基于计算机视觉的交通监控中事故检测方法技术

本发明专利技术涉及智能交通技术领域，并更具体的涉及基于计算机视觉的交通监控中事故检测方法，车辆检测单元使用基于区域的卷积神经网络检测视频中的车辆；车辆跟踪和特征提取单元根据检测到物体的类别和得分保留正确检测到的车辆，在给定的时间帧中检测到车辆后，在后续的时间帧中跟踪检测到车辆，预测碰撞的发生；事故检测单元引入加速度异常、轨迹异常和角度异常变化来监视异常进行事故检测。本发明专利技术可以在一般道路交通监控录像上实现高检测率和低虚警率。虚警率。虚警率。

【技术实现步骤摘要】
基于计算机视觉的交通监控中事故检测方法


[0001]本专利技术涉及智能交通
，并更具体的涉及基于计算机视觉的交通监控中事故检测方法。

技术介绍

[0002]目前，车辆交通已经成为人们生活的重要组成部分，每天都会影响人类的活动和服务，因此，有效的道路交通组织和管理对于平稳的交通至关重要，尤其是在车辆络绎不绝的闹市区域。每年人员伤亡、财产损失、车辆碰撞和车辆生产的数量成比例飙升，尽管采取了多项措施，比如道路监控技术，或者在道路交叉口安装摄像机和在公路上放置雷达，捕捉超速车辆，但依然有许多人失去生命，由于缺乏及时的意外报告导致提供给受害者延迟医疗援助，从而造成不利的后果。
[0003]目前的交通管理技术严重依赖于人类对所拍摄像头的感知，这需要人工实时监控，不支持对自发事件的任何实时反馈。检测车辆事故时，使用监控摄像机，生成时空视频量(STVV)，在去噪自动编码器上提取深层表示，以便生成异常分数，检测移动物体，跟踪物体，查找最终确定发生事故的几率，该方法可以有效地确定在交通流量正常且照明条件良好的交叉路口发生的车祸，但是，在低能见度条件下确定事故，车祸发生闭塞时表现较差。
[0004]还有一种使用高斯混合模型(GMM)来检测车辆的方法，然后使用均值偏移算法对检测到的车辆进行跟踪。尽管此算法对于处理事故期间的遮挡效果非常合适，但由于交通模式变化不定和恶劣的天气情况，该方法依赖于有限的参数，在参数化事故检测标准方面却表现不佳。它们在建立事故检测标准方面表现不佳，因为它们需要特定形式的输入，因此无法在一般情况下实施。

