基于深度学习的异常交通事件精准识别告警方法与流程

本技术涉及深度学习，且更为具体地，涉及一种基于深度学习的异常交通事件精准识别告警方法。

背景技术：

1、随着经济的快速发展和城市化水平的提高，高速公路建设成为重要的基础交通设施。然而，随着城市人口和交通车辆数量的持续增加，高速公路的运营管理面临着越来越大的挑战。交通拥堵和交通事故已经成为突出问题，给交通安全带来压力，同时也造成了财产损失和人员伤亡。因此，及时检测和预警高速公路车辆异常行为事件变得至关重要。通过采用先进技术手段，提高高速公路智能化水平，可以实现对高速公路信息的快速采集和准确处理，及时发现道路上的异常行为事件并加以处理。这种做法有助于提高道路畅通性，预防交通事故的发生。

2、异常事件检测是高速公路智能化的重要课题，有助于及时识别高速公路上车辆的异常行为，发出安全预警，为快速事件响应提供技术支持，并为调查取证提供详实资料。当前的交通异常检测技术还处于起步阶段，大多数异常事件检测都是通过人工干预来完成的，不但耗费大量的人力，并且实时性也较差。

3、因此，期望一种基于深度学习的异常交通事件精准识别告警方法。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于深度学习的异常交通事件精准识别告警方法，利用深度学习分析视频和速度数据，识别高速公路上的闯红灯、逆行、超速、占道停车等异常交通事件，并发出告警。

2、相应地，根据本技术的一个方面，提供了一种基于深度学习的异常交通事件精准识别告警方法，其包括：

3、获取由摄像头采集的目标交通场景对应的监控视频，以及通过速度传感器采集多个预定时间点的通行车辆速度值；

4、从所述目标交通场景对应的监控视频提取目标交通场景变化特征向量，以及将所述多个预定时间点的通行车辆速度值通过编码以得到通行车辆速度特征向量；

5、构造所述目标交通场景变化特征向量和所述通行车辆速度特征向量之间的目标交通场景高维全局关联特征向量，并对所述目标交通场景高维全局关联特征向量进行基于类别概率值的相干干涉校正以得到校正后目标交通场景高维全局关联特征向量；

6、将所述校正后目标交通场景高维全局关联特征向量通过分类器以得到分类结果，所述结果用于表示当前异常交通事件的标签，其中，所述异常交通事件包括：闯红灯、逆行、超速、占道停车；

7、基于所述异常交通事件的标签，确定告警指令。

8、在上述基于深度学习的异常交通事件精准识别告警方法中，从所述目标交通场景对应的监控视频提取目标交通场景变化特征向量，以及将所述多个预定时间点的通行车辆速度值通过编码以得到通行车辆速度特征向量，包括：从所述目标交通场景对应的监控视频提取关键帧后通过卷积编码以得到所述目标交通场景变化特征向量；将所述多个预定时间点的通行车辆速度值通过包含一维卷积层的时序编码器以得到通行车辆速度特征向量。

9、在上述基于深度学习的异常交通事件精准识别告警方法中，从所述目标交通场景对应的监控视频提取关键帧后通过卷积编码以得到所述目标交通场景变化特征向量，包括：从所述目标交通场景对应的监控视频提取多个目标交通场景对应监控关键帧；将所述多个目标交通场景对应监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个目标交通场景对应监控特征矩阵；将所述多个目标交通场景对应监控特征矩阵沿着通道维度聚合为三维监控特征输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到所述目标交通场景变化特征向量。

10、在上述基于深度学习的异常交通事件精准识别告警方法中，将所述多个目标交通场景对应监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个目标交通场景对应监控特征矩阵，包括：使用所述第一卷积神经网络模型的卷积编码部分对所述目标交通场景对应监控关键帧进行深度卷积编码以得到初始卷积特征图；将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力图；将所述空间注意力图通过softmax激活函数以得到空间注意力特征图；计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到目标交通场景对应监控特征图；对所述目标交通场景对应监控特征图进行沿通道维度的全局均值池化处理以得到所述目标交通场景对应监控特征矩阵。

11、在上述基于深度学习的异常交通事件精准识别告警方法中，将所述多个预定时间点的通行车辆速度值通过包含一维卷积层的时序编码器以得到通行车辆速度特征向量，包括：将所述多个预定时间点的通行车辆速度值按照时间维度排列为通行车辆速度输入向量；将所述通行车辆速度输入向量进行基于最大值的归一化处理以得到归一化后通行车辆速度输入向量；使用所述时序编码器的全连接层对所述归一化后通行车辆速度输入向量进行全连接编码以提取所述归一化后通行车辆速度输入向量中各个位置的特征值的高维隐含特征；使用所述时序编码器的一维卷积层对所述归一化后通行车辆速度输入向量进行一维编码以提取所述归一化后通行车辆速度输入向量中各个位置的特征值间的关联的高维隐含关联特征。

