监控视频中的车辆碰撞事故是一种重要的异常事件类型。特别是,一定比例的伤亡事故是由于救治不及时和次生事故造成的,这是由于该救援机构和事故周围的车辆无法获得事故的快速响应。因此,开发一种有效的事故检测方法是至关重要的,它可以大大减少死亡和伤害的数量以及事故的影响和严重程度。目前,针对视频中的事故进行检测的方法其检测速度比较慢,这样就导致实际应用价值不高,基于此,本文针对监控视频中的车辆碰撞事故进行研究。本文首先介绍了有关神经元、卷积神经网络以及YOLO系列算法的相关理论知识,然后对现有的RFBNet网络进行改进,以便能更好的对事故中的目标进行检测,相比于原有YOLOv3,经过改进的YOLOv3具有更好的检测性能,最后通过经过改进的YOLOv3和均值漂移算法结合的方式对视频中的事故进行检测。本文主要贡献如下:1.如果想要对视频中的异常事故进行检测,必须对视频中的目标进行检测。只有对目标检测的准确,才能更好地对异常事故进行定位与检测。如果目标检测模型结构复杂,就会影响对事故的检测效果,所以针对深度学习目标检测算法结构存在大量冗余的问题,本文提出了一种基于缩放因子的剪枝方法进行简化模型。首先,对神经网络进行通道稀疏性训练。训练过程同时训练网络权值和缩放因子以及偏置。对网络结构中缩放因子的数值进行排序,根据剪枝比例确定剪枝阈值,然后根据阈值对网络结构进行剪枝。2.RFBNet在目标检测上已经取得了非常优异的性能,但是检测速度不够理想,这是由于网络中的RFB模块以及其主干网络参数过多导致的。针对RFBNet算法参数过度冗余问题,本文通过削减RFBNet算法主干网络的通道数目以及简化RFB结构的方法进行简化模型。同时,引入OSA模块,采用密集连接的方式以增强骨干网络的特征提取能力,并采用CIOU损失代替RFBNet网络原有的平滑L1损失,避免了损失函数和评价指标不一致造成的误差。简化后的模型,其参数量减少了41.6%,速度增加了28.9%,精度基本保持不变。3.YOLOv3模型具有很好的检测性能,但是模型结构较为复杂,这在一定程度上影响了模型的性能,针对YOLOV3网络的复杂网络结构,本文的剪枝策略考虑了所有卷积层的剪枝。使用剪枝掩码合并快捷层,并使用剪枝掩码连接路由层。通过本文的剪枝方法实验,可以获得较高的剪枝率。剪枝后的YOLOv3模型参数量变为原来的11%,大大降低了参数和计算,但精度与原来几乎保持不变。4.本文采用经过剪枝的YOLOv3算法对车辆进行检测。通过利用经过改进的YOLOv3和传统目标跟踪算法均值漂移算法结合提取车辆位置、加速度相关参数,然后根据提取到的参数识别车辆碰撞事故。