WO2025138912A1 一种道路交通事件分析方法、系统、设备及介质 （上海智能交通有限公司）

(19)世界知识产权组织WO2025/138912A1(51)国际专利分类号：(21)国际申请号：PCT/CN2024/1(22)国际申请日：2024年8月19日(19.08.2024)(25)申请语言：中文(26)公布语言：中文(30)优先权：5楼200092(CN)。周家嘴路1229号5楼200092(CN)。李斌(LI,Bin);中国上海市杨浦区周家嘴路1229号5楼200092(CN)。唐崇伟(TANG,Chongwei);中国上海市杨浦区周家嘴路1229号5楼200092(CN)。王百里(WANG,Baili);中国上海市杨浦区周家嘴路1229号5楼200092(CN)。谢勇(XIE,Yong);中国上海市杨浦区周家嘴路1229号5楼200092(CN)。(74)代理人：北京集佳知识产权代理有限特广场七层100004(CN)。(81)指定国(除另有指明，要求每一种可提供的国家保护):AE,AG,AL,AM,AO,AT,BH,BN,BR,BW,BY,BZ,CA,CH,CL,CN,CCV,CZ,DE,DJ,DK,DM,DO,DZ,EC,EGB,GD,GE,GH,GM,GT,HN,HR,HU,IDIR,IS,IT,JM,JO,JP,KE,KG,KH,KN,KP,K(54)发明名称：一种道路交通事件分析方法、系统、设备及介质103Calibrateadetectionrpictureandreal-worldlonsoastoobtainacalibratPerformpreliminaryanalysi105Determineeachindependenttareachindependenttarget,soastodewhereinthestatechanged106Compilestatisticsonatrafficflowpeaktimeperiodsandplateautim107Performpreliminarydetectiononfrastatechangedata,pre-determineddetectionparameterscorrespondipeaktimeperiodsandpre-determineddete108Excludecongestioneventsresult,andtracktargetsinaframescenefromwhichthecoexcluded,soastodetermineamotionstate109Determineafinaldetectionrefinaldetectionresu贴基于所迷状态发化数据。根据预先确定的高降时间段对应的检测参数和互对应的检测参数时渐述白标规烦品面中待各个顺场染进行初步诊测，将到初步检测prises:decodingandcodingthecurrentmonitorstatisticsonatrafficflow,soastodeterminepeaktimeperiodsandplateautimeperiodsLA,LC,LK,LR,LS,LU,LY,MA,MD,MGMU,MW,MX,MY,MZ,NA,NG,NI,NO,NZ,PE,PG,PH,PL,PT,QA,RO,RS,RU,RW,SASE,SG,SK,SL,ST,SV,SY,TH,TJUA,UG,US,UZ,VC,VN,WS,ZA,ZM(84)指定国(除另有指明，要求每一种可提供的地区NA,RW,SC,SD,SL,ST,SZ,TZ,UG,ZM,ZW),(AM,AZ,BY,KG,KZ,RU,TJ,TM),欧洲(AL,AT,BE,BG,CH,CY,CZ,DE,DK,EE,ES,FI,FR,GBHU,IE,IS,IT,LT,LU,LV,MC,ME,MK,MTPL,PT,RO,RS,SE,SI,SK,SM,TR),OAPI(BFCG,CI,CM,GA,GN,GQ,GW,KM,ML(57)摘要：一种道路交通事件分析方法、系统、设备及介质，交通事件分析方法包括：对当前监控视频解码编码得到目标视频画面(S102);对目标视频画面标定得到标定后的视频画面(S103);对标定后的视频画面初步分析，得到初步分析结果(S104);根据初步分析结果确定状态变化数据(S105);统计交通流量确定道路交通现场的高、平峰时间段(S106);根据预先确定的高、平峰时间段对应的检测参数对各个帧场景进行初步检测得到初步检测结果(S107);排除初步检测结果中的拥堵事件(S108);对目标进行跟踪，确定运动状态特征，从而得到最终的检测结果并上报(S109);检测结果中触发的交通事故事件的规模和上述统计结果用于调整高、平峰时间段对应的检测参数，交通事件分析方法能提高道路交通事件的检测准确度。一种道路交通事件分析方法、系统、设备及介质本申请要求2023年12月29日提交中国专利局、申请号为备及介质”的中国专利申请的优先权，其全部内容通过引用结合在本技术领域本发明涉及道路交通识别领域，特别是涉及一种道路交通事件分析方法、系统、设备及介质。背景技术城市快速路、高速以及隧道的建设作为便捷的交通方式，面临着增长的交通需求和有限的通行能力之间的挑战。这导致了交通事故、车辆抛锚以及抛洒物散落等偶发事件的频繁发生，显著降低了通行的效率，给社会带来负面影响。因此，采用事件检测算法及时准确地发现这些交通问题对于确保城市快速路、高速以及隧道的安全运行和公众畅通出行至关重要。现有技术采用了基于遗传算法的交通事件检测算法的自整定方法。利用历史数据，以事件检测的性能指标为目标，采用遗传算法对检测算法阈值参数进行寻优，完成阈值参数的离线整定；通过不断地在周期时间内判断事件检测是否符合触发条件来一次一次迭代其中的相关参数因子，对算法阈值参数进行寻优。现有的事件检测算法将检测功能限制在某一周期内检测，即设置了某一时间长度并在这个时间窗口中不断刷新检测周期，对时间跨度较长或者较短的事件检测并没有针对性的进行优化；同时大量依靠了历史数据，但往往这些历史数据并不是那么容易被看到，以至于换了新的场景在缺少历史数据的情况下检测准确度可能并不尽如人意。