一种基于DCNN的高速公路事故判别方法技术

本发明专利技术公开了一种基于深度卷积神经网络的高速公路交通事故判别方法，其包括从监控视频中提取轨迹、轨迹重构以及事故判别等内容；所述轨迹提取由YOLOv7算法及SORT算法实现，轨迹重构由KD

【技术实现步骤摘要】
一种基于DCNN的高速公路事故判别方法


[0001]本专利技术涉及交通事故判别领域，尤其是一种基于高速公路监控视频利用深度卷积神经网络进行事故判别的方法。

技术介绍

[0002]现有交通事故检测研究从使用数据的角度可分为三种类型，即基于宏观交通流数据的方法，基于单车姿态数据的方法以及基于视频数据的方法。基于视频的道路事故检测方法是目前主流，主要采用运动检测、特征提取和特征分析三个步骤完成。提取的特征包括车辆的速度、加速度、面积、位置和方向，并将这些特征与预定义的阈值进行比较，以检测事故，精度较低。
[0003]近年来根据轨迹数据的应用研究逐渐增多，但还不够深入。因此，本专利技术提出一种基于视频提取事故车辆在一段时间内的轨迹信息对交通事故进行检测和分类的方法，结合深度卷积神经网络对交通事故进行六种类型的判别分类，提高了事故检测和分类的准确性和可靠性。

