CN114882393A - 一种基于目标检测的道路逆行与交通事故事件检测方法 - Google Patents

一种基于目标检测的道路逆行与交通事故事件检测方法 Download PDF

Info

Publication number
CN114882393A
CN114882393A CN202210324676.0A CN202210324676A CN114882393A CN 114882393 A CN114882393 A CN 114882393A CN 202210324676 A CN202210324676 A CN 202210324676A CN 114882393 A CN114882393 A CN 114882393A
Authority
CN
China
Prior art keywords
vehicle
frame
position information
accident
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210324676.0A
Other languages
English (en)
Other versions
CN114882393B (zh
Inventor
刘永桂
李小龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202210324676.0A priority Critical patent/CN114882393B/zh
Publication of CN114882393A publication Critical patent/CN114882393A/zh
Application granted granted Critical
Publication of CN114882393B publication Critical patent/CN114882393B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于目标检测的道路逆行与交通事故事件检测方法，包括以下步骤：S1、获取原始数据；S2、在原始数据中获取样本，标注样本中车辆在帧图片中的位置及车辆类别；S3、经过数据处理得到训练集和验证集；S4、对原始YOLOv5的数据增强方法、激活函数进行改进，得到YOLOv5‑better模型；S5、将训练集和验证集输入到YOLOv5‑better模型，经过训练得到改进模型的权重文件；S6、将得到的权重文件输入到YOLOv5‑better模型，进行测试集测试得到车辆信息，并输入到deepsort，得到车辆的编号id和类别；S7、将每个id在视频帧中对应的位置信息输入到逻辑判断算法，判断是否逆行或者发生事故。本发明采用上述基于目标检测的道路逆行与交通事故事件检测方法，能够适用智能视频分析工作。

