CN113033713B - 事故片段的识别方法、装置、设备及可读存储介质 - Google Patents

Abstract

本申请实施例公开了一种事故片段的识别方法、装置、设备及可读存储介质，涉及交通大数据技术领域。其中，方法包括：获取车辆行驶过程中产生的多条特征数据，每条所述特征数据包括：本车车速、周围车车速、本车与周围车发生事故的时长、车灯状态和连接到的导航卫星数量；从多条特征数据中，筛选表征所述车辆处于危险状态的目标特征数据；从所述多条特征数据中，选择所述目标特征数据之前的起始特征数据和之后的结束特征数据；将起始特征数据和所述结束特征数据作为整体进行事故识别；本实施例可以根据车辆行驶过程中的多条数据，识别其本身是否为事故片段。

Description

事故片段的识别方法、装置、设备及可读存储介质

技术领域

本申请实施例涉及交通大数据技术，尤其涉及一种事故片段的识别方法、装置、设备及可读存储介质。

背景技术

目前，获得事故发生数据的主要手段是通过客户、司机反馈，并由运维人员手工记录事故的相关情况（如发生时间、发生地点等等）。由于人工记录可能会有偏差、记录错误等情况。且司机报告的事故时间有时不是准确的事故发生时间，导致单纯通过人工事故记录表无法精确定位到事故发生时的数据。且现实中也存在由于事故本身不严重，司机不主动汇报的情况。

由于上述原因，导致从事故记录表转化为真实事故片段的效率极低，影响了车辆安全相关产品迭代的速度。

发明内容

本申请实施例提供一种事故片段的识别方法、装置、设备及可读存储介质，以根据车辆行驶过程中的多条数据，识别其本身是否为事故片段。

第一方面，本申请实施例提供了一种事故片段的识别方法，包括：

获取车辆行驶过程中产生的多条特征数据，每条所述特征数据包括：本车车速、周围车车速、本车与周围车发生事故的时长、车灯状态和连接到的导航卫星数量；

从所述多条特征数据中，筛选表征所述车辆处于危险状态的目标特征数据；

从所述多条特征数据中，选择所述目标特征数据之前第一设定时长的起始特征数据，以及所述目标特征数据之后第二设定时长的结束特征数据；

将所述起始特征数据和所述结束特征数据作为整体进行事故识别，得到所述起始特征数据和所述结束特征数据之间的事故片段的事故识别结果；

其中，所述事故识别结果包括非事故和事故。

第二方面，本申请实施例还提供了一种事故片段的识别装置，包括：

获取模块，用于获取车辆行驶过程中产生的多条特征数据，每条所述特征数据包括：本车车速、周围车车速、本车与周围车发生事故的时长、车灯状态和连接到的导航卫星数量；

筛选模块，用于从所述多条特征数据中，筛选表征所述车辆处于危险状态的目标特征数据；

选择模块，用于从所述多条特征数据中，选择所述目标特征数据之前第一设定时长的起始特征数据，以及所述目标特征数据之后第二设定时长的结束特征数据；

识别模块，用于将所述起始特征数据和所述结束特征数据作为整体进行事故识别，得到所述起始特征数据和所述结束特征数据之间的事故片段的事故识别结果；

其中，所述事故识别结果包括非事故和事故。

第三方面，本申请实施例还提供了一种电子设备，所述电子设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现任一实施例所述的事故片段的识别方法。

第四方面，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一实施例所述的事故片段的识别方法。

本实施例首先获取车辆行驶过程中产生的本车车速、周围车车速、本车与周围车发生事故的时长、车灯状态和连接到的导航卫星数量，这些数据维度对事故识别结果具有显著影响；通过从所述多条特征数据中，筛选表征所述车辆处于危险状态的目标特征数据，并选择目标特征数据之前第一设定时长的起始特征数据，以及所述目标特征数据之后第二设定时长的结束特征数据，从而以目标特征数据为基准，从多条特征数据中成功筛选出可能为事故片段的起始特征数据和结束特征数据；通过将所述起始特征数据和所述结束特征数据作为整体进行事故识别，得到事故识别结果，从而利用能够体现事故发生特点的起始/结束两点的数据并结合前述特定的数据维度，而非整个数据片段的所有数据维度，在减少数据处理量的同时，保证一定的准确性和识别效率。

