基于深度学习的多路段交通事故及拥堵检测方法及系统与流程

1.本发明涉及交通控制相关技术领域，具体的说，是涉及一种基于深度学习的多路段交通事故及拥堵检测方法及系统。


背景技术：

2.随着人们出行需求量的不断增大，高速道路建设越来越多，传统人工手段对高速道路交通拥堵及事故识别的处理工作量和难度也逐渐增大，传统手段主要通过电话接听或人为查看监控录像的方式进行检测，人工查看的工作量和难度巨大，耗费大量的人力成本。即使目前一些方案是使用人工智能自动检测的手段，受限于计算机性能以及计算机硬件限制，识别效率也会比较低，想要提高识别效率，也需要投入更多的gpu服务器才能实现，增大了建设的成本，面对大规模的监控摄像头数量，检测也会比较慢，不能保证实时性。


技术实现要素：

3.本发明为了解决上述问题，提出了一种基于深度学习的多路段交通事故及拥堵检测方法及系统，能够采用少量的服务器资源对海量交通监控数据进行处理，并且能够准确识别道路的拥堵方向。
4.为了实现上述目的，本发明采用如下技术方案：一个或多个实施例提供了基于深度学习的多路段交通事故及拥堵检测方法，包括如下步骤：采用轮询机制以及拥堵预判断依次访问摄像头，获取摄像头采集的车辆图像；根据获取的车辆图像，采用训练好的交通事件三分类模型进行车辆检测识别，得到交通拥堵情况；获取交通拥堵路段的车辆图像，采用拥堵事故方向二分类模型进行识别，识别得到车道中间线或隔离带，以及车头方向，确定拥堵事故方向；所述交通事件三分类模型依次识别图像中车辆、图像中车辆数量以及车辆移动距离，融合车辆数量与车辆移动距离得到交通拥堵情况。一个或多个实施例提供了基于深度学习的多路段交通事故及拥堵检测系统，包括：摄像头轮询控制模块：被配置为用于采用轮询机制以及拥堵预判断依次访问摄像头，获取摄像头采集的车辆图像；拥堵情况识别模块：被配置为用于根据获取的车辆图像，采用训练好的交通事件三分类模型进行车辆检测识别，得到交通拥堵情况；拥堵事故方向识别模块：被配置为用于获取交通拥堵路段的车辆图像，采用拥堵事故方向二分类模型进行识别，识别得到车道中间线或隔离带，以及车头方向，确定拥堵事故方向；所述交通事件三分类模型依次识别图像中车辆、图像中车辆数量以及车辆移动距
离，融合车辆数量与车辆移动距离得到交通拥堵情况。
5.一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述方法所述的步骤。
6.一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述方法所述的步骤。
7.与现有技术相比，本发明的有益效果为：本发明中，创新性地采用摄像头轮询的机制，迅速识别海量监控数据当中的拥堵及事故事件，仅需少量gpu服务器，即可实现对高速路段所有摄像头的实时检测，既能保障检测的效率，有能保障检测的精度，解决使用拥堵事故检测服务需要大量服务器资源的问题。并且创新性地采用来车方向、去车方向与隔离带左右侧两个条件，能够准确判断图像中出现拥堵或事故事件的道路。
8.本发明的优点以及附加方面的优点将在下面的具体实施例中进行详细说明。
附图说明
9.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的限定。
10.图1是本发明实施例1的多路段交通事故及拥堵检测方法的流程图；图2是本发明实施例1的多路段交通事故及拥堵检测流程示意图；图3是本发明实施例1的拥堵方向识别示例的道路示意图。
具体实施方式
11.下面结合附图与实施例对本发明作进一步说明。
12.应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
13.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。需要说明的是，在不冲突的情况下，本发明中的各个实施例及实施例中的特征可以相互组合。下面将结合附图对实施例进行详细描述。
14.实施例1在一个或多个实施方式公开的技术方案中，如图1至图3所示，基于深度学习的多路段交通事故及拥堵检测方法，包括如下步骤：步骤1、采用轮询机制以及拥堵预判断依次访问摄像头，获取摄像头采集的车辆图像；步骤2、根据获取的车辆图像，采用训练好的交通事件三分类模型进行车辆检测识别，得到交通拥堵情况；步骤3、获取交通拥堵路段的车辆图像，采用拥堵事故方向二分类模型进行识别，
识别得到车道中间线或隔离带，以及车头方向，确定拥堵事故方向。
15.所述交通事件三分类模型进行车辆检测包括依次识别图像中车辆、图像中车辆数量以及车辆移动距离，融合车辆数量、车辆移动距离得到交通拥堵情况。
16.本实施例中，创新性地采用摄像头轮询机制迅速识别海量监控数据当中的拥堵及事故事件，仅需少量gpu服务器，即可实现对高速路段所有摄像头的实时检测，既能保障检测的效率，有能保障检测的精度，解决使用拥堵事故检测服务需要大量服务器资源的问题。其中，采用2至4台gpu服务器，检测摄像头的数量可以达到千数量级。并且，创新性地采用来车方向、去车方向与隔离带左右侧等条件，能够准确判断图像中哪条道路出现拥堵或事故事件。
17.步骤1中，采用轮询机制依次访问摄像头的方法采用二分法，预测每帧图像中道路拥堵的可能性，当预测当前摄像头的摄像区域为畅通，切换到下一摄像头进行图像获取；否则，当预测当前摄像头的摄像区域为拥堵，继续获取当前摄像头的车辆图像数据。即：先轮询访问摄像头，判断当前摄像头采集的图像区域是不是拥堵，不拥堵切换至下一摄像头轮询，拥堵就继续采集当前摄像头图像。
18.具体的，预测每帧图像中道路拥堵的可能性，预测方法为识别画面中车辆的数量，根据车辆的数量设定畅通自信系数的数值，根据畅通自信系数的数值的大小判断是否畅通。
19.将道路是否畅通通过畅通自信系数σ1标记，由于使用二分法，其标记为拥堵的自信系数为σ2，且遵循σ1+σ2=1。
20.一种具体的实现方式，畅通自信系数σ1的计算公式可以如下：0《sum(车辆数量)≤a: σ1=0.9；a《sum(车辆数量)≤b: σ1=0.7；b《sum(车辆数量)≤c: σ1=0.4；c《sum(车辆数量): σ1=0.2；其中，a《b《c为设定值。
21.可实现的一种技术方案，车辆数量小于等于5，畅通自信系数标记为0.9；如果车辆数量大于5并小于等于15，畅通自信系数标记为0.7；车辆数量大于15并小于等于20，畅通自信系数标记为0.4，车辆数量大于20，畅通自信系数标记为0.2。
22.在一些实施例中，设定畅通自信系数的第一阈值与第二阈值，第一阈值大于第二阈值；如果计算得到的畅通自信系数不小于设定的第一阈值，则该摄像头的摄像区域的道路直接标记为畅通，直接切换下一摄像头画面进行分析；畅通自信系数处于第一阈值与第二阈值之间，继续获取当前摄像头的第一设定帧数图像数据计算畅通自信系数的平均值，根据畅通自信系数的平均值确定当前道路是否拥堵，并切换到下一摄像头进行图像采集；畅通自信系数不大于第二阈值，继续获取当前摄像头的第二设定帧数图像数据计算畅通自信系数的平均值，根据畅通自信系数的平均值确定当前道路是否拥堵，并切换到下一摄像头进行图像采集；其中，第一设定帧数大于第二设定帧数。
23.具体的，本实施例中，畅通自信系数第一阈值可以设置为0.9，第二阈值可以设置
为0.5。
24.如果当前摄像头畅通自信系数σ1≥0.9，则该摄像头的道路直接标记为畅通，直接切换到下一个摄像头画面分析。
25.若该摄像头畅通自信系数0.9》σ1》0.5，则该图像分析出来的畅通自信系数不高，此时，不再切换到下一个摄像头画面，继续连续获取该摄像头的连续20帧画面，将20张图片的畅通自信系数加和求平均，将该平均数标记为，若，则将其定义为畅通，若，则将其定义为拥堵。
26.若该摄像头畅通自信系数σ1≤0.5，则该图像分析出来的畅通自信系数极低，此时，不再切换到下一个摄像头画面，继续连续获取该摄像头的连续10帧画面，每个分析其畅通自信系数，将这10张图片的畅通自信系数加和求平均，将该平均数标记为，若，则将其定义为畅通，若，则将其定义为拥堵。
27.本实施例中，针对畅通自信系数设置了两个区间，其中，不小于设定的畅通自信系数第一阈值的区间为确定为畅通的区间；畅通自信系数处于第一阈值与第二阈值之间的区间为可能畅通的区间，对该区间进行重点监测，以实现监测的准确性。
28.步骤2中，采用交通事件三分类模型，对获取的车辆图像进行车辆检测识别，得到交通拥堵情况。
29.具体的，交通事件三分类模型可以采用caffe通用深度学习框架，用于分类畅通、拥堵以及发生了事故；交通事件三分类模型包括依次连接的车辆识别网络、车辆计数模块、车辆移动识别模块以及融合输出模块；车辆识别网络，用于识别车辆图像中的车辆，并采用目标框框选车辆目标；车辆计数模块，用于对车辆识别网络框选的车辆目标框进行计数；车辆移动识别模块，用于根据车辆识别网络框选的车辆目标框，识别相邻帧图像中的同一车辆移动距离；融合输出模块，用于根据车辆移动位移判断拥堵情况，判断是否发生事故，或/和对拥堵里程进行识别。
30.在一些实施例中，车辆识别网络通过检测算法，实现各种类型车辆的识别和检测，建立车辆识别检测模型，用于识别车辆数量及位置。车辆识别网络采用caffe通用深度学习框架，车辆识别网络的训练过程如下：21）获取摄像机采集的视频数据，通过视频编解码模块解析成图像数据作为数据集；其中，数据集中包含不同类型的车辆。
31.22）对数据集的图像中的各类型车辆进行标记；具体的，可以选取10000张图像，对图像中的各类型车辆进行标记。
32.23）基于标记数据提取车辆的特性，并对车辆的特征正则化；24）针对特征正则化后的数据，划分车辆识别网络的训练集和验证集；25）采用caffe通用深度学习框架构建车辆识别网络；26）训练车辆识别网络，识别出每个图像当中的车辆信息，训练后得到网络参数；
27）基于验证集的图像对训练后的车辆识别网络进行测试，直到满足精度要求。
33.车辆计数模块，被配置为对图像中的车辆进行计数，具体的，对车辆识别网络输出的识别结果，设立计数器sum，计数器初始值设为0，每检测出1个车辆，计数器的数值加1，即sum=sum+1；识别完成后，sum值即为该图像中车辆的数量。该模块输出的车辆数量可以用于畅通自信系数计算。
34.车辆移动识别模块，用于识别车辆是否移动，可以识别相邻两帧图像中同一车辆移动的距离；具体的，识别方法可以如下：2.1）对当前的摄像头，按照设定的时间间隔获取视频相邻帧，提取视频图像数据；可选的，设定的时间间隔可以设置为几秒，优选的，可以设置为1秒。
35.2.2）检测相邻两帧图像，车辆目标框相同大小的长方形的像素位移，即为车辆的移动位移值，根据间隔时间可以获得移动速度；在一些实施例中，融合输出模块实现拥堵以及事故的识别，包括如下步骤：211）设定车辆移动距离的临界值x；若位移小于设定的临界值x，则可认定该车辆缓慢移动，若位移为零则静止；212）对每个车辆求位移值，若超过设定比例的车辆小于临界值x，则判定为拥堵；可选的，设定比例可以为70%，超过70%的车辆移动距离小于x，则为拥堵。
36.213）根据时间序列，检测车辆位置的车辆目标框，设定数量的车辆停止不运动，则判定为可能发生事故；设定数量的车辆停止并且识别为拥堵，判定为发生事故；进一步地，拥堵里程识别，具体的通过拥堵摄像头的距离进行测算，通过摄像头的之间的距离计算拥堵长度，具体的，步骤如下：21.1）针对检测到拥堵的摄像头，获取摄像头的坐标信息；21.2）遍历拥堵摄像头邻近的摄像头，得到所有连续拥堵的摄像头；21.3）针对连续拥堵的摄像头，计算两两拥堵摄像头之间的距离，距离和即为拥堵里程。
37.拥堵摄像头即为检测到拥堵的摄像头。根据摄像头的坐标的设置规则，根据坐标信息计算摄像头的间距，摄像头在高速道路管理系统里都有登记的坐标信息，如某一摄像头的编号为g35 tv99 k207+340，其中k207+340即代表的位置信息。
38.通过两个摄像头位置信息，计算出两个摄像机之间的间距，如另外一个摄像头编号g35 tv99 k209+342，则这两个摄像头之间的距离为（209-207）*1k+（342-340），为2002米。
39.可选的，对检测到拥堵的摄像头标记为busycam，向前及向后遍历与其邻近的摄像头，若邻近的摄像头也是拥堵，则继续遍历，直到下一个摄像机未检测到拥堵；将该组遍历标记为拥堵的摄像头，记录该组所有摄像头的所在位置，获取位置的最大值和最小值，最大值最小值的差值即为拥堵摄像头的距离，也就是拥堵的长度。
40.传统的ai拥堵检测，仅能识别该画面中存在拥堵，无法判断拥堵的方向，隔离带任何一侧发生拥堵都会认定为该摄像头所在的路段发生拥堵，但无法确定是隔离带的哪一侧，即具体哪条道路发生拥堵。另外现有监控摄像是球机，摄像头会随时旋转，更增大了检测的难度。
41.步骤3中，拥堵事故方向二分类模型，用于分类拥堵路段的左侧道路发生了拥堵还
是右侧道路发生了拥堵，具体的，被配置为执行以下过程：31）采用faster-rcnn对隔离带或者中间线进行识别；faster-rcnn是目标检测算法，在fast-rcnn基础上提出了rpn候选框生成算法，使得目标检测速度大大提高。
42.32）将图像以识别出的隔离带或者中间线进行分割，得到两张新图；可选的，可以采用opencv从隔离带将图像进行分割；opencv（open source computer vision library，开放源代码计算机视觉库）是一套关于计算机视觉的开放源代码的api函数库。
43.33）针对分割后的每张图像，根据图像中的车辆数量计算畅通自信系数，判断图片对应的道路是否拥堵；34）识别图像中的车头方向，确定拥堵的道路的方向。
44.畅通自信系数的计算方法与步骤1中的计算方法相同，此处不再赘述。
45.可选的，可以通过设定阈值判断道路是否畅通，根据畅通自信系数的数值的大小判断是否畅通。判断方法与前述相同，具体的示例，σ1≥0.9，图像对应的区域为畅通，任何一侧自信系数0.5《σ1《0.9均继续连续取该摄像头的20帧图像做进一步分析，然后如上述做平均值，求出平均值，若，则将其定义为畅通，若，则将其定义为拥堵。如果仅左侧自信系数，则判定为左侧拥堵，如果仅右侧自信系数,则判定为右侧拥堵。若左右侧自信系数都，则判定为双向拥堵。
46.拥堵事故方向二分类模型包括中间线或者隔离带识别模块，车头识别模块以及事故方向判定模块。
47.本实施例创新性采用中间线或者中间隔离带以及车头方向检测的方式，检测出来监控中两条道路的具体哪条路发生拥堵。
48.中间线或者隔离带识别模块，具体的，被配置为采用faster-rcnn算法识别提取中间的隔离带或者中间线；根据识别出的中间的隔离带或者中间线识别是道路的左侧拥堵还是右侧拥堵。
49.以隔离带为例，高速隔离带的识别方法，采取图像特征识别方式，高速上道路为灰黑色，中间隔离带为绿色，中间护栏多为银色或绿色，两侧与中间有明显的颜色界限区分，可根据颜色变化采用faster-rcnn算法识别出隔离带。
50.车头识别模块：被配置为根据摄像头采集的相邻帧的图像，采用faster-rcnn算法识别车头朝向，进而识别是来车方向还是去车方向。
51.可选的，车头朝向判断方法可以为：按照时间先后顺序，若相邻两帧图像中的同一车辆的轮廓越来越大，则图像中的车为车头，若轮廓越来越小，则为车尾。
52.事故方向判定模块，被配置为根据当前摄像头的朝向，识别出的车道左侧拥堵还是右侧拥堵，以及车头方向确定拥堵事故方向。
53.具体的识别示例如图3所示，若隔离带左侧拥堵，且是来车方向，则为道路1拥堵，若摄像头旋转180
°
，摄像头识别为右侧拥堵，且是去车方向，同样能判断出来时道路1拥堵。
54.进一步地技术方案，还包括获取工作人员对系统给出的交通事故或拥堵数据的反馈数据，对事故或拥堵判断的偏差进行修正。具体的，构建通过偏差数据集合，继续强化训
练模型以增强事故或拥堵识别的准确性。在初始阶段，人工参与，根据机器评分结果，进行核验；人工调整拥堵及事故概率；根据调整的得分，重新修正模型，提升模型事故预测效果。
55.本实施例通过分类算法，实现对道路正常行驶、事故、拥堵的分类，并能够实现了拥堵里程识别以及拥堵方向的识别，能够实现更精细的道路情况识别，同时采用轮询机制实现了高效检测，提高了检测的实时性。
56.实施例2基于实施例1，本实施例中提供基于深度学习的多路段交通事故及拥堵检测系统，包括：摄像头轮询控制模块：被配置为用于采用轮询机制以及拥堵预判断依次访问摄像头，获取摄像头采集的车辆图像；拥堵情况识别模块：被配置为用于根据获取的车辆图像，采用训练好的交通事件三分类模型进行车辆检测识别，得到交通拥堵情况；拥堵事故方向识别模块：被配置为用于获取交通拥堵路段的车辆图像，采用拥堵事故方向二分类模型进行识别，识别得到车道中间线或隔离带，以及车头方向，确定拥堵事故方向；所述交通事件三分类模型依次识别图像中车辆、图像中车辆数量以及车辆移动距离，融合车辆数量与车辆移动距离得到交通拥堵情况。
57.此处需要说明的是，本实施例中的各个模块与实施例1中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
58.实施例3本实施例提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1的方法所述的步骤。
59.实施例4本实施例提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1的方法所述的步骤。
60.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
61.上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

技术特征：
1.基于深度学习的多路段交通事故及拥堵检测方法，其特征在于，包括如下步骤：采用轮询机制以及拥堵预判断依次访问摄像头，获取摄像头采集的车辆图像；根据获取的车辆图像，采用训练好的交通事件三分类模型进行车辆检测识别，得到交通拥堵情况；获取交通拥堵路段的车辆图像，采用拥堵事故方向二分类模型进行识别，识别得到车道中间线或隔离带，以及车头方向，确定拥堵事故方向；所述交通事件三分类模型依次识别图像中车辆、图像中车辆数量以及车辆移动距离，融合车辆数量与车辆移动距离得到交通拥堵情况。2.如权利要求1所述的基于深度学习的多路段交通事故及拥堵检测方法，其特征在于：采用轮询机制依次访问摄像头的方法采用二分法，预测每帧图像中道路用拥堵的可能性，当预测当前摄像头的摄像区域道路为畅通，切换到下一摄像头进行图像获取；否则，当预测当前摄像头的摄像区域道路为拥堵，继续获取当前摄像头的车辆图像数据。3.如权利要求2所述的基于深度学习的多路段交通事故及拥堵检测方法，其特征在于：预测每帧图像中道路畅通的可能性，预测方法为识别画面中车辆的数量，根据车辆的数量设定畅通自信系数的数值，根据畅通自信系数的数值的大小判断是否畅通；设定畅通自信系数的第一阈值与第二阈值，第一阈值大于第二阈值；畅通自信系数不小于设定的第一阈值，则该摄像头的摄像区域的道路为畅通，直接切换下一摄像头画面进行分析；畅通自信系数处于第一阈值与第二阈值之间，继续获取当前摄像头的第一设定帧数图像数据计算畅通自信系数的平均值，根据畅通自信系数的平均值确定当前道路是否拥堵，并切换到下一摄像头进行图像采集；畅通自信系数小于第二阈值，继续获取当前摄像头的第二设定帧数图像数据计算畅通自信系数的平均值，根据畅通自信系数的平均值确定当前道路是否拥堵，并切换到下一摄像头进行图像采集；其中，第一设定帧数大于第二设定帧数。4.