[发明专利]一种交通事故检测方法、存储介质及设备

权利要求书

1.一种交通事故检测方法，其特征在于，包括步骤：

对筛选的交通数据进行预处理，构建交通事故数据集；

将所述交通事故数据集中的每个原始视频样本视为一个包，对每个包进行空时域分割，得到与每个包对应的若干实例；

根据所述交通事故数据集的弱标签属性构建事故检测模型，并基于所述每个包对应的若干实例对所述事故检测模型进行训练，得到训练后事故检测模型；

根据所述训练后事故检测模型对测试视频进行端到端的交通事故检测。

2.根据权利要求1所述的交通事故检测方法，其特征在于，所述对筛选的交通数据进行预处理，构建交通事故数据集的步骤包括：

获取UCF Crimes交通数据和CADP交通数据；

从所述UCF Crimes交通数据中将所有交通场景下的正常视频筛选出来，构成基础正样本集；

从所述UCF Crimes交通数据中将所有交通场景下的事故视频筛选出来，与CADP交通数据合并，构成基础负样本集；

对所述基础正样本集和基础负样本集进行数据清洗，得到相应的正样本集和负样本集，按照预定比例对所述正样本集和负样本集进行划分得到训练集和测试集。

3.根据权利要求2所述的交通事故检测方法，其特征在于，所述按照预定比例对所述正样本集和负样本集进行划分得到训练集和测试集之后还包括：

对训练集中的正样本集中的长时长正常视频进行裁剪，在训练集中得到相等数量的正常视频与事故视频，所述训练集中的正常视频包括正常视频级标签，所述训练集中的事故视频包括事故视频级标签；

对测试集中的正样本集中的长时长正常视频进行裁剪，在测试集中得到数量比为3-10:1的正常视频与事故视频，所述测试集中的正常视频包括正常视频级标签，所述测试集中的事故视频包括事故视频级标签以及事故发生的起始帧和结束帧。

4.根据权利要求1所述的交通事故检测方法，其特征在于，将所述交通事故数据集中的原始视频样本进行空时域分割，得到若干实例的步骤包括：

将所述交通事故数据集中的每段视频看作一个包，正常视频为负包，记为B_n，事故视频为正包，记为B_a；

将每个包在时域上均匀分割为若干个时间连续但不重叠的视频片段，数量记为N_T；

将时域上分割得到的每个视频片段在空域上进一步分割或采样，得到若干实例，数量记为N_s。

5.根据权利要求4所述的交通事故检测方法，其特征在于，根据所述交通事故数据集的弱标签属性构建事故检测模型，并基于所述每个包对应的若干实例对所述事故检测模型进行训练，得到训练后事故检测模型的步骤包括：

采用3D特征提取器对包内的每个实例进行多模态特征提取操作，捕捉视频中与事故发生过程相关的时序信息、运动特征；

将交通事故检测视作一个回归问题来设计事故检测模型，所述事故检测模型为由若干全连接层构成的深度神经网络；

基于对交通事故的短时性和连续性假设，通过将多实例学习与排序思想相结合来构造事故检测模型的损失函数，表达式如下：

式中，和分别表示事故视频和正常视频中第i个时间段、第j个视频画面区域的实例提取得到的特征向量，和表示对应的事故检测模型预测得分，λ₁、λ₂为超参数，W表示网络权重参数；

将损失函数进一步简化为：L＝L(B_a,B_n)+||W||₂，其中，L(B_a,B_n)为损失函数中前三项之和，与输入样本数据直接相关；

训练时，每一次迭代过程都选取一定批量的样本，假设样本数量为N_bs，其中，正常视频和事故视频样本各占一半，分别从训练集中的正样本集和负样本集中随机抽取，根据损失函数的定义，一对正常视频和事故视频组合可计算得到一个损失值，则批量样本训练时的损失值可以表示为：