【技术实现步骤摘要】
本专利技术涉及一种基于动态目标分割时空网络的事故检测方法及相关装置，属于图像识别技术与交通安全管理领域。
技术介绍
1、随着机动车（尤其是汽车）保有量迅猛增长，道路交通事故迅猛增长，交通事故实时检测可以提高事故识别与响应速度，降低交通管控难度，减少事故带来的财产与安全损失、为交通事故致因研究和交通政策制定提供帮助，提高道路安全性。
2、在现有的道路交通事故检测方法中，通常先对图像进行车辆检测并进行车辆跟踪，根据车辆位置变化信息以及车辆与其他物体的关联关系判断事故是否发生。此类算法均依赖于车辆轨迹作为事故判断前提条件；然而在车流密集时往往会出现轨迹断裂、丢失、错误轨迹关联等问题，再者，事故发生时车辆位置、速度、形状的突变以及可能出现的翻倒、扬尘、火焰均会对目标跟踪产生显著影响，最后，事故的多样性导致判断用的轨迹规则在很多场景下并不适用；以上问题都会导致此类算法的结果不准确。
技术实现思路
1、本专利技术提供了一种基于动态目标分割时空网络的事故检测方法及相关装置，解决了
技术介绍
中披露的问题。
2、根据本公开的一个方面，提供一种基于动态目标分割时空网络的事故检测方法，包括：对待检测的交通运行视频片段进行等间隔视频帧采样；提取各视频帧的特征向量和兴趣区域；其中，兴趣区域为与历史事故发生区域具有相似特征向量的区域；将兴趣区域的特征向量和兴趣区域所在视频帧的特征向量进行融合，获取各视频帧的空间特征向量；根据各视频帧的空间特征向量，获取交通运行视频片段的时空特征向量；根据
3、在本公开的一些实施例中，将兴趣区域的特征向量和兴趣区域所在视频帧的特征向量进行融合，获取各视频帧的空间特征向量，包括：针对每个视频帧，重新提取兴趣区域的特征向量，将重新提取的兴趣区域的特征向量与兴趣区域所在视频帧的特征向量进行堆叠，获得视频帧的空间特征向量。
4、在本公开的一些实施例中，采用卷积神经网络重新提取兴趣区域的特征向量；在卷积神经网络中，卷积层对输入特征图的处理公式为：
5、；
6、式中，为第 l卷积层输出特征图第 u行第 v列的值， m和 n分别为卷积核的列数和行数，为第 l卷积层输入特征图第 i+ u行第 j+ v列的值，为第 l卷积层中卷积核第 i行第 j列的值， b l为第 l卷积层的偏置项。
7、在本公开的一些实施例中，根据各视频帧的空间特征向量，获取交通运行视频片段的时空特征向量，包括：按照视频帧的时间顺序对各视频帧的空间特征向量进行排序，将排序后的空间特征向量输入transformer编码器，获取交通运行视频片段的时空特征向量。
8、在本公开的一些实施例中，根据交通运行视频片段的时空特征向量，进行交通运行视频片段的事故检测，包括：根据交通运行视频片段的时空特征向量，计算交通运行视频片段的事故发生指标，根据事故发生指标和阈值，获得交通运行视频片段的事故检测结果。
9、在本公开的一些实施例中，计算交通运行视频片段的事故发生指标，公式为：
10、 r= w* z+ b；
11、式中， r为事故发生指标， z为交通运行视频片段的时空特征向量， w为针对 z的权重， b为偏置。
12、在本公开的一些实施例中，还包括，若检测出事故发生，以待检测的交通运行视频片段为中心，将前、后预设时段的视频片段保存，并在保存的视频片段中标识不断变化的兴趣区域。
13、根据本公开的另一个方面，提供一种基于动态目标分割时空网络的事故检测装置，包括：
14、采样模块，对待检测的交通运行视频片段进行等间隔视频帧采样；
15、提取模块，提取各视频帧的特征向量和兴趣区域；其中，兴趣区域为与历史事故发生区域具有相似特征向量的区域；
16、融合模块，将兴趣区域的特征向量和兴趣区域所在视频帧的特征向量进行融合，获取各视频帧的空间特征向量；
17、时空特征向量模块，根据各视频帧的空间特征向量，获取交通运行视频片段的时空特征向量；
18、事故检测模块，根据交通运行视频片段的时空特征向量，进行交通运行视频片段的事故检测。
19、根据本公开的另一个方面，提供一种计算机可读存储介质，计算机可读存储介质存储一个或多个程序，一个或多个程序包括指令，指令当由计算设备执行时，使得计算设备执行基于动态目标分割时空网络的事故检测方法。
20、根据本公开的另一个方面，提供一种计算机设备，包括一个或多个处理器、以及一个或多个存储器，一个或多个程序存储在一个或多个存储器中并被配置为由一个或多个处理器执行，一个或多个程序包括用于执行基于动态目标分割时空网络的事故检测方法的指令。
21、本专利技术所达到的有益效果：本专利技术摒弃了对车辆轨迹的依赖，利用交通事故的时空特征关系，通过特征提取与融合，快速有效判断视频流中事故是否发生，提高了事故识别的准确率和效率。
本文档来自技高网...【技术保护点】
1.基于动态目标分割时空网络的事故检测方法，其特征在于，包括：
2.根据权利要求1所述的基于动态目标分割时空网络的事故检测方法，其特征在于，将兴趣区域的特征向量和兴趣区域所在视频帧的特征向量进行融合，获取各视频帧的空间特征向量，包括：
3.根据权利要求2所述的基于动态目标分割时空网络的事故检测方法，其特征在于，采用卷积神经网络重新提取兴趣区域的特征向量；在卷积神经网络中，卷积层对输入特征图的处理公式为：
4.根据权利要求1所述的基于动态目标分割时空网络的事故检测方法，其特征在于，根据各视频帧的空间特征向量，获取交通运行视频片段的时空特征向量，包括：
5.根据权利要求1所述的基于动态目标分割时空网络的事故检测方法，其特征在于，根据交通运行视频片段的时空特征向量，进行交通运行视频片段的事故检测，包括：
6.根据权利要求5所述的基于动态目标分割时空网络的事故检测方法，其特征在于，计算交通运行视频片段的事故发生指标，公式为：
7.根据权利要求1所述的基于动态目标分割时空网络的事故检测方法，其特征在于，还包括，若检测出
8.基于动态目标分割时空网络的事故检测装置，其特征在于，包括：
9.计算机可读存储介质，其特征在于，计算机可读存储介质存储一个或多个程序，一个或多个程序包括指令，指令当由计算设备执行时，使得计算设备执行权利要求1~7任一方法。
10.计算机设备，其特征在于，包括：
...【技术特征摘要】
1.基于动态目标分割时空网络的事故检测方法，其特征在于，包括：
2.根据权利要求1所述的基于动态目标分割时空网络的事故检测方法，其特征在于，将兴趣区域的特征向量和兴趣区域所在视频帧的特征向量进行融合，获取各视频帧的空间特征向量，包括：
3.根据权利要求2所述的基于动态目标分割时空网络的事故检测方法，其特征在于，采用卷积神经网络重新提取兴趣区域的特征向量；在卷积神经网络中，卷积层对输入特征图的处理公式为：
4.根据权利要求1所述的基于动态目标分割时空网络的事故检测方法，其特征在于，根据各视频帧的空间特征向量，获取交通运行视频片段的时空特征向量，包括：
5.根据权利要求1所述的基于动态目标分割时空网络的事故检测方法，其特征在于，根据交通运行视频片段的时空特...
【专利技术属性】
技术研发人员：郭延永，江典峰，周继彪，吕浩，岳全胜，陈晓薇，吴秀梅，罗元炜，
申请(专利权)人：东南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。