买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国地质大学(武汉)申请的专利交通事故预测方法、装置、电子设备及存储介质获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116341710B 。

龙图腾网通过国家知识产权局官网在2026-04-14发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310098924.9，技术领域涉及：G06Q10/04；该发明授权交通事故预测方法、装置、电子设备及存储介质是由刘玮;张涛;卢益胜;陈珺;魏龙生设计研发完成，并于2023-02-03向国家知识产权局提交的专利申请。

本交通事故预测方法、装置、电子设备及存储介质在说明书摘要公布了：本发明公开了一种交通事故预测方法，包括：获取车载视频并进行预处理，得到连续的图像帧，对连续的图像帧提取时间特征与空间特征；并将时空特征进行中期融合；对对象级特征进行基于图结构的位置加权；对加权后的对象级特征进行空间注意；将对象级特征与全帧特征拼接并进行帧级聚合和时段级聚合，以充分学习交通场景上下文信息，对获得的双层聚合信息进行时空关系推理，以获得当前时间步的隐藏状态表示；将当前时间步的隐藏状态表示输入至全连接网络，得到事故评分，并在事故评分超过预定阈值时给出预警信号。该方法可以提前2～4秒成功的预测交通事故的发生，从而给与驾驶系统或驾驶员足够的反应时间，因此大大减少交通事故发生的可能性。