Description

一种基于目标检测的道路逆行与交通事故事件检测方法
技术领域
本发明涉及目标检测与跟踪技术领域，尤其是涉及一种基于目标检测的道路逆行与交通事故事件检测方法。
背景技术
现如今，交通越来越便捷，人们出行可选择的交通方式越来越多，陆路汽车作为便捷交通之一，随之产生的交通事故频频发生，而因医疗救援抢救不及时，每年在交通事故丧生的人数数字居于高位。在事故发生原因中，逆行占了一定的比重。传统的视频监控系统只具有提供监控、违法拍照的功能，在交通事故发生后，需要人工回调事故发生时间段视频流，耽误的时间较多，而监控视频又是交通事故责任划分判定的主要依据。采用检测系统来代替传统的视频监控，可实时监控交通事故画面，而实现视频智能分析的关键是目标检测算法的设计。
目前，常用的目标检测算法，如CNN、RCNN等，因适用范围小、对环境要求高、提取特征鲁棒性差和检测的实时性差等缺点，无法胜任要求识别精度高、受环境影响因素小、鲁棒性好的智能视频分析工作。
发明内容
本发明的目的是提供一种基于目标检测的道路逆行与交通事故事件检测方法，解决现有的检测算法存在适用范围小、对环境要求高、提取特征鲁棒性差和检测的实时性差，不适用智能视频分析工作的问题。
为实现上述目的，本发明提供了一种基于目标检测的道路逆行与交通事故事件检测方法，包括以下步骤：
S1、获取实际道路交通路况视频作为原始数据，从原始数据中选取一部分视频作为测试视频；
S2、在原始数据中获取样本，标注样本中车辆在帧图片中的位置及车辆类别，并转化为YOLOv5所需的txt格式文件；
S3、经过数据处理得到训练集和验证集；
S4、对原始YOLOv5的数据增强方法、激活函数进行改进，得到 YOLOv5-better模型；
S5、将训练集和验证集输入到YOLOv5-better模型，经过训练后，得到改进模型的权重文件；
S6、将得到的权重文件输入到YOLOv5-better模型，进行测试集测试得到车辆信息，将该信息作为输入给到deepsort多目标跟踪算法，得到车辆的编号id和类别；
S7、根据每个id在视频帧中对应的位置信息，将信息输入到逻辑判断算法，判断是否逆行或者发生事故。
优选的，所述步骤S1中，所述原始数据中包含多个初始视频，测试视频为不经过任何处理的初始视频。
优选的，所述步骤S2中，对原始数据中每个初始视频进行逐帧读取输出得到初始图片，作为数据样本；采用python标注算法手动对数据样本进行车辆类别和位置信息标注，得到xml格式，将得到的xml格式文件通过 xml2YOLOv5.py脚本转化为YOLOv5所需要的txt格式文件，对目标的位置信息进行归一化处理。
优选的，所述目标的位置信息归一化处理包括txt文件中车辆信息为列表(class,x_w,y_h,w_w,h_h)，其中，class表示标注类别，标注类别为普通小车car、货车truck、摩托车motor和行人person，x_w、y_h分别表示标注目标的中心点位置横坐标与图片宽度的比值、纵坐标与图片高度的比值，w_w、 h_h分别表示标注目标的宽度与图片宽度的比值、高度与图片高度的比值， x_w,y_h,w_w,h_h值均在(0，1]区间内。
优选的，所述步骤S3中，txt文件经count.py脚本计算出所有txt文件中的car和truck数量，对truck类别采用train_val.py脚本进行训练集和验证集 8：2的比例进行划分，对car类别采用train_val.py脚本进行训练集和验证集 8：2的比例进行划分，将划分好的truck类别和car类别的训练集和验证集的 txt文件整合。
优选的，所述步骤S4中，对YOLOv5自带的马赛克Mosaic数据增强方法进行改进，将9张训练集图片进行缩放拼成一张图；随机采用9张训练集图片按照裁剪方式进行剪接为一张图，裁剪过程中不经过目标边界框，扩充数据；
将YOLOv5中leaky relu激活函数换为mish激活函数，其表达式为： f(x)＝x*tanh(ln(1+ex))，得到改进的YOLOv5-better模型。
优选的，所述步骤S5中，将步骤S3中得到的训练集和验证集作为输入给到步骤S4得到的YOLOv5-better模型进行训练，预训练模型采用YOLOv5l 的权重文件，设置足够的epoches，训练完成后，得到训练文件weights。
优选的，所述步骤S6中，将步骤S5得到的训练文件的权重文件引入到步骤S1中的测试视频进行测试，将检测结果作为输入给到deepsort多目标跟踪算法对车辆进行跟踪，得到相应的编号id、类别以及位置信息。
优选的，所述步骤S7中，逆行的判断：
