【技术实现步骤摘要】
本专利技术涉及数字图像处理的领域，尤其涉及一种事故预测模型训练方法、装置、设备及存储介质。
技术介绍
1、自动辅助驾驶，也叫做“高级驾驶辅助系统”(advanced driver assistantsystem，简称adas)。adas是通过安装在汽车上的各种传感器，在行驶过程中实时感知周围的环境，收集数据，对静态和动态物体进行识别、探测和跟踪，并结合导航地图数据进行系统计算和分析，从而提前让驾驶者意识到可能存在的危险，有效提升汽车驾驶的舒适性和安全性。
2、目前，通常利用行车记录仪视频进行早期事故预测对提高现代智能交通系统的安全性起着至关重要的作用。提前准确预测事故可以显著减少交通事故并提高整体道路安全性。然而，尽管有大量研究努力通过在同一帧内采用不同的特征提取方法来捕获更多的视觉信息，但同一帧内特征之间的一致性和不同帧间特征之间的差异性尚未得到充分重视。
技术实现思路
1、为了提高交通事故模型对图像帧的理解能力，提高事故预测结果的准确性，提供一种事故预测模型训练方法、装置、设备及存储介质。
2、为了实现本专利技术的上述目的，本专利技术提供了一种事故预测模型训练方法，包括：
3、获取训练数据集，所述数据训练集包括行车记录仪采集的若干图像帧；
4、构建事故预测模型的网络结构；
5、利用训练数据集对事故预测模型的网络进行训练，在每次训练中，根据图像帧的特征和待训练事故预测模型输出的事故预测结果确定待训练事故预测模型的损失函数
6、根据损失函数优化待训练事故预测模型的网络参数，得到最终的事故预测模型。
7、可选地，图像帧的特征包括图像帧的帧级特征和图像帧的目标级特征，所述帧级特征为图像帧的全局特征，所述目标级特征为图像帧中预设的交通参与者对应的局部特征；
8、根据图像帧的帧级特征和目标级特征确定待训练事故预测模型的一致性对比损失。
9、可选地，所述根据图像帧的帧级特征和目标级特征确定待训练事故预测模型的一致性对比损失，包括：
10、将来自同一图像帧中的帧级特征和目标级特征视为正样本对；
11、将来自不同图像帧中的帧级特征和目标级特征视为负样本对；
12、分别对正样本对和负样本对进行余弦相似度计算，根据正样本对的余弦相似度和负样本对的余弦相似度确定一致性对比损失。
13、可选地，一致性对比损失lconsistency的计算公式为：
14、
15、lframe-object和lobject-frame为相对称的对比损失，其中，lframe-object为预设图像帧的帧级特征与训练数据集中全部图像帧目标级特征的损失，lobject-frame为预设图像帧的目标级特征与训练数据集中全部图像帧的帧级特征的损失；
16、lframe-object的表达式为：
17、
18、其中，n表示训练数据集中图像帧的数量，s(.)表示余弦相似度计算，τ表示用于调整学习效果的温度系数；oi表示第i个图像帧的目标级特征，fi表示第i个图像帧的帧级特征；i表示预设图像帧的索引，j表示训练数据集中图像帧的索引，oj表示第j个图像帧的目标级特征；
19、lobject-frame的表达式为：
20、
21、fj表示第j个图像帧的帧级特征。
22、可选地，一致性对比损失lconsistency的计算公式为
23、
24、lframe-object和lobject-frame为相对称的对比损失，其中，lframe-object为预设图像帧的帧级特征与训练数据集中全部图像帧目标级特征的损失，lobject-frame为预设图像帧的目标级特征与训练数据集中全部图像帧的帧级特征的损失；
25、lframe-object的表达式为：
26、
27、其中，n表示训练数据集中图像帧的数量，s(.)表示余弦相似度计算，τ表示用于调整学习效果的温度系数；oi表示第i个图像帧的目标级特征，fi表示第i个图像帧的帧级特征；i表示预设图像帧的索引，j表示训练数据集中图像帧的索引，oj表示第j个图像帧的目标级特征；
28、lobject-frame的表达式为：
29、
30、fj表示第j个图像帧的帧级特征。
31、可选地，所述基于若干图像帧的融合信息生成有向图，基于有向图网络生成交通事故的风险评分，包括：
32、将行车记录仪观测到的每个图像帧均记为一个节点；
