CN111444808A - 基于图像的事故定责方法、装置、计算机设备和存储介质 - Google Patents

基于图像的事故定责方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN111444808A
CN111444808A CN202010199041.3A CN202010199041A CN111444808A CN 111444808 A CN111444808 A CN 111444808A CN 202010199041 A CN202010199041 A CN 202010199041A CN 111444808 A CN111444808 A CN 111444808A
Authority
CN
China
Prior art keywords
accident
image
vehicle
involved
vehicles
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
CN202010199041.3A
Other languages
English (en)
Inventor
卢三星
韩景彬
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.)
Ping An International Smart City Technology Co Ltd
Original Assignee
Ping An International Smart City Technology Co Ltd
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 Ping An International Smart City Technology Co Ltd filed Critical Ping An International Smart City Technology Co Ltd
Priority to CN202010199041.3A priority Critical patent/CN111444808A/zh
Priority to PCT/CN2020/097894 priority patent/WO2021184564A1/zh
Publication of CN111444808A publication Critical patent/CN111444808A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请涉及一种基于图像的事故定责方法、装置、计算机设备和存储介质。所述方法包括：获取交通事故的事故图像以及交通事故中各个涉事车辆的碰撞部分特写图像；其中，事故图像包括交通事故中至少两辆的涉事车辆；从事故图像中截取各个涉事车辆所在的矩形区域；根据各个涉事车辆所在的矩形区域，确定各个涉事车辆间的位置关系信息；根据各个涉事车辆的碰撞部分特写图像，识别各涉事车辆的受损位置信息；根据各个涉事车辆间的位置关系信息以及各个涉事车辆的受损位置信息确定交通事故的事故类型。采用本方法能够实现交通事故快速定责，提高事故定责的准确率。

