一种复杂检测条件下交通事件检测方法技术

本发明专利技术公开了一种复杂检测条件下交通事件检测方法，包括：获取车辆位置信息和车道线位置信息的历史数据，根据深度学习方法构建多任务学习网络模型；将历史数据输入多任务学习网络模型进行训练，获得多任务学习网络检测模型；基于道路监控视频实时提取图像数据，将图像数据输入多任务学习网络检测模型进行检测，获得车辆和车道线的检测结果；将检测结果输入交通异常事件检测算法，检测道路上的异常交通事件。本发明专利技术基于多任务学习网络模型，解决了在不良条件下车辆检测效果差的问题，由于是同一个网络模型同时检测车辆和车道线，所以不仅节省了相关设备的硬件资源，而且提高了模型的运行效率，满足了公路视频监控实时性的要求。满足了公路视频监控实时性的要求。满足了公路视频监控实时性的要求。

【技术实现步骤摘要】
一种复杂检测条件下交通事件检测方法


[0001]本专利技术属于交通异常事件检测领域，特别是涉及一种复杂检测条件下交通事件检测方法。

技术介绍

[0002]通过视频图像及时检测交通异常事件，并提前告知驶来车辆驾驶员或者公路管理单位及时通进行事件处理，能有效降低二次事故的发生，避免更大程度的损失，目前主要有两种方法：
[0003](1)背景差分法：就是以路面作为背景建立背景模型，然后将图像与背景模型进行比较，从中减去背景模型的信息，就是目标的信息，即目标车辆的信息。背景差分法通过对视频中所有帧图像的每个像素进行遍历，就可以将行驶的车辆目标与背景信息完整的分割出来。再对车辆的位置信息进行分析，从而检测出交通异常事件。
[0004](2)基于深度学习的目标检测方法：基于深度学习技术的网络模型先利用大量的公路监控视频帧图像进行训练，然后利用训练好的模型对公路监控视频进行检测，进而检测出车辆的位置信息，然后基于车辆的位置等信息，通过目标跟踪算法生成车辆的行驶轨迹，最后通过车辆的行驶轨迹判断交通异常事件。
[0005]对于背景差分法，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种复杂检测条件下交通事件检测方法，其特征在于，包括：获取车辆位置信息和车道线位置信息的历史数据，根据深度学习方法构建多任务学习网络模型；将所述历史数据输入所述多任务学习网络模型进行训练，获得多任务学习网络检测模型；基于道路监控视频实时提取图像数据，将所述图像数据输入所述多任务学习网络检测模型进行检测，获得车辆和车道线的检测结果；将所述检测结果输入交通异常事件检测算法，检测道路上的异常交通事件。2.根据权利要求1所述的复杂检测条件下交通事件检测方法，其特征在于，将所述历史数据输入所述多任务学习网络模型进行训练的过程包括，对车辆位置信息和车道线位置信息的历史数据进行标注，包括通过矩形框标注车辆和通过多段线标注车道线，获得标注后的数据集；将所述标注后的数据集按照一定比例划分训练集、验证集、测试集；基于所述训练集、验证集进行数据增强处理后对多任务学习网络模型进行训练，获得收敛后的初始检测模型；将所述测试集输入所述初始检测模型进行精度评估，满足要求获得多任务学习网络检测模型。3.根据权利要求2所述的复杂检测条件下交通事件检测方法，其特征在于，将所述测试集输入所述初始检测模型进行精度评估，满足要求获得多任务学习网络检测模型的过程包括，以mAP50和召回率为指标对所述初始检测模型的车辆检测结果进行精度评价，获得第一评价结果；以准确率和IOU为指标对所述初始检测模型的车道线检测结果进行精度评价，获得第二评价结果；若所述第一评价结果、第二评价结果均满足要求，则将所述初始检测模型训练的超参数结果作为实际视频测试的多任务学习网络检测模型；若不满足要求，则更新样本集与网络初始化参数，对多任务学习网络模型重新训练后继续进行精度评价，直至满足要求获得所述多任务学习网络检测模型。4.根据权利要求1所述的复杂检测条件下交通事件检测方法，其特征在于，将所述图像数据输入所述多任务学习网络检测模型进行检测，获得车辆和车道线的检测结果的过程包括，基于所述多任务学习网络检测模型同时对车辆和车道线进行检测，利用目标跟踪算法对车辆进行跟踪，生成车辆行驶轨迹和车道线轨迹。5.根据权利要求4所述的复杂检测条件下交通事件检测方法，其特...

【专利技术属性】
技术研发人员：何站稳，杜渐，段洪琳，姜德宏，宋建斌，徐华，耿亚玮，吴武勋，张凯，江子强，符锌砂，彭锦辉，曾彦杰，
申请(专利权)人：招商局公路网络科技控股股份有限公司，
类型：发明
国别省市：