[发明专利]一种改进的双流交通事故检测方法

说明书

本发明公开了一种改进的双流交通事故检测方法。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；提取训练集和测试集中每个视频的关键帧和光流数据；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；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；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。本发明降低了模型的误报率和漏检率，提高了模型事故检测精度。

技术领域

本发明属于交通事故检测领域，特别涉及了一种双流交通事故检测方法。

背景技术

交通事故是目前交通领域一大颇具挑战的难点问题。交通事故可能导致财产损失和人员伤亡，给交通管理部门带来了极大的挑战。为了有效提高事故应急处置的响应速度，减少由于救援不及时导致的人员伤亡和交通拥堵，研究交通事故的快速检测技术具有重要的现实意义。

传统的事故检测技术主要依赖于交通流数据建模或人工视频检测。交通流数据建模依赖于检测器的数据质量，并且难以区分交通事故和交通拥堵，因而检测精度较低。人工视频检测可以保证检测精度，但消耗大量人力，成本过高。近年来，随着智慧交通系统的建设与发展，视频的覆盖率显著提升，基于视频的交通事故自动检测技术逐步得到了研究者的重视，其主要原理是通过识别监控视频中的重要特征来实现对交通事故的自动检测。目前研究表明，该技术能够取得较高的检测精度，有望显著降低人力成本。因而，基于视频的事故检测技术具有重要的研究价值。

基于视频的事故检测技术主要通过识别监控视频中的事故特征实现。事故特征主要包括外观特征和运动特征。事故外观特征来源于事故发生后的车辆形变、机动车侧翻，非机动车或者行人摔倒等区别于正常行驶状态下的特征。事故运动特征需要在一段时间内连续观测获得，主要包括轨迹的交叉滞留，周围行人的聚集等。

现有基于视频的事故检测技术可以分为两大类：(1)基于运动特征的事故检测技术；(2)基于特征融合的事故检测技术。基于运动特征的检测技术主要从视频中提取车辆运动信息加以建模，同时建立规则式或机器学习式的事故判别方法。该类技术丢失了重要的外观信息，因此检测精度有限。基于特征融合的检测技术引入了事故外观信息，通常采用神经网络同步提取事故外观特征和运动特征进行事故检测，因此具有较高的检测精度。但是现有的特征融合检测技术难以区分事故相关的交通拥堵和事故无关的交通拥堵，因此模型的误报率和漏检率均较高，事故检测精度受限。

发明内容

为了解决上述背景技术提到的技术问题，本发明提出了一种改进的双流交通事故检测方法，降低模型的误报率和漏检率，提高模型事故检测精度。

为了实现上述技术目的，本发明的技术方案为：

一种改进的双流交通事故检测方法，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。

进一步地，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。

进一步地，在步骤(2)中，提取光流数据的方法如下：