CN116469254B - 一种信息处理方法和装置 - Google Patents

一种信息处理方法和装置 Download PDF

Info

Publication number
CN116469254B
CN116469254B CN202310712393.8A CN202310712393A CN116469254B CN 116469254 B CN116469254 B CN 116469254B CN 202310712393 A CN202310712393 A CN 202310712393A CN 116469254 B CN116469254 B CN 116469254B
Authority
CN
China
Prior art keywords
target
accident
traffic
determining
motion
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.)
Active
Application number
CN202310712393.8A
Other languages
English (en)
Other versions
CN116469254A (zh
Inventor
倪江柳伊
蒋喆
贾伟
任立弢
卢岩
葛嵩
周飞和
陈思
刘朝辉
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.)
Zhejiang Koubei Network Technology Co Ltd
Original Assignee
Zhejiang Koubei Network 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 Zhejiang Koubei Network Technology Co Ltd filed Critical Zhejiang Koubei Network Technology Co Ltd
Priority to CN202310712393.8A priority Critical patent/CN116469254B/zh
Publication of CN116469254A publication Critical patent/CN116469254A/zh
Application granted granted Critical
Publication of CN116469254B publication Critical patent/CN116469254B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明实施例公开了一种信息处理方法和装置。本发明实施例中，在监测到目标路段发生交通事故后，从目标路段的监控视频中截取记录交通事故的目标图像，并从目标图像中确定发生交通事故的目标事故对象的图像。然后根据目标事故对象的图像确定目标事故对象的归属平台，并获取多个候选对象的运动轨迹，候选对象为归属于目标事故对象的归属平台的对象，从各运动轨迹中查找与所述交通事故相匹配的目标运动轨迹。最后向平台确定该目标运动轨迹对应的用于表示目标事故对象的标识，以确定目标事故对象的身份信息。从而可以在交通事故发生后，在没有目标事故对象相关信息时仅凭记录该交通事故的目标图像及时确认目标事故对象身份信息，加快事故处理流程。

Description

一种信息处理方法和装置
技术领域
本发明涉及交通管理技术领域，具体而言，涉及一种用于交通事故信息管理的信息处理方法和装置。
背景技术
随着经济与科技的发展，车辆的数量越来越多，每年的交通事故也越来越多。为了防止交通事故发生后的进一步恶化，对已发生的交通事故进行及时妥善的处理和救援，在检测到交通事故发生后，需要及时向交管部门发出警示信息，并由交管部门工作人员确定交通事故的事故对象的身份信息。在事故对象身上没有能证明其身份的证件或终端设备时，确定事故对象的身份信息需要花费一定时间，影响交通事故的处理效率，也使事故对象家属不能及时知晓事故情况。
发明内容
有鉴于此，本发明实施例提供了一种信息处理方法和装置，以确认目标事故对象身份信息，加快事故处理流程，提升应急事故处置的时效性。
第一方面，本发明实施例提供一种信息处理方法，所述方法包括：
