CN109977986B - 一种多源不确定性信息下车人碰撞事故车速鉴定方法 - Google Patents

一种多源不确定性信息下车人碰撞事故车速鉴定方法 Download PDF

Info

Publication number
CN109977986B
CN109977986B CN201811572353.3A CN201811572353A CN109977986B CN 109977986 B CN109977986 B CN 109977986B CN 201811572353 A CN201811572353 A CN 201811572353A CN 109977986 B CN109977986 B CN 109977986B
Authority
CN
China
Prior art keywords
trace
results
information
result
vehicle speed
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.)
Active
Application number
CN201811572353.3A
Other languages
English (en)
Other versions
CN109977986A (zh
Inventor
邹铁方
李华
何枫林
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.)
Changsha University of Science and Technology
Original Assignee
Changsha University of Science and Technology
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 Changsha University of Science and Technology filed Critical Changsha University of Science and Technology
Priority to CN201811572353.3A priority Critical patent/CN109977986B/zh
Publication of CN109977986A publication Critical patent/CN109977986A/zh
Application granted granted Critical
Publication of CN109977986B publication Critical patent/CN109977986B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/259—Fusion by voting

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种多源不确定性信息下车人碰撞事故车速鉴定方法，用于解决现有的车速鉴定只能依靠鉴定人经验判断模型可靠性的缺陷。本方法首先输入n个痕迹信息后，依据痕迹信息选择N个事故再现模型，并利用不确定性分析技术得到N类结果，然后利用聚类分析技术在每一类结果内进行分析，找出其中的优质代表结果集和可能问题结果集，结合每个模型权重信息由优质代表结果集对可能问题结果集进行投票，将得分低的可能问题结果集删除后，对所有结果进行统计处理后视为最终结果输出。这种方法不仅降低了鉴定人员选择模型及不确定性分析方法等方面遇到的难题，还能将痕迹、模型等包含的不确定性客观反映到计算结果中，并且能自动判断错误的结果。

Description

一种多源不确定性信息下车人碰撞事故车速鉴定方法
技术领域
本发明涉及车速鉴定领域，更具体地，涉及一种多源不确定性信息下车人碰撞事故车速鉴定方法。
背景技术
车速鉴定的依据是事故中所遗留的各类痕迹，痕迹的优劣直接决定了鉴定结果的好坏。当痕迹信息全面而准确时，获得客观、可信的车速鉴定结果为水到渠成之事；但现实中，受到事故路段过往车辆、行人以及雨、雪、灰尘等因素的影响，事故现场的痕迹将会被破坏，导致痕迹不连续、不完整甚至消失，以致一些痕迹被忽略、测不准甚至测不到，此时，如何获得客观、可信的车速鉴定结果，则成为一个极具挑战的工作。
注意到不同事故案例中所能采集到的痕迹的数量、质量均不同，警方提供的痕迹亦是千差万别，此时选择哪一类模型中的哪一个模型预估车速，不同模型所得预估值不一致时又如何应对，如果痕迹包含各类不确定性信息，如何将所有不确定信息客观地体现到鉴定结果中去，针对这些问题，人们展开了广泛而深入的研究。从模型角度看，人们提出了基于不同痕迹或多类痕迹的车速鉴定方法，如基于人体抛距、车体变形、人体损伤、车辆制动距离、汽车装载主动安全设备、视频监控等的方法或基于仿真手段的能利用多类痕迹鉴定车速的方法；从痕迹角度看，人们从痕迹测量方面开展过研究，如引入更先进的测量手段如航拍仪、三维扫描仪等。这些研究的引入显然提高了车速鉴定的可靠与可信性。但把车人碰撞事故车速鉴定这个复杂问题简单化来看，发生事故后获得良莠不齐的痕迹，有很多专家提出的各类模型，鉴定人员该如何判断模型的可靠性进而获得可靠鉴定车速的问题却没有相应的系统解决方案。
发明内容
本发明为克服上述现有技术所述的车速鉴定只能依靠鉴定人经验判断模型可靠性的缺陷，提供一种多源不确定性信息下车人碰撞事故车速鉴定方法。
为解决上述技术问题，本发明的技术方案如下：一种多源不确定性信息下车人碰撞事故车速鉴定方法，包括以下步骤：
S1：输入人车碰撞的n个痕迹信息；
S2：获得n个输入痕迹信息后，依据痕迹信息选择N个模型；
S3：依据输入的不确定痕迹信息及选择的N个模型，利用不确定性分析技术，获得N类事故再现结果；
S4：利用聚类分析方法，将i类结果分为两类，将样本数多的一类定义为优质结果，而将样本数少的一类结果定义为可能问题结果集，然后按照i类结果的统计特性从优质结果中选择n2个结果作为优质代表结果集；
S5：最后通过优质代表结果对可能问题结果进行投票，判断可能问题结果的可靠性，并删除不可靠结果；
S6：对车速鉴定的结果给出统计均值、区间、概率分布情况的统计信息，并给出条形图，直观表达结果。
本发明首先输入n个痕迹信息后，依据痕迹信息选择N个事故再现模型，将此两者结合并利用不确定性分析技术得到N类结果，然后利用聚类分析技术在每一类结果内进行分析，找出其中的优质代表结果集和可能问题结果集，再结合每个模型权重信息由优质代表结果集对可能问题结果集进行投票，将得分低的可能问题结果集删除后，对所有结果进行统计处理后视为最终结果输出。
优选地，所述痕迹信息包括确定痕迹的痕迹参数、不确定区间痕迹的痕迹参数以及不确定概率痕迹的痕迹参数，其参数包括区间痕迹的上下界，概率痕迹的概率分布情况等。
优选地，所述模型包括经验模型和仿真模型；
经验模型包括基于车辆制动距离、人体抛距、人体损伤、车体变形等痕迹的单一痕迹模型及基于这些痕迹的组合痕迹模型；
仿真模型依据输入痕迹信息的特性及其所包含的不确定性信息，依据实验设计理论设计一组实验，然后调用Madymo软件进行仿真，最后通过回归分析获得基于不同类型痕迹的若干车速鉴定模型。
优选地，所选择的模型的权重系数均相等，或者根据专家打分的方式确定各模型的权重。
优选地，步骤S3产生第i类结果的方法是：依据第i个模型所需痕迹所包含的不确定性信息在痕迹取值区间内生成相应分布的n1个样本数据，然后结合模型计算出n1个结果，组成与第i个模型对应的i类结果，其中1≤i≤N。
优选地，所述的n1应该越大越好，其值不小于106。
优选地，第i个模型所需区间不确定痕迹视为服从均匀分布的概率痕迹。
优选地，步骤S4产生n2个优质代表结果的方法步骤为：将i类结果中优质结果按照从大到少的顺序排列，再将这调整后的优质结果分成n2份，然后取每一份的中位数出来，构成优质代表结果。
优选地，所述的n2为50，50个结果作为优质代表结果集的效果最佳
优选地，S4中采用K-中心点聚类方法将i类结果分为两类。
优选地，步骤S5的具体步骤包括：
S51：计算n2个结果与可能问题结果均值之间的距离，将该距离的倒数作为i类结果下n2个优质代表结果对j类结果下的可能问题结果的投票分数；
S52：将所有投票分数的中位数作为判断标准，低于中位数的投票分数全部删除。
优选地，若对获得i类结果的模型有所偏好，则将偏好值乘以距离的倒数后所得的值作为投票分数。
与现有技术相比，本发明技术方案的有益效果是：本发明仅需输入痕迹，其能自动选择模型并计算包含不确定性的车速鉴定结果且能对这些鉴定结果的优劣程度进行判断，删除明显错误的结果后，给出具有完备统计信息的最终车速鉴定结果。该方法不仅降低了车速鉴定人员选择模型、选择不确定性分析方法等方面遇到的难题，还能将痕迹、模型等包含的不确定性客观反映到计算结果中，更重要的是在计算过程中能自动判断错误的结果，这为提高再现结果的可信性提供了方法支持。
附图说明
图1为本发明的方法流程图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示的本发明的方法流程图，包括以下步骤：
S1：输入人车碰撞的n个痕迹信息，包括确定痕迹、不确定区间痕迹、不确定概率痕迹的痕迹参数；
S2：获得n个输入痕迹信息后，依据痕迹信息选择N个模型，包括经验模型和仿真模型；其中经验模型包括基于车辆制动距离、人体抛距、人体损伤、车体变形等痕迹的单一痕迹模型及基于这些痕迹的组合痕迹模型，满足输入条件的模型尽可能多选。仿真模型则是依据输入痕迹的特性及其所包含的不确定性信息，依据实验设计理论设计一组实验，然后调用Madymo软件进行仿真，最后通过回归分析获得基于不同类型痕迹的多个车速鉴定模型。所选择的各类模型，默认其权重系数均相等，亦可以借助专家打分等方式确定各模型的权重，从而获得模型的喜好程度。
S3：依据输入的不确定痕迹信息及选择的N个模型，利用不确定性分析技术，获得N类事故再现结果；选用的不确定性分析技术为蒙特卡洛方法，依据第i个模型所需输入痕迹所包含的不确定性信息在痕迹取值区间内生成相应分布的n1样本数据(n1越大越好，以不小于106为宜)；所述的第i个模型所需区间痕迹视为服从均匀分布的概率痕迹；然后结合模型计算出n1个结果，组成与第i个模型对应的i类结果。
S4：利用聚类分析方法，采用K-中心点聚类方法将i类结果分为两类，将样本数多的一类定义为优质结果，而将样本数少的一类结果定义为可能问题结果集，然后按照i类结果的统计特性从优质结果中选择n2(n2＝50为宜)个结果作为优质代表结果集；产生n2优质代表结果集的方法如下：将i类结果中优质结果按照从大到少的顺序排列，再将这调整后的优质结果分成n2份，然后取每一份的中位数出来，构成优质代表结果。
S5：最后通过优质代表结果对可能问题结果进行投票，判断可能问题结果的可靠性，并删除不可靠结果；其中对i类结果下n2个优质代表结果，其对j类结果下的可能问题结果投票方法如下：计算n2个结果与可能问题结果均值之间的距离，将该距离的倒数作为i类结果下n2个优质代表结果对j类结果下的可能问题结果的投票分数；如果对于获得i类结果的模型有所偏好，则将这种偏好值乘以距离的倒数后所得的值作为投票分数。最终投票得分越低者，表明问题越严重，舍弃的可能性就越高。具体操作过程中，将所有投票分数的中位数作为判断标准，低于中位数的数据则全部删除。
S6：对车速鉴定的结果给出统计均值、区间、概率分布情况的统计信息，并给出条形图，直观表达结果。
本发明提出了一种多元不确定性信息下车人碰撞事故车速的鉴定方法，这种方法仅需输入痕迹，其能自动选择模型并计算包含不确定性的车速鉴定结果且能对这些鉴定结果的优劣程度进行判断，删除明显错误的结果后，给出具有完备统计信息的最终车速鉴定结果。该方法不仅降低了车速鉴定人员选择模型、选择不确定性分析方法等方面遇到的难题，还能将痕迹、模型等包含的不确定性客观反映到计算结果中，更重要的是在计算过程中能自动判断错误的结果，这为提高再现结果的可信性提供了方法支持。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (8)

