[发明专利]一种基于预训练模型的事件分类方法、系统、设备及介质

说明书

本发明公开了一种基于预训练模型的事件分类方法、系统、设备及介质，应用于交通事件检测场景中，所述方法包括：获取管辖范围内当前发生的交通事件图像；将所述交通事件图像输入第一预训练模型进行事件类型检测，得到第一分类结果和目标车辆关联的检测框位置；根据所述检测框位置从所述交通事件图像中裁剪出对应的待测目标图像；将所述待测目标图像输入第二预训练模型进行车辆类型检测，得到第二分类结果；根据所述第一分类结果和所述第二分类结果，确定所述管辖范围内当前发生的交通事件类别信息。本发明通过利用第一预训练模型和第二预训练模型对交通事件图像进行检测分析，可以智能化地获取到该交通事件的具体类别信息。

技术领域

本发明涉及计算机技术领域，具体是涉及一种基于预训练模型的事件分类方法、系统、设备及介质。

背景技术

随着经济和科技的不断发展，城市车辆数量不断上涨，为了确保车辆行驶行为规范化，引入视频监控覆盖绝大部分的行车区域。当发生突发交通事件时，需要由管辖范围内的交警部门通过实时查看到视频监控或者接收到群众报警之后才能大概了解到现场情况并出警处理，但是这种方式并不具备智能化。

发明内容

本发明提供一种基于预训练模型的事件分类方法、系统、设备及介质，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。

第一方面，提供一种基于预训练模型的事件分类方法，应用于交通事件检测场景中，所述方法包括：

获取管辖范围内当前发生的交通事件图像；

将所述交通事件图像输入第一预训练模型进行事件类型检测，得到第一分类结果和目标车辆关联的检测框位置；

根据所述检测框位置从所述交通事件图像中裁剪出对应的待测目标图像；

将所述待测目标图像输入第二预训练模型进行车辆类型检测，得到第二分类结果；

根据所述第一分类结果和所述第二分类结果，确定所述管辖范围内当前发生的交通事件类别信息。

进一步地，所述第一预训练模型和所述第二预训练模型均采用YOLO神经网络模型，包括依次连接的BackBone主干网络、Neck网络和Head网络；

所述BackBone主干网络包括预处理模块和六个特征提取模块，所述预处理模块由第一卷积层、批量归一化层和激活函数所组成，每个特征提取模块由第二卷积层和若干个残差模块所组成，每个残差模块由可变形卷积层、第三卷积层和第四卷积层所组成；所述改进Neck网络包括三个特征融合模块，每个特征融合模块由转置卷积层和第一全连接层所组成；所述Head网络包括SPP层、第二全连接层、softmax层和线性回归层；

所述BackBone主干网络用于从输入图像中提取出不同尺度下的四个特征图，所述Neck网络用于对所述四个特征图进行自下往上融合，得到对应的四个深层特征图，所述Head网络用于对所述四个深层特征图进行预测分析以输出最终分类结果。

进一步地，所述第一预训练模型在投入使用之前的训练过程包括：

获取第一训练样本集合，所述第一训练样本集合包括在不同光照情况下和不同阴雨天气情况下的各类交通事件图像，所述各类交通事件图像包括车辆侧翻事件图像、车辆碰撞事件图像和车辆起火事件图像；

利用所述第一训练样本集合对所述第一预训练模型进行训练，且在训练过程中以预先定义的损失函数为评价基准，利用模型优化器进行网络参数优化。

进一步地，所述第二预训练模型在投入使用之前的训练过程包括：

获取第二训练样本集合，所述第二训练样本集合包括在不同光照情况下和不同阴雨天气情况下的各类车辆图像，所述各类车辆图像包括轿车图像、货车图像、公交车图像、大巴车图像和非机动车图像；