CN110070642A - 一种基于深度学习的交通事故责任评估方法及装置 - Google Patents

一种基于深度学习的交通事故责任评估方法及装置 Download PDF

Info

Publication number
CN110070642A
CN110070642A CN201910223759.9A CN201910223759A CN110070642A CN 110070642 A CN110070642 A CN 110070642A CN 201910223759 A CN201910223759 A CN 201910223759A CN 110070642 A CN110070642 A CN 110070642A
Authority
CN
China
Prior art keywords
data
accident
traffic accident
vehicle
data packet
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
CN201910223759.9A
Other languages
English (en)
Inventor
朱劲松
宋金博
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN201910223759.9A priority Critical patent/CN110070642A/zh
Publication of CN110070642A publication Critical patent/CN110070642A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data
    • G07C5/085—Registering performance data using electronic data carriers
    • G07C5/0866—Registering performance data using electronic data carriers the electronic data carrier being a digital video recorder in combination with video camera
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • 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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开一种基于深度学习的交通事故责任评估方法及装置，由行车记录仪获取本车行车数据，由道路监控设备监控车辆行驶；录入发生事故的车辆信息，从数据库中调取获得事故车辆数据；通过神经网络算法训练交通事故责任评估模型；将事故车辆数据输入交通事故责任评估模型，由交通事故责任评估模型输出得到事故责任评估结果发送给用户端。本发明能够实现交通事故证据的集中管理，自动且高效的进行交通事故责任评估；评估结果精确，具有较强的法律依据；评估速度快，能够大大提高交通事故处理工作的效率，避免人力物力的浪费；能够全面的进行证据分析判断，使责任评估结果公平合理。

Description

一种基于深度学习的交通事故责任评估方法及装置
技术领域
本发明属于交通事故管理技术领域，特别是涉及一种基于深度学习的交通事故责任评估方法及装置。
背景技术
随着我国经济的高速增长，高速公路、快速道路等公共交通基础设施也得到了快速发展，在给人民生活带来高效、快捷、方便的同时，也带来了诸如交通事故增加等负面影响，并且随着经济社会发展、汽车保有量和道路通车里程的增加，这一情况会变得越来越严峻。
目前在进行交通事故责任判断时，证据分散且关联性较差，无法快速获取有效证据。目前在进行交通事故责任划分的时候，通常通过监控视频或照相，通过鉴定人员进行事故责任评估，以判定责任方；但是这种方式，需要消耗大量的人力物力，工作效率极低；并且在责任判断过程中需要鉴定人员通过有限的证据作出快速的判断，无法全面的进行证据分析判断，大大的影响了判定结果，无法达到真正的公平合理，往往会产生误判。
发明内容
为了解决上述问题，本发明提出了一种基于深度学习的交通事故责任评估方法及装置，能够实现交通事故证据的集中管理，自动且高效的进行交通事故责任评估；评估结果精确，具有较强的法律依据；评估速度快，能够大大提高交通事故处理工作的效率，避免人力物力的浪费；能够全面的进行证据分析判断，使责任评估结果公平合理。
为达到上述目的，本发明采用的技术方案是：一种基于深度学习的交通事故责任评估方法，包括步骤：
S100，数据采集：由行车记录仪获取本车行车数据打包后获得行车记录数据包，由道路监控设备监控车辆行驶并将车辆监控数据打包并标记标签获得车辆监控数据包，并将所有数据包均传送至管理服务器的数据库储存；
S200，数据调取：录入发生事故的车辆信息，从数据库中调取相应的行车记录数据包和道路监控数据包；并将行车记录数据包和道路监控数据包进行分解处理，获得事故车辆数据；
S300，模型构建：将统计的历史交通事故数据和实测的交通事故数据作为训练集，通过神经网络算法训练交通事故责任评估模型；
S400，事故评估：将事故车辆数据输入交通事故责任评估模型，由交通事故责任评估模型输出得到事故责任评估结果；
S500，结果获取：将所述事故责任评估结果和事故车辆数据打包发送给用户端。
进一步的是，在步骤S100中，所述行车记录仪获取本车行车数据打包后获得行车记录数据包，包括步骤：
S111，通过行车记录仪获取行车过程中的视频数据；
S112，将视频数据通过视频帧进行划分获得行车图像；
S113，通过图像文字识别方法识别行车图像中的车牌号；
S114，将车牌号相同的行车图像所构成的视频数据进行打包处理并由车牌号作为标签标记，获得行车记录数据包。
进一步的是，为保证事故发生时数据前后的连贯性，构成具有关联性的证据链；将车牌号相同的行车图像前后的视频帧和行车图像的视频帧一起打包构成行车记录数据包。
进一步的是，在步骤S100中，所述道路监控设备监控车辆行驶并将车辆监控数据打包并标记标签获得车辆监控数据包，包括步骤：
S121，通过道路监控设备获取监控范围内监控视频数据；
S122，将监控视频数据通过视频帧进行划分获得监控图像；
S123，通过图像文字识别方法识别得监控图像中的车牌号；
S124，将同一车牌号下的监控视频数据进行打包处理并由车牌号作为标签标记，获得车辆监控数据包。
进一步的是，为保证事故发生时数据前后的连贯性，构成具有关联性的证据链；将车牌号相同的监控图像前后的视频帧和监控图像的视频帧一起打包构成车辆监控数据包。
进一步的是，在步骤S200中数据调取包括步骤：
S201，当发生交通事故后，通过用户端录入事故车辆的车牌号；
S202，通过车牌号从数据库中调取事故双方的行车记录数据包和与车牌号相匹配的道路监控数据包；
S203，从所调取的行车记录数据包中获取事故车辆的行车视频数据，作为事故车辆数据；
S204，从道路监控数据包中获取事故车辆的监控视频数据，并根据车牌号标签提取出事故车辆双方车辆共有的监控视频数据，作为事故车辆数据。
进一步的是，在所述步骤S300模型构建，包括步骤：
S301，统计的历史交通事故数据，获取实测的交通事故数据，将交通事故数据作为训练集；
S302，根据预先设定的多个事故评估指标变量与交通事故规则的关系构建交通事故责任评估算法，并通过深度学习神经网络算法，由训练集训练获得交通事故责任评估模型。
进一步的是，将事故责任评估结果反馈给交通事故责任评估模型，对交通事故责任评估模型进行优化训练；使模型不断更新优化，提高模型评估的精确度。
另一方面，本发明还提供了一种基于深度学习的交通事故责任评估装置，包括行车记录仪、道路监控设备、用户端、管理服务器和数据库；
所述行车记录仪安装在车辆中，获取本车行车数据打包后获得行车记录数据包，通过网络将行车记录数据包实时传送至管理服务器，通过管理服务器将行车记录数据包分配至数据库相应位置储存；
所述道路监控设备分布安装在道路上，监控车辆行驶并将车辆监控数据打包并标记标签获得车辆监控数据包，通过网络将车辆监控数据包实时传送至管理服务器，通过管理服务器将车辆监控数据包分配至数据库相应位置储存；
所述用户端与管理服务器通讯连接，通过用户端录入发生事故的车辆信息，并获得评估结果和事故车辆数据作为交通事故责任判断依据；
所述管理服务器，从数据库中调取相应的行车记录数据包和道路监控数据包，通过将事故车辆数据输入交通事故责任评估模型，由交通事故责任评估模型输出得到事故责任评估结果至用户端。
进一步的是，所述管理服务器包括数据采集模块、数据调取模块、模型构建模块、事故评估模块和结果输出模块；
数据采集模块：与行车记录仪和车辆监控设备相互通信，获取行车记录数据包和道路监控数据包，并将所有数据包均传送至管理服务器的数据库储存；
数据调取模块：录入发生事故的车辆信息，从数据库中调取相应的行车记录数据包和道路监控数据包；并将行车记录数据包和道路监控数据包进行分解处理，获得事故车辆数据；
模型构建模块：将统计的历史交通事故数据和实测的交通事故数据作为训练集，通过神经网络算法训练交通事故责任评估模型；
事故评估模块：将事故车辆数据输入交通事故责任评估模型，由交通事故责任评估模型输出得到事故责任评估结果；
结果输出模块：将所述事故责任评估结果和事故车辆数据打包发送给用户端。
采用本技术方案的有益效果：
本发明通过管理服务器集中收集各个车辆上行车记录仪采集的数据，同时收集道路上分布安装的道路监控设备采集的车辆监控数据，通过管路服务器进行统一管理，能够实现交通事故证据的集中管理；通过识别视频图形中车辆的车牌号，将数据进行划分打包，便于后期快速调取；通过事故车辆的车牌号即可精确调取相关采集视频数据，结合车辆自身行车记录仪的检查数据和道路上监控设备的检测数据，通过基于神经网络算法的交通事故责任评估模型，能够自动且高效的进行交通事故责任评估；
本发明评估结果精确，通过多方位视频检测证据的分析，能够真实合理的获取交通事故责任评估结果，同时将评估结果和多方位视频证据相互结合，具有较强的法律依据性；能够全面的进行证据分析判断，使责任评估结果公平合理
本发明评估速度快，通过将采集数据进行统一管理，仅需录入车辆的车牌照即可自动获取交通事故责任评估，能够大大提高交通事故处理工作的效率，避免人力物力的浪费。
附图说明
图1为本发明的基于深度学习的交通事故责任评估方法流程示意图；
图2为本发明的基于深度学习的交通事故责任评估装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步阐述。
在本实施例中，参见图1所示，本发明提出了一种基于深度学习的交通事故责任评估方法，包括步骤：
S100，数据采集：由行车记录仪获取本车行车数据打包后获得行车记录数据包，由道路监控设备监控车辆行驶并将车辆监控数据打包并标记标签获得车辆监控数据包，并将所有数据包均传送至管理服务器的数据库储存；
S200，数据调取：录入发生事故的车辆信息，从数据库中调取相应的行车记录数据包和道路监控数据包；并将行车记录数据包和道路监控数据包进行分解处理，获得事故车辆数据；
S300，模型构建：将统计的历史交通事故数据和实测的交通事故数据作为训练集，通过神经网络算法训练交通事故责任评估模型；
S400，事故评估：将事故车辆数据输入交通事故责任评估模型，由交通事故责任评估模型输出得到事故责任评估结果；
S500，结果获取：将所述事故责任评估结果和事故车辆数据打包发送给用户端。
作为上述实施例的优化方案，在步骤S100中，所述行车记录仪获取本车行车数据打包后获得行车记录数据包，包括步骤：
S111，通过行车记录仪获取行车过程中的视频数据；
S112，将视频数据通过视频帧进行划分获得行车图像；
S113，通过图像文字识别方法识别行车图像中的车牌号；
S114，将车牌号相同的行车图像所构成的视频数据进行打包处理并由车牌号作为标签标记，获得行车记录数据包。
为保证事故发生时数据前后的连贯性，构成具有关联性的证据链；将车牌号相同的行车图像前后的视频帧和行车图像的视频帧一起打包构成行车记录数据包。
在步骤S100中，所述道路监控设备监控车辆行驶并将车辆监控数据打包并标记标签获得车辆监控数据包，包括步骤：
S121，通过道路监控设备获取监控范围内监控视频数据；
S122，将监控视频数据通过视频帧进行划分获得监控图像；
S123，通过图像文字识别方法识别得监控图像中的车牌号；
