后我们根据一秒抽一帧的图片，两分钟的视频流一共120张图片，进行对比实验，如图2.3所示，mask在效率上平均用时比IOU、Diou都低5ms，在准确率上(图2.4)也是高于其他5%~15%。

（图2.3 平均用时对比）

（图2.4 准确率对比）

三、总结

经过对比实验，本文提出的mask掩膜计算和判断电子围栏与检测框的关系，进而优化电子围栏目标检测的速度和准确率，有效的解决了电子围栏目标检测在实际应用中的资源节省和效率提升的问题，实现了该方法与主流的电子围栏检测算法的对比优化，表明了该方法的实用性和有效性。

参考文献

[1]刘敬. 基于视频监控的虚拟电子围栏系统设计研究[D].济南大学,2020.DOI:10.27166/d.cnki.gsdcc.2020.000062.

[2]郭辉,陈海洋,高国民等.基于YOLO v5m的红花花冠目标检测与空间定位方法[J].农业机械学报,2023,54(07):272-281.