1.一种多源不确定性信息下车人碰撞事故车速鉴定方法，其特征在于：包括以下步骤：
S1：输入人车碰撞的n个痕迹信息；
S2：获得n个输入痕迹信息后，依据痕迹信息选择N个模型；
S3：依据输入的不确定痕迹信息及选择的N个模型，利用不确定性分析技术，获得N类事故再现结果；
S4：利用聚类分析方法，采用K-中心点聚类方法将i类结果分为两类，将样本数多的一类定义为优质结果，而将样本数少的一类结果定义为可能问题结果集，然后按照i类结果的统计特性从优质结果中选择n2个结果作为优质代表结果集；
S5：最后通过优质代表结果对可能问题结果进行投票，判断可能问题结果的可靠性，并删除不可靠结果；
S6：对车速鉴定的结果给出统计均值、区间、概率分布情况的统计信息，并给出条形图，直观表达结果；
步骤S3产生第i类结果的方法是：依据第i个模型所需痕迹包含的不确定性信息在痕迹取值区间内生成n1个样本数据，然后结合模型计算出n1个结果，组成与第i个模型对应的i类结果，其中1≤i≤N；
步骤S5的具体步骤包括：
S51：计算n2个结果与可能问题结果均值之间的距离，将该距离的倒数作为i类结果下n2个优质代表结果对j类结果下的可能问题结果的投票分数；
S52：将所有投票分数的中位数作为判断标准，低于中位数的投票分数全部删除。
2.根据权利要求1所述的一种多源不确定性信息下车人碰撞事故车速鉴定方法，其特征在于：所述痕迹信息包括确定痕迹的痕迹参数、不确定区间痕迹的痕迹参数以及不确定概率痕迹的痕迹参数。
3.根据权利要求2所述的一种多源不确定性信息下车人碰撞事故车速鉴定方法，其特征在于：所述模型包括经验模型和仿真模型；经验模型包括基于车辆制动距离、人体抛距、人体损伤、车体变形痕迹的单一痕迹模型及基于这些痕迹的组合痕迹模型；仿真模型依据输入痕迹信息的特性及其所包含的不确定性信息，依据实验设计理论设计一组实验，然后调用软件进行仿真，最后通过回归分析获得基于不同类型痕迹的若干车速鉴定模型。
4.根据权利要求3所述的一种多源不确定性信息下车人碰撞事故车速鉴定方法，其特征在于：所选择的模型的权重系数均相等，或者根据专家打分的方式确定各模型的权重。
5.根据权利要求4所述的一种多源不确定性信息下车人碰撞事故车速鉴定方法，其特征在于：所述的n1不小于106。
6.根据权利要求5所述的一种多源不确定性信息下车人碰撞事故车速鉴定方法，其特征在于：第i个模型所需区间不确定痕迹视为服从均匀分布的概率痕迹。
7.根据权利要求6所述的一种多源不确定性信息下车人碰撞事故车速鉴定方法，其特征在于：步骤S4产生n2个优质代表结果的方法步骤为：将i类结果中优质结果按照从大到少的顺序排列，再将这调整后的优质结果分成n2份，然后取每一份的中位数出来，构成优质代表结果，所述的n2为50。
8.根据权利要求7所述的一种多源不确定性信息下车人碰撞事故车速鉴定方法，其特征在于：若对获得i类结果的模型有所偏好，则将偏好值乘以距离的倒数后所得的值作为投票分数。
CN201811572353.3A 2018-12-21 2018-12-21 一种多源不确定性信息下车人碰撞事故车速鉴定方法 Active CN109977986B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811572353.3A CN109977986B (zh) 2018-12-21 2018-12-21 一种多源不确定性信息下车人碰撞事故车速鉴定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811572353.3A CN109977986B (zh) 2018-12-21 2018-12-21 一种多源不确定性信息下车人碰撞事故车速鉴定方法