如权利要求1所述的基于深度学习的多路段交通事故及拥堵检测方法，其特征在于：交通事件三分类模型包括依次连接的车辆识别网络、车辆计数模块、车辆移动识别模块以及融合输出模块；车辆识别网络，用于识别车辆图像中的车辆，并采用目标框框选车辆目标；车辆计数模块，用于对车辆识别网络框选的车辆目标框进行计数；车辆移动识别模块，用于根据车辆识别网络框选的车辆目标框，识别相邻帧图像中的同一车辆移动距离；融合输出模块，用于根据车辆计数结果以及车辆移动位移判断拥堵情况，判断是否发生事故，或/和对拥堵里程进行识别。5.如权利要求4所述的基于深度学习的多路段交通事故及拥堵检测方法，其特征在于，融合输出模块实现拥堵以及事故的识别，包括如下步骤：设定车辆移动距离的临界值；对每个车辆求在相邻两帧图像中的位移值，若超过设定比例的车辆的位移值小于临界值x，则判定为拥堵；
根据时间序列提取帧图像，检测车辆位置的车辆目标框，设定数量的车辆停止不运动，则判定为可能发生事故；设定数量的车辆停止并且识别为拥堵，判定为发生事故。6.如权利要求4所述的基于深度学习的多路段交通事故及拥堵检测方法，其特征在于，拥堵里程识别，通过拥堵摄像头的距离进行识别，具体的，步骤如下：针对检测到拥堵的摄像头，获取摄像头的坐标信息；遍历拥堵摄像头邻近的摄像头，得到所有连续拥堵的摄像头；针对连续拥堵的摄像头，计算两两拥堵摄像头之间的距离，距离和为拥堵里程。7.如权利要求1所述的基于深度学习的多路段交通事故及拥堵检测方法，其特征在于：拥堵事故方向二分类模型，包括中间线或者隔离带识别模块，车头识别模块以及事故方向判定模块；中间线或者隔离带识别模块：被配置为采用faster-rcnn算法识别提取中间的隔离带或者中间线；根据识别结果，判断是道路的左侧拥堵还是右侧拥堵；车头识别模块：被配置为根据摄像头采集的相邻帧的图像，采用faster-rcnn算法识别车头朝向，进而识别是来车方向还是去车方向；按照时间先后顺序，相邻两帧图像中的同一车辆的轮廓若越来越大，则图像中的车为车头，若轮廓越来越小，则为车尾；事故方向判定模块，被配置为根据当前摄像头的朝向，识别得到的车道左侧拥堵还是右侧拥堵，并基于车头方向确定拥堵事故方向。8.基于深度学习的多路段交通事故及拥堵检测系统，其特征在于，包括：摄像头轮询控制模块：被配置为用于采用轮询机制以及拥堵预判断依次访问摄像头，获取摄像头采集的车辆图像；拥堵情况识别模块：被配置为用于根据获取的车辆图像，采用训练好的交通事件三分类模型进行车辆检测识别，得到交通拥堵情况；拥堵事故方向识别模块：被配置为用于获取交通拥堵路段的车辆图像，采用拥堵事故方向二分类模型进行识别，识别得到车道中间线或隔离带，以及车头方向，确定拥堵事故方向；所述交通事件三分类模型依次识别图像中车辆、图像中车辆数量以及车辆移动距离，融合车辆数量与车辆移动距离得到交通拥堵情况。9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项方法所述的步骤。10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项方法所述的步骤。

技术总结
本发明涉及交通控制技术领域，提出了一种基于深度学习的多路段交通事故及拥堵检测方法及系统，检测方法包括：采用轮询机制以及拥堵预判断依次访问摄像头，获取摄像头采集的车辆图像；根据获取的车辆图像，采用训练好的交通事件三分类模型进行车辆检测识别，得到交通拥堵情况；获取交通拥堵路段的车辆图像，采用拥堵事故方向二分类模型进行识别，得到车道中间线或隔离带，以及车头方向，确定拥堵事故方向；所述交通事件三分类模型依次识别图像中车辆、图像中车辆数量以及车辆移动距离，融合车辆数量与车辆移动距离得到交通拥堵情况。本发明的检测方法能够采用少量的服务器资源对海量交通监控数据进行处理，并且能够准确道路的拥堵方向。拥堵方向。拥堵方向。


技术研发人员：巩华良 赵珂 刘伟杰
受保护的技术使用者：齐鲁高速公路股份有限公司
技术研发日：2023.04.21
技术公布日：2023/5/23