在现实生活中，本方案具有以下用处：

1. 通过输入行驶过程中的数据，可直接整合、识别事故片段。丰富事故场景数据库，为一系列驾驶安全产品项目提供分析数据。

2. 可定位到事故发生的时间范围（生成的事故片段基本在20秒以内），提升数据的有效性。也可以快速定位到暂时没有收到上报的事故数据，为运维部门的同事节省时间。

3. 通过该算法收集到事故片段数据后，可统计一段时间内各个车辆发生危险的次数，以此衡量车辆行驶风险，帮助保险公司制定相应保费。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种事故片段的识别方法的流程图；

图2是本申请实施例提供的另一种事故片段的识别方法的流程图；

图3是本申请实施例提供的一种事故片段的识别装置的结构示意图；

图4是本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。

本申请实施例提供一种事故片段的识别方法，其流程图如图1所示，可适用于识别车辆行驶过程中的数据是否为事故片段的情况。该方法可以由事故片段的识别装置来执行，该装置可以由软件和/或硬件构成，并一般集成在电子设备中。

结合图1，本实施例提供的方法具体包括：

S110、获取车辆行驶过程中产生的多条特征数据，每条所述特征数据包括：本车车速、周围车车速、本车与周围车发生事故的时长、车灯状态和连接到的导航卫星数量。

在车辆行驶过程中，随着时间的进行不断产生多个维度的数据，将同一时间产生的多个维度的数据作为一条特征数据，这样，随着时间的进行，可得到多条按照时间先后顺序排列的特征数据。

具体的，周围车车速为本车行驶方向上的车的车速，例如前车车速。本车与周围车发生事故的时长为本车车速不变的情况下与周围车相撞的时长，可通过本车与周围车的距离以及所述本车与周围车的相对车速计算得到。车灯状态包括警示状态（如双闪）和转向状态。连接到的导航卫星数量能够反映车辆当前位置以及导航信号的强弱。

基于上述分析，本车车速、周围车车速、本车与周围车发生事故的时长、车灯状态和连接到的导航卫星数量，这5个维度的数据与事故是否即将发生或者已经发生具有关联性，对事故识别结果具有显著影响。

S120、从所述多条特征数据中，筛选表征所述车辆处于危险状态的目标特征数据。

车辆处于危险状态时有很大概率发生事故，则此时的目标特征数据所处的片段，很大概率为事故。

可选的，从所述多条特征数据中，按照时间先后顺序筛选时长首次小于设定阈值的特征数据；和/或，从所述多条特征数据中，筛选车灯处于警示状态的特征数据。为了方便描述和区分，将前述从多条特征数据中筛选出的数据称为目标特征数据。

在即将发生事故时，本车与周围车的距离会越来越短，在本车来不及减速的情况下，发生事故的时长会越来越短。利用该事故发生特点，按照时间先后顺序筛选时长首次小于设定阈值（如0.35秒）的特征数据，作为目标特征数据，该目标特征数据很大概率为事故片段的一部分。

在即将发生事故时，车灯一般会处于警示状态。利用该事故发生特点，筛选车灯处于警示状态的特征数据，作为目标特征数据，该目标特征数据很大概率为事故片段的一部分。

S130、从所述多条特征数据中，选择所述目标特征数据之前第一设定时长的起始特征数据，以及所述目标特征数据之后第二设定时长的结束特征数据。

S140、将所述起始特征数据和所述结束特征数据作为整体进行事故识别，得到所述起始特征数据和所述结束特征数据之间的事故片段的事故识别结果，其中，所述事故识别结果包括非事故和事故。

经过对大量数据的分析，发明人创造性的发现，在事故发生前和事故发生后，特征数据会有明显的变化。但是，在事故发生的过程中，驾驶员一般不会操作车辆或维持事故即将发生时的操作，使得事故发生过程中的特征数据不变或者均匀变化。导致在进行事故识别时，这部分数据称为冗余，且不能对识别精度带来贡献。