Description

基于图像的事故定责方法、装置、计算机设备和存储介质
技术领域
本申请涉及计算机技术领域，特别是涉及一种基于图像的事故定责方法、装置、计算机设备和存储介质。
背景技术
在发生交通事故时，现有的处理方式主要是交警到现场定责，或者是由涉事者上传的事故现场照片进行远程事故定责；在传统的事故定责技术，通常是将涉事者上传的事故现场图像与历史的事故现场图像进行对比，继而根据事故现场图像间的相似度确定事故类型，进行事故定责；但是，在进行事故现场照片对比过程中，由于事故现场照片拍摄角度、拍摄取景范围等因素，造成事故现场图像与历史的事故现场图像间差距大、相似度低，造成事故定责的准确率低。
发明内容
基于此，有必要针对上述技术问题，提供一种基于图像的事故定责方法、装置、计算机设备和存储介质。
一种基于图像的事故定责方法，所述方法包括：
获取交通事故的事故图像以及交通事故中各个涉事车辆的碰撞部分特写图像；其中，所述事故图像包括交通事故中至少两辆的涉事车辆；
从所述事故图像中截取各个涉事车辆所在的矩形区域；
根据各个涉事车辆所在的矩形区域，确定各个涉事车辆间的位置关系信息；
根据各个涉事车辆的碰撞部分特写图像，识别各所述涉事车辆的受损位置信息；
根据各个涉事车辆间的位置关系信息以及各个涉事车辆的受损位置信息确定交通事故的事故类型。
在其中一个实施例中，所述从所述事故图像中截取各个涉事车辆所在的矩形区域的步骤，包括：
将所述事故图像的图像数据输入至车辆检测模型中，获取车辆检测候选框；
对所述车辆检测候选框中的区域图像进行车辆识别；
当所述车辆检测候选框中的区域图像识别为车辆图像，则将车辆检测候选框确定为涉事车辆所在的矩形区域。
在其中一个实施例中，所述事故图像包括事故前景图像或事故后景图像；
所述从所述事故图像中截取各个涉事车辆所在的矩形区域的步骤，包括：
从所述事故前景图像中截取各个涉事车辆所在的第一矩形区域；
从所述事故后景图像进截取各个涉事车辆所在的第二矩形区域；
所述根据各个涉事车辆所在的矩形区域，确定各个涉事车辆间的位置关系信息的步骤，包括：
根据各个涉事车辆所在的第一矩形区域确定各个涉事车辆间的第一位置关系信息；
根据各个涉事车辆所在的第二矩形区域确定各个涉事车辆间的第二位置关系信息；
当所述第一位置关系信息以及所述第二位置关系信息一致时，根据所述第一位置信息确定各个涉事车辆间的位置关系信息。
在其中一个实施例中，所述根据各个涉事车辆间的位置关系信息以及各个涉事车辆的受损位置信息确定交通事故的事故类型的步骤之后，还包括：
根据所述位置关系信息以及所述事故类型，确认各个涉事车辆的事故责任类型；
根据各个涉事车辆的事故责任类型生成事故责任报告，并将所述事故责任报告发送至所述终端，所述终端用于显示所述事故责任报告。
在其中一个实施例中，所述根据各个涉事车辆的事故责任类型生成事故责任报告的步骤，包括：
从事故图像中获取各涉事车辆的车辆信息，其中，车辆信息包括车辆的车牌号码、车辆颜色以及车辆型号；
根据所述车辆事故责任类型以及所述车辆信息，生成事故责任报告。
在其中一个实施例中，所述获取交通事故的事故图像以及交通事故中各个涉事车辆的碰撞部分特写图像的步骤，包括：
获取终端发送的视频数据；
从所述视频数据中截取事故图像以及各个涉事车辆的碰撞部分特写图像。
一种基于图像的事故定责装置，所述装置包括：
图像获取模块，用于获取交通事故的事故图像以及交通事故中各个涉事车辆的碰撞部分特写图像；其中，所述事故图像包括交通事故中至少两辆的涉事车辆；
位置信息获取模块，用于从所述事故图像中截取各个涉事车辆所在的矩形区域；
位置关系获取模块，用于根据各个涉事车辆所在的矩形区域，确定各个涉事车辆间的位置关系信息；
受损位置获取模块，用于根据各个涉事车辆的碰撞部分特写图像，识别各所述涉事车辆的受损位置信息；
事故类型确定模块，用于根据各个涉事车辆间的位置关系信息以及各个涉事车辆的受损位置信息确定交通事故的事故类型。
在其中一个实施例中，位置信息获取模块，用于：将所述事故图像的图像数据输入至车辆检测模型中，获取车辆检测候选框；对所述车辆检测候选框中的区域图像进行车辆识别；当所述车辆检测候选框中的区域图像识别为车辆图像，则将车辆检测候选框确定为涉事车辆所在的矩形区域。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取交通事故的事故图像以及交通事故中各个涉事车辆的碰撞部分特写图像；其中，所述事故图像包括交通事故中至少两辆的涉事车辆；
从所述事故图像中截取各个涉事车辆所在的矩形区域；
根据各个涉事车辆所在的矩形区域，确定各个涉事车辆间的位置关系信息；
根据各个涉事车辆的碰撞部分特写图像，识别各所述涉事车辆的受损位置信息；
根据各个涉事车辆间的位置关系信息以及各个涉事车辆的受损位置信息确定交通事故的事故类型。
一种计算机可读存储介质，其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以下步骤：
获取交通事故的事故图像以及交通事故中各个涉事车辆的碰撞部分特写图像；其中，所述事故图像包括交通事故中至少两辆的涉事车辆；
从所述事故图像中截取各个涉事车辆所在的矩形区域；
根据各个涉事车辆所在的矩形区域，确定各个涉事车辆间的位置关系信息；
根据各个涉事车辆的碰撞部分特写图像，识别各所述涉事车辆的受损位置信息；
根据各个涉事车辆间的位置关系信息以及各个涉事车辆的受损位置信息确定交通事故的事故类型。
