CN109919140A - 车辆碰撞事故责任自动判定方法、***、设备及存储介质 - Google Patents
车辆碰撞事故责任自动判定方法、***、设备及存储介质 Download PDFInfo
- Publication number
- CN109919140A CN109919140A CN201910259763.0A CN201910259763A CN109919140A CN 109919140 A CN109919140 A CN 109919140A CN 201910259763 A CN201910259763 A CN 201910259763A CN 109919140 A CN109919140 A CN 109919140A
- Authority
- CN
- China
- Prior art keywords
- accident
- responsibility
- traffic
- video
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 206010039203 Road traffic accident Diseases 0.000 claims abstract description 110
- 230000002123 temporal effect Effects 0.000 claims abstract description 23
- 238000012790 confirmation Methods 0.000 claims description 26
- 230000015572 biosynthetic process Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 230000033228 biological regulation Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000008901 benefit Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 5
- 235000013399 edible fruits Nutrition 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000003672 processing method Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- GOLXNESZZPUPJE-UHFFFAOYSA-N spiromesifen Chemical compound CC1=CC(C)=CC(C)=C1C(C(O1)=O)=C(OC(=O)CC(C)(C)C)C11CCCC1 GOLXNESZZPUPJE-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆碰撞事故责任自动判定方法、***、设备及存储介质,在在车辆内设置事故处理装置,通过获取事故两车车辆碰撞前后的事故处理装置内的视频信息、位置信息和时间信息;随后将视频信息转化为视频特征,将位置信息和时间信息中文字数据转化为异构特征;最后再将视频特征和异构特征输入至服务器中预先构建的深度信赖网络模型中进行交通事故责任认定,从而生成交通事故责任认定结果。本发明可以对交通事故进行自动责任判定,不仅事故判定的准确性高,而且可以加快交通事故的处理速度,避免交通堵塞的问题。
Description
技术领域
本发明涉及人工智能技术领域,特别涉及一种车辆碰撞事故责任自动判定方法、***、设备及存储介质。
背景技术
汽车自上个世纪末诞生以来,已经走过了风风雨雨的一百多年。从传统的马车、自行车慢慢进化、逐步发展,汽车作为一种方便快捷的交通工具,渐渐与火车、飞机、地铁等成为人们出行的重要选项之一。而汽车本身具有的“门到门”的出行优势,使其成为市内短程交通的唯一选择。
但是汽车和其他现代交通工具有着一个较大的区别,即其由于司机个人或者道路状况等原因会造成交通事故,事故车辆会在发生事故场地进行长时间的逗留,不但对事故双方造成影响,更重要的是极易造成其他车辆无法通行,进而形成道路拥挤甚至完全无法通车的问题。针对该问题进行剖析后发现,造成该问题的根本原因是交通事故发生后的处理环节耗时过长,事故责任判定流程繁琐、耗时巨大。
中国专利公开号为CN108389392A的专利公开了一种基于机器学习的交通事故责任认定***,通过报案人代替交警人员对交通事故现场进行拍照取证并实时回传信息进行责任分析判定,进而减少车辆在事故发生地点等待交警过来处理的时间,使交通尽快恢复,一定程度上起到了避免交通堵塞的作用。但是首先该方法现场测量是通过事故现场的全景照片进行责任认定的,在事故双方无法和交警进行交流的前提下无法很好的还原事故现场,极易造成由于取证困难而依旧长时间逗留事故现场的情况,无法较好的解决避免交通堵塞的作用。
中国专利公开号为CN108289200A的专利公开了一种用于交通事故处理的智能处理方法,提供的一种用于交通事故的智能处理方法,当交通事故发生时能够自动对交通事故进行分析和判断,快速确定事故的责任分配,及时完成事故的处理,能够较为有效的减轻由于交通事故而造成的城市交通压力。但是该方法由于其对事故责任认定的处理方法落后,存在如下问题:①首次数据上传逻辑不清晰,在现有汽车的保有量以及增速的前提下,多次上传数据导致的流量极易导致交管部门的交通管理***崩溃。②在事故责任认定结果生成后,如若事故双方中有一方对结果不服,缺乏上诉渠道。③传统事故责任认定方法由于其局限性缺乏精度,极易造成判断结果不准确。
中国专利公开号为CN108470443A的专利提供了一种交通事故的责任判定方法和装置,解决了交通事故的责任判定仅根据事故现场的单一监控视频,精确度低的技术问题,达到了根据多个监控视频对事故责任进行判定,精确度高的技术效果。但是该方法的原始视频资料采用交通监控视频资料,如若要达到该专利的视频资料覆盖要求,需要花费成本过大,且对于责任认定的处理方式为提出新的方法,无法达到自动进行交通事故责任认定的程度。
通过对交通事故责任认定的传统技术与在先相关专利的研究可以发现,现有交通事故责任认定流程存在如下的主要问题:①现场测量是通过事故现场的照片或者文字信息进行责任认定的,在事故双方无法和交警进行交流的前提下无法很好的还原事故现场,造成判定准确率低的问题,同时极易造成由于取证困难而依旧长时间逗留事故现场的情况,无法较好的解决避免交通堵塞的作用。②在事故责任认定结果生成后,如若事故双方中有一方对结果不服,缺乏上诉渠道。③传统责任认定方法采用的技术老旧,与现有技术严重脱节,无法达到准确判定的目的。
发明内容
本发明的目的在于提供一种车辆碰撞事故责任自动判定方法、***、设备及存储介质,本发明可以对交通事故进行自动责任判定,不仅事故判定的准确性高,而且可以加快交通事故的处理速度,避免交通堵塞的问题。
本发明的技术方案:车辆碰撞事故责任自动判定方法,获取事故两车车辆碰撞前后的视频信息、位置信息和时间信息;随后将视频信息转化为视频特征,将位置信息和时间信息转化为异构特征;最后再将视频特征和异构特征输入至预先构建的深度信赖网络模型中进行交通事故责任认定,生成交通事故责任认定结果,并将认定结果传输至车主的移动终端。
上述的车辆碰撞事故责任自动判定方法,所述将获取的视频信息转化为视频特征的方法是先利用碰撞产生的车辆抖动与视频中的图像不规则晃动作为事故发生的时间节点,截取出该时间节点后5秒和该时间节点前25秒,共30秒的作为视频信息,将所得视频信息转化为RGB值向量,之后使用可能近似正确方法将RGB值向量转化为交通事故责任认定的视频特征。
前述的车辆碰撞事故责任自动判定方法,所述异构特征的获取方法是先将位置信息和时间信息相结合形成车辆行驶的轨迹信息,再将轨迹信息与交通地理参考专题地图映射匹配,形成事故两车在该起交通事故发生前是否超速、是否按照交通指示牌或信号灯行驶、是否在规定车道上行驶、是否违反交通标识的文字数据,并利用文档主题生成模型将文字数据转化为异构特征。
前述的车辆碰撞事故责任自动判定方法,所述深度信赖网络模型的构建方法按下述步骤进行:
a、获取已判定事故责任的交通事故视频影像资料,将所得视频影像资料转化为RGB值向量,之后使用可能近似正确方法将RGB值向量转化为交通事故责任认定的视频特征;
b、将视频影像资料对应的位置信息形成轨迹信息,同时与交通地理参考专题地图映射匹配,形成该车在该起交通事故发生前是否超速、是否按照交通指示牌或信号灯行驶、是否在规定车道上行驶、是否违反交通标识的文字数据,并利用文档主题生成模型将形成的文字信息转化为异构特征;
c、把交通事故责任认定结果按照全部责任、主要责任、同等责任、次要责任、无责任五种类型作为交通事故责任认定类别标签,并将交通事故责任认定类别标签对应到相应的视频特征中;
d、将交通事故责任认定视频特征、异构特征以及以及上述视频特征对应的类别标签共同输入初始化的深度信赖网络模型中进行训练;其中,深度信赖网络模型就是在顶端加入一个输出层的多层受限玻尔兹曼机的堆叠,从而形成的一大串连接的多层受限玻尔兹曼机与一个输出层;其中,针对每一个深度信赖网络模型中每个隐含层的计算方法如下:
yi=x1×w1i+x2×w2i+·····+xj×wji+bi,
其中,yi为隐含层y编号为i的节点的值,x1、x2、x3、······xj为隐含层yi对应的可视层的第j个数据,wji为yi对应的xj的权值,bi为yi对应的偏置量;
计算完毕后,再根据计算完成的yi回求一遍xj,具体计算方法如下:xj=y1×wj1+y2×wj2+······+yi×wji+aj
其中,yi、xj、wji意义与上式相同,aj为xj对应的偏置量。
对深度信赖网络模型中的所有节点更新完毕后,如和原数据比发生变化,则需要进行反向传播,具体步骤如下:
首先对x和y的原矢量做乘积,并对更新后的x和y矢量做乘积,求出z与z'两个矩阵,z为节点更新前x与y的乘积,z'为节点更新后x与y的乘积;这两个矩阵行数为x的数目,列数为y的数目,其次把z与z'相减,然后加入到权值和偏置量里面,并重新进行正向运算,直至原数据与节点更新数据相等,则该用于交通事故责任认定的多层受限玻尔兹曼机模型建立完成,具体如下:
wji=wji+alpha×(zij-z'ij)
bi=bi+alpha×(yi-y'i)
ai=ai+alpha×(xj-x'j)
其中,alpha为学习速率,取值在0-1之间。
前述的车辆碰撞事故责任自动判定方法,所述对于构建好的深度信赖网络模型中,还将缺失交通事故责任认定结果的视频影像资料,经步骤a、步骤b和步骤d三步处理后得到表示其视频特征的向量,并将其输入到构建好的深度信赖网络模型中,最后输出交通事故责任认定类别标签,从而增大该深度信赖网络模型的数据量。
前述的车辆碰撞事故责任自动判定方法,所述在步骤a中,还利用实车进行模拟事故责任认定书的发生场景,再利用摄像头拍摄事故发生过程的视频影像资料。
前述的车辆碰撞事故责任自动判定方法,所述的视频信息通过全车的360°全景摄像头进行拍摄获取。
一种车辆碰撞事故责任自动判定***,所述***包括:事故处理起始模块、事故信息记录模块、时间选取模块、视频影像截取模块、地理参考匹配模块、责任判定模块、判决结果交付模块、数据存储模块和人工交互模块;
所述事故处理起始模块用于对视频信息、位置信息和时间信息的上传;
所述事故信息记录模块用于对视频信息的记录与事故发生地理位置的记录;
所述时间选取模块用于读取车辆碰撞前后5分钟的视频影像资料,利用碰撞产生的车辆抖动与视频中的图像不规则晃动筛选出事故发生后5秒,事故发生前25秒,共30秒的视频信息,作为该次交通事故责任判定的依据,供后续使用;
所述视频影像截取模块判断时间选取模块提供的视频信息的完整性,在确保视频信息有效的情况下将其上传到责任判定模块中;
所述地理参考匹配模块用于利用时间选取模块选取的时间,结合位置信息形成轨迹信息,再与交通地理参考专题地图映射匹配,形成该车在该起交通事故发生前是否超速、是否按照交通指示牌、信号灯行驶,是否在规定车道上行驶、是否违反交通标识的文字数据,并利用文档主题生成模型将形成的文字信息转化为异构特征;
所述责任判定模块通过把事故信息记录模块获取的视频信息与对应地理位置信息导入到服务器预先构建好的深度信赖网络模型中,进行交通事故责任认定,并生成交通事故责任认定结果;
所述判决结果交付模块将由责任判定模块生成的交通事故责任认定结果发送给事故双方车主;
所述数据存储模块对判决结果交付模块上传的数据进行储存与管理,并利用新收录的数据进行深度信赖网络模型的更新和训练;