基于上述分析，本实施例不同于采用整个片段的数据进行事故识别，而是采用包括目标特征数据的前后两个特征数据，减少了数据处理量，且保证一定的识别精度。如果只采用目标特征数据进行识别可能带来较高的误识别率，本实施例采用前后两个特征数据，充分利用事故发生的延续性，以及事故发生前后车辆特征的不同，使得利用较少的数据准确识别出是否为事故。可选的，预先获取准确的事故记录表，表中记载有多个事故发生的时长（从事故将要发生开始，危险时刻，再到结束所构成的时长）。对多个事故发生的时长求取平均值，得到平均的事故发生时长。通过对大量数据进行平均得到事故发生时长为20s。

进一步的，预先将前述事故记录表对照车辆行驶过程中产生的多条特征数据，可得到事故发生时长范围内的特征数据。在这些特征数据中筛选表征所述车辆处于危险状态的目标特征数据，并获取目标特征数据的时间戳。经过统计发现，目标特征数据一般产生在事故发生时长范围的中间，例如第11s的位置。将目标特征数据的产生时刻距离事故开始发生时刻的时长作为第一设定时长，将目标特征数据的产生时刻距离事故结束时刻的时长（包括产生时刻）作为第二设定时长。可见，第一设定时长与第二设定时长之和为事故发生时长，第一设定时长和第二设定时长可以均是10s。

值得说明的是，此处通过对准确的事故记录表和对应的特征数据进行统计分析，得到第一设定时长和第二设定时长，以便选择出起始特征数据和结束特征数据。为了证明第一设定时长和第二设定时长的合理性，下面根据表1进行详细说明。

表1 车辆行驶过程中的特征数据

表1示出的特征数据包括：时间戳、车辆经纬度、本车车速、本车与前车的相对车速、跟车距离、转向灯状态和连接到的导航卫星数量。其中，相对车速为负，说明前车车速小于本车车速。本车与前车发生事故的时长为跟车距离/本车车速。结合表1，事故发生之前，本车跟随前车行驶，由于本车速度一直大于前车速度，两车距离越来越小，事故即将要发生。待时间戳为1611441865时，本车车速骤降同时开启转向灯，且跟车距离为0，相对速度为0，说明本车与前车表面接触，但尚未相撞，此时车辆处于危险状态。接着，本车车速继续降低到0，两车停止，事故结束。因此，可将1611441865时的特征数据（即表1中有边框的数据）作为目标特征数据，将1611441855时的特征数据作为起始特征数据，将1611441874时的特征数据作为结束特征数据。

值得说明的是，表1中存在同一时间戳对应多组特征数据的情况，这是因为车辆在发生事故前夕，车内安全驾驶辅助设备会报警，提高数据采集和上报的频率，出现1s多传的情况。

本实施例首先获取车辆行驶过程中产生的本车车速、周围车车速、本车与周围车发生事故的时长、车灯状态和连接到的导航卫星数量，这些数据维度对事故识别结果具有显著影响；通过从所述多条特征数据中，筛选表征所述车辆处于危险状态的目标特征数据，并选择目标特征数据之前第一设定时长的起始特征数据，以及所述目标特征数据之后第二设定时长的结束特征数据，从而以目标特征数据为基准，从多条特征数据中成功筛选出可能为事故片段的起始特征数据和结束特征数据；通过将所述起始特征数据和所述结束特征数据作为整体进行事故识别，得到事故识别结果，从而利用能够体现事故发生特点的起始/结束两点的数据并结合前述特定的数据维度，而非整个数据片段的所有数据维度，在减少数据处理量的同时，保证一定的准确性。

图2是本发明实施例提供的另一种事故片段的识别方法的流程图，对特征数据的生成过程以及事故识别过程进行限定，具体包括以下操作：

S210、获取车辆行驶过程中采集的多条行驶数据。

在车辆行驶过程中，随着时间的进行通过采集器不断采集多个维度的数据。将同一时间采集的多个维度的数据作为一条行驶数据（区分于特征数据），这样，随着时间的进行，可得到多条按照时间先后顺序排列的行驶数据。行驶数据的维度可多达30个，包括但不限于采集时间、本车车速、加速度、车机状态等。