上述基于图像的事故定责方法、装置、计算机设备和存储介质，在获取事故图像以及碰撞部分特写图像后，从事故图像中截取各个涉事车辆所在的矩形区域，进而根据各个涉事车辆所在的矩形区域，确定各个涉事车辆间的位置关系信息，并从所述碰撞部分特写图像识别所述涉事车辆的受损位置信息，最后根据所述涉事车辆间的位置关系信息以及受损位置信息确定事故类型，实现通过事故图像中车辆间的位置关系、车辆受损部位等信息确定事故类型，进行事故定责，提高事故定责的准确率。
附图说明
图1为一个实施例中基于图像的事故定责方法的应用场景图；
图2为一个实施例中基于图像的事故定责方法的流程示意图；
图3为另一个实施例中基于图像的事故定责方法的流程示意图；
图4为一个实施例中基于图像的事故定责装置的结构框图；
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的基于图像的事故定责方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。用户通过终端102拍摄事故现场中的事故图像以及碰撞部分特写图像，在获得事故图像以及碰撞部分特写图像后，终端102将事故前景图像、事故后景图像以及碰撞部分特写图像发送至服务器104中，服务器104获取到终端102发送的事故图像中截取各个涉事车辆所在的矩形区域；根据各个涉事车辆所在的矩形区域，确定各个涉事车辆间的位置关系信息；根据各个涉事车辆的碰撞部分特写图像，识别各涉事车辆的受损位置信息；根据各个涉事车辆间的位置关系信息以及各个涉事车辆的受损位置信息确定交通事故的事故类型。后续服务器104根据获得的车辆位置关系信息以及确定到的事故类型，获取各个涉事车辆的事故责任类型，进而根生成事故责任报告，并将事故责任报告发送至终端102，使得终端用于显示事故责任报告。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104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。
在一个实施例中，如图2所示，提供了一种基于图像的事故定责方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤210，获取交通事故的事故图像以及碰撞部分特写图像；其中，事故图像包括交通事故中至少两辆的涉事车辆。
其中，交通事故的事故图像是指事故现场拍摄的图像数据，可以是在事故现场中事故车辆前方拍摄的事故前景图像，也可以是在事故现场中在事故车辆后方拍摄的图像事故后景图像；其中，事故图像包括两辆以上的涉事车辆；应该理解的是，事故前景图与事故后景图是以相反的拍摄角度进行拍摄的。碰撞部分特写图像是指涉事车辆在事故中受损部位的照片。
在一个实施例中，事故图像以及碰撞部分特写图像，可以是由用户利用终端根据系统指引进行图像拍摄后上传至服务器中的。事故图像以及碰撞部分特写图像，具体可以通过相机拍摄的照片，也可以是从相机拍摄的视频数据中截图获取的图像。
步骤220，从事故图像中截取各个涉事车辆所在的矩形区域。
其中，在获取到事故图像以后，从事故图像中切割出每一辆涉事车辆的所在的矩形区域；其中，矩形区域是指在事故图像中涉事车辆的位置，用于表征涉事车辆在事故图像中位置信息，
具体地，从事故图像中截取各个涉事车辆所在的矩形区域，具体可以是将事故图像输入至车辆检测模型中，利用车辆检测模型对事故图像中各个涉事车辆进行定位，最终车辆检测模型输出各个涉事车辆所在的矩形区域。
步骤230，根据各个涉事车辆所在的矩形区域，确定各个涉事车辆间的位置关系信息。
其中，在获取到各个车辆所在的矩形区域后，从各个涉事车辆的矩形区域，确定各个涉事车辆的间的位置关系信息。具体地，可以是根据各个涉事车辆间所在矩形区域的图像信息，确定矩形区域间的覆盖关系，从而确定涉事车辆间的位置关系信息；或者可以是根据各个涉事车辆所在矩形区域的大小，将矩形区域较大的涉事车辆确定为前车，将矩形区域较小的涉事车辆确定为后车。通过从事故前景图像或事故后景图像中确定到各个涉事车辆所在的矩形区域，从而根据矩形区域确定各个涉事车辆间的位置信息。
其中，位置关系信息是指每辆车辆之间的位置关系，可以包括前后关系、左右关系等；例如，当涉事车辆的数量为两辆，第一辆涉事车辆在左前方，第二辆涉事车辆在右后方，即涉事车辆的位置关系信息为左前-右后关系，其中第一辆涉事车辆为左前方车辆，第二辆涉事车辆为右后方车辆。
步骤240，根据各个涉事车辆的碰撞部分特写图像，识别各涉事车辆的受损位置信息。
其中，碰撞部分特写图像是指涉事车辆在事故中受损部位的照片。服务器可通过碰撞部分特写图像识别图像中车辆的受损部位。具体地，服务器可以预先训练好的车损类型模型，在获取到各个对涉事车辆的碰撞部分特写图像后，将涉事车辆的碰撞部分特写图像输入至车损类型模型中，通过车损类型模型获取碰撞部分特写图像对应的车损类型，例如，车前方、侧面、车尾、整体等，得到涉事车辆的受损位置信息。其中，车损类型模型可以为卷积神经网络模型。
步骤250，根据各个涉事车辆间的位置关系信息以及各个涉事车辆的受损位置信息确定事故类型。
具体地，服务器可事先保存多个车辆间的位置关系信息、车辆受损位置信息与事故类型的关系表；在获取到事故图像中涉事车辆间的位置关系信息以及各个涉事车辆的受损位置信息后，可根据位置关系信息以及受损位置信息查找关系表，确定事事故图像对应的故类型。
其中，不同的事故类型具有对应的涉事车辆的位置关系信息以及受损位置信息，通过将多个涉事车辆间的位置关系信息以及各个涉事受损位置信息，与预设的事故类型中的多个涉事车辆间位置关系信息以及受损位置信息进行匹配，确定本次交通事故的事故类型。例如，在事故前景图像以及事故后景图像中，确定到A车为前车，B车为后车，并且在碰撞部分特写图像中确定到A车受损位置为车尾位置，B车受损位置为车头位置，则可根据A车、B车间的位置关系信息以及受损位置信息，确定A车、B车间的事故类型为车辆追尾事故。
上述基于图像的事故定责方法中，在获取事故图像以及碰撞部分特写图像后，从事故图像中截取各个涉事车辆所在的矩形区域，进而根据各个涉事车辆所在的矩形区域，确定各个涉事车辆间的位置关系信息，并从碰撞部分特写图像识别涉事车辆的受损位置信息，最后根据涉事车辆间的位置关系信息以及受损位置信息确定事故类型，实现通过事故图像中车辆间的位置关系、车辆受损部位等信息确定事故类型，进行事故定责，提高事故定责的准确率。
在一个实施例中，从事故图像中截取各个涉事车辆所在的矩形区域的步骤，包括：将事故图像的图像数据输入至车辆检测模型中，获取车辆检测候选框；对车辆检测候选框中的区域图像进行车辆识别；当车辆检测候选框中的区域图像识别为车辆图像，则将车辆检测候选框确定为涉事车辆所在的矩形区域。
其中，车辆检测模型用于根据输入的事故图像的图像数据获取事故图像中的车辆的位置区域，具体可以是利用矩形框框选出车辆所在的区域。这里的车辆检测模型是已经训练好的网络模型，可以直接用于框选事故图像中车辆所在的矩形区域。
其中，在获取到事故图像后，服务器间事故图像的图像数据输入至车辆检测模型中，通过车辆检测模型获取车辆检测候选框；然后对车辆检测候选框对应区域的区域图像进行二次车辆识别，当车辆检测候选框对应区域的区域图像的图像识别结果为车辆图像时，将车辆检测候选框确定为涉事车辆所在的矩形区域，提高车辆检测的准确性。
进一步地，服务器可预先获取多个车辆样本图像，其中车辆样本图像中标注有车辆所在区域的标准矩形框，在构建初始的车辆检测模型后，将标注有矩形框的车辆样本图中输入至车辆检测模型中，获取车辆检测模型输出的预测结果，基于预测结果与标准矩形框间的差异，对车辆检测模型进行参数调整，实现对车辆检测模型的训练。
在一个实施例中，事故图像包括事故前景图像或事故后景图像；从事故图像中截取各个涉事车辆所在的矩形区域的步骤，包括：从事故前景图像中截取各个涉事车辆所在的第一矩形区域；从事故后景图像进截取各个涉事车辆所在的第二矩形区域；根据各个涉事车辆所在的矩形区域，确定各个涉事车辆间的位置关系信息的步骤，包括：根据各个涉事车辆所在的第一矩形区域确定各个涉事车辆间的第一位置关系信息；根据各个涉事车辆所在的第二矩形区域确定各个涉事车辆间的第二位置关系信息；当第一位置关系信息以及第二位置关系信息一致时，根据第一位置信息确定各个涉事车辆间的位置关系信息。
其中，事故前景图像是指在事故现场中事故车辆前方拍摄的图像，其中包括两辆以上的涉事车辆；事故后景图是指事故现场中在事故车辆后方拍摄的图像，其中同样包括两辆以上涉事车辆；应该理解的是，事故前景图与事故后景图是以相反的拍摄角度进行拍摄的。在获取到事故前景图像以及事故后景图像以后，从事故前景图像中切割出每一辆涉事车辆的所在的第一矩形区域，从涉事事故后景图像中切割出每一辆车辆所在的第二矩形区域；对于第一矩形区域，根据各辆涉事车辆对应的第一矩形区域确定在事故前景图像中位置关系信息；同样的，对于第二矩形区域，根据各辆涉事车辆对应的第二矩形区域确定在事故后景图像中位置关系信息。
具体地，根据各涉事车辆的第一矩形区域，确定各个涉事车辆的第一位置信息，具体可以是根据第一矩形区域的图像信息间的覆盖关系，确定涉事车辆间的位置关系信息，或者可以是根据第一矩形区域的大小，将矩形区域较大的涉事车辆确定为前车，将矩形区域较小的涉事车辆确定为后车。同样的，根据各涉事车辆的第二矩形区域，确定各个涉事车辆的第二位置信息，具体可以是根据第二矩形区域的图像信息间的覆盖关系，确定涉事车辆间的位置关系信息，或者可以是根据第二矩形区域的大小，将矩形区域较大的涉事车辆确定为后车，将矩形区域较小的涉事车辆确定为前车。通过从事故前景图像或事故后景图像中确定到各个涉事车辆所在的矩形区域，从而根据矩形区域确定各个涉事车辆间的位置信息。
其中，在得到第一位置关系信息以及第二位置关系信息后，对比第一位置关系信息以及第二位置关系信息，当两者相同，则将第一位置关系信息或第二位置关系信息确定涉事车辆间的位置关系。
在一个实施例中，根据各个涉事车辆间的位置关系信息以及各个涉事车辆的受损位置信息确定交通事故的事故类型的步骤之后，还包括：根据位置关系信息以及事故类型，确认各个涉事车辆的事故责任类型；根据各个涉事车辆的事故责任类型生成事故责任报告，并将事故责任报告发送至终端，终端用于显示事故责任报告。
其中，事故责任类型主要分为主要责任、次要责任、全部责任、无责任以及同等责任；例如，对于追尾类型的事故类型，对于前车负次要责任或无责任，后车负主要责任或全部责任，又例如，对于借道超车的交通事故类型，对于超车的车辆要负全部责任。
具体地，在确定到涉事车辆的位置关系信息以及事故类型以后，可根据涉事车辆的位置关系信息以及事故类型，确定各辆涉事车辆的责任类型。在得到各辆涉事车辆的责任类型以后，根据各辆涉事车辆及其责任类型生成事故责任报告，并将事故责任报告发送至终端中，通过终端的显示装置显示该事故责任报告。
在一个实施例中，根据各个涉事车辆的事故责任类型生成事故责任报告的步骤，包括：从事故图像中获取各涉事车辆的车辆信息，其中，车辆信息包括车辆的车牌号码、车辆颜色以及车辆型号；根据车辆事故责任类型以及车辆信息，生成事故责任报告。