Publications (2)

Publication Number Publication Date
CN109977986A CN109977986A (zh) 2019-07-05
CN109977986B true CN109977986B (zh) 2022-10-28

Family

ID=67076259

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811572353.3A Active CN109977986B (zh) 2018-12-21 2018-12-21 一种多源不确定性信息下车人碰撞事故车速鉴定方法

Country Status (1)

Country Link
CN (1) CN109977986B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112579973B (zh) * 2020-12-22 2024-02-13 长沙理工大学 一种多源不确定输入下事故再现车速的模糊表达方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1724971A (zh) * 2005-07-14 2006-01-25 上海交通大学 基于车身关键点三维变形的汽车碰撞事故再现方法
CN1889083A (zh) * 2006-07-20 2007-01-03 上海交通大学 基于三维多刚体模型的轿车－人碰撞事故再现优化方法
CN101118652A (zh) * 2007-09-06 2008-02-06 上海交通大学 自行车碰撞事故的三维建模及优化再现方法
CN107766588A (zh) * 2016-08-17 2018-03-06 北京空间技术研制试验中心 逃逸飞行器遵循多种概率分布的多次碰撞情况仿真方法
CN108469806A (zh) * 2018-03-26 2018-08-31 重庆邮电大学 交替式人机共驾中驾驶权转移方法
CN108920757A (zh) * 2018-05-30 2018-11-30 淮阴工学院 一种基于计算机仿真的汽车碰撞事故再现方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9491420B2 (en) * 2009-09-20 2016-11-08 Tibet MIMAR Vehicle security with accident notification and embedded driver analytics
US11074495B2 (en) * 2013-02-28 2021-07-27 Z Advanced Computing, Inc. (Zac) System and method for extremely efficient image and pattern recognition and artificial intelligence platform