S220、根据每条行驶数据中本车与周围车的距离以及所述本车车速，计算所述本车与周围车发生事故的时长，并将所述时长添加到对应的行驶数据中。

本实施例考虑了不同维度数据间的相关性，进而对相关的数据进行再次处理，得到更能影响事故识别结果的数据。

S230、从所述每条行驶数据中，根据各数据维度对所述事故识别结果的影响程度进行数据筛选，得到对应的特征数据。

不同数据维度对事故识别结果的影响程度不同，可以筛选具有显著影响的数据维度；并按照筛选出的数据维度从每条行驶数据中筛选得到特征数据。

按照上述实施例的描述，筛选出的特征数据包括本车车速、周围车车速、本车与周围车发生事故的时长、车灯状态和连接到的导航卫星数量。

可选的，在S230之前，还包括影响程度的确定过程。具体的，从多条行驶数据样本中，选取间隔第三设定时长的多组起始行驶数据样本和结束行驶数据样本；所述第三设定时长为所述第二设定时长和所述第一设定时长之和；将所述多组数据样本和对应的事故/非事故标签输入至随机森林模型或者逻辑回归模型中，得到各数据维度对所述事故识别结果的影响程度。

具体的，根据已有的事故记录表，分别获取各个事故发生的时间点，在事故记录表对应的历史行驶数据中分别抓取各时间点前后、间隔第三设定时长的两条历史行驶数据，作为起始行驶数据样本和结束行驶数据样本，对应的标签为事故标签。相反的，在历史行驶数据中分别抓取非事故时间点前后、间隔第三设定时长的两条历史行驶数据，作为起始行驶数据样本和结束行驶数据样本，对应的标签为非事故标签。其中，第三设定时长可以为10s，即统计得到的事故发生时长。

在一可选实施方式中，将前述得到的多组数据样本和对应的事故/非事故标签输入至随机森林模型，对随机森林模型进行训练。训练结束后，输出各数据维度的重要度，表征了各数据维度对所述事故识别结果的影响程度。可设置一重要度阈值，选择超过重要度阈值的数据维度，并基于选择的数据维度对每条行驶数据进行筛选，得到对应的特征数据。

在另一可选实施方式中，将前述得到的多组数据样本和对应的事故/非事故标签输入至逻辑回归模型，对逻辑回归模型进行训练。训练结束后，输出各数据维度的贡献率，表征了各数据维度对所述事故识别结果的影响程度。可设置一贡献率阈值，选择超过贡献率阈值的数据维度，并基于选择的数据维度对每条行驶数据进行筛选，得到对应的特征数据。

本实施例通过随机森林模型或者逻辑回归模型得到各数据维度对所述事故识别结果的影响程度，从而科学、合理地筛选出对事故识别结果具有较大影响的数据维度，进而提高事故片段识别的准确性。

S240、从所述多条特征数据中，筛选表征所述车辆处于危险状态的目标特征数据。

S250、从所述多条特征数据中，选择所述目标特征数据之前第一设定时长的起始特征数据，以及所述目标特征数据之后第二设定时长的结束特征数据。

S260、将所述起始特征数据和所述结束特征数据作为整体输入至事故识别模型，得到所述事故识别模型输出的，所述起始特征数据和所述结束特征数据之间的事故片段的事故识别结果。

其中，所述事故识别模型是根据起始特征数据样本和结束特征数据样本，以及对应的事故/非事故标签进行训练得到。具体的，根据已有的事故记录表，分别获取各个事故发生的时间点，在事故记录表对应的历史行驶数据中分别抓取各时间点前后两条历史行驶数据。从各时间点对应的两条历史行驶数据中筛选得到起始特征数据样本和结束特征数据样本，对应的标签为事故标签。

相反的，在历史行驶数据中分别抓取非事故时间点前后两条历史行驶数据。从各时间点对应的两条历史行驶数据中筛选得到起始特征数据样本和结束特征数据样本，对应的标签为非事故标签。

事故识别模型可采用二分类模型，具体为XGBoost（Extreme Gradient Boosting，梯度提升）模型。在训练模型时采用交叉验证的方法，以提高模型的泛化能力。XGBoost在目标函数中加上了正则化项，正则化项降低了模型的变量，使学习出来的模型更加简单，防止过拟合。

本实施例采用模型识别的方法识别起始特征数据和所述结束特征数据之间是否为事故片段，不需要关注特征数据与事故/非事故之间的内在逻辑关系，只需要训练模型即可获得较高的识别准确性。

在实际应用场景中，针对不同路况、不同事故类型、不同车型，同一数据维度对事故识别结果的影响程度可能不同，例如，在高速路上高速行驶时，本车车速的影响程度高；而在闹市区低速行驶时，本车车速的影响程度低。因此，各数据维度对事故识别结果的影响程度需要更新，以在各种行驶场景中都可以通过相匹配的数据维度筛选出特征数据，进而准确识别出事故片段。

基于上述分析，在将所述起始特征数据和所述结束特征数据作为整体输入至事故识别模型，得到所述事故识别模型输出的，所述起始特征数据和所述结束特征数据之间的事故片段的事故识别结果之后，还包括：获取所述事故片段对应的视频数据；对所述视频数据进行事故识别，得到所述视频数据的事故识别结果；如果所述视频数据的事故识别结果与所述事故片段的事故识别结果不一致，返回将所述多组数据样本和对应的事故/非事故标签输入至随机森林模型或者逻辑回归模型中的操作，以更新各数据维度对所述事故识别结果的影响程度。

具体的，在车辆行驶过程中，行车记录仪和道路上的摄像头实时录制视频并上传到数据平台。从数据平台抓取起始特征数据和所述结束特征数据的产生时间之间的视频数据。将视频数据输入至基于深度学习的卷积神经网络模型，得到事故识别结果。其中，基于深度学习的卷积神经网络模型采用视频数据样本和对应的事故/非事故标签训练得到，由于视频具有直观性，而事故基本都是可见的，视频数据的识别精度要高于事故片段的事故识别结果。如果视频数据的事故识别结果与事故片段的事故识别结果不一致，说明特征数据的数据维度不足以准确识别是否为事故，需要增加数据维度或者变更数据维度。基于此，将所述多组数据样本和对应的事故/非事故标签输入至随机森林模型或者逻辑回归模型中，以更新各数据维度对所述事故识别结果的影响程度，从而重新筛选特征数据。

需要说明的是，此处的多组数据样本需要从当前行驶过程中产生的行驶数据样本中选取，从而得到匹配于当前行驶场景的、各数据维度对所述事故识别结果的影响程度。

图3是本申请实施例提供的一种事故片段的识别装置的结构示意图，本申请实施例适用于识别车辆行驶过程中的数据是否为事故片段的情况。结合图3，事故片段的识别装置包括：获取模块310，筛选模块320，选择模块330和识别模块340。

获取模块310，用于获取车辆行驶过程中产生的多条特征数据，每条所述特征数据包括：本车车速、周围车车速、本车与周围车发生事故的时长、车灯状态和连接到的导航卫星数量；

筛选模块320，用于从所述多条特征数据中，筛选表征所述车辆处于危险状态的目标特征数据；

选择模块330，用于从所述多条特征数据中，选择所述目标特征数据之前第一设定时长的起始特征数据，以及所述目标特征数据之后第二设定时长的结束特征数据；

识别模块340，用于将所述起始特征数据和所述结束特征数据作为整体进行事故识别，得到所述起始特征数据和所述结束特征数据之间的事故片段的事故识别结果；

其中，所述事故识别结果包括非事故和事故。

本实施例首先获取车辆行驶过程中产生的本车车速、周围车车速、本车与周围车发生事故的时长、车灯状态和连接到的导航卫星数量，这些数据维度对事故识别结果具有显著影响；通过从所述多条特征数据中，筛选表征所述车辆处于危险状态的目标特征数据，并选择目标特征数据之前第一设定时长的起始特征数据，以及所述目标特征数据之后第二设定时长的结束特征数据，从而从多条特征数据中成功筛选出可能为事故片段的起始特征数据和结束特征数据；通过将所述起始特征数据和所述结束特征数据作为整体进行事故识别，得到事故识别结果，从而利用能够体现事故发生特点的起始/结束两点的数据并结合前述特定的数据维度，而非整个数据片段的所有数据维度，在减少数据处理量的同时，保证一定的准确性和识别效率。

可选的，获取模块310具体用于获取车辆行驶过程中采集的多条行驶数据；根据每条行驶数据中本车与周围车的距离以及所述本车车速，计算所述本车与周围车发生事故的时长，并将所述时长添加到对应的行驶数据中；从所述每条行驶数据中，根据各数据维度对所述事故识别结果的影响程度进行数据筛选，得到对应的特征数据。

可选的，该装置还包括影响程度确定模块，用于在从所述每条行驶数据中，根据各数据维度对所述事故识别结果的影响程度进行数据筛选，得到对应的特征数据之前，从多条行驶数据样本中，选取间隔第三设定时长的多组起始行驶数据样本和结束行驶数据样本；所述第三设定时长为所述第二设定时长和所述第一设定时长之和；将所述多组数据样本和对应的事故/非事故标签输入至随机森林模型或者逻辑回归模型中，得到各数据维度对所述事故识别结果的影响程度。

可选的，筛选模块320具体用于从所述多条特征数据中，按照时间先后顺序筛选时长首次小于设定阈值的目标特征数据；和/或，从所述多条特征数据中，筛选车灯处于警示状态的目标特征数据。

可选的，识别模块340具体用于将所述起始特征数据和所述结束特征数据作为整体输入至事故识别模型，得到所述事故识别模型输出的，所述起始特征数据和所述结束特征数据之间的事故片段的事故识别结果；其中，所述事故识别模型是根据起始特征数据样本和结束特征数据样本，以及对应的事故/非事故标签进行训练得到。

可选的，事故识别模型为梯度提升模型。

可选的，该装置还包括更新模块，用于在将所述起始特征数据和所述结束特征数据作为整体输入至事故识别模型，得到所述事故识别模型输出的，所述起始特征数据和所述结束特征数据之间的事故片段的事故识别结果之后，获取所述事故片段对应的视频数据；对所述视频数据进行事故识别，得到所述视频数据的事故识别结果；如果所述视频数据的事故识别结果与所述事故片段的事故识别结果不一致，返回将所述多组数据样本和对应的事故/非事故标签输入至随机森林模型或者逻辑回归模型中的操作，以更新各数据维度对所述事故识别结果的影响程度。

本申请实施例所提供的事故片段的识别装置可执行本申请任意实施例所提供的事故片段的识别方法，具备执行方法相应的功能模块和有益效果。

图4为本发明实施例提供的一种电子设备的结构示意图，如图4所示，该设备包括处理器40、存储器41、输入装置42和输出装置43；设备中处理器40的数量可以是一个或多个，图4中以一个处理器40为例；设备中的处理器40、存储器41、输入装置42和输出装置43可以通过总线或其他方式连接，图4中以通过总线连接为例。

存储器41作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的事故片段的识别方法对应的程序指令/模块（例如，事故片段的识别装置中的获取模块310，筛选模块320，选择模块330和识别模块340）。处理器40通过运行存储在存储器41中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的事故片段的识别方法。

存储器41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；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器41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，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器41可进一步包括相对于处理器40远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置42可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置43可包括显示屏等显示设备。

本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一实施例的事故片段的识别方法。

本申请实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器（RAM）、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。

注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。

Claims (9)

1.一种事故片段的识别方法，其特征在于，包括：

获取车辆行驶过程中产生的多条特征数据，每条所述特征数据包括：本车车速、周围车车速、本车与周围车发生事故的时长、车灯状态和连接到的导航卫星数量；

从所述多条特征数据中，筛选表征所述车辆处于危险状态的目标特征数据；

从所述多条特征数据中，选择所述目标特征数据之前第一设定时长的起始特征数据，以及所述目标特征数据之后第二设定时长的结束特征数据；

将所述起始特征数据和所述结束特征数据作为整体进行事故识别，得到所述起始特征数据和所述结束特征数据之间的事故片段的事故识别结果；

其中，所述事故识别结果包括非事故和事故；

所述将所述起始特征数据和所述结束特征数据作为整体进行事故识别，得到所述起始特征数据和所述结束特征数据之间的事故片段的事故识别结果，包括：

将所述起始特征数据和所述结束特征数据作为整体输入至事故识别模型，得到所述事故识别模型输出的，所述起始特征数据和所述结束特征数据之间的事故片段的事故识别结果；

其中，所述事故识别模型是根据起始特征数据样本和结束特征数据样本，以及对应的事故/非事故标签进行训练得到。

2.根据权利要求1所述的方法，其特征在于，所述获取车辆行驶过程中产生的多条特征数据，包括：

获取车辆行驶过程中采集的多条行驶数据；

根据每条行驶数据中本车与周围车的距离以及所述本车车速，计算所述本车与周围车发生事故的时长，并将所述时长添加到对应的行驶数据中；

从所述每条行驶数据中，根据各数据维度对所述事故识别结果的影响程度进行数据筛选，得到对应的特征数据。

3.根据权利要求2所述的方法，其特征在于，在从所述每条行驶数据中，根据各数据维度对所述事故识别结果的影响程度进行数据筛选，得到对应的特征数据之前，还包括：

从多条行驶数据样本中，选取间隔第三设定时长的多组起始行驶数据样本和结束行驶数据样本；所述第三设定时长为所述第二设定时长和所述第一设定时长之和；

将所述多组数据样本和对应的事故/非事故标签输入至随机森林模型或者逻辑回归模型中，得到各数据维度对所述事故识别结果的影响程度。

4.根据权利要求1所述的方法，其特征在于，所述从所述多条特征数据中，筛选表征所述车辆处于危险状态的目标特征数据，包括：

从所述多条特征数据中，按照时间先后顺序筛选时长首次小于设定阈值的目标特征数据；和/或，

从所述多条特征数据中，筛选车灯处于警示状态的目标特征数据。

5.根据权利要求1所述的方法，其特征在于，所述事故识别模型为梯度提升模型。

6.根据权利要求3所述的方法，其特征在于，在将所述起始特征数据和所述结束特征数据作为整体输入至事故识别模型，得到所述事故识别模型输出的，所述起始特征数据和所述结束特征数据之间的事故片段的事故识别结果之后，还包括：

获取所述事故片段对应的视频数据；

对所述视频数据进行事故识别，得到所述视频数据的事故识别结果；

如果所述视频数据的事故识别结果与所述事故片段的事故识别结果不一致，返回将所述多组数据样本和对应的事故/非事故标签输入至随机森林模型或者逻辑回归模型中的操作，以更新各数据维度对所述事故识别结果的影响程度。

7.一种事故片段的识别装置，其特征在于，包括：

获取模块，用于获取车辆行驶过程中产生的多条特征数据，每条所述特征数据包括：本车车速、周围车车速、本车与周围车发生事故的时长、车灯状态和连接到的导航卫星数量；

筛选模块，用于从所述多条特征数据中，筛选表征所述车辆处于危险状态的目标特征数据；

选择模块，用于从所述多条特征数据中，选择所述目标特征数据之前第一设定时长的起始特征数据，以及所述目标特征数据之后第二设定时长的结束特征数据；

识别模块，用于将所述起始特征数据和所述结束特征数据作为整体进行事故识别，得到所述起始特征数据和所述结束特征数据之间的事故片段的事故识别结果；

其中，所述事故识别结果包括非事故和事故；

所述识别模块具体用于将所述起始特征数据和所述结束特征数据作为整体输入至事故识别模型，得到所述事故识别模型输出的，所述起始特征数据和所述结束特征数据之间的事故片段的事故识别结果；其中，所述事故识别模型是根据起始特征数据样本和结束特征数据样本，以及对应的事故/非事故标签进行训练得到。

8.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的事故片段的识别方法。

9.一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，该程序被处理器执行时实现如权利要求1-6中任一所述的事故片段的识别方法。

Images