CN107909113A - 交通事故图像处理方法、装置及存储介质 - Google Patents
交通事故图像处理方法、装置及存储介质 Download PDFInfo
- Publication number
- CN107909113A CN107909113A CN201711229455.0A CN201711229455A CN107909113A CN 107909113 A CN107909113 A CN 107909113A CN 201711229455 A CN201711229455 A CN 201711229455A CN 107909113 A CN107909113 A CN 107909113A
- Authority
- CN
- China
- Prior art keywords
- accident
- traffic
- image
- user
- convolutional layer
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开是关于一种交通事故图像处理方法、装置及存储介质,应用于终端,包括:获取待分类的交通事故图像;将该交通事故图像输入图像分类网络模型中进行分类;根据分类结果确定交通事故责任划分;其中,该图像分类网络模型包括卷积层,且该卷积层中至少一个卷积层为可变形卷积层。
Description
技术领域
本公开涉及交通领域,尤其涉及交通事故图像处理方法、装置及存储介质。
背景技术
相关技术中,在车辆行驶道路上,若发生交通事故,一般处理方式是等待交警或保险公司的专业人士进行评判,划分交通事故责任,但是,有些交通事故是可以由双方当事人进行协商解决的。如果任何交通事故都等待交警或保险公司相关人士来处理的话,可能会导致道路堵车,影响其他车辆正常行驶。
发明内容
为克服相关技术中存在的问题,本公开提供一种交通事故图像处理方法、装置及存储介质。
根据本公开实施例的第一方面,提供一种交通事故图像处理方法,应用于终端,包括获取待分类的交通事故图像;将所述交通事故图像输入图像分类网络模型中进行分类;其中,所述图像分类网络模型包括卷积层,且所述卷积层中至少一个卷积层为可变形卷积层;根据分类结果确定交通事故责任划分。
可选地,所述图像分类网络模型包括五段卷积复合层以及三个全连接层,每段所述卷积复合层中包括所述卷积层和激活层,所述五段卷积复合层包括的卷积层中至少一个卷积层为所述可变形卷积层。
可选地,所述五段卷积复合层中最上层的三段卷积复合层包括的卷积层为所述可变形卷积层。
可选地,所述五段卷积复合层包括两段二层卷积复合层以及三段三层卷积复合层,所述两段二层卷积复合层位于所述三段三层卷积复合层的上层,所述二层卷积复合层包括两个处理层,所述三层卷积复合层包括三个处理层,其中,每个所述处理层包括一个所述卷积层和一个所述激活层,所述卷积层位于所述激活层的上层。
可选地,所述获取待分类的交通事故图像包括:生成提示信息,所述提示信息用于提示用户进行图像获取操作;根据所述提示信息获取所述交通事故图像。
可选地,所述图像获取操作包括所述用户按照预设移动方向移动;所述根据所述提示信息获取所述交通事故图像包括:根据所述用户的移动按照预设角度获取所述交通事故图像。
可选地,所述根据所述用户的移动按照预设角度获取所述交通事故图像包括:获取所述用户的移动角度;在所述移动角度达到所述预设角度时,提示所述用户获取所述交通事故图像。
可选地,所述根据所述用户的移动按照预设角度获取所述交通事故图像包括:在所述用户移动时,若事故责任方的图像旋转角度达到所述预设角度,提示所述用户获取所述交通事故图像。
可选地,所述图像获取操作还包括在拍摄所述交通事故图像时,将所述事故责任方调整至拍摄界面的预定区域;所述根据所述提示信息获取所述交通事故图像包括:在确定所述事故责任方位于所述拍摄界面的预定区域时,提示所述用户获取所述交通事故图像。
可选地,所述预定区域包括在所述拍摄界面上生成的两个取景框;所述在确定所述事故责任方位于所述拍摄界面的预定区域时,提示所述用户获取所述交通事故图像包括:将所述事故责任方中的一方调整至所述取景框中的一个取景框,并将所述事故责任方中的另一方调整至所述取景框中的另一个取景框;在确定所述事故责任方的双方分别位于两个所述取景框中时,获取所述交通事故图像。
可选地,在所述将所述交通事故图像输入图像分类网络模型中进行分类前,所述方法还包括:获取交通事故样本图像;根据所述交通事故样本图像和所述交通事故样本图像对应的预设分类结果对预设图像分类网络进行训练得到所述图像分类网络模型,所述预设分类结果为根据所述交通事故样本图像执行的实际判罚结果得到的。
根据本公开实施例的第二方面,提供一种交通事故图像处理方法,应用于终端,包括:在拍摄交通事故图像时,生成提示信息,所述提示信息用于提示用户将事故责任方调整至拍摄界面的预定区域;在确定所述事故责任方位于所述拍摄界面的预定区域时,获取所述交通事故图像。
可选地,所述预定区域包括在所述拍摄界面上生成的两个取景框;所述在确定所述事故责任方位于所述拍摄界面的预定区域内时,获取所述交通事故图像包括:将所述事故责任方中的一方调整至所述取景框中的一个取景框,并将所述事故责任方中的另一方调整至所述取景框中的另一个取景框;在确定所述事故责任方的双方分别位于两个所述取景框中时,获取所述交通事故图像。
可选地,所述获取所述交通事故图像包括:提示所述用户按照预设方向移动;根据所述用户的移动按照预设角度获取所述交通事故图像。
可选地,所述根据所述用户的移动按照预设角度获取所述交通事故图像包括:获取所述用户的移动角度;在所述移动角度达到所述预设角度时,提示所述用户获取所述交通事故图像。
可选地,所述根据所述用户的移动按照预设角度获取所述交通事故图像包括:在所述用户移动时,若所述事故责任方的图像旋转角度达到所述预设角度,提示所述用户获取所述交通事故图像。
根据本公开实施例的第三方面,提供一种交通事故图像处理装置,包括第一获取模块,被配置为获取待分类的交通事故图像;分类模块,被配置为将所述交通事故图像输入图像分类网络模型中进行分类;其中,所述图像分类网络模型包括卷积层,且所述卷积层中至少一个卷积层为可变形卷积层;确定模块,被配置为根据分类结果确定交通事故责任划分。
可选地,所述图像分类网络模型包括五段卷积复合层以及三个全连接层,每段所述卷积复合层中包括所述卷积层和激活层,所述五段卷积复合层包括的卷积层中至少一个卷积层为所述可变形卷积层。
可选地,所述五段卷积复合层中最上层的三段卷积复合层包括的卷积层为所述可变形卷积层。
可选地,所述五段卷积复合层包括两段二层卷积复合层以及三段三层卷积复合层,所述两段二层卷积复合层位于所述三段三层卷积复合层的上层,所述二层卷积复合层包括两个处理层,所述三层卷积复合层包括三个处理层,其中,每个所述处理层包括一个所述卷积层和一个所述激活层,所述卷积层位于所述激活层的上层。
可选地,所述第一获取模块,被配置为生成提示信息,所述提示信息用于提示用户进行图像获取操作;根据所述提示信息获取所述交通事故图像。
可选地,所述图像获取操作包括所述用户按照预设移动方向移动;所述第一获取模块,被配置为根据所述用户的移动按照预设角度获取所述交通事故图像。
可选地,所述第一获取模块,被配置为获取所述用户的移动角度;在所述移动角度达到所述预设角度时,提示所述用户获取所述交通事故图像。
可选地,所述第一获取模块,被配置为在所述用户移动时,若事故责任方的图像旋转角度达到所述预设角度,提示所述用户获取所述交通事故图像。
可选地,所述图像获取操作还包括在拍摄所述交通事故图像时,将所述事故责任方调整至拍摄界面的预定区域;所述第一获取模块,被配置为在确定所述事故责任方位于所述拍摄界面的预定区域时,提示所述用户获取所述交通事故图像。
可选地,所述预定区域包括在所述拍摄界面上生成的两个取景框;所述第一获取模块,被配置为将所述事故责任方中的一方调整至所述取景框中的一个取景框,并将所述事故责任方中的另一方调整至所述取景框中的另一个取景框;在确定所述事故责任方的双方分别位于两个所述取景框中时,获取所述交通事故图像。
可选地,所述装置还包括:第二获取模块,被配置为获取交通事故样本图像;训练模块,被配置为根据所述交通事故样本图像和所述交通事故样本图像对应的预设分类结果对预设图像分类网络进行训练得到所述图像分类网络模型,所述预设分类结果为根据所述交通事故样本图像执行的实际判罚结果得到的。
根据本公开实施例的第四方面,提供一种交通事故图像处理装置,包括:提示模块,被配置为在拍摄交通事故图像时,生成提示信息,所述提示信息用于提示用户将事故责任方调整至拍摄界面的预定区域;图像获取模块,被配置为在确定所述事故责任方位于所述拍摄界面的预定区域时,获取所述交通事故图像。
可选地,所述预定区域包括在所述拍摄界面上生成的两个取景框;所述图像获取模块,被配置为将所述事故责任方中的一方调整至所述取景框中的一个取景框,并将所述事故责任方中的另一方调整至所述取景框中的另一个取景框;在确定所述事故责任方的双方分别位于两个所述取景框中时,获取所述交通事故图像。
可选地,所述图像获取模块,被配置为提示所述用户按照预设方向移动,并根据所述用户的移动按照预设角度获取所述交通事故图像。
可选地,所述图像获取模块,被配置为获取所述用户的移动角度,并在所述移动角度达到所述预设角度时,提示所述用户获取所述交通事故图像。
可选地,所述图像获取模块,被配置为在所述用户移动时,若所述事故责任方的图像旋转角度达到所述预设角度,提示所述用户获取所述交通事故图像。
根据本公开实施例的第五方面,提供一种交通事故图像处理装置,包括:处理器;用于存储所述处理器可执行指令的存储器;其中,所述处理器被配置为:获取待分类的交通事故图像;将所述交通事故图像输入图像分类网络模型中进行分类;其中,所述图像分类网络模型包括卷积层,且所述卷积层中至少一个卷积层为可变形卷积层;根据分类结果确定交通事故责任划分。
根据本公开实施例的第六方面,提供一种计算机可读存储介质,其上存储有计算机程序指令,所述程序指令被处理器执行时实现本公开第一方面所提供的交通事故图像处理方法的步骤。
根据本公开实施例的第七方面,提供一种交通事故图像处理装置,包括:处理器;用于存储所述处理器可执行指令的存储器;其中,所述处理器被配置为:在拍摄交通事故图像时,生成提示信息,所述提示信息用于提示用户将事故责任方调整至拍摄界面的预定区域,并在确定所述事故责任方位于所述拍摄界面的预定区域时,获取交通事故图像。
根据本公开实施例的第八方面,提供一种计算机可读存储介质,其上存储有计算机程序指令,所述程序指令被处理器执行时实现本公开第二方面所提供的交通事故图像处理方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果:将交通事故图像输入图像分类网络模型中进行分类,该图像分类网络模型的卷积层中的至少一个卷积层为可变形卷积层,即该可变形卷积层的卷积算法为可变形卷积,由于可变形卷积的卷积核的大小和位置可以根据当前需要识别的车辆的位置信息进行动态调整,从而能够提取不同角度、不同前后车的位置信息,以保证交通事故责任划分的准确率,为交通事故责任划分提供便利。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据相关技术中标准的VGG16网络的结构图;
图2是根据一示例性实施例示出的一种交通事故图像处理方法的流程图;
图3是根据一示例性实施例示出的一种交通事故图像处理方法的流程图;
图4示出了一种终端的拍摄界面上预定区域的示意图;
图5是根据一示例性实施例示出的一种交通事故图像处理装置框图;
图6是根据一示例性实施例示出的另一种交通事故图像处理装置框图;
图7是根据一示例性实施例示出的一种交通事故图像处理装置框图;
图8是根据一示例性实施例示出的一种交通事故图像处理装置的硬件结构示意图。
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公开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、本公开的一些方面相一致的装置和方法的例子。
在对本公开的内容进行说明前,首先对本公开所涉及的VGG(Visual GeometryGroup,中文视觉几何组)网络进行说明。VGG网络是卷积神经网络(Convolution NeuralNetworks,简称:CNN)中的一种常用的经典网络模型。根据VGG网络的层次深度的不同,VGG网络可分为VGG11网络、VGG13网络,VGG16网络和VGG19网络,本公开所涉及的VGG网络可以为VGG16网络。
相关技术中,标准的VGG16网络的结构如图1所示,VGG16网络包括5段卷积复合层、每段卷积复合层下层的一个池化层以及三个全连接层,该5段卷积复合层包括两段二层卷积复合层和三段三层卷积复合层,两段二层卷积复合层位于三段三层卷积复合层的下层,三个全连接层位于5段卷积复合层的下层。
每段二层卷积复合层包括两个处理层,每段三层卷积复合层包括三个处理层,每个处理层包括一个卷积层(Convolution Layer)和一个激活层(Activation Layer),卷积层位于激活层的上层。每段卷积复合层中卷积层的卷积核(也称为卷积滤波器)的数量是一样的,越靠后段的卷积滤波器数量越多。例如卷积层1-1中,它包括64个卷积核,卷积核的大小是3*3,通常表示为64*3*3。每段复合卷积的激活层采用的是ReLU函数(RectifiedLinear Units,线性修正函数)作为激活函数,主要是因为该函数能够加快网络的收敛速度和去除冗余等特性。
池化层的输入来源为上一个卷积复合层的输出,主要作用是提供了很强的鲁棒性,并且减少了参数的数量,降低计算复杂度,防止过拟合现象的发生。
全连接层是用于计算每个类别的概率输出,以全连接层1为例,该层的神经元个数为4096个,用于对池化层5输出的256个大小为3*3特征图像进行一个全连接处理以将上述256个特征图像进行卷积变为一个特征点,然后对于4096个神经元中的每一个神经元,都是由256个特征图中某些个特征图卷积之后得到的特征点乘以相应的权重之后,再加上一个偏置得到的。而全连接层3的神经元个数设置为1000(个数可以根据需要设置),用于训练目标图像的1000个类别,因此最终的输出结果为一个1000维的概率向量,表明了对图像识别的结果。
其次,对本公开涉及的可变形卷积进行说明,在对可变形卷积进行说明之前,先简单介绍下标准卷积,上述VGG网络中卷积层的卷积运算即为标准卷积。标准卷积运算可概括为输入图像中待卷积区域内的每个像素值分别与卷积核中相对应的每个采样点的权重做卷积运算,并将该卷积运算的结果作为待卷积区域的中心位置的输出。例如,若设标准卷积的卷积核的大小是3*3,将标准卷积的卷积核中各采样点pn的位置关系设为R,R可表示为:
R={(-1,-1),(0,-1),(1,-1),(-1,0),(0,0),(1,0),(-1,1),(0,1),(1,1)}
根据相关技术中标准卷积的定义,则输出的特征图(feature map)y上的每个点p0的特征值y(p0)可表示为:
其中,w(pn)表示卷积核中每个采样点pn的权重,x(p0+pn)表示卷积核移动后,在输入图像上待卷积区域中p0+pn坐标位置处的像素值。
在标准卷积运算中,该3*3的卷积核大小不变,且卷积核中各采样点pn的位置固定不变,导致卷积核不能根据图像的内容自适应调整,使卷积核的感受野受限,从而限制了识别精度。
可变形卷积就是在标准卷积的基础上,增加了每个采样点pn对应的偏移量(offset)则可变形卷积运算,输出的特征图(feature map)y上的每个点p0的特征值y(p0)可表示为:
通过这些变量使可变形卷的卷积核大小和位置根据当前需要识别的图像内容进行动态调整,而不再局限于事先设定的规则格点,使卷积核的感受野受限,从而适应不同物体的形状、大小等几何形变。它适用于所有待识别目标具有一定几何形变的任务(如车辆、人脸、行人、文字、动物等),可以直接由已有网络结构(如VGG16网络)扩充而来,无需重新预训练。它仅增加了很少的模型复杂度和计算量,且显著提高了识别精度。
为了解决交通事故责任划分需依赖交警等专业人士,不仅影响交通秩序,且处理过程繁琐的问题,本公开提供一种交通事故图像处理方法、装置及存储介质,将交通事故图像输入图像分类网络模型中进行分类,该图像分类网络模型的卷积层中的至少一个卷积层为可变形卷积层,即该可变形卷积层的卷积算法为可变形卷积,由于可变形卷积的卷积核的大小和位置可以根据当前需要识别的车辆的位置信息进行动态调整,从而能够提取不同角度、不同前后车的位置信息,以保证交通事故责任划分的准确率,为交通事故责任划分提供便利。
下面通过具体实施例对本公开的内容进行说明。
图2是根据一示例性实施例示出的一种交通事故图像处理方法的流程图,如图2所示,该方法用于终端中,该终端可包括手机、主机、平板电脑等,该方法可用应用于交通事故责任划分,该方法包括以下步骤。
在步骤201中,获取待分类的交通事故图像。
可通过终端(如手机、摄像机)获取交通事故图像,为避免影响交通事故责任划分的结果,在获取交通事故图像时应当保证该交通事故图像的清晰度,且能够反应出交通事故现场的关键信息,如,车辆碰撞的位置、车辆的位置关系等。
在本步骤中,为了提高交通事故责任划分的准确率,可以通过以下方式获取交通事故图像,以交通事故现场中设定区域的中心位置为中心,用户沿着该设定区域的周边进行移动,依次获取每个预设角度内的交通事故图像。如,若该预设角度为30°,则用户绕着交通事故现场一周则可获取到12张交通事故图像。但是,考虑到在实际获取交通事故图像时,用户可能无法准确的按照预设角度进行移动,因此,在本公开另一实施例中,可以生成提示信息,该提示信息用于提示用户进行图像获取操作,并根据该提示信息获取该交通事故图像,这样,用户按照提示信息获取交通事故图像,以保证该交通事故图像能够完整地反应出交通事故现场的关键信息,从而提高后续对交通事故责任划分的准确率。
其中,该图像获取操作可以包括用户按照预设移动方向移动,并根据用户的移动按照预设角度获取该交通事故图像。
在本实施例中,根据该提示信息获取该交通事故图像可以通过以下两种实现方式实现:
方式一,可以获取用户的移动角度,在该移动角度达到预设角度时,提示用户获取该交通事故图像。
在一种可能的实现方式中,用户在拍摄第一张交通事故图像后,根据提示信息进行移动,终端以用户拍摄该第一张交通事故图像的位置为基准,实时获取用户的移动角度,当用户的移动角度达到预设角度时,提示用户拍摄第二张交通事故图像,用户按照提示信息继续移动,终端则继续以用户拍摄该第二张交通事故图像的位置为基准,实时获取用户的移动角度,当用户的移动角度达到预设角度时,提示用户拍摄第三张交通事故图像,以此类推,直至获取的交通事故图像的数量达到预设数量;或者,用户的全部移动角度之和满足特定角度(如360°),则得到全部的交通事故图像。
方式二,在该用户移动时,若事故责任方的图像旋转角度达到该预设角度,提示该用户获取该交通事故图像。
在一种可能的实现方式中,用户在拍摄第一张交通事故图像后,终端通过图像识别获取第一张交通事故图像中事故责任方的图像,用户根据提示信息进行移动,并在移动过程中确保事故责任方的图像位于拍摄界面内,终端以该第一张交通事故图像中事故责任方的图像为基准,在用户围绕交通事故现场移动的过程中,若检测到拍摄界面中的事故责任方的图像相比于第一张交通事故图像中事故责任方的图像的图像旋转角度达到预设角度时,则提示用户获取第二张交通事故图像,并继续以该第二张交通事故图像中事故责任方的图像为基准,在用户围绕交通事故现场移动的过程中,若检测到拍摄界面中的事故责任方的图像相比于第二张交通事故图像中事故责任方的图像的图像旋转角度达到预设角度时,则提示用户获取第三张交通事故图像,以此类推,直至获取的交通事故图像的数量达到预设数量;或者,全部图像旋转角度之和满足特定角度(如360°),则得到全部的交通事故图像。
需要说明的是,用户在拍摄交通事故图像时,由于拍摄的角度或者手抖等因素的影响,可能会造成用户拍摄的交通事故图像中事故责任方的位置偏离图像的中心,从而导致该交通事故图像遗漏交通事故现场的关键信息,影响交通事故责任划分的准确率,为了解决该问题,在本公开另一实施例中,该图像获取操作还可以包括:在拍摄该交通事故图像时,将该事故责任方调整至拍摄界面的预定区域。这样,在确定该事故责任方位于该拍摄界面的预定区域时,提示该用户获取该交通事故图像,从而确保能够获取到完整的交通事故现场关键信息的图像,提高交通事故责任划分的准确率。
在一种可能的实现方式中,该预定区域可包括在该拍摄界面上生成的两个取景框;在用户获取该交通事故图像时,将该事故责任方中的一方调整至该取景框中的一个取景框,并将该事故责任方中的另一方调整至该取景框中的另一个取景框;在确定该事故责任方的双方分别位于两个该取景框中时,获取该交通事故图像。这样,通过将事故责任方放置在拍摄界面的取景框内,以保证能够完整地获取交通事故现场的关键信息,提高事故责任划分的准确率。
示例地,该取景框可位于拍摄界面的左、右两边,在用户获取交通事故图像时,若检测到两个责任方分别位于左、右两边的取景框时,则提示用户拍摄图像,从而获取交通事故图像。
在步骤202中,将该交通事故图像输入图像分类网络模型中进行分类。
其中,该图像分类网络模型包括卷积层,且该卷积层中至少一个卷积层为可变形卷积层。
示例地,该图像分类网络模型可以为VGG16网络,参照图1,该VGG16网络包括五段卷积复合层以及三个全连接层,该五段卷积复合层包括两段二层卷积复合层以及三段三层卷积复合层,该两段二层卷积复合层位于该三段三层卷积复合层的上层,该二层卷积复合层包括两个处理层,该三层卷积复合层包括三个处理层,其中,每个该处理层包括一个该卷积层和一个该激活层,该卷积层位于所述激活层的上层。该五段卷积复合层包括的卷积层中至少一个卷积层为该可变形卷积层。
需要说明的是,VGG16网络的前三段卷积复合层的卷积层可用于提取交通事故图像中目标图像的点、线、面等基础特征,后两段卷积复合层是在该基础特征的基础上进行卷积运算,得到目标图像的碎片(如车辆图像中车辆的车头、轮胎等),而充分地、准确地获取交通事故图像的基础特征,对提高交通事故责任划分的准确率具有重要的作用,因此,在一种可能的实现方式中,该五段卷积复合层中最上层的三段卷积复合层包括的卷积层为该可变形卷积层。
在该步骤中,将交通事故图像输入图像分类网络模型中进行分类,分类的结果可以是责任划分比,该责任划分比表示交通事故双方承担的责任比例,示例地,该责任划分比可设置为a%:b%的形式,即表示双方责任人需要承担的责任分别为a%和b%。例如,该责任划分比可以包括0%:100%,10%:90%,20%:80%,30%:70%,40%:60%,50%:50%,60%:40%,70%:30%,80%:20%,90%:10%,0%:100%等11个责任划分比中的任一个。
需要说明的是,在执行本步骤之前,该图像分类网络模型可以通过以下方式得到:获取交通事故样本图像;根据该交通事故样本图像和该交通事故样本图像对应的预设分类结果对预设图像分类网络进行训练得到该图像分类网络模型。
其中,该交通事故样本图像的获取方式可参照步骤201中交通事故图像的获取方式,由于图像分类网络模型是由预设图像分类网络进行训练得到,所以该预设图像分类网络的网络结构可参照图像分类网络模型中的网络结构的说明。上述步骤201中获取交通事故图像的方式应与交通事故样本图像的获取方式一致,从而得到准确的分类结果。
该预设分类结果可以是根据交警或保险公司专业人士根据交通事故样本图像执行的实际判罚结果得到的,根据该交通事故样本图像及其对应的实际判罚结果对预设图像分类网络进行训练,得到图像分类网络模型,有利于优化图像分类网络模型的参数设置,增强图像分类网络模型的自适应性,提高后续对交通事故责任划分的准确率。
此外,该分类结果可通过分类标签的形式标记,可将交警或保险公司专业人员对交通事故图样本图像的实际判罚结果作为分类标签,该分类标签可设置为责任划分比的形式,一个分类标签对应一个责任划分比,每一个责任划分比表示各方责任人需要承担的相应责任。
在步骤203中,根据分类结果确定交通事故责任划分。
在本步骤中,在该分类结果为上述责任划分比时,可以通过该责任划分比确认交通事故双方各自需要承担的责任划分。
在一种可能的实现方式中,可以根据步骤201获取的第一张交通事故图像中,事故双方在该交通事故图像中的位置确定,示例地,在步骤201中,在拍摄交通事故图像时,可以在拍摄界面上生成左、右两个取景框,并将交通事故现场中的两个责任方分别放置在左、右两个取景框内,再进行图像拍摄,以锁定这两个责任方的左、右位置关系,则在本步骤中,可以根据该位置关系确定左、右两个责任方对应的责任划分。
示例地,可以确定位于左边取景框的责任方对应的责任比例为a%,位于右边取景框的责任方对应的责任比例为b%。
例如,若交通事故双方分别为A和B,通过步骤202得到的分类结果为10%:90%,若在获取第一张交通事故图像时,A的位置位于拍摄界面的左边取景框内,B的位置位于拍摄界面的右边取景框内,则在本步骤中,确定A对应的比例为10%,B对应的比例为90%,反之,若A的位置位于拍摄界面的右边取景框内,B的位置位于拍摄界面的左边取景框内,则在本步骤中,确定A对应的比例为90%,B对应的比例为10%,由上可以看出,在得到分类结果后,在第一张交通事故图像左边的责任方的责任比为10%,在第一张交通事故图像右边的责任方的责任比为90%,上述只是举例说明,不作限定。
需要说明的是,在同一个交通事故中,A和B的责任划分是确定的,但是,对于步骤201,用户拍摄的第一张交通事故图像中,A和B的位置可能并不确定,如用户可能将A调整至拍摄界面左边的取景框,B调整至拍摄界面右边的取景框,或者,用户还可能将B调整至拍摄界面左边的取景框,A调整至拍摄界面右边的取景框,在这种情况下,则通过步骤202得到的分类结果与A和B的位置相对应,例如,用户在获取第一张交通事故图像时,若用户将A调整至左边取景框内,将B调整至右边取景框,则输出的A和B分别承担的责任划分比表示为a%:b%,即A的责任比为a%,B的责任比为b%;若用户将B调整至左边取景框内,将A调整至右边取景框,则输出的A和B分别承担的责任划分比表示为b%:a%,即B的责任比为b%,A的责任比为a%;可以看出,虽然A和B的位置发生了变化,但相应输出的责任划分比也发生了变化,因此最终的结果是一致的。
通过上述方法,将交通事故图像输入图像分类网络模型中进行分类,该图像分类网络模型的卷积层中的至少一个卷积层为可变形卷积层,即该可变形卷积层的卷积算法为可变形卷积,由于可变形卷积的卷积核的大小和位置可以根据当前需要识别的车辆的位置信息进行动态调整,从而能够提取、学习不同角度、不同前后车的位置信息,以保证交通事故责任划分的准确率,为交通事故责任划分提供便利。
图3是根据一示例性实施例示出的一种交通事故图像处理方法的流程图,应用于终端,该终端可包括手机、主机、平板电脑等,该方法可应用于交通事故图像获取,该方法包括以下步骤:
在步骤301中,在拍摄交通事故图像时,生成提示信息,该提示信息用于提示用户将事故责任方调整至拍摄界面的预定区域。
其中,该预定区域包括在该拍摄界面上生成的两个取景框,如图4所示,图4示出了一种终端的拍摄界面上预定区域的示意图,如图所示,该拍摄界面1包括两个取景框,分别为取景框11和取景框12,且取景框11和取景框12分别位于拍摄界面的左、右两边,则在拍摄交通事故图像时,该取景框11和取景框12用于提示用户将事故责任的双方分别调整至该取景框11和取景框12。
在步骤302中,在确定该事故责任方位于该拍摄界面的预定区域时,获取该交通事故图像。
在本步骤中,若预定区域包括在该拍摄界面上生成的两个取景框,则在拍摄交通事故图像时,可以将该事故责任方中的一方调整至该取景框中的一个取景框,并将该事故责任方中的另一方调整至该取景框中的另一个取景框;在确定该事故责任方的双方分别位于两个该取景框中时,获取该交通事故图像,从而通过将事故责任方放置在拍摄界面的取景框内,保证后续能够完整地获取交通事故现场的关键信息,提高事故责任划分的准确率。
示例地,如图4所示,图中以车辆21与车辆22发生追尾造成的交通事故为例进行说明,在拍摄交通事故图像时,可以通过调整终端的位置,将车辆21调整至取景框11,将车辆22调整至取景框12,并在两辆车都分别调整至相应地取景框后,提示用户获取交通事故图像。
为了准确地获取交通事故图像,以使得该交通事故图像能够反映出交通事故现场的关键信息,在本公开另一实施例中,可以获取多张不同拍摄角度的交通事故图像,在一种可能的实现方式中,可以提示该用户按照预设方向移动,并根据该用户的移动按照预设角度获取该交通事故图像。
在本实施例中,根据该提示信息获取该交通事故图像可以包括以下两种实现方式:
方式一,可以获取用户的移动角度,在该移动角度达到预设角度时,提示用户获取该交通事故图像。
在一种可能的实现方式中,用户在拍摄第一张交通事故图像后,根据提示信息进行移动,终端以用户拍摄该第一张交通事故图像的位置为基准,实时获取用户的移动角度,当用户的移动角度达到预设角度时,提示用户拍摄第二张交通事故图像,用户按照提示信息继续移动,终端则继续以用户拍摄该第二张交通事故图像的位置为基准,实时获取用户的移动角度,当用户的移动角度达到预设角度时,提示用户拍摄第三张交通事故图像,以此类推,直至获取的交通事故图像的数量达到预设数量;或者,用户的全部移动角度之和满足特定角度(如360°),则得到全部的交通事故图像。
方式二,在该用户移动时,若事故责任方的图像旋转角度达到该预设角度,提示该用户获取该交通事故图像。
在一种可能的实现方式中,用户在拍摄第一张交通事故图像后,终端通过图像识别获取第一张交通事故图像中事故责任方的图像,用户根据提示信息进行移动,并在移动过程中确保事故责任方的图像位于拍摄界面内,终端以该第一张交通事故图像中事故责任方的图像为基准,在用户围绕交通事故现场移动的过程中,若检测到拍摄界面中的事故责任方的图像相比于第一张交通事故图像中事故责任方的图像的图像旋转角度达到预设角度时,则提示用户获取第二张交通事故图像,并继续以该第二张交通事故图像中事故责任方的图像为基准,在用户围绕交通事故现场移动的过程中,若检测到拍摄界面中的事故责任方的图像相比于第二张交通事故图像中事故责任方的图像的图像旋转角度达到预设角度时,则提示用户获取第三张交通事故图像,以此类推,直至获取的交通事故图像的数量达到预设数量;或者,全部图像旋转角度之和满足特定角度(如360°),则得到全部的交通事故图像。
通过上述方法,能够快速地、准确地获取交通事故图像,且能够使得该交通事故图像能够反映出交通事故现场的关键信息。
图5是根据一示例性实施例示出的一种交通事故图像处理装置框图。参照图5,该装置包括第一获取模块511,分类模块512和确定模块513。
该第一获取模块511,被配置为获取待分类的交通事故图像;
该分类模块512,被配置为将该交通事故图像输入图像分类网络模型中进行分类;其中,该图像分类网络模型包括卷积层,且该卷积层中至少一个卷积层为可变形卷积层;
该确定模块513,被配置为根据分类结果确定交通事故责任划分。
可选地,该图像分类网络模型包括五段卷积复合层以及三个全连接层,该每段卷积复合层中包括该卷积层和激活层,该五段卷积复合层包括的卷积层中至少一个卷积层为该可变形卷积层。
可选地,该五段卷积复合层中最上层的三段卷积复合层包括的卷积层为该可变形卷积层。
可选地,该五段卷积复合层包括两段二层卷积复合层以及三段三层卷积复合层,该两段二层卷积复合层位于该三段三层卷积复合层的上层,该二层卷积复合层包括两个处理层,该三层卷积复合层包括三个处理层,其中,每个该处理层包括一个该卷积层和一个该激活层,该卷积层位于该激活层的上层。
可选地,该第一获取模块511,被配置为生成提示信息,该提示信息用于提示用户进行图像获取操作;根据该提示信息获取该交通事故图像。
可选地,该图像获取操作包括该用户按照预设移动方向移动;该第一获取模块511,被配置为根据该用户的移动按照预设角度获取该交通事故图像。
可选地,该第一获取模块511,被配置为获取该用户的移动角度;在该移动角度达到该预设角度时,提示该用户获取该交通事故图像。
可选地,该第一获取模块511,被配置为在该用户移动时,若事故责任方的图像旋转角度达到该预设角度,提示该用户获取该交通事故图像。
可选地,该图像获取操作还包括在拍摄该交通事故图像时,将该事故责任方调整至拍摄界面的预定区域;该第一获取模块511,被配置为在确定该事故责任方位于该拍摄界面的预定区域时,提示该用户获取该交通事故图像。
可选地,该预定区域包括在该拍摄界面上生成的两个取景框;该第一获取模块511,被配置为将该事故责任方中的一方调整至该取景框中的一个取景框,并将该事故责任方中的另一方调整至该取景框中的另一个取景框;在确定该事故责任方的双方分别位于两个该取景框中时,获取该交通事故图像。
可选地,参照图6,该装置还包括:
第二获取模块514,被配置为获取交通事故样本图像;
训练模块515,被配置为根据该交通事故样本图像和该交通事故样本图像对应的预设分类结果对预设图像分类网络进行训练得到该图像分类网络模型,该预设分类结果为根据该交通事故样本图像执行的实际判罚结果得到的。
通过上述装置,将交通事故图像输入分类模块中的图像分类网络模型中进行分类,该图像分类网络模型的卷积层中的至少一个卷积层为可变形卷积层,即该可变形卷积层的卷积算法为可变形卷积,由于可变形卷积的卷积核的大小和位置可以根据当前需要识别的车辆的位置信息进行动态调整,从而能够提取不同角度、不同前后车的位置信息,以保证交通事故责任划分的准确率,为交通事故责任划分提供便利。
图7是根据一示例性实施例示出一种交通事故图像处理装置框图,该装置700包括:
提示模块711,被配置为在拍摄交通事故图像时,生成提示信息,该提示信息用于提示用户将事故责任方调整至拍摄界面的预定区域;
图像获取模块712,被配置为在确定该事故责任方位于该拍摄界面的预定区域时,获取该交通事故图像。
可选地,该预定区域包括在该拍摄界面上生成的两个取景框;该图像获取模块712,被配置为将该事故责任方中的一方调整至该取景框中的一个取景框,并将该事故责任方中的另一方调整至该取景框中的另一个取景框;在确定该事故责任方的双方分别位于两个该取景框中时,获取该交通事故图像。
可选地,该图像获取模块712,被配置为提示该用户按照预设方向移动;获取模块,被配置为根据该用户的移动按照预设角度获取该交通事故图像。
可选地,该图像获取模块712,被配置为获取该用户的移动角度,并在该移动角度达到该预设角度时,提示该用户获取该交通事故图像。
可选地,该图像获取模块712,被配置为在该用户移动时,若该事故责任方的图像旋转角度达到该预设角度,提示该用户获取该交通事故图像。
通过上述装置,能够快速地、准确地获取交通事故图像,且能够使得该交通事故图像能够反映出交通事故现场的关键信息。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图8是根据一示例性实施例示出的一种用于交通事故图像处理的装置800的框图。例如,装置800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图8,装置800可以包括以下一个或多个组件:处理组件802,存储器804,电力组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制装置800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电力组件806为装置800的各种组件提供电力。电力组件806可以包括电源管理系统,一个或多个电源,及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当装置800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为装置800提供各个方面的状态评估。例如,传感器组件814可以检测到装置800的打开/关闭状态,组件的相对定位,例如所述组件为装置800的显示器和小键盘,传感器组件814还可以检测装置800或装置800一个组件的位置改变,用户与装置800接触的存在或不存在,装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述交通事故图像处理方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器804,上述指令可由装置800的处理器820执行以完成上述交通事故图像处理方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践本公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (36)
1.一种交通事故图像处理方法,其特征在于,应用于终端,包括:
获取待分类的交通事故图像;
将所述交通事故图像输入图像分类网络模型中进行分类;其中,所述图像分类网络模型包括卷积层,且所述卷积层中至少一个卷积层为可变形卷积层;
根据分类结果确定交通事故责任划分。
2.根据权利要求1所述的方法,其特征在于,所述图像分类网络模型包括五段卷积复合层以及三个全连接层,每段所述卷积复合层中包括所述卷积层和激活层,所述五段卷积复合层包括的卷积层中至少一个卷积层为所述可变形卷积层。
3.根据权利要求2所述的方法,其特征在于,所述五段卷积复合层中最上层的三段卷积复合层包括的卷积层为所述可变形卷积层。
4.根据权利要求2或3所述的方法,其特征在于,所述五段卷积复合层包括两段二层卷积复合层以及三段三层卷积复合层,所述两段二层卷积复合层位于所述三段三层卷积复合层的上层,所述二层卷积复合层包括两个处理层,所述三层卷积复合层包括三个处理层,
其中,每个所述处理层包括一个所述卷积层和一个所述激活层,所述卷积层位于所述激活层的上层。
5.根据权利要求1所述的方法,其特征在于,所述获取待分类的交通事故图像包括:
生成提示信息,所述提示信息用于提示用户进行图像获取操作;
根据所述提示信息获取所述交通事故图像。
6.根据权利要求5所述的方法,其特征在于,所述图像获取操作包括所述用户按照预设移动方向移动;所述根据所述提示信息获取所述交通事故图像包括:
根据所述用户的移动按照预设角度获取所述交通事故图像。
7.根据权利要求6所述的方法,其特征在于,所述根据所述用户的移动按照预设角度获取所述交通事故图像包括:
获取所述用户的移动角度;
在所述移动角度达到所述预设角度时,提示所述用户获取所述交通事故图像。
8.根据权利要求6所述的方法,其特征在于,所述根据所述用户的移动按照预设角度获取所述交通事故图像包括:
在所述用户移动时,若事故责任方的图像旋转角度达到所述预设角度,提示所述用户获取所述交通事故图像。
9.根据权利要求5至8任一项所述的方法,其特征在于,所述图像获取操作还包括在拍摄所述交通事故图像时,将所述事故责任方调整至拍摄界面的预定区域;所述根据所述提示信息获取所述交通事故图像包括:
在确定所述事故责任方位于所述拍摄界面的预定区域时,提示所述用户获取所述交通事故图像。
10.根据权利要求9所述的方法,其特征在于,所述预定区域包括在所述拍摄界面上生成的两个取景框;所述在确定所述事故责任方位于所述拍摄界面的预定区域时,提示所述用户获取所述交通事故图像包括:
将所述事故责任方中的一方调整至所述取景框中的一个取景框,并将所述事故责任方中的另一方调整至所述取景框中的另一个取景框;
在确定所述事故责任方的双方分别位于两个所述取景框中时,获取所述交通事故图像。
11.根据权利要求1所述的方法,其特征在于,在所述将所述交通事故图像输入图像分类网络模型中进行分类前,所述方法还包括:
获取交通事故样本图像;
根据所述交通事故样本图像和所述交通事故样本图像对应的预设分类结果对预设图像分类网络进行训练得到所述图像分类网络模型,所述预设分类结果为根据所述交通事故样本图像执行的实际判罚结果得到的。
12.一种交通事故图像处理方法,应用于终端,其特征在于,包括:
在拍摄交通事故图像时,生成提示信息,所述提示信息用于提示用户将事故责任方调整至拍摄界面的预定区域;
在确定所述事故责任方位于所述拍摄界面的预定区域内时,获取所述交通事故图像。
13.根据权利要求12所述的方法,其特征在于,所述预定区域包括在所述拍摄界面上生成的两个取景框;所述在确定所述事故责任方位于所述拍摄界面的预定区域内时,获取所述交通事故图像包括:
将所述事故责任方中的一方调整至所述取景框中的一个取景框,并将所述事故责任方中的另一方调整至所述取景框中的另一个取景框;
在确定所述事故责任方的双方分别位于两个所述取景框中时,获取所述交通事故图像。
14.根据权利要求12或13所述的方法,其特征在于,所述获取所述交通事故图像包括:
提示所述用户按照预设方向移动;
根据所述用户的移动按照预设角度获取所述交通事故图像。
15.根据权利要求14所述的方法,其特征在于,所述根据所述用户的移动按照预设角度获取所述交通事故图像包括:
获取所述用户的移动角度;
在所述移动角度达到所述预设角度时,提示所述用户获取所述交通事故图像。
16.根据权利要求14所述的方法,其特征在于,所述根据所述用户的移动按照预设角度获取所述交通事故图像包括:
在所述用户移动时,若所述事故责任方的图像旋转角度达到所述预设角度,提示所述用户获取所述交通事故图像。
17.一种交通事故图像处理装置,其特征在于,包括:
第一获取模块,被配置为获取待分类的交通事故图像;
分类模块,被配置为将所述交通事故图像输入图像分类网络模型中进行分类;其中,所述图像分类网络模型包括卷积层,且所述卷积层中至少一个卷积层为可变形卷积层;
确定模块,被配置为根据分类结果确定交通事故责任划分。
18.根据权利要求17所述的装置,其特征在于,所述图像分类网络模型包括五段卷积复合层以及三个全连接层,每段所述卷积复合层中包括所述卷积层和激活层,所述五段卷积复合层包括的卷积层中至少一个卷积层为所述可变形卷积层。
19.根据权利要求18所述的装置,其特征在于,所述五段卷积复合层中最上层的三段卷积复合层包括的卷积层为所述可变形卷积层。
20.根据权利要求18或19所述的装置,其特征在于,所述五段卷积复合层包括两段二层卷积复合层以及三段三层卷积复合层,所述两段二层卷积复合层位于所述三段三层卷积复合层的上层,所述二层卷积复合层包括两个处理层,所述三层卷积复合层包括三个处理层,
其中,每个所述处理层包括一个所述卷积层和一个所述激活层,所述卷积层位于所述激活层的上层。
21.根据权利要求17所述的装置,其特征在于,所述第一获取模块,被配置为生成提示信息,所述提示信息用于提示用户进行图像获取操作;根据所述提示信息获取所述交通事故图像。
22.根据权利要求21所述的装置,其特征在于,所述图像获取操作包括所述用户按照预设移动方向移动;所述第一获取模块,被配置为根据所述用户的移动按照预设角度获取所述交通事故图像。
23.根据权利要求22所述的装置,其特征在于,所述第一获取模块,被配置为获取所述用户的移动角度;在所述移动角度达到所述预设角度时,提示所述用户获取所述交通事故图像。
24.根据权利要求22所述的装置,其特征在于,所述第一获取模块,被配置为在所述用户移动时,若事故责任方的图像旋转角度达到所述预设角度,提示所述用户获取所述交通事故图像。
25.根据权利要求21至24任一项所述的装置,其特征在于,所述图像获取操作还包括在拍摄所述交通事故图像时,将所述事故责任方调整至拍摄界面的预定区域;所述第一获取模块,被配置为在确定所述事故责任方位于所述拍摄界面的预定区域时,提示所述用户获取所述交通事故图像。
26.根据权利要求25所述的装置,其特征在于,所述预定区域包括在所述拍摄界面上生成的两个取景框;所述第一获取模块,被配置为将所述事故责任方中的一方调整至所述取景框中的一个取景框,并将所述事故责任方中的另一方调整至所述取景框中的另一个取景框;在确定所述事故责任方的双方分别位于两个所述取景框中时,获取所述交通事故图像。
27.根据权利要求17所述的装置,其特征在于,所述装置还包括:
第二获取模块,被配置为获取交通事故样本图像;
训练模块,被配置为根据所述交通事故样本图像和所述交通事故样本图像对应的预设分类结果对预设图像分类网络进行训练得到所述图像分类网络模型,所述预设分类结果为根据所述交通事故样本图像执行的实际判罚结果得到的。
28.一种交通事故图像处理装置,其特征在于,包括:
提示模块,被配置为在拍摄交通事故图像时,生成提示信息,所述提示信息用于提示用户将事故责任方调整至拍摄界面的预定区域;
图像获取模块,被配置为在确定所述事故责任方位于所述拍摄界面的预定区域时,获取所述交通事故图像。
29.根据权利要求28所述的装置,其特征在于,所述预定区域包括在所述拍摄界面上生成的两个取景框;所述图像获取模块,被配置为将所述事故责任方中的一方调整至所述取景框中的一个取景框,并将所述事故责任方中的另一方调整至所述取景框中的另一个取景框;在确定所述事故责任方的双方分别位于两个所述取景框中时,获取所述交通事故图像。
30.根据权利要求28或29所述的装置,其特征在于,所述图像获取模块,被配置为提示所述用户按照预设方向移动,并根据所述用户的移动按照预设角度获取所述交通事故图像。
31.根据权利要求30所述的装置,其特征在于,所述图像获取模块,被配置为获取所述用户的移动角度,并在所述移动角度达到所述预设角度时,提示所述用户获取所述交通事故图像。
32.根据权利要求30所述的装置,其特征在于,所述图像获取模块,被配置为在所述用户移动时,若所述事故责任方的图像旋转角度达到所述预设角度,提示所述用户获取所述交通事故图像。
33.一种交通事故图像处理装置,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为:获取待分类的交通事故图像;将所述交通事故图像输入图像分类网络模型中进行分类;根据分类结果确定交通事故责任划分;其中,所述图像分类网络模型包括卷积层,且所述卷积层中至少一个卷积层为可变形卷积层。
34.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述程序指令被处理器执行时实现权利要求1~11中任一项所述方法的步骤。
35.一种交通事故图像处理装置,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为:在拍摄交通事故图像时,生成提示信息,所述提示信息用于提示用户将事故责任方调整至拍摄界面的预定区域,并在确定所述事故责任方位于所述拍摄界面的预定区域时,获取交通事故图像。
36.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述程序指令被处理器执行时实现权利要求12~16中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711229455.0A CN107909113B (zh) | 2017-11-29 | 2017-11-29 | 交通事故图像处理方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711229455.0A CN107909113B (zh) | 2017-11-29 | 2017-11-29 | 交通事故图像处理方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107909113A true CN107909113A (zh) | 2018-04-13 |
CN107909113B CN107909113B (zh) | 2021-11-16 |
Family
ID=61849460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711229455.0A Active CN107909113B (zh) | 2017-11-29 | 2017-11-29 | 交通事故图像处理方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107909113B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108986468A (zh) * | 2018-08-01 | 2018-12-11 | 平安科技(深圳)有限公司 | 交通事故的处理方法、装置、计算机设备及计算机存储介质 |
CN109242739A (zh) * | 2018-06-28 | 2019-01-18 | 平安科技(深圳)有限公司 | 交通事故处理方法、系统及服务器 |
CN109543588A (zh) * | 2018-11-16 | 2019-03-29 | 广州慧睿思通信息科技有限公司 | 交通事故责任判定的方法、装置、系统、服务平台及介质 |
CN110033011A (zh) * | 2018-12-14 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 车祸事故处理方法和装置、电子设备 |
CN110222726A (zh) * | 2019-05-15 | 2019-09-10 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置及电子设备 |
CN110717035A (zh) * | 2018-07-11 | 2020-01-21 | 北京嘀嘀无限科技发展有限公司 | 一种事故快速处理方法、系统及计算机可读介质 |
WO2020024457A1 (zh) * | 2018-08-01 | 2020-02-06 | 平安科技(深圳)有限公司 | 交通事故的定责方法、装置及计算机可读存储介质 |
WO2020041399A1 (en) * | 2018-08-22 | 2020-02-27 | Alibaba Group Holding Limited | Image processing method and apparatus |
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 |
WO2020186765A1 (zh) * | 2019-03-19 | 2020-09-24 | 深圳市商汤科技有限公司 | 视频处理方法、装置以及计算机存储介质 |
CN112233421A (zh) * | 2020-10-15 | 2021-01-15 | 胡歆柯 | 一种基于机器视觉的城市智慧交通监控智能系统 |
CN112287152A (zh) * | 2020-10-26 | 2021-01-29 | 山东晨熙智能科技有限公司 | 一种照片分类方法及系统 |
CN112712691A (zh) * | 2019-10-24 | 2021-04-27 | 广州汽车集团股份有限公司 | 一种智慧交通事故处理方法及装置 |
WO2021184564A1 (zh) * | 2020-03-20 | 2021-09-23 | 平安国际智慧城市科技股份有限公司 | 基于图像的事故定责方法、装置、计算机设备和存储介质 |
WO2023017652A1 (ja) * | 2021-08-11 | 2023-02-16 | ソニーグループ株式会社 | 情報処理装置、情報処理方法、サーバ装置、車両装置及び情報処理プログラム |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020059085A1 (en) * | 2000-10-02 | 2002-05-16 | Steven Wahlbin | Computerized method and system of determining a credible real set of characteristics for an accident |
CN101408422A (zh) * | 2008-10-16 | 2009-04-15 | 浙江工业大学 | 基于双目立体全方位视觉的交通事故现场测绘仪 |
CN101910936A (zh) * | 2007-12-24 | 2010-12-08 | 微软公司 | 基于图像捕捉设备呈现的用户推荐的引导摄影 |
CN103258432A (zh) * | 2013-04-19 | 2013-08-21 | 西安交通大学 | 基于视频的交通事故自动识别处理方法和系统 |
CN103295396A (zh) * | 2013-04-19 | 2013-09-11 | 福建工程学院 | 交通事故非现场快速取证方法及系统 |
CN103414599A (zh) * | 2013-07-16 | 2013-11-27 | 北京航空航天大学 | 一种基于远程数据传输的图像采集系统 |
CN104268783A (zh) * | 2014-05-30 | 2015-01-07 | 翱特信息系统(中国)有限公司 | 车辆定损估价的方法、装置和终端设备 |
CN106355674A (zh) * | 2016-08-29 | 2017-01-25 | 惠州市菲莉茜雅科技有限公司 | 汽车定损装置 |
CN106504173A (zh) * | 2016-12-19 | 2017-03-15 | 东软集团股份有限公司 | 交通事故处理的方法、装置及系统 |
US20170140253A1 (en) * | 2015-11-12 | 2017-05-18 | Xerox Corporation | Multi-layer fusion in a convolutional neural network for image classification |
CN106920264A (zh) * | 2017-03-01 | 2017-07-04 | 智擎信息系统(上海)有限公司 | 一种基于可形变部件模型算法的目标检测硬件结构 |
CN107240025A (zh) * | 2017-05-22 | 2017-10-10 | 深圳市中车数联科技有限公司 | 交通事故处理方法、系统和计算机可读存储介质 |
CN107292319A (zh) * | 2017-08-04 | 2017-10-24 | 广东工业大学 | 一种基于可变形卷积层的特征图像提取的方法及装置 |
CN107330359A (zh) * | 2017-05-23 | 2017-11-07 | 深圳市深网视界科技有限公司 | 一种人脸对比的方法和装置 |
-
2017
- 2017-11-29 CN CN201711229455.0A patent/CN107909113B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020059085A1 (en) * | 2000-10-02 | 2002-05-16 | Steven Wahlbin | Computerized method and system of determining a credible real set of characteristics for an accident |
CN101910936A (zh) * | 2007-12-24 | 2010-12-08 | 微软公司 | 基于图像捕捉设备呈现的用户推荐的引导摄影 |
CN101408422A (zh) * | 2008-10-16 | 2009-04-15 | 浙江工业大学 | 基于双目立体全方位视觉的交通事故现场测绘仪 |
CN103258432A (zh) * | 2013-04-19 | 2013-08-21 | 西安交通大学 | 基于视频的交通事故自动识别处理方法和系统 |
CN103295396A (zh) * | 2013-04-19 | 2013-09-11 | 福建工程学院 | 交通事故非现场快速取证方法及系统 |
CN103414599A (zh) * | 2013-07-16 | 2013-11-27 | 北京航空航天大学 | 一种基于远程数据传输的图像采集系统 |
CN104268783A (zh) * | 2014-05-30 | 2015-01-07 | 翱特信息系统(中国)有限公司 | 车辆定损估价的方法、装置和终端设备 |
US20170140253A1 (en) * | 2015-11-12 | 2017-05-18 | Xerox Corporation | Multi-layer fusion in a convolutional neural network for image classification |
CN106355674A (zh) * | 2016-08-29 | 2017-01-25 | 惠州市菲莉茜雅科技有限公司 | 汽车定损装置 |
CN106504173A (zh) * | 2016-12-19 | 2017-03-15 | 东软集团股份有限公司 | 交通事故处理的方法、装置及系统 |
CN106920264A (zh) * | 2017-03-01 | 2017-07-04 | 智擎信息系统(上海)有限公司 | 一种基于可形变部件模型算法的目标检测硬件结构 |
CN107240025A (zh) * | 2017-05-22 | 2017-10-10 | 深圳市中车数联科技有限公司 | 交通事故处理方法、系统和计算机可读存储介质 |
CN107330359A (zh) * | 2017-05-23 | 2017-11-07 | 深圳市深网视界科技有限公司 | 一种人脸对比的方法和装置 |
CN107292319A (zh) * | 2017-08-04 | 2017-10-24 | 广东工业大学 | 一种基于可变形卷积层的特征图像提取的方法及装置 |
Non-Patent Citations (8)
Title |
---|
HAN-XIN ZHANG 等: "Trace analysis and identification on un-motor vehicle driving state in traffic accident", 《2010 2ND INTERNATIONAL CONFERENCE ON ADVANCED COMPUTER CONTROL》 * |
JIFENG DAI 等: "Deformable Convolutional Networks", 《ARXIV》 * |
JIFENG DAI 等: "Instance-sensitive Fully Convolutional Networks", 《ARXIV》 * |
KAREN SIMONYAN 等: "VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION", 《ARXIV》 * |
尹国祥: "基于视频图像的肇事车辆车速鉴定", 《江西警察学院学报》 * |
李毕祥 等: "交通事故现场视觉图像优化识别仿真研究", 《计算机仿真》 * |
欧阳针、陈玮: "基于可变形卷积神经网络的图像分类研究", 《软件导刊》 * |
高建平 等: "高速公路安全管理系统设计研究", 《华东公路》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242739A (zh) * | 2018-06-28 | 2019-01-18 | 平安科技(深圳)有限公司 | 交通事故处理方法、系统及服务器 |
CN110717035A (zh) * | 2018-07-11 | 2020-01-21 | 北京嘀嘀无限科技发展有限公司 | 一种事故快速处理方法、系统及计算机可读介质 |
CN108986468A (zh) * | 2018-08-01 | 2018-12-11 | 平安科技(深圳)有限公司 | 交通事故的处理方法、装置、计算机设备及计算机存储介质 |
WO2020024457A1 (zh) * | 2018-08-01 | 2020-02-06 | 平安科技(深圳)有限公司 | 交通事故的定责方法、装置及计算机可读存储介质 |
TWI709091B (zh) * | 2018-08-22 | 2020-11-01 | 開曼群島商創新先進技術有限公司 | 圖像處理方法和裝置 |
WO2020041399A1 (en) * | 2018-08-22 | 2020-02-27 | Alibaba Group Holding Limited | Image processing method and apparatus |
US20200065632A1 (en) * | 2018-08-22 | 2020-02-27 | Alibaba Group Holding Limited | Image processing method and apparatus |
US10984293B2 (en) * | 2018-08-22 | 2021-04-20 | Advanced New Technologies Co., Ltd. | Image processing method and apparatus |
CN109543588A (zh) * | 2018-11-16 | 2019-03-29 | 广州慧睿思通信息科技有限公司 | 交通事故责任判定的方法、装置、系统、服务平台及介质 |
CN110033011A (zh) * | 2018-12-14 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 车祸事故处理方法和装置、电子设备 |
WO2020186765A1 (zh) * | 2019-03-19 | 2020-09-24 | 深圳市商汤科技有限公司 | 视频处理方法、装置以及计算机存储介质 |
CN110222726A (zh) * | 2019-05-15 | 2019-09-10 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置及电子设备 |
CN112712691A (zh) * | 2019-10-24 | 2021-04-27 | 广州汽车集团股份有限公司 | 一种智慧交通事故处理方法及装置 |
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 |
WO2021184564A1 (zh) * | 2020-03-20 | 2021-09-23 | 平安国际智慧城市科技股份有限公司 | 基于图像的事故定责方法、装置、计算机设备和存储介质 |
CN112233421A (zh) * | 2020-10-15 | 2021-01-15 | 胡歆柯 | 一种基于机器视觉的城市智慧交通监控智能系统 |
CN112287152A (zh) * | 2020-10-26 | 2021-01-29 | 山东晨熙智能科技有限公司 | 一种照片分类方法及系统 |
CN112287152B (zh) * | 2020-10-26 | 2021-08-27 | 山东晨熙智能科技有限公司 | 一种照片分类方法及系统 |
WO2023017652A1 (ja) * | 2021-08-11 | 2023-02-16 | ソニーグループ株式会社 | 情報処理装置、情報処理方法、サーバ装置、車両装置及び情報処理プログラム |
Also Published As
Publication number | Publication date |
---|---|
CN107909113B (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107909113A (zh) | 交通事故图像处理方法、装置及存储介质 | |
US10007841B2 (en) | Human face recognition method, apparatus and terminal | |
CN109829501A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN107527053A (zh) | 目标检测方法及装置 | |
CN106682736A (zh) | 图像识别方法及装置 | |
CN107145904A (zh) | 图像类别的确定方法、装置及存储介质 | |
CN106228556B (zh) | 图像质量分析方法和装置 | |
CN105809704A (zh) | 识别图像清晰度的方法及装置 | |
CN107368810A (zh) | 人脸检测方法及装置 | |
CN108010060A (zh) | 目标检测方法及装置 | |
CN107679483A (zh) | 号牌识别方法及装置 | |
CN106250894A (zh) | 卡片信息识别方法及装置 | |
CN107563994A (zh) | 图像的显著性检测方法及装置 | |
CN106295515A (zh) | 确定图像中的人脸区域的方法及装置 | |
CN109801270A (zh) | 锚点确定方法及装置、电子设备和存储介质 | |
CN106778773A (zh) | 图片中目标物的定位方法及装置 | |
CN105608425A (zh) | 对照片进行分类存储的方法及装置 | |
CN106228158A (zh) | 图片检测的方法和装置 | |
CN109978891A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN106295511A (zh) | 人脸跟踪方法及装置 | |
CN107729880A (zh) | 人脸检测方法及装置 | |
CN108256549A (zh) | 图像分类方法、装置及终端 | |
CN106250921A (zh) | 图片处理方法及装置 | |
CN109670458A (zh) | 一种车牌识别方法及装置 | |
CN106169075A (zh) | 身份验证方法及装置 |
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 |