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1724971A (zh) * 2005-07-14 2006-01-25 上海交通大学 基于车身关键点三维变形的汽车碰撞事故再现方法
CN1889083A (zh) * 2006-07-20 2007-01-03 上海交通大学 基于三维多刚体模型的轿车－人碰撞事故再现优化方法
CN101118652A (zh) * 2007-09-06 2008-02-06 上海交通大学 自行车碰撞事故的三维建模及优化再现方法
CN107766588A (zh) * 2016-08-17 2018-03-06 北京空间技术研制试验中心 逃逸飞行器遵循多种概率分布的多次碰撞情况仿真方法
CN108469806A (zh) * 2018-03-26 2018-08-31 重庆邮电大学 交替式人机共驾中驾驶权转移方法
CN108920757A (zh) * 2018-05-30 2018-11-30 淮阴工学院 一种基于计算机仿真的汽车碰撞事故再现方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
An Analysis of Road Segment traffic Safety Based on Accident Reconstruction页;Yonggang Zhang等;《2016 Eighth International Conference on Measuring Technology and Mechatronics Automation》;20160613;第77-80页 *
uncertainty analysis accident speed;Lu Lin等;《IEEE Transactions on Knowledge and Data Engineering》;20170622;第1310-1323页 *
基于不确定度理论的汽车与行人碰撞车速计算研究;刘丽冉;《中国优秀硕士学位论文全文数据库》;20180315;第1-81页 *

Also Published As

Publication number Publication date
CN109977986A (zh) 2019-07-05

Similar Documents

Publication Publication Date Title
CN110188807B (zh) 基于级联超分辨率网络与改进Faster R-CNN的隧道行人目标检测方法
CN106778595B (zh) 基于高斯混合模型的人群中异常行为的检测方法
CN108446678B (zh) 一种基于骨骼特征的危险驾驶行为识别方法
CN106778705B (zh) 一种行人个体分割方法及装置
CN111429726B (zh) 一种监控视频违停车辆检测、管理方法及对应的系统
CN107180220A (zh) 危险预测方法
CN107918311A (zh) 多传感器降水分级设备和方法
CN110569783A (zh) 一种驾驶人换道意图识别方法及系统
CN106157135A (zh) 基于声纹识别性别年龄的防欺诈系统及方法
CN112744174B (zh) 车辆碰撞监测方法、装置、设备及计算机可读存储介质
CN110889421A (zh) 目标物检测方法及装置
JP6700373B2 (ja) ビデオ動画の人工知能のための学習対象イメージパッケージング装置及び方法
CN111091110A (zh) 一种基于人工智能的反光背心穿戴识别方法
CN111091044B (zh) 一种面向网约车的车内危险场景识别方法
US11120308B2 (en) Vehicle damage detection method based on image analysis, electronic device and storage medium
CN115719475B (zh) 一种基于深度学习的三阶段轨旁设备故障自动检测方法
CN109977986B (zh) 一种多源不确定性信息下车人碰撞事故车速鉴定方法
JP6681965B2 (ja) 自律走行のための学習対象イメージ抽出装置及び方法
Anagnostopoulos et al. Predicting roundabout lane capacity using artificial neural networks
CN113609956B (zh) 训练方法、识别方法、装置、电子设备以及存储介质
CN113609937B (zh) 一种城市轨道交通的应急处理方法、系统及存储介质
CN104657741B (zh) 一种基于视频图像的目标分类方法
CN114049543A (zh) 一种基于深度学习的废钢卸料变化区域自动识别方法
CN112861682A (zh) 基于朴素贝叶斯云计算路面图像采集分类方法及其装置
CN110889468A (zh) 一种可排除错误信息的多模型不确定再现结果分析方法

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