[发明专利]基于多分支卷积神经网络的交通场景风险评估方法及系统

权利要求书

1.基于多分支卷积神经网络的交通场景风险评估方法,其特征在于，包括：

获取交通场景视频，根据预设频率截取视频帧序列，并计算相邻帧间的光流图，将所述视频帧序列及光流图数据分别划分为训练集与测试集；

构建多分支卷积神经网络模型，并嵌入时移模块和注意力模块，分别作为空间分支网络和时间分支网络；

利用所述训练集对所述多分支卷积神经网络模型进行训练；

将所述测试集输入训练好的多分支卷积神经网络模型，生成交通场景中风险发生的评估分数。

2.如权利要求1所述的基于多分支卷积神经网络的交通场景风险评估方法，其特征在于，获得的视频帧序列及光流图数据在数据集构建前，需要根据发生交通事故的可能性进行分类，将风险评级分为四等：低风险，场景中行人和车辆的数量较少，都在正常行驶，事故发生的可能性低；中等风险，场景中人流量和车流量适中，且无危险驾驶行为，行驶较为有序；高等风险，场景中行人和车辆过多，或行驶较为无序，有较高的事故发生可能性；事故级，场景中发生了可见的交通事故。

3.如权利要求1所述的基于多分支卷积神经网络的交通场景风险评估方法，其特征在于，所述时移模块用于增加相邻帧之间的信息交换与融合，所述时移模块在时间维度上进行位移，将前四分之一通道向下一时刻位移，将下面四分之一通道向上一时刻位移，剩下的二分之一通道则保持不变；该过程可表示为：

Y＝ω₁c₁T⁺¹+ω₂c₂T^-1+ω₃c₃T⁰

其中，通道c分为(c1,c2,c3)三部分，(T⁺¹,T^-1,T⁰)表示时间维度上的位移操作，而(ω₁,ω₂,ω₃)表示权重。

4.如权利要求1所述的基于多分支卷积神经网络的交通场景风险评估方法，其特征在于，所述注意力模块插入残差卷积层中，所述注意力模块包括通道注意力模块和空间注意力模块，所述通道注意力模块将输入经过两个池化层进行特征压缩后拼接到一起送入一维卷积层进行学习，经过激活函数得到通道注意力权重，计算过程可表示为：

M_c(F)＝σ(Conv1d([AvgPool(F)；MaxPool(F)]))

其中，AvgPool和MaxPool表示平均池化和最大池化操作；Conv1d表示一维卷积操作；σ表示激活函数。

5.如权利要求4所述的基于多分支卷积神经网络的交通场景风险评估方法，其特征在于，所述空间注意力模块将输入经过两个池化层进行特征压缩后拼接到一起送入卷积层进行学习，经过激活函数得到通道注意力权重，计算过程可表示为：

M_s(F)＝σ(Conv2d([AvgPool(F)；MaxPool(F)]))

其中，AvgPool和MaxPool表示平均池化和最大池化操作；Conv2d表示二维卷积操作；σ表示激活函数。

6.如权利要求1所述的基于多分支卷积神经网络的交通场景风险评估方法，其特征在于，所述多分支卷积神经网络模型的训练，将训练集的视频帧数据等间隔分段，从每段中随机选取并堆叠，输入到空间分支网络；将训练集中的光流图数据输入到时间分支网络，进行网络模型参数的优化。

7.如权利要求1所述的基于多分支卷积神经网络的交通场景风险评估方法，其特征在于，利用训练好的多分支卷积神经网络模型进行风险评估时，将测试集中的视频帧数据等间隔分段，从每段中选取变化最大的一帧并堆叠，输入到训练好的空间分支网络；将对应的光流图输入到训练好的时间分支网络，并将两个分支的特征进行融合，获得交通场景中风险发生可能的评估分数。