CN111046212A - 交通事故处理方法和装置、电子设备 - Google Patents

交通事故处理方法和装置、电子设备 Download PDF

Info

Publication number
CN111046212A
CN111046212A CN201911227447.1A CN201911227447A CN111046212A CN 111046212 A CN111046212 A CN 111046212A CN 201911227447 A CN201911227447 A CN 201911227447A CN 111046212 A CN111046212 A CN 111046212A
Authority
CN
China
Prior art keywords
accident
target
image data
responsibility
traffic accident
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.)
Pending
Application number
CN201911227447.1A
Other languages
English (en)
Inventor
樊太飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ant Shengxin (Shanghai) Information Technology Co.,Ltd.
Original Assignee
Alipay Hangzhou Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alipay Hangzhou Information Technology Co Ltd filed Critical Alipay Hangzhou Information Technology Co Ltd
Priority to CN201911227447.1A priority Critical patent/CN111046212A/zh
Publication of CN111046212A publication Critical patent/CN111046212A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Library & Information Science (AREA)
  • Databases & Information Systems (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Educational Administration (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

本说明书一个或多个实施例提供一种交通事故处理方法和装置、电子设备，所述方法包括：获取目标交通事故的事故现场的图像数据；基于所述图像数据提取特征数据；其中，所述特征数据为与对所述目标交通事故中的目标事故车辆执行的在所述目标交通事故中的责任认定相关的数据；将所述特征数据输入至预测模型，以由所述预测模型基于所述特征数据预测所述目标事故车辆在所述目标交通事故中的责任认定结果；其中，所述预测模型为基于若干被标注了责任认定结果的特征数据样本训练出的机器学习模型；输出预测出的所述目标事故车辆在所述目标交通事故中的责任认定结果。

Description

交通事故处理方法和装置、电子设备
技术领域
本说明书一个或多个实施例涉及计算机应用技术领域，尤其涉及一种交通事故处理方法和装置、电子设备。
背景技术
现如今，在发生了交通事故之后，通常需要由交管部门派遣交警前往事故现场进行调查，以由交管部门根据事故现场的实际情况对该交通事故中的各辆事故车辆进行交通事故责任认定，即确定各辆车辆的驾驶员在该交通事故中应当承担的责任占比，例如：全责或无责等。然而，通过人工的方式对交通事故中的事故车辆进行交通事故责任认定，通常效率较低，不便于后续根据责任认定结果对事故车辆进行相应的业务处理。
发明内容
本说明书提出一种交通事故处理方法，所述方法应用于服务端，包括：
获取目标交通事故的事故现场的图像数据；
基于所述图像数据提取特征数据；其中，所述特征数据为与对所述目标交通事故中的目标事故车辆执行的在所述目标交通事故中的责任认定相关的数据；
将所述特征数据输入至预测模型，以由所述预测模型基于所述特征数据预测所述目标事故车辆在所述目标交通事故中的责任认定结果；其中，所述预测模型为基于若干被标注了责任认定结果的特征数据样本训练出的机器学习模型；
输出预测出的所述目标事故车辆在所述目标交通事故中的责任认定结果。
可选地，所述图像数据包括：车辆图像数据；车辆行驶轨迹图像数据；路面图像数据；交通信号灯图像数据。
可选地，所述获取目标交通事故的事故现场的图像数据，包括：
获取客户端发送的目标交通事故的事故现场的图像数据；其中，所述图像数据由所述客户端调用摄像头拍摄得到。
可选地，所述基于所述图像数据提取特征数据，包括：
基于所述图像数据确定所述目标事故车辆的损伤部位和行驶方向，以及所述目标交通事故的事故现场的路面状况和交通信号灯状况；
将所述目标事故车辆的损伤部位和行驶方向，以及所述目标交通事故的事故现场的路面状况和交通信号灯状况确定为特征数据。
可选地，所述责任认定结果为有责任或无责任，所述机器学习模型为二分类模型；
或者，所述责任认定结果为以下责任认定结果中的一种：全责、主责、次责、同责和无责，所述机器学习模型为多分类模型。
本说明书还提出一种交通事故处理装置，所述装置包括：
获取模块，获取目标交通事故的事故现场的图像数据；
提取模块，基于所述图像数据提取特征数据；其中，所述特征数据为与对所述目标交通事故中的目标事故车辆执行的在所述目标交通事故中的责任认定相关的数据；
预测模块，将所述特征数据输入至预测模型，以由所述预测模型基于所述特征数据预测所述目标事故车辆在所述目标交通事故中的责任认定结果；其中，所述预测模型为基于若干被标注了责任认定结果的特征数据样本训练出的机器学习模型；
输出模块，输出预测出的所述目标事故车辆在所述目标交通事故中的责任认定结果。
可选地，所述图像数据包括：车辆图像数据；车辆行驶轨迹图像数据；路面图像数据；交通信号灯图像数据。
可选地，所述获取模块：
获取客户端发送的目标交通事故的事故现场的图像数据；其中，所述图像数据由所述客户端调用摄像头拍摄得到。
可选地，所述提取模块：
基于所述图像数据确定所述目标事故车辆的损伤部位和行驶方向，以及所述目标交通事故的事故现场的路面状况和交通信号灯状况；
将所述目标事故车辆的损伤部位和行驶方向，以及所述目标交通事故的事故现场的路面状况和交通信号灯状况确定为特征数据。
可选地，所述责任认定结果为有责任或无责任，所述机器学习模型为二分类模型；
或者，所述责任认定结果为以下责任认定结果中的一种：全责、主责、次责、同责和无责，所述机器学习模型为多分类模型。
本说明书还提出一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器通过运行所述可执行指令以实现上述方法的步骤。
本说明书还提出一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述方法的步骤。
在上述技术方案中，由于可以基于已经发生的交通事故的事故现场的图像数据，预测该交通事故中的事故车辆在该交通事故中的责任认定结果，并输出预测出的该责任认定结果，以基于该责任认定结果执行相应的业务处理，即可以实现自动对交通事故中的事故车辆进行交通事故责任认定，而无需通过人工的方式对交通事故中的事故车辆进行交通事故责任认定，因此可以提高交通事故责任认定的效率，为后续根据责任认定结果执行相应的业务处理提供便利。
附图说明
图1是本说明书一示例性实施例示出的一种交通事故处理***的示意图；
图2是本说明书一示例性实施例示出的一种交通事故处理方法的流程图；
图3是本说明书一示例性实施例示出的一种交通事故处理装置所在电子设备的硬件结构图；
图4是本说明书一示例性实施例示出的一种交通事故处理装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
在本说明书使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本说明书旨在提供一种基于已经发生的交通事故的事故现场的图像数据，预测该交通事故中的事故车辆在该交通事故中的责任认定结果，并输出预测出的该责任认定结果的技术方案。
在具体实现时，可以预先基于若干被标注了责任认定结果的特征数据样本，对机器学习模型进行训练，并将训练完成的机器学习模型作为用于责任认定结果预测的预测模型；其中，该特征数据可以是基于交通事故的事故现场的图像数据提取出的、与责任认定相关的数据。
针对一起已经发生的目标交通事故，可以先获取该目标交通事故的事故现场的图像数据，并基于获取到的该图像数据，提取与对该目标交通事故中的目标事故车辆执行的在该目标交通事故中的责任认定相关的数据，作为特征数据，再将提取出的该特征数据输入至上述预测模型，以由该预测模型基于该特征数据预测该目标事故车辆在该目标交通事故中的责任认定结果。
后续，可以输出预测出的该责任认定结果，以基于该责任认定结果执行相应的业务处理。
在上述技术方案中，由于可以基于已经发生的交通事故的事故现场的图像数据，预测该交通事故中的事故车辆在该交通事故中的责任认定结果，并输出预测出的该责任认定结果，以基于该责任认定结果执行相应的业务处理，即可以实现自动对交通事故中的事故车辆进行交通事故责任认定，而无需通过人工的方式对交通事故中的事故车辆进行交通事故责任认定，因此可以提高交通事故责任认定的效率，为后续根据责任认定结果执行相应的业务处理提供便利。
请参考图1，图1是本说明书一示例性实施例示出的一种交通事故处理***的示意图。
在实际应用中，针对一起已经发生的交通事故，可以由交管部门基于该交通事故的事故现场的图像数据，预测该交通事故中的事故车辆在该交通事故中的责任认定结果，以根据预测出的该责任认定结果执行追责等业务处理，例如：对该事故车辆的驾驶员进行处罚。
或者，可以由保险公司基于与该交通事故的事故现场的图像数据，预测该交通事故中的事故车辆在该交通事故中的责任认定结果，以根据预测出的该责任认定结果针对该事故车辆执行理赔等业务处理。
也即，在图1所示的交通事故处理***中，业务执行方电子设备可以是交管部门或保险公司等需要确定事故车辆在交通事故中的责任认定结果的业务执行方所使用的电子设备；其中，该电子设备可以是服务器、计算机、手机、平板设备、笔记本电脑或掌上电脑(PDAs，Personal Digital Assistants)等，本说明书对此不作限制。
该业务执行方的用户可以持搭载有摄像头的用户电子设备前往上述交通事故的事故现场，并通过该用户电子设备对该交通事故的事故现场进行拍摄，例如：由该用户电子设备中运行的客户端，调用该用户电子设备搭载的摄像头，对该交通事故的事故现场进行拍摄。后续，可以由该用户电子设备将拍摄得到的该交通事故的事故现场的图像数据上传至该业务执行方电子设备，或者可以由该业务执行方的用户将该用户电子设备连接至该业务执行方电子设备，从而使该业务执行方电子设备可以从该用户电子设备的存储介质中读取拍摄得到的该交通事故的事故现场的图像数据。
或者，可以由安装在该交通事故的事故现场附近的用于监控的摄像设备将拍摄得到的该交通事故的事故现场的图像数据上传至该业务执行方电子设备。具体地，该业务执行方电子设备可以向安装在该交通事故的事故现场附近的用于监控的摄像设备发送通知消息，以触发该摄像设备对该交通事故的事故现场进行拍摄，并将拍摄得到的该交通事故的事故现场的图像数据上传至该业务执行方电子设备。
该业务执行方电子设备可以进一步地基于该图像数据，预测该事故车辆在该交通事故中的责任认定结果，并输出预测出的该责任认定结果。
请参考图2，图2是本说明书一示例性实施例示出的一种交通事故处理方法的流程图。
该交通事故处理方法可以应用于图1所示的业务执行方电子设备，包括以下步骤：
步骤202，获取目标交通事故的事故现场的图像数据；
步骤204，基于所述图像数据提取特征数据；其中，所述特征数据为与对所述目标交通事故中的目标事故车辆执行的在所述目标交通事故中的责任认定相关的数据；
步骤206，将所述特征数据输入至预测模型，以由所述预测模型基于所述特征数据预测所述目标事故车辆在所述目标交通事故中的责任认定结果；其中，所述预测模型为基于若干被标注了责任认定结果的特征数据样本训练出的机器学习模型；
步骤208，输出预测出的所述目标事故车辆在所述目标交通事故中的责任认定结果。
在本实施例中，针对一起已经发生的交通事故(称为目标交通事故)，可以先由上述业务执行方电子设备获取该目标交通事故的事故现场的图像数据。
在实际应用中，该业务执行方的用户可以持搭载有摄像头的用户电子设备前往上述交通事故的事故现场，并通过该用户电子设备对该交通事故的事故现场进行拍摄，再由该用户电子设备将拍摄得到的该交通事故的事故现场的图像数据上传至该业务执行方电子设备，或者由该业务执行方的用户将该用户电子设备连接至该业务执行方电子设备，从而使该业务执行方电子设备可以从该用户电子设备的存储介质中读取拍摄得到的该交通事故的事故现场的图像数据。
或者，该业务执行方电子设备可以向安装在该交通事故的事故现场附近的用于监控的摄像设备发送通知消息，以触发该摄像设备对该交通事故的事故现场进行拍摄，并将拍摄得到的该交通事故的事故现场的图像数据上传至该业务执行方电子设备。
在示出的一种实施方式中，拍摄得到的该交通事故的事故现场的图像数据可以包括：车辆图像数据，即包含该交通事故中的事故车辆(尤其是该事故车辆的损伤部位)的图像数据；车辆行驶轨迹图像数据，即包含该交通事故中的事故车辆的行驶轨迹的图像照片；路面图像数据，即包含该交通事故的事故现场的路面状况的图像数据；交通信号灯图像数据，即包含该交通事故的事故现场的交通信号灯状况的图像数据。
在本实施例中，在获取到了上述目标交通事故的事故现场的图像数据之后，上述业务执行方电子设备可以基于该图像数据，提取与对所述目标交通事故中的一辆事故车辆(称为目标事故车辆)执行的在上述目标交通事故中的责任认定相关的数据，作为特征数据。
在示出的一种实施方式中，第一方面，该业务执行方电子设备可以基于该图像数据中的车辆图像数据，确定该目标事故车辆的损伤部位，以将该损伤部位作为特征数据。
第二方面，该业务执行方电子设备可以基于该图像数据中的车辆行驶轨迹图像数据，确定该目标事故车辆在该目标交通事故发生之前的行驶方向，以将该目标事故车辆的行驶轨迹作为特征数据。
举例来说，假设基于该图像数据中的车辆行驶轨迹图像数据，确定该目标事故车辆的行驶轨迹向左转弯，则可以进一步确定该目标事故车辆的行驶方向为向左转弯。
第三方面，该业务执行方电子设备可以基于该图像数据中的路面图像数据，确定该目标交通事故的事故现场的路面状况，以将该路面状态也作为特征数据。
具体地，该路面状况可以包括：该目标事故车辆是否压了该目标交通事故的事故现场中的交通标线；以及，该目标事故车辆的行驶方向与该目标交通事故的事故现场中与该目标事故车辆所在的行驶通道对应的交通标识是否匹配等状况。
举例来说，假设基于该图像数据中的路面图像数据，确定该目标事故车辆的行驶方向为向左转弯，但是该目标交通事故的事故现场中与该目标事故车辆所在的行驶通道对应的交通标识为直行，则可以进一步确定该目标事故车辆的行驶方向与该目标交通事故的事故现场中与该目标事故车辆所在的行驶通道对应的交通标识不匹配，即该目标事故车辆行驶在错误的行驶通道上。
第四方面，该业务执行方电子设备可以基于该图像数据中的交通信号灯图像数据，确定该目标交通事故的事故现场的交通信号灯状况(具体可以是该目标交通事故的事故现场的交通信号灯的显示状况，即在发生该目标交通事故时该交通信号灯指示的交通信号)，以将该交通信号灯状态也作为特征数据。
具体地，该交通信号灯状态可以是该目标交通事故的事故现场的交通信号灯的显示状况，即在发生该目标交通事故时该交通信号灯指示的交通信号。
在实际应用中，该业务执行方电子设备还可以基于该图像数据中的车辆图像数据，确定该目标事故车辆的车型、车款等车辆信息，以将该车辆信息也作为特征数据。
在本实施例中，在提取出了上述特征数据之后，上述业务执行方电子设备可以将该特征数据输入至预先训练得到的预测模型，以由该预测模型基于该特征数据预测上述目标事故车辆在上述目标交通事故中的责任认定结果。
需要说明的是，该预测模型可以是基于若干被标注了责任认定结果的特征数据样本训练出的机器学习模型。
在实际应用中，该机器学习模型可以是二分类模型，该责任认定结果可以是有责任或无责任。也即，该预测模型基于该特征数据预测出的该目标事故车辆在该目标交通事故中的责任认定结果可以是有责任或无责任。
或者，该机器学习模型可以是多分类模型(例如：深度神经网络模型)，该责任认定结果可以是以下责任认定结果中的一种：全责、主责、次责、同责和无责。也即，该预测模型基于该特征数据预测出的该目标事故车辆在该目标交通事故中的责任认定结果可以是以下责任认定结果中的一种：全责、主责、次责、同责和无责。
在本实施例中，在由上述预测模型预测出了上述目标事故车辆在上述目标交通事故中的责任认定结果之后，上述业务执行方电子设备可以输出该责任认定结果，以基于该责任认定结果执行相应的业务处理。
在实际应用中，一方面，可以由该业务执行方电子设备直接基于输出的该责任认定结果，以及该业务执行方的用户预先设置的业务处理策略，执行追责或理赔等业务处理；另一方面，该业务执行方电子设备可以将预测出的该责任认定结果输出至显示屏幕，即将该责任认定结果展示在显示屏幕上，以供该业务执行方的用户查看，从而使该业务执行方的用户可以根据该责任认定结果执行追责或理赔等业务处理。
下面对对机器学习模型进行训练以得到上述预测模型的过程进行描述。
需要说明的是，机器学习模型的训练步骤可以由上述业务执行方电子设备执行，也可以由其他电子设备执行，并由该业务执行方的用户将训练得到的该预测模型转存至该业务执行方电子设备，从而使该业务执行方电子设备可以通过该预测模型进行责任认定结果预测。
在实际应用中，可以从记录在案的历史交通事故的相关数据中获取合适数量(该数量具体可以由该业务执行方的用户自行设置)的特征数据样本；其中，一个特征数据样本具体可以包括一件历史交通事故中的一辆事故车辆的特征数据。
需要说明的是，对机器学习模型进行训练时所使用的特征数据样本中的数据类型，与通过上述预测模型进行责任认定结果预测时所使用的特征数据中的数据类型相同。
举例来说，假设对机器学习模型进行训练时所使用的特征数据样本包括目标事故车辆的损伤部位和行驶方向，以及目标交通事故的事故现场的路面状况和交通信号灯状况这四种类型的数据，则通过该预测模型进行责任认定结果预测时所使用的特征数据应当包括上述目标事故车辆的损伤部位和行驶方向，以及上述目标交通事故的事故现场的路面状况和交通信号灯状况这四种类型的数据。
在另一个例子中，假设对机器学习模型进行训练时所使用的特征数据样本仅包括目标事故车辆的损伤部位和行驶方向这两种类型的数据，则通过该预测模型进行责任认定结果预测时所使用的特征数据应当仅包括上述目标事故车辆的损伤部位和行驶方向这两种类型的数据。
在获取到上述特征数据样本之后，可以分别为这些特征数据样本标注对应的责任认定结果，例如：假设某个特征数据样本包括历史交通事故A中的事故车辆A的特征数据，则为该特征数据样本标注的责任认定结果是事故车辆A在历史交通事故A中的责任认定结果。
后续，可以将这些被标注了责任认定结果的特征数据样本输入至由上述业务执行方的用户预先设置的机器学习模型进行计算，并根据计算结果调整该机器学习模型的模型参数，以降低该机器学习模型的损失函数。在该机器学习模型的损失函数降低至预期阈值(该预期阈值可以具体可以由该业务执行方的用户自行设置)时，可以认为该机器学习模型已经训练完成，进而可以将训练完成的该机器学习模型作为上述预测模型，以通过该预测模型进行责任认定结果预测。
在上述技术方案中，由于可以基于已经发生的交通事故的事故现场的图像数据，预测该交通事故中的事故车辆在该交通事故中的责任认定结果，并输出预测出的该责任认定结果，以基于该责任认定结果执行相应的业务处理，即可以实现自动对交通事故中的事故车辆进行交通事故责任认定，而无需通过人工的方式对交通事故中的事故车辆进行交通事故责任认定，因此可以提高交通事故责任认定的效率，为后续根据责任认定结果执行相应的业务处理提供便利。
与前述交通事故处理方法的实施例相对应，本说明书还提供了交通事故处理装置的实施例。
本说明书交通事故处理装置的实施例可以应用在电子设备上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在电子设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图3所示，为本说明书交通事故处理装置所在电子设备的一种硬件结构图，除了图3所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常根据该交通事故处理的实际功能，还可以包括其他硬件，对此不再赘述。
请参考图4，图4是本说明书一示例性实施例示出的一种交通事故处理装置的框图。该交通事故处理装置40可以应用于图3所示的电子设备，包括：
获取模块401，获取目标交通事故的事故现场的图像数据；
提取模块402，基于所述图像数据提取特征数据；其中，所述特征数据为与对所述目标交通事故中的目标事故车辆执行的在所述目标交通事故中的责任认定相关的数据；
预测模块403，将所述特征数据输入至预测模型，以由所述预测模型基于所述特征数据预测所述目标事故车辆在所述目标交通事故中的责任认定结果；其中，所述预测模型为基于若干被标注了责任认定结果的特征数据样本训练出的机器学习模型；
输出模块404，输出预测出的所述目标事故车辆在所述目标交通事故中的责任认定结果。
在本实施例中，所述图像数据包括：车辆图像数据；车辆行驶轨迹图像数据；路面图像数据；交通信号灯图像数据。
在本实施例中，所述获取模块401：
获取客户端发送的目标交通事故的事故现场的图像数据；其中，所述图像数据由所述客户端调用摄像头拍摄得到。
在本实施例中，所述提取模块402：
基于所述图像数据确定所述目标事故车辆的损伤部位和行驶方向，以及所述目标交通事故的事故现场的路面状况和交通信号灯状况；
将所述目标事故车辆的损伤部位和行驶方向，以及所述目标交通事故的事故现场的路面状况和交通信号灯状况确定为特征数据。
在本实施例中，所述责任认定结果为有责任或无责任，所述机器学习模型为二分类模型；
或者，所述责任认定结果为以下责任认定结果中的一种：全责、主责、次责、同责和无责，所述机器学习模型为多分类模型。
上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
在一个典型的配置中，计算机包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带、磁盘存储、量子存储器、基于石墨烯的存储介质或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
在本说明书一个或多个实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本说明书一个或多个实施例可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书一个或多个实施例范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
以上所述仅为本说明书一个或多个实施例的较佳实施例而已，并不用以限制本说明书一个或多个实施例，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例保护的范围之内。

Claims (12)

1.一种交通事故处理方法，所述方法应用于服务端，包括：
获取目标交通事故的事故现场的图像数据；
基于所述图像数据提取特征数据；其中，所述特征数据为与对所述目标交通事故中的目标事故车辆执行的在所述目标交通事故中的责任认定相关的数据；
将所述特征数据输入至预测模型，以由所述预测模型基于所述特征数据预测所述目标事故车辆在所述目标交通事故中的责任认定结果；其中，所述预测模型为基于若干被标注了责任认定结果的特征数据样本训练出的机器学习模型；
输出预测出的所述目标事故车辆在所述目标交通事故中的责任认定结果。
2.根据权利要求1所述的方法，所述图像数据包括：车辆图像数据；车辆行驶轨迹图像数据；路面图像数据；交通信号灯图像数据。
3.根据权利要求2所述的方法，所述获取目标交通事故的事故现场的图像数据，包括：
获取客户端发送的目标交通事故的事故现场的图像数据；其中，所述图像数据由所述客户端调用摄像头拍摄得到。
4.根据权利要求2所述的方法，所述基于所述图像数据提取特征数据，包括：
基于所述图像数据确定所述目标事故车辆的损伤部位和行驶方向，以及所述目标交通事故的事故现场的路面状况和交通信号灯状况；
将所述目标事故车辆的损伤部位和行驶方向，以及所述目标交通事故的事故现场的路面状况和交通信号灯状况确定为特征数据。
5.根据权利要求1所述的方法，所述责任认定结果为有责任或无责任，所述机器学习模型为二分类模型；
或者，所述责任认定结果为以下责任认定结果中的一种：全责、主责、次责、同责和无责，所述机器学习模型为多分类模型。
6.一种交通事故处理装置，所述装置包括：
获取模块，获取目标交通事故的事故现场的图像数据；
提取模块，基于所述图像数据提取特征数据；其中，所述特征数据为与对所述目标交通事故中的目标事故车辆执行的在所述目标交通事故中的责任认定相关的数据；
预测模块，将所述特征数据输入至预测模型，以由所述预测模型基于所述特征数据预测所述目标事故车辆在所述目标交通事故中的责任认定结果；其中，所述预测模型为基于若干被标注了责任认定结果的特征数据样本训练出的机器学习模型；
输出模块，输出预测出的所述目标事故车辆在所述目标交通事故中的责任认定结果。
7.根据权利要求6所述的装置，所述图像数据包括：车辆图像数据；车辆行驶轨迹图像数据；路面图像数据；交通信号灯图像数据。
8.根据权利要求7所述的装置，所述获取模块：
获取客户端发送的目标交通事故的事故现场的图像数据；其中，所述图像数据由所述客户端调用摄像头拍摄得到。
9.根据权利要求7所述的装置，所述提取模块：
基于所述图像数据确定所述目标事故车辆的损伤部位和行驶方向，以及所述目标交通事故的事故现场的路面状况和交通信号灯状况；
将所述目标事故车辆的损伤部位和行驶方向，以及所述目标交通事故的事故现场的路面状况和交通信号灯状况确定为特征数据。
10.根据权利要求6所述的装置，所述责任认定结果为有责任或无责任，所述机器学习模型为二分类模型；
或者，所述责任认定结果为以下责任认定结果中的一种：全责、主责、次责、同责和无责，所述机器学习模型为多分类模型。
11.一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器通过运行所述可执行指令以实现如权利要求1至5中任一项所述的方法。
12.一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如权利要求1至5中任一项所述方法的步骤。
CN201911227447.1A 2019-12-04 2019-12-04 交通事故处理方法和装置、电子设备 Pending CN111046212A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911227447.1A CN111046212A (zh) 2019-12-04 2019-12-04 交通事故处理方法和装置、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911227447.1A CN111046212A (zh) 2019-12-04 2019-12-04 交通事故处理方法和装置、电子设备

Publications (1)

Publication Number Publication Date
CN111046212A true CN111046212A (zh) 2020-04-21

Family

ID=70234614

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911227447.1A Pending CN111046212A (zh) 2019-12-04 2019-12-04 交通事故处理方法和装置、电子设备

Country Status (1)

Country Link
CN (1) CN111046212A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111814625A (zh) * 2020-06-29 2020-10-23 广东荣文科技集团有限公司 智能交通事故处理方法及相关装置
CN112241974A (zh) * 2020-05-29 2021-01-19 北京新能源汽车技术创新中心有限公司 交通事故检测方法及处理方法、***、存储介质
CN112749661A (zh) * 2021-01-14 2021-05-04 金陵科技学院 一种基于区块链和IVggNet的交通事故判责模型
WO2021139347A1 (zh) * 2020-05-21 2021-07-15 平安科技（深圳）有限公司 智能交通人工智能开放平台、方法、介质及电子设备
CN113538193A (zh) * 2021-06-30 2021-10-22 东莞市绿灯网络科技有限公司 基于人工智能和计算机视觉的交通事故处理方法和***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018186625A1 (ko) * 2017-04-06 2018-10-11 삼성전자주식회사 전자 장치, 그의 경고 메시지 제공 방법 및 비일시적 컴퓨터 판독가능 기록매체
CN109919140A (zh) * 2019-04-02 2019-06-21 浙江科技学院 车辆碰撞事故责任自动判定方法、***、设备及存储介质
CN109961056A (zh) * 2019-04-02 2019-07-02 浙江科技学院 基于决策树算法的交通事故责任认定方法、***及设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018186625A1 (ko) * 2017-04-06 2018-10-11 삼성전자주식회사 전자 장치, 그의 경고 메시지 제공 방법 및 비일시적 컴퓨터 판독가능 기록매체
CN109919140A (zh) * 2019-04-02 2019-06-21 浙江科技学院 车辆碰撞事故责任自动判定方法、***、设备及存储介质
CN109961056A (zh) * 2019-04-02 2019-07-02 浙江科技学院 基于决策树算法的交通事故责任认定方法、***及设备

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021139347A1 (zh) * 2020-05-21 2021-07-15 平安科技（深圳）有限公司 智能交通人工智能开放平台、方法、介质及电子设备
CN112241974A (zh) * 2020-05-29 2021-01-19 北京新能源汽车技术创新中心有限公司 交通事故检测方法及处理方法、***、存储介质
CN112241974B (zh) * 2020-05-29 2024-05-10 北京国家新能源汽车技术创新中心有限公司 交通事故检测方法及处理方法、***、存储介质
CN111814625A (zh) * 2020-06-29 2020-10-23 广东荣文科技集团有限公司 智能交通事故处理方法及相关装置
CN111814625B (zh) * 2020-06-29 2024-04-19 广东荣文科技集团有限公司 智能交通事故处理方法及相关装置
CN112749661A (zh) * 2021-01-14 2021-05-04 金陵科技学院 一种基于区块链和IVggNet的交通事故判责模型
CN113538193A (zh) * 2021-06-30 2021-10-22 东莞市绿灯网络科技有限公司 基于人工智能和计算机视觉的交通事故处理方法和***

Similar Documents

Publication Publication Date Title
CN111046212A (zh) 交通事故处理方法和装置、电子设备
JP6873237B2 (ja) 画像ベースの車両損害評価方法、装置、およびシステム、ならびに電子デバイス
US10789786B2 (en) Picture-based vehicle loss assessment
JP6859505B2 (ja) 画像に基づく車両損傷判定方法、装置および電子デバイス
EP3719703A1 (en) Vehicle damage identification processing method, processing device, client and server
WO2018191421A1 (en) Image-based vehicle damage determining method, apparatus, and electronic device
CN110348392B (zh) 车辆匹配方法及设备
CN109756760A (zh) 视频标签的生成方法、装置及服务器
CN112633255B (zh) 目标检测方法、装置及设备
CN112329702A (zh) 一种快速人脸密度预测和人脸检测方法、装置、电子设备及存储介质
CN109102026B (zh) 一种车辆图像检测方法、装置及***
CN114663871A (zh) 图像识别方法、训练方法、装置、***及存储介质
CN111929688B (zh) 一种用于确定雷达回波预测帧序列的方法与设备
US9805272B1 (en) Storage system of original frame of monitor data and storage method thereof
CN111161533B (zh) 交通事故处理方法和装置、电子设备
CN110223320B (zh) 物体检测跟踪方法和检测跟踪装置
Pang et al. Real-time detection of road manhole covers with a deep learning model
CN116580390A (zh) 价签内容获取方法、装置、存储介质和计算机设备
US20110161443A1 (en) Data management systems and methods for mobile devices
EP4332910A1 (en) Behavior detection method, electronic device, and computer readable storage medium
US11720969B2 (en) Detecting vehicle identity and damage status using single video analysis
CN113342978A (zh) 一种城市事件处理方法及装置
Singh et al. Evaluating the Performance of Ensembled YOLOv8 Variants in Smart Parking Applications for Vehicle Detection and License Plate Recognition under Varying Lighting Conditions
CN111047861A (zh) 交通事故处理方法和装置、电子设备
US20240233327A1 (en) Method and system for training a machine learning model with a subclass of one or more predefined classes of visual objects

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20211229

Address after: Room 610, floor 6, No. 618, Wai Road, Huangpu District, Shanghai 200010

Applicant after: Ant Shengxin (Shanghai) Information Technology Co.,Ltd.

Address before: 310000 801-11 section B, 8th floor, 556 Xixi Road, Xihu District, Hangzhou City, Zhejiang Province

Applicant before: Alipay (Hangzhou) Information Technology Co.,Ltd.