其中，在获取到事故前景图像以及事故后景图像后，可以根据这两类事故图像中获取涉事车辆的车辆信息，其中车辆信息包括但不限于车牌号码、车辆颜色、车辆型号等。在获取到车辆信息后，根据车辆信息标识事故图像中的车辆，在生成事故责任报告过程中，将涉事车辆的车辆事故责任类型以及车辆信息，写入事故责任报告中，提高事故责任报告中的信息量。
在一个实施例中，获取交通事故的事故图像以及交通事故中各个涉事车辆的碰撞部分特写图像的步骤，包括：获取终端发送的视频数据；从视频数据中截取事故图像以及各个涉事车辆的碰撞部分特写图像。
其中，服务器可接收终端发送的实时视频数据，获取实时视频数据中的帧图像；具体地，视频数据是用户在发生报告交通事故后，可通过手机终端的微信小程序发起的、与交警后台的实时连线，终端实时拍摄视频数据，并通过实时连线将视频数据发送至服务器中，服务器在接收到实时视频数据后，从实时视频数据中获取每一帧的帧图像。
在获得实时视频数据中的帧图像后，将各帧帧图像输入至场景识别模型中，获取场景识别模型的输出结果，确定各帧帧图像对应的场景标识，最后根据场景标识从各帧帧图像的筛选出事故前景图像、事故后景图像以及碰撞部分特写图像。其中，场景识别模型是用于对帧图像进行场景识别的深度学习模型，场景标识可以包括事故前景图像标识、事故后景图像标识、碰撞部分特写图像标识、驾驶证图像标识等。具体地，将帧图像输入至场景识别模型中，获取帧图像中目标对象的预测图，然后根据得到的目标对象的预测图确定得到帧图像的场景标识。例如，目标对象包括有驾驶证、行驶证、涉事车辆、人物等；将帧图像输入至场景识别模型后，识别到帧图像中包括有车辆A的图像区域以及包括有车辆B的图像区域，再根据获得的车辆A的预测图以及车辆B的预测图确定该帧图像的场景标识为事故前景图。
在一个实施例中，如图3所示，基于图像的事故定责方法，包括：
步骤310，获取交通事故的事故图像以及交通事故中各个涉事车辆的碰撞部分特写图像；其中，所述事故图像包括交通事故中至少两辆的涉事车辆；所述事故图像包括事故前景图像或事故后景图像；
步骤320，从事故前景图像中截取各个涉事车辆所在的第一矩形区域；
步骤330，从事故后景图像进截取各个涉事车辆所在的第二矩形区域；
步骤340，根据各个涉事车辆所在的第一矩形区域确定各个涉事车辆间的第一位置关系信息；
步骤350，根据各个涉事车辆所在的第二矩形区域确定各个涉事车辆间的第二位置关系信息；
步骤360，当第一位置关系信息以及第二位置关系信息一致时，根据第一位置信息确定各个涉事车辆间的位置关系信息；
步骤370，根据各个涉事车辆的碰撞部分特写图像，识别各涉事车辆的受损位置信息；
步骤380，根据各个涉事车辆间的位置关系信息以及各个涉事车辆的受损位置信息确定交通事故的事故类型。
上述基于图像的事故定责方法中，在获取事故前景图像、事故后景图像以及碰撞部分特写图像后，通过获取事故前景图像以及所述事故后景图像中涉事车辆的第一位置信息以及第二位置信息，进而根据所述第一位置信息以及所述第二位置信息确定所述涉事车辆间的位置关系信息，并从所述碰撞部分特写图像识别所述涉事车辆的受损位置信息，最后根据所述涉事车辆间的位置关系信息以及受损位置信息确定事故类型，实现快速定责，减少人工现场定责的时间，加快事故定责效率。
应该理解的是，虽然图2以及图3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2以及图3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图4所示，提供了一种基于图像的事故定责装置，包括：图像获取模块410、位置信息获取模块420、位置关系获取模块430、受损位置获取模块440和事故类型确定模块450，其中：
图像获取模块410，用于获取交通事故的事故图像以及交通事故中各个涉事车辆的碰撞部分特写图像；其中，事故图像包括交通事故中至少两辆的涉事车辆；
位置信息获取模块420，用于从事故图像中截取各个涉事车辆所在的矩形区域；
位置关系获取模块430，用于根据各个涉事车辆所在的矩形区域，确定各个涉事车辆间的位置关系信息；
受损位置获取模块440，用于根据各个涉事车辆的碰撞部分特写图像，识别各涉事车辆的受损位置信息；
事故类型确定模块450，用于根据各个涉事车辆间的位置关系信息以及各个涉事车辆的受损位置信息确定交通事故的事故类型。
在一个实施例中，位置信息获取模块，用于将事故图像的图像数据输入至车辆检测模型中，获取车辆检测候选框；对车辆检测候选框中的区域图像进行车辆识别；当车辆检测候选框中的区域图像识别为车辆图像，则将车辆检测候选框确定为涉事车辆所在的矩形区域。
在一个实施例中，位置信息获取模块，用于从事故前景图像中截取各个涉事车辆所在的第一矩形区域；从事故后景图像进截取各个涉事车辆所在的第二矩形区域；位置关系获取模块430，用于根据各个涉事车辆所在的第一矩形区域确定各个涉事车辆间的第一位置关系信息；根据各个涉事车辆所在的第二矩形区域确定各个涉事车辆间的第二位置关系信息；当第一位置关系信息以及第二位置关系信息一致时，根据第一位置信息确定各个涉事车辆间的位置关系信息。
在一个实施例中，基于图像的事故定责装置还包括事故报告生成模块，事故报告生成模块，用于根据位置关系信息以及事故类型，确认各个涉事车辆的事故责任类型；根据各个涉事车辆的事故责任类型生成事故责任报告，并将事故责任报告发送至终端，终端用于显示事故责任报告。
在一个实施例中，事故报告生成模块，用于从事故图像中获取各涉事车辆的车辆信息，其中，车辆信息包括车辆的车牌号码、车辆颜色以及车辆型号；根据车辆事故责任类型以及车辆信息，生成事故责任报告。
在一个实施例中，图像获取模块，用于获取终端发送的视频数据；从视频数据中截取事故图像以及各个涉事车辆的碰撞部分特写图像。