对道路进行上行、下行区域划分，引入与车辆y轴信息相关的增益Mc，每隔6帧取一帧图像作为逆行逻辑判断算法中的前后者，给一个初始逆行字典retrograde来表示前者图像帧中的所有在上行或下行的划分区域内的车辆编号及其位置信息，到后者图像帧到来时，用列表center_point来记录当前编号的车辆位置信息，判断处于划分区域内在字典retrograde中车辆编号的位置信息的y值变化；
上行时，判断逻辑算法为:
retrograde[id][1]＞center_point[1]×(1-Mc)
下行时，判断逻辑算法为:
retrograde[id][1]<center_point[1]×(1+Mc)
Mc为18/img_height，其中img_height为图像高度；
判断完成后，将逆行车辆编号存放在pre_retrograde列表中，将retrograde 更新为当前帧车辆信息，作为后面帧图像判断的前者；
优选的，所述步骤S7中，事故的判断：
事故的判断采用两层相辅的逻辑算法进行判断，每隔21帧取一帧图像作为事故逻辑判断算法中的前后者，在此过程中也引入增益Mt，Mt为 10/img_height；记录前者图像帧中检测事故区域内的车辆编号及其位置信息，判断前后者车辆的位置信息变化，采用欧几里得距离，有p1点(x1，y1)、p2点 (x2，y2)，其欧氏距离为：
Figure BDA0003571348110000041
若距离变化小于Mt，则判断为该车辆停车，将其编号及其位置信息存入 stopcar字典备用；
若有停车事件，在后者帧图像中，检测是否有行人，而且判断与stopcar 中停车车辆位置信息的欧氏距离是否小于Mp，Mp为800/img_height，若小于Mp此时判断为事故，将其信息加入到事故列表accident中，并更新stopcar 为后者图像帧的停车信息中作为后续帧的前者；若得到的字典stopcar的长度ls 满足2≤ls≤3，直接将其车辆编号及位置信息加入到事故列表accident中，并更新字典stopcar。
本发明所述的一种基于目标检测的道路逆行与交通事故事件检测方法的优点和积极效果是：
1、在已有的YOLOv5模型基础上进行改进，成为本发明的YOLOv5-better 模型，本发明的改进模型的训练结果的map0.5的值为92.02％，原始YOLOv5 模型的map0.5的值为90.12％，相对其提升了1.9％。
2、在逆行判断中，相对于已有的逆行判断方法，在y方向增加一个增益，防止靠近图像上方的远视角的小像素变化带来的误差。
3、在事故判断中，采用两层相辅的逻辑算法，同时也引入增益值，提高了对事故判别的准确率。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明一种基于目标检测的道路逆行与交通事故事件检测方法实施例的流程图；
图2为本发明一种基于目标检测的道路逆行与交通事故事件检测方法实施例的YOLOv51结构图；
图3为本发明一种基于目标检测的道路逆行与交通事故事件检测方法实施例的数据增强方法及随机拼接示意图；
图4为本发明一种基于目标检测的道路逆行与交通事故事件检测方法实施例的mish激活函数及其导函数图像；
图5为本发明一种基于目标检测的道路逆行与交通事故事件检测方法实施例的逆行逻辑算法判断流程图；
图6为本发明一种基于目标检测的道路逆行与交通事故事件检测方法实施例的事故逻辑算法判断流程图。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
实施例
图1为本发明一种基于目标检测的道路逆行与交通事故事件检测方法实施例的流程图。如图所示，本发明提供了一种基于目标检测的道路逆行与交通事故事件检测方法，包括以下步骤：
S1、获取实际道路交通路况视频作为原始数据，从原始数据中选取一部分视频作为测试视频。本实施例中获取的道路交通路况视频为广州市越秀区区域内高速公路实际交通视频，作为本发明的原始数据，包含多个初始视频。其中一部分视频作为测试视频，不做任何处理，即采用获取到的一部分原始初始视频作为测试视频。
S2、在原始数据中获取样本，标注样本中车辆在帧图片中的位置及车辆类别，并转化为YOLOv5所需的txt格式文件。对原始数据中每个初始视频进行逐帧读取输出得到初始图片并放置在相应文件夹，每个初始视频文件夹中逐帧图片名称都从00…01按序开始命名，并按文件夹对所有图片按“图片原始名称_所属文件夹名称”格式更改文件夹名称，整理放在同一个文件夹中，作为数据样本。
本实施例涉及的车辆类别包括普通小车car和货车truck，标注文件时同时标注摩托车motor、行人person，相对于车辆来说为小目标。采用python标注算法手动对数据样本进行车辆类别和位置信息标注，得到xml格式，将得到的xml格式文件通过xml2YOLOv5.py脚本转化为YOLOv5所需要的txt格式文件。
