电子测量技术

基于深度学习的高速公路交通事故检测方法研究

PDF下载

凌锐 ¹^,² , 闫坤 ¹^,² , 梁宏宇 ¹^,² , 韦焯淇 ¹^,² , 郝航勃 ¹^,²

电子测量技术 | 研究与设计 2026,49(6): 29-38

收起

电子测量技术 | 研究与设计 2026, 49(6): 29-38

基于深度学习的高速公路交通事故检测方法研究

全屏

凌锐¹^,², 闫坤¹^,², 梁宏宇¹^,², 韦焯淇¹^,², 郝航勃¹^,²

作者信息

^1．桂林电子科技大学信息与通信学院桂林 541004

^2．桂林电子科技大学卫星导航定位与位置服务国家地方联合工程研究中心桂林 541004

凌锐，硕士研究生，主要研究方向为图像处理、信号处理。E-mail: 1194984426@qq.com

梁宏宇，硕士研究生，主要研究方向为图像处理、信号处理。E-mail: 1098246384@qq.com

韦焯淇，硕士研究生，主要研究方向为图像处理、信号处理。E-mail: 2521711281@qq.com

郝航勃，硕士研究生，主要研究方向为图像处理、信号处理。E-mail: 1628759348@qq.com

通讯作者:

闫坤（通信作者），博士，教授，主要研究方向为自适应信号处理、机器学习、图像处理等。E-mail: kyan5702@gmail.com

Research of deep learning-based methods for highway traffic accident detection

Rui Ling¹^,², Kun Yan¹^,², Hongyu Liang¹^,², Zhuoqi Wei¹^,², Hangbo Hao¹^,²

Affiliations

^1.School of Information and Communication, Guilin University of Electronic Technology, Guilin 541004, China

^2.National and Local Joint Engineering Research Center for Satellite Navigation, Positioning and Location Services, Guilin University of Electronic Technology, Guilin 541004, China

doi: 10.19651/j.cnki.emt.2519268

文章导航

摘要

收起

现有单阶段深度模型的交通事故检测在高速公路场景中误报率高、计算冗余大，严重制约了实际部署。为此，本文提出一种基于双阶段架构的高速公路交通事故检测方法，采用“静止车辆筛选+外观特征识别”的处理流程。第一阶段结合YOLO11与Bot-SORT，实现对车辆的检测与跟踪，并通过帧间速度分析筛选出疑似事故的静止车辆。第二阶段引入改进模型YOLO-EA，仅对静止车辆执行外观检测，并采用多帧投票机制提高判断稳定性与鲁棒性。YOLO-EA基于YOLO11架构，引入EAS-Stem模块与AWD-Conv模块，前者增强了输入阶段边缘与轮廓的特征提取，后者提升了下采样效率并在保留关键特征同时降低计算负担。实验结果表明，YOLO-EA在Precision、mAP@0.5和mAP@0.5：0.95上分别提升10.9%、3.4%和2.8%，参数量减少21%；在构建的事故视频数据集上，本方法的事故识别率达81.25%，相对于单阶段检测策略误报率降低24.46%。该方法在准确性与推理效率之间实现良好平衡，具备较强的实际部署潜力。

关键词

交通安全 / 事故检测 / 多目标跟踪 / 深度学习 / 高速公路

Abstract

收起

Existing single-stage deep models for traffic accident detection often suffer from high false alarm rates and computational redundancy in highway scenarios, severely limiting their practical deployment. To address these issues, this paper proposes a two-stage traffic accident detection method tailored for highways, following a "stationary vehicle filtering+appearance-based recognition" strategy. In the first stage, YOLO11 and Bot-SORT are integrated to detect and track vehicles, and inter-frame speed analysis is used to identify stationary vehicles as potential accident candidates. In the second stage, an improved model named YOLO-EA is introduced to perform appearance-based detection exclusively on the stationary vehicles, combined with a multi-frame voting mechanism to enhance stability and robustness. Built upon the YOLO11 architecture, YOLO-EA incorporates an EAS-Stem module and an AWD-Conv module. The former enhances edge and contour extraction in the input stage, while the latter improves downsampling efficiency by retaining critical features and reducing computational cost. Experimental results show that YOLO-EA improves Precision, mAP@0.5 and mAP@0.5:0.95 by 10.9%, 3.4% and 2.8% respectively, while reducing parameter count by 21%. On the constructed accident video dataset, the proposed method achieves an accident recognition rate of 81.25%, with a 24.46% reduction in false alarm rate compared to single-stage detection strategies. This method achieves a favorable balance between accuracy and inference efficiency, demonstrating strong potential for real-world deployment.

Key words

traffic safety / accident detection / multi-object tracking / deep learning / highway

引用本文

凌锐, 闫坤, 梁宏宇, 韦焯淇, 郝航勃. 基于深度学习的高速公路交通事故检测方法研究. 电子测量技术, 2026 , 49 (6) : 29 -38 . DOI: 10.19651/j.cnki.emt.2519268

Rui Ling, Kun Yan, Hongyu Liang, Zhuoqi Wei, Hangbo Hao. Research of deep learning-based methods for highway traffic accident detection[J]. Electronic Measurement Technology, 2026 , 49 (6) : 29 -38 . DOI: 10.19651/j.cnki.emt.2519268

基金

收起

国家自然科学基金(62101147)
广西自然科学基金(桂科2020GXNSFAA159146)
广西创新驱动发展专项(桂科AA21077008)
教育部重点实验室基金(CRKL190108)

参考文献

收起

2026年第49卷第6期

PDF下载

引用本文

BibTeX

文章信息

doi: 10.19651/j.cnki.emt.2519268

接收时间：2025-07-03
首发时间：2026-05-15

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2025-07-03

基金

国家自然科学基金(62101147)

广西自然科学基金(桂科2020GXNSFAA159146)

广西创新驱动发展专项(桂科AA21077008)

教育部重点实验室基金(CRKL190108)

作者信息

^1．桂林电子科技大学信息与通信学院桂林 541004

^2．桂林电子科技大学卫星导航定位与位置服务国家地方联合工程研究中心桂林 541004

通讯作者:

闫坤（通信作者），博士，教授，主要研究方向为自适应信号处理、机器学习、图像处理等。E-mail: kyan5702@gmail.com

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/dzcljs/CN/10.19651/j.cnki.emt.2519268

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT