(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 202210504130.3 (22)申请日 2022.05.10 (71)申请人 北京市公安局公安交通管理局 地址 100044 北京市西城区阜成门北 大街1 号 (72)发明人 解丹　朱林　范永强　李鹏　沈晖　 卓为　孔祥财　马晓萌　 (74)专利代理 机构 北京辰权知识产权代理有限 公司 11619 专利代理师 李小朋 (51)Int.Cl. G06V 20/54(2022.01) G06V 20/40(2022.01) G06V 20/52(2022.01) G06V 10/25(2022.01)G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G08G 1/01(2006.01) G08G 1/16(2006.01) H04N 7/18(2006.01) (54)发明名称 一种路口车辆异常变道检测方法、 装置、 存 储介质及电子设备 (57)摘要 本发明公开了一种路口车辆异常变道检测 方法、 装置、 存储介质及电子设备， 方法包括： 实 时获取信号灯控制路口布设的视频检测器针对 监控区域采集的行车视频， 并提取行车视频中的 多帧图像； 将多帧图像输入预先训练的车辆异常 变道检测模 型中， 输出多帧图像中的每个目标车 辆的位置信息； 根据每个目标车辆的位置信息判 定车辆是否异常变道。 由于本申请通过预先训练 的人工智能模型分析行车视频中的异常变道车 辆， 并根据发生异常变道车辆的相关信息优化路 口信号灯以对 车辆的通行进行管控， 从而可提升 路口车辆的通行效率。 权利要求书2页 说明书10页 附图5页 CN 114926791 A 2022.08.19 CN 114926791 A 1.一种路口车辆异常变道检测方法， 其特 征在于， 所述方法包括： 实时获取信号灯控制路口布设的视频检测器针对监控区域所采集的行车视频， 并提取 所述行车视频中的多帧图像； 将所述多帧图像输入所述预先训练 的车辆异常变道检测模型中， 输出所述多帧图像中 的每个目标车辆的位置信息； 根据所述每 个目标车辆的位置信息判定所述车辆是否异常变道。 2.根据权利要求1所述的方法， 其特征在于， 所述根据所述每个目标车辆的位置信 息判 定所述车辆是否异常变道， 包括： 将所述每个目标车辆的位置信 息输入卡尔曼滤波器中， 输出每个目标车辆的实际位置 信息； 获取所述监控区域中的车道线信息； 根据所述车道线信息标定车道线检测区域； 根据每个目标车辆的实际位置信息判断所述每个目标车辆是否进入所述车道线检测 区域； 若是， 实时判断进入所述车道线检测区域的车辆是否从当前所处车道区域进入另一车 道区域； 若是， 则确定所述车辆出现异常变道； 若否， 则确定所述车辆未 出现异常变道。 3.根据权利要求2所述的方法， 其特 征在于， 所述方法还 包括： 当所述车辆出现异常变道时， 生成变道信息； 获取发生异常变道的车辆信 息， 并将发生异常变道的车辆信 息和与其对应的所述变道 信息发送至预警电子设备。 4.根据权利要求1所述的方法， 其特征在于， 所述实时获取信号灯控制路口布设的视频 检测器针对监控区域所采集的行 车视频之前， 还 包括： 获取信号灯控制路口布设的视频检测器针对监控区域所采集的预设时段的历史行车 视频； 从所述历史行 车视频中截取 预设场景 下的图像帧， 生成样本数据； 将所述样本数据进行 数据增强处 理， 生成模型训练样本； 构建车辆异常变道检测模型； 将所述模型训练样本 输入所述车辆异常变道检测模型中， 输出损失值； 当所述损失值到 达最小时， 生成预 先训练的车辆异常变道检测模型； 或者， 当所述损失值未到达最小时， 将所述损失值进行反 向传播更新所述车辆异常变道检测 模型的参数， 并继续执行所述将所述模型训练样本输入所述车辆异常变道检测模型中的步 骤， 以对所述车辆异常变道检测模型进行迭代训练。 5.根据权利要求4所述的方法， 其特征在于， 所述将所述样本数据进行数据增强处理， 生成模型训练样本， 包括： 将所述样本数据进行随机裁剪， 并移动所述样本数据中车辆的位置， 得到第一样本数 据； 将所述第一样本数据调整至预设尺寸大小， 并对调整后的样本数据中的车辆标定类型权　利　要　求　书 1/2 页 2 CN 114926791 A 2标签， 得到第二样本数据； 采用K‑means算法对所述第二样本数据中车辆的类型标签进行聚类处理， 得到多尺寸 特征图； 将所述多尺寸特 征图确定为模型训练样本 。 6.根据权利要求5所述的方法， 其特征在于， 所述车辆异常变道检测模型包括卷积网 络、 多级特征融合网络以及损失函数； 所述将所述模型训练样本 输入所述车辆异常变道检测模型中， 输出损失值， 包括： 将所述模型训练样本 输入所述卷积网络中， 输出 卷积后的多尺寸特 征图； 将卷积后的多尺寸特征图输入所述多级特征融合网络 中， 得到所述模型训练样本 中多 个第一车辆预测边框的得分； 采用高斯加权的Soft ‑NMS算法分数， 并结合所述多个第一车辆预测边框的得分进行车 辆预测边框过 滤， 得到多个第二车辆预测边框； 根据所述损失函数以及每 个第二车辆预测边框的数据计算损失值； 其中， 所述高斯加权的Soft ‑NMS算法分数计算公式为： 其中， M表示多个第一车辆预测边框B中得分最高的预测框； bi表示除去M后的B中的第i 个预测框； Nt表示IOU阈值； si表示B中第i个预测框bi的得分； σ 表示高斯系数， IoU为高斯加 权函数。 7.根据权利要求6所述的方法， 其特征在于， 所述根据所述损失函数以及每个第 二车辆 预测边框的数据计算损失值， 包括： 根据所述每个第 二车辆预测边框的数据， 并采用所述损失函数中的回归损失误差平方 和公式计算分类损失和置信度， 得到目标 车辆的相对位置坐标与车辆类别数据； 根据所述目标 车辆的相对位置坐标与车辆类别数据计算损失值。 8.一种路口车辆异常变道检测装置， 其特 征在于， 所述装置包括： 图像提取模块， 用于实时获取信号灯控制路口布设的视频检测器针对监控区域所采集 的行车视频， 并提取 所述行车视频中的多帧图像； 位置信息输出模块， 用于将所述多帧图像输入所述预先训练的车辆异常变道检测模型 中， 输出所述多帧图像中的每 个目标车辆的位置信息； 异常变道判定模块， 用于根据 所述每个目标车辆的位置信 息判定所述车辆是否异常变 道。 9.一种计算机存储介质， 其特征在于， 所述计算机存储介质存储有多条指令， 所述指令 适于由处 理器加载并执 行如权利要求1 ‑7任意一项的方法步骤。 10.一种电子设备， 其特征在于， 包括： 处理器和存储器； 其中， 所述存储器存储有计算 机程序， 所述计算机程序适于由所述处理器加载并执行如权利要求1 ‑7任意一项的方法步 骤。权　利　要　求　书 2/2 页 3 CN 114926791 A 3