txt文件中车辆信息为列表(class,x_w,y_h,w_w,h_h)，其中，class表示标注类别，标注类别为普通小车car、货车truck、摩托车motor和行人 person；x_w、y_h分别表示标注目标的中心点位置横坐标与图片宽度的比值、纵坐标与图片高度的比值，w_w、h_h分别表示标注目标的宽度与图片宽度的比值、高度与图片高度的比值，x_w,y_h,w_w,h_h值均在(0，1]区间内；即YOLOv5的txt格式文件对目标的位置信息进行了归一化处理。
S3、经过数据处理得到训练集和验证集。txt文件经count.py脚本计算出所有txt文件中的car和truck数量，为保证类别分布大致相同，先从数量相对较少的truck类别采用train_val.py脚本进行训练集和验证集8：2的比例进行划分。将所有含有truck的txt文件筛选出，剩余的txt文件只包含car类别。对car类别采用train_val.py脚本进行训练集和验证集8：2的比例进行划分，将划分好的truck类别和car类别的训练集和验证集的txt文件整合。经 selectImage.py脚本对原始图片按照txt文件名称筛选，筛选完成后图片文件夹和标签文件夹中训练集和验证集应保持一致。
S4、对原始YOLOv5的数据增强方法、激活函数进行改进，得到 YOLOv5-better模型。对YOLOv5自带的马赛克Mosaic数据增强方法进行改进。图3为本发明一种基于目标检测的道路逆行与交通事故事件检测方法实施例的数据增强方法及随机拼接示意图。由于所标注的数据集行人和摩托车相对车辆为较小目标，因此将9张训练集图片进行缩放拼成一张图，使之成为更小的目标，增加模型对小目标的检测能力。另外，为扩充数据，随机采用9张训练集图片按照裁剪方式进行剪接为一张图，裁剪过程中不经过目标边界框。
图4为本发明一种基于目标检测的道路逆行与交通事故事件检测方法实施例的mish激活函数及其导函数图像。将YOLOv5中leaky relu激活函数换为mish激活函数，相对于leaky relu，mish函数处处光滑，其表达式为：
f(x)＝x*tanh(ln(1+ex))，
mish函数输出无上界利于模型拟合，且处处可导，不会存在梯度消失，得到改进的YOLOv5-better模型。
S5、将训练集和验证集输入到YOLOv5-better模型，经过训练后，得到改进模型的权重文件。将步骤S3中得到的训练集和验证集作为输入给到步骤 S4得到的YOLOv5-better模型进行训练。图2为本发明一种基于目标检测的道路逆行与交通事故事件检测方法实施例的YOLOv51结构图。如图所示，预训练模型采用YOLOv5l的权重文件，设置足够的epoches，训练完成后，得到训练文件weights。
S6、将得到的权重文件输入到YOLOv5-better模型，进行测试集测试得到车辆信息，将该信息作为输入给到deepsort多目标跟踪算法，得到车辆的编号id和类别。将步骤S5得到的训练文件的权重文件引入到步骤S1中的测试视频进行测试，得到一系列对应的检测结果，将检测结果作为输入给到 deepsort多目标跟踪算法对车辆进行跟踪，得到相应的编号id、类别以及位置信息，该位置信息为检测框左上和右下的像素坐标。
S7、根据每个id在视频帧中对应的位置信息，将信息输入到逻辑判断算法，判断是否逆行或者发生事故。步骤6得到视频中目标车辆的类别、编号id 以及对应的位置信息，这些信息作为事件判断的初始数据。
逆行的判断
图5为本发明一种基于目标检测的道路逆行与交通事故事件检测方法实施例的逆行逻辑算法判断流程图。如图所示，逆行的判断主要依靠车辆y轴方向上的位置变化与实际道路方向相反。在判断前，先对道路进行上行、下行区域划分。车辆逆行时，在上行道路上的车辆y轴方向的位置信息会逐渐增大，反之在下行车道上的会逐渐减小。在实际图像中，图像至上而下为视角的由远及近，即上方像素变化小，下方像素变化大。因此，引入与车辆y轴信息相关的增益Mc，来抵消判断区域内视角远近对像素变化判断的影响。
为防止隔帧像素产生的小变化带来的误差，在逆行逻辑算法中，取第0 帧、第6帧、第12帧……即每隔6帧取一帧图像作为逆行逻辑判断算法中的前后者，给一个初始逆行字典retrograde来表示前者图像帧中的所有在上行或下行的划分区域内的车辆编号及其位置信息，到后者图像帧到来时，用列表center_point来记录当前编号的车辆位置信息，判断处于划分区域内在字典retrograde中车辆编号的位置信息的y值变化。
上行时，判断逻辑算法为:
retrograde[id][1]＞center_point[1]×(1-Mc)
