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

在審

• 申請(qǐng)?zhí)枺?/td>: 202211441486.3
• 申請(qǐng)日: 2022-11-17
• 公開（公告）號(hào): CN115937796A
• 公開（公告）日: 2023-04-07
• 發(fā)明（設(shè)計(jì)）人: 黃林彬;汪勁松
• 申請(qǐng)（專利權(quán)）人: 廣東賽諾科技股份有限公司
• 主分類號(hào): G06V20/54
• 分類號(hào): 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(biāo)事務(wù)所有限公司 44205
• 代理人: 葉潔勇

本發(fā)明公開了一種基于預(yù)訓(xùn)練模型的事件分類方法、系統(tǒng)、設(shè)備及介質(zhì)，應(yīng)用于交通事件檢測(cè)場(chǎng)景中，所述方法包括：獲取管轄范圍內(nèi)當(dāng)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(yù)訓(xùn)練模型進(jìn)行事件類型檢測(cè)，得到第一分類結(jié)果和目標(biāo)車輛關(guān)聯(lián)的檢測(cè)框位置；根據(jù)所述檢測(cè)框位置從所述交通事件圖像中裁剪出對(duì)應(yīng)的待測(cè)目標(biāo)圖像；將所述待測(cè)目標(biāo)圖像輸入第二預(yù)訓(xùn)練模型進(jìn)行車輛類型檢測(cè)，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(dāng)前發(fā)生的交通事件類別信息。本發(fā)明通過利用第一預(yù)訓(xùn)練模型和第二預(yù)訓(xùn)練模型對(duì)交通事件圖像進(jìn)行檢測(cè)分析，可以智能化地獲取到該交通事件的具體類別信息。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)技術(shù)領(lǐng)域，具體是涉及一種基于預(yù)訓(xùn)練模型的事件分類方法、系統(tǒng)、設(shè)備及介質(zhì)。

背景技術(shù)

隨著經(jīng)濟(jì)和科技的不斷發(fā)展，城市車輛數(shù)量不斷上漲，為了確保車輛行駛行為規(guī)范化，引入視頻監(jiān)控覆蓋絕大部分的行車區(qū)域。當(dāng)發(fā)生突發(fā)交通事件時(shí)，需要由管轄范圍內(nèi)的交警部門通過實(shí)時(shí)查看到視頻監(jiān)控或者接收到群眾報(bào)警之后才能大概了解到現(xiàn)場(chǎng)情況并出警處理，但是這種方式并不具備智能化。

發(fā)明內(nèi)容

本發(fā)明提供一種基于預(yù)訓(xùn)練模型的事件分類方法、系統(tǒng)、設(shè)備及介質(zhì)，以解決現(xiàn)有技術(shù)中所存在的一個(gè)或多個(gè)技術(shù)問題，至少提供一種有益的選擇或創(chuàng)造條件。

第一方面，提供一種基于預(yù)訓(xùn)練模型的事件分類方法，應(yīng)用于交通事件檢測(cè)場(chǎng)景中，所述方法包括：

獲取管轄范圍內(nèi)當(dāng)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(yù)訓(xùn)練模型進(jìn)行事件類型檢測(cè)，得到第一分類結(jié)果和目標(biāo)車輛關(guān)聯(lián)的檢測(cè)框位置；

根據(jù)所述檢測(cè)框位置從所述交通事件圖像中裁剪出對(duì)應(yīng)的待測(cè)目標(biāo)圖像；

將所述待測(cè)目標(biāo)圖像輸入第二預(yù)訓(xùn)練模型進(jìn)行車輛類型檢測(cè)，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(dāng)前發(fā)生的交通事件類別信息。

進(jìn)一步地，所述第一預(yù)訓(xùn)練模型和所述第二預(yù)訓(xùn)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(yù)處理模塊和六個(gè)特征提取模塊，所述預(yù)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(gè)特征提取模塊由第二卷積層和若干個(gè)殘差模塊所組成，每個(gè)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(jìn)Neck網(wǎng)絡(luò)包括三個(gè)特征融合模塊，每個(gè)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(gè)特征圖，所述Neck網(wǎng)絡(luò)用于對(duì)所述四個(gè)特征圖進(jìn)行自下往上融合，得到對(duì)應(yīng)的四個(gè)深層特征圖，所述Head網(wǎng)絡(luò)用于對(duì)所述四個(gè)深層特征圖進(jìn)行預(yù)測(cè)分析以輸出最終分類結(jié)果。

進(jìn)一步地，所述第一預(yù)訓(xùn)練模型在投入使用之前的訓(xùn)練過程包括：

獲取第一訓(xùn)練樣本集合，所述第一訓(xùn)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(xùn)練樣本集合對(duì)所述第一預(yù)訓(xùn)練模型進(jìn)行訓(xùn)練，且在訓(xùn)練過程中以預(yù)先定義的損失函數(shù)為評(píng)價(jià)基準(zhǔn)，利用模型優(yōu)化器進(jìn)行網(wǎng)絡(luò)參數(shù)優(yōu)化。

進(jìn)一步地，所述第二預(yù)訓(xùn)練模型在投入使用之前的訓(xùn)練過程包括：

獲取第二訓(xùn)練樣本集合，所述第二訓(xùn)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(jī)動(dòng)車圖像；