CN110473418A - 危险路段识别方法、装置、服务器及存储介质 - Google Patents
危险路段识别方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN110473418A CN110473418A CN201910678463.6A CN201910678463A CN110473418A CN 110473418 A CN110473418 A CN 110473418A CN 201910678463 A CN201910678463 A CN 201910678463A CN 110473418 A CN110473418 A CN 110473418A
- Authority
- CN
- China
- Prior art keywords
- place
- accident
- accident occurred
- vehicle
- vehicle insurance
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
Abstract
一种危险路段识别方法，包括：获取车险报案信息，其中，所述车险报案信息至少包括车险图像和事故发生地；根据所述车险图像评估所述事故发生地的风险级别；根据所述事故发生地的风险级别标记所述事故发生地，得到高风险事故发生地信息和低风险事故发生地信息；发送包括高风险事故发生地的警示信息至相关用户。本发明还提供一种危险路段识别装置、服务器及存储介质。通过本发明可以统计事故多发地，并采用机器学习判定事故中车辆损伤级别，根据所述车辆损伤级别提醒用户所述事故多发地的危险级别，使用户得到足够重视，还可以提醒用户出行时尽可能避开所述危险级别高的事故多发地，从而减少交通事故的发生，且为保险公司减少理赔次数。
Description
技术领域
本发明涉及计算机技术领域，具体涉及一种危险路段识别方法、装置、服务器及存储介质。
背景技术
车辆安全预警系统或装置的作用就是为了提醒驾驶员可能存在的危险，以使驾驶员提高警惕，规范操作来达到规避危险的目的。目前，一些导航装置或系统可以提供对于危险路段的提示功能，例如当车辆行驶到已知的危险路段时，系统发出某种预警信息，提示驾驶员减速慢行，将很大程度提升行车安全及保障行车人员和乘客的人身安全。然而，现有技术中仅能根据当前路段是否为事故多发地、是否有落石来提醒驾驶员。
发明内容
鉴于以上内容，有必要提出一种危险路段识别方法、装置、服务器及存储介质，能够根据车险报案信息评估事故发生地的风险级别。
本发明的第一方面提供一种危险路段识别方法，所述方法包括：
获取车险报案信息，其中，所述车险报案信息至少包括车险图像和事故发生地；根据所述车险图像中的车辆的损伤级别、所述事故发生地的周围环境信息和/或所述事故发生地的当前事故发生次数评估所述事故发生地的风险级别；根据所述事故发生地的风险级别标记所述事故发生地，得到高风险事故发生地信息和低风险事故发生地信息；发送包括所述高风险事故发生地的警示信息至相关用户。
进一步地，在所述获取车险报案信息后，所述方法还包括：
计算所述车险图像的第一清晰度等级；
将所述第一清晰度等级与预设清晰度等级进行比对；
当所述第一清晰度等级低于所述预设清晰度等级时，增强所述车险图像的清晰度等级以得到新的车险图像，并确定所述新的车险图像的第二清晰度等级；
将所述第二清晰度等级与所述预设清晰度等级进行比对；
当所述第二清晰度等级高于所述预设清晰度等级时，执行所述根据所述车险图像中的车辆的损伤级别、所述事故发生地的周围环境信息和/或所述事故发生地的当前事故发生次数评估所述事故发生地的风险级别的步骤。
进一步地，获取所述事故发生地的历史事故数据，其中，所述历史事故数据包括事故发生次数及所述历史事故中车辆的损伤级别；
判断所述事故发生地的当前事故发生次数是否大于预设次数，及判断所述车险图像中车辆的损伤级别和当前事故发生次数中车辆的损伤级别是否高于第一预设级别；
当所述事故发生地的当前事故发生次数小于等于预设次数，或者所述车险图像中车辆的损伤级别和当前事故发生次数中车辆的损伤级别都低于第一预设级别时，将所述事故发生地标记为低风险事故发生地；
当所述事故发生地的当前事故发生次数大于预设次数，且所述车险图像中车辆的损伤级别和当前事故发生次数中车辆的损伤级别都高于第一预设级别时，将所述事故发生地标记为高风险事故发生地。
进一步地，所述获取所述车险图像中车辆的损伤级别的步骤包括：
调用预先训练生成的损伤区域识别模型识别所述车险图像，得到车辆损伤区域信息；
根据所述车辆损伤区域信息计算所述损伤区域的损伤面积；
将所述车辆损伤区域和损伤面积输入预设计算模型并得到计算结果，其中，所述预设计算模型为所述损伤区域与所述损伤区域的权重值的乘积加上所述损伤面积；
判断所述计算结果是否大于等于预设值；
当所述计算结果大于等于预设值，确认所述车险图像中车辆的损伤级别高；
当所述计算结果小于所述预设值，确认所述车险图像中车辆的损伤级别低。
进一步地，根据所述事故发生地的周围环境信息和所述事故发生地的当前事故发生次数评估所述事故发生地的风险级别包括：
识别所述车险图像中路面环境信息，其中，所述路面环境信息包括路面是否有异物、路面是否崎岖及是否为急转弯；
根据所述路面环境信息判断所述路面状况级别；
获取所述事故发生地的历史事故数据，其中，所述历史事故数据至少包括事故发生次数及所述历史事故中路面状况级别；
判断所述事故发生地的当前事故发生次数是否大于所述预设次数，及判断当前事故发生次数中路面状况级别是否高于第二预设级别；
当所述事故发生地的当前事故发生次数小于等于所述预设次数，或者当前事故发生次数中路面状况级别低于第二预设级别时，将所述事故发生地标记为低风险事故发生地；
当所述事故发生地的当前事故发生次数大于所述预设次数，且当前事故发生次数中路面状况级别高于所述第二预设级别时，将所述事故发生地标记为高风险事故发生地。
进一步地，若所述事故发生地的当前事故发生次数大于所述预设次数，且所述车辆的损伤级别高于所述第一预设级别，或所述事故发生地的当前事故发生次数大于所述预设次数且确定所述周围环境信息中路面状况级别高于所述第二预设级别时，将所述事故发生地标记为高风险事故发生地；
若所述事故发生地的当前事故发生次数小于等于所述预设次数，且所述车辆的损伤级别低于所述第一预设级别，且所述确定所述周围环境信息中路面状况级别低于所述第二预设级别时，将所述事故发生地标记为低风险事故发生地。
进一步地，所述根据所述路面环境信息判断所述路面状况级别包括：
当所述路面有异物或者所述路面崎岖或者当前道路为急转弯时，确定所述路面状况级别高；
当路面没有异物且所述路面平坦且当前道路不是急转弯时，确定所述路面状况级别低。
本发明的第二方面提供一种危险路段识别装置，所述装置包括：
获取模块，用于获取车险报案信息，其中，所述车险报案信息至少包括车险图像和事故发生地；
评估模块，用于根据所述车险图像中的车辆的损伤级别、所述事故发生地的周围环境信息和/或所述事故发生地的当前事故发生次数评估所述事故发生地的风险级别；
标记模块，用于根据所述事故发生地的风险级别标记所述事故发生地，得到高风险事故发生地信息和低风险事故发生地信息；
发送模块，用于发送包括所述高风险事故发生地的警示信息至相关用户。
本发明的第三方面提供一种服务器，所述服务器包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现所述危险路段识别方法。
本发明的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质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所述危险路段识别方法。
本发明所述的危险路段识别方法、装置、系统及存储介质，根据车险图像信息评估事故发生地的风险级别，并在标记所述事故发生地的风险级别后发送包括高风险事故发生地的警示信息至相关用户。不仅可以统计事故多发地，并根据事故中车辆损伤级别提醒用户所述事故多发地的危险级别，使用户得到足够重视，还可以提醒用户出行时尽可能避开所述危险级别高的事故多发地，从而减少交通事故的发生，且为保险公司减少理赔次数。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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的前提下，还可以根据提供的附图获得其他的附图。
图1是本发明实施例一提供的危险路段识别方法的流程图。
图2是本发明实施例一提供的危险路段识别方法中提高车险图像的清晰度等级的方法的流程图。
图3是本发明实施例一提供的危险路段识别方法中根据车险图像中车辆损伤级别确定事故发生地的风险级别的方法的流程图。
图4是本发明实施例二提供的本发明危险路段识别装置较佳实施例中的功能模块图。
图5是本发明实施例三提供的服务器的示意图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施例仅仅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做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。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而非用于描述特定顺序。此外，术语“包括”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例的危险路段识别方法应用在由至少一个服务器和通过网络与所述服务器进行连接的移动终端所构成的硬件环境中。网络包括但不限于：广域网、城域网或局域网。本发明实施例的危险路段识别方法可以由服务器来执行，也可以由移动终端来执行；还可以是由服务器和移动终端共同执行。
所述对于需要进行危险路段识别方法的服务器，可以直接在服务器上集成本发明的方法所提供的危险路段识别功能，或者安装用于实现本发明的方法的客户端。再如，本发明所提供的方法还可以以软件开发工具包(Software Development Kit，SDK)的形式运行在服务器等设备上，以SDK的形式提供危险路段识别功能的接口，服务器或其他设备通过提供的接口即可实现危险路段识别功能。
实施例一
图1是本发明实施例一提供的危险路段识别方法的流程图。根据不同的需求，该流程图中的执行顺序可以改变，某些步骤可以省略。
步骤S1，获取车险报案信息，其中，所述车险报案信息至少包括车险图像和事故发生地。
本实施例中，所述服务器可以从移动终端获取报案信息。所述移动终端可以是手机、平板电脑、个人数字助理、可穿戴设备(例如、智能手表、智能眼镜)等智能终端或其他任意适用的电子设备。所述报案信息可以包括车险图像和事故发生地，还可以包括车主的信息、出险车辆的车牌号、出险时间以及出险原因等。所述车险图像可以是车主拍摄的视频信息或图像信息。
在其他实施方式中，所述车险图像可以是作业人员(如查勘员)现场采集的视频信息或图像信息，所述作业人员将所述车险图像发送至其他系统(如保险公司系统)数据库中。所述服务器可以从所述其他系统数据库中获取所述车险图像。所述车险图像与所述事故发生地相关联。
所述车险图像可以包括各种图形或影像的总称，通常指具有视觉效果的画面，一般可以包括纸介质上的、底片或照片上的、电视、投影仪或计算机屏幕等上的画面。本实施例中所述的车险图像可以包括通过照相或摄像设备拍摄后存储在可读存储介质上的计算机图像数据，可以包括矢量图、位图，静态、动态图像等多种类型的计算机图像。
优选地，如图2所示，在获取车险报案信息后，所述危险路段识别方法还可以提高车险图像的清晰度等级。所述提高车险图像的清晰度等级的方法包括：
S10，计算所述车险图像的第一清晰度等级。
在本实施方式中，可以通过灰度变化函数、梯度函数、或者图像灰度熵函数等来计算得到所述车险图像的第一清晰度等级。灰度变化函数、梯度函数、或者图像灰度熵函数为计算图像清晰度的现有技术，在此不再赘述。
S11，比对所述第一清晰度等级是否低于预设清晰度等级。当所述第一清晰度等级低于所述预设清晰度等级时，执行步骤S12；当所述第一清晰度等级高于所述预设清晰度等级时，执行步骤S2。
S12，增强所述车险图像的清晰度等级以得到新的车险图像，并计算所述新的车险图像的第二清晰度等级。
在本实施方式中，增强所述车险图像的清晰度等级以得到新的车险图像的方法包括：
a：计算所述车险图像中的高频分量和低频分量。
具体地，通过对所述车险图像的空域信号进行低通滤波后得到所述车险图像的低频分量，对所述车险图像的空域信号进行差值运算后得到所述车险图像的高频分量。
b：对所述车险图像中的高频分量进行识别，并对识别后的高频分量进行增强处理。
具体地，通过对所述车险图像的高频分量识别后进行分类，分出所述高频分量中的噪声、细节、小边缘和大边缘，再分别对所述高频分量中的噪声、细节、小边缘和大边缘进行增强处理。
所述对识别后的高频分量进行增强处理包括：
b1：计算核化降噪动态阈值，判断所述车险图像中的点是否属于噪声；
通过将所述车险图像的点的高频分量的绝对值与所述核化降噪动态阈值进行比对，来判断所述车险图像的点是否属于噪声；若所述车险图像中的点的高频分量的绝对值小于所述核化降噪阈值，则确认所述点为噪声，执行步骤b2；若所述车险图像中的点的高频分量的绝对值大于等于所述核化降噪阈值，则确认所述点不是噪声，执行步骤b3。
b2：将所述点对应的高频分量的值设置为0。
通过将所述点对应的高频分量的值设置为0以抑制掉小幅高频噪声，达到核化降噪的目的。
b3：应用非线性高频增强曲线对所述车险图像的高频分量进行增强。
通过所述非线性高频增强曲线处理后可以对所述高频分量中的细节、小边缘和大边缘对应的不同区域段进行不同程度的处理，由此得到的增强图像，过渡平滑自然，且保持了高频分量的单调性。
c：将增强后的高频分量与所述低频分量叠加得到新的车险图像。
在增强所述车险图像的清晰度后得到新的车险图像，并计算所述新的车险图像的第二清晰度。可以理解的是，所述新的车险图像的第二清晰度的计算方法与所述车险图像的第一清晰度的计算方法一致，不再赘述。
S13，比对所述第二清晰度等级是否低于所述预设清晰度等级。当所述第二清晰度等级低于所述预设清晰度等级时，返回步骤S12；当所述第二清晰度等级高于所述预设清晰度等级时，执行步骤S2。
可以理解的是，在计算所述车险图像的第一清晰度等级之前，所述危险路段识别方法还可以包括：对所述车险图像进行数据预处理的步骤，其中，所述数据预处理过程包括：模数转换、二值化、图像的平滑、变换、增强、恢复、滤波等。
在本实施方式中，通过对用户上传的车险图像的清晰度进行调整，从而得到满足理赔要求的车险图像，可以提高自助理赔系统的工作效率。还可以避免由于用户上传的车险图像的清晰度不符合理赔要求时，麻烦用户重新上传车险图像的情况出现，提高了用户体验。
可以理解的是，在获取车险报案信息后，将所述车险图像和事故发生地关联后存储至服务器的数据库中。
步驟S2，根据所述车险图像中的车辆的损伤级别、所述事故发生地的周围环境信息和/或所述事故发生地的当前事故发生次数评估所述事故发生地的风险级别。
在本实施方式中，可以根据车险图像中车辆的损伤级别，以及/或者事故发生地的周围环境信息来评估所述事故发生地的风险级别。
在第一实施例中，根据所述车险图像获取所述车险图像中车辆的损伤级别，并根据所述损伤级别评估所述事故发生地的风险级别。
具体地，如图3所示，根据所述车险图像中的车辆的损伤级别和所述事故发生地的当前事故发生次数评估所述事故发生地的风险级别的方法包括：
步驟S21，获取所述车险图像中车辆的损伤级别。
本实施例中，调用预先训练生成的损伤区域识别模型识别所述车险图像，得到车辆损伤区域信息；根据所述车辆损伤区域信息计算所述损伤区域的损伤面积；将所述车辆损伤区域和损伤面积输入预设计算模型并得到计算结果，其中，所述预设计算模型为所述损伤区域与所述损伤区域的权重值的乘积加上所述损伤面积；当所述计算结果大于或等于预设值，确认所述车险图像中车辆的损伤级别高；当所述计算结果小于所述预设值，确认所述车险图像中车辆的损伤级别低。
具体地，调用损伤区域识别模型对车险图像进行损伤区域识别，再计算所述损伤区域的损伤面积大小，根据所述损伤区域及对应的损伤面积采用预设计算模型来确定所述车险图像中车辆出现损伤的级别。
本实施例中，可以预先训练生成用于识别车险图像中的损伤区域的识别模型，所述识别模型可以是图像处理相关的多种模型中的一种。
优选地，所述损伤区域识别模型为卷积神经网络模型。
一般来说，所述车辆损伤区域可以包括第一区域、第二区域、第三区域、第四区域及第五区域。所述第一区域为直接碰撞损伤区(又称为一次损伤区)；所述第二区域为间接碰撞损伤区(又称为二次损伤区)；所述第三区域为机械损伤区，即汽车机械零件、动力传动系统零件、附件等损伤区；所述第四区域为乘员舱区，及车厢的各种损坏，包括内饰件、灯、控制装置、操纵装置和饰层等；所述第五区域为外饰和漆面区，即车身外饰件及外部各种零部件的损伤。
优选地，所述损伤区域识别模型的训练过程包括：
1)获取预设数量的车险图像样本；
2)从所述车险图像样本中提取出预设比例的车险图像作为待训练的样本图片，并将所述预设数量的车险图像样本中剩余的车险图像样本作为待验证的样本图片；
3)利用各待训练的样本图片进行模型训练，以生成所述卷积神经网络模型，并利用各待验证的样本图片对所生成的卷积神经网络模型进行验证；
4)若验证通过率大于等于预设阈值，则训练完成，否则增加所述车险图像样本的数量，以重新进行训练及验证。
示例性的，假设获取10万张理赔车险图像样本图片。提取预设比例的理赔保单样本图片作为训练集，并将预设数量的车险图像样本图片中剩余的车险图像样本图片作为测试集，训练集中的车险图像样本图片的数量大于测试集中的车险图像样本图片的数量，例如将车险图像样本图片中的80％的车险图像样本图片作为训练集，将剩余的20％的车险图像样本图片作为测试集。
在第一次训练卷积神经网络模型时，所述卷积神经网络模型的参数采用默认的参数进行训练，在训练过程不断调整参数，在训练生成所述卷积神经网络模型后，利用各待验证的样本图片对所生成的卷积神经网络模型进行验证，如果验证通过率大于等于预设阈值，例如通过率大于等于98％，则训练结束，以所述训练得到的卷积神经网络模型为识别识别所述车险图像中车辆损伤区域的损伤区域识别模型；如果验证通过率小于预设阈值，例如小于98％，则增加车险图像样本的数量，并重新执行上述的步骤，直至验证通过率大于或者等于预设阈值。
在测试时，使用训练得到的卷积神经网络模型对从所述测试集中的车险图像样本中随机选取的预设个数(如十张)车险图像样本进行损伤区域识别，并将识别结果与人工确认的车辆损伤级别结果进行对比，以评估所训练的卷积神经网络模型的识别效果。
在识别所述车险图像中车辆的损伤区域后，所述危险路段识别方法包括计算所述损伤区域的损伤面积大小的步骤。
可以理解的是，在计算所述损伤区域的损伤面积大小时需要先计算所述车险图像中车辆的损伤区域，再按照一定比例计算得到所述损伤区域的实际面积大小。根据所述损伤区域、对应所述损伤区域的权重值及对应的损伤面积采用预设计算模型来确定所述车险图像中车辆出现损伤的级别。
示例性的，所述预设计算模型可以是所述损伤区域与所述损伤区域的权重值的乘积加上所述损伤面积。所述车险图像中车辆出现损伤的级别根据所述预设计算模型的计算结果大小来进行确认。当所述计算结果大于等于预设值时，确认所述车险图像中车辆出现损伤的级别高；当所述计算结果小于所述预设值时，确认所述车险图像中车辆出现损伤的级别低。
步驟S22，获取所述事故发生地的历史事故数据，其中，所述历史事故数据致使包括事故发生次数及所述历史事故中车辆的损伤级别。
本实施例中，所述服务器的数据库中存储了历史报案信息中的车险图像及事故发生地。可以理解的是，所述历史事故数据还包括事故发生时间。
步驟S23，判断所述事故发生地的当前事故发生次数是否大于预设次数，及判断所述车险图像中车辆的损伤级别和当前事故发生次数中车辆的损伤级别是否高于第一预设级别。
本实施例中，为了解决现有技术中仅提示用户某地段为事故多发地，并不能引起用户足够重视而在所述事故多发地依然出现交通事故的问题。本方案不仅统计所述事故发生地发生事故的次数，还可以确定所述事故中车辆的损伤级别，将所述事故发生次数与车辆损伤级别进行关联来评定所述地段是否为高风险事故发生地。
具体地，当所述事故发生地的当前事故发生次数小于等于预设次数，或者当前事故发生次数中车辆的损伤级别和所述车险图像中车辆的损伤级别都低于第一预设级别时，确认所述事故发生地发生车祸属于意外情况，并非高风险事故发生地，无需刻意提醒用户，执行步骤S24，将所述事故发生地标记为低风险事故发生地；当所述事故发生地的当前事故发生次数大于预设次数，且当前事故发生次数中车辆的损伤级别和所述车险图像中车辆的损伤级别都高于第一预设级别时，确认所述事故发生地属于高风险事故发生地，容易出现严重交通事故，执行步骤S25，将所述事故发生地标记为高风险事故发生地。
需要说明的是，若当所述事故发生地的当前事故发生次数小于等于预设次数，或者当前事故发生次数中车辆的损伤级别高于所述第一预设级别，而所述车险图像中车辆的损伤级别低于第一预设级别时，确认所述事故发生地发生车祸属于意外情况，并非高风险事故发生地，无需刻意提醒用户，执行步骤S24，将所述事故发生地标记为低风险事故发生地。
在第二实施例中，可以根据所述车险图像获取所述事故发生地的周围环境信息，并根据所述事故发生地的周围环境信息评估所述事故发生地的风险级别。
具体地，所述根据事故发生地的周围环境信息评估所述事故发生地的风险级别的方法包括：
(1)识别所述车险图像中路面环境信息；所述路面环境信息包括路面是否有异物(如碎石)、路面是否崎岖、及是否为急转弯等。在本实施例中，通过图像识别方法来识别所述车险图像中路面环境信息，所述图像识别方法为现有技术，在此不赘述。
(2)根据所述路面环境信息判断所述路面状况级别；
当所述路面有异物或者所述路面崎岖或者当前道路为急转弯时，确定所述路面状况糟糕，易发生交通事故；当路面没有异物且所述路面平坦且当前道路不是急转弯时，确定所述路面状况良好，不易发生交通事故。
(3)获取所述事故发生地的历史事故数据，其中，所述历史事故数据致使包括事故发生次数及所述历史事故中路面状况级别；
(4)判断所述事故发生地的当前事故发生次数是否大于所述预设次数，及判断当前事故发生次数中路面状况级别是否高于第二预设级别；
具体地，当所述事故发生地的当前事故发生次数小于或等于所述预设次数，或者当前事故发生次数中路面状况级别低于第二预设级别时，确认所述事故发生地发生车祸属于意外情况，并非高风险事故发生地，无需刻意提醒用户，流程进入步骤S3；当所述事故发生地的当前事故发生次数大于预设次数，且当前事故发生次数中路面状况级别高于第二预设级别时，确认所述事故发生地属于高风险事故发生地，容易出现严重交通事故，流程进入步骤S3。
在第三实施例中，所述危险路段识别方法可以根据所述事故发生地的当前事故发生次数，及所述车险图像中车辆的损伤级别，及所述事故发生地的周围环境信息，来评估所述事故发生地的风险级别。
具体地，若所述事故发生地的当前事故发生次数大于所述预设次数，且所述车辆的损伤级别高于所述第一预设级别，或所述事故发生地的当前事故发生次数大于所述预设次数且确定所述周围环境信息中路面状况级别高于所述第二预设级别时，执行步骤S3；若所述事故发生地的当前事故发生次数小于所述预设次数，且所述车辆的损伤级别低于所述第一预设级别，且所述确定所述周围环境信息中路面状况级别低于所述第二预设级别时，执行步骤S3。
步驟S3，根据所述事故发生地的风险级别标记所述事故发生地，得到高风险事故发生地信息和低风险事故发生地信息。
具体地，在第一实施例中，当所述事故发生地的当前事故发生次数小于等于预设次数，或者当前事故发生次数中车辆的损伤级别低于第一预设级别时，确认所述事故发生地发生车祸属于意外情况，并非高风险事故发生地，无需刻意提醒用户，将所述事故发生地标记为低风险事故发生地；当所述事故发生地的当前事故发生次数大于预设次数，且当前事故发生次数中车辆的损伤级别高于第一预设级别时，确认所述事故发生地属于高风险事故发生地，容易出现严重交通事故，将所述事故发生地标记为高风险事故发生地。
在第二实施例中，当所述事故发生地的当前事故发生次数小于等于所述预设次数，或者当前事故发生次数中路面状况级别低于第二预设级别时，确认所述事故发生地发生车祸属于意外情况，并非高风险事故发生地，无需刻意提醒用户，将所述事故发生地标记为低风险事故发生地；当所述事故发生地的当前事故发生次数大于预设次数，且当前事故发生次数中路面状况级别高于第二预设级别时，确认所述事故发生地属于高风险事故发生地，容易出现严重交通事故，将所述事故发生地标记为高风险事故发生地。
在第三实施例中，若所述事故发生地的当前事故发生次数大于所述预设次数，且所述车辆的损伤级别高于所述第一预设级别，或所述事故发生地的当前事故发生次数大于所述预设次数且确定所述周围环境信息中路面状况级别高于所述第二预设级别时，将所述事故发生地标记为高风险事故发生地；若所述事故发生地的当前事故发生次数小于所述预设次数，且所述车辆的损伤级别低于所述第一预设级别，且所述确定所述周围环境信息中路面状况级别低于所述第二预设级别时，将所述事故发生地标记为低风险事故发生地。
步骤S4，发送包括所述高风险事故发生地的警示信息至相关用户。
本实施例中，在确定所述事故发生地为高风险事故发生地时，可以发送包括所述高风险事故发生地的详细信息至与相关保险公司签订保险合同的用户，从而可以提示所述用户在以后的出行中尽量避开所述高风险事故发生地，从而可以减少交通事故的发生，也可以为保险公司减少理赔次数。
当然，也可以发送包括低风险事故发生地的详细信息至与相关保险公司签订保险合同的用户，从而可以提示所述用户在以后的出行中优先选择所述低风险事故发生地，从而可以减少交通事故的发生。
优选地，在将所述事故发生地标记为高风险事故发生地之后，可以发送所述高风险事故发生地信息至导航系统。从而可以在用户驾驶车辆即将到达所述高风险事故发生地时，通过导航系统发送语音提示信息提醒用户车辆即将到达高风险事故发生地。由此可以增加用户警惕性，提醒用户在驾驶车辆经过所述高风险事故发生地时倍加小心，避免发生交通事故。还可以在用户使用所述导航系统规划出行路线时，给用户提供一条避开所述高风险事故发生地的路线。
优选地，所述危险路段识别方法还可以结合事故发生时间来提示相关用户。
当确定所述事故发生地为高风险事故发生地时，获取所述事故发生地的历史事故数据中的事故发生时间。
若所述历史事故数据中的事故发生时间集中在某时间段内，例如，早上5:00-9:00，则在所述时间段内提醒相关用户避开所述高风险事故发生地出行，从而可以减少交通事故的发生，也可以为保险公司减少理赔次数。
优选地，所述危险路段识别方法还可以结合事故发生时的天气状况来提醒相关用户。
当确定所述事故发生地为高风险事故发生地时，获取所述历史事故数据中事故发生地发生事故时的天气情况。
若所述历史事故数据中事故发生地发生事故时的天气恶劣，如出现大雾，或下大雨，或下大雪时，则提醒用户在恶劣天气应避开所述高风险事故发生地出行，从而可以减少交通事故的发生，也可以为保险公司减少理赔次数。
综上所述，本发明提供的危险路段识别方法，包括获取车险报案信息，其中，所述车险报案信息至少包括车险图像和事故发生地；根据所述车险图像评估所述事故发生地的风险级别；根据所述事故发生地的风险级别标记所述事故发生地；发送包括高风险事故发生地的警示信息至相关用户。可以统计事故多发地，并根据事故中车辆损伤级别提醒用户所述事故多发地的危险级别，使用户得到足够重视，并提醒用户出行时尽可能避开所述危险级别高的事故多发地，从而可以减少交通事故的发生，且为保险公司减少理赔次数。