S124，将同一车牌号下的监控视频数据进行打包处理并由车牌号作为标签标记，获得车辆监控数据包。
为保证事故发生时数据前后的连贯性，构成具有关联性的证据链；将车牌号相同的监控图像前后的视频帧和监控图像的视频帧一起打包构成车辆监控数据包。
作为上述实施例的优化方案，在步骤S200中数据调取包括步骤：
S201，当发生交通事故后，通过用户端录入事故车辆的车牌号；
S202，通过车牌号从数据库中调取事故双方的行车记录数据包和与车牌号相匹配的道路监控数据包；
S203，从所调取的行车记录数据包中获取事故车辆的行车视频数据，作为事故车辆数据；
S204，从道路监控数据包中获取事故车辆的监控视频数据，并根据车牌号标签提取出事故车辆双方车辆共有的监控视频数据，作为事故车辆数据。
作为上述实施例的优化方案，在所述步骤S300模型构建，包括步骤：
S301，统计的历史交通事故数据，获取实测的交通事故数据，将交通事故数据作为训练集；
S302，根据预先设定的多个事故评估指标变量与交通事故规则的关系构建交通事故责任评估算法，并通过深度学习神经网络算法，由训练集训练获得交通事故责任评估模型。
作为上述实施例的优化方案，将事故责任评估结果反馈给交通事故责任评估模型，对交通事故责任评估模型进行优化训练；使模型不断更新优化，提高模型评估的精确度。
为配合本发明方法的实现，基于相同的发明构思，如图2所示，本发明还提供了一种基于深度学习的交通事故责任评估装置，包括行车记录仪、道路监控设备、用户端、管理服务器和数据库；
所述行车记录仪安装在车辆中，获取本车行车数据打包后获得行车记录数据包，通过网络将行车记录数据包实时传送至管理服务器，通过管理服务器将行车记录数据包分配至数据库相应位置储存；
所述道路监控设备分布安装在道路上，监控车辆行驶并将车辆监控数据打包并标记标签获得车辆监控数据包，通过网络将车辆监控数据包实时传送至管理服务器，通过管理服务器将车辆监控数据包分配至数据库相应位置储存；
所述用户端与管理服务器通讯连接，通过用户端录入发生事故的车辆信息，并获得评估结果和事故车辆数据作为交通事故责任判断依据；
所述管理服务器，从数据库中调取相应的行车记录数据包和道路监控数据包，通过将事故车辆数据输入交通事故责任评估模型，由交通事故责任评估模型输出得到事故责任评估结果至用户端。
进一步的是，所述管理服务器包括数据采集模块、数据调取模块、模型构建模块、事故评估模块和结果输出模块；
数据采集模块：与行车记录仪和车辆监控设备相互通信，获取行车记录数据包和道路监控数据包，并将所有数据包均传送至管理服务器的数据库储存；
数据调取模块：录入发生事故的车辆信息，从数据库中调取相应的行车记录数据包和道路监控数据包；并将行车记录数据包和道路监控数据包进行分解处理，获得事故车辆数据；
模型构建模块：将统计的历史交通事故数据和实测的交通事故数据作为训练集，通过神经网络算法训练交通事故责任评估模型；
事故评估模块：将事故车辆数据输入交通事故责任评估模型，由交通事故责任评估模型输出得到事故责任评估结果；
结果输出模块：将所述事故责任评估结果和事故车辆数据打包发送给用户端。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种基于深度学习的交通事故责任评估方法，其特征在于，包括以下步骤：
S100，数据采集：由行车记录仪获取本车行车数据打包后获得行车记录数据包，由道路监控设备监控车辆行驶并将车辆监控数据打包并标记标签获得车辆监控数据包，并将所有数据包均传送至管理服务器的数据库储存；
S200，数据调取：录入发生事故的车辆信息，从数据库中调取相应的行车记录数据包和道路监控数据包；并将行车记录数据包和道路监控数据包进行分解处理，获得事故车辆数据；
S300，模型构建：将统计的历史交通事故数据和实测的交通事故数据作为训练集，通过神经网络算法训练交通事故责任评估模型；
S400，事故评估：将事故车辆数据输入交通事故责任评估模型，由交通事故责任评估模型输出得到事故责任评估结果；
S500，结果获取：将所述事故责任评估结果和事故车辆数据打包发送给用户端。
2.根据权利要求1所述的一种基于深度学习的交通事故责任评估方法，其特征在于，在步骤S100中，行车记录仪获取本车行车数据打包后获得行车记录数据包，具体包括以下步骤：
S111，通过行车记录仪获取行车过程中的视频数据；
S112，将视频数据通过视频帧进行划分获得行车图像；
S113，通过图像文字识别方法识别行车图像中的车牌号；
S114，将车牌号相同的行车图像所构成的视频数据进行打包处理并由车牌号作为标签标记，获得行车记录数据包。