技术实现思路

[0005]本专利技术针对以上要求以及技术上存在的缺陷，提出基于计算机视觉的交通监控中事故检测方法，可以在一般道路交通监控录像上实现高检测率和低虚警率。
[0006]为了实现本专利技术的目的，所采用的技术方案是：基于计算机视觉的交通监控中事故检测方法，车辆检测单元使用基于区域的卷积神经网络检测视频中的车辆；车辆跟踪和特征提取单元根据检测到物体的类别和得分保留正确检测到的车辆，在给定的时间帧中检测到车辆后，在后续的时间帧中跟踪检测到车辆，预测碰撞的发生；事故检测单元引入加速度异常、轨迹异常和角度异常变化来监视异常进行事故检测。
[0007]作为本专利技术的优化方案，车辆检测单元使用基于区域的卷积神经网络自动分割和构造视频中每个对象的逐像素掩码，使用RoI Align处理掩模，车辆检测单元输出字典包含给定视频帧的所有类别ID，检测分数，边界框和生成的掩码。
[0008]作为本专利技术的优化方案，通过利用质心跟踪算法在连续帧上获取检测到的车辆的质心之间的欧几里得距离，质心跟踪算法步骤如下：
[0009]A、通过获取穿过检测到的车辆的边界框的中点的线的交点来确定对象的质心；
[0010]B、计算新检测到的物体和现有物体的质心之间的欧几里得距离；
[0011]C、根据距当前质心集和先前存储的质心的最短欧式距离更新现有对象的坐标；
[0012]D、通过分配新的唯一ID并将其质心坐标存储在字典中，并在视场中注册新对象，并取消注册连续预定数量的帧中在当前视场中不可见的对象。
[0013]作为本专利技术的优化方案，通过确定车辆边界框的重叠预测碰撞的发生，判定公式为：
[0014](2
×
|a.x
‑
b.x|＜a.W+b.W)∧(2
×
|a.y+b.y|＜a.H+b.H)
[0015]其中：a.x为车辆A的质心横坐标，b.x为车辆B的质心横坐标，a.W为车辆A边界框的宽度，b.W车辆B边界框的宽度，a.y为车辆A的质心纵坐标，b.y为车辆B的质心纵坐标，a.W为车辆A边界框的高度，b.W车辆B边界框的高度。
[0016]作为本专利技术的优化方案，根据车辆行驶数据中采集的加速度数值和预设加速度值的差值判断加速度异常。
[0017]作为本专利技术的优化方案，从车辆的轨迹的交角θ确定轨迹异常。
[0018]作为本专利技术的优化方案，通过获取车辆轨迹角度的变化，基于一组预先定义的条件确定角度异常的变化。
[0019]作为本专利技术的优化方案，服务器分析单元存储车辆检测单元、车辆跟踪和特征提取单元和事故检测单元的数据，并基于加速度异常、轨迹异常和角度异常变化的权重，在0到1之间产生一个数值，该数值大于0.5认为车辆事故。
[0020]本专利技术具有积极的效果：本专利技术结合多个参数来评估事故的可能性，提高系统的可靠性。在各种环境条件下(例如白天，黑夜和大雪)获得的事故视频的误报率达到53％。提供一种简单而迅速的系统解决交通事故检测的问题，而不会造成时间延迟。
附图说明
[0021]下面结合附图和具体实施方式对本专利技术作进一步详细的说明。
[0022]图1是本专利技术的流程图。
具体实施方式
[0023]如图1所示，本专利技术公开了基于计算机视觉的交通监控中事故检测方法，包括车辆检测单元1、车辆跟踪和特征提取单元2、事故检测单元3和服务器分析单元4，
[0024]车辆检测单元1使用基于区域的卷积神经网络检测视频中的车辆；
[0025]车辆跟踪和特征提取单元2根据检测到物体的类别和得分保留正确检测到的车辆，在给定的时间帧中检测到车辆后，在后续的时间帧中跟踪检测到车辆，预测碰撞的发生；
[0026]事故检测单元3：引入加速度异常、轨迹异常和角度异常变化来监视异常进行事故检测。
[0027]车辆检测单元1使用基于区域的卷积神经网络自动分割和构造视频中每个对象的逐像素掩码，使用RoI Align处理掩模，车辆检测单元1输出字典包含给定视频帧的所有类别ID，检测分数，边界框和生成的掩码。
[0028]基于区域的卷积神经网络(Mask R
‑
CNN)是实例分割算法，掩模R
‑
CNN通过使用名
为RoI Align的新方法从而为掩模提供了10％至50％的更准确结果，Mask R
‑
CNN不仅提供了实例分割的优势，而且还通过使用RoI Align算法提高了核心精度。该阶段的结果是输出字典，其中包含给定视频帧的所有类别ID，检测分数，边界框和生成的掩码。
[0029]通过利用质心跟踪算法在连续帧上获取检测到的车辆的质心之间的欧几里得距离，质心跟踪算法步骤如下：
[0030]A、通过获取穿过检测到的车辆的边界框的中点的线的交点来确定对象的质心；
[0031]B、计算新检测到的物体和现有物体的质心之间的欧几里得距离；
[0032]C、根据距当前质心集和先前存储的质心的最短欧式距离更新现有对象的坐标；
[0033]D、通过分配新的唯一ID并将其质心坐标存储在字典中，并在视场中注册新对象，并取消注册连续预定数量的帧中在当前视场中不可见的对象。
[0034]通过确定车辆边界框的重叠预测碰撞的发生，判定公式为：(2
×
|a.x
‑<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于计算机视觉的交通监控中事故检测方法，其特征在于：车辆检测单元(1)使用基于区域的卷积神经网络检测视频中的车辆；车辆跟踪和特征提取单元(2)根据检测到物体的类别和得分保留正确检测到的车辆，在给定的时间帧中检测到车辆后，在后续的时间帧中跟踪检测到车辆，预测碰撞的发生；事故检测单元(3)引入加速度异常、轨迹异常和角度异常变化来监视异常进行事故检测。2.根据权利要求1所述的基于计算机视觉的交通监控中事故检测方法，其特征在于：车辆检测单元(1)使用基于区域的卷积神经网络自动分割和构造视频中每个对象的逐像素掩码，使用RoI Align处理掩模，车辆检测单元(1)输出字典包含给定视频帧的所有类别ID，检测分数，边界框和生成的掩码。3.根据权利要求2所述的基于计算机视觉的交通监控中事故检测方法，其特征在于：通过利用质心跟踪算法在连续帧上获取检测到的车辆的质心之间的欧几里得距离，质心跟踪算法步骤如下：A、通过获取穿过检测到的车辆的边界框的中点的线的交点来确定对象的质心；B、计算新检测到的物体和现有物体的质心之间的欧几里得距离；C、根据距当前质心集和先前存储的质心的最短欧式距离更新现有对象的坐标；D、通过分配新的唯一ID并将其质心坐标存储在字典中，并在视场中注册新对象，并取消注册连续预定数量的帧中在当前视场中不可见的对象。4....

【专利技术属性】
技术研发人员：李彪，
申请(专利权)人：国科智算徐州智能科技有限公司，
类型：发明
国别省市：