下行时，判断逻辑算法为:
retrograde[id][1]<center_point[1]×(1+Mc)
Mc为18/img_height，其中img_height为图像高度。
判断完成后，将逆行车辆编号存放在pre_retrograde列表中，将retrograde 更新为当前帧车辆信息，作为后面帧图像判断的前者；
事故的判断
图6为本发明一种基于目标检测的道路逆行与交通事故事件检测方法实施例的事故逻辑算法判断流程图。如图所示，事故的判断采用两层相辅的逻辑算法进行判断，发生事故后，涉事车辆会停车。取第0帧、第21帧、第42 帧……即每隔21帧取一帧图像作为事故逻辑判断算法中的前后者，在此过程中也引入增益Mt，Mt为10/img_height。由于前后者相隔21帧，大约为 0.7秒，所以可以忽略前后者车辆停车的位置信息因摄像头问题的偶然闪动。记录前者图像帧中检测事故区域内的车辆编号及其位置信息，判断前后者车辆的位置信息变化，采用欧几里得距离，即两点间的欧氏距离，有p1点 (x1，y1)、p2点(x2，y2)，其欧氏距离为：
Figure BDA0003571348110000091
若距离变化小于Mt，则判断为该车辆停车，将其编号及其位置信息存入 stopcar字典备用。
上面为第一层预先判断停车的逻辑算法，在此基础上，进行第二层判断。若有停车事件，同时在一定距离内检测到行人，即判断为事故，停车与事故的界限划分是否同时检测到人。在后者帧图像中，检测是否有行人，而且判断与stopcar中停车车辆位置信息的欧氏距离是否小于Mp，Mp为 800/img_height，若小于Mp此时判断为事故，将其信息加入到事故列表accident 中，并更新stopcar为后者图像帧的停车信息中作为后续帧的前者。事故可能会涉及多辆车停车，而拥堵时也会涉及多辆车停车，本实施例给出的界限为停车数量大于3，才视为拥堵。若得到的字典stopcar的长度ls满足2≤ls≤3，直接将其车辆编号及位置信息加入到事故列表accident中，并更新字典stopcar。
因此，本发明采用上述基于目标检测的道路逆行与交通事故事件检测方法，能够解决现有的检测算法存在适用范围小、对环境要求高、提取特征鲁棒性差和检测的实时性差，不适用智能视频分析工作的问题。
最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于目标检测的道路逆行与交通事故事件检测方法，其特征在于，包括以下步骤：
S1、获取实际道路交通路况视频作为原始数据，从原始数据中选取一部分视频作为测试视频；
S2、在原始数据中获取样本，标注样本中车辆在帧图片中的位置及车辆类别，并转化为YOLOv5所需的txt格式文件；
S3、经过数据处理得到训练集和验证集；
S4、对原始YOLOv5的数据增强方法、激活函数进行改进，得到YOLOv5-better模型；
S5、将训练集和验证集输入到YOLOv5-better模型，经过训练后，得到改进模型的权重文件；
S6、将得到的权重文件输入到YOLOv5-better模型，进行测试集测试得到车辆信息，将该信息作为输入给到deepsort多目标跟踪算法，得到车辆的编号id和类别；
S7、根据每个id在视频帧中对应的位置信息，将信息输入到逻辑判断算法，判断是否逆行或者发生事故。
2.根据权利要求1所述的一种基于目标检测的道路逆行与交通事故事件检测方法，其特征在于：所述步骤S1中，所述原始数据中包含多个初始视频，测试视频为不经过任何处理的初始视频。
3.根据权利要求2所述的一种基于目标检测的道路逆行与交通事故事件检测方法，其特征在于：所述步骤S2中，对原始数据中每个初始视频进行逐帧读取输出得到初始图片，作为数据样本；采用python标注算法手动对数据样本进行车辆类别和位置信息标注，得到xml格式，将得到的xml格式文件通过xml2YOLOv5.py脚本转化为YOLOv5所需要的txt格式文件，对目标的位置信息进行归一化处理。
4.根据权利要求3所述的一种基于目标检测的道路逆行与交通事故事件检测方法，其特征在于：所述目标的位置信息归一化处理包括txt文件中车辆信息为列表(class,x_w,y_h,w_w,h_h)，其中，class表示标注类别，标注类别为普通小车car、货车truck、摩托车motor和行人person，x_w、y_h分别表示标注目标的中心点位置横坐标与图片宽度的比值、纵坐标与图片高度的比值，w_w、h_h分别表示标注目标的宽度与图片宽度的比值、高度与图片高度的比值，x_w,y_h,w_w,h_h值均在(0，1]区间内。