发明内容基于此，本发明实施例提供一种道路交通事件分析方法、系统、设备及介质，以提高道路交通事件的检测准确度。为实现上述目的，本发明实施例提供了如下方案：一种道路交通事件分析方法，包括：获取道路交通现场的当前监控视频；采用AI视频检测服务器对所述当前监控视频进行解码以及重新编码，得到目标视频画面；所述目标视频画面的视频格式为适用于AI视频检测的视频格式；对所述目标视频画面的检测范围、所述目标视频画面与现实世界经纬度之间的映射关系以及事件检测开启时间段进行标定，得到标定对标定后的视频画面进行初步分析，得到初步分析结果；所述初步分析结果包括检测图片、检测框的顶点坐标、检测框的置信度、车牌号以及目标跟踪编号；根据初步分析结果确定每一个独立的目标，并对每一个独立的目标进行持续追踪，确定每一个独立的目标的状态变化数据；所述状态变化数据包括速度和相对位置；对所述道路交通现场进行交通流量的统计，得到统计结果，并根据所述统计结果确定道路交通现场的高峰时间段和平峰时间段；所述高峰时间段为交通流量大于或等于设定流量值的时间段；所述平峰时间段为交通流量小于设定流量值的时间段；基于所述状态变化数据，根据预先确定的高峰时间段对应的检测参数和平峰时间段对应的检测参数对所述目标视频画面中的各个帧场景进行初步检测，得到初步检测结果；所述初步检测结果包括所述道路交通现场是否存在相关事件；所述相关事件包括拥堵事件和交通事故事件；根据所述统计结果排除所述初步检测结果中的拥堵事件；对排除拥堵事件的帧场景中的各个目标进行跟踪，确定每一个目标的运动状态特征；根据所述运动状态特征确定最终的检测结果，并将最终的检测结果上报事件平台；最终的检测结果包括交通事故事件是否触发；触发的交通事故事件的规模和所述统计结果用于调整高峰时间段对应的检测参数和平峰时间段对应的检测参数，以进行下个监控视频的检可选地，对所述目标视频画面与现实世界经纬度之间的映射关系进行标定，具体包括：对于所述目标视频画面中的任意一帧场景选取所述场景中设定数量的像素点，作为目标点位；设定数量的像素点均匀分布于所述目标视频画面中；对于所述目标视频画面中的任意一帧场景根据所述目标点位采用GPS采集工具、激光扫描或者无人机俯视的方式采集所述场景中与所述目标点位对应的经纬度坐标，并将所述目标点位的像素坐标和所述经纬度坐标构成坐标组合对；根据所述目标视频画面中所有帧场景的坐标组合对相机矩阵、畸变系数、旋转矩阵、平移向量生成相机坐标系与现实世界坐标系进行转换的映射矩阵。可选地，对标定后的视频画面进行初步分析，得到初步分析结果，具体包括：标定后的视频画面中的每一路视频流对应一个线程，对于每一路视频流相应的线程逐步提取帧数据，并对提取的每一帧数据进行分析，得到帧结果；将标定后的视频画面中的每一路视频流的所有帧数据的帧结果作为所述初步分析结果；其中对任意一帧数据进行分析，得到帧结果，具体包括：将该帧数据采用目标线程发送到所述目标线程对应的解码器，所述目标线程为该帧数据对应的线程；所述解码器对该帧数据进行解码后，按照设定检测要求降低该帧数据的帧率，将帧率降低后的数据作为解码后的图像数据；将所述解码后的图像数据存入缓存队列，在所述目标线程中发起一个发送线程，按先入先出的方式采用所述发送线程把所述缓存队列中存储的数据发送到待推理线程；所述待推理线程对接收到的数据推理出结果后，将推理结果放入所述缓存队列；所述推理结果包括：检测图片、检测框的顶点坐标以及检测框的置信度；根据所述缓存队列存储的数据进行车牌识别和目标跟踪，得到所述帧结果。可选地，基于所述状态变化数据，根据预先确定的高峰时间段对应的检测参数和平峰时间段对应的检测参数对所述目标视频画面中的各个帧场景进行初步检测，得到初步检测结果，具体包括：对于高峰时间段对应的帧场景，根据所述状态变化数据，对高峰时间段对应的帧场景中处于停车状态的目标进行标记，并检测处于停车状态的目标所处的位置；根据处于停车状态的目标所处的位置对高峰时间段对应的检测参数进行修正，得到修正参数；判断处于停车状态的目标的数量以及处于运动状态的目标的速度是否满足设定条件；当满足设定条件时，根据所述修正参数计算稳定系数，并根据所述稳定系数确定所述道路交通现场是否存在相关事件，得到初步检测结果；所述设定条件包括：处于停车状态的目标的数量的属于区间[2,3]、且处于运动状态的目标位于处于停车状态的目标的后方时，处于运动状态的目标的速度大于10km/h;或者，处于停车状态的目标的数量的属于区间[2,3]、且处于运动状态的目标位于处于停车状态的目标的周边车道时，处于运动状态的目标的速度大于20km/h;所述稳定系数用于表征所述相关事件是否具备在设定时间段内持续发生对于平峰时间段对应的帧场景，根据所述状态变化数据，预测平峰时间段对应的帧场景中的目标是否会发生路径冲突；若是，则预测发生路径冲突的时间，并根据发生冲突的时间获取道路交通现场的高清监控视频；所述高清监控视频的分辨率和帧率均大于所述当前监控视频的分辨率和帧率；采用平峰时间段对应的检测参数对所述高清监控视频进行事件检测，得到初步检测结果。本发明还提供了一种道路交通事件分析系统，包括：获取模块，用于获取道路交通现场的当前监控视频；解码编码模块，用于采用AI视频检测服务器对所述当前监控视频进行解码以及重新编码，得到目标视频画面；所述目标视频画面的视频格式为适用于AI视频检测的视频格式；标定模块，用于对所述目标视频画面的检测范围、所述目标视频画面与现实世界经纬度之间的映射关系以及事件检测开启时间段进行标定，得到标定后的视频画面；初步分析模块，用于对标定后的视频画面进行初步分析，得到初步分析结果；所述初步分析结果包括检测图片、检测框的顶点坐标、检测框的置信度、车牌号以及目标跟踪编号；状态追踪模块，用于根据初步分析结果确定每一个独立的目标，并对每一个独立的目标进行持续追踪，确定每一个独立的目标的状态变化数据；所述状态变化数据包括速度和相对位置；时间段确定模块，用于对所述道路交通现场进行交通流量的统计，得到统计结果，并根据所述统计结果确定道路交通现场的高峰时间段和平峰时间段；所述高峰时间段为交通流量大于或等于设定流量值的时间段；所述平峰时间段为交通流量小于设定流量值的时间段；初步检测模块，用于基于所述状态变化数据，根据预先确定的高峰时间段对应的检测参数和平峰时间段对应的检测参数对所述目标视频画面中的各个帧场景进行初步检测，得到初步检测结果；所述初步检测结果包括所述道路交通现场是否存在相关事件；所述相关事件包括拥堵事件和交通事故事件；拥堵排除模块，用于根据所述统计结果排除所述初步检测结果中目标跟踪模块，用于对排除拥堵事件的帧场景中的各个目标进行跟踪，确定每一个目标的运动状态特征；最终结果确定模块，用于根据所述运动状态特征确定最终的检测结果，并将最终的检测结果上报事件平台；最终的检测结果包括交通事故事件是否触发；触发的交通事故事件的规模和所述统计结果用于调整高峰时间段对应的检测参数和平峰时间段对应的检测参数，以进行下个监控视频的检测。