关于基于图像的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事故定责方法的限定，在此不再赘述。上述基于图像的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5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。该计算机设备的数据库用于存储各类数据。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事故定责方法。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取交通事故的事故图像以及交通事故中各个涉事车辆的碰撞部分特写图像；其中，事故图像包括交通事故中至少两辆的涉事车辆；
从事故图像中截取各个涉事车辆所在的矩形区域；
根据各个涉事车辆所在的矩形区域，确定各个涉事车辆间的位置关系信息；
根据各个涉事车辆的碰撞部分特写图像，识别各涉事车辆的受损位置信息；
根据各个涉事车辆间的位置关系信息以及各个涉事车辆的受损位置信息确定交通事故的事故类型。
在一个实施例中，处理器执行计算机程序实现从事故图像中截取各个涉事车辆所在的矩形区域的步骤时，具体实现以下步骤：将事故图像的图像数据输入至车辆检测模型中，获取车辆检测候选框；对车辆检测候选框中的区域图像进行车辆识别；当车辆检测候选框中的区域图像识别为车辆图像，则将车辆检测候选框确定为涉事车辆所在的矩形区域。
在一个实施例中，事故图像包括事故前景图像或事故后景图像；处理器执行计算机程序实现从事故图像中截取各个涉事车辆所在的矩形区域的步骤时，具体实现以下步骤：从事故前景图像中截取各个涉事车辆所在的第一矩形区域；从事故后景图像进截取各个涉事车辆所在的第二矩形区域；处理器执行计算机程序实现根据各个涉事车辆所在的矩形区域，确定各个涉事车辆间的位置关系信息的步骤时，具体实现以下步骤：根据各个涉事车辆所在的第一矩形区域确定各个涉事车辆间的第一位置关系信息；根据各个涉事车辆所在的第二矩形区域确定各个涉事车辆间的第二位置关系信息；当第一位置关系信息以及第二位置关系信息一致时，根据第一位置信息确定各个涉事车辆间的位置关系信息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据位置关系信息以及事故类型，确认各个涉事车辆的事故责任类型；根据各个涉事车辆的事故责任类型生成事故责任报告，并将事故责任报告发送至终端，终端用于显示事故责任报告。
在一个实施例中，处理器执行计算机程序实现根据各个涉事车辆的事故责任类型生成事故责任报告的步骤时，具体实现以下步骤：从事故图像中获取各涉事车辆的车辆信息，其中，车辆信息包括车辆的车牌号码、车辆颜色以及车辆型号；根据车辆事故责任类型以及车辆信息，生成事故责任报告。
在一个实施例中，处理器执行计算机程序实现获取交通事故的事故图像以及交通事故中各个涉事车辆的碰撞部分特写图像的步骤，具体实现以下步骤：获取终端发送的视频数据；从视频数据中截取事故图像以及各个涉事车辆的碰撞部分特写图像。
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：
获取交通事故的事故图像以及交通事故中各个涉事车辆的碰撞部分特写图像；其中，事故图像包括交通事故中至少两辆的涉事车辆；
从事故图像中截取各个涉事车辆所在的矩形区域；
根据各个涉事车辆所在的矩形区域，确定各个涉事车辆间的位置关系信息；
根据各个涉事车辆的碰撞部分特写图像，识别各涉事车辆的受损位置信息；
根据各个涉事车辆间的位置关系信息以及各个涉事车辆的受损位置信息确定交通事故的事故类型。
在一个实施例中，计算机程序被处理器执行实现从事故图像中截取各个涉事车辆所在的矩形区域的步骤时，具体实现以下步骤：将事故图像的图像数据输入至车辆检测模型中，获取车辆检测候选框；对车辆检测候选框中的区域图像进行车辆识别；当车辆检测候选框中的区域图像识别为车辆图像，则将车辆检测候选框确定为涉事车辆所在的矩形区域。
在一个实施例中，事故图像包括事故前景图像或事故后景图像；计算机程序被处理器执行实现从事故图像中截取各个涉事车辆所在的矩形区域的步骤时，具体实现以下步骤：从事故前景图像中截取各个涉事车辆所在的第一矩形区域；从事故后景图像进截取各个涉事车辆所在的第二矩形区域；计算机程序被处理器执行实现根据各个涉事车辆所在的矩形区域，确定各个涉事车辆间的位置关系信息的步骤时，具体实现以下步骤：根据各个涉事车辆所在的第一矩形区域确定各个涉事车辆间的第一位置关系信息；根据各个涉事车辆所在的第二矩形区域确定各个涉事车辆间的第二位置关系信息；当第一位置关系信息以及第二位置关系信息一致时，根据第一位置信息确定各个涉事车辆间的位置关系信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据位置关系信息以及事故类型，确认各个涉事车辆的事故责任类型；根据各个涉事车辆的事故责任类型生成事故责任报告，并将事故责任报告发送至终端，终端用于显示事故责任报告。
在一个实施例中，计算机程序被处理器执行实现根据各个涉事车辆的事故责任类型生成事故责任报告的步骤时，具体实现以下步骤：从事故图像中获取各涉事车辆的车辆信息，其中，车辆信息包括车辆的车牌号码、车辆颜色以及车辆型号；根据车辆事故责任类型以及车辆信息，生成事故责任报告。
在一个实施例中，计算机程序被处理器执行实现获取交通事故的事故图像以及交通事故中各个涉事车辆的碰撞部分特写图像的步骤，具体实现以下步骤：获取终端发送的视频数据；从视频数据中截取事故图像以及各个涉事车辆的碰撞部分特写图像。
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，本申请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。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于图像的事故定责方法，所述方法包括：
获取交通事故的事故图像以及交通事故中各个涉事车辆的碰撞部分特写图像；其中，所述事故图像包括交通事故中至少两辆的涉事车辆；
从所述事故图像中截取各个涉事车辆所在的矩形区域；
根据各个涉事车辆所在的矩形区域，确定各个涉事车辆间的位置关系信息；
根据各个涉事车辆的碰撞部分特写图像，识别各所述涉事车辆的受损位置信息；
根据各个涉事车辆间的位置关系信息以及各个涉事车辆的受损位置信息确定交通事故的事故类型。
2.根据权利要求1所述的方法，其特征在于，所述从所述事故图像中截取各个涉事车辆所在的矩形区域的步骤，包括：
将所述事故图像的图像数据输入至车辆检测模型中，获取车辆检测候选框；
对所述车辆检测候选框中的区域图像进行车辆识别；
当所述车辆检测候选框中的区域图像识别为车辆图像，则将车辆检测候选框确定为涉事车辆所在的矩形区域。
3.根据权利要求1所述的方法，其特征在于，所述事故图像包括事故前景图像或事故后景图像；
所述从所述事故图像中截取各个涉事车辆所在的矩形区域的步骤，包括：
从所述事故前景图像中截取各个涉事车辆所在的第一矩形区域；
从所述事故后景图像进截取各个涉事车辆所在的第二矩形区域；
所述根据各个涉事车辆所在的矩形区域，确定各个涉事车辆间的位置关系信息的步骤，包括：
根据各个涉事车辆所在的第一矩形区域确定各个涉事车辆间的第一位置关系信息；
根据各个涉事车辆所在的第二矩形区域确定各个涉事车辆间的第二位置关系信息；
当所述第一位置关系信息以及所述第二位置关系信息一致时，根据所述第一位置信息确定各个涉事车辆间的位置关系信息。
4.根据权利要求1所述的方法，其特征在于，所述根据各个涉事车辆间的位置关系信息以及各个涉事车辆的受损位置信息确定交通事故的事故类型的步骤之后，还包括：
根据所述位置关系信息以及所述事故类型，确认各个涉事车辆的事故责任类型；
根据各个涉事车辆的事故责任类型生成事故责任报告，并将所述事故责任报告发送至所述终端，所述终端用于显示所述事故责任报告。
5.根据权利要求4所述的方法，其特征在于，所述根据各个涉事车辆的事故责任类型生成事故责任报告的步骤，包括：
从事故图像中获取各涉事车辆的车辆信息，其中，车辆信息包括车辆的车牌号码、车辆颜色以及车辆型号；
根据所述车辆事故责任类型以及所述车辆信息，生成事故责任报告。
6.根据权利要求1所述的方法，其特征在于，所述获取交通事故的事故图像以及交通事故中各个涉事车辆的碰撞部分特写图像的步骤，包括：
获取终端发送的视频数据；
从所述视频数据中截取事故图像以及各个涉事车辆的碰撞部分特写图像。
7.一种基于图像的事故定责装置，其特征在于，所述装置包括：
图像获取模块，用于获取交通事故的事故图像以及交通事故中各个涉事车辆的碰撞部分特写图像；其中，所述事故图像包括交通事故中至少两辆的涉事车辆；
位置信息获取模块，用于从所述事故图像中截取各个涉事车辆所在的矩形区域；
位置关系获取模块，用于根据各个涉事车辆所在的矩形区域，确定各个涉事车辆间的位置关系信息；
受损位置获取模块，用于根据各个涉事车辆的碰撞部分特写图像，识别各所述涉事车辆的受损位置信息；
事故类型确定模块，用于根据各个涉事车辆间的位置关系信息以及各个涉事车辆的受损位置信息确定交通事故的事故类型。
8.根据权利要求7所述的装置，其特征在于，位置信息获取模块，用于：将所述事故图像的图像数据输入至车辆检测模型中，获取车辆检测候选框；对所述车辆检测候选框中的区域图像进行车辆识别；当所述车辆检测候选框中的区域图像识别为车辆图像，则将车辆检测候选框确定为涉事车辆所在的矩形区域。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质，其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权利要求1至6中任一项所述的方法的步骤。
CN202010199041.3A 2020-03-20 2020-03-20 基于图像的事故定责方法、装置、计算机设备和存储介质 Pending CN111444808A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010199041.3A CN111444808A (zh) 2020-03-20 2020-03-20 基于图像的事故定责方法、装置、计算机设备和存储介质
PCT/CN2020/097894 WO2021184564A1 (zh) 2020-03-20 2020-06-24 基于图像的事故定责方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010199041.3A CN111444808A (zh) 2020-03-20 2020-03-20 基于图像的事故定责方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN111444808A true CN111444808A (zh) 2020-07-24

