[发明专利]一种改进的双流交通事故检测方法

权利要求书

1.一种改进的双流交通事故检测方法，其特征在于，包括以下步骤：

(1)收集事故和非事故视频数据集，以及事故相关交通拥堵图片数据集和事故无关交通拥堵图片数据集，并将视频数据集划分为训练集和测试集；

(2)提取训练集和测试集中每个视频的关键帧和光流数据；

(3)搭建双分支的事故检测模型，包含以关键帧为输入的外观特征提取网络和以光流数据为输入的运动特征提取网络；

(4)构建包含三元组损失和交叉熵损失的联合损失函数以训练事故检测模型；

(5)利用测试集中的视频数据对训练完毕后的事故检测模型进行有效性评估。

2.根据权利要求1所述改进的双流交通事故检测方法，其特征在于，在步骤(2)中，提取关键帧的方法如下：

训练过程中，事故视频中随机选择后半段的某一帧作为事故的关键帧，非事故视频中随机选择某一帧作为非事故的关键帧；测试过程中，将每隔32帧被采样的视频画面作为关键帧。

3.根据权利要求1所述改进的双流交通事故检测方法，其特征在于，在步骤(2)中，提取光流数据的方法如下：

利用光流提取网络FlowNet2提取视频的光流；训练过程中，每次从提取的光流中等间隔采样32个光流数据作为运动特征提取网络的输入。

4.根据权利要求1所述改进的双流交通事故检测方法，其特征在于，步骤(3)的具体过程如下：

(301)选择轻量化的卷积神经网络MobileNetV3作为外观特征提取网络，将视觉注意力机制模块嵌入到MobileNetV3的第三个MaxPooling层之前；

(302)拓宽卷积神经网络MobileNetV3的第一层卷积层的输入维度至64，并将其作为运动特征提取网络；

(303)输入关键帧至外观特征提取网络中，提取视频的事故外观特征；

(304)输入光流数据至运动特征提取网络中，提取视频的事故运动特征；

(305)利用全连接层融合事故外观特征与事故运动特征。

5.根据权利要求1所述改进的双流交通事故检测方法，其特征在于，在步骤(4)中，采用交叉损失函数对事故与否进行分类：

上式中，loss_CE表示交叉损失函数；y为模型的输出值；为视频的真实标签，包括事故和非事故。

6.根据权利要求1所述改进的双流交通事故检测方法，其特征在于，在步骤(4)中，采用三元组损失函数训练外观特征提取网络：

上式中，loss_triplet表示三元组损失函数；y₁为外观特征提取网络的输出；函数d(x₁,x₂)定义为向量集合x₁与x₂之间的平均欧式距离，M为向量集合x₁的向量个数，N为向量集合x₂的向量个数，x₁⁽ⁱ⁾为向量集合x₁中的第i个向量，x₂^(j)为向量集合x₂的第j个向量；x_key为外观特征，x_ARTC为事故相关交通拥堵图片特征，x_AUTC为事故无关交通拥堵图片特征；λ为三元组损失中的超参数，用来调节事故相关交通拥堵图片与事故无关交通拥堵图片在浅层空间的区分程度。