可选地，所述标定模块包括检测范围标定子模块、映射关系标定子模块和时间段标定子模块；所述检测范围标定子模块用于对所述目标视频画面的检测范围进行标定；所述映射关系标定子模块用于对所述目标视频画面与现实世界经纬度之间的映射关系进行标定；所述时间段标定子模块用于对事件检测开启时间段进行标定；所述映射关系标定子模块包括：目标点位选取单元，用于对于所述目标视频画面中的任意一帧场景选取所述场景中设定数量的像素点，作为目标点位；设定数量的像素点均匀分布于所述目标视频画面中；坐标单元，用于对于所述目标视频画面中的任意一帧场景根据所述目标点位采用GPS采集工具、激光扫描或者无人机俯视的方式采集所述场景中与所述目标点位对应的经纬度坐标，并将所述目标点位的像素坐标和所述经纬度坐标构成坐标组合对；映射矩阵生成单元，用于根据所述目标视频画面中所有帧场景的坐标组合对相机矩阵、畸变系数、旋转矩阵、平移向量生成相机坐标系与现实世界坐标系进行转换的映射矩阵。可选地，所述初步分析模块包括：帧处理子模块，用于标定后的视频画面中的每一路视频流对应一个线程，对于每一路视频流相应的线程逐步提取帧数据，并对提取的每一帧数据进行分析，得到帧结果；初步分析结果确定子模块，用于将标定后的视频画面中的每一路视频流的所有帧数据的帧结果作为所述初步分析结果；所述帧处理子模块包括单帧处理单元，所述单帧处理单元用于对任意一帧数据进行分析，得到帧结果；所述单帧处理单元包括：发送子单元，用于将该帧数据采用目标线程发送到所述目标线程对应的解码器，所述目标线程为该帧数据对应的线程；帧率降低子单元，用于所述解码器对该帧数据进行解码后，按照设定检测要求降低该帧数据的帧率，将帧率降低后的数据作为解码后线程子单元，用于将所述解码后的图像数据存入缓存队列，在所述目标线程中发起一个发送线程，按先入先出的方式采用所述发送线程把所述缓存队列中存储的数据发送到待推理线程；推理结果子单元，用于所述待推理线程对接收到的数据推理出结果后，将推理结果放入所述缓存队列；所述推理结果包括：检测图片、检测框的顶点坐标以及检测框的置信度；帧结果子单元，用于根据所述缓存队列存储的数据进行车牌识别和目标跟踪，得到所述帧结果。可选地，所述初步检测模块包括：高峰时段标记检测单元，用于对于高峰时间段对应的帧场景，根据所述状态变化数据，对高峰时间段对应的帧场景中处于停车状态的目标进行标记，并检测处于停车状态的目标所处的位置；修正单元，用于根据处于停车状态的目标所处的位置对高峰时间段对应的检测参数进行修正，得到修正参数；判断单元，用于判断处于停车状态的目标的数量以及处于运动状态的目标的速度是否满足设定条件；初检单元，用于当满足设定条件时，根据所述修正参数计算稳定系数，并根据所述稳定系数确定所述道路交通现场是否存在相关事件，得到初步检测结果；所述设定条件包括：处于停车状态的目标的数量的属于区间[2,3]、且处于运动状态的目标位于处于停车状态的目标的后方时，处于运动状态的目标的速度大于10km/h;或者，处于停车状态的目标的数量的属于区间[2,3]、且处于运动状态的目标位于处于停车状态的目标的周边车道时，处于运动状态的目标的速度大于20km/h;所述稳定系数用于表征所述相关事件是否具备在设定时间段内持续发生的可能性；平峰时段预测单元，用于对于平峰时间段对应的帧场景，根据所述状态变化数据，预测平峰时间段对应的帧场景中的目标是否会发生预测结果单元，用于若是，则预测发生路径冲突的时间，并根据发生冲突的时间获取道路交通现场的高清监控视频；所述高清监控视频的分辨率和帧率均大于所述当前监控视频的分辨率和帧率；平峰时段事件检测单元，用于采用平峰时间段对应的检测参数对所述高清监控视频进行事件检测，得到初步检测结果。本发明还提供了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的道路交通事件分析方法。本发明还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述的道路交通事件分析方法。根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明实施例提出了一种道路交通事件分析方法、系统、设备及介质，根据预先确定的高峰时间段和平峰时间段对应的检测参数对目标视频画面中的各个帧场景进行初步检测，根据交通流量统计结果排除初步检测结果中的拥堵事件，并对排除拥堵事件的帧场景中的各个目标进行跟踪，确定每一个目标的运动状态特征，从而确定最终的检测结果并上报事件平台，最终的检测结果中触发的交通事故事件的规模和交通流量统计结果高峰时间段对应的检测参数和平峰时间段对应的检测参数进行调整，相比现有的事件检测算法，无需将检测功能限制在某一周期内检测，也无需依靠大量的历史数据，提高了道路交通事件的检测准确度。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他图1为本发明实施例提供的道路交通事件分析方法的流程图一；图2为本发明实施例提供的道路交通事件分析方法的流程图二；图3为本发明实施例提供的道路交通事件分析系统的结构图。下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行描述。