技术实现思路

[0004]本专利技术的目的在于提供一种基于高速公路监控视频利用深度卷积神经网络进行事故判别的方法，能够提取并优化完整的车辆轨迹，识别六种类型交通事故，提高车辆轨迹提取的准确度以及事故检测分类的可靠性。
[0005]为达成上述目的，本专利技术所采用的技术方案如下：
[0006]S1、运用YOLOv7目标检测算法和SORT目标跟踪算法提取高速公路监控视频中的车辆运动参数及行驶轨迹；
[0007]S2、运用KD
‑
Tree算法对S1中检测跟踪提取的轨迹数据进行清理、变换、重构；
[0008]S3、构建基于多特征离散时间序列数据的深度卷积神经网络模型，将交通事故进行分类；
[0009]S4、将经S2优化过后的轨迹数据输入至步骤S3的深度卷积神经网络模型中进行训练；
[0010]S5、将车辆轨迹数据输入至S4训练好的模型中，判别属于何种事故类型。
[0011]进一步地，所述步骤S1中，共捕获不低于500个训练图形样本用于车辆特征学习，连续图形的时间间隔为120帧，在官方COCO数据集训练的权重文件的基础上，通过基于YOLOv7框架的迁移学习方法对本专利收集的交通视频的车辆特征进行训练。
[0012]进一步地，所述步骤S1中，采用SORT算法找到连续帧内的最优车辆匹配，实现各车辆的初始轨迹数据提取。
[0013]进一步地，所述步骤S2中，将步骤S1得到的初始轨迹数据从像素坐标转移到大地测量坐标，运用SG(Savitzky
‑
Golay)滤波器对中心点坐标进行两次平滑处理。
[0014]进一步地，所述步骤S2中，采用KD
‑
Tree算法和三次样条插值方法对轨迹数据进行
重构，区分完整的轨迹数据和破碎的轨迹数据，并将假设属于同一车辆的破碎的轨迹数据连接成完整的轨迹数据。
[0015]进一步地，所述步骤S3中，模型输入为两辆事故车辆的18个相关变量，即两辆车的瞬时速度、平均速度、瞬时加速度、平均加速度、加速度标准差、速度标准差、加速度方差、速度方差和方位角。输出为正常驾驶及五种事故类型的概率，隐藏层由四个覆盖层、一个平面层和两个完全连接层组成。
[0016]进一步地，所述步骤S3中，覆盖层使用卷积和池化计算来处理原始输入，平面层将多维输入转换为一维数组，全连接层提取分类特征。
[0017]进一步地，所述步骤S4中，将原始数据分为训练数据集、验证数据集和测试数据集。将训练数据集输入模型，对所提出的模型进行训练，利用验证数据集对模型进行验证，找到损失最小或精度最高的模型，并利用测试数据集评估模型的性能。为了解决过拟合问题，使数据利用率最大化，按照8:1:1的方法展开交叉验证的。
[0018]进一步地，所述步骤S5中，将数据输入至模型中得到交通事故的判别结果，即C0、C1、C2、C3、C4和C5六种类型，并且运用验证集验证模型的有效性，运用测试集报告模型精度。
[0019]本专利技术的有益效果为：
[0020](1)本专利技术根据两辆事故车辆在一段时间内的轨迹信息对交通事故进行检测和分类，不仅利用相关车辆的位置信息，还捕捉事故车辆在一段时间内的发展趋势，可提高检测分类的可靠性。
[0021](2)本专利技术将深度卷积神经网络运用于交通事故的检测和分类，使事故识别模型具有较好的分类性能，结果显示，基于多车的事故检测和分类的准确性都较高。
[0022](3)本专利技术引入结合轨迹数据重建技术，在检测跟踪车辆轨迹的基础上，对破碎的轨迹数据进行重构，能够获取更准确且连续的车辆运行轨迹数据。
[0023]本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在说明书以及附图中所特别指出的结构来实现和获得。
附图说明
[0024]附图用来提供对本专利技术进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：
[0025]图1为本专利技术的工作流程图；
[0026]图2为车辆轨迹重建流程图；
[0027]图3为模型隐藏层的网络结构。
具体实施方式
[0028]为了使得本专利技术的技术方案的目的、技术方案和优点更加清楚，下文中将结合本专利技术具体实施例的附图，对本专利技术实施例的技术方案进行清楚、完整的描述。需要说明的是，所描述的实施例是本专利技术的一部分实施例，而不是全部的实施例。基于所描述的本专利技术的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都
属于本专利技术保护的范围。
[0029]参照图1，本专利技术提出一种基于DCNN的交通事故判别方法，包括以下步骤：
[0030]S1、获取一段高速公路发生交通事故的监控视频。
[0031]S2、采用YOLOv7目标检测算法对机动车进行检测并提取有关参数；该算法由四个部分组成：输入、特征提取、特征强化和预测输出。本专利技术共捕获不低于500个训练图形用于车辆特征学习，连续图形的时间间隔为120帧。每辆车的位置和类型都被标记在这些图中。在捕获的数据中，有80％作为训练数据集，其他的作为测试集。在官方COCO数据集训练的权重文件的基础上，通过基于YOLOv7框架的迁移学习方法对本专利收集的交通视频的车辆特征进行训练。
[0032]通过运行YOLOv7检测程序，可以输出采集到的交通视频的每一帧中每辆车的位置、类型和置信度。
[0033]S3、采用SORT算法找到连续帧内的最优车辆匹配，实现各车辆的初始轨迹数据提取。
[0034]基于SORT跟踪算法可分为两个过程：
[0035](1)采用匈牙利算法，寻找第一帧和第二帧的车辆检测结果中的最优车辆匹配。通过计算每个匹配对的位置方差，初始化卡尔曼滤波器。
[0036](2)使用卡尔曼滤波器，预测车辆在第三帧中的位置。在第三帧的预测结果和检测结果中寻找最优匹配对，并对卡尔曼滤波中的参数进行更新。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于DCNN的高速公路事故判别方法，其特征在于，包括以下步骤：S1、运用YOLOv7目标检测算法和SORT目标跟踪算法提取高速公路监控视频中的车辆运动参数及行驶轨迹；S2、运用KD
‑
Tree算法对S1中检测跟踪提取的轨迹数据进行清理、变换、重构；S3、构建基于多特征离散时间序列数据的深度卷积神经网络模型，将交通事故进行分类；S4、将经S2优化过后的轨迹数据输入至步骤S3的深度卷积神经网络模型中进行训练；S5、将车辆轨迹数据输入至S4训练好的模型中，判别属于何种事故类型。2.根据权利要求1所述的一种基于DCNN的高速公路事故判别方法，其特征在于：所述步骤S1中，共捕获不低于500个训练图形样本用于车辆特征学习，连续图形的时间间隔为120帧，在官方COCO数据集训练的权重文件的基础上，通过基于YOLOv7框架的迁移学习方法对本专利收集的交通视频的车辆特征进行训练。3.根据权利要求1所述的一种基于DCNN的高速公路事故判别方法，其特征在于：所述步骤S1中，采用SORT算法找到连续帧内的最优车辆匹配，实现各车辆的初始轨迹数据提取。4.根据权利要求1所述的一种基于DCNN的高速公路事故判别方法，其特征在于：所述步骤S2中，将步骤S1得到的初始轨迹数据从像素坐标转移到大地测量坐标，运用SG滤波器对中心点坐标进行两次平滑处理。5.根据权利要求1所述的一种基于DCNN的高速公路事故判别方法，其特征在于：...

【专利技术属性】
技术研发人员：孙健，
申请(专利权)人：江苏宁杭高速公路有限公司，
类型：发明
国别省市：