[發(fā)明專利]一種基于預訓練模型的事件分類方法、系統(tǒng)、設(shè)備及介質(zhì)

在審

• 申請?zhí)枺?/td>: 202211441486.3
• 申請日: 2022-11-17
• 公開（公告）號: CN115937796A
• 公開（公告）日: 2023-04-07
• 發(fā)明（設(shè)計）人: 黃林彬;汪勁松
• 申請（專利權(quán)）人: 廣東賽諾科技股份有限公司
• 主分類號: G06V20/54
• 分類號: G06V20/54;G06N3/0464;G06N3/08;G06V10/764;G06V10/774;G06V10/80
• 代理公司: 廣州嘉權(quán)專利商標事務(wù)所有限公司 44205
• 代理人: 葉潔勇

1.一種基于預訓練模型的事件分類方法，其特征在于，應用于交通事件檢測場景中，所述方法包括：

獲取管轄范圍內(nèi)當前發(fā)生的交通事件圖像；

將所述交通事件圖像輸入第一預訓練模型進行事件類型檢測，得到第一分類結(jié)果和目標車輛關(guān)聯(lián)的檢測框位置；

根據(jù)所述檢測框位置從所述交通事件圖像中裁剪出對應的待測目標圖像；

將所述待測目標圖像輸入第二預訓練模型進行車輛類型檢測，得到第二分類結(jié)果；

根據(jù)所述第一分類結(jié)果和所述第二分類結(jié)果，確定所述管轄范圍內(nèi)當前發(fā)生的交通事件類別信息。

2.根據(jù)權(quán)利要求1所述的基于預訓練模型的事件分類方法，其特征在于，所述第一預訓練模型和所述第二預訓練模型均采用YOLO神經(jīng)網(wǎng)絡(luò)模型，包括依次連接的BackBone主干網(wǎng)絡(luò)、Neck網(wǎng)絡(luò)和Head網(wǎng)絡(luò)；

所述BackBone主干網(wǎng)絡(luò)包括預處理模塊和六個特征提取模塊，所述預處理模塊由第一卷積層、批量歸一化層和激活函數(shù)所組成，每個特征提取模塊由第二卷積層和若干個殘差模塊所組成，每個殘差模塊由可變形卷積層、第三卷積層和第四卷積層所組成；所述改進Neck網(wǎng)絡(luò)包括三個特征融合模塊，每個特征融合模塊由轉(zhuǎn)置卷積層和第一全連接層所組成；所述Head網(wǎng)絡(luò)包括SPP層、第二全連接層、softmax層和線性回歸層；

所述BackBone主干網(wǎng)絡(luò)用于從輸入圖像中提取出不同尺度下的四個特征圖，所述Neck網(wǎng)絡(luò)用于對所述四個特征圖進行自下往上融合，得到對應的四個深層特征圖，所述Head網(wǎng)絡(luò)用于對所述四個深層特征圖進行預測分析以輸出最終分類結(jié)果。

3.根據(jù)權(quán)利要求1所述的基于預訓練模型的事件分類方法，其特征在于，所述第一預訓練模型在投入使用之前的訓練過程包括：

獲取第一訓練樣本集合，所述第一訓練樣本集合包括在不同光照情況下和不同陰雨天氣情況下的各類交通事件圖像，所述各類交通事件圖像包括車輛側(cè)翻事件圖像、車輛碰撞事件圖像和車輛起火事件圖像；

利用所述第一訓練樣本集合對所述第一預訓練模型進行訓練，且在訓練過程中以預先定義的損失函數(shù)為評價基準，利用模型優(yōu)化器進行網(wǎng)絡(luò)參數(shù)優(yōu)化。

4.根據(jù)權(quán)利要求1所述的基于預訓練模型的事件分類方法，其特征在于，所述第二預訓練模型在投入使用之前的訓練過程包括：

獲取第二訓練樣本集合，所述第二訓練樣本集合包括在不同光照情況下和不同陰雨天氣情況下的各類車輛圖像，所述各類車輛圖像包括轎車圖像、貨車圖像、公交車圖像、大巴車圖像和非機動車圖像；

對所述第二訓練樣本集合中的每個車輛圖像分別進行多方位翻轉(zhuǎn)和多部位切割，得到翻轉(zhuǎn)處理后的第三訓練樣本集合和切割處理后的第四訓練樣本集合；

結(jié)合所述第二訓練樣本集合、所述第三訓練樣本集合和所述第四訓練樣本集合對所述第二預訓練模型進行訓練，且在訓練過程中以預先定義的損失函數(shù)為評價基準，利用模型優(yōu)化器進行網(wǎng)絡(luò)參數(shù)優(yōu)化。

5.根據(jù)權(quán)利要求1所述的基于預訓練模型的事件分類方法，其特征在于，所述交通事件圖像是所述管轄范圍內(nèi)設(shè)置的道路監(jiān)控相機處采集得到的。

6.根據(jù)權(quán)利要求5所述的基于預訓練模型的事件分類方法，其特征在于，所述方法還包括：

根據(jù)所述道路監(jiān)控相機所在車道的行駛方向，獲取與所述行駛方向相反且設(shè)置在所述道路監(jiān)控相機后面的三個道路監(jiān)控相機所采集到的三個車流圖像；

對所述三個車流圖像進行車流密度分析，得到車道擁擠信息。

7.根據(jù)權(quán)利要求6所述的基于預訓練模型的事件分類方法，其特征在于，所述方法還包括：

根據(jù)所述道路監(jiān)控相機的設(shè)置位置，確定交通事件發(fā)生地；

將所述交通事件類別信息、所述交通事件發(fā)生地和所述車道擁擠信息進行封裝形成交通事件識別結(jié)果，再將所述交通事件識別結(jié)果發(fā)送至所述管轄范圍內(nèi)的所有執(zhí)勤交警所攜帶的終端設(shè)備。