CN113869220A - 重大交通事故的监测方法及系统 - Google Patents

Abstract

本发明提供了重大交通事故的监测方法及系统，涉及交通技术领域。重大交通事故的监测方法包括：通过摄像模块，按设定频率对道路上的状况进行拍照，并获得图像；通过深度学习算法所获得的事故特征模型对图像进行识别，判断是否出现重大交通事故；当判定出现重大交通事故时，基于道路的位置，获取道路所在区域的实时气象信息；发出报警信号；根据实时气象信息获得对应的天气特征，并统计道路在天气特征下发生的重大交通事故的次数。通过重大交通事故的监测方法，可以实现对重大交通事故的监测和报警，能够有效地降低人员伤亡及财产损失。

Description

重大交通事故的监测方法及系统

技术领域

本发明涉及交通技术领域，尤其涉及重大交通事故的监测方法及系统。

背景技术

在出现交通事故时，如果可以及时地了解到事故的发生并报警，则能够快速实施救援，从而在一定程度上降低事故所造成的人员伤亡及财产损失。

当发生普通交通事故时，所造成损失较小，且涉事人可以主动报警。但遇到重大交通事故时，不仅所造成损失大，同时，涉事人可能会因为昏迷等原因无法主动报警求助，如果事发附近没有车辆或人员经过，则可能延误最佳救援时间，出现人员死亡等严重的情况。

如何对重大交通事故进行监测，是目前亟待解决的问题。

发明内容

本发明的目的在于克服现有技术的缺陷，提供重大交通事故的监测方法及系统，用以解决现有技术中的问题。

为解决上述问题，本发明提供了：重大交通事故的监测方法，包括：

通过摄像模块，按设定频率对道路上的状况进行拍照，并获得图像；

通过深度学习算法所获得的事故特征模型对所述图像进行识别，判断是否出现重大交通事故；

当判定出现重大交通事故时，基于所述道路的位置，获取所述道路所在区域的实时气象信息；

发出报警信号，其中，所述报警信号包括所述图像、所述实时气象信息和所述道路的位置信息；

根据所述实时气象信息获得对应的天气特征，并统计所述道路在所述天气特征下发生的重大交通事故的次数。

进一步地，当判定重大交通事故发生后，所述摄像模块每间隔设定时间对所述道路上的状况进行拍照，并获得图片；

通过所述事故特征模型对所述图片进行识别，判断事故现场是否恢复正常。

进一步地，当判定出现重大交通事故时，实时获取当前时间并将其设定为事故发生时间；

将所述事故发生时间发送至所述监控终端。

本发明还提供了：重大交通事故的监测系统，包括固定装置和服务器，其中，所述固定装置包括摄像模块和通信模块，所述服务器包括识别模块和判断模块；

所述摄像模块，用于按设定频率对道路上的状况进行拍照，并获得图像；

所述判断模块，用于通过深度学习算法所获得的事故特征模型对所述图像进行识别，判断是否出现重大交通事故；

所述通信模块，用于当判定出现重大交通事故时，用于基于所述道路的位置，获取所述道路所在区域的实时气象信息；

报警模块，用于发出报警信号，其中，所述报警信号包括所述图像、所述实时气象信息和所述道路的位置信息；

统计模块，用于根据所述实时气象信息获得对应的天气特征，并统计所述道路在所述天气特征下发生的重大交通事故的次数。

进一步地，所述图像通过所述通信模块发送至所述服务器。

进一步地，所述固定装置上设置有定位模块，所述定位模块用于确定所述道路的位置信息。

进一步地，所述固定装置为LED路灯。

进一步地，所述通信模块为无线通信模块。

进一步地，所述无线通信模块为NB-IoT无线通信模块。

本发明的有益效果是：

1.利用深度学习算法所获得的事故特征模型对图像进行识别，主动监测重大交通事故是否发生。

2.方便交警等相关工作人员能够尽快地了解到事故的现场情况及事故发生的位置，从而可以及早实施救援等工作，减少人员伤亡和财务损失。

3.当监测到发生重大交通事故时，可以根据实时气象信息获得对应的天气特征，并记录道路在不同天气特征下发生的重大交通事故的次数，如此，可以了解到在何种天气特征下发生重大交通事故的概率最大，以便在遇到相应的天气时，可以提前做好预防的准备，降低事故发生的风险。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对本发明保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。

图1示出了一种重大交通事故的监测方法的流程图。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。

在下文中，可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。

此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本发明的各种实施例中被清楚地限定。

实施例

请参阅图1，在本实施例中，提出了一种重大交通事故的监测方法，包括以下步骤：

步骤S1，通过摄像模块，按设定频率对道路上的状况进行拍照，并获得图像。其中，设定频率可以根据实际情况进行调整，例如每隔5秒拍摄一次。

步骤S2，通过深度学习算法所获得的事故特征模型对图像进行识别，判断是否出现重大交通事故。其中，可通过卷积神经网络不断进行大样本训练获得事故特征模型。

步骤S3，当判定出现重大交通事故时，基于道路的位置，获取道路所在区域的实时气象信息。

步骤S4，发出报警信号，其中，报警信号中包括图像、实时气象信息和道路的位置信息发送。

根据报警信号，工作人员便能够了解到事故现场的画面、天气以及事故的发生地点，从而可以及时地且有准备地开展救援等工作。

步骤S5，根据实时气象信息获得对应的天气特征，并统计道路在天气特征下发生的重大交通事故的次数。其中，气象信息可以通过数据特征提取，以获得对应的天气特征。

通过统计不同天气特征下发生的重大交通事故的次数，可以了解到在何种气象条件下，该路段发生重大交通事故的风险最大。如此，该路段遇到对应天气时，工作人员可以提前做好准备，防范重大交通事故的发生。