为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。实施例一参见图1,本实施例的道路交通事件分析方法，包括：步骤101:获取道路交通现场的当前监控视频。步骤102:采用AI视频检测服务器对所述当前监控视频进行解码以及重新编码，得到目标视频画面。其中，所述目标视频画面的视频格式为适用于AI视频检测的视频步骤103:对所述目标视频画面的检测范围、所述目标视频画面与现实世界经纬度之间的映射关系以及事件检测开启时间段进行标步骤104:对标定后的视频画面进行初步分析，得到初步分析结其中，所述初步分析结果包括检测图片、检测框的顶点坐标、检测框的置信度、车牌号以及目标跟踪编号。步骤105:根据初步分析结果确定每一个独立的目标，并对每一个独立的目标进行持续追踪，确定每一个独立的目标的状态变化数WO2025/138912据；所述状态变化数据包括速度和相对位置。步骤106:对所述道路交通现场进行交通流量的统计，得到统计结果，并根据所述统计结果确定道路交通现场的高峰时间段和平峰时其中，所述高峰时间段为交通流量大于或等于设定流量值的时间段；所述平峰时间段为交通流量小于设定流量值的时间段。步骤107:基于所述状态变化数据，根据预先确定的高峰时间段对应的检测参数和平峰时间段对应的检测参数对所述目标视频画面中的各个帧场景进行初步检测，得到初步检测结果。其中，所述初步检测结果包括所述道路交通现场是否存在相关事件；所述相关事件包括拥堵事件和交通事故事件。步骤108:根据所述统计结果排除所述初步检测结果中的拥堵事件，对排除拥堵事件的帧场景中的各个目标进行跟踪，确定每一个目标的运动状态特征。步骤109:根据所述运动状态特征确定最终的检测结果，并将最终的检测结果上报事件平台。其中，最终的检测结果包括交通事故事件是否触发；触发的交通事故事件的规模和所述统计结果用于调整高峰时间段对应的检测参数和平峰时间段对应的检测参数，以进行下个监控视频的检测。在一个示例中，步骤103,具体包括：对于所述目标视频画面中的任意一帧场景选取所述场景中设定数量的像素点，作为目标点位；设定数量的像素点均匀分布于所述目标视频画面中。对于所述目标视频画面中的任意一帧场景根据所述目标点位采用GPS采集工具、激光扫描或者无人机俯视的方式采集所述场景中与所述目标点位对应的经纬度坐标，并将所述目标点位的像素坐标和所述经纬度坐标构成坐标组合对。根据所述目标视频画面中所有帧场景的坐标组合对相机矩阵、畸变系数、旋转矩阵、平移向量生成相机坐标系与现实世界坐标系进行转换的映射矩阵。在一个示例中，步骤104,具体包括：标定后的视频画面中的每一路视频流对应一个线程，对于每一路视频流相应的线程逐步提取帧数据，并对提取的每一帧数据进行分析，得到帧结果。将标定后的视频画面中的每一路视频流的所有帧数据的帧结果作为所述初步分析结果。其中，对任意一帧数据进行分析，得到帧结果，具体包括：将该帧数据采用目标线程发送到所述目标线程对应的解码器，所述目标线程为该帧数据对应的线程。所述解码器对该帧数据进行解码后，按照设定检测要求降低该帧数据的帧率，将帧率降低后的数据作为解码后的图像数据。将所述解码后的图像数据存入缓存队列，在所述目标线程中发起一个发送线程，按先入先出的方式采用所述发送线程把所述缓存队列中存储的数据发送到待推理线程。所述待推理线程对接收到的数据推理出结果后，将推理结果放入所述缓存队列；所述推理结果包括：检测图片、检测框的顶点坐标以及检测框的置信度。根据所述缓存队列存储的数据进行车牌识别和目标跟踪，得到所在一个示例中，步骤107,具体包括：(1)对于高峰时间段对应的帧场景，根据所述状态变化数据，对高峰时间段对应的帧场景中处于停车状态的目标进行标记，并检测处于停车状态的目标所处的位置。根据处于停车状态的目标所处的位置对高峰时间段对应的检测参数进行修正，得到修正参数。判断处于停车状态的目标的数量以及处于运动状态的目标的速度是否满足设定条件。当满足设定条件时，根据所述修正参数计算稳定系数，并根据所述稳定系数确定所述道路交通现场是否存在相关事件，得到初步检测结果；所述设定条件包括：处于停车状态的目标的数量的属于区间[2,3]、且处于运动状态的目标位于处于停车状态的目标的后方时，处于运动状态的目标的速度大于10km/h;或者，处于停车状态的目标的数量的属于区间[2,3]、且处于运动状态的目标位于处于停车状态的目标的周边车道时，处于运动状态的目标的速度大于20km/h;所述稳定系数用于表征所述相关事件是否具备在设定时间段内持续发生(2)对于平峰时间段对应的帧场景，根据所述状态变化数据，预测平峰时间段对应的帧场景中的目标是否会发生路径冲突。若是，则预测发生路径冲突的时间，并根据发生冲突的时间获取道路交通现场的高清监控视频；所述高清监控视频的分辨率和帧率均大于所述当前监控视频的分辨率和帧率。采用平峰时间段对应的检测参数对所述高清监控视频进行事件检测，得到初步检测结果。下面给出了上述道路交通事件分析方法在实际应用中的一个更为具体的实现过程，对该方法进行进一步详细说明。本具体示例的道路交通事件分析方法主要包括数据的接入、检测场景的标定、目标识别、轨迹分析、参数的自适应调整、事件识别，其具体包括如下步骤：WO2025/138912步骤一、将交通现场的监控视频实时接入AI视频检测服务器中，对视频进行解码以及重新编码成更适合AI检测的视频格式。步骤二、将接入的视频进行简单的标定，包括视频画面的检测范围、视频画面与现实世界经纬度之间的映射关系、事件检测开启时间步骤三、对视频画面进行分析，识别画面中的各个目标类型、所处位置、运动状态等基础要素信息。步骤四、将步骤三所采集到的数据进行整体分析，关联为一个个独立的目标并持续追踪更新其状态变化，包括速度，相对于画面的位置等。同时对检测场景进行交通流量的统计，通过统计学的方法得出当前场景的高峰和平峰时间段，以及车道占有率和时间占有率。步骤五、结合步骤四的数据内容对场景进行分析。若场景中有大量目标静止不动，且根据画面的尽头是否依旧存在大量静止目标来初步分析是否存在拥堵或者交通事故等相关事件，并进行初步上报测试步骤六、若测试平台对初步上报的事件的准确性进行了修正，则根据真实状况对测试平台上报的事件进行分析，将结果返回进算法内部。