12、在上述基于深度学习的异常交通事件精准识别告警方法中，构造所述目标交通场景变化特征向量和所述通行车辆速度特征向量之间的目标交通场景高维全局关联特征向量，并对所述目标交通场景高维全局关联特征向量进行基于类别概率值的相干干涉校正以得到校正后目标交通场景高维全局关联特征向量，包括：融合所述目标交通场景变化特征向量和所述通行车辆速度特征向量以得到目标交通场景关联特征矩阵；将所述目标交通场景关联特征矩阵通过作为特征提取器的第二卷积神经网络模型以得到目标交通场景关联特征图；将所述目标交通场景关联特征图通过非局部神经网络模型以得到所述目标交通场景高维全局关联特征图；将所述目标交通场景高维全局关联特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到目标交通场景高维全局关联特征向量；对所述目标交通场景高维全局关联特征向量进行基于类别概率值的相干干涉校正以得到校正后目标交通场景高维全局关联特征向量。

13、在上述基于深度学习的异常交通事件精准识别告警方法中，将所述目标交通场景关联特征图通过非局部神经网络模型以得到所述目标交通场景高维全局关联特征图，用于：使用所述非局部神经网络模型对所述目标交通场景关联特征图进行如下方式的编码以得到所述目标交通场景高维全局关联特征图；其中，编码过程，包括：分别对所述目标交通场景关联特征图进行第一点卷积处理、第二点卷积处理和第三点卷积处理以得到第一特征图、第二特征图和第三特征图；计算所述第一特征图和所述第二特征图之间的按位置加权和以得到融合特征图；将所述融合特征图输入softmax函数以将所述融合特征图中各个位置的特征值映射到概率空间中以得到归一化融合特征图；计算所述归一化融合特征图和所述第三特征图之间的按位置点乘以得到再融合特征图；将所述再融合特征图通过嵌入高斯相似性函数以得到全局相似特征图；对所述全局相似特征图进行第四点卷积处理以调整所述全局相似特征图的通道数以得到通道调整全局相似特征图；计算所述通道调整全局相似特征图和所述目标交通场景关联特征图的按位置加权和以得到所述目标交通场景高维全局关联特征图。

14、在上述基于深度学习的异常交通事件精准识别告警方法中，对所述目标交通场景高维全局关联特征向量进行基于类别概率值的相干干涉校正以得到校正后目标交通场景高维全局关联特征向量，包括：将所述目标交通场景高维全局关联特征向量通过预分类器以得到类别概率特征向量；计算所述目标交通场景高维全局关联特征向量和所述类别概率特征向量之间的协方差矩阵；计算所述目标交通场景高维全局关联特征向量的自相关协方差矩阵；基于所述协方差矩阵和所述自相关协方差矩阵，计算干涉校正矩阵；基于所述干涉校正矩阵对所述目标交通场景高维全局关联特征向量进行校正以得到所述校正后目标交通场景高维全局关联特征向量。

15、在上述基于深度学习的异常交通事件精准识别告警方法中，基于所述协方差矩阵和所述自相关协方差矩阵，以干涉校正公式计算干涉校正矩阵；其中，所述干涉校正公式为：

16、

17、其中，表示所述目标交通场景高维全局关联特征向量，表示所述类别概率特征向量，表示所述目标交通场景高维全局关联特征向量和所述类别概率特征向量之间的协方差矩阵，表示所述目标交通场景高维全局关联特征向量的自相关协方差矩阵，表示单位矩阵，表示预定超参数，表示所述干涉校正矩阵。

18、根据本技术的另一个方面，还提供了一种基于深度学习的异常交通事件精准识别告警系统，其包括：

19、交通事件数据获取模块，用于获取由摄像头采集的目标交通场景对应的监控视频，以及通过速度传感器采集多个预定时间点的通行车辆速度值；

20、交通事件数据特征提取模块，用于从所述目标交通场景对应的监控视频提取目标交通场景变化特征向量，以及将所述多个预定时间点的通行车辆速度值通过编码以得到通行车辆速度特征向量；

21、交通事件特征图构造模块，用于构造所述目标交通场景变化特征向量和所述通行车辆速度特征向量之间的目标交通场景高维全局关联特征向量，并对所述目标交通场景高维全局关联特征向量进行基于类别概率值的相干干涉校正以得到校正后目标交通场景高维全局关联特征向量；

22、交通事件分类标签模块，用于将所述校正后目标交通场景高维全局关联特征向量通过分类器以得到分类结果，所述结果用于表示当前异常交通事件的标签，其中，所述异常交通事件包括：闯红灯、逆行、超速、占道停车；

23、异常交通事件告警模块，用于基于所述异常交通事件的标签，确定告警指令。

24、与现有技术相比，本技术提供的一种基于深度学习的异常交通事件精准识别告警方法，其利用深度学习结合监控视频和车辆速度数据，提供高效精准的异常交通事件识别和告警服务，涵盖闯红灯、逆行、超速、占道停车等问题，为高速公路智能化管理提供重要支持，促进道路安全与畅通。