Family

ID=71653665

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010199041.3A Pending CN111444808A (zh) 2020-03-20 2020-03-20 基于图像的事故定责方法、装置、计算机设备和存储介质

Country Status (2)

Country Link
CN (1) CN111444808A (zh)
WO (1) WO2021184564A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
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
CN115641217A (zh) * 2022-10-18 2023-01-24 深圳市杰讯互联科技有限公司 一种用于交通事故快处快赔的系统
CN115760439A (zh) * 2022-11-01 2023-03-07 德联易控科技(北京)有限公司 一种车辆报告的生成方法、装置、终端设备及存储介质
CN117894182A (zh) * 2024-03-15 2024-04-16 长春师范大学 一种基于车联网的车辆事故数据快速采集方法及系统
CN117994765A (zh) * 2024-04-03 2024-05-07 深圳市智兴盛电子有限公司 行车记录仪视频校正方法、装置、设备及存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102306382A (zh) * 2011-06-28 2012-01-04 吉林大学 基于道路环境固有特征的事故现场图像校正方法
EP3026653A1 (en) * 2014-11-27 2016-06-01 Kapsch TrafficCom AB Method of controlling a traffic surveillance system
US10163219B2 (en) * 2016-06-24 2018-12-25 Fca Us Llc Machine vision cargo monitoring in a vehicle
CN107909113B (zh) * 2017-11-29 2021-11-16 北京小米移动软件有限公司 交通事故图像处理方法、装置及存储介质
CN109671006B (zh) * 2018-11-22 2021-03-02 斑马网络技术有限公司 交通事故处理方法、装置及存储介质
CN109784170B (zh) * 2018-12-13 2023-11-17 平安科技（深圳）有限公司 基于图像识别的车险定损方法、装置、设备及存储介质
CN110459052A (zh) * 2019-07-05 2019-11-15 华为技术有限公司 一种车辆事故记录方法、装置及车辆

Cited By (7)

* Cited by examiner, † Cited by third party
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
CN115641217A (zh) * 2022-10-18 2023-01-24 深圳市杰讯互联科技有限公司 一种用于交通事故快处快赔的系统
CN115641217B (zh) * 2022-10-18 2023-08-15 深圳市杰讯互联科技有限公司 一种用于交通事故快处快赔的系统
CN115760439A (zh) * 2022-11-01 2023-03-07 德联易控科技(北京)有限公司 一种车辆报告的生成方法、装置、终端设备及存储介质
CN117894182A (zh) * 2024-03-15 2024-04-16 长春师范大学 一种基于车联网的车辆事故数据快速采集方法及系统
CN117994765A (zh) * 2024-04-03 2024-05-07 深圳市智兴盛电子有限公司 行车记录仪视频校正方法、装置、设备及存储介质
CN117994765B (zh) * 2024-04-03 2024-06-11 深圳市智兴盛电子有限公司 行车记录仪视频校正方法、装置、设备及存储介质

Also Published As

Publication number Publication date
WO2021184564A1 (zh) 2021-09-23

Similar Documents

Publication Publication Date Title
CN111444808A (zh) 基于图像的事故定责方法、装置、计算机设备和存储介质
CN111160172B (zh) 泊车位检测方法、装置、计算机设备和存储介质
CN109816730B (zh) 工件抓取方法、装置、计算机设备和存储介质
WO2021114612A1 (zh) 目标重识别方法、装置、计算机设备和存储介质
CN109002820B (zh) 一种车牌识别方法、装置及相关设备
CN109741241B (zh) 鱼眼图像的处理方法、装置、设备和存储介质
CN111837158A (zh) 图像处理方法、装置、拍摄装置和可移动平台
CN113313097B (zh) 人脸识别方法、终端及计算机可读存储介质
CN115115611B (zh) 车辆损伤识别方法、装置、电子设备和存储介质
CN111144404B (zh) 遗留物体检测方法、装置、系统、计算机设备和存储介质
CN110766077A (zh) 证据链图像中特写图筛选方法、装置和设备
CN112036242A (zh) 人脸图片采集方法、装置、计算机设备及存储介质
CN113160272B (zh) 目标跟踪方法、装置、电子设备及存储介质
CN110991558B (zh) 基于图像识别的事故处理方法、装置和计算机设备
CN115407355B (zh) 库位地图的验证方法、装置及终端设备
CN115601738B (zh) 停车信息获取方法、装置、设备、存储介质及程序产品
CN110781730A (zh) 智能驾驶感知方法及感知装置
CN116246200A (zh) 一种基于视觉识别的屏显信息偷拍检测方法及系统
CN116012609A (zh) 一种环视鱼眼多目标跟踪方法、装置、电子设备及介质
CN115412668A (zh) 跟踪拍摄方法、装置及计算机可读存储介质
CN110020624B (zh) 图像识别方法、终端设备及存储介质
CN113936209A (zh) 巡逻机器人的协同作业方法及相关设备
CN113673278A (zh) 数据处理方法及装置
CN112990156A (zh) 基于视频的最优目标捕捉方法、装置及相关设备
CN112165579A (zh) 一种规范拍摄方法、系统、计算机设备及存储介质

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