经过多次的结果反馈，自动计算出距离参数D来确定当前场景中如何界定远处目标和近处目标。若测试平台对初步上报的事件的准确性没有修正，则跳过本步骤，沿用已有的历史参数。步骤七、对步骤四的交通状况，以及步骤五上报的事件信息综合分析，当排除当前场景中拥堵事件之后，对场景中每个目标全流程跟踪，综合分析每一个目标的运动状态的特征，并结合步骤四的交通状态数据动态调整一天中相同场景下不同的检测参数。步骤八、根据步骤七的对场景特征的综合分析后，若检测到某事件触发，则进入针对某事件的特殊算法路径，根据其事件规模针对性调整不同的参数数值，并输出检测结果。步骤九、确认无误之后返回检测结果，上报事件平台。其中对上述步骤中涉及到的主要步骤进行具体介绍。对视频画面进行初步标定的过程：1、取视频流中某一帧场景，选取场景中具有显著特征的点位并且应均匀分布于视频画面中，保证近处远处都有相同比例的坐标(像素)点，且数量Np≥9(个)。2、根据步骤1点位的选择，通过GPS采集工具、激光扫描或者无人机俯视采集场景中一些与步骤1一一对应的经纬度坐标Ng,并生成像素坐标、经纬度坐标组3、通过转化公式结合相机矩阵、畸变系数、旋转矩阵、平移向量等计算生成两套坐标系相互转换的映射矩阵，实现由相机画面的像素点坐标得到经纬度坐标的功能。对画面进行初步分析的过程：1、打开待检测的目标通道视频或图片，在相应的位置画好目标检测区域(用于去掉非检测区域内的目标，减少误检)。2、系统启动，打开待检测的目标通道视频流，实时拉流；如果有多路视频流，则多个线程分别打开不同通道。3、在每一个打开流的线程，逐步取帧数据；把每一帧数据分别发送到本线程对应的解码器；解码器解码后，按照检测要求，降低帧率，如果原始帧率为25,则降低一半帧率。4、解码后的图像数据存入缓存队列，在该线程，另起一个发送线程，并按先入先出的方式把缓存队列的数据发送到待推理线程。(另起发送线程发送数据的目的是，避免在拉流线程发送，导致产生延迟抖动，影响到拉流数据的质量)5、推理出结果后，把结果放入缓存队列，此缓存队列结果中包含检测图片、检测框的顶点坐标以及置信度；缓存队列的数据用于车牌识别以及多目标跟踪的输入。6、从缓存队列中取出一帧数据，进行车牌识别，并把结果更新到缓存队列中的一帧数据中。7、从缓存队列中取出10帧数据(小于10帧则取出所有数据),作为多目标跟踪的输入，多目标跟踪为多线程方式。8、获取多目标跟踪的帧结果，结果中包含检测图片、检测框的顶点坐标以及置信度、车牌号、目标跟踪编号等；接下来对此数据进行施工检测判断处理。目标跟踪检测过程：1、将视频检测的每一帧的结果保存为一个对象列表，包括各检测对象的ID、分类、置信度以及矩形边框像素坐标。2、将不同帧中的对象关联结合，得到由不同轨迹厂={T1,…,Tn}组成的列表，每个T;都包含对应轨迹的目标ID、类别、首次出现的帧数以及判断目标是否处于场景视野中。3、针对某时刻为t的一帧，计算所有活跃的轨迹在t-k(k≤30)时刻的边框与t时刻的边框的iou,若大于等于规定的阈值下限，则认为当前检测对象与轨迹Γ中对应的对象是匹配的，一旦匹配，在下一次的k值循环中便跳出此对象。4、完成k循环后，若某对象没有与任何轨迹匹配，则认为该对象为新出现的目标；若某对象超过kmax帧没出现，则判断该对象不在检测场景中。多车事故检测过程：1、首先判断高峰时段与平峰时段。WO2025/138912PCT/2、当高峰时段时，针对画面中停留时间超过T'以上的所有车辆目标统一标记为停车状态，检测停车目标所处的位置，根据位置的不3、当前场景处于停车状态的车辆目标数量，当数量区间在[2,3]这个范围内时，分析当前场景附近其他车辆目标的行驶速度；当运动状态的车辆处于停车状态车辆的后方时，检测运动状态的车辆速度是否大于10km/h;当运动状态的车辆处于停车状态车辆周边车道时，检测运动状态的车辆速度是否大于20km/h。4、当满足步骤3的相关条件时，持续统计观察事件接下来的发展趋势，通过参数的拟合分析当前事件是否是具备长时间持续发生的可能性，即稳定系数δ,决定是否上报事件。5、当平峰时段时，首先预测场景中车辆之间可能发生冲突的可能性，令t₁,t₂分别为车辆1和车辆2到达冲突位置的时间，v₁,a₁分别为车辆1当前的速度和加速度，v₂,a₂分别为车辆2当前的速度和加速度，R为由车辆长度L和宽度W决定的半径：6、当R的数值小于正常状态下目标与目标之间的距离时，则判断有可能发生事故。进一步推导，当t₁=t₂时，即可求得冲突的时间。根据预测的时间，提前锁定当前通道，单独为其分配更多算力，利用分辨率更高、帧率更高的视频码流，对整个检测场景进行事故分析，以保证事故的准确性，降低误报率。上述具体过程的流程图如图2所示。针对城市道路、快速路、高速以及隧道场景，需要解决以下问题：1、解决雷达难以分辨的各类车型的问题；2、通过已知数据提取相应目标的轨迹，进一步分析其是否发生事故的可能性并及时上报平台。而现有的方法在车辆轨迹及事故检测中应用极少且准确率不高，上述实施例的方法解决计算机视觉在视频流中事故检测的相关问题以便上述道路交通事件分析方法，是一种全局动态自适应参数事件分析算法，能实现多车事故与车辆抛锚等交通事件的检测及上报，可在最大程度降低漏检率的前提下，降低事件的误报率，提高数据的使用质量，减少数据后期清洗、分析、处理的工作量。同样该方法以多车事故为例进行了算法说明，根据本算法思路，同样可以对单车抛锚、抛洒物、车辆逆行、车辆倒车、禁区闯入等事件的检测降低误报率，降低漏检率。实施例二为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供一种道路交通事件分析系统。参见图3,所述系统，包括：获取模块201,用于获取道路交通现场的当前监控视频。解码编码模块202,用于采用AI视频检测服务器对所述当前监控视频进行解码以及重新编码，得到目标视频画面；所述目标视频画面的视频格式为适用于AI视频检测的视频格式。标定模块203,用于对所述目标视频画面的检测范围、所述目标视频画面与现实世界经纬度之间的映射关系以及事件检测开启时间段进行标定，得到标定后的视频画面。初步分析模块204,用于对标定后的视频画面进行初步分析，得到初步分析结果；所述初步分析结果包括检测图片、检测框的顶点坐标、检测框的置信度、车牌号以及目标跟踪编号。状态追踪模块205,用于根据初步分析结果确定每一个独立的目标，并对每一个独立的目标进行持续追踪，确定每一个独立的目标的状态变化数据；所述状态变化数据包括速度和相对位置。时间段确定模块206,用于对所述道路交通现场进行交通流量的统计，得到统计结果，并根据所述统计结果确定道路交通现场的高峰时间段和平峰时间段；所述高峰时间段为交通流量大于或等于设定流量值的时间段；所述平峰时间段为交通流量小于设定流量值的时间初步检测模块207,用于基于所述状态变化数据，根据预先确定的高峰时间段对应的检测参数和平峰时间段对应的检测参数对所述目标视频画面中的各个帧场景进行初步检测，得到初步检测结果；所述初步检测结果包括所述道路交通现场是否存在相关事件；所述相关事件包括拥堵事件和交通事故事件。拥堵排除模块208,用于根据所述统计结果排除所述初步检测结果中的拥堵事件。目标跟踪模块209,用于对排除拥堵事件的帧场景中的各个目标进行跟踪，确定每一个目标的运动状态特征。最终结果确定模块210,用于根据所述运动状态特征确定最终的检测结果，并将最终的检测结果上报事件平台；最终的检测结果包括交通事故事件是否触发；触发的交通事故事件的规模和所述统计结果用于调整高峰时间段对应的检测参数和平峰时间段对应的检测参数，以进行下个监控视频的检测。在一个示例中，所述标定模块203包括检测范围标定子模块、映射关系标定子模块和时间段标定子模块；所述检测范围标定子模块用于对所述目标视频画面的检测范围进行标定；所述映射关系标定子模块用于对所述目标视频画面与现实世界经纬度之间的映射关系进行标定；所述时间段标定子模块用于对事件检测开启时间段进行标定。所述映射关系标定子模块包括：目标点位选取单元，用于对于所述目标视频画面中的任意一帧场景选取所述场景中设定数量的像素点，作为目标点位；设定数量的像素点均匀分布于所述目标视频画面中。坐标单元，用于对于所述目标视频画面中的任意一帧场景根据所述目标点位采用GPS采集工具、激光扫描或者无人机俯视的方式采集所述场景中与所述目标点位对应的经纬度坐标，并将所述目标点位的像素坐标和所述经纬度坐标构成坐标组合对。映射矩阵生成单元，用于根据所述目标视频画面中所有帧场景的坐标组合对相机矩阵、畸变系数、旋转矩阵、平移向量生成相机坐标系与现实世界坐标系进行转换的映射矩阵。在一个示例中，所述初步分析模块204包括：帧处理子模块，用于标定后的视频画面中的每一路视频流对应一个线程，对于每一路视频流相应的线程逐步提取帧数据，并对提取的每一帧数据进行分析，得到帧结果。初步分析结果确定子模块，用于将标定后的视频画面中的每一路视频流的所有帧数据的帧结果作为所述初步分析结果。所述帧处理子模块包括单帧处理单元，所述单帧处理单元用于对任意一帧数据进行分析，得到帧结果。所述单帧处理单元包括：发送子单元，用于将该帧数据采用目标线程发送到所述目标线程对应的解码器，所述目标线程为该帧数据对应的线程。帧率降低子单元，用于所述解码器对该帧数据进行解码后，按照设定检测要求降低该帧数据的帧率，将帧率降低后的数据作为解码后线程子单元，用于将所述解码后的图像数据存入缓存队列，在所述目标线程中发起一个发送线程，按先入先出的方式采用所述发送线程把所述缓存队列中存储的数据发送到待推理线程。推理结果子单元，用于所述待推理线程对接收到的数据推理出结果后，将推理结果放入所述缓存队列；所述推理结果包检测框的顶点坐标以及检测框的置信度。帧结果子单元，用于根据所述缓存队列存储的数据进行车牌识别和目标跟踪，得到所述帧结果。在一个示例中，所述初步检测模块207包括：高峰时段标记检测单元，用于对于高峰时间段对应的帧场景，根据所述状态变化数据，对高峰时间段对应的帧场景中处于停车状态的目标进行标记，并检测处于停车状态的目标所处的位置。修正单元，用于根据处于停车状态的目标所处的位置对高峰时间段对应的检测参数进行修正，得到修正参数。判断单元，用于判断处于停车状态的目标的数量以及处于运动状态的目标的速度是否满足设定条件。初检单元，用于当满足设定条件时，根据所述修正参数计算稳定系数，并根据所述稳定系数确定所述道路交通现场是否存在相关事件，得到初步检测结果；所述设定条件包括：处于停车状态的目标的数量的属于区间[2,3]、且处于运动状态的目标位于处于停车状态的目标的后方时，处于运动状态的目标的速度大于10km/h;或者，处于停车状态的目标的数量的属于区间[2,3]、且处于运动状态的目标位于处于停车状态的目标的周边车道时，处于运动状态的目标的速度大于20km/h;所述稳定系数用于表征所述相关事件是否具备在设定时间段内持续发生的可能性。平峰时段预测单元，用于对于平峰时间段对应的帧场景，根据所述状态变化数据，预测平峰时间段对应的帧场景中的目标是否会发生路径冲突。预测结果单元，用于若是，则预测发生路径冲突的时间，并根据发生冲突的时间获取道路交通现场的高清监控视频；所述高清监控视频的分辨率和帧率均大于所述当前监控视频的分辨率和帧率。平峰时段事件检测单元，用于采用平峰时间段对应的检测参数对所述高清监控视频进行事件检测，得到初步检测结果。本实施例提供一种电子设备，包括存储器及处理器，存储器用于存储计算机程序，处理器运行计算机程序以使电子设备执行实施例一的道路交通事件分析方法。可选地，上述电子设备可以是服务器。另外，本发明实施例还提供一种计算机可读存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现实施例一的道路交通本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。1.