33、利用箭头对相邻图像帧对应的节点进行连接，生成图像帧间的有向图；箭头从前一图像帧指向当前图像帧；
34、利用图注意层对有向图进行处理输出交通事故的预测概率，得到交通事故的风险评分。
35、可选地，预测损失的表达式为
36、其中，at表示交通事故的预测概率，n表示训练数据集中图像帧的数量，i表示训练数据集中图像帧的索引，y为图像帧的真实标签。
37、为了解决上述问题，本专利技术还提供一种事故预测模型训练装置，所述训练装置包括：
38、获取模块，用于获取训练数据集，数据训练集包括行车记录仪采集的若干图像帧；
39、构建模块，用于构建事故预测模型的网络结构；
40、训练模块，用于利用训练数据集对事故预测模型的网络进行训练，在每次训练中，根据图像帧的特征和待训练事故预测模型输出的事故预测结果确定待训练事故预测模型的损失函数，损失函数包括一致性对比损失和预测损失；
41、优化模块，用于根据损失函数优化待训练事故预测模型的网络参数，得到最终的事故预测模型。
42、为了解决上述问题，本专利技术还提供一种电子设备，所述电子设备包括：
43、至少一个处理器；以及，
44、与所述至少一个处理器通信连接的存储器；其中，
45、所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的事故预测模型训练方法。
46、为了解决上述问题，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的事故预测模型训练方法。
47、综上所述，本申请包括以下有益技术效果：
48、使用特征一致性表示来预测交通事故，一致性对比的目的是帮助模型更好地捕捉同一帧的不同特征之间的一致性，将对比学习引入事故预测，放大同一帧不同特征之间的相似性，同时最大化不同帧特征之间的差异性，以区分不同帧的特征之间的差异，从而实现更好的特征提取和融合，提高交通事故模型对图像帧的理解能力，提高事故预测结果的准确性；
4本文档来自技高网...
【技术保护点】
1.一种事故预测模型训练方法，其特征在于，
2.如权利要求1所述的事故预测模型训练方法，其特征在于，图像帧的特征包括图像帧的帧级特征和图像帧的目标级特征，所述帧级特征为图像帧的全局特征，所述目标级特征为图像帧中预设的交通参与者对应的局部特征；
3.如权利要求2所述的事故预测模型训练方法，其特征在于，所述根据图像帧的帧级特征和目标级特征确定待训练事故预测模型的一致性对比损失，包括：
4.如权利要求3所述的事故预测模型训练方法，其特征在于，一致性对比损失Lconsistency的计算公式为：
5.如权利要求1至4之一所述的事故预测模型训练方法，其特征在于，
6.如权利要求5所述的事故预测模型训练方法，其特征在于，所述基于若干图像帧的融合信息生成有向图，基于有向图网络生成交通事故的风险评分，包括：
7.如权利要求6所述的事故预测模型训练方法，其特征在于，
8.一种事故预测模型训练装置，用于实现权利要求1至7之一所述事故预测模型训练方法，其特征在于，包括：
9.一种电子设备，其特征在于，所述电
10.一种计算机可读存储介质，其特征在于，所述计算机存储介质存储有计算机程序；所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的事故预测模型训练方法。
...【技术特征摘要】
1.一种事故预测模型训练方法，其特征在于，
2.如权利要求1所述的事故预测模型训练方法，其特征在于，图像帧的特征包括图像帧的帧级特征和图像帧的目标级特征，所述帧级特征为图像帧的全局特征，所述目标级特征为图像帧中预设的交通参与者对应的局部特征；
3.如权利要求2所述的事故预测模型训练方法，其特征在于，所述根据图像帧的帧级特征和目标级特征确定待训练事故预测模型的一致性对比损失，包括：
4.如权利要求3所述的事故预测模型训练方法，其特征在于，一致性对比损失lconsistency的计算公式为：
5.如权利要求1至4之一所述的事故预测模型训练方...
【专利技术属性】
技术研发人员：朱冬，方向明，宋雯，唐国梅，张建，胡小东，严格，仲元红，
申请(专利权)人：七腾机器人有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。