3.根据权利要求2所述的一种基于深度学习的交通事故责任评估方法，其特征在于，步骤S114中将车牌号相同的行车图像前后的视频帧和行车图像的视频帧一起打包构成行车记录数据包。
4.根据权利要求1所述的一种基于深度学习的交通事故责任评估方法，其特征在于，在步骤S100中，道路监控设备监控车辆行驶并将车辆监控数据打包并标记标签获得车辆监控数据包，具体包括以下步骤：
S121，通过道路监控设备获取监控范围内监控视频数据；
S122，将监控视频数据通过视频帧进行划分获得监控图像；
S123，通过图像文字识别方法识别得监控图像中的车牌号；
S124，将同一车牌号下的监控视频数据进行打包处理并由车牌号作为标签标记，获得车辆监控数据包。
5.根据权利要求4所述的一种基于深度学习的交通事故责任评估方法，其特征在于，步骤S124中将车牌号相同的监控图像前后的视频帧和监控图像的视频帧一起打包构成车辆监控数据包。
6.根据权利要求1所述的一种基于深度学习的交通事故责任评估方法，其特征在于，在步骤S200中数据调取具体包括以下步骤：
S201，当发生交通事故后，通过用户端录入事故车辆的车牌号；
S202，通过车牌号从数据库中调取事故双方的行车记录数据包和与车牌号相匹配的道路监控数据包；
S203，从所调取的行车记录数据包中获取事故车辆的行车视频数据，作为事故车辆数据；
S204，从道路监控数据包中获取事故车辆的监控视频数据，并根据车牌号标签提取出事故车辆双方车辆共有的监控视频数据，作为事故车辆数据。
7.根据权利要求1所述的一种基于深度学习的交通事故责任评估方法，其特征在于，步骤S300中模型构建具体包括以下步骤：
S301，统计的历史交通事故数据，获取实测的交通事故数据，将交通事故数据作为训练集；
S302，根据预先设定的多个事故评估指标变量与交通事故规则的关系构建交通事故责任评估算法，并通过深度学习神经网络算法，由训练集训练获得交通事故责任评估模型。
8.根据权利要求7所述的一种基于深度学习的交通事故责任评估方法，其特征在于，将事故责任评估结果反馈给交通事故责任评估模型，对交通事故责任评估模型进行优化训练。
9.一种基于深度学习的交通事故责任评估装置，其特征在于，包括行车记录仪、道路监控设备、用户端、管理服务器和数据库；
所述行车记录仪安装在车辆中，获取本车行车数据打包后获得行车记录数据包，通过网络将行车记录数据包实时传送至管理服务器，通过管理服务器将行车记录数据包分配至数据库相应位置储存；
所述道路监控设备分布安装在道路上，监控车辆行驶并将车辆监控数据打包并标记标签获得车辆监控数据包，通过网络将车辆监控数据包实时传送至管理服务器，通过管理服务器将车辆监控数据包分配至数据库相应位置储存；
所述用户端与管理服务器通讯连接，通过用户端录入发生事故的车辆信息，并获得评估结果和事故车辆数据作为交通事故责任判断依据；
所述管理服务器，从数据库中调取相应的行车记录数据包和道路监控数据包，通过将事故车辆数据输入交通事故责任评估模型，由交通事故责任评估模型输出得到事故责任评估结果至用户端。
10.根据权利要求9所述的一种基于深度学习的交通事故责任评估装置，其特征在于，所述管理服务器包括数据采集模块、数据调取模块、模型构建模块、事故评估模块和结果输出模块；
数据采集模块用于与行车记录仪和车辆监控设备相互通信，获取行车记录数据包和道路监控数据包，并将所有数据包均传送至管理服务器的数据库储存；
数据调取模块用于录入发生事故的车辆信息，从数据库中调取相应的行车记录数据包和道路监控数据包；并将行车记录数据包和道路监控数据包进行分解处理，获得事故车辆数据；
模型构建模块用于将统计的历史交通事故数据和实测的交通事故数据作为训练集，通过神经网络算法训练交通事故责任评估模型；
事故评估模块用于将事故车辆数据输入交通事故责任评估模型，由交通事故责任评估模型输出得到事故责任评估结果；
结果输出模块用于将事故责任评估结果和事故车辆数据打包发送给用户端。
CN201910223759.9A 2019-03-22 2019-03-22 一种基于深度学习的交通事故责任评估方法及装置 Pending CN110070642A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910223759.9A CN110070642A (zh) 2019-03-22 2019-03-22 一种基于深度学习的交通事故责任评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910223759.9A CN110070642A (zh) 2019-03-22 2019-03-22 一种基于深度学习的交通事故责任评估方法及装置

Publications (1)

Publication Number Publication Date
CN110070642A true CN110070642A (zh) 2019-07-30

Family

ID=67366530

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910223759.9A Pending CN110070642A (zh) 2019-03-22 2019-03-22 一种基于深度学习的交通事故责任评估方法及装置

Country Status (1)

Country Link
CN (1) CN110070642A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111161533A (zh) * 2019-12-04 2020-05-15 支付宝(杭州)信息技术有限公司 交通事故处理方法和装置、电子设备
CN111833074A (zh) * 2020-01-06 2020-10-27 北京嘀嘀无限科技发展有限公司 网约车的纠纷责任认定方法、装置和计算机可读存储介质
CN111862607A (zh) * 2020-07-22 2020-10-30 中国第一汽车股份有限公司 一种责任划分方法、装置、设备及存储介质
CN111862386A (zh) * 2020-07-03 2020-10-30 上海钧正网络科技有限公司 一种车辆的事故记录方法、装置、介质及服务器
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
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
CN113052118A (zh) * 2021-04-07 2021-06-29 上海浩方信息技术有限公司 基于高速快球摄像机实现场景变换视频分析检测的方法、系统、装置、处理器及存储介质
CN113096405A (zh) * 2021-06-10 2021-07-09 天津所托瑞安汽车科技有限公司 预测模型的构建方法、车辆事故预测方法及装置
CN114241626A (zh) * 2021-12-27 2022-03-25 司法鉴定科学研究院 一种汽车行驶记录仪数据分析方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7239945B2 (en) * 2003-05-29 2007-07-03 Mitsubishi Denki Kabushiki Kaisha System for analyzing vehicle and driver behavior
CN105679017A (zh) * 2016-01-27 2016-06-15 福建工程学院 一种轻微交通事故辅助取证的方法及系统
CN106919610A (zh) * 2015-12-28 2017-07-04 中国移动通信集团公司 车联网数据处理方法、系统及服务器
CN107870983A (zh) * 2017-09-30 2018-04-03 深圳市易成自动驾驶技术有限公司 基于区块链的车辆违章信息管理方法、区块链及存储介质
CN108711202A (zh) * 2018-08-06 2018-10-26 何沙沙 一种基于大数据的交通事故救援系统
CN108961768A (zh) * 2018-07-30 2018-12-07 鄂尔多斯市普渡科技有限公司 一种无人驾驶警用巡逻车以及巡逻方法
CN108986527A (zh) * 2018-07-17 2018-12-11 新华三云计算技术有限公司 一种停车位引导方法、装置、系统及电子设备
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

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7239945B2 (en) * 2003-05-29 2007-07-03 Mitsubishi Denki Kabushiki Kaisha System for analyzing vehicle and driver behavior
CN106919610A (zh) * 2015-12-28 2017-07-04 中国移动通信集团公司 车联网数据处理方法、系统及服务器
CN105679017A (zh) * 2016-01-27 2016-06-15 福建工程学院 一种轻微交通事故辅助取证的方法及系统
CN107870983A (zh) * 2017-09-30 2018-04-03 深圳市易成自动驾驶技术有限公司 基于区块链的车辆违章信息管理方法、区块链及存储介质
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
CN108986527A (zh) * 2018-07-17 2018-12-11 新华三云计算技术有限公司 一种停车位引导方法、装置、系统及电子设备
CN108961768A (zh) * 2018-07-30 2018-12-07 鄂尔多斯市普渡科技有限公司 一种无人驾驶警用巡逻车以及巡逻方法
CN108711202A (zh) * 2018-08-06 2018-10-26 何沙沙 一种基于大数据的交通事故救援系统

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111161533A (zh) * 2019-12-04 2020-05-15 支付宝(杭州)信息技术有限公司 交通事故处理方法和装置、电子设备
CN111833074A (zh) * 2020-01-06 2020-10-27 北京嘀嘀无限科技发展有限公司 网约车的纠纷责任认定方法、装置和计算机可读存储介质
CN111862386A (zh) * 2020-07-03 2020-10-30 上海钧正网络科技有限公司 一种车辆的事故记录方法、装置、介质及服务器
CN111862607A (zh) * 2020-07-22 2020-10-30 中国第一汽车股份有限公司 一种责任划分方法、装置、设备及存储介质
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
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
CN113052118A (zh) * 2021-04-07 2021-06-29 上海浩方信息技术有限公司 基于高速快球摄像机实现场景变换视频分析检测的方法、系统、装置、处理器及存储介质
CN113096405A (zh) * 2021-06-10 2021-07-09 天津所托瑞安汽车科技有限公司 预测模型的构建方法、车辆事故预测方法及装置
CN113096405B (zh) * 2021-06-10 2021-09-03 天津所托瑞安汽车科技有限公司 预测模型的构建方法、车辆事故预测方法及装置
CN114241626A (zh) * 2021-12-27 2022-03-25 司法鉴定科学研究院 一种汽车行驶记录仪数据分析方法
CN114241626B (zh) * 2021-12-27 2023-09-15 司法鉴定科学研究院 一种汽车行驶记录仪数据分析方法

Similar Documents

Publication Publication Date Title
CN110070642A (zh) 一种基于深度学习的交通事故责任评估方法及装置
Gritsuk et al. Information model of V2I system of the vehicle technical condition remote monitoring and control in operation conditions
CN102622798B (zh) 一种客流统计分析系统
CN103632211B (zh) 一种机动车故障预警和召回预测系统
CN102129623A (zh) 城市垃圾运输车辆监控和管理方法及系统
CN109190915B (zh) 一种基于城市规划的碳排放管理系统
CN208014168U (zh) 一种公路隧道内的车辆定位监控系统
CN104102979B (zh) 一种办公用车信息化系统及其应用方法
CN103287359A (zh) 一种纯电动汽车能耗检测方法
CN109146750A (zh) 一种智慧环卫系统
CN105022373A (zh) 基于zigbee技术的港口设备维护系统
CN106527328A (zh) 一种环卫车辆、作业设备智能管理系统
CN202600791U (zh) 基于gps、gprs和gis集成技术的湖泊巡查管理系统
CN112686407A (zh) 基于智能网联的交通安全设施数字化系统
CN111931986A (zh) 一种垃圾清运车路线优化方法及城市垃圾清运生态系统
CN110636134A (zh) 一种城市道路损伤监测维护方法及系统
CN104408546A (zh) 基于物联网的车辆维修电子档案自动生成系统
CN110285329A (zh) 一种生态管网管理方法、系统及用于该系统的管道机器人
CN113672592A (zh) 基于区块链的温室气体核算系统
CN110658789A (zh) 一种智能远程诊断系统及方法
CN114841712B (zh) 网约车巡游违规运营状态的确定方法和装置及电子设备
CN116434525A (zh) 一种高速公路智能管理预警系统
CN205983789U (zh) 一种基于远距离无线传输技术的锅炉能效测试及监控管理系统
CN117409584B (zh) 基于碳中和的新型智慧城市交通管理方法和系统
CN117876188A (zh) 一种环境规制信息化系统

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

Application publication date: 20190730

RJ01 Rejection of invention patent application after publication