(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211006365.6 (22)申请日 2022.08.22 (71)申请人 招商新智科技有限公司 地址 100022 北京市朝阳区建国路1 18号五 层 申请人 招商局公路网络科技控股 股份有限 公司 (72)发明人 何站稳　杜渐　段洪琳　姜德宏　 宋建斌　徐华　耿亚玮　吴武勋　 张凯　江子强　符锌砂　彭锦辉　 曾彦杰　 (74)专利代理 机构 北京盛广信合知识产权代理 有限公司 161 17 专利代理师 张军艳(51)Int.Cl. G08G 1/01(2006.01) G08G 1/123(2006.01) G06V 10/774(2022.01) G06V 20/40(2022.01) G06V 20/52(2022.01) G06V 20/56(2022.01) G06V 20/70(2022.01) G06T 7/246(2017.01) (54)发明名称 一种复杂检测条件下交通事 件检测方法 (57)摘要 本发明公开了一种复杂检测条件下交通事 件检测方法， 包括： 获取车辆位置信息和车道线 位置信息的历史数据， 根据深度学习方法构建多 任务学习网络模 型； 将历史数据输入多任务学习 网络模型进行训练， 获得多任务学习网络检测模 型； 基于道路监控视频实时提取图像数据， 将图 像数据输入多任务学习网络检测模 型进行检测， 获得车辆和车道线的检测结果； 将检测结果输入 交通异常事件检测算法， 检测道路上的异常交通 事件。 本发明基于多任务学习网络模型， 解决了 在不良条件 下车辆检测效果差的问题， 由于是同 一个网络模 型同时检测车辆和车道线， 所以不仅 节省了相关设备的硬件资源， 而且提高了模型的 运行效率， 满足了公路视频监控实时性的要求。 权利要求书2页 说明书5页 附图4页 CN 115497285 A 2022.12.20 CN 115497285 A 1.一种复杂检测条件下交通事 件检测方法， 其特 征在于， 包括： 获取车辆位置信 息和车道线位置信 息的历史数据， 根据深度学习方法构建多任务学习 网络模型； 将所述历史数据输入所述多任务学习网络模型进行训练， 获得多任务学习网络检测模 型； 基于道路监控视频实时提取图像数据， 将所述图像数据输入所述多任务学习网络检测 模型进行检测， 获得 车辆和车道线的检测结果； 将所述检测结果输入交通异常事 件检测算法， 检测道路上的异常交通事 件。 2.根据权利要求1所述的复杂检测条件下交通事件检测方法， 其特征在于， 将所述历史 数据输入所述多任务学习网络模型进行训练的过程包括， 对车辆位置信 息和车道线位置信 息的历史数据进行标注， 包括通过矩形框标注车辆和 通过多段线标注车道线， 获得 标注后的数据集； 将所述标注后的数据集按照一定比例划分训练集、 验证集、 测试集； 基于所述训练集、 验证集进行数据增强处理后对多任务学习 网络模型进行训练， 获得 收敛后的初始检测模型； 将所述测试集输入所述初始检测模型进行精度评估， 满足要求获 得多任务学习网络检测模型。 3.根据权利要求2所述的复杂检测条件下交通事件检测方法， 其特征在于， 将所述测试 集输入所述初始检测模型进行精度评估， 满足要求获得多任务学习网络检测模型的过程包 括， 以mAP50和召回率为指标对所述初始检测模型的车辆检测结果进行精度评价， 获得第 一评价结果； 以准确率和IOU为指标对所述初始检测模型的车道线检测结果进 行精度评价， 获得第二评价结果； 若所述第一评价结果、 第二评价结果均满足要求， 则将所述初始检测模型训练的超参 数结果作为实际视频测试 的多任务学习网络检测模型； 若不满足要求， 则更新样本集与网 络初始化参数， 对多任务学习网络模型重新训练后继续进行精度评价， 直至满足要求获得 所述多任务学习网络检测模型。 4.根据权利要求1所述的复杂检测条件下交通事件检测方法， 其特征在于， 将所述图像 数据输入所述多任务学习网络检测模型进 行检测， 获得车辆和车道线的检测结果的过程包 括， 基于所述多任务学习网络检测模型同时对车辆和车道线进行检测， 利用目标跟踪算法 对车辆进行跟踪， 生成车辆行驶轨 迹和车道线轨 迹。 5.根据权利要求4所述的复杂检测条件下交通事件检测方法， 其特征在于， 生成车辆行 驶轨迹的过程包括， 基于所述多任务学习网络检测模型输出车辆在图像中的位置信息， 根 据目标跟踪算法对连续帧图像的车辆位置信息进行跟踪， 生成所述车辆行驶轨 迹。 6.根据权利要求 4所述的复杂检测条件下交通事 件检测方法， 其特 征在于， 将所述检测结果输入交通异常事件检测算法， 检测道路上的异常交通事件的过程包 括， 基于交通异常事件检测算法融合所述车辆行驶轨迹和车道线轨迹的轨迹信 息， 根据融 合后的信息检测交通异常事件； 其中， 所述交通异常事件至少包括频繁变道、 频繁超车和交权　利　要　求　书 1/2 页 2 CN 115497285 A 2通拥堵。 7.根据权利要求6所述的复杂检测条件下交通事 件检测方法， 其特 征在于， 所述频繁变道 的检测过程包括， 获取车辆和车道线的检测结果， 基于车辆的检测和跟 踪结果和车道的划分结果记录车辆和对应所在车道的ID、 出现和消失在该车道的时间； 如 果车辆ID出现在三条及三条以上车道， 则计算车辆完成变道的时间， 如果完成变道的时间 小于第一阀值， 则所述车辆判断为频繁变道； 当频繁变道的车辆ID不在 存储库中， 则保存在 存储库中， 并显示频繁变道的车辆ID到报警信息栏。 8.根据权利要求6所述的复杂检测条件下交通事 件检测方法， 其特 征在于， 所述频繁超车的检测过程包括， 获取车辆和车道线的检测结果， 基于车辆的检测和跟 踪结果和车道的划分结果记录车辆和对应所在车道的ID、 出现和消失在该车道的时间； 如 果车辆ID出现在同一条车道上的次数超过2 次， 则计算车辆最早和最 晚出现在同一条车道 的时间间隔； 如果时间间隔小于第二阀值， 则所述车辆判断为频繁超 车； 当频繁超车的车辆 ID不在存 储库中， 则保存在存 储库中， 并显示频繁超车的车辆ID到报警信息栏。 9.根据权利要求6所述的复杂检测条件下交通事 件检测方法， 其特 征在于， 所述交通拥堵的检测过程包括， 获取车辆和车道线的检测结果， 基于车辆的检测和跟 踪结果和 检测区的划分结果记录车辆的ID、 出现和消失在检测区的时间； 如果检测区内的 车辆数大于预设阈值， 则计算车辆通过检测区的平均时间； 如果平均时间大于第三阈值， 则 判断路段交通拥堵； 当最新判断的交通拥堵与上一次报告的时间点的间隔大于第四阈值， 则保存拥堵时间点在存 储库中， 并报告该路段 出现拥堵。权　利　要　求　书 2/2 页 3 CN 115497285 A 3