一种基于深度学习的交通事故智能检测方法技术

本发明专利技术为一种基于深度学习的交通事故智能检测方法，包括步骤：S1、收集交通事故监控视频为视频测试集和图片训练集；S2、搭建ResNet‑50模型；S3、使用ResNet‑50图片数据集训练ResNet‑50模型；S4、构建改进版YOLOv3模型；S5、利用YOLOv3图片数据集训练测试改进版YOLOv3模型；S6、利用视频测试数据集进行总体模型测试，检出交通事故；S7、总体模型通过测试实验。本发明专利技术主要应用于交通道路视频监控场景，结合ResNet‑50与YOLOv3，并利用空间金字塔池网络结构SPP‑net与K均值聚类算法K‑Means进行优化，提高检测精度。

【技术实现步骤摘要】
一种基于深度学习的交通事故智能检测方法
本专利技术涉及深度学习的图像与视频分析
，尤其涉及一种基于深度学习的交通事故智能检测方法。
技术介绍
随着深度学习的不断发展，人们对图像识别领域的研究也更加深入。而全球道路交通事故死亡逐渐被认为是主要的公共卫生问题之一，将基于深度学习的图像与视频分析技术应用于交通事故视频监控系统上，可以无需人力，自主检测交通事故，并及时告知相关人员已经发生交通事故，这样就可及早为事故受害者提供抢救服务，还可规避二次事故发生，大大减少甚至避免人员伤亡和财务损失。现在应用在检测交通事故领域的方法很多：有基于高斯混合模型(GMM)从视频镜头中提取前景和背景，以检测车辆，再基于均值偏移算法跟踪检测到的车辆，通过收集车辆位置、加速度和行驶车辆方向这些参数并分析其变化，作为事故决策依据；也有基于支持向量机实现、基于随机森林实现、基于轨迹聚类技术实现或者在车上安装硬件传感器进行监控等方法实现。但是交通事故形态多样、特征复杂，而且影响交通事故判断的外界因素也有很多，比如天气变化、道路环境、视频监控角度、设备状态等，所以在现本文档来自技高网...

【技术保护点】
1.一种基于深度学习的交通事故智能检测方法，其特征在于，包括以下步骤/nS1、收集交通事故监控视频作为视频测试集和图片训练集，处理出ResNet-50图片数据集和YOLOv3图片数据集；/nS2、搭建ResNet-50深度卷积神经网络模型；/nS3、使用ResNet-50图片数据集训练ResNet-50深度卷积神经网络模型；/nS4、构建改进版YOLOv3模型，利用空间金字塔池网络结构SPP-net与K均值聚类算法K-Means进行优化；/nS5、利用YOLOv3图片数据集训练改进版YOLOv3模型，检测车辆损坏、翻车、非机动车翻车、人员伤亡、失火5类交通事故场景；/nS6、利用视频测试数据集...

【技术特征摘要】
1.一种基于深度学习的交通事故智能检测方法，其特征在于，包括以下步骤
S1、收集交通事故监控视频作为视频测试集和图片训练集，处理出ResNet-50图片数据集和YOLOv3图片数据集；
S2、搭建ResNet-50深度卷积神经网络模型；
S3、使用ResNet-50图片数据集训练ResNet-50深度卷积神经网络模型；
S4、构建改进版YOLOv3模型，利用空间金字塔池网络结构SPP-net与K均值聚类算法K-Means进行优化；
S5、利用YOLOv3图片数据集训练改进版YOLOv3模型，检测车辆损坏、翻车、非机动车翻车、人员伤亡、失火5类交通事故场景；
S6、利用视频测试数据集进行总体模型测试，检出交通事故并获取具体事故场景信息；
S7、总体模型通过测试实验。


2.根据权利要求1所述的深度学习的交通事故智能检测方法，其特征在于，步骤S1的处理过程如下：
S101、利用视频处理库OpenCV将视频处理成帧序列，提取交通事故帧图片与非交通事故帧图片，分为accidents与no-accidents两类，对应于交通事故类和非交通事故类；
S102、使用LabelImg对accidents类图片标注类别标签，其中，标签分为5类，Damage、CarDump、TwoWheelDump、PersonDump、Fire，对应车辆损坏、翻车、非机动车翻车、人员伤亡、失火5类交通事故场景。


3.根据权利要求1所述的深度学习的交通事故智能检测方法，其特征在于，步骤S1中收集交通事故监控视频具体过程如下：
S111、搜集若干个监控视频，视频长度在0-3分钟之间，每个视频内容包含事故发生前、事故发生中、和事故发生后的场景；
S112、取若干视频作为视频测试输入，剩余视频进行视频转帧序列处理，并过滤出若干张accidents类图片与若干张no-accidents类图片，组成ResNet-50图片数据集，用于训练与测试ResNet-50模型；
S113、增加具体交通事故场景图片搜集，并做好标签处理，组成YOLOv3图片数据集，用于训练与测试改进版YOLOv3模型。


4.根据权利要求1所述的深度学习的交通事故智能检测方法，其特征在于，步骤S2中搭建ResNet-50深度卷积神经网络模型的过程如下：
S21、构建残差结构，残差结构设计算子为以下两种形式：
y＝F(x,{Wi})+x(1)
y＝F(x,{Wi})+Wsx(2)
其中，y表示残差结构的输出特征，x表示残差结构的输入特征，F(x,{Wi})表示输入特征x经过一个或多个权值为Wi的卷积结构处理，Ws为处理输入特征卷积结构的权值；
S22、基于残差结构和卷积结构，搭建ResNet-50卷积神经网络；
S23、处理前向传播过程，构建损失函数，采取交叉熵作为损失函数，使用Softmax激活函数将每个类别所对应的输出分量归一化：



其中，Si表示类别i对应的归一化预测输出分量，yi表示类别i对应的原始输出分量，yj表示类别j对应的原始输出分量，共有n个类别；
再计算交叉熵，计算公式为：



其中，EP(S′i,Si)表示为交叉熵，S′i表示为类别i对应的归一化真实输出分量；
S24、构建Adma优化器，整合模型，创建模型运行会话。


5.根据权利要求1所述的深度学习的交通事故智能检测方法，其特征在于，步骤S3的具体过程如下：
S31、基于python编写训练脚本；
S32、配置训练超参，学习率lr、分批处理个数batc_size、一阶估计衰减因子beta1、二阶估计衰减因子beta2；执行训练脚本并携带必要参数，数据集文件路径、迭代次数；开始训练ResNet-50模型，自动微调权重参数，获取ResNet-50深度卷积神经网络模型回归；...

【专利技术属性】
技术研发人员：刘永桂，叶思，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东;44