在本实施例中，摄像模块可采用高清摄像头，其具有录像功能。其中，摄像模块录像功能在一直开启的同时，会按设定频率对道路上的状况进行拍照。之所以采用图像而非录像进行分析识别，主要是基于以下原因：

当发生重大交通事故后较长一段时间内，路面交通会出现瘫痪，图像中的事故车辆会处于相对静止状态，而这对于图像的识别分析十分有利，且由此获得的判定结果的准确率非常高；利用录像进行判断是否出现重大交通事故时，则需要提取关键帧并对关键帧进行分析，这种方式计算量大且耗时较长，如此获得判定结果的时间也就较长，而这会影响到获得判定结果的时间，继而导致报警不及时。

为了方便在事故发生后，及时地了解到事故处理的进展情况，本实施例中，当判定重大交通事故发生后，摄像模块每间隔设定时间对道路上的状况进行拍照，并获得图片；通过事故特征模型对图片进行识别，判断事故现场是否恢复正常；当判定未出现重大交通事故时，则认为事故现场恢复正常。其中，设定时间可以根据实际需要进行设定，例如1分钟。

为了了解事故发生的时间，当判定出现重大交通事故时，可实时获取当前时间并将其设定为事故发生时间，同时，将事故发生时间发送至监控终端。由于摄像模块的录像功能一直处于开启状态，为此，根据事故发生时间就可以快速查到事故发生前的影像，由此便能了解到事故发生的原因。

在本实施例中，基于上文中的重大交通事故的监测方法，还提出了一种重大交通事故的监测系统。其中，该监测系统包括固定装置和服务器，其中，固定装置包括摄像模块和通信模块，服务器包括识别模块和判断模块。

摄像模块，用于按设定频率对道路上的状况进行拍照，并获得图像。其中，图像可通过通信模块发送至服务器。

判断模块，用于通过深度学习算法所获得的事故特征模型对图像进行识别，判断是否出现重大交通事故。

通信模块，用于当判定出现重大交通事故时，用于基于道路的位置，获取道路所在区域的实时气象信息。通信模块可选用无线通信模块，具体的，无线通信模块可采用NB-IoT无线通信模块。其中，固定装置上可设置有定位模块，通过定位模块可以确定道路的位置信息，如此，在网络上根据位置信息便能获取到道路所在区域的实时气象信息。

报警模块，用于发出报警信号，其中，报警信号包括图像、实时气象信息和道路的位置信息。

统计模块，用于根据实时气象信息获得对应的天气特征，并统计道路在天气特征下发生的重大交通事故的次数。

在本实施例中，固定装置可为LED路灯。LED路灯作为道路两侧最为常见的设备，其分布广泛且数量众多，十分适合安装摄像模块用以对道路上的交通状况进行监测。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或更多个模块集成形成一个独立的部分。

所述功能如果以软件功能模块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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品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（可以是智能手机、个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为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，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。

Claims (9)

1.重大交通事故的监测方法，其特征在于，包括：

通过摄像模块，按设定频率对道路上的状况进行拍照，并获得图像；

通过深度学习算法所获得的事故特征模型对所述图像进行识别，判断是否出现重大交通事故；

当判定出现重大交通事故时，基于所述道路的位置，获取所述道路所在区域的实时气象信息；

发出报警信号，其中，所述报警信号包括所述图像、所述实时气象信息和所述道路的位置信息；

根据所述实时气象信息获得对应的天气特征，并统计所述道路在所述天气特征下发生的重大交通事故的次数。

2.根据权利要求1所述的重大交通事故的监测方法，其特征在于，当判定重大交通事故发生后，所述摄像模块每间隔设定时间对所述道路上的状况进行拍照，并获得图片；

通过所述事故特征模型对所述图片进行识别，判断事故现场是否恢复正常。

3.根据权利要求1所述的重大交通事故的监测方法，其特征在于，当判定出现重大交通事故时，实时获取当前时间并将其设定为事故发生时间；

将所述事故发生时间发送至所述监控终端。

4.重大交通事故的监测系统，其特征在于，包括固定装置和服务器，其中，所述固定装置包括摄像模块和通信模块，所述服务器包括识别模块和判断模块；

所述摄像模块，用于按设定频率对道路上的状况进行拍照，并获得图像；

所述判断模块，用于通过深度学习算法所获得的事故特征模型对所述图像进行识别，判断是否出现重大交通事故；

所述通信模块，用于当判定出现重大交通事故时，用于基于所述道路的位置，获取所述道路所在区域的实时气象信息；

报警模块，用于发出报警信号，其中，所述报警信号包括所述图像、所述实时气象信息和所述道路的位置信息；

统计模块，用于根据所述实时气象信息获得对应的天气特征，并统计所述道路在所述天气特征下发生的重大交通事故的次数。

5.根据权利要求4所述的重大交通事故的监测系统，其特征在于，所述图像通过所述通信模块发送至所述服务器。

6.根据权利要求4所述的重大交通事故的监测系统，其特征在于，所述固定装置上设置有定位模块，所述定位模块用于确定所述道路的位置信息。

7.根据权利要求4-6中任一项所述的重大交通事故的监测系统，其特征在于，所述固定装置为LED路灯。

8.根据权利要求4-6中任一项所述的重大交通事故的监测系统，其特征在于，所述通信模块为无线通信模块。

9.根据权利要求8所述的重大交通事故的监测系统，其特征在于，所述无线通信模块为NB-IoT无线通信模块。

Images