一种基于图像识别技术的恶劣天气下交通事故检测方法

本发明涉及一种基于图像识别技术的恶劣天气下交通事故检测方法，属于图像识别技术与交通安全管理领域。

背景技术：

1、传统的交通事故检测往往基于当事人或周围群众报警与人工监测，然而人工监测往往伴随着漏检，同时也会导致人力物力的浪费，降低工作效率。随着科技的不断进步和智能化技术的发展，交通事故自动检测逐渐成为可能。然而目前大多数检测方法侧重于正常天气下的交通事故检测，对于能见度低识别困难的恶劣天气下未能给出较好的解决策略。

技术实现思路

1、本发明提供了一种基于图像识别技术的恶劣天气下交通事故检测方法，解决了背景技术中披露的问题。

2、根据本公开的一个方面，提供一种基于图像识别技术的恶劣天气下交通事故检测方法，其特征在于，包括：

3、获取恶劣天气下检测区域的交通运行视频；

4、对交通运行视频中的每帧图像进行强化处理；其中，强化处理用以对图像中的有效特征进行强化；

5、根据强化后的图像，进行图像重构，并根据重构图像重构交通运行视频；其中，重构图像具备正常天气图像相似的特征；

6、根据重构交通运行视频，获取光流特征；

7、根据光流特征和稀疏采样图像，进行交通事故检测；其中，稀疏采样图像为从重构交通运行视频中稀疏采样获得的图像。

8、在本公开的一些实施例中，强化处理包括依次对图像进行去雾、白平衡、伽马滤波、色调调整、对比度调整和锐化；在对图像进行强化处理之前，还包括将图像输入训练好的卷积神经网络，获得强化处理中每步的参数。

9、在本公开的一些实施例中，卷积神经网络训练时，将训练图像输入卷积神经网络，获得强化处理中每步的参数，根据强化处理中每步的参数，对训练图像进行强化，将强化处理后的训练图像输入车辆识别网络，通过端对端训练完成卷积神经网络参数优化。

10、在本公开的一些实施例中，去雾的公式为：

11、；

12、白平衡的公式为：

13、；

14、伽马滤波的公式为：

15、；

16、色调调整的公式为：

17、；

18、对比度调整的公式为：

19、；

20、锐化的公式为：

21、；

22、式中， a为全局大气光， p为去雾前的图像，为去雾后的图像， poinet为中经过白平衡后的像素点，分别为经过去雾的第 i个像素点的三通道值，为经过伽马滤波的像素点，为经过色调调整的像素点， 为色调调整参数和， clip为 clip函数，为对比度调整后的像素点，函数，函数，函数，分别为经过色调调整的第 i个像素点的三通道值，为经过锐化的图像，为经过对比度调整的图像， g为高斯滤波器， λ、 r、 w r、 w g、 w b、 gamma、 t0~ t l-1以及 α为卷积神经网络的输出， λ为锐化参数， r为描述物体没有被散射抵达摄像机的传输率， w r、 w g和 w b均为变换参数， gamma为伽马系数， t0~ t l-1 为 l个色调调整参数， α为权重。

23、在本公开的一些实施例中，图像重构采用训练好的生成对抗网络的生成器；在训练生成对抗网络时，将强化后的恶劣天气图像输入生成器，生成重构后的图像，将重构后的恶劣天气图像作为负样本，正常天气图像作为正样本；其中，正常天气图像和恶劣天气图像为同一检测区域的图像。

24、在本公开的一些实施例中，根据重构交通运行视频，获取光流特征，包括：根据重构交通运行视频中连续两帧的亮度信息，计算连续两帧像素之间的运动关系；根据运动关系，采用光流算法，获取光流特征。

25、在本公开的一些实施例中，采用光流算法最小化感兴趣区域内的亮度误差获取光流特征；光流特征的公式为：

26、；

27、式中， u为光流特征中沿 x轴方向的速度分量， v为光流特征中沿 y轴方向的速度分量， i xi为图像第 i个像素点在 x轴方向的差分， i yi为图像第 i个像素点在 y轴方向的差分， i ti为图像第 i个像素点在时间上的差分。

28、在本公开的一些实施例中，根据光流特征和稀疏采样图像，进行交通事故检测，包括：采用卷积网络，提取光流特征中的运动特征；采用卷积网络，提取稀疏采样图像中的外观特征；将运动特征与外观特征展平拼接，将拼接后的特征输入全连接层，获得事故风险指标；根据事故风险指标，进行交通事故检测。

29、在本公开的一些实施例中，根据事故风险指标，进行交通事故检测，包括：若事故风险指标大于阈值，则判定原始交通运行视频内发生交通事故。

30、本发明所达到的有益效果：本发明对原始交通运行视频中每帧图像的有效特征进行强化，通过强化后的图像，重构具备正常天气图像相似特征的图像并重构交通运行视频，提取交通运行视频的光流特征，将光流特征与采样图像结合进行交通事故检测，有效实现了恶劣天气下交通事故检测。

技术特征：

1.一种基于图像识别技术的恶劣天气下交通事故检测方法，其特征在于，包括：

2.根据权利要求1所述的基于图像识别技术的恶劣天气下交通事故检测方法，其特征在于，强化处理包括依次对图像进行去雾、白平衡、伽马滤波、色调调整、对比度调整和锐化；

3.根据权利要求2所述的基于图像识别技术的恶劣天气下交通事故检测方法，其特征在于，卷积神经网络训练时，将训练图像输入卷积神经网络，获得强化处理中每步的参数，根据强化处理中每步的参数，对训练图像进行强化，将强化处理后的训练图像输入车辆识别网络，通过端对端训练完成卷积神经网络参数优化。

4.根据权利要求2所述的基于图像识别技术的恶劣天气下交通事故检测方法，其特征在于，去雾的公式为：

5.根据权利要求1所述的基于图像识别技术的恶劣天气下交通事故检测方法，其特征在于，图像重构采用训练好的生成对抗网络的生成器；

6.根据权利要求1所述的基于图像识别技术的恶劣天气下交通事故检测方法，其特征在于，根据重构交通运行视频，获取光流特征，包括：

7.根据权利要求6所述的基于图像识别技术的恶劣天气下交通事故检测方法，其特征在于，采用光流算法最小化感兴趣区域内的亮度误差获取光流特征；

8.根据权利要求1所述的基于图像识别技术的恶劣天气下交通事故检测方法，其特征在于，根据光流特征和稀疏采样图像，进行交通事故检测，包括：

9.根据权利要求8所述的基于图像识别技术的恶劣天气下交通事故检测方法，其特征在于，根据事故风险指标，进行交通事故检测，包括：

技术总结
本发明公开了一种基于图像识别技术的恶劣天气下交通事故检测方法，本发明对原始交通运行视频中每帧图像的有效特征进行强化，通过强化后的图像，重构具备正常天气图像相似特征的图像并重构交通运行视频，提取交通运行视频的光流特征，将光流特征与采样图像结合进行交通事故检测，有效实现了恶劣天气下交通事故检测。

技术研发人员：郭延永,江典峰,陈立波,吴忠君,白翰,李春,王修光,吕浩,岳全胜
受保护的技术使用者：东南大学
技术研发日：
技术公布日：2024/6/11