5.根据权利要求4所述的一种基于目标检测的道路逆行与交通事故事件检测方法，其特征在于：所述步骤S3中，txt文件经count.py脚本计算出所有txt文件中的car和truck数量，对truck类别采用train_val.py脚本进行训练集和验证集8：2的比例进行划分，对car类别采用train_val.py脚本进行训练集和验证集8：2的比例进行划分，将划分好的truck类别和car类别的训练集和验证集的txt文件整合。
6.根据权利要求5所述的一种基于目标检测的道路逆行与交通事故事件检测方法，其特征在于：所述步骤S4中，对YOLOv5自带的马赛克Mosaic数据增强方法进行改进，将9张训练集图片进行缩放拼成一张图；随机采用9张训练集图片按照裁剪方式进行剪接为一张图，裁剪过程中不经过目标边界框，扩充数据；
将YOLOv5中leaky relu激活函数换为mish激活函数，其表达式为：f(x)＝x*tanh(ln(1+ex))，得到改进的YOLOv5-better模型。
7.根据权利要求6所述的一种基于目标检测的道路逆行与交通事故事件检测方法，其特征在于：所述步骤S5中，将步骤S3中得到的训练集和验证集作为输入给到步骤S4得到的YOLOv5-better模型进行训练，预训练模型采用YOLOv5l的权重文件，设置足够的epoches，训练完成后，得到训练文件weights。
8.根据权利要求7所述的一种基于目标检测的道路逆行与交通事故事件检测方法，其特征在于：所述步骤S6中，将步骤S5得到的训练文件的权重文件引入到步骤S1中的测试视频进行测试，将检测结果作为输入给到deepsort多目标跟踪算法对车辆进行跟踪，得到相应的编号id、类别以及位置信息。
9.根据权利要求8所述的一种基于目标检测的道路逆行与交通事故事件检测方法，其特征在于：所述步骤S7中，逆行的判断：
对道路进行上行、下行区域划分，引入与车辆y轴信息相关的增益Mc，每隔6帧取一帧图像作为逆行逻辑判断算法中的前后者，给一个初始逆行字典retrograde来表示前者图像帧中的所有在上行或下行的划分区域内的车辆编号及其位置信息，到后者图像帧到来时，用列表center_point来记录当前编号的车辆位置信息，判断处于划分区域内在字典retrograde中车辆编号的位置信息的y值变化；
上行时，判断逻辑算法为:
retrograde[id][1]＞center_point[1]×(1-Mc)
下行时，判断逻辑算法为:
retrograde[id][1]<center_point[1]×(1+Mc)
Mc为18/img_height，其中img_height为图像高度；
判断完成后，将逆行车辆编号存放在pre_retrograde列表中，将retrograde更新为当前帧车辆信息，作为后面帧图像判断的前者。
10.根据权利要求9所述的一种基于目标检测的道路逆行与交通事故事件检测方法，其特征在于：所述步骤S7中，事故的判断：
事故的判断采用两层相辅的逻辑算法进行判断，每隔21帧取一帧图像作为事故逻辑判断算法中的前后者，在此过程中也引入增益Mt，Mt为10/img_height；记录前者图像帧中检测事故区域内的车辆编号及其位置信息，判断前后者车辆的位置信息变化，采用欧几里得距离，有p1点(x1，y1)、p2点(x2，y2)，其欧氏距离为：
Figure FDA0003571348100000041
若距离变化小于Mt，则判断为该车辆停车，将其编号及其位置信息存入stopcar字典备用；
若有停车事件，在后者帧图像中，检测是否有行人，而且判断与stopcar中停车车辆位置信息的欧氏距离是否小于Mp，Mp为800/img_height，若小于Mp此时判断为事故，将其信息加入到事故列表accident中，并更新stopcar为后者图像帧的停车信息中作为后续帧的前者；若得到的字典stopcar的长度ls满足2≤ls≤3，直接将其车辆编号及位置信息加入到事故列表accident中，并更新字典stopcar。
CN202210324676.0A 2022-03-29 2022-03-29 一种基于目标检测的道路逆行与交通事故事件检测方法 Active CN114882393B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210324676.0A CN114882393B (zh) 2022-03-29 2022-03-29 一种基于目标检测的道路逆行与交通事故事件检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210324676.0A CN114882393B (zh) 2022-03-29 2022-03-29 一种基于目标检测的道路逆行与交通事故事件检测方法

