买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：华东师范大学

摘要：本发明公开了一种基于合成视频的交通事故检测方法，其特点是该方法包括：设置交通模拟器环境；控制模拟器中车辆行驶，生成视频；采用不同设置，重复模拟过程，生成视频数据集；评价视频集可用性；重复数据集生成和评价，选取可用性最好的数据集；设计并训练一个两阶段的事故检测器；测试检测器性能等步骤。本发明与现有技术相比具有方法简便、检测准确率高的优点，不但实现对复杂真实事故的模拟，而且还实现了对合成数据集的评价方法，提高了其可用性，能更好适用于真实交通视频，使用效果好，不易被误判为，大大提高了交通事故检测的准确率，具有一定的推广应用前景和价值。

主权项：1.一种基于合成视频的交通事故检测方法，其特征在于，该交通事故检测方法具体包括下述步骤：步骤S1：模拟器的环境设置在CARLA模拟器中设置场景，调用模拟器API设置安装在道路上RGB监控相机的高度、角度、分辨率和帧率，所述场景包括：路面类型和天气状况；步骤S2：视频片段的生成在CARLA模拟器地图不同位置放置若干辆汽车，并由CARLA模拟器随机确定车辆的起始位置和目的地，控制CARLA模拟器中车辆行驶，运行500～2000个轮次，其中50％的轮次中将所有车辆设置为安全行驶模式，用于生成正常交通视频；在剩余50％的轮次中随机选择20％的车辆，关闭其安全行驶模式，随机触发交通事故，用于生成事故视频；运行CARLA模拟器，开启RGB监控相机记录交通状况，得到视频片段；步骤S3：视频数据集的生成采用背景、天气和车辆的不同设置，重复步骤S1～S2的模拟过程1000次，合成视频数据集；步骤S4：视频集可用性的评价通过计算合成的视频数据集与真实交通数据集在网络训练中的可替换性，评价合成的视频数据集用于真实交通事故检测网络学习的效果；步骤S5：选取可用性最好的数据集重复步骤S1～S4的数据集生成和评价20次，选择可用性最好的数据集作为最终合成结果，并根据每个视频生成过程中是否关闭部分车辆安全行驶模式，自动标注该视频为正常交通视频或事故视频；步骤S6：检测器的设计设计并训练一个两阶段的交通事故检测器，使用基于帧预测的视频异常检测网络进行模型训练，检测视频异常，得到事故候选片段，然后设计一个分类器，区分真实事故与伪事故异常事件，得到最终检测结果；步骤S7：检测器性能的测试使用真实交通数据集，对步骤S6中训练的检测器进行交通事故的检测；所述步骤S4的视频集可用性的评价具体包括：步骤S4.1：收集一个真实交通数据集，将其按7:3的比例随机划分为训练集D和测试集D，利用基于帧预测的视频异常检测网络，在数据集D上进行训练得到模型其中为模型参数；训练过程中，根据视频中前面t帧I,I,…,I，生成预测帧通过对比真实帧I与预测帧计算光流损失OL、强度损失IL、梯度损失GL和完整重构损失，所述光流损失OL由下述a式计算： 其中，σ，为两帧之间的光流；所述强度损失IL由下述b式计算： 所述梯度损失GL由下述c式计算： 其中,为帧I中坐标为i,j的像素点；所述完整重构损失由下述d式定义为： 其中，γ#＝0.5，γ＝γG＝0.25；步骤S4.2：使用上述损失函数和训练集D训练网络，训练完成后，锁定生成器参数；步骤S4.3：对测试集中的每个视频，给定每一个连续的N帧{I,I,…,I}，使用上述生成器得到下一帧的预测帧且由下述e式定义的信噪比计算下一帧的预测帧与真实帧I之间的重构误差，所述重构误差由下述e式定义的信噪比PSNR计算： 当PSNR大于阈值0.5时，检测当前时刻T+t发生异常事；步骤S4.4：使用步骤S4.1中训练得到的模型在测试集DH上进行事故检测，且由下述f式计算，得到的检测准确率，记为 其中，TP,TN,FP和FN分别表示事故检测结果中的真阳性、真阴性、假阳性和假阴性数量；步骤S4.5：在合成数据集DW和真实训练集DX中按比例随机采样，组成混合数据集，使用步骤S4.1中训练得到的模型在测试集D上进行事故检测，且由上述f式计算，得到的检测准确率记为hfYαD+βD\,D，并由下述g式计算性能偏离eα,β： 其中，α，β∈[0,1]表示混合数据集时对d和D\进行采样的比例；步骤S4.6：取不同的α，β值，重复S4.5步骤50次，并由下述h式求得最优值α*,β*： 步骤S4.7：采用下述i式计算模拟逼近指标SAI： 其中，|D\|、|D|分别表示两个数据集中的视频数量，SAI值越大，表示合成数据集对真实交通数据集的替代性越强；所述步骤S6的检测器设计具体包括：步骤S6.1：采集一个真实交通数据集Dm，由人工标注每个真实视频中是否含有交通事故，将Dm与步骤S5生成的合成数据集Dn按步骤S4.7中求得的最优值α*,β*进行混合，得到一个训练集D；步骤S6.2：采用步骤S4.2中的相同网络，计算每个视频中每一帧的异常得分，即信噪比PSNR，得到信噪比曲线；步骤S6.3：使用Savitzky-Golay滤波拟合法对信噪比曲线去除噪声，选择曲线上得分最高的K个波峰作为事故候选视频片段；步骤S6.4：使用I3D网络对每个事故候选视频片段进行特征提取，将其输入一个三层全连接网络；步骤S6.5：训练一个分类器，对事故候选视频片段进行分类，以区分真实事故与其他异常事件，所述分类使用多实例学习方法，具体包括：1将每个视频平均分割成若干个互不重叠的片段，组成一个片段包如果该视频含有事故，则标注为正片段包；否则，标注为负片段包；2使用数据集Dp训练一个支持向量机，其目标由下述j式表示为： 其中，z为片段包的数量；xi为输入的视频片段；为片段xi的特征向量；为包含片段xi的包；为包的标注；w为待训练的模型参数；3hingeloss排序损失函数由下述k式定义为： 其中，和分别为正片段包和负片段包中的片段；f.为事故评分函数；λ为正样本的稀疏度；4完整目标函数由下述l式定义为： 其中，λ为正则化系数；5使用数据集D学习模型中参数，训练2000轮次后固定模型中参数。

全文数据：

权利要求：

百度查询： 华东师范大学 一种基于合成视频的交通事故检测方法