胡 嘯，陳 黎

1.武漢科技大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，武漢430081

2.武漢科技大學(xué) 智能信息處理與實(shí)時(shí)工業(yè)系統(tǒng)湖北省重點(diǎn)實(shí)驗(yàn)室，武漢430081

1 引言

隨著視頻監(jiān)控在社會(huì)公共安全防范及各類(lèi)經(jīng)濟(jì)行業(yè)部門(mén)多年來(lái)的推廣應(yīng)用，這些監(jiān)控系統(tǒng)除了應(yīng)滿足“看得見(jiàn)、看得清”的基本需求外，如果能夠進(jìn)一步基于監(jiān)控畫(huà)面自身的場(chǎng)景特征，比如基于道路區(qū)域的定位與識(shí)別，擴(kuò)展一些針對(duì)性的業(yè)務(wù)管理工作，特別是與人工智能結(jié)合，將會(huì)為視頻監(jiān)控系統(tǒng)的使用方帶來(lái)顯著的業(yè)務(wù)價(jià)值。針對(duì)（室外監(jiān)控）視頻場(chǎng)景中最重要特征之一的道路區(qū)域檢測(cè)，隨著人工智能和深度學(xué)習(xí)技術(shù)的不斷快速發(fā)展，人們利用目標(biāo)檢測(cè)、識(shí)別、分割等計(jì)算機(jī)視覺(jué)技術(shù)來(lái)為一些實(shí)際應(yīng)用提供技術(shù)支撐，包括智慧城市、智能交通、智能物流、生活服務(wù)領(lǐng)域（無(wú)人駕駛）等，這不僅是一種可預(yù)見(jiàn)的社會(huì)經(jīng)濟(jì)領(lǐng)域中的普遍需求趨勢(shì)，而且其相關(guān)的解決方案也已經(jīng)越來(lái)越具備技術(shù)上的可行性[1]。由于在軍事國(guó)防、城市交通以及公共安全等諸多領(lǐng)域具有廣闊的應(yīng)用前景和潛在的使用價(jià)值，無(wú)人駕駛技術(shù)得到了許多國(guó)家的重視。道路區(qū)域識(shí)別技術(shù)作為無(wú)人駕駛的核心組成部分，成熟與否很大程度上決定了無(wú)人駕駛性能的好壞。現(xiàn)階段，無(wú)人駕駛技術(shù)已經(jīng)取得了一定的進(jìn)展，然而無(wú)人駕駛車(chē)輛要在現(xiàn)實(shí)交通環(huán)境下實(shí)現(xiàn)安全的自主駕駛?cè)杂泻芏喙ぷ饕?。道路區(qū)域識(shí)別算法的實(shí)時(shí)性、抗陰影能力、對(duì)光照變化的魯棒性、對(duì)復(fù)雜道路環(huán)境以及惡劣天氣的適應(yīng)能力等因素直接影響著無(wú)人駕駛技術(shù)的發(fā)展[2]?？煽坎⑶腋咝У牡缆穮^(qū)域檢測(cè)算法一直是從事該領(lǐng)域研究的科研工作者以及工程技術(shù)人員的追求。

近年來(lái)，用于道路識(shí)別與檢測(cè)的算法主要分為兩類(lèi)：（1）基于圖像特征的檢測(cè)方法，即特征驅(qū)動(dòng)法。特征驅(qū)動(dòng)法基于圖像中道路的一些圖像特征，如顏色分布、紋理特性等，這類(lèi)方法對(duì)道路的車(chē)道線、邊緣的清晰度有較高的要求，且對(duì)外界環(huán)境的變化（光照、陰影、天氣）和行人、行車(chē)的干擾較為敏感。如果車(chē)道線、道路邊緣被遮擋，依賴(lài)于這些特征的識(shí)別方法則會(huì)失效[3]。（2）基于模型的檢測(cè)方法，如模型匹配法和樣條函數(shù)法。這類(lèi)檢測(cè)算法識(shí)別出來(lái)的道路區(qū)域較為完整，但模型的選擇和求解是關(guān)鍵，對(duì)于復(fù)雜的路面情況，很難建立準(zhǔn)確的模型[4]。在安防監(jiān)控視頻下，道路圖像存在著最主要的兩個(gè)問(wèn)題：行人、行車(chē)對(duì)道路遮擋較為嚴(yán)重；消失點(diǎn)位于圖像外部。受以上因素影響，安防監(jiān)控視頻下受遮擋和透視影響的道路檢測(cè)變得非常困難。