以上所述，仅是本发明的具体实施方式，但本发明的保护范围并不局限于此，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出改进，但这些均属于本发明的保护范围。
下面结合图4和图5，分别对实现上述危险路段识别方法的服务器的功能模块及硬件结构进行介绍。
实施例二
图4为本发明危险路段识别装置较佳实施例中的功能模块图。
在一些实施例中，所述危险路段识别装置40运行于服务器中。所述危险路段识别装置40可以包括多个由程序代码段所组成的功能模块。所述危险路段识别装置40中的各个程序段的程序代码可以存储于存储器中，并由至少一个处理器所执行，以执行(详见图1及其相关描述)危险路段识别功能。
本实施例中，所述危险路段识别装置40根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：获取模块401、评估模块402、标记模块403及发送模块404。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在一些实施例中，关于各模块的功能将在后续的实施例中详述。
所述获取模块401用于获取车险报案信息，其中，所述车险报案信息至少包括车险图像和事故发生地。
本实施例中，所述服务器可以从移动终端获取报案信息。所述移动终端可以是手机、平板电脑、个人数字助理、可穿戴设备(例如、智能手表、智能眼镜)等智能终端或其他任意适用的电子设备。所述报案信息可以包括车险图像和事故发生地，还可以包括车主的信息、出险车辆的车牌号、出险时间以及出险原因等。所述车险图像可以是车主拍摄的视频信息或图像信息。
在其他实施方式中，所述车险图像可以是作业人员(如查勘员)现场采集的视频信息或图像信息，所述作业人员将所述车险图像发送至其他系统(如保险公司系统)数据库中。所述服务器可以从所述其他系统数据库中获取所述车险图像。所述车险图像与所述事故发生地相关联。
所述车险图像可以包括各种图形或影像的总称，通常指具有视觉效果的画面,一般可以包括纸介质上的、底片或照片上的、电视、投影仪或计算机屏幕等上的画面。本实施例中所述的车险图像可以包括通过照相或摄像设备拍摄后存储在可读存储介质上的计算机图像数据，可以包括矢量图、位图，静态、动态图像等多种类型的计算机图像。
优选地，在获取车险报案信息后，在获取车险报案信息后，所述危险路段识别装置40还可以提高车险图像的清晰度等级。所述提高车险图像的清晰度等级的方法包括：
(1)计算所述车险图像的第一清晰度等级；
在本实施方式中，可以通过灰度变化函数、梯度函数、或者图像灰度熵函数等计算来计算所述车险图像的第一清晰度等级。灰度变化函数、梯度函数、或者图像灰度熵函数为计算图像清晰度的现有技术，在此不再赘述。
(2)将所述第一清晰度等级与预设清晰度等级进行比对；当所述第一清晰度等级低于所述预设清晰度等级时，增强所述车险图像的清晰度等级以得到新的车险图像，并计算所述新的车险图像的第二清晰度等级；当所述第一清晰度等级高于所述预设清晰度等级时，根据所述车险图像中的车辆的损伤级别、所述事故发生地的周围环境信息和/或所述事故发生地的当前事故发生次数评估所述事故发生地的风险级别。
在本实施方式中，增强所述车险图像的清晰度等级以得到新的车险图像的方法包括：
a：计算所述车险图像中的高频分量和低频分量。
具体地，通过对所述车险图像的空域信号进行低通滤波后得到所述车险图像的低频分量，对所述车险图像的空域信号进行差值运算后得到所述车险图像的高频分量。
b：对所述车险图像中的高频分量进行识别，并对识别后的高频分量进行增强处理。
具体地，通过对所述车险图像的高频分量识别后进行分类，分出所述高频分量中的噪声、细节、小边缘和大边缘，再分别对所述高频分量中的噪声、细节、小边缘和大边缘进行增强处理。
所述对识别后的高频分量进行增强处理包括：
计算核化降噪动态阈值，判断所述车险图像中的点是否属于噪声。
通过将所述车险图像的点的高频分量的绝对值与所述核化降噪动态阈值进行比对，来判断所述车险图像的点是否属于噪声。
若所述车险图像中的点的高频分量的绝对值小于所述核化降噪阈值，则确认所述点为噪声，将所述点对应的高频分量的值设置为0。通过将所述点对应的高频分量的值设置为0以抑制掉小幅高频噪声，达到核化降噪的目的。
若所述车险图像中的点的高频分量的绝对值大于等于所述核化降噪阈值，则确认所述点不是噪声，应用非线性高频增强曲线对所述车险图像的高频分量进行增强。通过所述非线性高频增强曲线处理后可以对所述高频分量中的细节、小边缘和大边缘对应的不同区域段进行不同程度的处理，由此得到的增强图像，过渡平滑自然，且保持了高频分量的单调性。
c：将增强后的高频分量与所述低频分量叠加得到新的车险图像。
在增强所述车险图像的清晰度后得到新的车险图像，并计算所述新的车险图像的第二清晰度。可以理解的是，所述新的车险图像的第二清晰度的计算方法与所述车险图像的第一清晰度的计算方法一致，不再赘述。
(3)将所述第二清晰度等级与所述预设清晰度等级进行比对；当所述第二清晰度等级低于所述预设清晰度等级时，增强所述车险图像的清晰度等级以得到新的车险图像，并计算所述新的车险图像的第二清晰度等级；当所述第二清晰度等级高于所述预设清晰度等级时，根据所述车险图像评估所述事故发生地的风险级别。
可以理解的是，在计算所述车险图像的第一清晰度等级之前，所述危险路段识别方法还可以包括：对所述车险图像进行数据预处理的步骤，其中，所述数据预处理过程包括：模数转换、二值化、图像的平滑、变换、增强、恢复、滤波等。
在本实施方式中，通过对用户上传的车险图像的清晰度进行调整，从而得到满足理赔要求的车险图像，可以提高自助理赔系统的工作效率。还可以避免由于用户上传的车险图像的清晰度不符合理赔要求时，麻烦用户重新上传车险图像的情况出现，提高了用户体验。
可以理解的是，在获取车险报案信息后，将所述车险图像和事故发生地关联后存储至服务器的数据库中。
所述评估模块402用于根据所述车险图像中的车辆的损伤级别、所述事故发生地的周围环境信息和/或所述事故发生地的当前事故发生次数评估所述事故发生地的风险级别。
在本实施方式中，可以根据车险图像中车辆的损伤级别，以及/或者事故发生地的周围环境信息来评估所述事故发生地的风险级别。
在第一实施例中，根据所述车险图像获取所述车险图像中车辆的损伤级别，并根据所述损伤级别评估所述事故发生地的风险级别。
具体地，根据所述车险图像中的车辆的损伤级别和所述事故发生地的当前事故发生次数评估所述事故发生地的风险级别的方法包括：
(a)获取所述车险图像中车辆的损伤级别。
本实施例中，调用预先训练生成的损伤区域识别模型识别所述车险图像，得到车辆损伤区域信息；根据所述车辆损伤区域信息计算所述损伤区域的损伤面积；将所述车辆损伤区域和损伤面积输入预设计算模型并得到计算结果，其中，所述预设计算模型为所述损伤区域与所述损伤区域的权重值的乘积加上所述损伤面积；当所述计算结果大于或等于预设值，确认所述车险图像中车辆的损伤级别高；当所述计算结果小于所述预设值，确认所述车险图像中车辆的损伤级别低。
具体地，调用损伤区域识别模型对车险图像进行损伤区域识别，再计算所述损伤区域的损伤面积大小，根据所述损伤区域及对应的损伤面积采用预设计算模型来确定所述车险图像中车辆出现损伤的级别。
本实施例中，可以预先训练生成用于识别车险图像中的损伤区域的识别模型，所述识别模型可以是图像处理相关的多种模型中的一种。
优选地，所述损伤区域识别模型为卷积神经网络模型。
一般来说，所述车辆损伤区域可以包括第一区域、第二区域、第三区域、第四区域及第五区域。所述第一区域为直接碰撞损伤区(又称为一次损伤区)；所述第二区域为间接碰撞损伤区(又称为二次损伤区)；所述第三区域为机械损伤区，即汽车机械零件、动力传动系统零件、附件等损伤区；所述第四区域为乘员舱区，及车厢的各种损坏，包括内饰件、灯、控制装置、操纵装置和饰层等；所述第五区域为外饰和漆面区，即车身外饰件及外部各种零部件的损伤。
优选地，所述损伤区域识别模型的训练过程包括：
1)获取预设数量的车险图像样本；
2)从所述车险图像样本中提取出预设比例的车险图像作为待训练的样本图片，并将所述预设数量的车险图像样本中剩余的车险图像样本作为待验证的样本图片；
3)利用各待训练的样本图片进行模型训练，以生成所述卷积神经网络模型，并利用各待验证的样本图片对所生成的卷积神经网络模型进行验证；
4)若验证通过率大于等于预设阈值，则训练完成，否则增加所述车险图像样本的数量，以重新进行训练及验证。
示例性的，假设获取10万张理赔车险图像样本图片。提取预设比例的理赔保单样本图片作为训练集，并将预设数量的车险图像样本图片中剩余的车险图像样本图片作为测试集，训练集中的车险图像样本图片的数量大于测试集中的车险图像样本图片的数量，例如将车险图像样本图片中的80％的车险图像样本图片作为训练集，将剩余的20％的车险图像样本图片作为测试集。
在第一次训练卷积神经网络模型时，所述卷积神经网络模型的参数采用默认的参数进行训练，在训练过程不断调整参数，在训练生成所述卷积神经网络模型后，利用各待验证的样本图片对所生成的卷积神经网络模型进行验证，如果验证通过率大于等于预设阈值，例如通过率大于等于98％，则训练结束，以所述训练得到的卷积神经网络模型为识别识别所述车险图像中车辆损伤区域的损伤区域识别模型；如果验证通过率小于预设阈值，例如小于98％，则增加车险图像样本的数量，并重新执行上述的步骤，直至验证通过率大于或者等于预设阈值。
