详情

原文传递一种公路道路安全评价方法及系统

专利名称：	一种公路道路安全评价方法及系统
摘要：	本发明公开了一种公路道路安全评价方法及系统，属于图像处理技术领域，本发明中为了解决特征量少的问题，构建可以处理多帧视频数据的公路道路异常预测模型，并对当前监控视频中的视频数据进行筛选，选出标志性的多帧视频数据构建为待识别样本，本发明采用训练后的公路道路异常预测模型处理待识别样本，得到公路道路异常值，从当前监控视频中挑选出标志性的多帧视频数据，减少公路道路异常预测模型处理的数据量，本发明中通过公路道路异常预测模型处理多帧视频数据，大大增加了提取的特征量，提高了评价准确度。
专利类型：	发明专利
国家地区组织代码：	江苏;32
申请人：	南京华琨信息科技有限公司
发明人：	陈碧义
专利状态：	有效
申请日期：	2023-09-25T00:00:00+0800
发布日期：	2023-11-03T00:00:00+0800
申请号：	CN202311237313.4
公开号：	CN116994214A
代理机构：	成都华复知识产权代理有限公司
代理人：	任丽娜
分类号：	G06V20/54;G06V20/40;G06V10/62;G06V10/774;G06Q50/26;G;G06;G06V;G06Q;G06V20;G06V10;G06Q50;G06V20/54;G06V20/40;G06V10/62;G06V10/774;G06Q50/26
申请人地址：	210000 江苏省南京市溧水区永阳街道幸庄科技产业园5号3003-3009室
主权项：	1.一种公路道路安全评价方法，其特征在于，包括以下步骤： S1、建立公路道路异常预测模型； S2、从历史监控视频中筛选出一段时间内的多帧视频数据，并标注标签，构建为训练集； S3、采用训练集和损失函数对公路道路异常预测模型进行训练，得到训练后的公路道路异常预测模型； S4、对当前监控视频中的视频数据进行筛选，得到待识别样本； S5、将待识别样本输入训练后的公路道路异常预测模型，得到公路道路异常值。 2.根据权利要求1所述的公路道路安全评价方法，其特征在于，所述S1中公路道路异常预测模型包括：多个多阶段特征提取单元和异常值预测单元；每个所述多阶段特征提取单元用于处理训练集中的一个样本中的一帧视频数据，得到公路道路特征，所述训练集中的样本由一段时间内的多帧视频数据构成；所述多阶段特征提取单元的数量等于训练集中的一个样本中视频数据的帧数；所述异常值预测单元用于根据多个多阶段特征提取单元输出的公路道路特征，计算公路道路异常值。 3.根据权利要求2所述的公路道路安全评价方法，其特征在于，每个所述多阶段特征提取单元包括：第一特征提取子单元、第二特征提取子单元、第三特征提取子单元、第四特征提取子单元和Concat层；所述第一特征提取子单元的输入端作为多阶段特征提取单元的输入端，其输出端分别与第二特征提取子单元的输入端和Concat层的第一输入端连接；所述第二特征提取子单元的输出端分别与第三特征提取子单元的输入端和Concat层的第二输入端连接；所述第三特征提取子单元的输出端分别与第四特征提取子单元的输入端和Concat层的第三输入端连接；所述Concat层的第四输入端与第四特征提取子单元的输出端连接，其输出端作为多阶段特征提取单元的输出端。 4.根据权利要求3所述的公路道路安全评价方法，其特征在于，每个所述特征提取子单元均包括：第一卷积块、第二卷积块、第三卷积块、第四卷积块、全局池化层、深层注意力层、浅层注意力层、乘法器M1、乘法器M2和加法器A1；所述第一卷积层的输入端作为特征提取子单元的输入端，其输出端分别与第二卷积块的输入端、乘法器M1的第一输入端和全局池化层的输入端连接；所述全局池化层的输出端分别与浅层注意力层的输入端和第四卷积块的输入端连接；所述深层注意力层的输入端与第四卷积块的输出端连接，其输出端与乘法器M2的第一输入端连接；所述浅层注意力层的输出端与乘法器M1的第二输入端连接；所述第三卷积块的输入端与第二卷积块的输出端连接，其输出端与乘法器M2的第二输入端连接；所述加法器A1的第一输入端与乘法器M1的输出端连接，其第二输入端与乘法器M2的输出端连接，并作为特征提取子单元的输出端。 5.根据权利要求4所述的公路道路安全评价方法，其特征在于，所述深层注意力层和浅层注意力层的表达式均为：，/>，/>，其中，/>为深层注意力层或浅层注意力层的输出，/>为中间参数，/>为将深层注意力层或浅层注意力层输入的特征图分成/>块后第/>块上的第/>个特征值，/>为第/>块上特征值的数量，/>为第/>块的特征值的平均值。 6.根据权利要求2所述的公路道路安全评价方法，其特征在于，所述异常值预测单元用于计算公路道路异常值的公式为：，其中，/>为公路道路异常值，/>为第/>个多阶段特征提取单元输出的公路道路特征的权重，/>为第/>个多阶段特征提取单元输出的公路道路特征的第/>个特征值，/>为特征值/>的权重，/>为多阶段特征提取单元输出的公路道路特征中特征值的数量，/>为多阶段特征提取单元的数量。 7.根据权利要求1所述的公路道路安全评价方法，其特征在于，所述S3中训练公路道路异常预测模型的损失函数为：，其中，/>为损失函数，/>为第/>次训练时的标签，/>为第/>次训练时公路道路异常预测模型输出的公路道路异常值。 8.根据权利要求1所述的公路道路安全评价方法，其特征在于，所述S4包括以下分步骤： S41、取当前监控视频中一段时间的视频数据； S42、在一段时间的视频数据中，在相邻时间的视频数据满足差值条件关系式时，取相邻时间的两帧视频数据； S43、在步骤S42中获取的视频数据的帧数等于额定帧数时，将步骤S42中获取的所有视频数据构建为待识别样本；在步骤S42中获取的视频数据的帧数大于额定帧数时，则随机剔除部分视频数据，直到等于额定帧数，将剔除后的剩余视频数据构建为待识别样本；在步骤S42中获取的视频数据的帧数小于额定帧数时，则从一段时间的视频数据中再取视频数据，直到等于额定帧数，将获取的所有视频数据构建为待识别样本。 9.根据权利要求8所述的公路道路安全评价方法，其特征在于，所述S42中差值条件关系式为：，其中，/>为第/>时刻的视频数据上第/>个像素值，/>为第/>时刻的视频数据上第/>个像素值，/>为误差调整系数，/>为视频数据上的像素值的数量，/>为像素差阈值。 10.一种根据权利要求1~9任一项所述的公路道路安全评价方法的系统，其特征在于，包括：模型构建子系统、训练集构建子系统、训练子系统、样本筛选子系统和公路道路异常值输出子系统；所述模型构建子系统用于建立公路道路异常预测模型；所述训练集构建子系统用于从历史监控视频中筛选出一段时间内的多帧视频数据，并标注标签，构建为训练集；所述训练子系统用于采用训练集和损失函数对公路道路异常预测模型进行训练，得到训练后的公路道路异常预测模型；所述样本筛选子系统用于对当前监控视频中的视频数据进行筛选，得到待识别样本；所述公路道路异常值输出子系统用于将待识别样本输入训练后的公路道路异常预测模型，得到公路道路异常值。
所属类别：	发明专利