CN108986474A - 交通事故的定责方法、装置、计算机设备及计算机存储介质 - Google Patents

Abstract

本申请公开了一种交通事故的定责方法、装置、计算机设备及计算机存存介质，涉及交通事故处理技术领域，无需安排交警人员到事故现场进行勘察，减少交警的工作量。所述方法包括：获取交通事故发生所对应预设时间段内的视频信息流；对所述视频信息流中各个目标特征进行聚类，得到交通事故发生所对应预设时间段内每个目标特征聚类集合对应的行为规律；将所述每个目标特征聚类集合对应输入至预先构建的违法行为检测模型进行行为检测，得到所述各个目标特征的行为检测结果，所述违法行为检测模型用于检测交通事故发生所对应预设时间段内所述各个目标特征的违法行为类型；根据所述各个目标特征的行为检测结果，生成交通事故定责报告。

Description

交通事故的定责方法、装置、计算机设备及计算机存储介质

技术领域

本发明涉及交通事故处理技术领域，尤其是涉及到交通事故的定责方法、装置及电子设备。

背景技术

随着社会的发展，汽车已经成为人类的主要交通工具，为人民出行带来方便，但是在城市汽车的数量激增的同时，驾驶人员的危机意识并未得到同步提升，使得汽车交通事故逐年增长，导致交警的工作内容与工作强度也不断增加。

现有技术在对交通事故进行定责的过程中，简单的交通事故，比如车辆追尾、闯红绿灯、冲入绿化带、违规变道行驶等违法行为，在发生交通事故后，交警需要根据事故类型出警勘察，或者根据现场图片信息进行交通事故责任划分界定，对交警而言，耗时耗力，在负担其他日常工作的同时，需要花费精力在出警以及现场图片查看上，极大地浪费了人力成本。与此同时，驾驶人员更关注的交警定责结果，且责任的划分可能只会对主责的一方有警示提醒效果，并不能达到交通安全意识的唤醒。

发明内容

本发明实施例提供了交通事故的定责方法、装置、计算机设备及计算机存储介质，解决了相关技术中需要耗费极大人力判断交通事故责任的问题。

根据本发明实施例的第一方面，提供一种交通事故的定责方法，所述方法包括：

获取交通事故发生所对应预设时间段内的视频信息流；

对所述视频信息流中各个目标特征进行聚类，得到交通事故发生所对应预设时间段内每个目标特征聚类集合对应的行为规律；

将所述每个目标特征聚类集合对应的行为规律输入至预先构建的违法行为检测模型进行行为检测，得到所述各个目标特征的行为检测结果，所述行为检测结果用于检测交通事故发生所对应预设时间段内所述各个目标特征的违法行为类型；

根据所述各个目标特征的行为检测结果，生成交通事故定责报告。

进一步地，在所述对所述视频信息流中各个目标特征进行聚类，得到交通事故发生所对应预设时间段内每个目标特征聚类集合对应的行为规律之前，所述方法还包括：

对所述预设时间段内的视频信息流进行分帧处理，得到多帧视频图像信息；

从每帧视频图像信息中提取出所述各个目标特征。

进一步地，所述从每帧视频图像信息中提取出各个目标特征包括：

利用多帧视频图像信息之间的关联性对每帧视频图像信息进行区域划分，得到多个目标区域；

检测所述目标区域内具有变化特性的目标特征，从每帧视频图像信息中提取各个目标特征。

进一步地，在所述从每帧视频图像信息中提取出各个目标特征之后，所述方法还包括：

利用多帧视频图像信息之间的关联性对每帧视频图像信息中各个目标特征进行过滤，保留符合预设条件的目标特征。

进一步地，在所述将所述每个目标特征聚类集合对应的行为规律输入至预先构建的违法行为检测模型进行行为检测，得到所述各个目标特征的行为检测结果之前，所述方法还包括：

预先收集不同交通违法行为对应的视频流数据，从所述视频流数据中提取出多个目标特征的行为规律；

根据每个目标特征对应的违法行为类型对所述多个目标特征的行为规律进行标记，得到多个携带有违法行为类型标签的行为规律；

将所述多个携带有违法行为类型标签的行为规律作为样本数据输入至卷积神经网络进行训练，构建违法行为检测模型，所述违法行为检测模型中记录有目标特征的行为规律与违法行为类型的映射关系。

进一步地，所述违法行为检测模型为多层结构的网络模型，所述将所述每个目标特征聚类集合对应的行为规律输入至预先构建的违法行为检测模型进行行为检测，得到所述各个目标特征的行为检测结果包括：

通过所述违法行为检测模型的卷积层提取所述聚类集合对应的行为规律的局部行为特征；

通过所述违法行为检测模型的全连接层汇总所述聚类集合对应的行为规律对应的局部行为特征，得到多维度的局部行为特征；

通过所述违法行为检测模型的池化层对所述多维度的局部行为特征进行降维处理，得到聚类集合对应的违法行为特征；

通过所述违法行为检测模型的分类层对所述聚类集合对应的违法行为特征进行分类，得到携带有各个目标特征违法行为类型的行为检测结果。

进一步地，所述根据所述各个目标特征的行为检测结果，生成交通事故定责报告包括：

根据所述各个目标特征的行为检测结果查找目标特征违法行为类型对应的处理方信息；

将所述目标特征违法行为类型对应的处理方信息填入预设报告模板中，生成交通事故定责报告。

根据本发明实施例的第二方面，提供一种交通事故的定责装置，所述装置包括：

获取单元，用于获取交通事故发生所对应预设时间段内的视频信息流；

聚类单元，用于对所述视频信息流中各个目标特征进行聚类，得到交通事故发生所对应预设时间段内每个目标特征聚类集合对应的行为规律；

检测单元，用于将所述每个目标特征聚类集合对应的行为规律输入至预先构建的违法行为检测模型进行行为检测，得到所述各个目标特征的行为检测结果，所述违法行为检测模型用于检测交通事故发生所对应预设时间段内所述各个目标特征的违法行为类型；

生成单元，用于根据所述各个目标特征的行为检测结果，生成交通事故定责报告。

进一步地，所述装置还包括：

分帧单元，用于在所述对所述视频信息流中各个目标特征进行聚类，得到交通事故发生所对应预设时间段内各个目标特征的运动行为规律之前，对所述预设时间段内的视频信息流进行分帧处理，得到多帧视频图像信息；

第一提取单元，用于从每帧视频图像信息中提取出所述各个目标特征。

进一步地，所述第一提取单元包括：

划分模块，用于利用多帧视频图像信息之间的关联性对每帧视频图像信息进行区域划分，得到多个目标区域；

提取模块，用于检测所述目标区域内具有变化特性的目标特征，从每帧视频图像信息中提取各个目标特征。

进一步地，所述装置还包括：

过滤单元，用于在所述从每帧视频图像信息中提取出各个目标特征之后，利用多帧视频图像信息之间的关联性对每帧视频图像信息中各个目标特征进行过滤，保留符合预设条件的目标特征。

进一步地，所述装置还包括：

第二提取单元，用于在所述将所述各个目标特征的运动行为规律输入至预先构建的违法行为检测模型进行行为检测，得到所述各个目标特征的行为检测结果之前，预先收集不同交通违法行为对应的视频流数据，从所述视频流数据中提取出多个目标特征的行为规律；

标记单元，用于根据每个目标特征对应的违法行为类型对所述多个目标特征的行为规律进行标记，得到多个携带有违法行为类型标签的交通违法行为规律；

构建单元，用于将所述多个携带有违法行为类型标签的行为规律作为样本数据输入至卷积神经网络进行训练，构建违法行为检测模型，所述违法行为检测模型中记录有目标特征的行为规律与违法行为类型的映射关系。

进一步地，所述违法行为检测模型为多层结构的网络模型，所述检测单元包括：

提取模块，用于通过所述违法行为检测模型的卷积层提取所述聚类集合对应的行为规律的局部行为特征；

汇总模块，用于通过所述违法行为检测模型的全连接层汇总所述聚类集合对应的行为规律的局部行为特征，得到多维度的局部行为特征；

降维模块，用于通过所述违法行为检测模型的池化层对所述多维度的局部行为特征进行降维处理，得到聚类集合对应的违法行为特征；

分类模块，用于通过所述违法行为检测模型的分类层对所述聚类集合对应的违法行为特征进行分类，得到携带有各个目标特征违法行为类型的行为检测结果。

进一步地，所述生成单元包括：

查找模块，用于根据所述各个目标特征的行为检测结果查找目标特征违法行为类型对应的处理方信息；

生成模块，用于将所述目标特征违法行为类型对应的处理方信息填入预设报告模板中，生成交通事故定责报告。

根据本发明实施例的第三方面，提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述交通事故的定责方法的步骤。

根据本发明实施例的第四方面，提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述交通事故的定责方法的步骤。

通过本发明，对交通事故发生所对应预设时间段内的视频流信息中各个目标特征进行聚类，得到交通事故发生所对应预设时间段内每个目标特征聚类集合对应的行为规律，通过将每个目标特征聚类集合对应的行为规律输入至预先构建的违法行为检测模型进行行为检测，得到各个目标特征的行为检测结果，确定交通事故责任。与现有技术中通过交警到事故现场进行定责的方法相比，本发明实施例无需安排交警到事故现场进行勘察，减少交警工作量，并且能够对车辆行驶过程中的违法行为进行定责，提高驾驶人员遵守交通规则的意识。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种交通事故的定责方法的流程图；

图2是根据本发明实施例的另一种交通事故的定责方法的流程图；

图3是根据本发明实施例构建违法行为检测模型的流程图；

图4是根据本发明实施例的一种交通事故的定责装置的结构框图；

图5是根据本发明实施例的另一种交通事故的定责装置的结构框图；

图6是根据本发明实施例的交通事故的定责装置400的框图。

具体实施方式

下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

在本实施例中提供了一种交通事故的定责方法，图1是根据本发明实施例的流程图一，如图1所示，该流程包括如下步骤：

步骤S101，获取交通事故发生所对应预设时间段内的视频信息流；

其中，预设时间段可以为交通事故发生的前30秒、60秒等，当然该预设时间段也可以为交通事故发生的时间区间，如交通事故发生时间为9点10分，则选取预设时间段为9点至9点20分，本发明实施例不进行限定。

本发明实施例通过获取交通事故发生所对应预设时间段内的视频信息流，对交通事故发生过程的视频进行调取，进而分析交通事故发生过程，以便对事故发生进行定责。

步骤S102，对所述视频信息流中各个目标特征进行聚类，得到交通事故发生所对应预设时间段内每个目标特征聚类集合对应的行为规律；

其中，目标特征为交通事故发生所对应预设时间段内的视频信息流中出现的特征，例如，车辆、斑马线、草坪、人物等特征，具体可以通过时间差分法或者光流法检测出视频信息流中的各个目标特征，进而将目标特征从检测到的运动区域中提取出来。

对于本发明实施例，通过对各个目标特征进行聚类，将同一目标特征划分到一个聚类中，得到各个目标特征的聚类集合，每个目标特征的聚类集合相当于视频信息流中检测出的该目标特征的集合。

其中，目标特征聚类集合对应的行为规律可以为目标特征在视频信息流中的移动轨迹等，如车辆m的移动轨迹为由位置a移动到位置b，行人n的移动根轨迹为原地不动，行人n的移动轨迹为过马路，本发明实施例不进行限定。

需要说明的是，上述目标特征的行为规律不仅包括了目标特征在视频信息流中的移动轨迹，还可以包括目标特征的颜色、大小以及形状变化等外观特征，例如，目标特征为行人p，行人p的外观特征为倒在地上，目标特征为车辆，车辆的外观特征为发生形变。

由于视频信息流中会出现不同的目标特征，并且不同的目标特征在视频信息流中的移动轨迹或者外形表现有所不同，本发明实施例通过对视频信息流中各个目标特征进行聚类，形成目标特征聚类集合，该目标特征聚类集合可以为目标特征的连续变化或者静止的数据，进一步可以确定交通事故发生所对应预设时间段内目标特征聚类集合对应的行为规律。

步骤S103，将所述每个目标特征聚类集合对应的行为规律输入至预先构建的违法行为检测模型进行行为检测，得到所述各个目标特征的行为检测结果。

其中，违法行为检测模型是用于检测目标特征行为规律对应的违法行为类型所构建的检测模型，该违法行为检测模型记录有目标特征的行为规律与违法行为类型的映射关系，以便于对交通事故中各个目标特征的行为规律进行识别。行为检测结果为目标特征的违法行为类型，如车辆行驶方向违法、行人是红绿灯等。

对于本发明实施例，这里的卷积神经网络由多层结构组成，每层结构具有不同的输入输出参数以及实现不同的功能，可以通过反复训练预先收集的各个目标特征的交通违法行为规律，总结出不同违法行为的运动特征和行为范式，构建违法行为检测模型，该违法行为检测模型记录有目标特征的行为规律与违法行为类型的映射关系，通过该违法行为检测模型可以检测目标特征的行为规律对应的违法行为类型。

需要说明的是，上述各个目标特征的交通违法行为规律可以为多维度描述的交通违法行为规律的运动行为特征，例如，可以采用时间维度来描述违法行为规律的运动特征，具体可以根据不同时间点来描述目标特征的违法行为规律的运动特征，还可以从空间维度来描述违法行为规律的运动特征，具体可以根据不同的位置点来描述目标特征的违法行为规律的运动特征，这里不进行限定，当然还可以加入其它维度，如外观特征等维度来描述目标特征的违法行为规律的运动特征。

具体卷积神经网络模型的结构可以通过卷积层、全连接层以及池化层等结构实现，这里的卷积层相当于卷积神经网络的隐含层，可以为多层结构，当输入预先收集的各个目标特征的交通违法行为规律后，通过卷积神经网络模型的卷积层提取出更深层次的违法行为特征向量，进一步根据已知的不同违法行为类型对违法行为特征向量进行拟合训练；在卷积神经网络模型中，为了减小参数，减低计算，常常在连续卷积层中间隔插入池化层；这里的全连接层与卷积层相似，卷积层的神经元和上一层输出局部区域相连，当然为了减少输出特征向量过多，可以设置两个全连接层，在违法行为特征向量通过若干个卷积层训练后对训练输出的特征向量进行整合。

步骤S104，根据所述各个目标特征的行为检测结果，生成交通事故定责报告。

其中，各个目标特征的行为检测结果为目标特征的行为规律对应的违法行为类型，例如，目标特征车辆逆行或者目标特征行人闯红灯等违法行为类型，交通事故定责报告中可以记录违法行为类型、违法行为对应的事故方以及事故方信息等，例如，违法行为类型为追尾，违法行为对应的事故方为车辆A，事故方信息可以包括车主个人信息等。

对于本发明实施例，根据各个目标特征的行为检测结果，可以简单了解交通事故经过以及交通事故对应的事故方。另外，由于交通事故可能会涉及单方或者多方进行协调处理，例如追尾类交通事故需要双方车主以及保险公司进行处理，车辆逆行类交通事故则需要逆行车主进行处理，因此，针对不同违法行为类型需要生成适于不同处理方的交通事故定责报告，以便于不同处理方及时处理交通事故。

通过本发明，对交通事故发生所对应预设时间段内的视频流信息中各个目标特征进行聚类，得到交通事故发生所对应预设时间段内每个目标特征聚类集合对应的行为规律，通过将每个目标特征聚类集合对应的行为规律输入至预先构建的违法行为检测模型进行行为检测，得到各个目标特征的行为检测结果，确定交通事故责任。与现有技术中通过交警到事故现场进行定责的方法相比，本发明实施例无需安排交警到事故现场进行勘察，减少交警工作量，并且能够对车辆行驶过程中的违法行为进行定责，提高驾驶人员遵守交通规则的意识。

图2是根据本发明优选实施例的交通事故的定责方法的流程图，如图2所示，该方法包括以下步骤：

步骤S201，获取交通事故发生所对应预设时间段内的视频信息流。

对于本发明实施例，这里的视频信息流可以为道路摄像头拍摄的汽车行驶数据或者汽车行驶仪记录的车辆行驶数据，本发明实施例不进行限定。

具体可以通过预设接口连接设置在十字路口的道路监控摄像头，该道路监控摄像头可以拍摄车尾，监控车辆闯红灯，不按导向行驶，违法变道、压线、逆行等违法行为，进而获取车辆行驶过程中的视频流数据，具体还可以通过读取汽车行驶记录仪的存储卡，该汽车行车记录仪记录有车辆行驶过程中的视频图像和声音，监控车辆周围环境，进而获取车辆行驶过程中的视频流数据。

步骤S202，对预设时间段内的视频信息流进行分帧处理，得到多帧视频图像信息。

通常一段视频信息流所包含的信息可以分为空间信息与时间信息，空间信息以视频中每一帧图像的形式表现出来，如视频中出现的场景物体等，时间信息则以帧与帧之间运动变化的形式表现出来，如场景中物体的运动，为了更好的获取视频中的空间信息以及时间信息，对预设时间段内视频信息流进行分帧处理，得到多帧视频图像信息，通过对每一帧视频图像进行分析，从而获取更多的图像信息。

当然为了得到更多的运动信息，本发明实施例还可以利用光流图计算方法获取视频图像序列对应的光流图像序列，光流图像序列可以反映两张连续图像之间的运动。当然由于光流图像序列与原始视频图像序列的长度有所不同，需要预先对光流图像序列进行处理，保证光流图像序列的长度与原始图像序列的长度一致。

步骤S203，从每帧视频图像信息中提取出各个目标特征。

对于本发明实施例，具体可以利用多帧视频图像信息之间的关联性对每帧视频图像信息进行区域划分，得到多个目标区域，例如，前5帧视频图像中具有目标特征A的位置信息为视频图像中的左边，目标特征B的位置信息位于视频图像的右边，可以将视频图像划分为两个区域，当然随着目标特征的数量以及位置变化，可以实时调整目标区域，进一步检测目标区域内具有变化特性的目标特征，从每帧视频图像信息中提取各个目标特征。

需要说明的是，由于视频信息流中记录的是交通事故发生时的动态图像，与静态图像通用的目标特征的检测方法有所不同，动态图像的目标特征检测通常会利用视频信息流连续帧之间的关系来对感兴趣的区域进行定位。在视频图像中目标特征往往具有运动特征，需要引入多帧视频图像，这样不仅可以获得多帧视频图像中目标特征的外观信息，还可以获取目标特征在多帧图像中的运动信息。

对于本发明实施例，具体可以基于运动分割或者背景提取方式来实现每帧视频图像信息中的目标特征，例如，从当前道路摄像头中监控汽车行驶图像中提取出当前道路、事故当事人行驶车辆、事故当事人、道路红白线等多个目标特征。

步骤S204，利用多帧视频图像信息之间的关联性对每帧视频图像信息中各个目标特征进行过滤，保留符合预设条件的目标特征。

由于视频图像中目标特征可能会存在一部分不合格的特征，例如在当前帧出现的特征，而在下一帧消失的特征，或者虽然在每一帧都都有出现，但是与交通事故无任何关系的目标特征考虑到连续帧中目标特征的持续性，如大小、颜色以及轨迹的一致性，可以删除视频图像中不合格的目标特征，保留符合预设条件的目标特征。

步骤S205，对所述视频信息流中各个目标特征进行聚类，得到交通事故发生所对应预设时间段内每个目标特征聚类集合对应的行为规律。

由于每一帧视频图像信息中出现的目标特征的位置信息以及外观信息可能不相同，利用单帧图像中出现的目标特征的位置信息以及外观信息，对多帧图像中相同目标特征进行聚类，形成目标特征聚类结合对应的行为规律，可以为目标特征连续运动或者静止数据，例如，前8帧图像中出现有目标特征行人C，对前8帧图像中目标特征行人C进行聚类，得到目标特征行人C的闯红灯的行为规律。

步骤S209，将所述每个目标特征聚类结合对应的行为规律输入至预先构建的违法行为检测模型进行行为检测，得到所述各个目标特征的行为检测结果。

对于本发明实施例，通过将各个目标特征聚类结合对应的行为规律输入至预先构建的违法行为检测模型进行行为检测，检测各个目标特征的行为规律的违法行为类型，无需交警现场进行事故勘察。

步骤S210，根据所述各个目标特征的行为检测结果查找目标特征违法行为类型对应的处理方信息。

对于本发明实施例，由于各个目标特征的行为检测结果可能有所不同，对于检测结果为目标特征的违法行为类型，可以初步将目标特征划分为责任方，对于检测结果为目标特征的行为规律合法，可以初步划分为非责任方，从而初步确定事故发生的责任方以及非责任方。由于不同检测结果可能涉及的处理方信息有所不同，根据各个目标特征的行为检测结果查找目标特征违法行为类型对应的处理方信息，具体可以通过从视频信息流中获取目标特征对应的标识信息，根据该标识信息查找目标特征违法行为类型对应的处理方信息。

例如，目标特征为车辆A，检测结果为车辆A闯红灯违法行为类型，进一步从视频信息流中获取车辆A的车牌号码，进一步根据车辆A的车牌号码查找车辆A对应处理方信息，如车主信息、车保信息等。

需要说明的是，交通事故可以能涉及单方、两方甚至多方，对于涉及两方以上的交通事故，可能存在划分为责任方的目标特征不是人物的情况，此时可以将责任方转移至该目标特征的归属人，同理，对于划分为非责任方的目标特征不是人物的情况，此时可以将非责任方转移至该目标特征的归属人。

步骤S211，将所述目标特征违法行为类型对应的处理方信息填入预设报告模板中，生成交通事故定责报告。

其中，预设报告模板可以记录违法行为类型、事故当事人、事故责任方等信息，根据不同交通事故处理方可以设定不通的报告模板，例如，警方处理方需要了解交通事故类型以及交通事故当事人等信息，则发送警方处理方的交通事故定责报告主要包括事故类型、事故责任方以及事故当事人等信息，而保险公司处理方需要了解交通事故责任以便对后续理赔判定，则发送保险公司处理方事故定责报告主要包括事故责任方以及事故当事人信息、事故理赔方案等。

当然为了方便进一步了解交通事故的细节信息，该交通事故定责报告还可以记录交通事故的时间信息、位置信息，时间信息可以为交通事故发生时间、车辆碰撞时间等，位置信息可以为车辆碰撞位置、事故红绿灯位置等，当然如果目标特征为人物或者车辆等，该交通事故定责报告还可以记录目标特征的标识信息，如人物名称、车牌号码、道路标记等信息。

通过本发明实施例，对交通事故发生所对应预设时间段内的视频流信息中各个目标特征进行聚类，得到交通事故发生所对应预设时间段内每个目标特征聚类集合对应的行为规律，通过将每个目标特征聚类集合对应的行为规律的行为规律输入至预先构建的违法行为检测模型进行行为检测，得到各个目标特征的行为检测结果，确定交通事故责任。与现有技术中通过交警到事故现场进行定责的方法相比，本发明实施例无需安排交警到事故现场进行勘察，减少交警工作量，并且能够对车辆行驶过程中的违法行为进行定责，提高驾驶人员遵守交通规则的意识。

需要说明的是，在执行步骤S209之前，需要构建违法行为检测模型，具体可以通过下述步骤S206至步骤S208实现，当然构建违法行为检测模型的过程并不限定在步骤S201至步骤S205之后执行，如图3所示，具体构建违法行为检测模型的包括以下步骤：

步骤S206，预先收集不同交通违法行为对应的视频流数据，从所述视频流数据中提取出多个目标特征的行为规律。

对于本发明实施例，具体可以通过预先收集不同交通违法行为的案例，例如，追尾事故、超车事故、左转弯事故以及右转弯事故等，进一步获取不同交通违法行为对应的视频流数据，通过步骤S202至步骤S205对不同违法行为对应的视频流数据进行处理，从而提取出多个目标特征的行为规律，在此对具体处理过程以及提取过程不进行赘述。

步骤S207，根据每个目标特征对应的违法行为类型对所述多个目标特征的行为规律进行标记，得到多个携带有违法行为类型标签的行为规律。

由于不同违法行为类型对应的行为规律不同，根据每个目标特征对应的违法行为类型对多个目标特征的行为规律进行标记，标记得到多个携带有违法行为类型标签的行为规律，如标记有闯红灯违法行为类型的行为规律，标记有追尾违法行为类型的行为规律等。

步骤S208，将所述多个携带有违法行为类型标签的行为规律作为样本数据输入至卷积神经网络进行训练，构建违法行为检测模型。

对于本发明实施例，这里的卷积神经网络为多层结构的网络模型，将多个携带有违法行为类型标签的行为规律输入至卷积神经网络进行训练的过程具体可以包括：通过违法行为检测模型的卷积层提取聚类集合对应的行为规律的局部行为特征，通过违法行为检测模型的全连接层汇总聚类集合对应的行为规律的局部行为特征，得到多维度的局部行为特征，通过违法行为检测模型的池化层对多维度的局部行为特征进行降维处理，得到聚类集合对应的违法行为特征，通过违法行为检测模型的分类层对聚类集合对应的违法行为特征进行分类，得到携带有各个目标特征违法行为类型的行为检测结果。

需要说明的是，有些目标特征在视频中会呈现幅度较大的，有一定规律的形变，具体在提取各个目标特征的行为规律对应的行为特征以及运动规律的过程中，本发明实施例通过学习形变规律，总结不同交通违法行为的运动特征和行为范式，进而检测目标特征是否满足预设行为变化，常见的行为特征以及运动规律表示有3Ddescriptors，Markov-basedshapedynamics,pose/primtiveaction-basedhistogram等等。

由于违法行为检测模型中记录有行为规律与不同违法行为类型的映射关系，通过违法行为检测模型可以逐个检测目标特征的行为规律是否满足违法行为类型对应的行为规律，得到检测结果。

图4是根据本发明实施例的一种交通事故的定责装置的结构框图。参照图4，该装置包括获取单元301，聚类单元302、检测单元303和生成单元304。

获取单元301，可以用于获取交通事故发生所对应预设时间段内的视频信息流；

聚类单元302，可以用于对所述视频信息流中各个目标特征进行聚类，得到交通事故发生所对应预设时间段内每个目标特征聚类集合对应的行为规律；

检测单元303，可以用于将所述每个目标特征聚类集合对应的行为规律输入至预先构建的违法行为检测模型进行行为检测，得到所述各个目标特征的行为检测结果，所述违法行为检测模型用于检测交通事故发生所对应预设时间段内所述各个目标特征的违法行为类型；

生成单元304，可以用于根据所述各个目标特征的行为检测结果，生成交通事故定责报告。

通过本发明，对交通事故发生所对应预设时间段内的视频流信息中各个目标特征进行聚类，得到交通事故发生所对应预设时间段内每个目标特征聚类集合对应的行为规律，通过将每个目标特征聚类集合对应的行为规律输入至预先构建的违法行为检测模型进行行为检测，得到各个目标特征的行为检测结果，确定交通事故责任。与现有技术中通过交警到事故现场进行定责的方法相比，本发明实施例无需安排交警到事故现场进行勘察，减少交警工作量，并且能够对车辆行驶过程中的违法行为进行定责，提高驾驶人员遵守交通规则的意识。

作为图4中所示交通事故的定责装置的进一步说明，图5是根据本发明实施例另一种交通事故的定责装置的结构示意图，如图5所示，该装置还包括：

分帧单元305，可以用于在所述对所述视频信息流中各个目标特征进行聚类，得到交通事故发生所对应预设时间段内各个目标特征的运动行为规律之前，对预设时间段内的视频信息流进行分帧处理，得到多帧视频图像信息；

第一提取单元306，可以用于从每帧视频图像信息中提取出各个目标特征；

过滤单元307，可以用于在所述从每帧视频图像信息中提取出各个目标特征之后，利用多帧视频图像信息之间的关联性对每帧视频图像信息中各个目标特征进行过滤，保留符合预设条件的目标特征；

第二提取单元308，可以用于在所述将所述各个目标特征的运动行为规律输入至预先构建的违法行为检测模型进行行为检测，得到所述各个目标特征的行为检测结果之前，预先收集不同交通违法行为对应的视频流数据，从所述视频流数据中提取出多个目标特征的行为规律；

标记单元309，可以用于根据每个目标特征对应的违法行为类型对所述多个目标特征的行为规律进行标记，得到多个携带有违法行为类型标签的交通违法行为规律；

构建单元310，可以用于将所述多个携带有违法行为类型标签的行为规律作为样本数据输入至卷积神经网络进行训练，构建违法行为检测模型，所述违法行为检测模型中记录有目标特征的行为规律与违法行为类型的映射关系。

进一步地，所述第一提取单元306包括：

划分模块3061，可以用于利用多帧视频图像信息之间的关联性对每帧视频图像信息进行区域划分，得到多个目标区域；

提取模块3062，可以用于检测所述目标区域内具有变化特性的目标特征，从每帧视频图像信息中提取各个目标特征。

进一步地，所述违法行为检测模型为多层结构的网络模型，所述检测单元303包括：

提取模块3031，可以用于通过所述违法行为检测模型的卷积层提取所述聚类集合对应的行为规律的局部行为特征；

汇总模块3032，可以用于通过所述违法行为检测模型的全连接层汇总所述聚类集合对应的行为规律的局部行为特征，得到多维度的局部行为特征；

降维模块3033，可以用于通过所述违法行为检测模型的池化层对所述多维度的局部行为特征进行降维处理，得到聚类集合对应的违法行为特征；

分类模块3034，可以用于通过所述违法行为检测模型的分类层对所述聚类集合对应的违法行为特征进行分类，得到携带有各个目标特征违法行为类型的行为检测结果。

进一步地，所述生成单元304包括：

查找模块3041，可以用于根据所述各个目标特征的行为检测结果查找目标特征违法行为类型对应的处理方信息；

生成模块3042，可以用于将所述目标特征违法行为类型对应的处理方信息填入预设报告模板中，生成交通事故定责报告。

图6是根据一示例性实施例示出的一种交通事故的定责装置400的框图。例如，装置400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4，装置400可以包括以下一个或多个组件：处理组件402，存储器404，电源组件406，多媒体组件408，音频组件410，I/O(Input/Output，输入/输出)的接口412，传感器组件414，以及通信组件416。

处理组件402通常控制装置400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402可以包括一个或多个处理器420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402可以包括一个或多个模块，便于处理组件402和其他组件之间的交互。例如，处理组件402可以包括多媒体模块，以方便多媒体组件408和处理组件402之间的交互。

存储器404被配置为存储各种类型的数据以支持在装置400的操作。这些数据的示例包括用于在装置400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404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SRAM(StaticRandom AccessMemory,静态随机存取存储器)，EEPROM(Electrically-Erasable ProgrammableRead-OnlyMemory,电可擦除可编程只读存储器)，EPROM(ErasableProgrammableReadOnlyMemory,可擦除可编程只读存储器)，PROM(ProgrammableRead-OnlyMemory,可编程只读存储器)，ROM(Read-OnlyMemory,只读存储器)，磁存储器，快闪存储器，磁盘或光盘。

电源组件406为装置400的各种组件提供电力。电源组件406可以包括电源管理系统，一个或多个电源，及其他与为装置400生成、管理和分配电力相关联的组件。

多媒体组件408包括在所述装置400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LCD(LiquidCrystalDisplay，液晶显示器)和TP(TouchPanel，触摸面板)。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408包括一个前置摄像头和/或后置摄像头。当装置400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410被配置为输出和/或输入音频信号。例如，音频组件410包括一个MIC(Microphone,麦克风)，当装置400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404或经由通信组件416发送。在一些实施例中，音频组件410还包括一个扬声器，用于输出音频信号。

I/O接口412为处理组件402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414包括一个或多个传感器，用于为装置400提供各个方面的状态评估。例如，传感器组件414可以检测到设备400的打开/关闭状态，组件的相对定位，例如组件为装置400的显示器和小键盘，传感器组件414还可以检测装置400或装置400一个组件的位置改变，用户与装置400接触的存在或不存在，装置400方位或加速/减速和装置400的温度变化。传感器组件414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414还可以包括光传感器，如CMOS(ComplementaryMetalOxideSemiconductor，互补金属氧化物)或CCD(Charge-coupledDevice，电荷耦合元件)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414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416被配置为便于装置400和其他设备之间有线或无线方式的通信。装置400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416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416还包括NFC(NearFieldCommunication,近场通信)模块，以促进短程通信。例如，在NFC模块可基于RFID(RadioFrequencyIdentification,射频识别)技术，IrDA(Infra-redDataAssociation,红外数据协会)技术，UWB(UltraWideband,超宽带)技术，BT(Bluetooth,蓝牙)技术和其他技术来实现。

在示例性实施例中，装置400可以被一个或多个ASIC(ApplicationSpecificIntegratedCircuit,应用专用集成电路)、DSP(DigitalsignalProcessor,数字信号处理器)、DSPD(DigitalsignalProcessorDevice，数字信号处理设备)、PLD(ProgrammableLogicDevice,可编程逻辑器件)、FPGA)(FieldProgrammable GateArray,现场可编程门阵列)、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的定责方法。

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404，上述指令可由装置400的处理器420执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、RAM(RandomAccessMemory,随机存取存储器)、CD-ROM(CompactDisc Read-OnlyMemory,光盘只读存储器)、磁带、软盘和光数据存储设备等。

一种非临时性计算机可读存储介质，当所述存储介质中的指令由交通事故的定责装置的处理器执行时，使得交通事故的定责装置能够执行上述交通事故的定责方法。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (10)

1.一种交通事故的定责方法，其特征在于，所述方法包括：

获取交通事故发生所对应预设时间段内的视频信息流；

对所述视频信息流中各个目标特征进行聚类，得到交通事故发生所对应预设时间段内每个目标特征聚类集合对应的行为规律；

将所述每个目标特征聚类集合对应的行为规律输入至预先构建的违法行为检测模型进行行为检测，得到所述各个目标特征的行为检测结果，所述违法行为检测模型用于检测交通事故发生所对应预设时间段内所述各个目标特征的违法行为类型；

根据所述各个目标特征的行为检测结果，生成交通事故定责报告。

2.根据权利要求1所述的方法，其特征在于，在所述对所述视频信息流中各个目标特征进行聚类，得到交通事故发生所对应预设时间段内每个目标特征聚类集合对应的行为规律之前，所述方法还包括：

对所述预设时间段内的视频信息流进行分帧处理，得到多帧视频图像信息；

从每帧视频图像信息中提取出所述各个目标特征。

3.根据权利要求2所述的方法，其特征在于，所述从每帧视频图像信息中提取出各个目标特征包括：

利用多帧视频图像信息之间的关联性对每帧视频图像信息进行区域划分，得到多个目标区域；

检测所述目标区域内具有变化特性的目标特征，从每帧视频图像信息中提取各个目标特征。

4.根据权利要求2所述的方法，其特征在于，在所述从每帧视频图像信息中提取出各个目标特征之后，所述方法还包括：

利用多帧视频图像信息之间的关联性对每帧视频图像信息中各个目标特征进行过滤，保留符合预设条件的目标特征。

5.根据权利要求1所述的方法，其特征在于，在所述将所述每个目标特征聚类集合对应的行为规律输入至预先构建的违法行为检测模型进行行为检测，得到所述各个目标特征的行为检测结果之前，所述方法还包括：

预先收集不同交通违法行为对应的视频流数据，从所述视频流数据中提取出多个目标特征的行为规律；

根据每个目标特征对应的违法行为类型对所述多个目标特征的行为规律进行标记，得到多个携带有违法行为类型标签的行为规律；

将所述多个携带有违法行为类型标签的行为规律作为样本数据输入至卷积神经网络进行训练，构建违法行为检测模型，所述违法行为检测模型中记录有目标特征的行为规律与违法行为类型的映射关系。

6.根据权利要求1所述的方法，其特征在于，所述违法行为检测模型为多层结构的网络模型，所述将所述每个目标特征聚类集合对应的行为规律输入至预先构建的违法行为检测模型进行行为检测，得到所述各个目标特征的行为检测结果包括：

通过所述违法行为检测模型的卷积层提取所述聚类集合对应的行为规律的局部行为特征；

通过所述违法行为检测模型的全连接层汇总所述聚类集合对应的行为规律的局部行为特征，得到多维度的局部行为特征；

通过所述违法行为检测模型的池化层对所述多维度的局部行为特征进行降维处理，得到聚类集合对应的违法行为特征；

通过所述违法行为检测模型的分类层对所述聚类集合对应的违法行为特征进行分类，得到携带有各个目标特征违法行为类型的行为检测结果。

7.根据权利要求6所述的方法，其特征在于，所述根据所述各个目标特征的行为检测结果，生成交通事故定责报告包括：

根据所述各个目标特征的行为检测结果查找目标特征违法行为类型对应的处理方信息；

将所述目标特征违法行为类型对应的处理方信息填入预设报告模板中，生成交通事故定责报告。

8.一种交通事故的定责装置，其特征在于，所述装置包括：

获取单元，用于获取交通事故发生所对应预设时间段内的视频信息流；

聚类单元，用于对所述视频信息流中各个目标特征进行聚类，得到交通事故发生所对应预设时间段内每个目标特征聚类集合对应的行为规律；

检测单元，用于将所述每个目标特征聚类集合对应的行为规律输入至预先构建的违法行为检测模型进行行为检测，得到所述各个目标特征的行为检测结果，所述违法行为检测模型用于检测交通事故发生所对应预设时间段内所述各个目标特征的违法行为类型；

生成单元，用于根据所述各个目标特征的行为检测结果，生成交通事故定责报告。

9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。

10.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。