所述人工交互模块在事故双方车主对责任判定模块生成的交通事故责任认定结果有异议时开始工作,该模块在整合相关数据后连接事故双方车主和交警部门,在得到三方确认后开启远程视频会议,直至生成得到三方确认的交通事故责任认定结果,再将交通事故责任认定结果导入数据存储模块。
实现前述的车辆碰撞事故责任自动判定方法的设备,包括车辆控制单元,车辆控制单元经通讯单元连接有摄像单元、GPS单元、触发按钮、报警闪光灯和云端控制单元;
所述的摄像单元用于获取车辆的行车视频信息并储存视频信息;
所述的触发按钮用于在交通事故发生后双方车主按下触发车辆控制单元启动事故责任自动判定程序;
所述的报警闪光灯用于闪光预警;
所述的GPS单元用于获取车辆的地理位置;
所述的车辆控制单元用于在车主按下触发按钮后,将摄像单元获取的在车辆碰撞前后的视频信息、GPS单元获取的位置信息和时间信息上传至云端控制单元;
云端控制单元将视频信息转化为视频特征,将位置信息和时间信息转化为异构特征;再将视频特征和异构特征输入至预先构建的深度信赖网络模型中进行交通事故责任认定,生成交通事故责任认定结果,并传输至车主的移动终端。
一种计算机存储介质,其储存有计算机程序,所述计算机程序被执行时实现前述方法。
与先有技术相比,本发明具有以下有益效果:
1、本发明通过获取事故两车车辆碰撞前后的视频信息、位置信息和时间信息;随后将视频信息转化为视频特征,将位置信息和时间信息中文字数据转化为异构特征;最后再将视频特征和异构特征输入至预先构建的深度信赖网络模型中进行交通事故责任认定,从而生成交通事故责任认定结果。与现有的专利公开号为CN108289200A的中国专利相比,本发明可以更好的还原事故现场,证据信息更为的准确有力;与现有的专利公开号为CN108289200A的中国专利相比,本发明采用的深度信赖网络模型运算逻辑清晰,更为地高效快速准确;与现有的专利公开号为CN108470443A的中国专利相比,本发明花费的成本更低,责任认定的处理方法对判断结果更为地有说服力;本发明可以对交通事故进行自动责任判定,不仅事故判定的准确性高,而且可以加快交通事故的处理速度,避免交通堵塞的问题。
2、本发明还进一步地优选了视频信息的范围,选取车辆抖动与视频中的图像不规则晃动作为事故发生的时间节点,截取出该时间节点后5秒和该时间节点前25秒,共30秒的作为视频信息,确保整个事故发生前后视频数据均可获取到,和传统的利用事故发生后的照片或者人为描述的方法进行责任认定相比更加准确,并为判决提供了可见的数据依托。此外,本发明还将车辆行驶过程中是否按交规行驶作为参考,使得后续的责任判定过程同时考虑车辆状态图道路状态,变成一个多维度的判定,极大的提高了责任认定的准确性。
3、本发明利用现有的交通事故责任认定结果和相应的视频影像资料、是否按交规行驶的文字数据、责任认定标签,将这些数据信息输入到初始状态的深度信赖网络模型中进行训练,使深度信赖网络模型能够准确快速的对实际交通事故进行责任判断;此外,本发明还进一步地将缺失交通事故责任认定结果的视频影像资料输入到构建好的深度信赖网络模型中,最后输出交通事故责任认定类别标签,从而增大该深度信赖网络模型的数据量,增加其准确性。
4、本发明还建立了实现车辆碰撞事故责任自动判定方法的设备,当车辆碰撞事故发生后,事故双方车主同时摁下触发按钮,车辆控制单元控制车辆警示模块进入警示状态,利用车辆危险报警闪光灯进入预警阶段,警示前后来车注意该起交通事故,同时将摄像单元获取的在车辆碰撞前后的视频信息、GPS单元获取的位置信息和时间信息上传至云端控制单元,使得事故双方车主可以在不下车的情况下完成对事故信息的上传,和传统解决方案相比大大减少了受到二次伤害的可能性与事故数据上传的效率。
5、本发明通过将责任判定模块设置在云端控制单元中,由云端控制单元进行责任判定,并将交通事故责任认定结果发送给事故双方车主,极大的简化了事故双方接受责任认定的流程;此外,本发明还设置数据存储模块对判决结果交付模块上传的数据进行储存与管理,并利用新收录的数据进行深度信赖网络模型的更新;与传统交通事故责任认定***相比,其判定模块的方法可以进行自动化更新,对交规的更新与修改有着更好的适应性。本发明还设立人工交互模块,在事故双方车主对责任判定模块生成的交通事故责任认定结果有异议时开始工作,该模块在整合相关数据后连接事故双方车主和交警部门,在得到三方确认后开启远程视频会议,直至生成得到三方确认的交通事故责任认定结果,方便事故双方对责任认定书具有异议后的上诉方法,具有高效快速的优点。
附图说明
图1是本发明的架构图;
图2是责任判定模块中通过深度信赖网络进行交通事故视频分类的方法的示意图;
图3是交通事故发生后事故双方车主按照本发明***需要操作的流程图;
图4是该***在应用阶段车辆内所需要的部署的硬件结构图。
具体实施方式:
下面结合附图和实施例对本发明作进一步的说明,但并不作为对本发明限制的依据。
实施例:车辆碰撞事故责任自动判定方法,如图1所示,首先获取事故两车车辆碰撞前后的视频信息、位置信息和时间信息;随后将视频信息转化为视频特征,将位置信息和时间信息中文字数据转化为异构特征;最后再将视频特征和异构特征输入至预先构建的深度信赖网络模型(DBN)中进行交通事故责任认定,生成交通事故责任认定结果,并将认定结果传输至车主的移动终端。
所述将获取的视频信息转化为视频特征的方法是先利用碰撞产生的车辆抖动与视频中的图像不规则晃动作为事故发生的时间节点,截取出该时间节点后5秒和该时间节点前25秒,共30秒的作为视频信息,将所得视频影像资料转化为RGB值向量(RGB值向量为构成像素点的颜色,对应的三个颜色向量矩阵,分别是R矩阵,G矩阵,B矩阵,RGB分别对应红、绿和蓝三种颜色);之后使用可能近似正确方法(PAC,probably approximate correct,“近似”是在取值上,只要和真实值的偏差小于一个足够小的值就认为“近似正确”;“可能”是在概率上,即只要“近似正确”的概率足够大就认为“可能近似正确”)将RGB值向量转化为交通事故责任认定的视频特征。所述异构特征的获取方法是先将位置信息和时间信息相结合形成车辆行驶的轨迹信息,再将轨迹信息与交通地理参考专题地图(所述的交通地理参考专题地图是通过对所需区域高精度底图、基本地理要素与交通责任判定所需要的属性信息的叠加,形成的专题地图)映射匹配,形成事故两车在该起交通事故发生前是否超速、是否按照交通指示牌或信号灯行驶,是否在规定车道上行驶、是否违反交通标识的文字数据,其中,交通标识具体为交通路面上涂刷的交通标识信息,包括但不限于指示标线、禁止标线、警告标线,该部分信息通过交通地理参考专题图中每个标识对应的拓扑区域与事故发生时刻的行车轨迹对照生成文字信息;其中,是否按信号灯行驶是通过截取到的时间点与交警部门相应***结合,判读事故发生时刻的信号灯状况,根据形成轨迹判断车辆行进方向,形成事故双方车辆是否按照信号灯行驶的文字信息。再利用文档主题生成模型(LDA主题模型,也称为一个三层贝叶斯概率模型,包含词、主题和文档三层结构)将形成的文字数据转化为异构特征。
所述深度信赖网络模型的构建方法按下述步骤进行:
a、获取已判定事故责任的交通事故视频影像资料,将所得视频影像资料转化为RGB值向量,之后使用可能近似正确方法将RGB值向量转化为交通事故责任认定的视频特征;
b、将视频影像资料对应的位置信息形成轨迹信息,同时与交通地理参考专题地图映射匹配,形成该车在该起交通事故发生前是否超速、是否按照交通指示牌或信号灯行驶,是否在规定车道上行驶、是否违反交通标识的文字数据,并利用LDA主题模型将形成的文字信息转化为异构特征;
c、把交通事故责任认定结果中的认定结果按照全部责任、主要责任、同等责任、次要责任、无责任五种类型作为交通事故责任认定类别标签,并将交通事故责任认定类别标签对应到相应的视频特征中;
d、将交通事故责任认定视频特征、异构特征以及以及上述视频特征对应的类别标签共同输入初始化的深度信赖网络模型中进行训练;其中,深度信赖网络模型就是在顶端加入一个输出层的多层受限玻尔兹曼机的堆叠,从而形成的一大串连接的多层受限玻尔兹曼机与一个输出层;其中,针对每一个深度信赖网络模型中每个隐含层的计算方法如下:
yi=x1×w1i+x2×w2i+·····+xj×wji+bi,
其中,yi为隐含层y编号为i的节点的值,x1、x2、x3、······xj为隐含层yi对应的可视层的第j个数据,wji为yi对应的xj的权值,bi为yi对应的偏置量;
计算完毕后,再根据计算完成的yi回求一遍xj,具体计算方法如下:xj=y1×wj1+y2×wj2+······+yi×wji+aj
其中,yi、xj、wji意义与上式相同,aj为xj对应的偏置量。
对深度信赖网络模型中的所有节点更新完毕后,如和原数据比发生变化,则需要进行反向传播,具体步骤如下:
首先对x和y的原矢量做乘积,并对更新后的x和y矢量做乘积,求出z与z'两个矩阵,z为节点更新前x与y的乘积,z'为节点更新后x与y的乘积。这两个矩阵行数为x的数目,列数为y的数目,其次把z与z'相减,然后加入到权值和偏置量里面,并重新进行正向运算,直至原数据与节点更新数据相等,则该用于交通事故责任认定的多层受限玻尔兹曼机模型建立完成,多层受限玻尔兹曼机模型的建立方法为现有技术,具体如下:
wji=wji+alpha×(zij-z'ij)
bi=bi+alpha×(yi-y'i)
ai=ai+alpha×(xj-x'j)
其中,alpha为学习速率,取值在0-1之间。
所述对于构建好的深度信赖网络模型中,还将缺失交通事故责任认定结果的视频影像资料,经步骤a、步骤b和步骤d三步处理后得到表示其视频特征的向量,并将其输入到构建好的深度信赖网络模型中,最后输出交通事故责任认定类别标签,从而增大该深度信赖网络模型的数据量。
所述在步骤a中,还利用实车进行模拟事故责任认定书的发生场景,再利用摄像头拍摄事故发生过程的视频影像资料。
所述的视频信息通过全车的360°全景摄像头进行拍摄获取。
一种车辆碰撞事故责任自动判定***,如图2所示,所述***包括:事故处理起始模块、事故信息记录模块、时间选取模块、视频影像截取模块、地理参考匹配模块、责任判定模块、判决结果交付模块、数据存储模块和人工交互模块;
所述事故处理起始模块用于对视频信息、位置信息和时间信息的上传;
所述事故信息记录模块用于对视频信息的记录与事故发生地理位置的记录;
所述时间选取模块用于读取车辆碰撞时前后5分钟的视频影像资料,利用碰撞产生的车辆抖动与视频中的图像不规则晃动筛选出事故发生后5秒,事故发生前25秒,共30秒的视频信息,作为该次交通事故责任判定的依据,供后续使用;
所述视频影像截取模块判断时间选取模块提供的视频信息的完整性,在确保视频信息有效的情况下将其上传到责任判定模块中;
所述地理参考匹配模块用于利用时间选取模块选取的时间,结合位置信息形成轨迹信息,再与交通地理参考专题地图映射匹配,形成该车在该起交通事故发生前是否超速、是否按照交通指示牌、信号灯行驶,是否在规定车道上行驶、是否违反交通标识的文字数据,并利用文档主题生成模型将形成的文字信息转化为异构特征;
所述责任判定模块通过把事故信息记录模块获取的视频影像资料与对应地理位置信息导入到服务器预先构建好的深度信赖网络模型中,进行交通事故责任认定,并生成交通事故责任认定结果;
所述判决结果交付模块将由责任判定模块生成的交通事故责任认定结果发送给事故双方车主;
所述数据存储模块对判决结果交付模块上传的数据进行储存与管理,并利用新收录的数据进行深度信赖网络模型的更新和训练;
所述人工交互模块在事故双方车主对责任判定模块生成的交通事故责任认定结果有异议时开始工作,该模块在整合相关数据后连接事故双方车主和交警部门,在得到三方确认后开启远程视频会议,直至生成得到三方确认的交通事故责任认定结果,再将交通事故责任认定结果导入数据存储模块。
一种实现上述的车辆碰撞事故责任自动判定方法的设备,如图3所示,包括车辆控制单元,车辆控制单元经通讯单元连接有摄像单元、GPS单元、触发按钮、报警闪光灯和云端控制单元;
所述的摄像单元用于获取车辆的行车视频信息并储存视频信息;
所述的触发按钮用于在交通事故发生后双方车主按下触发车辆控制单元启动事故责任自动判定程序;
所述的报警闪光灯用于闪光预警,警示前后来车注意该起交通事故;
所述的车辆控制单元用于在车主按下触发按钮后,将摄像单元获取的在车辆碰撞前后的视频信息、GPS单元获取的位置信息和时间信息上传至云端控制单元;
云端控制单元将视频信息转化为视频特征,将位置信息和时间信息转化为异构特征;再将视频特征和异构特征输入至预先构建的深度信赖网络模型中进行交通事故责任认定,生成交通事故责任认定结果,并传输至车主的移动终端。
一种计算机存储介质,其储存有计算机程序,计算机程序被执行时执行时实现前述方法。
在完成车辆碰撞事故责任自动判定***的构建之后,如图4所示,当交通事故发生后事故双方车主按照本发明***需要操作流程,具体内容如下:
试例1:在通行正常的交通道路上发生车与车的碰撞事故,车辆被迫停放在交通道路上,交通开始逐渐进入拥堵状态。事故双方车主通过按压车内事故触发按钮,进入事故处理状态,并自动开启车辆危险报警闪光灯,警示来往车辆。完成上述工作后,车辆控制单元将摄像单元中360°全景影像获取的在车辆碰撞前后的视频信息、GPS单元获取的位置信息和时间信息上传至云端控制单元;在确认数据上传正确后触发按钮回复平常状态,车辆危险报警闪光灯关闭,事故双方车辆驶离事故现场,交通状况恢复。
在3天内,事故双方车主的移动端设备将收到由云端控制单元内的责任判定模块自动生成的判决结果,事故双方车主在仔细阅读并确保无误后,通过移动端设备提交同意该次判决的响应,以保障该次判决的法律效应与存档要求。
在事故双方车主确认该判决结果后发送责任认定书到事故双方的保险公司,由保险公司联系自己客户进行后续赔付维修事宜,该次车辆碰撞事故责任认定完成。
试例2:在通行正常的交通道路上发生车与车的碰撞事故,车辆被迫停放在交通道路上,交通开始逐渐进入拥堵状态。事故双方车主通过按压车内事故,进入事故处理状态,并自动开启车辆危险报警闪光灯,警示来往车辆。完成上述工作后,事故双方通过调取车内360°全景影像的发生碰撞前的视频,获取并确认事故双方车辆车牌号与事故发生时间点、地点,从而在服务器建立连接,形成该次交通事故的记录。
连接建立完成后,由事故处理装置自动上传事故发生前25秒事故发生后5秒的360度全景视频数据,事故发生前25秒事故发生后5秒的车辆地理位置数据,在确认数据上传正确后事故处理按钮回复平常状态,车辆危险报警闪光灯关闭,事故双方车辆驶离事故现场,交通状况恢复。
在3天内,事故双方车主的移动端设备将收到该次事故由服务器内的责任判定模块自动生成的判决结果,任一事故车主在仔细阅读发现判决结果不满意,通过移动端设备在规定时间内提交对该次判决的异议。
服务器在收到事故车主提交的异议后把该次事件的事故双方个人信息与发生事故时的各类辅助数据交送到人工处理队列,并确定事故双方车主与交管部门的三方视频会议时间,发送到事故双方车主的移动端设备上。
事故双方车主与交警在三方视频会议中通过事故双方口述与实际辅助数据重新确认责任事故书,并得到事故双方车主的认可。
在事故双方车主确认该判决结果后发送责任认定书到事故双方的保险公司,由保险公司联系自己客户进行后续赔付维修事宜,该次车辆碰撞事故责任认定完成。
Claims (10)
1.车辆碰撞事故责任自动判定方法,其特征在于:获取事故两车车辆碰撞前后的视频信息、位置信息和时间信息;随后将视频信息转化为视频特征,将位置信息和时间信息转化为异构特征;最后再将视频特征和异构特征输入至预先构建的深度信赖网络模型中进行交通事故责任认定,生成交通事故责任认定结果,并将认定结果传输至车主的移动终端。
2.根据权利要求1所述的车辆碰撞事故责任自动判定方法,其特征在于:所述将获取的视频信息转化为视频特征的方法是先利用碰撞产生的车辆抖动与视频中的图像不规则晃动作为事故发生的时间节点,截取出该时间节点后5秒和该时间节点前25秒,共30秒的作为视频信息,将所得视频信息转化为RGB值向量,之后使用可能近似正确方法将RGB值向量转化为交通事故责任认定的视频特征。
3.根据权利要求2所述的车辆碰撞事故责任自动判定方法,其特征在于:所述异构特征的获取方法是先将位置信息和时间信息相结合形成车辆行驶的轨迹信息,再将轨迹信息与交通地理参考专题地图映射匹配,形成事故两车在该起交通事故发生前是否超速、是否按照交通指示牌或信号灯行驶、是否在规定车道上行驶、是否违反交通标识的文字数据,并利用文档主题生成模型将形成的文字数据转化为异构特征。
4.根据权利要求3所述的车辆碰撞事故责任自动判定方法,其特征在于:所述深度信赖网络模型的构建方法按下述步骤进行:
a、获取已判定事故责任的交通事故视频影像资料,将所得视频影像资料转化为RGB值向量,之后使用可能近似正确方法将RGB值向量转化为交通事故责任认定的视频特征;
b、将视频影像资料对应的位置信息形成轨迹信息,同时与交通地理参考专题地图映射匹配,形成该车在该起交通事故发生前是否超速、是否按照交通指示牌或信号灯行驶、是否在规定车道上行驶、是否违反交通标识的文字数据,并利用文档主题生成模型将形成的文字信息转化为异构特征;
c、把交通事故责任认定结果按照全部责任、主要责任、同等责任、次要责任、无责任五种类型作为交通事故责任认定类别标签,并将交通事故责任认定类别标签对应到相应的视频特征中;
d、将交通事故责任认定视频特征、异构特征以及以及上述视频特征对应的类别标签共同输入初始化的深度信赖网络模型中进行训练;其中,深度信赖网络模型就是在顶端加入一个输出层的多层受限玻尔兹曼机的堆叠,从而形成的一大串连接的多层受限玻尔兹曼机与一个输出层;其中,针对每一个深度信赖网络模型中每个隐含层的计算方法如下:
yi=x1×w1i+x2×w2i+…··+xj×wji+bi,
其中,yi为隐含层y编号为i的节点的值,x1、x2、x3、……xj为隐含层yi对应的可视层的第j个数据,wji为yi对应的xj的权值,bi为yi对应的偏置量;
计算完毕后,再根据计算完成的yi回求一遍xj,具体计算方法如下:xj=y1×wj1+y2×wj2+……+yi×wji+aj
其中,yi、xj、wji意义与上式相同,aj为xj对应的偏置量。
对深度信赖网络模型中的所有节点更新完毕后,如和原数据比发生变化,则需要进行反向传播,具体步骤如下:
首先对x和y的原矢量做乘积,并对更新后的x和y矢量做乘积,求出z与z'两个矩阵,z为节点更新前x与y的乘积,z'为节点更新后x与y的乘积;这两个矩阵行数为x的数目,列数为y的数目,其次把z与z'相减,然后加入到权值和偏置量里面,并重新进行正向运算,直至原数据与节点更新数据相等,则该用于交通事故责任认定的多层受限玻尔兹曼机模型建立完成,具体如下:
wji=wji+alpha×(zij-z'ij)
bi=bi+alpha×(yi-y′i)
ai=ai+alpha×(xj-x'j)
其中,alpha为学习速率,取值在0-1之间。
5.根据权利要求4所述的车辆碰撞事故责任自动判定方法,其特征在于:所述对于构建好的深度信赖网络模型中,还将缺失交通事故责任认定结果的视频影像资料,经步骤a、步骤b和步骤d三步处理后得到表示其视频特征的向量,并将其输入到构建好的深度信赖网络模型中,最后输出交通事故责任认定类别标签,从而增大该深度信赖网络模型的数据量。
6.根据权利要求4所述的车辆碰撞事故责任自动判定方法,其特征在于:所述在步骤a中,还利用实车进行模拟事故责任认定书的发生场景,再利用摄像头拍摄事故发生过程的视频影像资料。
7.根据权利要求1所述的车辆碰撞事故责任自动判定方法,其特征在于:所述的视频信息通过全车的360°全景摄像头进行拍摄获取。
8.一种车辆碰撞事故责任自动判定***,其特征在于:所述***包括:事故处理起始模块、事故信息记录模块、时间选取模块、视频影像截取模块、地理参考匹配模块、责任判定模块、判决结果交付模块、数据存储模块和人工交互模块;
所述事故处理起始模块用于对视频信息、位置信息和时间信息的上传;
所述事故信息记录模块用于对视频信息的记录与事故发生地理位置的记录;
所述时间选取模块用于读取车辆碰撞前后5分钟的视频影像资料,利用碰撞产生的车辆抖动与视频中的图像不规则晃动筛选出事故发生后5秒,事故发生前25秒,共30秒的视频信息,作为该次交通事故责任判定的依据,供后续使用;
所述视频影像截取模块判断时间选取模块提供的视频信息的完整性,在确保视频信息有效的情况下将其上传到责任判定模块中;
所述地理参考匹配模块用于利用时间选取模块选取的时间,结合位置信息形成轨迹信息,再与交通地理参考专题地图映射匹配,形成该车在该起交通事故发生前是否超速、是否按照交通指示牌、信号灯行驶,是否在规定车道上行驶、是否违反交通标识的文字数据,并利用文档主题生成模型将形成的文字信息转化为异构特征;
所述责任判定模块通过把事故信息记录模块获取的视频信息与对应地理位置信息导入到服务器预先构建好的深度信赖网络模型中,进行交通事故责任认定,并生成交通事故责任认定结果;
所述判决结果交付模块将由责任判定模块生成的交通事故责任认定结果发送给事故双方车主;
所述数据存储模块对判决结果交付模块上传的数据进行储存与管理,并利用新收录的数据进行深度信赖网络模型的更新和训练;
所述人工交互模块在事故双方车主对责任判定模块生成的交通事故责任认定结果有异议时开始工作,该模块在整合相关数据后连接事故双方车主和交警部门,在得到三方确认后开启远程视频会议,直至生成得到三方确认的交通事故责任认定结果,再将交通事故责任认定结果导入数据存储模块。
9.实现如权利要求1-7任一项所述的车辆碰撞事故责任自动判定方法的设备,其特征在于:包括车辆控制单元,车辆控制单元经通讯单元连接有摄像单元、GPS单元、触发按钮、报警闪光灯和云端控制单元;
所述的摄像单元用于获取车辆的行车视频信息并储存视频信息;
所述的触发按钮用于在交通事故发生后双方车主按下触发车辆控制单元启动事故责任自动判定程序;
所述的报警闪光灯用于闪光预警;
所述的GPS单元用于获取车辆的地理位置;
所述的车辆控制单元用于在车主按下触发按钮后,将摄像单元获取的在车辆碰撞前后的视频信息、GPS单元获取的位置信息和时间信息上传至云端控制单元;
云端控制单元将视频信息转化为视频特征,将位置信息和时间信息转化为异构特征;再将视频特征和异构特征输入至预先构建的深度信赖网络模型中进行交通事故责任认定,生成交通事故责任认定结果,并传输至车主的移动终端。
10.一种计算机存储介质,其储存有计算机程序,其特征在于:所述计算机程序被执行时实现权利要求1-7任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910259763.0A CN109919140B (zh) | 2019-04-02 | 2019-04-02 | 车辆碰撞事故责任自动判定方法、***、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910259763.0A CN109919140B (zh) | 2019-04-02 | 2019-04-02 | 车辆碰撞事故责任自动判定方法、***、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109919140A true CN109919140A (zh) | 2019-06-21 |
CN109919140B CN109919140B (zh) | 2021-04-09 |
Family
ID=66968109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910259763.0A Active CN109919140B (zh) | 2019-04-02 | 2019-04-02 | 车辆碰撞事故责任自动判定方法、***、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919140B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110356344A (zh) * | 2019-07-24 | 2019-10-22 | 重庆长安汽车股份有限公司 | 一种应用于全景***的车载事件记录方法、***及汽车 |
CN110415380A (zh) * | 2019-08-26 | 2019-11-05 | 苏州金螳螂怡和科技有限公司 | 交通事故自主处理方法及*** |
CN110855800A (zh) * | 2019-12-02 | 2020-02-28 | 深圳创维汽车智能有限公司 | 一种交通事故处理方法、装置及*** |
CN110991558A (zh) * | 2019-12-18 | 2020-04-10 | 中国平安财产保险股份有限公司 | 基于图像识别的事故处理方法、装置和计算机设备 |
CN111046212A (zh) * | 2019-12-04 | 2020-04-21 | 支付宝(杭州)信息技术有限公司 | 交通事故处理方法和装置、电子设备 |
CN111161533A (zh) * | 2019-12-04 | 2020-05-15 | 支付宝(杭州)信息技术有限公司 | 交通事故处理方法和装置、电子设备 |
CN111259061A (zh) * | 2020-01-09 | 2020-06-09 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 交通工具席位可视化查验登记方法与*** |
CN111640308A (zh) * | 2020-04-24 | 2020-09-08 | 合肥湛达智能科技有限公司 | 一种基于嵌入式终端的深度学习闯红灯检测方法 |
CN111862607A (zh) * | 2020-07-22 | 2020-10-30 | 中国第一汽车股份有限公司 | 一种责任划分方法、装置、设备及存储介质 |
CN112188404A (zh) * | 2020-09-27 | 2021-01-05 | 深圳市八方达电子有限公司 | 一种用于车辆360°全景功能的测试方法及*** |
CN113302614A (zh) * | 2021-04-25 | 2021-08-24 | 华为技术有限公司 | 数据管理方法、装置和终端设备 |
WO2021227586A1 (zh) * | 2020-05-14 | 2021-11-18 | 华为技术有限公司 | 交通事故分析方法、装置及设备 |
CN114596711A (zh) * | 2022-03-31 | 2022-06-07 | 北京世纪高通科技有限公司 | 事故责任的确定方法、装置、设备及存储介质 |
CN114999149A (zh) * | 2022-05-21 | 2022-09-02 | 北京中软政通信息技术有限公司 | 交通事故数据快速采集方法、装置、设备、***及介质 |
CN115394085A (zh) * | 2022-10-26 | 2022-11-25 | 广州国交润万交通信息有限公司 | 通过高精度地图对高速公路事件自动仿真还原的*** |
CN116704747A (zh) * | 2022-12-29 | 2023-09-05 | 摩斯智联科技有限公司 | 一种基于边缘计算判定车辆事故并风控的*** |
CN117894182A (zh) * | 2024-03-15 | 2024-04-16 | 长春师范大学 | 一种基于车联网的车辆事故数据快速采集方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107067718A (zh) * | 2016-12-29 | 2017-08-18 | 盯盯拍(深圳)技术股份有限公司 | 交通事故责任评估方法、交通事故责任评估装置以及交通事故责任评估*** |
CN108320348A (zh) * | 2018-02-07 | 2018-07-24 | 广州道安信息科技有限公司 | 交通事故动态图像的生成方法及计算机装置、计算机可读存储介质 |
CN108470443A (zh) * | 2018-01-30 | 2018-08-31 | 青岛中兴智能交通有限公司 | 一种交通事故的责任判定方法和装置 |
CN108492584A (zh) * | 2018-03-19 | 2018-09-04 | 中国电子科技集团公司第三十八研究所 | 一种基于智慧灯杆的交通事故警示方法及装置 |
CN108665093A (zh) * | 2018-04-19 | 2018-10-16 | 东南大学 | 基于深度学习的高速公路交通事故严重度预测方法 |
CN108986474A (zh) * | 2018-08-01 | 2018-12-11 | 平安科技(深圳)有限公司 | 交通事故的定责方法、装置、计算机设备及计算机存储介质 |
-
2019
- 2019-04-02 CN CN201910259763.0A patent/CN109919140B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107067718A (zh) * | 2016-12-29 | 2017-08-18 | 盯盯拍(深圳)技术股份有限公司 | 交通事故责任评估方法、交通事故责任评估装置以及交通事故责任评估*** |
CN108470443A (zh) * | 2018-01-30 | 2018-08-31 | 青岛中兴智能交通有限公司 | 一种交通事故的责任判定方法和装置 |
CN108320348A (zh) * | 2018-02-07 | 2018-07-24 | 广州道安信息科技有限公司 | 交通事故动态图像的生成方法及计算机装置、计算机可读存储介质 |
CN108492584A (zh) * | 2018-03-19 | 2018-09-04 | 中国电子科技集团公司第三十八研究所 | 一种基于智慧灯杆的交通事故警示方法及装置 |
CN108665093A (zh) * | 2018-04-19 | 2018-10-16 | 东南大学 | 基于深度学习的高速公路交通事故严重度预测方法 |
CN108986474A (zh) * | 2018-08-01 | 2018-12-11 | 平安科技(深圳)有限公司 | 交通事故的定责方法、装置、计算机设备及计算机存储介质 |
Non-Patent Citations (1)
Title |
---|
张亚军,刘宗田,周文: ""基于深度信念网络的事件识别"", 《电子学报》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110356344A (zh) * | 2019-07-24 | 2019-10-22 | 重庆长安汽车股份有限公司 | 一种应用于全景***的车载事件记录方法、***及汽车 |
CN110415380A (zh) * | 2019-08-26 | 2019-11-05 | 苏州金螳螂怡和科技有限公司 | 交通事故自主处理方法及*** |
CN110855800A (zh) * | 2019-12-02 | 2020-02-28 | 深圳创维汽车智能有限公司 | 一种交通事故处理方法、装置及*** |
CN111046212A (zh) * | 2019-12-04 | 2020-04-21 | 支付宝(杭州)信息技术有限公司 | 交通事故处理方法和装置、电子设备 |
CN111161533A (zh) * | 2019-12-04 | 2020-05-15 | 支付宝(杭州)信息技术有限公司 | 交通事故处理方法和装置、电子设备 |
CN110991558A (zh) * | 2019-12-18 | 2020-04-10 | 中国平安财产保险股份有限公司 | 基于图像识别的事故处理方法、装置和计算机设备 |
CN111259061A (zh) * | 2020-01-09 | 2020-06-09 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 交通工具席位可视化查验登记方法与*** |
CN111640308A (zh) * | 2020-04-24 | 2020-09-08 | 合肥湛达智能科技有限公司 | 一种基于嵌入式终端的深度学习闯红灯检测方法 |
WO2021227586A1 (zh) * | 2020-05-14 | 2021-11-18 | 华为技术有限公司 | 交通事故分析方法、装置及设备 |
CN111862607A (zh) * | 2020-07-22 | 2020-10-30 | 中国第一汽车股份有限公司 | 一种责任划分方法、装置、设备及存储介质 |
CN112188404A (zh) * | 2020-09-27 | 2021-01-05 | 深圳市八方达电子有限公司 | 一种用于车辆360°全景功能的测试方法及*** |
CN113302614A (zh) * | 2021-04-25 | 2021-08-24 | 华为技术有限公司 | 数据管理方法、装置和终端设备 |
CN113302614B (zh) * | 2021-04-25 | 2023-02-03 | 华为技术有限公司 | 数据管理方法、装置和终端设备 |
CN114596711A (zh) * | 2022-03-31 | 2022-06-07 | 北京世纪高通科技有限公司 | 事故责任的确定方法、装置、设备及存储介质 |
CN114999149A (zh) * | 2022-05-21 | 2022-09-02 | 北京中软政通信息技术有限公司 | 交通事故数据快速采集方法、装置、设备、***及介质 |
CN115394085A (zh) * | 2022-10-26 | 2022-11-25 | 广州国交润万交通信息有限公司 | 通过高精度地图对高速公路事件自动仿真还原的*** |
CN116704747A (zh) * | 2022-12-29 | 2023-09-05 | 摩斯智联科技有限公司 | 一种基于边缘计算判定车辆事故并风控的*** |
CN117894182A (zh) * | 2024-03-15 | 2024-04-16 | 长春师范大学 | 一种基于车联网的车辆事故数据快速采集方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN109919140B (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919140A (zh) | 车辆碰撞事故责任自动判定方法、***、设备及存储介质 | |
CN112633176B (zh) | 一种基于深度学习的轨道交通障碍物检测方法 | |
CN107643073A (zh) | 后部摄像机路口检测 | |
CN204990695U (zh) | 基于车载行车记录设备的车辆违章信息采集*** | |
CN107644197A (zh) | 后部摄像机车道检测 | |
CN109272745B (zh) | 一种基于深度神经网络的车辆轨迹预测方法 | |
CN108648495A (zh) | 一种智能实时显示公交车拥挤程度的方法及*** | |
WO2021227586A1 (zh) | 交通事故分析方法、装置及设备 | |
US11727800B2 (en) | System and method for law enforcement incident reporting | |
US20220318464A1 (en) | Machine Learning Data Augmentation for Simulation | |
WO2021237768A1 (zh) | 一种基于数据驱动的实现预测模型自动化迭代的*** | |
WO2014125467A1 (en) | Method for administering a driving test | |
CN109961056A (zh) | 基于决策树算法的交通事故责任认定方法、***及设备 | |
CN108665556B (zh) | 一种基于混合现实的路政指示显示方法及存储介质 | |
CN205211166U (zh) | 基于车载行车记录设备的车辆违章信息采集装置 | |
US11699282B1 (en) | Data augmentation for vehicle control | |
CN114783188A (zh) | 巡检方法和装置 | |
CN115985104A (zh) | 一种交通流量预测装置、预测方法及预测模型构建方法 | |
CN114299473A (zh) | 一种基于多源信息融合的驾驶员行为识别方法 | |
CN111695544B (zh) | 基于人群检测模型的信息发送方法、装置和计算机设备 | |
CN112633163B (zh) | 一种基于机器学习算法实现非法运营车辆检测的检测方法 | |
CN115202479A (zh) | 人在回路的人机共驾仿真***及其应用 | |
KR102400842B1 (ko) | 교통사고 정보를 제공하기 위한 서비스 방법 | |
KR20220080975A (ko) | 주행환경 정적객체인지 ai 데이터 처리 방법 및 이를 위한 장치 | |
Ozguven et al. | Feasibility analysis of real-time intersection data collection and processing using drones |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |