1.一种基于实例分割网络的道路交通安全隐患排查方法，其特征在于，包括以下步骤： （1）在车辆上安装单目摄像机，并驾驶车辆在需要进行安全隐患排查的道路上行驶，录制驾驶员视角的行车视频；

 （2）建立实例分割网络；

（3）建立道路场景综合数据集、损失函数，初始化实例分割网络参数以及损失函数预设条件，对实例分割网络进行训练；当损失函数达到预设条件，获得训练完成的实例分割网络；

 （4）根据训练完成的实例分割网络对车辆行驶视频进行实例分割，输出实例分割结果；

 （5）根据行车视频的实例分割结果，计算当前道路的曲率、坡度、行车视距，并根据实例分割结果以及计算出来的参数对当前道路存在的风险隐患做出判断；

（6）将车辆行驶路段上存在的风险点进行汇总、输出；

存在的风险隐患做出判断，具体如下：

当道路环境为河流、湖泊时，检测车道两侧是否存在护栏，若不存在，则判断当前路段为风险路段；

判断当前道路是否存在车道线，若不存在，则判断当前道路为风险路段；

判断当前道路曲率半径是否满足设计条件，若不满足，则判断当前道路为风险路段；

判断当前道路坡度是否满足设计条件，若不满足，则判断当前道路为风险路段；

判断当前道路是否存在遮挡物或遮挡区域，若存在，则判断当前道路为风险路段；

根据当前道路道路曲率，判断当前道路是否为风险路段的具体步骤如下：标记出车道线像素点坐标集合 ，使用最小二乘法

求解误差的平方和 的极小值得到拟合函数，计算出车道线

曲线方程 ，转化为世界坐标方程为 ，

其中mx、my分别为横向、纵向上现实世界1米与像素的比值，则道路曲率半径；

当R

2.根据权利要求1所述一种基于实例分割网络的道路交通安全隐患排查方法，其特征在于，所述实例分割网络，包括FPN网络层、RPN网络层、RoIAlign层、类别预测分支、边框预测分支和掩膜分割分支；

所述FPN网络层由卷积层、激活函数和池化层组成；

所述RPN网络层由卷积层、Softmax回归函数组成，所述Softmax回归函数用于判断生成的矩形框是前景点还是背景点；

所述RoIAlign层用于收集RPN网络生成的提议，并将输入的特征图像统一成相同大小；

所述类别预测分支根据RoIAlign层生成的提议特征图像，通过全连接层与softmax计算每个提议所属类别；

所述边框预测分支根据RoIAlign层生成的提议特征图像，通过全连接层计算每个提议的位置偏移量并进行回归，获得目标检测框；

所述掩膜分割分支采用全卷积神经网络对每个RoI进行分割，输出维数为K*m*m，其中m为RoIAlign的特征图的大小，即输出了K个类别的m*m的掩膜，并用sigmoid函数进行二值化，生成背景和前景的掩膜分割。

3.根据权利要求1所述一种基于实例分割网络的道路交通安全隐患排查方法，其特征在于，所述道路场景综合数据集，包括对所述行车视频中的车辆、道路、车道线、行人、护栏、车道线、障碍物、道路周边环境进行标注确定标注结果，其中，所述标注结果包含每帧行车视频对应的分割图像真值和精确边缘图。

4.根据权利要求1所述一种基于实例分割网络的道路交通安全隐患排查方法，其特征在于，所述损失函数为多任务损失： ，其中 表示预测框的分类损失， 表示预测框的回归损失， 示Mask分支的损失。

5.根据权利要求1所述一种基于实例分割网络的道路交通安全隐患排查方法，其特征在于，根据当前道路坡度，判断当前道路是否为风险路段的具体步骤如下：计算当前道路的坡度 ，当坡度 大于I %时，其中二级公路I=6，三级公路I=7，四级公路I=8，该路段为陡坡路段，为风险路段；当道路为下坡时，从车辆行驶至坡道路段时开始计数车辆行驶里程，直到路面为水平路段，停止计数，若该路段长度大于3km，则判断坡度 是否大于 ，其中二级公路 ，三级公路 ，四级公路 ，若是，则该路段为连续下坡路段，为风险路段；

其中 为斜坡路面上无穷远处的点在摄像机成像平面的投影点， 为斜坡路面和水平路面的角点在摄像机成像平面的投影点， 和 为 和 在图像坐标系中的纵坐标，为摄像机焦距。

6.根据权利要求1所述一种基于实例分割网络的道路交通安全隐患排查方法，其特征在于，根据当前帧是否存在遮挡物/区域，判断当前道路是否为风险路段的具体步骤如下：判断当前帧是否存在遮挡物/区域，若存在，计算车辆当前距该遮挡物/区域的距离d，当d

其中 其中h为摄像机离地面的高度，β为摄像机俯仰角，

, 其中 为目标点在像素坐标系中的纵坐标， 为像素坐标系的原点纵坐标，为摄像机焦距。