响应于监测到目标路段发生交通事故，获取记录所述交通事故的目标图像，所述目标图像包含目标事故对象；
根据所述目标图像确定目标事故对象平台信息，所述目标事故对象平台信息用于表征所述目标事故对象的归属平台；
获取多个候选对象的运动轨迹，所述候选对象为归属于所述目标事故对象的归属平台的对象；以及
根据所述候选对象的运动轨迹和所述目标图像的相关信息，确定所述目标事故对象的标识。
第二方面，本发明实施例提供一种信息处理装置，所述装置包括：
获取模块，用于响应于监测到目标路段发生交通事故，获取记录所述交通事故的目标图像，所述目标图像包含目标事故对象；
第一确定模块，用于根据所述目标图像确定目标事故对象平台信息，所述目标事故对象平台信息用于表征所述目标事故对象的归属平台；
获取模块，用于获取多个候选对象的运动轨迹，所述候选对象为归属于所述目标事故对象的归属平台的对象；以及
第二确定模块，用于根据所述候选对象的运动轨迹和所述目标图像的相关信息，确定所述目标事故对象的标识。
第三方面，本发明实施例提供一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时实现如上述第一方面所述的方法。
第四方面，提供一种电子设备，所述设备包括：
存储器，用于存储一条或多条计算机程序指令；
处理器，所述一条或多条计算机程序指令被所述处理器执行以实现如第一方面所述的方法。
本发明实施例的方法和装置在监测到目标路段发生交通事故后，从目标路段的监控视频中截取记录该交通事故的目标图像，并从目标图像中确定发生交通事故的目标事故对象的图像。然后根据目标事故对象的图像确定目标事故对象的归属平台，并获取多个候选对象的运动轨迹，候选对象为归属于所述目标事故对象的归属平台的对象，从各运动轨迹中查找与所述交通事故相匹配的目标运动轨迹。最后向平台确定该目标运动轨迹对应的用于表示目标事故对象的标识，从而确定目标事故对象的身份信息。通过上述方法可以在交通事故发生后，在没有目标事故对象相关信息时仅凭记录该交通事故的目标图像及时确认目标事故对象身份信息，加快事故处理流程，提升应急事故处置的时效性。
附图说明
通过以下参照附图对本发明实施例的描述，本发明的上述以及其它目的、特征和优点将更为清楚，在附图中：
图1为本发明实施例的信息处理系统的示意图；
图2为本发明实施例的信息处理方法的流程图；
图3为本发明实施例的使用交通状态检测模型组对目标路段的交通事故状态进行检测的方法流程图；
图4为本发明实施例的从监控视频帧中确定运动图像的示意图；
图5为本发明实施例的根据监控视频帧确定运动对象的运动轨迹的示意图；
图6为本发明实施例的确定目标事故对象平台信息的方法流程图；
图7为本发明实施例的确定目标事故对象的标识的方法流程图；
图8为本发明实施例的GeoHash编码示意图；
图9为本发明实施例的信息处理方法的交互流程图；
图10为本发明实施例的信息处理方法的交互流程图；
图11为本发明实施例的信息处理方法的流程图；
图12为本发明实施例的信息处理装置的示意图；
图13是本发明实施例的电子设备的示意图。
具体实施方式
以下基于实施例对本申请进行描述，但是本申请并不仅仅限于这些实施例。在下文对本申请的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本申请。为了避免混淆本申请的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。
此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。
除非上下文明确要求，否则整个申请文件中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。
在本申请的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的各个实施例中，出于对用户隐私权的保护，所获取的用户信息以及终端信息均在用户授权以及知情的前提下获取的，所获取的用户信息仅会应用于本发明的各实施例中所述方法。