針對(duì)上述問(wèn)題，本文提出面向遮擋與透視影響的道路凸包梯形檢測(cè)算法。該算法采用了將深度神經(jīng)網(wǎng)絡(luò)輸出的基礎(chǔ)識(shí)別作為特征空間，同時(shí)與行業(yè)應(yīng)用經(jīng)驗(yàn)相結(jié)合的檢測(cè)方法。該算法具有較高的準(zhǔn)確性，很大程度上解決了安防監(jiān)控視頻下受遮擋和透視影響導(dǎo)致道路區(qū)域檢測(cè)不準(zhǔn)確的問(wèn)題，對(duì)道路檢測(cè)具有實(shí)際意義。

2 場(chǎng)景結(jié)構(gòu)與梯形模型

城市道路的安防監(jiān)控?cái)z像頭通常安裝于道路兩側(cè)的高處或紅綠燈上，距離地面3.5～10.0 m 的高度，傾斜角依據(jù)監(jiān)控范圍而定，與監(jiān)控物距呈負(fù)相關(guān)關(guān)系。為了保證監(jiān)控視頻的清晰度，部分?jǐn)z像頭的俯仰角偏大，監(jiān)控物距偏小，因此采集到的圖像中不存在明顯的消失點(diǎn)[5-6]。文獻(xiàn)[7-9]介紹的基于消失點(diǎn)的道路檢測(cè)算法的核心方法是計(jì)算消失點(diǎn)后再以消失點(diǎn)為端點(diǎn)構(gòu)建兩條射線來(lái)劃分出道路區(qū)域（三角形模型）。因此，對(duì)于消失點(diǎn)位于圖像外部的情況會(huì)導(dǎo)致算法失效。其次，在實(shí)際復(fù)雜的場(chǎng)景中，道路邊界線經(jīng)常被行人、行車(chē)遮擋，這類(lèi)遮擋對(duì)消失點(diǎn)和邊界線的檢測(cè)都有極大的干擾，如圖1所示（視頻的生成時(shí)間、地點(diǎn)等信息在圖像中被模糊處理）。

圖1 監(jiān)控視頻下行人、行車(chē)對(duì)道路邊界線的遮擋

圖1 （a）為行人遮擋，圖1（b）為行車(chē)遮擋?；谙c(diǎn)的道路檢測(cè)算法在進(jìn)行紋理方向計(jì)算[10]時(shí)，對(duì)這兩類(lèi)遮擋的抗干擾能力較弱，從而直接影響到消失點(diǎn)的計(jì)算，獲得與實(shí)際場(chǎng)景相差較大的檢測(cè)結(jié)果。實(shí)際場(chǎng)景中監(jiān)控?cái)z像頭的成像機(jī)理如圖2所示。

圖2 中左側(cè)紅線標(biāo)出的四邊形為攝像頭圖像傳感器所對(duì)應(yīng)的實(shí)景范圍[11-12]，經(jīng)過(guò)透視變換后轉(zhuǎn)換為右側(cè)矩形圖像。本文針對(duì)消失點(diǎn)難以被檢測(cè)的問(wèn)題，分析道路成像特點(diǎn)，提出道路的梯形模型，如圖3所示。

圖3 中標(biāo)示的線條為預(yù)期道路的兩條邊界線。如果監(jiān)控場(chǎng)景中的道路在圖像中的呈現(xiàn)方式為道路的兩條邊界線均與圖像底邊相交，實(shí)際場(chǎng)景如圖1（a），則將梯形模型定義為圖3（a）；如果監(jiān)控場(chǎng)景中的道路在圖像中的呈現(xiàn)方式為道路的一條邊界線與圖像底邊相交，并且一條邊界線與圖像的左邊界或右邊界相交，實(shí)際場(chǎng)景如圖1（b），則將梯形模型定義為圖3（b）（圖示為道路左邊界與圖像左邊界相交），將圖中的五邊形ABDCE 定義為一個(gè)有截邊的梯形，邊EC 定義為截邊。圖3中的外接矩形為實(shí)例分割中的單個(gè)實(shí)例的邊框，后續(xù)分割在這個(gè)邊框內(nèi)部進(jìn)行。