Publications (2)

Publication Number Publication Date
CN114882393A true CN114882393A (zh) 2022-08-09
CN114882393B CN114882393B (zh) 2023-04-07

Family

ID=82669463

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210324676.0A Active CN114882393B (zh) 2022-03-29 2022-03-29 一种基于目标检测的道路逆行与交通事故事件检测方法

Country Status (1)

Country Link
CN (1) CN114882393B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115497303A (zh) * 2022-08-19 2022-12-20 招商新智科技有限公司 一种复杂检测条件下的高速公路车速检测方法及系统

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012243128A (ja) * 2011-05-20 2012-12-10 Jvc Kenwood Corp 監視装置、監視方法及び監視プログラム
CN104809887A (zh) * 2015-04-23 2015-07-29 杭州中威电子股份有限公司 一种高速公路上车辆逆行检测方法与自动报警装置
CN105513349A (zh) * 2014-12-03 2016-04-20 中咨泰克交通工程集团有限公司 基于双视角学习的山区高速公路车辆事件检测方法
CN105930807A (zh) * 2016-04-25 2016-09-07 华南理工大学 基于视频序列影像特征分析的云台移动与复位检测算法
CN106571039A (zh) * 2016-08-22 2017-04-19 中海网络科技股份有限公司 一种高速公路违章行为自动抓拍系统
CN107229894A (zh) * 2016-03-24 2017-10-03 上海宝信软件股份有限公司 基于计算机视觉分析技术的智能视频监控方法及系统
CN110532852A (zh) * 2019-07-09 2019-12-03 长沙理工大学 基于深度学习的地铁站行人异常事件检测方法
CN111126171A (zh) * 2019-12-04 2020-05-08 江西洪都航空工业集团有限责任公司 一种车辆逆行检测方法及系统
JP2020077077A (ja) * 2018-11-06 2020-05-21 オムロン株式会社 設備管理装置、設備管理方法、及び設備管理プログラム
CN111507237A (zh) * 2020-04-13 2020-08-07 北京巨视科技有限公司 一种应用在高速公路上基于视频的异常事件检测方法与装置
CN112101433A (zh) * 2020-09-04 2020-12-18 东南大学 一种基于YOLO V4和DeepSORT的分车道车辆自动计数方法
CN112329722A (zh) * 2020-11-26 2021-02-05 上海西井信息科技有限公司 行车方向检测方法、系统、设备及存储介质
CN112686923A (zh) * 2020-12-31 2021-04-20 浙江航天恒嘉数据科技有限公司 一种基于双阶段卷积神经网络的目标跟踪方法及系统
CN112836641A (zh) * 2021-02-04 2021-05-25 浙江工业大学 一种基于机器视觉的手卫生监测方法
CN112836667A (zh) * 2021-02-20 2021-05-25 上海吉盛网络技术有限公司 一种用于判断上行扶梯乘客摔倒逆行的方法
CN112927267A (zh) * 2021-03-15 2021-06-08 河海大学 一种多摄像头场景下的目标跟踪方法
CN113011291A (zh) * 2021-03-03 2021-06-22 上海商汤智能科技有限公司 事件检测方法及装置、电子设备和存储介质
CN113780157A (zh) * 2021-09-08 2021-12-10 联通(上海)产业互联网有限公司 一种结合深度学习和高斯混合模型的无监督逆行检测算法