随着车辆数量的急剧增加，交通事故也越来越多。在检测到交通事故发生后需要及时报警以便对已发生的交通事故进行及时妥善的处理和救援。同时交通事故发生以后还需要及时通知事故对象的家属或工作单位，以便及时处理交通事故或照顾事故对象。此时，确定事故对象的身份信息就显得尤为重要。目前可以由交管部门工作人员通过事故对象身上携带的身份证件或手机等终端设备确认，但是交管部门工作人员到达事故对象所在地需要一定时间，获取事故对象身份信息速度较慢。或者当事故对象无法提供身份信息，如事故对象处于昏迷状态，且身上没有能证明其身份信息的证件或手机等终端设备等，确认事故对象身份信息比较困难。因此，本发明实施例提供一种信息处理方法和装置，以在事故对象身上没有能证明其身份的证件或终端设备时，确认目标事故对象身份信息，加快事故处理流程，提升应急事故处置的时效性。
在如下的描述中，以互联网外卖配送平台为例进行说明，应理解，本申请实施例并不对应用场景进行限定，可以应用于其它任何具有定位功能的平台，如出租车平台、网约车平台、共享单车/电动车平台或可穿戴定位设备平台等。
图1为本发明实施例的信息处理系统的示意图。如图1所示，所述信息处理系统包括交管服务器11和平台服务器12。此外还可能有目标图像获取设备13以及定位装置14。在本实施例中，目标图像获取设备13用于采集目标路段的图像或视频，并将采集到的图像或视频发送至交管服务器11。定位装置14用于实时定位并将定位信息上传至对应的平台服务器12。平台服务器12用于根据定位装置14上报的定位信息确定并存储对应的运动轨迹。交管服务器11用于根据目标路段的图像或视频确定目标事故对象的图像，并根据目标事故对象的图像确定对应的平台服务器12，并向平台服务器获取多个候选运动轨迹，根据目标事故对象的运动轨迹和候选运动轨迹确定目标运动轨迹。或者，交管服务器11在根据目标事故对象的图像确定对应的平台服务器12后，将交通事故信息，如交通事故的位置信息、时间信息和/或目标图像发送至平台服务器12，由平台服务器12根据上述交通事故信息确定候选对象的轨迹信息，最后根据目标事故对象的运动轨迹和候选运动轨迹确定目标运动轨迹。其中，交管服务器11或平台服务器12可以是单台计算机，也可以多台计算机构成的集群，还可以是通过云技术可以弹性调整计算资源的云服务器。目标图像获取设备13可以为设置于目标路段的监控设备，或者可以为手机、电脑或平板电脑等终端设备，也可以为记录有目标路段交通事故的图片或监控视频等的服务器。定位装置14为外卖平台客户端应用程序或小程序的通用终端，例如终端可以为手机等终端设备，在某些实施方式中，定位装置14也可以是具有固化于专用集成电路中应用程序的专用终端。其中，开放平台通过向第三方开发者提供应用程序编程接口（Application Programming Interface，API）的方式，使第三方开发者可以基于开放平台开发相应的小程序。所述小程序具体可以为在平台内应用的基础上进行开发并用于执行相应操作的程序。定位装置14为平台执行配送任务的配送资源的终端设备。所述配送资源可以为人员，也可以为各类无人设备，例如配送无人车、配送机器人、配送无人机等。若在其他平台下，定位装置14还可以为智能手环、智能手表、智能眼镜或具有定位功能的车载设备等。
在信息收集阶段，目标图像获取设备13持续获取目标路段的图像或监控视频并保存，或将目标路段的图像或监控视频发送至交管服务器11。多个定位装置14按照一定时间周期，如10秒、15秒或20秒等，进行定位打点，并将定位信息通过网络发送至平台服务器12。
在信息处理阶段，交管服务器11通过与目标图像获取设备13和平台服务器12交互完成目标事故对象标识的确认。在此过程中，交管服务器11通过互联网连接到目标图像获取设备13获取记录有目标路段交通事故的目标图像，也可以从交管服务器11中直接搜索目标图像。获取到记录所述交通事故的目标图像后，根据目标图像确定目标事故对象，并根据目标事故对象的图像确定目标事故对象的平台信息，比如，目标事故对象的交通工具上印有某外卖配送平台的标识或目标事故对象身穿印有外卖配送平台标识的衣服，则可确定目标事故对象的所属平台为该外卖平台。然后向该外卖配送平台对应的平台服务器12请求获取平台内经过目标路段所在区域内的多个运动轨迹，根据运动轨迹中各轨迹点对应的时间信息和位置信息，确定在交通事故发生时经过该目标路段，且在交通事故发生处停留时间超过预定时间阈值的运动轨迹确定为目标运动轨迹。最终确定目标运动轨迹对应的配送人员为目标事故对象，根据配送人员在平台登记的身份信息确定配送目标事故人员的标识。