本发明授权交通事故预测方法、装置、电子设备及存储介质在权利要求书中公布了：1.一种交通事故预测方法，其特征在于，包括如下步骤： 步骤S1、获取车载视频并进行预处理，得到连续的图像帧； 步骤S2、对连续的图像帧提取时间特征与空间特征； 步骤S3、对提取的时间特征与空间特征进行中期融合； 步骤S4、对对象级特征进行基于图结构的位置加权； 步骤S5、对位置加权后的对象级特征进行空间注意后，将对象级特征与全帧特征拼接并进行帧级聚合和时段级聚合，以充分学习车载视频中的交通场景上下文信息，对获得的双层聚合信息进行时空关系推理，以获得当前时间步的隐藏状态表示； 步骤S6、将聚合得到的当前时间步的隐藏状态表示输入至全连接网络，得到最终的事故评分； 步骤S7、针对获得的事故评分，在事故评分超过预定阈值的时刻系统给出预警信号； 步骤S1中，包括如下步骤： 获取行车记录仪拍摄的车载视频，对车载视频进行分帧操作，得到T个连续的图像帧，并将图像的分辨率缩放至1080*720； 步骤S2中，包括如下步骤： 步骤S21、对获得的T个连续的图像帧进行交通目标检测，检测的交通目标包含人、自行车、摩托车、汽车与公共汽车，得到每帧图像中N个交通目标的包围框； 步骤S22、对获得的T个连续的图像帧进行提取光流操作； 所述的提取光流操作采用如下步骤计算：对连续T个时刻的视频帧图像，计算每一帧与其前一帧图像的光流，得到T图像对应的光流图像，共计T-1个光流图像； 步骤S23、对获得的T-1个光流图像进行插入空白帧操作； 所述的插入空白帧操作为：在光流图像首位插入一张分辨率为1080*720的白色图片，白色图片对应的rgb值为255,255,255，由此获得共计T帧光流图像序列； 步骤S24、对序列长度为T的连续图像帧提取对应的空间特征； 所述的提取空间特征操作为：输入RGB图像，采用卷积神经网络提取RGB图像空间视觉表示，其中RGB图像为红绿蓝色彩模式图像，采用的卷积神经网络为VGG16网络，特征提取范围为每帧图像中的N个包围框与全帧画面，每帧RGB图像空间特征分为对象级空间特征与全帧空间特征，其特征维度分别为D*N与D*1； 步骤S25、对序列长度为T的光流图像提取对应的时间特征； 所述的提取时间特征操作为：输入光流图像，采用卷积神经网络分别提取时间视觉表示，其中光流图像为红绿蓝色彩模式图像，采用的卷积神经网络为VGG16网络，特征提取范围为每帧图像中的N个包围框与全帧画面，每帧光流图像时间特征分为对象级时间特征与全帧时间特征，其特征维度分别为D*N与D*1； 步骤S3中，包括如下步骤： 步骤S31、对提取到的空间特征与时间特征，进行相加操作；其中对象级空间特征与全帧空间特征，对象级时间特征与全帧时间特征分别相加，相加得到第t帧图像的中期融合对象特征与中期融合全帧特征中期融合对象特征的特征维度为D*N，中期融合全帧特征的特征维度为D*1； 步骤S4中，包括如下步骤： 步骤S41、根据步骤S21获得的目标包围框获得第t帧图像中每个包围框的中心点坐标Ct，Ct为二维向量的集合，根据以下公式得到视频序列中第t帧图像目标i与目标j之间的欧式距离 步骤S42、根据下列公式获得第t帧图像中的目标i与图像中其他所有交通目标之间的欧式距离之和 步骤S43、根据下列公式获得第t帧图像中的目标i的位置权值 其中b为一常量； 步骤S44、根据步骤S43中获得的第t帧图像目标i的位置权值与步骤S31中获得的第t帧目标i的中期融合对象特征相乘，得到第t帧目标i的位置加权特征 其中·代表元素相乘； 步骤S45、将步骤S31中获得的第t帧图像中期融合全帧特征与步骤S44中得到的第t帧图像位置加权特征分别经过全连接层得到相对应的低维特征：分别为第t帧图像低维位置加权对象级特征与第t帧图像低维帧级特征其中的特征维度为d*N，的特征维度为d*1； 步骤S5中，包括如下步骤： 步骤S51、获得第t帧图像空间注意权值αt： 其中为SoftMax激活函数，tanh为tanh激活函数，wsa、wb、wc、wd为可学习参数，h′t-1为第t-1帧获得的隐藏状态表示，为第t帧图像低维位置加权对象级特征，其中 步骤S52、获得第t帧图像空间注意目标级特征 步骤S53、将第t帧图像空间注意目标级特征与第t帧图像低维帧级特征相串联，获得第t帧图像交通场景特征Xt： 其中；代表拼接； 步骤S54、获得单个时间段隐藏状态表示Ht-i： Ht-i＝[ht-1,...,ht-i],i∈1,...,z 其中ht-i为t-i帧获得的隐藏状态表示，Z为一常数； 步骤S55、在帧级聚合层中，将时间注意力操作应用于单个帧隐藏状态表示，通过帧级聚合获得帧级加权隐藏状态表示，并表示为： 其中为SoftMax激活函数，wta为可学习参数，tanh代表双曲正切激活函数； 步骤S56：获得多个时间段隐藏状态表示At-Z： At-Z＝[H′t-1,H′t-2,…,H′t-Z] 步骤S57、在时段级聚合层中，将时间注意力操作应用于多个时段隐藏状态表示，通过时段级聚合获得时段级隐藏状态表示h′t-1，这一过程可表示为： 其中为SoftMax激活函数，wtsa为可学习参数，tanh代表双曲正切激活函数； 步骤S58、使用门控循环单元进行时空关系推理； 门控循环单元有两个门，重置门和更新门用以保留视频序列中与交通事故最相关的信息，总体可通过如下方程式描述： 其中σ代表sigmoid激活函数，h′t-1代表经过双层聚合得到的t-1帧的时段级隐藏状态表示，Xt代表当前时刻输入的交通场景特征，代表元素乘积运算符，rt代表时间步t的候选隐藏状态，ht代表第t帧图像的隐藏状态表示，tanh代表双曲正切激活函数，Wr、均为可学习参数，其维度均为d*d。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国地质大学(武汉)，其通讯地址为：430000 湖北省武汉市洪山区鲁磨路388号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。