在测试时，使用训练得到的卷积神经网络模型对从所述测试集中的车险图像样本中随机选取的预设个数(如十张)车险图像样本进行损伤区域识别，并将识别结果与人工确认的车辆损伤级别结果进行对比，以评估所训练的卷积神经网络模型的识别效果。
在识别所述车险图像中车辆的损伤区域后，所述评估模块402还用于计算所述损伤区域的损伤面积大小。
可以理解的是，在计算所述损伤区域的损伤面积大小时需要先计算所述车险图像中车辆的损伤区域，再按照一定比例计算得到所述损伤区域的实际面积大小。根据所述损伤区域、对应所述损伤区域的权重值及对应的损伤面积采用预设计算模型来确定所述车险图像中车辆出现损伤的级别。
示例性的，所述预设计算模型可以是所述损伤区域与所述损伤区域的权重值的乘积加上所述损伤面积。所述车险图像中车辆出现损伤的级别根据所述预设计算模型的计算结果大小来进行确认。当所述计算结果大于或等于预设值时，确认所述车险图像中车辆出现损伤的级别高；当所述计算结果小于所述预设值时，确认所述车险图像中车辆出现损伤的级别低。
(b)获取所述事故发生地的历史事故数据，其中，所述历史事故数据致使包括事故发生次数及所述历史事故中车辆的损伤级别。
本实施例中，所述服务器的数据库中存储了历史报案信息中的车险图像及事故发生地。可以理解的是，所述历史事故数据还包括事故发生时间。
(c)判断所述事故发生地的当前事故发生次数是否大于预设次数，及判断所述车险图像中车辆的损伤级别和当前事故发生次数中车辆的损伤级别是否高于第一预设级别。
本实施例中，为了解决现有技术中仅提示用户某地段为事故多发地，并不能引起用户足够重视而在所述事故多发地依然出现交通事故的问题。本方案不仅统计所述事故发生地发生事故的次数，还可以确定所述事故中车辆的损伤级别，将所述事故发生次数与车辆损伤级别进行关联来评定所述地段是否为高风险事故发生地。
具体地，当所述事故发生地的当前事故发生次数小于或等于预设次数，或者当前事故发生次数中车辆的损伤级别和所述车险图像中车辆的损伤级别都低于第一预设级别时，确认所述事故发生地发生车祸属于意外情况，并非高风险事故发生地，无需刻意提醒用户，将所述事故发生地标记为低风险事故发生地；当所述事故发生地的当前事故发生次数大于预设次数，且当前事故发生次数中车辆的损伤级别和所述车险图像中车辆的损伤级别都高于第一预设级别时，确认所述事故发生地属于高风险事故发生地，容易出现严重交通事故，将所述事故发生地标记为高风险事故发生地。
需要说明的是，若当所述事故发生地的当前事故发生次数小于等于预设次数，或者当前事故发生次数中车辆的损伤级别高于所述第一预设级别，而所述车险图像中车辆的损伤级别低于第一预设级别时，确认所述事故发生地发生车祸属于意外情况，并非高风险事故发生地，无需刻意提醒用户，将所述事故发生地标记为低风险事故发生地。
在第二实施例中，可以根据所述车险图像获取所述事故发生地的周围环境信息，并根据所述事故发生地的周围环境信息评估所述事故发生地的风险级别。
具体地，所述根据事故发生地的周围环境信息评估所述事故发生地的风险级别的方法包括：
(1)识别所述车险图像中路面环境信息。所述路面环境信息包括路面是否有异物(如碎石)、路面是否崎岖、及是否为急转弯等。在本实施例中，通过图像识别方法来识别所述车险图像中路面环境信息，所述图像识别方法为现有技术，在此不赘述。
(2)根据所述路面环境信息判断所述路面状况级别。
当所述路面有异物或者所述路面崎岖或者当前道路为急转弯时，确定所述路面状况糟糕，易发生交通事故；当路面没有异物且所述路面平坦且当前道路不是急转弯时，确定所述路面状况良好，不易发生交通事故。
(3)获取所述事故发生地的历史事故数据，其中，所述历史事故数据致使包括事故发生次数及所述历史事故中路面状况级别。
(4)判断所述事故发生地的当前事故发生次数是否大于所述预设次数，及判断当前事故发生次数中路面状况级别是否高于第二预设级别。
具体地，当所述事故发生地的当前事故发生次数小于等于所述预设次数，或者当前事故发生次数中路面状况级别低于第二预设级别时，确认所述事故发生地发生车祸属于意外情况，并非高风险事故发生地，无需刻意提醒用户，根据所述事故发生地的风险级别标记所述事故发生地；当所述事故发生地的当前事故发生次数大于预设次数，且当前事故发生次数中路面状况级别高于第二预设级别时，确认所述事故发生地属于高风险事故发生地，容易出现严重交通事故，根据所述事故发生地的风险级别标记所述事故发生地。
在第三实施例中，所述危险路段识别方法可以根据所述事故发生地的当前事故发生次数，及所述车险图像中车辆的损伤级别，及所述事故发生地的周围环境信息，来评估所述事故发生地的风险级别。
具体地，若所述事故发生地的当前事故发生次数大于所述预设次数，且所述车辆的损伤级别高于所述第一预设级别，或所述事故发生地的当前事故发生次数大于所述预设次数且确定所述周围环境信息中路面状况级别高于所述第二预设级别时，根据所述事故发生地的风险级别标记所述事故发生地；若所述事故发生地的当前事故发生次数小于所述预设次数，且所述车辆的损伤级别低于所述第一预设级别，且所述确定所述周围环境信息中路面状况级别低于所述第二预设级别时，根据所述事故发生地的风险级别标记所述事故发生地。
所述标记模块403用于根据所述事故发生地的风险级别标记所述事故发生地，得到高风险事故发生地信息和低风险事故发生地信息。
具体地，在第一实施例中，当所述事故发生地的当前事故发生次数小于等于预设次数，或者当前事故发生次数中车辆的损伤级别低于第一预设级别时，确认所述事故发生地发生车祸属于意外情况，并非高风险事故发生地，无需刻意提醒用户，将所述事故发生地标记为低风险事故发生地；当所述事故发生地的当前事故发生次数大于预设次数，且当前事故发生次数中车辆的损伤级别高于第一预设级别时，确认所述事故发生地属于高风险事故发生地，容易出现严重交通事故，将所述事故发生地标记为高风险事故发生地。
在第二实施例中，当所述事故发生地的当前事故发生次数小于或等于所述预设次数，或者当前事故发生次数中路面状况级别低于第二预设级别时，确认所述事故发生地发生车祸属于意外情况，并非高风险事故发生地，无需刻意提醒用户，将所述事故发生地标记为低风险事故发生地；当所述事故发生地的当前事故发生次数大于预设次数，且当前事故发生次数中路面状况级别高于第二预设级别时，确认所述事故发生地属于高风险事故发生地，容易出现严重交通事故，将所述事故发生地标记为高风险事故发生地。
在第三实施例中，若所述事故发生地的当前事故发生次数大于所述预设次数，且所述车辆的损伤级别高于所述第一预设级别，或所述事故发生地的当前事故发生次数大于所述预设次数且确定所述周围环境信息中路面状况级别高于所述第二预设级别时，将所述事故发生地标记为高风险事故发生地；若所述事故发生地的当前事故发生次数小于所述预设次数，且所述车辆的损伤级别低于所述第一预设级别，且所述确定所述周围环境信息中路面状况级别低于所述第二预设级别时，将所述事故发生地标记为低风险事故发生地。
所述发送模块404用于发送包括所述高风险事故发生地的警示信息至相关用户。
本实施例中，在确定所述事故发生地为高风险事故发生地时，可以发送包括所述高风险事故发生地的详细信息至与相关保险公司签订保险合同的用户，从而可以提示所述用户在以后的出行中尽量避开所述高风险事故发生地，从而可以减少交通事故的发生，也可以为保险公司减少理赔次数。
优选地，在将所述事故发生地标记为高风险事故发生地之后，可以发送所述高风险事故发生地信息至导航系统。从而可以在用户驾驶车辆即将到达所述高风险事故发生地时，通过导航系统发送语音提示信息提醒用户车辆即将到达高风险事故发生地。由此可以增加用户警惕性，提醒用户在驾驶车辆经过所述高风险事故发生地时倍加小心，避免发生交通事故。还可以在用户使用所述导航系统规划出行路线时，给用户提供一条避开所述高风险事故发生地的路线。
优选地，所述危险路段识别装置40还可以结合事故发生时间来提示相关用户。
当确定所述事故发生地为高风险事故发生地时，获取所述事故发生地的历史事故数据中的事故发生时间；若所述历史事故数据中的事故发生时间集中在某时间段内，例如，早上5:00-9:00，则在所述时间段内提醒相关用户避开所述高风险事故发生地出行，从而可以减少交通事故的发生，也可以为保险公司减少理赔次数。
优选地，所述危险路段识别装置40还可以结合事故发生时的天气状况来提醒相关用户。
当确定所述事故发生地为高风险事故发生地时，获取所述历史事故数据中事故发生地发生事故时的天气情况。
若所述历史事故数据中事故发生地发生事故时的天气恶劣，如出现大雾，或下大雨，或下大雪时，则提醒用户在恶劣天气应避开所述高风险事故发生地出行，从而可以减少交通事故的发生，也可以为保险公司减少理赔次数。
综上所述，本发明提供的危险路段识别装置40可以统计事故多发地，并根据事故中车辆损伤级别提醒用户所述事故多发地的危险级别，使用户得到足够重视，并提醒用户出行时尽可能避开所述危险级别高的事故多发地，从而可以减少交通事故的发生，且为保险公司减少理赔次数。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，双屏设备，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分。
实施例三
图5为本发明实施例三提供的服务器的示意图。
所述服务器5包括：数据库51、存储器52、至少一个处理器53、存储在所述存储器52中并可在所述至少一个处理器53上运行的计算机程序54及至少一条通讯总线55。
所述至少一个处理器53执行所述计算机程序54时实现上述危险路段识别方法实施例中的步骤。
示例性的，所述计算机程序54可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器52中，并由所述至少一个处理器53执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序54在所述服务器5中的执行过程。
所述服务器5是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(应用程序licationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。本领域技术人员可以理解，所述示意图5仅仅是服务器5的示例，并不构成对服务器5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述服务器5还可以包括输入输出设备、网络接入设备、总线等。
所述数据库(Database)51是按照数据结构来组织、存储和管理数据的建立在所述服务器5上的仓库。数据库通常分为层次式数据库、网络式数据库和关系式数据库三种。在本实施方式中，所述数据库51用于存储所述车险图像信息。
所述至少一个处理器53可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。该处理器53可以是微处理器或者该处理器53也可以是任何常规的处理器等，所述处理器53是所述服务器5的控制中心，利用各种接口和线路连接整个服务器5的各个部分。
所述存储器52可用于存储所述计算机程序54和/或模块/单元，所述处理器53通过运行或执行存储在所述存储器52内的计算机程序和/或模块/单元，以及调用存储在存储器52内的数据，实现所述服务器5的各种功能。所述存储器52可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据服务器5的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器52可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述存储器52中存储有程序代码，且所述至少一个处理器53可调用所述存储器52中存储的程序代码以执行相关的功能。例如，图4中所述的各个模块(获取模块401、评估模块402、标记模块403及发送模块404)是存储在所述存储器52中的程序代码，并由所述至少一个处理器53所执行，从而实现所述各个模块的功能以达到危险路段识别目的。
所述服务器5集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
尽管未示出，所述服务器5还可以包括给各个部件供电的电源(比如电池)，优选的，电源可以通过电源管理系统与所述至少一个处理器53逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述服务器5还可以包括蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
在本发明所提供的几个实施例中，应该理解到，所揭露的电子设备和方法，可以通过其它的方式实现。例如，以上所描述的电子设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
另外，在本发明各个实施例中的各功能单元可以集成在相同处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在相同单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神范围。
Claims (10)
1.一种危险路段识别方法，其特征在于，所述方法包括：
获取车险报案信息，其中，所述车险报案信息至少包括车险图像和事故发生地；
根据所述车险图像中的车辆的损伤级别、所述事故发生地的周围环境信息和/或所述事故发生地的当前事故发生次数评估所述事故发生地的风险级别；
根据所述事故发生地的风险级别标记所述事故发生地，得到高风险事故发生地信息和低风险事故发生地信息；
发送包括所述高风险事故发生地的警示信息至相关用户。
2.如权利要求1所述的危险路段识别方法，其特征在于，在所述获取车险报案信息后，所述方法还包括：
计算所述车险图像的第一清晰度等级；
将所述第一清晰度等级与预设清晰度等级进行比对；
当所述第一清晰度等级低于所述预设清晰度等级时，增强所述车险图像的清晰度等级以得到新的车险图像，并计算所述新的车险图像的第二清晰度等级；
将所述第二清晰度等级与所述预设清晰度等级进行比对；
当所述第二清晰度等级高于所述预设清晰度等级时，执行所述根据所述车险图像中的车辆的损伤级别、所述事故发生地的周围环境信息和/或所述事故发生地的当前事故发生次数评估所述事故发生地的风险级别的步骤。
3.如权利要求1所述的危险路段识别方法，其特征在于，根据所述车险图像中的车辆的损伤级别和所述事故发生地的当前事故发生次数评估所述事故发生地的风险级别包括：
获取所述车险图像中车辆的损伤级别；
获取所述事故发生地的历史事故数据，其中，所述历史事故数据包括事故发生次数及所述历史事故中车辆的损伤级别；
判断所述事故发生地的当前事故发生次数是否大于预设次数，及判断所述车险图像中车辆的损伤级别和当前事故发生次数中车辆的损伤级别是否高于第一预设级别；
当所述事故发生地的当前事故发生次数小于或等于所述预设次数，或者所述车险图像中车辆的损伤级别和当前事故发生次数中车辆的损伤级别都低于第一预设级别时，将所述事故发生地标记为低风险事故发生地；
当所述事故发生地的当前事故发生次数大于预设次数，且所述车险图像中车辆的损伤级别和当前事故发生次数中车辆的损伤级别都高于第一预设级别时，将所述事故发生地标记为高风险事故发生地。
4.如权利要求3所述的危险路段识别方法，其特征在于，所述获取所述车险图像中车辆的损伤级别的步骤包括：
调用预先训练生成的损伤区域识别模型识别所述车险图像，得到车辆损伤区域信息；
根据所述车辆损伤区域信息计算所述损伤区域的损伤面积；
将所述车辆损伤区域和损伤面积输入预设计算模型并得到计算结果，其中，所述预设计算模型为所述损伤区域与所述损伤区域的权重值的乘积加上所述损伤面积；
判断所述计算结果是否大于或等于预设值；
当所述计算结果大于或等于所述预设值，确认所述车险图像中车辆的损伤级别高；
当所述计算结果小于所述预设值，确认所述车险图像中车辆的损伤级别低。
5.如权利要求3所述的危险路段识别方法，其特征在于，根据所述事故发生地的周围环境信息和所述事故发生地的当前事故发生次数评估所述事故发生地的风险级别包括：
识别所述车险图像中路面环境信息，其中，所述路面环境信息包括路面是否有异物、路面是否崎岖及是否为急转弯；
根据所述路面环境信息判断所述路面状况级别；
获取所述事故发生地的历史事故数据，其中，所述历史事故数据至少包括事故发生次数及所述历史事故中路面状况级别；
判断所述事故发生地的当前事故发生次数是否大于所述预设次数，及判断当前事故发生次数中路面状况级别是否高于第二预设级别；
当所述事故发生地的当前事故发生次数小于或等于所述预设次数，或者当前事故发生次数中路面状况级别低于第二预设级别时，将所述事故发生地标记为低风险事故发生地；
当所述事故发生地的当前事故发生次数大于所述预设次数，且当前事故发生次数中路面状况级别高于所述第二预设级别时，将所述事故发生地标记为高风险事故发生地。
6.如权利要求5所述的危险路段识别方法，其特征在于：
若所述事故发生地的当前事故发生次数大于所述预设次数，且所述车辆的损伤级别高于所述第一预设级别，或所述事故发生地的当前事故发生次数大于所述预设次数且确定所述周围环境信息中路面状况级别高于所述第二预设级别时，将所述事故发生地标记为高风险事故发生地；
若所述事故发生地的当前事故发生次数小于或等于所述预设次数，且所述车辆的损伤级别低于所述第一预设级别，且所述确定所述周围环境信息中路面状况级别低于所述第二预设级别时，将所述事故发生地标记为低风险事故发生地。
7.如权利要求5所述的危险路段识别方法，其特征在于，所述根据所述路面环境信息判断所述路面状况级别包括：
当所述路面有异物或者所述路面崎岖或者当前道路为急转弯时，确定所述路面状况级别高；
当路面没有异物且所述路面平坦且当前道路不是急转弯时，确定所述路面状况级别低。
8.一种危险路段识别装置，其特征在于，所述装置包括：
获取模块，用于获取车险报案信息，其中，所述车险报案信息至少包括车险图像和事故发生地；
评估模块，用于根据所述车险图像中的车辆的损伤级别、所述事故发生地的周围环境信息和/或所述事故发生地的当前事故发生次数评估所述事故发生地的风险级别；
标记模块，用于根据所述事故发生地的风险级别标记所述事故发生地，得到高风险事故发生地信息和低风险事故发生地信息；
发送模块，用于发送包括所述高风险事故发生地的警示信息至相关用户。
9.一种服务器，其特征在于，所述服务器包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1至7中任意一项所述的危险路段识别方法。
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如权利要求1至7中任意一项所述的危险路段识别方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910678463.6A CN110473418B (zh) | 2019-07-25 | 2019-07-25 | 危险路段识别方法、装置、服务器及存储介质 |
| PCT/CN2019/117417 WO2021012504A1 (zh) | 2019-07-25 | 2019-11-12 | 基于智慧交通的道路信息提示方法、装置、服务器及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910678463.6A CN110473418B (zh) | 2019-07-25 | 2019-07-25 | 危险路段识别方法、装置、服务器及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110473418A true CN110473418A (zh) | 2019-11-19 |
| CN110473418B CN110473418B (zh) | 2022-05-20 |
Family
ID=68509564
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910678463.6A Active CN110473418B (zh) | 2019-07-25 | 2019-07-25 | 危险路段识别方法、装置、服务器及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110473418B (zh) |
| WO (1) | WO2021012504A1 (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110992718A (zh) * | 2019-12-28 | 2020-04-10 | 浙江永尚光电有限公司 | 一种运用于路灯的道路智能控制端及方法 |
| CN111815986A (zh) * | 2020-09-02 | 2020-10-23 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种交通事故预警方法、装置、终端设备及存储介质 |
| CN112270836A (zh) * | 2020-10-15 | 2021-01-26 | 腾讯科技（深圳）有限公司 | 车流量控制方法、装置、设备及存储介质 |
| CN112633713A (zh) * | 2020-12-28 | 2021-04-09 | 广州羊城通有限公司 | 基于乘车记录的风险地区提醒方法及装置 |
| CN114582132A (zh) * | 2022-05-05 | 2022-06-03 | 四川九通智路科技有限公司 | 一种基于机器视觉的车辆碰撞检测预警系统及方法 |
| CN117057606A (zh) * | 2023-08-15 | 2023-11-14 | 广州地铁设计研究院股份有限公司 | 风险预测模型训练方法、风险预测方法及相关设备 |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115240408A (zh) * | 2022-06-15 | 2022-10-25 | 中国第一汽车股份有限公司 | 一种基于区块链技术的车辆事故预警方法、系统、电子设备和存储介质 |
| CN114814888B (zh) * | 2022-06-30 | 2022-09-13 | 南京源兴智达信息科技有限公司 | 一种基于北斗三号的手持终端设备 |
| CN116935308B (zh) * | 2023-07-10 | 2024-04-09 | 南京易自助网络科技有限公司 | 基于车辆情景ai智能识别的洗车机安全监控系统及方法 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105975669A (zh) * | 2016-04-29 | 2016-09-28 | 大连楼兰科技股份有限公司 | 基于cae碰撞仿真的汽车零部件损伤评定方法及装置 |
| CN106251667A (zh) * | 2016-08-18 | 2016-12-21 | 深圳市永兴元科技有限公司 | 车辆驾驶提示方法及装置 |
| CN106296027A (zh) * | 2016-08-18 | 2017-01-04 | 深圳市永兴元科技有限公司 | 车险理赔预警方法及装置 |
| CN106652562A (zh) * | 2017-02-09 | 2017-05-10 | 吉林大学 | 一种高速公路道路交通安全预警方法 |
| CN107403424A (zh) * | 2017-04-11 | 2017-11-28 | 阿里巴巴集团控股有限公司 | 一种基于图像的车辆定损方法、装置及电子设备 |
| WO2018196837A1 (zh) * | 2017-04-28 | 2018-11-01 | 阿里巴巴集团控股有限公司 | 车辆定损图像获取方法、装置、服务器和终端设备 |
| CN108734702A (zh) * | 2018-04-26 | 2018-11-02 | 平安科技（深圳）有限公司 | 车损判定方法、服务器及存储介质 |
| CN108769624A (zh) * | 2018-07-09 | 2018-11-06 | 北京精友世纪软件技术有限公司 | 一种智能车险移动视频查勘系统 |
| CN109492143A (zh) * | 2018-09-21 | 2019-03-19 | 平安科技（深圳）有限公司 | 图像数据处理方法、装置、计算机设备及存储介质 |
| CN109523389A (zh) * | 2018-09-19 | 2019-03-26 | 平安科技（深圳）有限公司 | 基于图像识别的车损处理方法、装置、设备及介质 |
| US20190120649A1 (en) * | 2017-10-23 | 2019-04-25 | Hyundai Motor Company | Dialogue system, vehicle including the dialogue system, and accident information processing method |
| CN109767597A (zh) * | 2019-01-19 | 2019-05-17 | 跨越速运集团有限公司 | 一种车辆事故预警方法及系统 |
| US10304137B1 (en) * | 2012-12-27 | 2019-05-28 | Allstate Insurance Company | Automated damage assessment and claims processing |
| WO2019100839A1 (zh) * | 2017-11-21 | 2019-05-31 | 阿里巴巴集团控股有限公司 | 识别车辆受损部件的方法、装置、服务器、客户端及系统 |
| CN109872554A (zh) * | 2019-03-22 | 2019-06-11 | 山西省交通科学研究院有限公司 | 一种高速公路雾区提升行车安全的车路预警系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5786901B2 (ja) * | 2013-06-20 | 2015-09-30 | 株式会社デンソー | 事故通報システム |
| US10322696B2 (en) * | 2017-01-18 | 2019-06-18 | Gm Global Technology Operations Llc. | Vehicle environment imaging systems and methods |
| US11040726B2 (en) * | 2017-12-15 | 2021-06-22 | Baidu Usa Llc | Alarm system of autonomous driving vehicles (ADVs) |
| WO2019183751A1 (zh) * | 2018-03-26 | 2019-10-03 | 深圳市锐明技术股份有限公司 | 一种车前积雪与结冰的检测报警方法、存储介质和服务器 |
| CN108492556B (zh) * | 2018-03-26 | 2022-06-21 | 京东方科技集团股份有限公司 | 一种交通事故规避信息的发布方法及云服务器 |
| CN110033011A (zh) * | 2018-12-14 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 车祸事故处理方法和装置、电子设备 |
-
2019
- 2019-07-25 CN CN201910678463.6A patent/CN110473418B/zh active Active
- 2019-11-12 WO PCT/CN2019/117417 patent/WO2021012504A1/zh active Application Filing
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10304137B1 (en) * | 2012-12-27 | 2019-05-28 | Allstate Insurance Company | Automated damage assessment and claims processing |
| CN105975669A (zh) * | 2016-04-29 | 2016-09-28 | 大连楼兰科技股份有限公司 | 基于cae碰撞仿真的汽车零部件损伤评定方法及装置 |
| CN106251667A (zh) * | 2016-08-18 | 2016-12-21 | 深圳市永兴元科技有限公司 | 车辆驾驶提示方法及装置 |
| CN106296027A (zh) * | 2016-08-18 | 2017-01-04 | 深圳市永兴元科技有限公司 | 车险理赔预警方法及装置 |
| CN106652562A (zh) * | 2017-02-09 | 2017-05-10 | 吉林大学 | 一种高速公路道路交通安全预警方法 |
| CN107403424A (zh) * | 2017-04-11 | 2017-11-28 | 阿里巴巴集团控股有限公司 | 一种基于图像的车辆定损方法、装置及电子设备 |
| WO2018196837A1 (zh) * | 2017-04-28 | 2018-11-01 | 阿里巴巴集团控股有限公司 | 车辆定损图像获取方法、装置、服务器和终端设备 |
| US20190120649A1 (en) * | 2017-10-23 | 2019-04-25 | Hyundai Motor Company | Dialogue system, vehicle including the dialogue system, and accident information processing method |
| WO2019100839A1 (zh) * | 2017-11-21 | 2019-05-31 | 阿里巴巴集团控股有限公司 | 识别车辆受损部件的方法、装置、服务器、客户端及系统 |
| CN108734702A (zh) * | 2018-04-26 | 2018-11-02 | 平安科技（深圳）有限公司 | 车损判定方法、服务器及存储介质 |
| CN108769624A (zh) * | 2018-07-09 | 2018-11-06 | 北京精友世纪软件技术有限公司 | 一种智能车险移动视频查勘系统 |
| CN109523389A (zh) * | 2018-09-19 | 2019-03-26 | 平安科技（深圳）有限公司 | 基于图像识别的车损处理方法、装置、设备及介质 |
| CN109492143A (zh) * | 2018-09-21 | 2019-03-19 | 平安科技（深圳）有限公司 | 图像数据处理方法、装置、计算机设备及存储介质 |
| CN109767597A (zh) * | 2019-01-19 | 2019-05-17 | 跨越速运集团有限公司 | 一种车辆事故预警方法及系统 |
| CN109872554A (zh) * | 2019-03-22 | 2019-06-11 | 山西省交通科学研究院有限公司 | 一种高速公路雾区提升行车安全的车路预警系统 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110992718A (zh) * | 2019-12-28 | 2020-04-10 | 浙江永尚光电有限公司 | 一种运用于路灯的道路智能控制端及方法 |
| CN111815986A (zh) * | 2020-09-02 | 2020-10-23 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种交通事故预警方法、装置、终端设备及存储介质 |
| CN111815986B (zh) * | 2020-09-02 | 2021-01-01 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种交通事故预警方法、装置、终端设备及存储介质 |
| CN112270836A (zh) * | 2020-10-15 | 2021-01-26 | 腾讯科技（深圳）有限公司 | 车流量控制方法、装置、设备及存储介质 |
| CN112270836B (zh) * | 2020-10-15 | 2023-11-21 | 腾讯科技（深圳）有限公司 | 车流量控制方法、装置、设备及存储介质 |
| CN112633713A (zh) * | 2020-12-28 | 2021-04-09 | 广州羊城通有限公司 | 基于乘车记录的风险地区提醒方法及装置 |
| CN114582132A (zh) * | 2022-05-05 | 2022-06-03 | 四川九通智路科技有限公司 | 一种基于机器视觉的车辆碰撞检测预警系统及方法 |
| CN117057606A (zh) * | 2023-08-15 | 2023-11-14 | 广州地铁设计研究院股份有限公司 | 风险预测模型训练方法、风险预测方法及相关设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110473418B (zh) | 2022-05-20 |
| WO2021012504A1 (zh) | 2021-01-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110473418A (zh) | 危险路段识别方法、装置、服务器及存储介质 | |
| CN111815986B (zh) | 一种交通事故预警方法、装置、终端设备及存储介质 | |
| CN108319907A (zh) | 一种车辆识别方法、装置和存储介质 | |
| CN110414313A (zh) | 异常行为告警方法、装置、服务器及存储介质 | |
| Holló et al. | Road safety performance indicators and their explanatory value: A critical view based on the experience of Central European countries | |
| CN111860561A (zh) | 网约车的异常停留行为识别方法、装置、设备及存储介质 | |
| CN110309735A (zh) | 异常侦测方法、装置、服务器及存储介质 | |
| CN109919407A (zh) | 一种驾驶行为主动安全管理系统 | |
| WO2022257201A1 (zh) | 基于人机混合增强智能的城市交通安全预警方法及系统 | |
| CN113905215B (zh) | 一种公交安全驾驶监控系统 | |
| CN111340355A (zh) | 行程订单的匹配方法、装置、服务器和介质 | |
| CN112447048A (zh) | 一种基于模糊综合评价的城市道路风险分级系统及方法 | |
| CN112988830A (zh) | 人流量统计方法、装置、系统、存储介质和计算机设备 | |
| CN205211166U (zh) | 基于车载行车记录设备的车辆违章信息采集装置 | |
| CN111291916A (zh) | 驾驶行为安全性预测方法、装置、电子设备及存储介质 | |
| CN108460685A (zh) | 用于挖掘车险风险因子之间的关联规则的方法和装置 | |
| CN111951548A (zh) | 一种车辆驾驶风险确定方法、装置、系统及介质 | |
| CN115146878A (zh) | 指挥调度方法、系统、车载设备及计算机可读存储介质 | |
| CN107451719B (zh) | 灾区车辆调配方法和灾区车辆调配装置 | |
| CN113593256B (zh) | 基于城市管理的无人机智能驱离控制方法、系统及云平台 | |
| CN110782061A (zh) | 一种恶性事件的预测方法及系统 | |
| CN115796584A (zh) | 一种城市道路运行风险排查方法、装置及电子设备 | |
| CN113191805B (zh) | 车主置换评估方法、系统、电子设备及存储介质 | |
| CN114973211A (zh) | 对象识别方法、装置、设备及存储介质 | |
| CN114139984A (zh) | 基于流量与事故协同感知的城市交通事故风险预测方法 |
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 |