圖2 監(jiān)控?cái)z像頭成像機(jī)理

圖3 監(jiān)控場(chǎng)景下的道路梯形模型

3 道路凸包梯形檢測(cè)算法

3.1 算法概述

目前的分割任務(wù)主要有兩種：語(yǔ)義分割，實(shí)例分割。語(yǔ)義分割的定義是：為圖像中每個(gè)像素分配一個(gè)預(yù)先定義的表示其語(yǔ)義目標(biāo)類(lèi)別的標(biāo)簽，但是一個(gè)像素點(diǎn)只能對(duì)應(yīng)一種固定的語(yǔ)義，由于卷積的平移不變性[13]，一個(gè)像素只能對(duì)應(yīng)一種語(yǔ)義，如U-Net[14]、DeepLabv3[15]等，而部分監(jiān)控場(chǎng)景為縱向雙側(cè)監(jiān)控（監(jiān)控目標(biāo)兼顧主道和輔道），需要獲取每個(gè)實(shí)例用以篩選出主道，剔除掉輔道。因此本文基于Mask R-CNN[16]實(shí)例分割來(lái)進(jìn)行道路區(qū)域的后續(xù)檢測(cè)。類(lèi)的具體對(duì)象即為實(shí)例，那么實(shí)例分割不但要進(jìn)行像素級(jí)別的分類(lèi)，還需在具體的類(lèi)別基礎(chǔ)上區(qū)別開(kāi)不同的實(shí)例，因此可以區(qū)分出多個(gè)道路實(shí)例。在實(shí)驗(yàn)中，通過(guò)設(shè)置不同的學(xué)習(xí)率和迭代次數(shù)等參數(shù)進(jìn)行多次實(shí)驗(yàn)對(duì)比，擇優(yōu)選擇最佳的實(shí)例分割模型進(jìn)行后續(xù)實(shí)驗(yàn)。主要包括模型的訓(xùn)練和預(yù)測(cè)兩個(gè)階段：訓(xùn)練階段包括采集數(shù)據(jù)、清洗數(shù)據(jù)、制作數(shù)據(jù)集、選取框架與設(shè)定參數(shù)、迭代訓(xùn)練；預(yù)測(cè)階段是將圖像輸入訓(xùn)練所得模型獲取分割結(jié)果。

Mask R-CNN目標(biāo)檢測(cè)選用了經(jīng)典的目標(biāo)檢測(cè)算法FasterR-CNN[17]和經(jīng)典的語(yǔ)義分割算法FCN。Faster RCNN 可以既快又準(zhǔn)地完成目標(biāo)檢測(cè)的功能；FCN 可以精準(zhǔn)地完成語(yǔ)義分割的功能[18]。但是，在受遮擋與透視影響的道路場(chǎng)景中，F(xiàn)CN 并不能很好地提取出道路區(qū)域。主要原因是行人、行車(chē)等因素對(duì)道路邊界線造成一定的遮擋，會(huì)嚴(yán)重影響最終的分割結(jié)果。

針對(duì)以上問(wèn)題，本文在原始Mask R-CNN算法的基礎(chǔ)上，保留其精確檢測(cè)與優(yōu)勢(shì)性能的同時(shí)，針對(duì)受遮擋與透視影響的道路的特殊性，提出安防監(jiān)控視頻下的道路梯形模型。檢測(cè)任務(wù)保持不變，對(duì)分割任務(wù)做出以下調(diào)整：將FCN分割算法調(diào)整為“語(yǔ)義分割+凸包算法+梯形模型擬合”組合形式，增加算法對(duì)遮擋的抗性，對(duì)“欠分割”道路做出有效彌補(bǔ)，使分割結(jié)果更加接近安防監(jiān)控視頻下的真實(shí)道路。

3.2 凸包算法

針對(duì)安防監(jiān)控視頻下的行人、行車(chē)遮擋道路邊界線問(wèn)題，本文提出使用凸包算法對(duì)遮擋區(qū)域進(jìn)行彌補(bǔ)，并基于Graham 掃描法（Graham’s Scan）進(jìn)行道路區(qū)域的凸包計(jì)算。行人、行車(chē)對(duì)道路邊界線的遮擋發(fā)生在邊界線上，對(duì)模型檢測(cè)出的道路區(qū)域的干擾主要體現(xiàn)在道路區(qū)域輪廓上存在著凹陷，將這些凹陷點(diǎn)同時(shí)參與到梯形模型的擬合中會(huì)引入干擾信息，因此需要對(duì)其凹陷點(diǎn)進(jìn)行剔除。假設(shè)模型檢測(cè)出的道路區(qū)域的殘缺輪廓存在若干點(diǎn)，這些點(diǎn)構(gòu)成一個(gè)點(diǎn)集，依據(jù)點(diǎn)集每個(gè)元素對(duì)參照極點(diǎn)的極角大小依次處理。具體步驟如圖4所示：（1）搜索點(diǎn)集P 中最低最左的點(diǎn)并將其設(shè)為P0；（2）對(duì)剩余點(diǎn)按P0的逆時(shí)針?lè)较蜻M(jìn)行排序，將排序后的點(diǎn)記為{P0,P1,P2,…,Pn}，如果多個(gè)點(diǎn)有相同的極角即多點(diǎn)共線，只保留有最大極徑的點(diǎn)；（3）使P0、P1、P2進(jìn)入堆棧；（4）對(duì)k=3～n 個(gè)點(diǎn)進(jìn)行如下處理，對(duì)棧頂?shù)膬蓚€(gè)點(diǎn)和Pk做左轉(zhuǎn)判斷，若滿足左轉(zhuǎn)要求，則將Pk入棧，k=k+1；若不滿足左轉(zhuǎn)要求，則出棧，k=k-1；（5）最終堆棧S 中的元素就是凸包的頂點(diǎn)。

圖4 Graham掃描法計(jì)算凸包的步驟

求解過(guò)程中引入幾何學(xué)的結(jié)論（有向面積[19]）來(lái)快速確定當(dāng)前點(diǎn)C 是否在棧頂兩個(gè)點(diǎn)的連線AB 的左側(cè)。有向面積是平面解析幾何的向量體系中的概念，和普通的標(biāo)量面積相對(duì)。三角形的有向面積可以通過(guò)一個(gè)三階行列式求得，利用行列式運(yùn)算法則即可得到有向面積：

有向面積可正可負(fù)，這取決于圍城封閉圖形的向量。如果C 在向量AB 的左側(cè)，那么SΔ的值為正，則將當(dāng)前點(diǎn)壓入棧，反之為負(fù)，將棧頂元素出棧。本次實(shí)驗(yàn)中的點(diǎn)集輸入為模型檢測(cè)出的道路區(qū)域輪廓，運(yùn)用上述凸包算法剔除掉輪廓上的凹陷點(diǎn)，可以提取整個(gè)道路區(qū)域的大致外形。

3.3 梯形模型擬合

經(jīng)過(guò)上述凸包算法對(duì)道路區(qū)域中被行人、行車(chē)遮擋的部分進(jìn)行補(bǔ)償后，道路區(qū)域檢測(cè)算法對(duì)這類(lèi)遮擋已具有一定的抗干擾能力，但是所計(jì)算出的凸包區(qū)域仍是不規(guī)則的，與實(shí)際場(chǎng)景中的道路區(qū)域有所偏差，因?yàn)閼?yīng)用價(jià)值較小。所以需要在凸包的m×n 的外接矩形框內(nèi)，對(duì)所檢測(cè)到的道路區(qū)域做進(jìn)一步的調(diào)整，將該區(qū)域擬合成圖3 中的梯形模型。定義凸包區(qū)域內(nèi)所有點(diǎn)的集合為P,g(x,y)為圖像內(nèi)每一個(gè)像素點(diǎn)值的函數(shù)，則凸包內(nèi)部像素點(diǎn)的值為1，外部像素點(diǎn)的值為0，即：

