交通事故快速检测对于提升交通事故应急管理水平具有重要的现实意义.目前主流的视频事故检测算法较难同时满足高精度和低算力的要求,一定程度上制约了该技术的工程应用.针对存在的问题,本文提出了一种新的基于特征融合的视频事故快速检测方法,以期在有限算力成本下同时获得较高的检测精度和较快的检测速度.模型将特征融合通过两个步骤实现:首先,提出了一种事故注意力模块,并将其嵌入至残差网络(ResNet50)中以从复杂交通场景中筛选事故相关的外观特征;之后,将该外观特征输入到卷积长短时间记忆网络(Conv-LSTM)中,实现外观特征的微调与运动特征的提取.训练后的模型在视频测试集上的精度达到88.89％,检测速度达到FPS>30.事故注意力模块的引入提高了模型的外观特征筛选能力,而Conv-LSTM相比一般LSTM模型在提取运动特征时可以更好地保留外观特征,相比传统基于运动特征的检测方法,该模型可以获得更高的精度.相比典型特征融合模型(如C3D),模型显著降低了计算复杂度,在检测速度上更快.研究结果表明,本文提出的事故检测模型可以在有限算力下较好地取得事故检测精度和速度的平衡,有望实现推广应用.

智能交通;视频事故检测算法;残差网络;事故视觉注意力;卷积长短时间记忆网络

东南大学,交通学院,南京211189;华设集团股份有限公司,南京210014

[1]王晨;周威;章世祥-.一种特征融合的视频事故快速检测方法)[J].交通运输工程与信息学报,2022(01):31-38

视频事故检测算法,卷积长短时间记忆网络,事故视觉注意力

特征融合,快速检测方法,交通事故,事故应急管理,有限算力,下同,检测精度,检测速度,合通,注意力模块,残差网络,ResNet50,交通场景,外观特征,Conv,微调,运动特征,特征的提取,测试集,FPS,特征筛选,典型特征,融合模型,C3D,计算复杂度,检测模型,智能交通

0.225807