(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 202210182197.X (22)申请日 2022.02.25 (71)申请人 广东创亿 源智能科技有限公司 地址 510700 广东省佛山市顺德区陈村镇 赤花社区广隆工业园兴业四路18号顺 联机械城22座三层305B房 申请人 广东优算科技有限公司 (72)发明人 冼允廷　洪发挺　解先旭　唐吉　 (74)专利代理 机构 广州市华学知识产权代理有 限公司 4 4245 专利代理师 刘新容 (51)Int.Cl. G06V 20/54(2022.01) G06V 20/40(2022.01) G06V 10/764(2022.01)G06V 10/766(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 交通工具轨迹检测模 型的训练方法、 训练装 置和检测方法 (57)摘要 本发明公开了交通工具轨迹检测模型的训 练方法、 训练装置和交通工具轨迹检测方法。 其 中训练方法包括： 提供用于检测交通工具轨迹的 异常检测 网络， 随机初始化异常检测 网络参数， 其中 异常 检 测网 络 包 括 特 征 提 取 模 块 、 transformer时序模块和异常分类模块； 将交通 工具的视频片段输入到特征提取模块中， 以提取 交通工具视频片段的视觉特征； 将提取好的视觉 特征输入到Transformer时序模块中， 对视频时 序进行建模， 生成具备全局信息的特征； 将生成 的具备全局信息的特征输入到异常分类模块中， 获得每个视频的级别特征， 而后对视频级别特征 进行分类。 本发 明不需要人工标准训练样本中异 常变轨的时间段， 且能对视频中的时序信息进行 有效建模， 充分挖掘视频中的有用信息 。 权利要求书2页 说明书6页 附图1页 CN 114612868 A 2022.06.10 CN 114612868 A 1.一种交通工具轨 迹检测模型的训练方法， 其特 征在于， 包括： 提供用于检测 交通工具轨迹的异常检测网络， 随机初始化异常检测网络参数， 其中所 述异常检测网络包括特 征提取模块、 t ransformer时序模块和异常 分类模块； 将交通工具的视频片段输入到特征提取模块中， 以提取交通工具视频片段的视觉特 征； 将提取好的视觉特征输入到Transformer时序模块中， 对视频时序进行建模， 生成具备 全局信息的特 征； 将生成的具备全局信息的特征输入到异常分类模块中， 获得每个视频的级别特征， 而 后对视频级别特 征进行分类。 2.根据权利要求1的方法， 其特征在于： 所述交通工具为船舶， 视频片段包括从船舶正 常航行视频集合 中切分得到的正常视频片段集合 以及从船舶异常轨迹视频集合 中切分得到的异常视频片段集合 视觉特征包括从正常视频片段集合 中提取 得到的正常视觉特征集合 以及从异常视频片段集合 中提取得到的异常视觉特 征集合 3.根据权利要求2的方法， 其特 征在于： 使用梯度下降法优化网络中的参数， 其中目标函数为： 其中， 是关于异常分 类的二元交叉熵函数。 4.根据权利要求2的方法， 其特征在于： 所述特征提取模块是I3D网络， 其通过以下公式 建模获取视 觉特征： 5.根据权利要求4的方法， 其特征在于： 所述Transformer时序模块包括至少一个 Transformer子模块， 所述Transformer子模块通过soft ‑attention机制对视频时序进行建 模： 其中，×为矩阵乘法， 如此， 每个视频片段都连接全局所有视频片段， 并将所有视频片段信 息整合好， 从而生权　利　要　求　书 1/2 页 2 CN 114612868 A 2成具备全局信息的特 征集合 6.根据权利要求5的方法， 其特征在于： 所述Transformer时序模块包括多个 Transformer子模块， 第一个Transformer子模块生成的特征集合 输入到下一个 Transformer子模块中继续进行建模： 由此不断循环， 直至最后一个Transformer子模块建模完成， 最终输出的特征还是记为 7.根据权利要求5的方法， 其特征在于： 所述异常检测网络采用多示例学习框架； 所述 Transformer时序模块采用多层 soft‑attention机制， 并且在宽度方面采用multi ‑head机 制。 8.根据权利要求5的方法， 其特 征在于： 所述异常分类模块包括异常分值 回归器和 异常分类器， 所述异常分值 回归器和 异常分 类器分别通过两层全连接层实现； 将融合好的的视频片段特征集合 输入到异常分类模块中， 通过异常分值回归 器， 预测其异常 分值 其中 将计算好的异常 分值做softmax 归一化， 记为 而后计算视频级别特 征： 将计算好的 和 输入到异常分类器 中， 异常分类器分别输出yn和yp， 从而对视频级别 特征进行分类。 9.一种利用权利要求1 ‑8任意一项所述的方法训练交通工具轨迹检测模型的训练装 置， 包括异常检测网络， 其特 征在于， 所述异常检测网络包括： 特征提取模块， 用于提取交通工具视频片段的视 觉特征； Transformer时序模块， 用于根据提取好的视 觉特征， 对视频时序进行建模； 异常分类模块中， 用于获得每 个视频的级别特 征， 以对视频级别特 征进行分类。 10.一种交通工具轨 迹检测方法， 其特 征在于， 包括： 提供需要检测的交通工具的视频片段； 利用训练好的交通工具轨 迹检测模型对视频片段进行检测， 识别视频级别； 其中， 交通工具轨 迹检测模型通过权利要求1 ‑8任意一项所述的方法训练得到 。权　利　要　求　书 2/2 页 3 CN 114612868 A 3