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012243128A (ja) * 2011-05-20 2012-12-10 Jvc Kenwood Corp 監視装置、監視方法及び監視プログラム
CN105513349A (zh) * 2014-12-03 2016-04-20 中咨泰克交通工程集团有限公司 基于双视角学习的山区高速公路车辆事件检测方法
CN104809887A (zh) * 2015-04-23 2015-07-29 杭州中威电子股份有限公司 一种高速公路上车辆逆行检测方法与自动报警装置
CN107229894A (zh) * 2016-03-24 2017-10-03 上海宝信软件股份有限公司 基于计算机视觉分析技术的智能视频监控方法及系统
CN105930807A (zh) * 2016-04-25 2016-09-07 华南理工大学 基于视频序列影像特征分析的云台移动与复位检测算法
CN106571039A (zh) * 2016-08-22 2017-04-19 中海网络科技股份有限公司 一种高速公路违章行为自动抓拍系统
JP2020077077A (ja) * 2018-11-06 2020-05-21 オムロン株式会社 設備管理装置、設備管理方法、及び設備管理プログラム
CN110532852A (zh) * 2019-07-09 2019-12-03 长沙理工大学 基于深度学习的地铁站行人异常事件检测方法
CN111126171A (zh) * 2019-12-04 2020-05-08 江西洪都航空工业集团有限责任公司 一种车辆逆行检测方法及系统
CN111507237A (zh) * 2020-04-13 2020-08-07 北京巨视科技有限公司 一种应用在高速公路上基于视频的异常事件检测方法与装置
CN112101433A (zh) * 2020-09-04 2020-12-18 东南大学 一种基于YOLO V4和DeepSORT的分车道车辆自动计数方法
CN112329722A (zh) * 2020-11-26 2021-02-05 上海西井信息科技有限公司 行车方向检测方法、系统、设备及存储介质
CN112686923A (zh) * 2020-12-31 2021-04-20 浙江航天恒嘉数据科技有限公司 一种基于双阶段卷积神经网络的目标跟踪方法及系统
CN112836641A (zh) * 2021-02-04 2021-05-25 浙江工业大学 一种基于机器视觉的手卫生监测方法
CN112836667A (zh) * 2021-02-20 2021-05-25 上海吉盛网络技术有限公司 一种用于判断上行扶梯乘客摔倒逆行的方法
CN113011291A (zh) * 2021-03-03 2021-06-22 上海商汤智能科技有限公司 事件检测方法及装置、电子设备和存储介质
CN112927267A (zh) * 2021-03-15 2021-06-08 河海大学 一种多摄像头场景下的目标跟踪方法
CN113780157A (zh) * 2021-09-08 2021-12-10 联通(上海)产业互联网有限公司 一种结合深度学习和高斯混合模型的无监督逆行检测算法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
胡习之等: "融合Camshift与YOLOv4车辆检测算法" *
黎浩正: "手扶电梯智能视频监控算法研究及Jetson TK1实现", 《中国优秀硕士学位论文全文数据库》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115497303A (zh) * 2022-08-19 2022-12-20 招商新智科技有限公司 一种复杂检测条件下的高速公路车速检测方法及系统

Also Published As

Publication number Publication date
CN114882393B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN111368687B (zh) 一种基于目标检测和语义分割的人行道车辆违停检测方法
CN107066953B (zh) 一种面向监控视频的车型识别、跟踪及矫正方法和装置
CN103824452B (zh) 一种轻量级的基于全景视觉的违章停车检测装置
WO2019105342A1 (zh) 车辆套牌检测方法、装置、可读存储介质及电子设备
CN105206109B (zh) 一种基于红外ccd的车辆雾天识别预警系统及方法
CN112419733B (zh) 一种用户不规范停车的检测方法、装置、设备和存储介质
KR101973933B1 (ko) 승차인원 검지방법 및 그 장치
US11475679B2 (en) Road map generation system and road map generation method
CN106650730A (zh) 汽车变道过程中的转向灯检测方法和系统
US20210192215A1 (en) Platform for the management and validation of contents of video images, picture or similar, generated by different devices
CN114882393B (zh) 一种基于目标检测的道路逆行与交通事故事件检测方法
WO2024046053A1 (zh) 车辆违规检测方法、装置及系统、存储介质
CN112861567B (zh) 一种车型分类方法及装置
CN111127520B (zh) 一种基于视频分析的车辆跟踪方法和系统
CN112085018A (zh) 基于神经网络的车牌识别系统
CN112289037A (zh) 基于复杂环境下高视角的机动车辆违规停车检测方法及系统
JP2020013206A (ja) 動画・カメラからの二輪車検知装置、プログラム及びシステム
CN106627416A (zh) 用于检测道路类型的方法、装置和系统
CN102169583A (zh) 基于车窗定位的车辆遮挡检测与分割方法
WO2017022268A1 (ja) 車両特定装置およびこれを備えた車両特定システム
CN113392817A (zh) 一种基于多列卷积神经网络的车辆密度估计的方法及装置
CN114141022A (zh) 应急车道占用行为检测方法、装置、电子设备及存储介质
CN108389177A (zh) 一种车辆保险杠破损检测方法及交通安全预警方法
CN112489436A (zh) 一种车辆身份识别方法、装置、系统、以及电子装置
WO2017022269A1 (ja) 車両特定装置およびこれを備えた車両特定システム

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant