CN109636881A - 基于ai识别技术道路交通事故现场草图绘制方法 - Google Patents
基于ai识别技术道路交通事故现场草图绘制方法 Download PDFInfo
- Publication number
- CN109636881A CN109636881A CN201811555589.6A CN201811555589A CN109636881A CN 109636881 A CN109636881 A CN 109636881A CN 201811555589 A CN201811555589 A CN 201811555589A CN 109636881 A CN109636881 A CN 109636881A
- Authority
- CN
- China
- Prior art keywords
- traffic accident
- sketch
- road
- module
- situ
- 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
Links
- 206010039203 Road traffic accident Diseases 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005516 engineering process Methods 0.000 title claims description 22
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 238000013473 artificial intelligence Methods 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims 1
- 230000037430 deletion Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000023886 lateral inhibition Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于道路交通事故处理技术领域，尤其涉及一种道路交通事故现场草图识别绘制方法，其使用电子草图获取设备徒手绘制基于事故现场的路面形态和相关事故元素的现场记录草图，同时使用人工智能识别模块对用户每次输入的轨迹进行识别，实现道路轮廓和道路元素的标准化显示，同时可使用辅助系统对各元素进行修改，以适应各交通事故现场的不同事故形态，继而使用道路整体形态优化模块对交通事故现场记录草图进行识别优化处理。本发明实现了道路交通事故现场比例图的快速绘制，系统对用户无过多的技术要求，极大地提高了交通事故处理的工作效率。
Description
技术领域
本发明属于道路交通事故处理技术领域，尤其涉及一种基于AI识别技术道路交通事故现场草图绘制方法。
背景技术
随着当今社会经济以及汽车制造业的迅猛发展，汽车在我国的保有量也在不断地攀升，不可避免的就造成了大量交通事故的发生，自2001年起连续数年死亡人数突破10万，使得我国成为汽车交通事故死亡人数最多的国家之一。据统计，我国交通车辆总数大约是全世界的3%，但全球交通事故的15%却发生在中国，直接财产损失达到上亿元。由于交通事故所造成的各种民事、刑事纠纷越来越复杂，而道路交通事故现场图作为处理交通事故的重要证据，应尽可能客观、全面、具体、准确、详实的记录事故信息，以便于快速、准确的认定事故责任，分析事故以及确定采取何种处理方式，因此，交通事故现场的勘查对于处理交通事故起着不可替代的作用。
目前国内外记录交通事故现场多以手工操作，以笔和纸为媒介的绘图方式为主，存在绘图时间长，工作效率低的缺点，事故现场无法尽快处理，进而就很容易造成道路拥塞的问题，那么为了尽快恢复道路的正常通行，交警会尽可能的缩短绘图记录证据的时间，这就可能会出现记录不详实等问题，但是在事故处理后现场即被清理，一旦出现证据遗漏缺失和错误，将无法还原现场，重新取证，此外，人工手绘存在不规范的缺点，这是无法弥补的。因此，传统的人工手绘图纸记录事故现场的方式并不能满足当今交通事故现场快速勘查处理的实际需要。
近年来，国内外开展了大量的实验和研究，一些新技术、新方法开始应用于交通事故现场的处理，如全站仪、全球定位系统、激光测量装置等，虽然这些新方法和新技术在提高事故现场勘测的效率和自动化程度方面起到了积极的作用，但由于测绘仪器价格过高，不便携带，测量人员需掌握专门的技术知识，因此难以得到普及。近年来，随着人工智能算法的不断改进，相应的识别算法也日益成熟，在良好应用环境下，识别的准确率可达到90%，鉴于此，本发明基于人工智能算法，按照用户的习惯进行用户自适应学习，实现了交通事故现场勘查处理的廉价、简捷、准确和高效。
发明内容
本发明旨在克服现有技术的不足之处而提供一种基于AI识别技术道路交通事故现场草图绘制方法。该方法可解决目前惯用的交通事故现场处理方法效率低、精度低及规范性差的瓶颈问题。
为解决上述技术问题，本发明是这样实现的：
一种基于AI识别技术道路交通事故现场草图绘制方法，包括：通过电子草图获取设备徒手绘制基于事故现场的路面形态和相关事故元素的现场记录草图；使用人工智能识别模块对用户每次输入的轨迹进行识别，完成对道路轮廓和道路元素的识别；使用道路整体形态优化模块和辅助系统完成交通事故现场记录草图识别的优化处理；根据优化处理后的结果，结合图例系统和标注系统完成道路交通事故现场比例图的绘制。
作为一种优选方案，本发明所述人工智能识别模块是基于AlexNet卷积神经网络，经过卷积层、全连接层和RELU激活函数、LRN局部响应归一化、重叠的Max Pooling和Dropout运算实现的。
进一步地，本发明所述道路整体形态优化模块是基于图像处理技术、数学计算几何运算，经过曲线打断、曲线分组、分组校直及分组校齐实现的。
进一步地，本发明所述标注系统是以最近邻原则识别绘制标注，以垂直于参考线的方向驱动纵向标注，以平行于参考线、相对于参考点的标注半径驱动横向标注。
进一步地，本发明所述图例系统包括地面物体、交通事故元素、痕迹散落物、安全设施及交通现象模块，用以显示事故现场记录草图和比例图必须的元素。
进一步地，本发明所述辅助系统包括容错处理模块、操作处理模块、文字处理模块及属性设置模块。
进一步地，本发明所述容错处理模块包括擦除、删除元素、清屏、撤销和重做单元。
进一步地，本发明所述操作处理模块包括缩放、平移、旋转、全屏居中和局部放大单元。
进一步地，本发明所述属性设置模块包括识别预测单元和图符属性单元，其用途是辅助草图识别系统中各模块的修改。
本发明实现了道路交通事故现场比例图的快速绘制，系统对用户无过多的技术要求，极大地提高了交通事故处理的工作效率。本发明利用人工智能算法，结合图像处理技术，辅助以数学计算几何运算，实现交通事故现场图的绘制。整个道路交通现场图绘制过程快速、准确，为交通事故现场处理提供了有力的帮助。
附图说明
下面结合附图和具体实施方式对本发明作进一步说明。本发明的保护范围不仅局限于下列内容的表述。
图1为本发明基于AI识别技术道路交通事故现场草图绘制方法流程框图。
图2为本发明基于AI识别技术道路交通事故现场草图绘制方法核心人工智能识别算法的网络架构图。
具体实施方式
如图所示，基于AI识别技术道路交通事故现场草图绘制方法，包括：通过电子草图获取设备徒手绘制基于事故现场的路面形态和相关事故元素的现场记录草图；使用人工智能识别模块对用户每次输入的轨迹进行识别，完成对道路轮廓和道路元素的识别；使用道路整体形态优化模块和辅助系统完成交通事故现场记录草图识别的优化处理；根据优化处理后的结果，结合图例系统和标注系统完成道路交通事故现场比例图的绘制。本发明所述人工智能识别模块是基于AlexNet卷积神经网络，经过卷积层、全连接层和RELU激活函数、LRN局部响应归一化、重叠的Max Pooling和Dropout运算实现的；所述道路整体形态优化模块是基于图像处理技术、数学计算几何运算，经过曲线打断、曲线分组、分组校直及分组校齐实现的；所述标注系统是以最近邻原则识别绘制标注，以垂直于参考线的方向驱动纵向标注，以平行于参考线、相对于参考点的标注半径驱动横向标注。
本发明使用电子草图获取设备徒手绘制基于事故现场的路面形态和相关事故元素的现场记录草图，便于存档保存和后期编辑修改打印，同时使用人工智能识别模块对用户每次输入的轨迹进行识别，实现道路轮廓和道路元素的标准化显示，降低了用户的学习成本，同时可使用辅助系统对各元素进行修改，以适应各交通事故现场的不同事故形态，继而使用道路整体形态优化模块对交通事故现场记录草图进行识别优化处理，实现美化绘制图纸的目的，这样既允许用户保留以前用笔、纸绘制事故现场草图的习惯，不限制用户绘制的自由度，同时又保证了绘制草图的标准化，最后根据优化后的结果，结合图例系统和标注系统完成道路交通事故现场比例图的绘制，整个绘制过程操作简便快捷，系统对用户无过多的技术要求，极大地提高了交通事故处理的工作效率。
上述实现方法中所涉及的核心模块是人工智能识别模块，其使用AlexNet网络，网络使用多个卷积内核（a.k.a过滤器）提取图像的特征，同一卷积层中内核的大小是相同的，内核的宽度和高度是相同的，深度与通道的数量是相同的，前两个卷积层后面是重叠的最大池化层，第三、四个卷积层是直接相连的，第五个卷积层经过重叠的最大池化后进入两个全连接层，第二个全连接层给softMax分类器提供标签，在所有的卷积层和全连接层之后，应用RELU非线性函数，然后进行局部标准化，继而执行POOL操作，最终得到用于识别的网络模型。
参见图1所示，道路交通事故现场草图识别绘制方法，可按如下步骤实施：
1、通过电子草图获取设备徒手绘制基于事故现场的路面形态和相关事故元素的现场记录草图；
2、使用人工智能识别模块对用户每次输入的轨迹进行识别；完成对道路轮廓和道路元素的识别；
3、使用道路整体形态优化模块和辅助系统完成交通事故现场记录草图识别的优化处理；
4、根据优化处理后的结果，结合图例系统和标注系统完成道路交通事故现场比例图的绘制。
本发明所述步骤2中，人工智能识别模块中使用AlexNet网络，网络使用多个卷积内核（a.k.a过滤器）提取图像的特征，同一卷积层中内核的大小是相同的，内核的宽度和高度是相同的，深度与通道的数量是相同的，前两个卷积层后面是重叠的最大池化层，第三、四个卷积层是直接相连的，第五个卷积层经过重叠的最大池化后进入两个全连接层，第二个全连接层给softMax分类器提供标签，在所有的卷积层和全连接层之后，应用RELU非线性函数，然后进行局部标准化，继而执行POOL操作，最终得到用于识别的网络模型。
参见图1所示，图1是本发明基于AI识别技术道路交通事故现场草图绘制方法流程框图。本发明提供的道路交通事故现场记录草图识别系统，以适应用户习惯，减少绘图时间，提高软件的可操作性，降低学习复杂度为依据，设计了两个图层，分别为道路层和标注层，其中道路层包括草图识别系统，标注层包括图例系统和标注系统，此外辅助系统在两个图层通用。
电子草图获取设备，用于记录用户现场绘制现场记录草图轨迹的输入设备。该设备可以是iPad，用于完成草图绘制。
由于电子设备获取的触控点是跟随触控位置的变化来记录的，因此收集的点数量较多，有时可达数百个，以此为基础描绘草图轨迹不仅会使电子设备运行不顺畅，造成不必要的性能浪费，同时对于后期的编辑修改也会带来巨大的麻烦，实际上只需提取出草图轨迹的关键节点，以三次贝塞尔曲线描绘轨迹不仅能很好的还原出原始轨迹的形态，同时也能去除绘制时手抖造成的波动噪声等，因此，我们利用相对斜率及距离差的方法提出多余的点，很好的保留了原始数据的特性。
道路层主要用于交通事故现场固有元素的绘制，包括道路元素、道路轮廓等，继而进行优化处理。草图识别系统由道路元素识别模块、道路轮廓识别模块、道路整体形态优化模块三个模块组成，其中道路元素识别模块和道路轮廓识别模块是基于机器学习算法实现的，根据用户单次多笔绘制的轨迹结果，识别出与之相似的元素，并使用机器学习算法获取轨迹识别结果的候选列表，依据相似度的概率高低排列。提供学习功能，学习用户多次选中的元素，重新排列相似度的概率表，提供给用户选择。现分别阐述如下：
（1）道路元素识别模块，其用途是识别道路交通事故现场众多元素中的路面元素和路上元素，如人行道，导向标志，停止线等道路元素，识别后的道路元素根据所属道路形态动态自适应，并跟随所属道路形态的改变调整自身属性。
（2）道路轮廓识别模块，其用途是识别道路交通事故现场中的道路标线，如单实线，单虚线，双黄线，隔离桩，绿化带等各式线型。识别后的线型均已做曲线的平滑处理，并可通过其自身提供的曲线控制点，二次调整其形状，设置其自身属性。
（3）道路整体形态优化模块，其用途是根据道路轮廓识别模块识别后的各式道路标线，完成事故现场道路整体形态的优化处理，如十字路口，丁字路口，匝路，多岔路口等各种符合实际现场要求的道路形态。具体的优化处理过程概述为：曲线打断、曲线分组、分组校直、分组校齐。具体的识别过程如下所述：
曲线打断，通过计算每段曲线的曲率和绘制速度，通过计算曲线的拐点，和反复调试的阈值做几何运算，完成曲线打断功能。
曲线分组，通过计算曲线自身的趋势方向，划分成几组趋势方向接近的小组，并找出各组中长度单位最长的主干小组完成迭代式的反复分组，直到划分好各段曲线小组，即各个分支道路。
分组校直，通过各个分支道路的两侧路边线，校直小组内各条曲线的方向，并针对宽变窄，打断路面等特殊形态特殊处理，完成各道路曲线小组内的校直操作。
分组校齐，通过各个分支道路内的分道间的标注宽度，完成各分支道路的路宽设置。到此，道路整体形态优化模块完成。
图例系统包括地面物体、交通事故元素、痕迹散落物、安全设施及交通现象等模块组成，用来显示事故现场记录草图和比例图必须的元素。
标注系统包括标注识别模块、驱动模块。分别介绍如下：
标注识别模块，遍历所有的分道和事故元素，分别计算其与标注首尾两端的距离，找出最接近标注两端的分道或元素，以此为依据绘制标注并自动进行校正，完成标注识别。
标注驱动模块，包括路宽驱动和事故元素驱动，路宽驱动是基于两分道内标注的数据调整分道的宽度，或变宽或变窄，并可指定变化的方向；事故元素驱动包括横、纵两方向驱动，其中纵向标注需优先绘制并驱动，继而绘制横向标注并驱动，可多次重复绘制，以最近一次的为准，同时也可根据不同需求设置对应的定位方式，定位方式包括三角，直角，累加定位和混合定位，并对可能出现的局部循环进行特殊处理，完成标注驱动。
辅助系统包括容错处理模块、操作处理模块、文字处理模块和属性设置模块；容错处理模块包括擦除、删除元素、清屏、撤销和重做单元，操作处理模块包括缩放、平移、旋转、全屏居中和局部放大单元，属性设置模块包括识别预测单元和图符属性单元，其用途是辅助草图识别系统中各模块的修改，辅助图例系统中各模块的调整以及显示，识别出的路上、路面等交通事故现场元素与图例系统中的相应元素兼容，草图场景与比例场景兼容，各模块支持任意顺序、协同、组合操作，独立进行时互不干扰。
参见图2所示，图2为本发明道路交通事故现场草图AI识别绘制系统的核心人工智能识别算法的网络架构图，AlexNet是一种卷积神经网络模型CNN，在图像分类领域占据重要地位，主要新技术点为。
1、网络使用RELU非线性函数作为CNN的激活函数，解决了网络中出现的梯度弥散问题。
2、训练时使用Dropout随机忽略一些神经元和数据增强的方法，避免了过拟合。
3、在CNN中使用叠加的最大池化层POOL，提升了特征的丰富性。
4、增加局部响应归一化LRN，增强了模型的泛化能力。
5、使用CUDA加速了深层网络的训练。
分别介绍如下。
1、在进行梯度下降运算时，神经网络的激活函数通常是Sigmoid或tanh函数，这两种函数最大的缺点就是其饱和性当输入的x过大或过小时，函数的输出会非常接近+1或-1，在这里斜率会非常小，那么其饱和性会使梯度非常小，严重降低了网络的训练速度，而RELU的函数表达式为max（0，x），当x>0时输出为x，斜率恒为1，在实际使用中，要将深度神经网络训练至training error rate达到25%的话，RELU只需5个epochs的迭代，而tanh单元需要35个epochs的迭代，速度快6倍，同时也就解决了训练较深的网络中出现的梯度弥散问题。
2、AlexNet中有6000万个参数，非常容易产生过拟合，因此AlexNet采用两种方式来对抗过拟合。
一种是数据增益，这是对抗过拟合最简单有效的方法，网络中涉及到同一图像的不同变化时有助于防止过度拟合，即强迫神经网络不去记忆。第一种是对原始的256x256大小的图片随机裁剪为224x224大小，并进行随机翻转，这两种操作相当于把训练集扩大了32x32x2=2048倍。在测试时，AlexNet把输入图片与其水平翻转在四个角处与正中心共五个地方各裁剪下224x224大小的子图，即共裁剪出10个子图，均送入AlexNet中，并把10个softmax输出求平均。如果没有这些操作，AlexNet将出现严重的过拟合，使网络的深度不能达到这么深。第二种是改变训练图集中的RGB通道的强度，对RGB通道使用PCA（主成分分析），对每个训练图片的每个像素，提取出RGB三个通道的特征向量与特征值，对每个特征值乘以一个α，α是一个均值0.1方差服从高斯分布的随机变量，这个方法降低了光照、颜色和灯光对结果的影响，减少了错误率。
一种是Dropout，是有效的模型集成学习方法，它会以0.5的概率对每个隐层神经元的输出设为0。那些“失活的”的神经元不再进行前向传播并且不参与反向传播。因此每次输入时，神经网络会采样一个不同的架构，但所有架构共享权重，减少了复杂的神经元互适应，因此，神经元被强迫学习更鲁棒的特征，它在与许多不同的其它神经元的随机子集结合时是有用的。在测试时，我们使用所有的神经元但它们的输出乘以0.5。Dropout在前两个全连接层中使用，非常有效避免了过拟合。
3、使用最大池化层max pooling，避免了平均池化层的模糊化的效果，并且步长比池化的核的尺寸小，这样池化层的输出之间有重叠，提升了特征的丰富性。
4、LRN的作用是对位置(x，y)处的像素计算其与几个相邻的kernel maps的像素值的和，并除以这个和来归一化。LRN层模仿生物神经系统的侧抑制机制，对局部神经元的活动创建竞争机制，使得响应比较大的值相对更大，提高模型泛化能力和性能。
本发明所述系统运行的硬件平台是iPad，本发明所述系统运行的软件平台是IOS11.0+。
本发明机器学习算法具体为依靠机器学习工具Caffe和IOS人工智能工具CoreML，基于AlexNet深度卷积神经网络实现的AI识别算法。草图AI识别系统运行于Apple的IOS操作系统，依据机器学习算法识别的道路整体形态和事故元素形成的记录图和比例图，符合国家规范的交通事故现场图，并实现现场图的保存和打印输出，并提供道路事故现场勘查笔录和事故认定书等功能。
本发明采用人工智能算法结合图像处理技术，操作要求低，无需复杂的培训，便可由一名绘图员清晰完整的记录道路交通事故现场情况。整个系统成本低廉，并且测量精度高、草图绘制周期短、便于携带，相较于传统的交通事故现场处理方法具有明显的优势。
以上所述，仅为本发明较佳的具体实时方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (9)
1.一种基于AI识别技术道路交通事故现场草图绘制方法，包括：通过电子草图获取设备徒手绘制基于事故现场的路面形态和相关事故元素的现场记录草图；使用人工智能识别模块对用户每次输入的轨迹进行识别，完成对道路轮廓和道路元素的识别；使用道路整体形态优化模块和辅助系统完成交通事故现场记录草图识别的优化处理；根据优化处理后的结果，结合图例系统和标注系统完成道路交通事故现场比例图的绘制。
2.根据权利要求1所述的基于AI识别技术道路交通事故现场草图绘制方法，其特征在于：所述人工智能识别模块是基于AlexNet卷积神经网络，经过卷积层、全连接层和RELU激活函数、LRN局部响应归一化、重叠的Max Pooling和Dropout运算实现的。
3.根据权利要求2所述的基于AI识别技术道路交通事故现场草图绘制方法，其特征在于：所述道路整体形态优化模块是基于图像处理技术、数学计算几何运算，经过曲线打断、曲线分组、分组校直及分组校齐实现的。
4.根据权利要求3所述的基于AI识别技术道路交通事故现场草图绘制方法，其特征在于：所述标注系统是以最近邻原则识别绘制标注，以垂直于参考线的方向驱动纵向标注，以平行于参考线、相对于参考点的标注半径驱动横向标注。
5.根据权利要求4所述的基于AI识别技术道路交通事故现场草图绘制方法，其特征在于：所述图例系统包括地面物体、交通事故元素、痕迹散落物、安全设施及交通现象模块，用以显示事故现场记录草图和比例图必须的元素。
6.根据权利要求5所述的基于AI识别技术道路交通事故现场草图绘制方法，其特征在于：所述辅助系统包括容错处理模块、操作处理模块、文字处理模块及属性设置模块。
7.根据权利要求6所述的基于AI识别技术道路交通事故现场草图绘制方法，其特征在于：所述容错处理模块包括擦除、删除元素、清屏、撤销和重做单元。
8.根据权利要求6所述的基于AI识别技术道路交通事故现场草图绘制方法，其特征在于：所述操作处理模块包括缩放、平移、旋转、全屏居中和局部放大单元。
9.根据权利要求6所述的基于AI识别技术道路交通事故现场草图绘制方法，其特征在于：所述属性设置模块包括识别预测单元和图符属性单元，其用途是辅助草图识别系统中各模块的修改。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811555589.6A CN109636881A (zh) | 2018-12-19 | 2018-12-19 | 基于ai识别技术道路交通事故现场草图绘制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811555589.6A CN109636881A (zh) | 2018-12-19 | 2018-12-19 | 基于ai识别技术道路交通事故现场草图绘制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109636881A true CN109636881A (zh) | 2019-04-16 |
Family
ID=66075418
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811555589.6A Pending CN109636881A (zh) | 2018-12-19 | 2018-12-19 | 基于ai识别技术道路交通事故现场草图绘制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109636881A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110609685A (zh) * | 2019-09-20 | 2019-12-24 | 通号万全信号设备有限公司 | 一种铁路信号联锁数据配置工具界面的生成方法 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102230798A (zh) * | 2011-04-12 | 2011-11-02 | 清华大学 | 基于双目视觉的便携式无标尺交通事故现场快速勘查系统 |
| CN102289991A (zh) * | 2011-09-05 | 2011-12-21 | 武汉大学 | 一种基于视觉变量的地图注记自动分类配置方法 |
| CN102564403A (zh) * | 2012-01-06 | 2012-07-11 | 上海交通大学 | 基于图像引导的交通事故现场快速测绘系统 |
| CN103366633A (zh) * | 2013-04-16 | 2013-10-23 | 中国水利水电科学研究院 | 基于水利地图数据模型的洪水风险图绘制方法及其系统 |
| CN103970859A (zh) * | 2014-04-29 | 2014-08-06 | 杨立法 | 一种基于SVG的Google用户地图文本标注方法 |
| US20140288830A1 (en) * | 2012-10-15 | 2014-09-25 | Microsoft Corporation | Maps from sketches |
| CN105700791A (zh) * | 2016-03-04 | 2016-06-22 | 沈阳天择智能交通工程有限公司 | 道路交通事故现场草图识别绘制方法 |
| CN106027980A (zh) * | 2016-06-22 | 2016-10-12 | 沈阳天择智能交通工程有限公司 | 交通事故航勘飞行操控系统 |
| CN106126581A (zh) * | 2016-06-20 | 2016-11-16 | 复旦大学 | 基于深度学习的手绘草图图像检索方法 |
| CN107122701A (zh) * | 2017-03-03 | 2017-09-01 | 华南理工大学 | 一种基于图像显著性和深度学习的交通道路标志识别方法 |
| CN107229690A (zh) * | 2017-05-19 | 2017-10-03 | 广州中国科学院软件应用技术研究所 | 基于路侧传感器的高精度动态地图数据处理系统及方法 |
| CN107301383A (zh) * | 2017-06-07 | 2017-10-27 | 华南理工大学 | 一种基于Fast R‑CNN的路面交通标志识别方法 |
| CN108205563A (zh) * | 2016-12-19 | 2018-06-26 | 北京四维图新科技股份有限公司 | 电子地图信息标注方法、装置及终端 |
| CN108830236A (zh) * | 2018-06-21 | 2018-11-16 | 电子科技大学 | 一种基于深度特征的行人重识别方法 |
-
2018
- 2018-12-19 CN CN201811555589.6A patent/CN109636881A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102230798A (zh) * | 2011-04-12 | 2011-11-02 | 清华大学 | 基于双目视觉的便携式无标尺交通事故现场快速勘查系统 |
| CN102289991A (zh) * | 2011-09-05 | 2011-12-21 | 武汉大学 | 一种基于视觉变量的地图注记自动分类配置方法 |
| CN102564403A (zh) * | 2012-01-06 | 2012-07-11 | 上海交通大学 | 基于图像引导的交通事故现场快速测绘系统 |
| US20140288830A1 (en) * | 2012-10-15 | 2014-09-25 | Microsoft Corporation | Maps from sketches |
| CN103366633A (zh) * | 2013-04-16 | 2013-10-23 | 中国水利水电科学研究院 | 基于水利地图数据模型的洪水风险图绘制方法及其系统 |
| CN103970859A (zh) * | 2014-04-29 | 2014-08-06 | 杨立法 | 一种基于SVG的Google用户地图文本标注方法 |
| CN105700791A (zh) * | 2016-03-04 | 2016-06-22 | 沈阳天择智能交通工程有限公司 | 道路交通事故现场草图识别绘制方法 |
| CN106126581A (zh) * | 2016-06-20 | 2016-11-16 | 复旦大学 | 基于深度学习的手绘草图图像检索方法 |
| CN106027980A (zh) * | 2016-06-22 | 2016-10-12 | 沈阳天择智能交通工程有限公司 | 交通事故航勘飞行操控系统 |
| CN108205563A (zh) * | 2016-12-19 | 2018-06-26 | 北京四维图新科技股份有限公司 | 电子地图信息标注方法、装置及终端 |
| CN107122701A (zh) * | 2017-03-03 | 2017-09-01 | 华南理工大学 | 一种基于图像显著性和深度学习的交通道路标志识别方法 |
| CN107229690A (zh) * | 2017-05-19 | 2017-10-03 | 广州中国科学院软件应用技术研究所 | 基于路侧传感器的高精度动态地图数据处理系统及方法 |
| CN107301383A (zh) * | 2017-06-07 | 2017-10-27 | 华南理工大学 | 一种基于Fast R‑CNN的路面交通标志识别方法 |
| CN108830236A (zh) * | 2018-06-21 | 2018-11-16 | 电子科技大学 | 一种基于深度特征的行人重识别方法 |
Non-Patent Citations (7)
| Title |
|---|
| 张婷婷: "道路交通事故现场图绘制系统研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 张婷婷: "道路交通事故现场图绘制系统研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 05, 15 May 2012 (2012-05-15), pages 138 - 1269 * |
| 景军锋 等: "于卷积神经网络的织物表面缺陷分类方法", 测控技术, vol. 37, no. 9, pages 20 - 25 * |
| 沈阳天择智能交通工程有限公司: "道路交通事故现场记录图绘制系统草图识别AI版", 《HTTPS://WWW.TZJT.COM.CN/INDEX.PHP?M =CN&C=SERVICE&A=VIEW&ID=409》 * |
| 沈阳天择智能交通工程有限公司: "道路交通事故现场记录图绘制系统草图识别AI版", 《HTTPS://WWW.TZJT.COM.CN/INDEX.PHP?M =CN&C=SERVICE&A=VIEW&ID=409》, 2 December 2017 (2017-12-02), pages 1 * |
| 王茜;张海仙;: "基于深度神经网络的汽车车型识别", 现代计算机(专业版), no. 35, pages 61 - 64 * |
| 程曦 等: "深度学习在储粮害虫的特征提取与分类上的应用", 皖西学院学报, vol. 33, no. 5, pages 67 - 72 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110609685A (zh) * | 2019-09-20 | 2019-12-24 | 通号万全信号设备有限公司 | 一种铁路信号联锁数据配置工具界面的生成方法 |
| CN110609685B (zh) * | 2019-09-20 | 2023-06-27 | 通号万全信号设备有限公司 | 一种铁路信号联锁数据配置工具界面的生成方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022047958A1 (zh) | 一种基于人工智能的城市道路网络自动生成方法 | |
| CN108710875A (zh) | 一种基于深度学习的航拍公路车辆计数方法及装置 | |
| CN109145900A (zh) | 一种基于深度学习的车牌识别方法 | |
| CN107229756A (zh) | 一种直观展现企业关系图谱的设计方法及系统 | |
| CN108022012A (zh) | 基于深度学习的车辆位置预测方法 | |
| CN108171112A (zh) | 基于卷积神经网络的车辆识别与跟踪方法 | |
| CN108921200A (zh) | 用于对驾驶场景数据进行分类的方法、装置、设备和介质 | |
| CN112465395A (zh) | 一种面向自动驾驶汽车的多维度综合评价方法及装置 | |
| CN105354568A (zh) | 基于卷积神经网络的车标识别方法 | |
| CN107134144A (zh) | 一种用于交通监控的车辆检测方法 | |
| CN109948547A (zh) | 城市绿地景观评价方法、装置、存储介质及终端设备 | |
| CN102968643B (zh) | 一种基于李群论的多模态情感识别方法 | |
| CN105938560A (zh) | 一种基于卷积神经网络的车型精细分类系统 | |
| CN110378239A (zh) | 一种基于深度学习的实时交通标志检测方法 | |
| CN104299009A (zh) | 基于多特征融合的车牌字符识别方法 | |
| CN110349260A (zh) | 一种路面标线自动提取方法及装置 | |
| CN108197584A (zh) | 一种基于三元组深度神经网络的行人重识别方法 | |
| CN108319952A (zh) | 一种车辆特征提取方法及装置 | |
| WO2022096558A2 (de) | Verfahren und system zur augmentierung von lidar-daten | |
| CN109858374A (zh) | 高精度地图制作中箭头类标线自动提取方法和装置 | |
| Kong et al. | Enhanced facade parsing for street-level images using convolutional neural networks | |
| CN108876805A (zh) | 一种端对端无监督场景可通行区域认知与理解方法 | |
| CN104933229A (zh) | 一种基于网络图片的建成环境景观特征识别方法 | |
| CN103678593B (zh) | 一种基于空间场景草图描述的交互式空间场景检索方法 | |
| CN111400423B (zh) | 基于多视图几何的智慧城市cim三维车辆位姿建模系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190416 |