首先，計(jì)算凸包的面積，統(tǒng)計(jì)圖中所有值為1的點(diǎn)：

計(jì)算出最終梯形的上底中心點(diǎn)的橫坐標(biāo)，即凸包縱坐標(biāo)最小的所有點(diǎn)的橫坐標(biāo)平均值：

通過(guò)以下式中的K 值判斷凸包兩側(cè)有無(wú)明顯的截邊形態(tài)：

式（5）中的n 即為凸包外接矩形的寬，d 為預(yù)設(shè)參數(shù)，在本文實(shí)驗(yàn)中取3。公式中列向量的3個(gè)元素分別為3個(gè)獨(dú)立判定條件，在圖像中的實(shí)際意義分別為凸包橫坐標(biāo)取最小時(shí)點(diǎn)的數(shù)量是否大于凸包橫坐標(biāo)取最大時(shí)點(diǎn)的數(shù)量、凸包橫坐標(biāo)取最小時(shí)點(diǎn)的數(shù)量是否大于外接矩形寬的、凸包橫坐標(biāo)取最大時(shí)點(diǎn)的數(shù)量是否大于外接矩形寬的。行向量中的3 個(gè)數(shù)1、2、4 分別對(duì)應(yīng)二進(jìn)制的001、010、100，這樣即可保證列向量中的3個(gè)條件呈各種組合值時(shí)K 都能有與之相對(duì)應(yīng)的值。本方法中，當(dāng)列向量的元素分別取1、1、1或1、1、－1，即當(dāng)K 的值為7或－1時(shí)，判定凸包左側(cè)有截邊；當(dāng)列向量的元素分別取－1、1、－1 或－1、－1、－1，即K 的值為－3 或－7時(shí)，判定凸包右側(cè)有截邊；否則為無(wú)截邊。

（1）若無(wú)截邊，則判定道路區(qū)域?yàn)橐粋€(gè)完整的梯形，將凸包擬合成圖3（a）的形態(tài)，根據(jù)以下公式：

（2）若有截邊，則判定道路區(qū)域?yàn)橐粋€(gè)有截邊的梯形，將凸包擬合成圖3（b）的形態(tài)（此處僅列出截邊在左側(cè)的情況，右側(cè)與左側(cè)類(lèi)似），根據(jù)以下公式：

式（6）、（7）中的l 為最終梯形的上底長(zhǎng)度，t 為上底中點(diǎn)的橫坐標(biāo)，求解出l 和t 后則可以在外接矩形中確定上底的精確位置，并以外接矩形的下底為最終梯形的下底，則可以擬合出完整的梯形模型。

4 實(shí)驗(yàn)及結(jié)果分析

實(shí)驗(yàn)測(cè)試圖像來(lái)自安防監(jiān)控?cái)z像頭采集的城市道路場(chǎng)景。算法程序采用PyCharm平臺(tái)開(kāi)發(fā)，CPU為Intel?CoreTMi7-8700K，顯卡為NVIDIA GeForce GTX 1080 Ti。本次實(shí)驗(yàn)所使用訓(xùn)練集由4 200 幀圖像構(gòu)成，尺寸均為1 920×1 080。在精度評(píng)價(jià)方面，選擇交除并（IoU）、精確率（Precision）和召回率（Recall）作為評(píng)價(jià)性能指標(biāo)：

式中，TP、FP 和FN 分別表示真陽(yáng)性、假陽(yáng)性和假陰性像素點(diǎn)的個(gè)數(shù)。

4.1 實(shí)驗(yàn)結(jié)果

測(cè)試數(shù)據(jù)是在模型訓(xùn)練前隨機(jī)抽取的來(lái)自安防監(jiān)控?cái)z像頭采集的普通城市道路2 000 幀場(chǎng)景，包括了人行道、公路、巷路等不同場(chǎng)景，部分場(chǎng)景存在遮擋現(xiàn)象。為了驗(yàn)證本文算法的性能，同時(shí)與消失點(diǎn)檢測(cè)法[10]、UNet[14]、DeepLabv3[15]、Mask R-CNN[16]進(jìn)行了對(duì)比，IoU、Precision、Recall 和檢測(cè)時(shí)間（Detection Time，DT）如表1所示。從表中可以看出，消失點(diǎn)檢測(cè)法并不適合本文場(chǎng)景，該方法能在紋理清晰、結(jié)構(gòu)單一的圖像中取得較好的效果，而在復(fù)雜、存在遮擋現(xiàn)象的道路中效果不佳，同時(shí)對(duì)于消失點(diǎn)位于圖像外部的情況算法易失效，故而平均精度不高，魯棒性較差。相較于U-Net、Deep-Labv3、Mask R-CNN，本文算法在精度上有所提高，而在耗時(shí)上略有增加。Mask R-CNN 這類(lèi)原始分割算法的局限性在于易受行車(chē)、行人等遮擋因素的影響，造成缺口的出現(xiàn)，故而不適用于安防監(jiān)控視頻下的道路檢測(cè)。而本文所提出的凸包梯形檢測(cè)算法的耗時(shí)僅比Mask R-CNN多25 ms，在增加少量計(jì)算耗時(shí)的情況下，取得較好的檢測(cè)結(jié)果。

表1 不同算法性能對(duì)比

單張圖像的可視化結(jié)果如圖5 所示。圖5（b）中的白色區(qū)域?yàn)楸疚乃惴z測(cè)出的道路區(qū)域，與圖3的梯形模型保持一致，符合場(chǎng)景預(yù)期。

圖5 安防監(jiān)控視頻下的道路區(qū)域檢測(cè)結(jié)果

4.2 不同遮擋程度下的實(shí)驗(yàn)結(jié)果

為了分析本文算法在不同遮擋程度下的有效性，將測(cè)試數(shù)據(jù)的遮擋程度由低到高分為1～5 級(jí)并進(jìn)行對(duì)比測(cè)試，分級(jí)依據(jù)為圖像中的行車(chē)、行人、樹(shù)葉等遮擋因素的比例大小。實(shí)驗(yàn)結(jié)果如圖6所示。

圖6 不同遮擋等級(jí)檢測(cè)結(jié)果

圖6 中實(shí)線條為本文算法，虛線為Mask R-CNN?？梢钥闯?，本文算法在輕微遮擋中對(duì)精度的提升未能發(fā)揮較大作用，而隨著遮擋等級(jí)的提升，本文算法的性能相較于Mask R-CNN有了明顯的提高。

4.3 不同透視角度下的實(shí)驗(yàn)結(jié)果對(duì)比

不同場(chǎng)景中的監(jiān)控范圍不一致，因此監(jiān)控?cái)z像頭俯仰角也不同。為了分析本文算法在不同透視角度下的有效性，抽取部分?jǐn)?shù)據(jù)進(jìn)行透視變換，模擬攝像頭俯仰角的變動(dòng)。單張圖片檢測(cè)過(guò)程如圖7所示，第一行為透視變換處理后的一組圖片，后兩行分別為Mask R-CNN的檢測(cè)結(jié)果與本文算法的檢測(cè)結(jié)果。整個(gè)測(cè)試集在不同透視場(chǎng)景的IoU對(duì)比如表2所示?？梢钥闯觯琈ask RCNN對(duì)遮擋較為敏感，行車(chē)、行人的位置變動(dòng)易影響檢測(cè)結(jié)果，而本文算法相對(duì)有較強(qiáng)的穩(wěn)定性，在不同透視角度下能得到相仿且精確的檢測(cè)結(jié)果。

表2 不同透視場(chǎng)景的IoU對(duì)比 %

4.4 邊緣匹配度對(duì)比

分割問(wèn)題采用IoU 等像素級(jí)指標(biāo)的缺陷在于對(duì)邊緣的刻畫(huà)不敏感，注意力主要集中在分割區(qū)域內(nèi)部[20]，而Hu 矩作為形狀相似性的一種度量，能夠?qū)oU 進(jìn)行較好的補(bǔ)充。Hu矩利用二階和三階規(guī)格中心矩可以導(dǎo)出7 個(gè)不變矩組，它們?cè)趫D像平移、旋轉(zhuǎn)和比例變化時(shí)保持不變，據(jù)此計(jì)算出的Hu 矩值越接近0，則表示兩者邊緣輪廓越匹配。實(shí)驗(yàn)結(jié)果如表3 所示，可以看出，本文方法相較于Mask R-CNN 在道路邊界上的表達(dá)能力有一定程度的提升，更接近實(shí)際場(chǎng)景中的道路形狀。

表3 Hu矩對(duì)比

5 結(jié)束語(yǔ)

圖7 不同透視角度檢測(cè)結(jié)果對(duì)比

本文提出了一種面向遮擋與透視影響的道路凸包梯形檢測(cè)算法，與已知常見(jiàn)的同類(lèi)檢測(cè)方法（比如基于道路特征、道路模型和傳統(tǒng)機(jī)器學(xué)習(xí)）相比，本文所提出的凸包梯形檢測(cè)算法對(duì)于安防監(jiān)控視頻下受遮擋與透視影響的道路具有較好的檢測(cè)效果。對(duì)比實(shí)驗(yàn)證明，本文算法能夠在不同遮擋和透視程度下取得較為穩(wěn)定的檢測(cè)結(jié)果，滿足安防監(jiān)控視頻下道路實(shí)時(shí)檢測(cè)的需求，達(dá)到了預(yù)期效果。同時(shí)，本文所提出的梯形模型具有一定的局限性，下一步工作將考慮結(jié)合輔助信息（如車(chē)道線、行人與行車(chē)流向等）對(duì)場(chǎng)景結(jié)構(gòu)模型進(jìn)行優(yōu)化，提升多模態(tài)特征融合能力。