CN110135418A - 基于图片的交通事故定责方法、装置、设备及存储介质 - Google Patents
基于图片的交通事故定责方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110135418A CN110135418A CN201910300428.0A CN201910300428A CN110135418A CN 110135418 A CN110135418 A CN 110135418A CN 201910300428 A CN201910300428 A CN 201910300428A CN 110135418 A CN110135418 A CN 110135418A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image information
- road traffic
- described image
- traffic accident
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/63—Scene text, e.g. street names
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30236—Traffic on road, railway or crossing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
Abstract
本发明公开了一种基于图片的交通事故定责方法、装置、设备及存储介质,所述方法包括:获取交通事故现场的图像信息;识别所述图像信息中的车辆及其对应的牌照信息;检测所述图像信息中的道路交通标线;若所述图像信息中检测到道路交通标线时,识别所述图像信息中的所述车辆与所述道路交通标线之间的关系;将所述车辆、道路交通标线、车辆与道路交通标线之间的关系和交通事故责任判定条款进行匹配;根据所匹配的交通事故责任判定条款确定交通事故的责任方及牌照信息。本发明解决了现有人工定责方式定责过程繁琐、效率低下的问题,实现了交通事故责任的全自动化判定,有利于提高事故定责的效率,缓解因交通事故导致的道路拥堵。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于图片的交通事故定责方法、装置、设备及存储介质。
背景技术
在发生交通事故时,现有的处理方式主要为交警到现场定责,以及保险公司到现场勘查,容易引起交通堵塞。为了避免交通堵塞,现有技术还提供了基于远程的人工定责的处理方式。由交警工作人员在交警队线上查看事故车主上传的交通事故现场的照片,然后根据照片中车辆、交通道路标线,人工进行事故责任的判定。然而基于远程的人工定责的处理方式,需要人工查询案件,打开案件中的照片,逐张查看和比对照片,单个案件的处理效率比较慢。还可能存在因人力不足、配置不合理等原因,在事故高峰期导致需要定责的案件得不到及时处理,最终导致道路持续堵塞。
因此,寻找一种实现交通事故自动定责、提高定责效率的方法成为本领域技术人员亟需解决的问题。
发明内容
本发明实施例提供了一种基于图片的交通事故定责方法、装置、设备及存储介质,以解决现有人工定责方式定责过程繁琐、效率低下的问题。
一种基于图片的交通事故定责方法,包括:
获取交通事故现场的图像信息;
识别所述图像信息中的车辆及其对应的牌照信息;
检测所述图像信息中的道路交通标线;
若所述图像信息中检测到道路交通标线时,识别所述图像信息中的所述车辆与所述道路交通标线之间的关系;
将所述车辆、道路交通标线、车辆与道路交通标线之间的关系和交通事故责任判定条款进行匹配;
根据所匹配的交通事故责任判定条款确定交通事故的责任方及牌照信息。
可选地,所述识别所述图像信息中的车辆及其对应的牌照信息包括:
对所述图像信息进行预处理;
对预处理后的所述图像信息进行牌照检测,定位并切割出包括牌照字符串的矩形区域;
对所述矩形区域进行二值化处理,将二值化处理后的矩形区域中的所述牌照字符串分割成单个字符数组;
对所述单个字符数组进行归一化处理,将归一化处理后的所述单个字符数组作为输入传入预设的字符识别系统,通过所述字符识别系统对所述单个字符数组进行识别。
可选地,所述通过所述字符识别系统对所述单个字符数组进行识别包括:
将单个字符数组中的每一个字符缩小或放大为与字符模板库中的字符模板相同的大小;
对于单个字符数组中的每一个字符,将所述字符与字符模板库中的所有字符模板进行匹配,选择匹配度最大的字符模板作为所述字符的匹配结果。
可选地,所述检测所述图像信息中的道路交通标线包括:
利用边缘检测算子对所述图像信息中的道路交通标线执行特征粗提取,得到特征图;
从所述特征图中提取主方向,根据所述主方向采用霍夫变换对所述特征图进行角度校正;
从校正后的所述特征图中提取道路交通标线。
可选地,所述车辆与道路交通标线之间的关系包括压线和未压线;
所述识别所述图像信息中的所述车辆与所述道路交通标线之间的关系包括:
判断所述车辆与所述道路交通标线的像素是否存在交点;
若所述车辆与所述道路交通标线的像素存在交点时,确定所述车辆与所述道路交通标线之间的关系为压线;
若所述车辆与所述道路交通标线的像素不存在交点时,确定所述车辆与所述道路交通标线之间的关系为未压线。
可选地,所述方法还包括:
若所述图像信息中未检测到道路交通标线时,输出所述图像信息未满足要求的提示信息。
一种基于图片的交通事故定责装置,包括:
图像获取模块,用于获取交通事故现场的图像信息;
牌照识别模块,用于识别所述图像信息中的车辆及其对应的牌照信息;
标线检测模块,用于检测所述图像信息中的道路交通标线;
关系识别模块,用于若所述图像信息中检测到道路交通标线时,识别所述图像信息中的所述车辆与所述道路交通标线之间的关系;
匹配模块,用于将所述车辆、道路交通标线、车辆与道路交通标线之间的关系和交通事故责任判定条款进行匹配;
定责模块,用于根据所匹配的交通事故责任判定条款确定交通事故的责任方及牌照信息。
可选地,所述标线检测模块包括:
特征提取单元,用于利用边缘检测算子对所述图像信息中的道路交通标线执行特征粗提取,得到特征图;
校正单元,用于从所述特征图中提取主方向,根据所述主方向采用霍夫变换对所述特征图进行角度校正;
标线提取单元,用于从校正后的所述特征图中提取道路交通标线。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于图片的交通事故定责方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述基于图片的交通事故定责方法的步骤。
本发明实施例通过识别交通事故现场的图像信息中的车辆及其对应的牌照信息,检测所述图像信息中的道路交通标线,若所述图像信息中检测到道路交通标线时,识别所述图像信息中的所述车辆与所述道路交通标线之间的关系;将所述车辆、道路交通标线、车辆与道路交通标线之间的关系和交通事故责任判定条款进行匹配;根据所匹配的交通事故责任判定条款确定交通事故的责任方及牌照信息,从而实现了交通事故责任的全自动化判定,省去了人工定责的流程,无需交警及保险公司到现场定责及查勘,节约警力同时大幅节约责任认定的时间,有利于提高事故定责的效率,且减少了现场处理的等待时间,进而有利于缓解因交通事故导致的道路拥堵。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中基于图片的交通事故定责方法的一应用环境示意图;
图2是本发明一实施例中基于图片的交通事故定责方法的一流程图;
图3是本发明一实施例中基于图片的交通事故定责方法中步骤S202的一流程图;
图4是本发明一实施例中通过字符识别系统对单个字符数组进行识别的一流程图;
图5是本发明一实施例中基于图片的交通事故定责方法中步骤S203的一流程图;
图6是本发明一实施例中基于图片的交通事故定责方法中步骤S204的一流程图;
图7是本发明一实施例中基于图片的交通事故定责装置的一原理框图;
图8是本发明一实施例中计算机设备的一示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供的基于图片的交通事故定责方法,可应用在如图1的应用环境中,包括终端设备、服务器和开票系统,两两之间可以通过网络进行通信。所述服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。其中,所述终端设备用于拍摄交通事故现场的图像信息。在这里,所述终端设备可以但不限于各种个人笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。所述服务器用于根据图像信息进行事故责任判定。
在一实施例中,如图2所示,提供一种基于图片的交通事故定责方法,以该方法应用在图1中服务器为例进行说明,包括如下步骤:
在步骤S201中,获取交通事故现场的图像信息。
在本发明实施例中,所述图像信息是指轻微交通事故现场的一组图像,包括至少两张图像,且该组图像中涵盖车辆牌照信息、道路交通标线信息以及事故现场信息。所述轻微交通事故是指机动车在道路上发生的,不涉及人员伤亡,仅造成轻微财产损失的交通事故,比如仅车身前后保险杠、车灯、引擎盖、门窗、后视镜等外部部件损坏,车辆可以继续驾驶的事故。
在进行交通事故定责时,服务器从预设数据库中获取待识别的交通事故现场的图像信息。所述预设数据库为部署在服务器的数据库,用于存储交通事故现场的图像信息。可选地,所述交通事故现场的图像信息可以通过当事人通过终端设备上报,并存储至所述数据库。当事人可在发生交通事故后,通过终端设备的摄像机或CCD摄像头拍摄交通事故现场的图像信息,然后通过部署在微信公众号、交警APP、支付宝等多渠道入口中的任意入口进行自助报案,将交通事故现场的图像信息上传至服务器的预设数据库中。
在步骤S202中,识别所述图像信息中的车辆及其对应的牌照信息。
在这里,本发明实施例采用计算机图像处理和字符识别技术对所述图像信息进行车辆及牌照识别。可选地,如图3所示,所述步骤S202识别所述图像信息中的车辆及其对应的牌照信息包括:
在步骤S301中,对所述图像信息进行预处理。
由于所述图像信息为户外环境拍摄的一组照片,受到自然光照条件、车辆牌照整洁度、拍摄时摄像机与牌照的距离和角度等因素的影响,所述图像信息容易出现模糊、倾斜、损坏等问题,需要对所述图像信息进行预处理,以增强所述图像信息的亮度、清晰度以及对照度,提高车辆牌照识别的准确度。在本发明实施例中,所述预处理包括但不限于图像转换、图像增强、水平校正。
其中,图像转换处理是指利用不同的色彩通道将不同类型牌照的牌照区域与背景区分出来。比如,对于蓝底白字的牌照,可以将图像信息通过蓝色B通道,以将牌照区域与背景区分出来,呈现出蓝底的牌照区域位置;对于白底黑字的牌照,可以将图像信息通过红色R通道,以将牌照区域与背景区分出来,呈现白底的牌照区域位置;对于绿底白字的牌照,可以将图像信息通过绿色G通道,以将牌照区域与背景区分出来,呈现出绿底的牌照区域位置。
图像增强处理是指采用灰度线性变换、图像平滑处理来增强图像的对照度,以改善图像的可辨认度、简化牌照字符的定位和切割操作。其中,灰度线性变换增强了灰度的变化范围、丰富了灰度层次,从而达到增强图像信息的对照度和分辨率。图像平滑处理通过低通滤波器或者求邻域平均值的方法来滤除图像噪声,可以进一步削弱噪声对图像的影响。
水平校正是指基于霍夫变换获取到的倾斜角度对图像信息执行角度校正,即对所述图像信息执行旋转处理找到最合适的水平位置,以矫正倾斜的文字行,为牌照字符串的切割做准备。
在步骤S302中,对预处理后的所述图像信息进行牌照检测,定位并切割出包括牌照字符串的矩形区域。
可以理解,牌照区域通常具有一些非常显著的特征,比如通常是一块近似水平的矩形区域,当中的字符串是按照水平方向排列且在图像中的位置较为固定。经过上述步骤S301的预处理之后,牌照区域的边缘得到了勾勒和加强,本发明实施例进一步通过图像形态学的方法从预处理后的图像信息中确定牌照的详细位置,不但简化了后续执行字符串识别的数据,而且还保持了牌照区域的形态特征。
在完成对牌照区域的定位之后,本发明实施例采用基于牌照色彩的彩色切割方法来对牌照进行切割,得到包括牌照字符串的矩形区域。具体包括:设置牌照底色在RGB通道中的灰度范围,在行方向上统计落在该灰度范围的像素点数量,确定牌照在行方向的候选区域并切割出该候选区域;然后在切割出的候选区域内,统计列方向上的牌照底色的像素点数量,进一步确定牌照区域,得到包括牌照字符串的矩形区域。
在步骤S303中,对所述矩形区域进行二值化处理,将二值化处理后的矩形区域中的所述牌照字符串分割成单个字符数组。
可选地,在切割出包括牌照字符串的矩形区域之后,还可以对所述矩形区域进行二值化处理。通过二值化处理,所述矩形区域只剩下两种颜色,即黑和白,其中一种颜色为牌照底色,另一种颜色为待识别的牌照字符串,以滤除所切割出来的牌照区域中的噪声干扰,便于后续对牌照字符进行切割。
可选地,在进行字符分割时,本发明实施例通过设定阈值,对矩形区域从左到右逐列扫描,寻找连续有文字的区间块。将所述区间块的长度与所述阈值进行比较,若所述区间块的长度大于所述阈值时认为该区间块由两个字符组成,对所述区间块进行分割;若所述区间块的长度小于所述阈值时,则无需再分割,得到单个字符。组合所有分割出来的单个字符,得到单个字符数组。
在步骤S304中,对所述单个字符数组进行归一化处理,将归一化处理后的所述单个字符数组作为输入传入预设的字符识别系统,通过所述字符识别系统对所述单个字符数组进行识别。
在将所述牌照字符串进行分割得到单个字符数组后,对分割出来的每一个字符进行归一化处理,以将单个字符数组调整到同一个标准模板大小,便于字符识别系统进行提取特征,提高特征提取的一致性。在归一化处理后,将单个字符数组作为输入传入预设的字符识别系统执行字符识别。
可选地,本发明实施例采用基于模板匹配的OCR字符识别技术来进行识别。如图4所示,所述通过所述字符识别系统对所述单个字符数组进行识别可以包括:
在步骤S401中,将单个字符数组中的每一个字符缩小或放大为与字符模板库中的字符模板相同的大小。
在这里,本发明实施例以字符模板库中的字符模板大小为标准,对所述单个字符数组中的每一个字符进行缩小或者放大处理,以便于后续对字符执行匹配处理。所述字符模板库预先建立。可以理解,由于牌照的字符一般有七个,包括表示所属省份的简称或者表示军种、警别特定含义的简称,以及字母和数字。可见牌照中汉字、字母以及数字的个数都是有限的,字符模板库中的字母模板也是有限的。
在步骤S402中,对于单个字符数组中的每一个字符,将所述字符与字符模板库中的所有字符模板进行匹配,选择匹配度最大的字符模板作为所述字符的匹配结果。
在这里,本发明实施例以单个字符数组中的每一个字符作为待识别的字符,遍历所述字符模板库,将所述待识别的字符与每一个字符模板进行匹配,并计算所述待识别的字符与字符模板之间的匹配度,选择匹配度最大的字符模板作为所述待识别的字符的匹配结果。所述匹配度可以为待识别的字符与字符模板之间的重叠像素个数。
可见,基于模板匹配的OCR字符识别技术的实现逻辑简单,即使牌照字符中出险缺损、污迹等情况也具有较高的适应性,进一步提高了牌照字符识别的准确度。
在步骤S203中,检测所述图像信息中的道路交通标线。
通过步骤S202,本发明实施例得到了交通事故现场的车辆及其牌照信息,这些车辆可能是需要承担事故责任,也可能不需要承担事故责任。本发明实施例通过检测所述交通事故现场的图像信息中是否存在道路交通标线,然后基于道路交通标线来确定事故责任方。可选地,如图5所示,所述步骤S203检测所述图像信息中的道路交通标线包括:
在步骤S501中,利用边缘检测算子对所述图像信息中的道路交通标线执行特征粗提取,得到特征图。
在这里,受到拍摄时摄像机与牌照的距离和角度等因素的影响,图像信息中的道路交通标线可能是倾斜的。本发明实施例采用霍夫变换来对所述图像信息进行角度校正。在角度校正之前,需要对图像信息中的道路交通标线进行特征粗提取。由于道路标线呈现出一定的宽度特征和上升、下降边缘特征,本发明实施例采用边缘检测算子来对道路交通标线进行特征粗提取,以去除图像信息中的噪声影响,得到去噪后的特征图。
在步骤S502中,从所述特征图中提取主方向,根据所述主方向采用霍夫变换对所述特征图进行角度校正。
由于道路交通标线呈现明显的直线特征,从所述特征图中可以得到一条或多条平行线段,其延伸的方向表示图像的主方向。本发明实施例从中选择一条平行线段作为主方向,优选为最长的线段,然后根据所述主方向,基于霍夫变换对所述特征图执行角度校正,即对所述特征图做旋转处理,使得所述特征图的X轴方向或Y轴方向与所述主方向平行。
在步骤S503中,从校正后的所述特征图中提取道路交通标线。
在这里,若调整后的特征图中道路交通标线的Y轴方向与所述主方向平行时,本发明实施例在校正后的特征图的X轴方向上建立多维累加器,将校正后的特征图中的特征点在x轴方向投影的位置对累加器进行累加,从而得到所述特征图在x轴方向的统计直方图。每条道路交通标线在所述统计直方图中会产生一个峰值,通过提取峰值从而可以提取到道路交通标线区域。
同理,若调整后的特征图中道路交通标线的X轴方向与所述主方向平行时,本发明实施例在校正后的特征图的Y轴方向上建立多维累加器,将校正后的特征图中的特征点在Y轴方向投影的位置对累加器进行累加,从而得到所述特征图在Y轴方向的统计直方图。每条道路交通标线在所述统计直方图中会产生一个峰值,通过提取峰值从而可以提取到道路交通标线区域。每一个交通标线区域所在的位置表示一条道路交通标线。
在本发明实施例中,交通事故责任方根据车辆与道路交通标线之间的关系来进行判定。若从所述图像信息中识别到道路交通标线时,进一步识别所述图像信息中车辆与道路交通标线之间的关系。所述基于图像的事故责任定责方法还包括:
在步骤S204中,若所述图像信息中检测到道路交通标线时,识别所述图像信息中的所述车辆与所述道路交通标线之间的关系。
其中,车辆与道路交通标线之间的关系包括压线和未压线。具体可以根据上述步骤S202得到的车辆与步骤S203得到的道路交通标线在图像信息中的像素确定车辆与道路交通标线之间的关系。可选地,如图6所示,所述步骤S204识别所述图像信息中所述车辆与所述道路交通标线之间的关系包括:
在步骤S601中,判断所述车辆与所述道路交通标线的像素是否存在交点。
在这里,本发明实施例主要以车辆轮廓与道路交通标线的轮廓之间存在交点作为压线的判断标准。通过判断所述车辆与所述道路交通标线的轮廓对应的像素之间是否存在交点,可以缩小用于执行交点判断的数据量,降低了数据处理的压力。可选地,在一个具体的实施例中,也可以以轮胎轮廓与道路交通标线的轮廓之间存在交点作为压线的判断标准。
在步骤S602中,若所述车辆与所述道路交通标线的像素存在交点时,确定所述车辆与所述道路交通标线之间的关系为压线。
在步骤S603中,若所述车辆与所述道路交通标线的像素不存在交点时,确定所述车辆与所述道路交通标线之间的关系为未压线。
若所述车辆与所述道路交通标线的轮廓像素存在交点时,表示所述车辆与道路交通标线之间相交,所述车辆压线;若所述车辆与所述道路交通标线的轮廓像素不存在交点时,表示所述车辆与道路交通标线之间未相交,所述车辆未压线。本发明实施例通过寻找像素交点来判断车辆与道路交通标线之间的关系,有效地提高了压线检测的精度,且降低了数据处理的负担。
在步骤S205中,将所述车辆、道路交通标线、车辆与道路交通标线之间的关系和交通事故责任判定条款进行匹配。
在这里,所述交通事故责任判定条款为现有法律法规、交通管理法规规章规定的交通事故责任划分标准。不同的交通事故对应不同的交通事故责任判定条款。本发明实施例结合车辆、道路交通标线以及车辆与道路交通标线之间的关系,与所述交通事故责任判定条款进行匹配,确定本次交通事故所适用的交通事故责任判定条款。
在步骤S206中,根据所匹配的交通事故责任判定条款确定所述交通事故的责任方及牌照信息。
在完成交通事故责任判定条款的匹配之后,本发明实施例根据所匹配的交通事故责任判定条款确定交通事故现场中的哪些车辆需要承担本次交通事故的责任,即确定本次交通事故的责任方,并获取所述责任方的牌照信息,从而完成交通事故责任的自动化判定。
示例性地,假设已有的交通事故责任判定条款包括压线车辆在发生交通事故中负全责。若存在交通事故现场的图像信息1,当中的车辆A在变道中碰撞到正常直行的车辆B。通过步骤S202得到识别到车辆A及其牌照信息为粤AXXXXX,车辆B及其牌照信息为粤BXXXXX;通过步骤S203从得到所述图像信息1中识别到道路交通标线;通过步骤S204判断得到车辆A与道路交通标线之间存在交点,即车辆A压线,车辆B与道路交通标线之间不存在交点,即车辆B未压线;最后通过步骤S205和S206结合已有的交通事故责任判定条款,可以确定所述交通事故的责任方为车辆A,车辆A负全责,车辆B不用负责。
综上所述,本发明实施例通过识别交通事故现场的图像信息中的车辆及其对应的牌照信息,以及检测所述图像信息中的道路交通标线;若所述图像信息中检测到道路交通标线时,识别所述图像信息中车辆与道路交通标线之间的关系;根据所述车辆、道路交通标线、车辆与道路交通标线之间的关系匹配交通事故责任判定条款,确定所述交通事故的责任方,从而实现了交通事故责任的全自动化判定,省去了人工定责的流程,无需交警及保险公司到现场定责及查勘,节约警力同时大幅节约责任认定的时间,有利于提高事故定责的效率,且减少了现场处理的等待时间,缓解因交通事故导致的道路拥堵,实现轻微交通事故的快速撤离现场。
可选地,作为本发明的一个优选示例,在通过步骤S203检测所述图像信息中的道路交通标线后,所述基于图像的交通事故定责方法还包括:
若所述图像信息中未检测到道路交通标线时,输出所述图像信息未满足要求的提示信息。
在这里,若所述图像信息中未检测到道路交通标线时,基于所述图像无法得到道路交通标线及车辆与道路交通标线之间的关系,所述图像信息无法用于完成交通事故定责,则输出所述图像信息未满足要求的提示信息。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种基于图像的交通事故定责装置,该基于图像的交通事故定责装置与上述实施例中基于图像的交通事故定责方法一一对应。如图7所示,该基于图像的交通事故定责装置包括图像获取模块、牌照识别模块、标线检测模块、关系识别模块、匹配模块、定责模块。各功能模块详细说明如下:
图像获取模块71,用于获取交通事故现场的图像信息;
牌照识别模块72,用于识别所述图像信息中的车辆及其对应的牌照信息;
标线检测模块73,用于检测所述图像信息中的道路交通标线;
关系识别模块74,用于若所述图像信息中检测到道路交通标线时,识别所述图像信息中的所述车辆与所述道路交通标线之间的关系;
匹配模块75,用于将所述车辆、道路交通标线、车辆与道路交通标线之间的关系和交通事故责任判定条款进行匹配;
定责模块76,用于根据所匹配的交通事故责任判定条款确定交通事故的责任方及牌照信息。
可选地,所述牌照识别模块72包括:
预处理单元,用于对所述图像信息进行预处理;
定位单元,用于对预处理后的所述图像信息进行牌照检测,定位并切割出包括牌照字符串的矩形区域;
分割单元,用于对所述矩形区域进行二值化处理,将二值化处理后的矩形区域中的所述牌照字符串分割成单个字符数组;
识别单元,用于对所述单个字符数组进行归一化处理,将归一化处理后的所述单个字符数组作为输入传入预设的字符识别系统,通过所述字符识别系统对所述单个字符数组进行识别。
可选地,所述识别单元包括:
缩放子单元,用于将单个字符数组中的每一个字符缩小或放大为与字符模板库中的字符模板相同的大小;
匹配子单元,用于对于单个字符数组中的每一个字符,将所述字符与字符模板库中的所有字符模板进行匹配,选择匹配度最大的字符模板作为所述字符的匹配结果。
可选地,所述标线检测模块73包括:
特征提取单元,用于利用边缘检测算子对所述图像信息中的道路交通标线执行特征粗提取,得到特征图;
校正单元,用于从所述特征图中提取主方向,根据所述主方向采用霍夫变换对所述特征图进行角度校正;
标线提取单元,用于从校正后的所述特征图中提取道路交通标线。
可选地,所述车辆与道路交通标线之间的关系包括压线和未压线;
所述关系识别模块74包括:
判断单元,用于判断所述车辆与所述道路交通标线的像素是否存在交点;
关系确定单元,用于若所述车辆与所述道路交通标线的像素存在交点时,确定所述车辆与所述道路交通标线之间的关系为压线;
若所述车辆与所述道路交通标线的像素不存在交点时,确定所述车辆与所述道路交通标线之间的关系为未压线。
可选地,所述装置还包括:
提示模块,用于若所述图像信息中未检测到道路交通标线时,输出所述图像信息未满足要求的提示信息。
关于基于图像的交通事故定责装置的具体限定可以参见上文中对于基于图像的交通事故定责方法的限定,在此不再赘述。上述基于图像的交通事故定责装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于图像的交通事故定责方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
获取交通事故现场的图像信息;
识别所述图像信息中的车辆及其对应的牌照信息;
检测所述图像信息中的道路交通标线;
若所述图像信息中检测到道路交通标线时,识别所述图像信息中的所述车辆与所述道路交通标线之间的关系;
将所述车辆、道路交通标线、车辆与道路交通标线之间的关系和交通事故责任判定条款进行匹配;
根据所匹配的交通事故责任判定条款确定交通事故的责任方及牌照信息。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取交通事故现场的图像信息;
识别所述图像信息中的车辆及其对应的牌照信息;
检测所述图像信息中的道路交通标线;
若所述图像信息中检测到道路交通标线时,识别所述图像信息中的所述车辆与所述道路交通标线之间的关系;
将所述车辆、道路交通标线、车辆与道路交通标线之间的关系和交通事故责任判定条款进行匹配;
根据所匹配的交通事故责任判定条款确定交通事故的责任方及牌照信息。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于图片的交通事故定责方法,其特征在于,包括:
获取交通事故现场的图像信息;
识别所述图像信息中的车辆及其对应的牌照信息;
检测所述图像信息中的道路交通标线;
若所述图像信息中检测到道路交通标线时,识别所述图像信息中的所述车辆与所述道路交通标线之间的关系;
将所述车辆、道路交通标线、车辆与道路交通标线之间的关系和交通事故责任判定条款进行匹配;
根据所匹配的交通事故责任判定条款确定交通事故的责任方及牌照信息。
2.如权利要求1所述的基于图片的交通事故定责方法,其特征在于,所述识别所述图像信息中的车辆及其对应的牌照信息包括:
对所述图像信息进行预处理;
对预处理后的所述图像信息进行牌照检测,定位并切割出包括牌照字符串的矩形区域;
对所述矩形区域进行二值化处理,将二值化处理后的矩形区域中的所述牌照字符串分割成单个字符数组;
对所述单个字符数组进行归一化处理,将归一化处理后的所述单个字符数组作为输入传入预设的字符识别系统,通过所述字符识别系统对所述单个字符数组进行识别。
3.如权利要求2所述的基于图片的交通事故定责方法,其特征在于,所述通过所述字符识别系统对所述单个字符数组进行识别包括:
将单个字符数组中的每一个字符缩小或放大为与字符模板库中的字符模板相同的大小;
对于单个字符数组中的每一个字符,将所述字符与字符模板库中的所有字符模板进行匹配,选择匹配度最大的字符模板作为所述字符的匹配结果。
4.如权利要求1所述的基于图片的交通事故定责方法,其特征在于,所述检测所述图像信息中的道路交通标线包括:
利用边缘检测算子对所述图像信息中的道路交通标线执行特征粗提取,得到特征图;
从所述特征图中提取主方向,根据所述主方向采用霍夫变换对所述特征图进行角度校正;
从校正后的所述特征图中提取道路交通标线。
5.如权利要求1至4任一项所述的基于图片的交通事故定责方法,其特征在于,所述车辆与道路交通标线之间的关系包括压线和未压线;
所述识别所述图像信息中的所述车辆与所述道路交通标线之间的关系包括:
判断所述车辆与所述道路交通标线的像素是否存在交点;
若所述车辆与所述道路交通标线的像素存在交点时,确定所述车辆与所述道路交通标线之间的关系为压线;
若所述车辆与所述道路交通标线的像素不存在交点时,确定所述车辆与所述道路交通标线之间的关系为未压线。
6.如权利要求1至4任一项所述的基于图片的交通事故定责方法,其特征在于,所述方法还包括:
若所述图像信息中未检测到道路交通标线时,输出所述图像信息未满足要求的提示信息。
7.一种基于图片的交通事故定责装置,其特征在于,包括:
图像获取模块,用于获取交通事故现场的图像信息;
牌照识别模块,用于识别所述图像信息中的车辆及其对应的牌照信息;
标线检测模块,用于检测所述图像信息中的道路交通标线;
关系识别模块,用于若所述图像信息中检测到道路交通标线时,识别所述图像信息中的所述车辆与所述道路交通标线之间的关系;
匹配模块,用于将所述车辆、道路交通标线、车辆与道路交通标线之间的关系和交通事故责任判定条款进行匹配;
定责模块,用于根据所匹配的交通事故责任判定条款确定交通事故的责任方及牌照信息。
8.如权利要求7所述的基于图片的交通事故定责装置,其特征在于,所述标线检测模块包括:
特征提取单元,用于利用边缘检测算子对所述图像信息中的道路交通标线执行特征粗提取,得到特征图;
校正单元,用于从所述特征图中提取主方向,根据所述主方向采用霍夫变换对所述特征图进行角度校正;
标线提取单元,用于从校正后的所述特征图中提取道路交通标线。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的基于图片的交通事故定责方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于图片的交通事故定责方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910300428.0A CN110135418A (zh) | 2019-04-15 | 2019-04-15 | 基于图片的交通事故定责方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910300428.0A CN110135418A (zh) | 2019-04-15 | 2019-04-15 | 基于图片的交通事故定责方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110135418A true CN110135418A (zh) | 2019-08-16 |
Family
ID=67569964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910300428.0A Pending CN110135418A (zh) | 2019-04-15 | 2019-04-15 | 基于图片的交通事故定责方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110135418A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538193A (zh) * | 2021-06-30 | 2021-10-22 | 东莞市绿灯网络科技有限公司 | 基于人工智能和计算机视觉的交通事故处理方法和系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699880A (zh) * | 2013-12-11 | 2014-04-02 | 天津易成百业科技有限公司 | 基于物联网的交通违法车辆牌照检测与识别方法 |
CN105023439A (zh) * | 2015-07-02 | 2015-11-04 | 湖北贝力思智能科技有限公司 | 一种智能动态车牌识别报警系统 |
CN106228812A (zh) * | 2016-07-29 | 2016-12-14 | 浙江宇视科技有限公司 | 违法车辆图像采集方法及系统 |
CN106548170A (zh) * | 2016-11-04 | 2017-03-29 | 湖南科技学院 | 一种违章车辆图像处理方法及系统 |
CN107067718A (zh) * | 2016-12-29 | 2017-08-18 | 盯盯拍(深圳)技术股份有限公司 | 交通事故责任评估方法、交通事故责任评估装置以及交通事故责任评估系统 |
CN108389392A (zh) * | 2018-04-04 | 2018-08-10 | 广东容祺智能科技有限公司 | 一种基于机器学习的交通事故责任认定系统 |
CN108419044A (zh) * | 2018-02-01 | 2018-08-17 | 平安科技(深圳)有限公司 | 车辆定责方法、终端及计算机可读存储介质 |
CN108986474A (zh) * | 2018-08-01 | 2018-12-11 | 平安科技(深圳)有限公司 | 交通事故的定责方法、装置、计算机设备及计算机存储介质 |
CN108986473A (zh) * | 2017-05-31 | 2018-12-11 | 蔚来汽车有限公司 | 车载交通违规行为识别与处理系统和方法 |
CN109389827A (zh) * | 2018-08-17 | 2019-02-26 | 深圳壹账通智能科技有限公司 | 基于行车记录仪的举证方法、装置、设备和存储介质 |
-
2019
- 2019-04-15 CN CN201910300428.0A patent/CN110135418A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699880A (zh) * | 2013-12-11 | 2014-04-02 | 天津易成百业科技有限公司 | 基于物联网的交通违法车辆牌照检测与识别方法 |
CN105023439A (zh) * | 2015-07-02 | 2015-11-04 | 湖北贝力思智能科技有限公司 | 一种智能动态车牌识别报警系统 |
CN106228812A (zh) * | 2016-07-29 | 2016-12-14 | 浙江宇视科技有限公司 | 违法车辆图像采集方法及系统 |
CN106548170A (zh) * | 2016-11-04 | 2017-03-29 | 湖南科技学院 | 一种违章车辆图像处理方法及系统 |
CN107067718A (zh) * | 2016-12-29 | 2017-08-18 | 盯盯拍(深圳)技术股份有限公司 | 交通事故责任评估方法、交通事故责任评估装置以及交通事故责任评估系统 |
CN108986473A (zh) * | 2017-05-31 | 2018-12-11 | 蔚来汽车有限公司 | 车载交通违规行为识别与处理系统和方法 |
CN108419044A (zh) * | 2018-02-01 | 2018-08-17 | 平安科技(深圳)有限公司 | 车辆定责方法、终端及计算机可读存储介质 |
CN108389392A (zh) * | 2018-04-04 | 2018-08-10 | 广东容祺智能科技有限公司 | 一种基于机器学习的交通事故责任认定系统 |
CN108986474A (zh) * | 2018-08-01 | 2018-12-11 | 平安科技(深圳)有限公司 | 交通事故的定责方法、装置、计算机设备及计算机存储介质 |
CN109389827A (zh) * | 2018-08-17 | 2019-02-26 | 深圳壹账通智能科技有限公司 | 基于行车记录仪的举证方法、装置、设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
徐中华等: "基于车道线检测的车辆检测区域自动划分方法", 《中国人工智能学会第12届全国学术年会论文汇编》, pages 321 - 322 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538193A (zh) * | 2021-06-30 | 2021-10-22 | 东莞市绿灯网络科技有限公司 | 基于人工智能和计算机视觉的交通事故处理方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11734938B2 (en) | Methods for mobile image capture of vehicle identification numbers in a non-document | |
CN110619750B (zh) | 面向违停车辆的智能航拍识别方法及系统 | |
US10950124B2 (en) | License plate recognition | |
TWI497422B (zh) | 車牌影像辨識系統及方法 | |
CN106600977B (zh) | 基于多特征识别的违停检测方法及系统 | |
EP2026313B1 (en) | A method and a system for the recognition of traffic signs with supplementary panels | |
CN102024144A (zh) | 集装箱箱号自动识别方法 | |
KR102089298B1 (ko) | 범용 문자 시퀀스 검출을 통한 다국적 차량번호판 인식 시스템 및 그 방법 | |
CN106650611B (zh) | 一种识别车身颜色的方法及装置 | |
CN115810134B (zh) | 一种车险反欺诈的图像采集质检方法、系统和装置 | |
CN103699880A (zh) | 基于物联网的交通违法车辆牌照检测与识别方法 | |
CN110378317A (zh) | 一种车牌识别方法及装置 | |
CN112115800A (zh) | 一种基于深度学习目标检测的车辆组合识别系统及方法 | |
CN112085018A (zh) | 基于神经网络的车牌识别系统 | |
Chowdhury et al. | An adaptive technique for computer vision based vehicles license plate detection system | |
CN111325256A (zh) | 车辆外观检测方法、装置、计算机设备和存储介质 | |
CN110135418A (zh) | 基于图片的交通事故定责方法、装置、设备及存储介质 | |
CN111178359A (zh) | 车牌号码识别方法、装置和设备及计算机存储介质 | |
Nguwi et al. | Number plate recognition in noisy image | |
CN111950546A (zh) | 一种车牌识别方法、装置、计算机设备和存储介质 | |
CN110826551A (zh) | 一种机动车vin码拓印模图像的智能甄别方法 | |
Herusutopo et al. | Recognition design of license plate and car type using tesseract OCR and EmguCV | |
Deb et al. | Vehicle license plate detection algorithm based on color space and geometrical properties | |
Etomi et al. | Automated number plate recognition system | |
Alaidi et al. | Plate detection and recognition of Iraqi license plate using KNN algorithm |
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 |