一种道路交通事件分析方法，其特征在于，包括：获取道路交通现场的当前监控视频；采用AI视频检测服务器对所述当前监控视频进行解码以及重新编码，得到目标视频画面；所述目标视频画面的视频格式为适用于AI视频检测的视频格式；对所述目标视频画面的检测范围、所述目标视频画面与现实世界经纬度之间的映射关系以及事件检测开启时间段进行标定，得到标定对标定后的视频画面进行初步分析，得到初步分析结果；所述初步分析结果包括检测图片、检测框的顶点坐标、检测框的置信度、车牌号以及目标跟踪编号；根据初步分析结果确定每一个独立的目标，并对每一个独立的目标进行持续追踪，确定每一个独立的目标的状态变化数据；所述状态变化数据包括速度和相对位置；对所述道路交通现场进行交通流量的统计，得到统计结果，并根据所述统计结果确定道路交通现场的高峰时间段和平峰时间段；所述高峰时间段为交通流量大于或等于设定流量值的时间段；所述平峰时间段为交通流量小于设定流量值的时间段；基于所述状态变化数据，根据预先确定的高峰时间段对应的检测参数和平峰时间段对应的检测参数对所述目标视频画面中的各个帧场景进行初步检测，得到初步检测结果；所述初步检测结果包括所述道路交通现场是否存在相关事件；所述相关事件包括拥堵事件和交通根据所述统计结果排除所述初步检测结果中的拥堵事件；对排除拥堵事件的帧场景中的各个目标进行跟踪，确定每一个目根据所述运动状态特征确定最终的检测结果，并将最终的检测结果上报事件平台；最终的检测结果包括交通事故事件是否触发；触发的交通事故事件的规模和所述统计结果用于调整高峰时间段对应的检测参数和平峰时间段对应的检测参数，以进行下个监控视频的检2.根据权利要求1所述的道路交通事件分析方法，其特征在于，对所述目标视频画面与现实世界经纬度之间的映射关系进行标定，具体包括：对于所述目标视频画面中的任意一帧场景选取所述场景中设定数量的像素点，作为目标点位；设定数量的像素点均匀分布于所述目标视频画面中；对于所述目标视频画面中的任意一帧场景根据所述目标点位采用GPS采集工具、激光扫描或者无人机俯视的方式采集所述场景中与所述目标点位对应的经纬度坐标，并将所述目标点位的像素坐标和所述经纬度坐标构成坐标组合对；根据所述目标视频画面中所有帧场景的坐标组合对相机矩阵、畸变系数、旋转矩阵、平移向量生成相机坐标系与现实世界坐标系进行转换的映射矩阵。3.根据权利要求1所述的道路交通事件分析方法，其特征在于，对标定后的视频画面进行初步分析，得到初步分析结果，具体包括：标定后的视频画面中的每一路视频流对应一个线程，对于每一路视频流相应的线程逐步提取帧数据，并对提取的每一帧数据进行分析，得到帧结果；将标定后的视频画面中的每一路视频流的所有帧数据的帧结果作为所述初步分析结果；其中对任意一帧数据进行分析，得到帧结果，具体包括：将该帧数据采用目标线程发送到所述目标线程对应的解码器，所述目标线程为该帧数据对应的线程；所述解码器对该帧数据进行解码后，按照设定检测要求降低该帧数据的帧率，将帧率降低后的数据作为解码后的图像数据；将所述解码后的图像数据存入缓存队列，在所述目标线程中发起一个发送线程，按先入先出的方式采用所述发送线程把所述缓存队列中存储的数据发送到待推理线程；所述待推理线程对接收到的数据推理出结果后，将推理结果放入所述缓存队列；所述推理结果包括：检测图片、检测框的顶点坐标以及检测框的置信度；根据所述缓存队列存储的数据进行车牌识别和目标跟踪，得到所4.根据权利要求1所述的道路交通事件分析方法，其特征在于，基于所述状态变化数据，根据预先确定的高峰时间段对应的检测参数和平峰时间段对应的检测参数对所述目标视频画面中的各个帧场景进行初步检测，得到初步检测结果，具体包括：对于高峰时间段对应的帧场景，根据所述状态变化数据，对高峰时间段对应的帧场景中处于停车状态的目标进行标记，并检测处于停车状态的目标所处的位置；根据处于停车状态的目标所处的位置对高峰时间段对应的检测参数进行修正，得到修正参数；判断处于停车状态的目标的数量以及处于运动状态的目标的速度是否满足设定条件；当满足设定条件时，根据所述修正参数计算稳定系数，并根据所述稳定系数确定所述道路交通现场是否存在相关事件，得到初步检测结果；所述设定条件包括：处于停车状态的目标的数量的属于区间[2,3]、且处于运动状态的目标位于处于停车状态的目标的后方时，处于运动状态的目标的速度大于10km/h;或者，处于停车状态的目标的数量的属于区间[2,3]、且处于运动状态的目标位于处于停车状态的目标的周边车道时，处于运动状态的目标的速度大于20km/h;所述稳定系数用于表征所述相关事件是否具备在设定时间段内持续发生对于平峰时间段对应的帧场景，根据所述状态变化数据，预测平峰时间段对应的帧场景中的目标是否会发生路径冲突；若是，则预测发生路径冲突的时间，并根据发生冲突的时间获取道路交通现场的高清监控视频；所述高清监控视频的分辨率和帧率均大于所述当前监控视频的分辨率和帧率；采用平峰时间段对应的检测参数对所述高清监控视频进行事件检测，得到初步检测结果。5.一种道路交通事件分析系统，其特征在于，包括：获取模块，用于获取道路交通现场的当前监控视频；解码编码模块，用于采用AI视频检测服务器对所述当前监控视频进行解码以及重新编码，得到目标视频画面；所述目标视频画面的视频格式为适用于AI视频检测的视频格式；标定模块，用于对所述目标视频画面的检测范围、所述目标视频画面与现实世界经纬度之间的映射关系以及事件检测开启时间段进行标定，得到标定后的视频画面；初步分析模块，用于对标定后的视频画面进行初步分析，得到初步分析结果；所述初步分析结果包括检测图片、检测框的顶点坐标、检测框的置信度、车牌号以及目标跟踪编号；状态追踪模块，用于根据初步分析结果确定每一个独立的目标，并对每一个独立的目标进行持续追踪，确定每一个独立的目标的状态变化数据；所述状态变化数据包括速度和相对位置；时间段确定模块，用于对所述道路交通现场进行交通流量的统计，得到统计结果，并根据所述统计结果确定道路交通现场的高峰时间段和平峰时间段；所述高峰时间段为交通流量大于或等于设定流量值的时间段；所述平峰时间段为交通流量小于设定流量值的时间段；初步检测模块，用于基于所述状态变化数据，根据预先确定的高峰时间段对应的检测参数和平峰时间段对应的检测参数对所述目标视频画面中的各个帧场景进行初步检测，得到初步检测结果；所述初步检测结果包括所述道路交通现场是否存在相关事件；所述相关事件包括拥堵事件和交通事故事件；拥堵排除模块，用于根据所述统计结果排除所述初步检测结果中目标跟踪模块，用于对排除拥堵事件的帧场景中的各个目标进行跟踪，确定每一个目标的运动状态特征；最终结果确定模块，用于根据所述运动状态特征确定最终的检测结果，并将最终的检测结果上报事件平台；最终的检测结果包括交通事故事件是否触发；触发的交通事故事件的规模和所述统计结果用于调整高峰时间段对应的检测参数和平峰时间段对应的检测参数，以进行下个监控视频的检测。6.根据权利要求5所述的道路交通事件分析系统，其特征在于，所述标定模块包括检测范围标定子模块、映射关系标定子模块和时间段标定子模块；所述检测范围标定子模块用于对所述目标视频画面的检测范围进行标定；所述映射关系标定子模块用于对所述目标视频画面与现实世界经纬度之间的映射关系进行标定；所述时间段标定子模块用于对事件检测开启时间段进行标定；所述映射关系标定子模块包括：目标点位选取单元，用于对于所述目标视频画面中的任意一帧场景选取所述场景中设定数量的像素点，作为目标点位；设定数量的像素点均匀分布于所述目标视频画面中；坐标单元，用于对于所述目标视频画面中的任意一帧场景根据所述目标点位采用GPS采集工具、激光扫描或者无人机俯视的方式采集所述场景中与所述目标点位对应的经纬度坐标，并将所述目标点位的像素坐标和所述经纬度坐标构成坐标组合对；映射矩阵生成单元，用于根据所述目标视频画面中所有帧场景的坐标组合对相机矩阵、畸变系数、旋转矩阵、平移向量生成相机坐标系与现实世界坐标系进行转换的映射矩阵。7.根据权利要求5所述的道路交通事件分析系统，其特征在于，所述初步分析模块包括：帧处理子模块，用于标定后的视频画面中的每一路视频流对应一个线程，对于每一路视频流相应的线程逐步提取帧数据，并对提取的每一帧数据进行分析，得到帧结果；初步分析结果确定子模块，用于将标定后的视频画面中的每一路视频流的所有帧数据的帧结果作为所述初步分析结果；所述帧处理子模块包括单帧处理单元，所述单帧处理单元用于对任意一帧数据进行分析，得到帧结果；所述单帧处理单元包括：发送子单元，用于将该帧数据采用目标线程发送到所述目标线程对应的解码器，所述目标线程为该帧数据对应的线程；帧率降低子单元，用于所述解码器对该帧数据进行解码后，按照设定检测要求降低该帧数据的帧率，将帧率降低后的数据作为解码后线程子单元，用于将所述解码后的图像数据存入缓存队列，在所述目标线程中发起一个发送线程，按先入先出的方式采用所述发送线程把所述缓存队列中存储的数据发送到待推理线程；推理结果子单元，用于所述待推理线程对接收到的数据推理出结果后，将推理结果放入所述缓存队列；所述推理结果包检测框的顶点坐标以及检测框的置信度；帧结果子单元，用于根据所述缓存队列存储的数据进行车牌识别和目标跟踪，得到所述帧结果。8.根据权利要求5所述的道路交通事件分析系统，其特征在于，所述初步检测模块包括：高峰时段标记检测单元，用于对于高峰时间段对应的帧场景，根据所述状态变化数据，对高峰时间段对应的帧场景中处于停车状态的目标进行标记，并检测处于停车状态的目标所处的位置；修正单元，用于根据处于停车状态的目标所处的位置对高峰时间段对应的检测参数进行修正，得到修正参数；判断单元，用于判断处于停车状态的目标的数量以及处于运动状态的目标的速度是否满足设定条件；初检单元，用于当满足设定条件时，根据所述修正参数计算稳定系数，并根据所述稳定系数确定所述道路交通现场是否存在相关事件，得到初步检测结果；所述设定条件包括：处于停车状态的目标的数量的属于区间[2,3]、且处于运动状态的目标位于处于停车状态的目标的后方时，处于运动状态的目标的速度大于10km/h;或者，处于停车状态的目标的数量的属于区间[2,3]、且处于运动状态的目标位于处于停车状态的目标的周边车道时，处于运动状态的目标的速度大于20km/h;所述稳定系数用于表征所述相关事件是否具备在设定时间段内持续发生的可能性；平峰时段预测单元，用于对于平峰时间段对应的帧场景，根据所述状态变化数据，预测平峰时间段对应的帧场景中的目标是否会发生预测结果单元，用于若是，则预测发生路径冲突的时间，并根据发生冲突的时间获取道路交通现场的高清监控视频；所述高清监控视频的分辨率和帧率均大于所述当前监控视频的分辨率和帧率；平峰时段事件检测单元，用于采用平峰时间段对应的检测参数对所述高清监控视频进行事件检测，得到初步检测结果。9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至4中任一项所述的道路交通事件分析方法。10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的道路交通事件分析方法。WO2025/138912-1/3一画面对所述目标视频画面的检测范围、所述目标视频画面与现实世界确定每一个独立的目标的状态变化数据；所述状态变化数据包括速度对所述道路交通现场进行交通流量的统计，得到统计结果，并根基于所述状态变化数据，根据预先确定的高峰时间段对应的检测参对应的检测参数对所述目标视频画面中的各个帧场景进行初步检根据所述统计结果排除所述初步检测结果中的拥堵事件，对排除拥堵事根据所述运动状态特征确定最终的检测结果，并将最终的检测结果上WO2025/138912—2/3一检测视频流是否接入是否高峰事件上报判断是否可能有车辆产事件是否结束WO2025/138912解码编码模块标定模块初步分析模块状态追踪模块时间段确定模块初步检测模块拥堵排除模块目标跟踪模块最终结果确定模块G08G1/01(2006.01)i;G06V20/54(2022.AccordingtoInternationalPatentClassification(IPC)ortobothnationaMinimumdocumentationsearched(classificationsystemfollowedbycElectronicdatabaseCNABS,CNTXT,CNKI,VEN,ENTXTC,CJFD:视频，解码，标定，检测框，跟踪，追踪，目标，置信度，坐标，车Citationofdocument,with