值得注意的是，在信息处理阶段中，确定目标运动轨迹除了可以由交管服务器11确定，也可以由平台服务器12确定。具体的，在确定目标事故对象的所属平台为该外卖平台后，将交通事故信息，如交通事故的位置信息、时间信息和/或目标图像发送至平台服务器12，由平台服务器12根据位置信息、时间信息和/或目标图像确定候选对象的轨迹信息，最后根据目标事故对象的运动轨迹和候选运动轨迹确定目标运动轨迹。除此之外，还可以将交管服务器11和平台服务器12合并为一个总服务器。比如，交管部门和某平台合作，交管部门得到目标路段的监控视频后，直接将监控视频发送至总服务器，总服务器可以为平台服务器12。由总服务器执行上述交管服务器11和平台服务器12的操作。
应理解，信息收集阶段和信息处理阶段在时间上可以相互隔离，也可以交互交叉，也即，在信息开始处理时，目标图像获取设备13仍可持续获取目标路段的图像或监控视频并将其发送至交管服务器11，定位装置14也可以持续向平台服务器12发送定位信息。
本发明实施例的系统在监测到目标路段发生交通事故后，从目标路段的监控视频中截取记录该交通事故的目标图像，并从目标图像中确定发生交通事故的目标事故对象的图像。然后根据目标事故对象的图像确定目标事故对象的归属平台，并获取多个候选对象的运动轨迹，候选对象为归属于所述目标事故对象的归属平台的对象，从各运动轨迹中查找与所述交通事故相匹配的目标运动轨迹。最后向平台确定该目标运动轨迹对应的用于表示目标事故对象的标识，从而确定目标事故对象的身份信息。通过上述方法可以在交通事故发生后，在没有目标事故对象相关信息时仅凭记录该交通事故的目标图像及时确认目标事故对象身份信息，加快事故处理流程，提升应急事故处置的时效性。
图2为本发明实施例的信息处理方法的流程图。如图2所示，所述信息处理方法包括如下步骤：
在步骤S100中，持续获取目标路段对应的交通视频。
其中，目标路段为路网中的任意交通路段。具体的，可通过设置于目标路段的监控摄像头持续获取目标路段对应的交通视频，并将交通视频发送至交管服务器。
在步骤S200中，根据所述交通视频，监测所述目标路段的交通事故状态。
其中，交通事故状态包括发生交通事故和未发生交通事故。可使用交通状态检测模型组对目标路段的交通事故状态进行检测。
图3为本发明实施例的使用交通状态检测模型组对目标路段的交通事故状态进行检测的方法流程图。如图3所示，所述使用交通状态检测模型组对目标路段的交通事故状态进行检测的方法包括如下步骤：
在步骤S201中，将所述目标路段对应的交通视频输入目标检测模型，确定至少一个运动对象。
其中，目标检测模型用于确定各监控视频帧中包含的特定对象。具体的，目标检测模型在监控视频帧中采样大量区域，判断这些区域中是否包含感兴趣的目标（也即运动对象），确定目标所在位置并调整区域边缘从而更精确地确定目标的边界框。在本发明实施例中，感兴趣的目标为可以移动的整体，例如可以预先设定为汽车、自行车、电动车等交通工具和行人等，若目标为汽车，则表示汽车和汽车里的人。目标检测模型可以为Faster R-CNN模型、单镜头多盒检测（Single Shot MultiBoxDetector，SSD）模型和YOLO模型等。
图4为本发明实施例的从监控视频帧中确定运动图像的示意图。如图4所示，使用目标检测模型从监控视频帧40中确定出的运动对象包括运动对象和41和运动对象41的边界框、运动对象42和运动对象42的边界框、运动对象43和运动对象43的边界框以及运动对象44和运动对象44的边界框。其中，运动对象41为汽车，运动对象42为自行车，运动对象43为电动车，运动对象44为行人。
在步骤S202中，使用多目标跟踪模型对所述运动对象进行跟踪监测，确定所述运动对象的运动轨迹。
具体的，多目标跟踪模型对监控视频中每一帧的各运动对象都赋予一个标识ID，在各监控视频帧中，相同运动对象的ID相同，根据各监控视频帧中的运动对象所在位置确定运动对象的运动轨迹。因此多目标跟踪可以看作行人重识别（Re-ID）技术和数据关联技术的组合。使用目标检测模型确定各监控视频帧中的运动对象后，多目标跟踪模型以行人重识别技术对不同监控视频帧中的运动对象进行相似度学习，相同运动对象的特征余弦相似度小，不同运动对象的特征余弦相似度大，由此，可为相同运动对象赋予相同ID。然后使用数据关联技术，根据监控视频帧序列中同一运动对象在图像中的位置变化确定运动对象的运动轨迹。
图5为本发明实施例的根据监控视频帧确定运动对象的运动轨迹的示意图。如图5所示，根据监控视频帧51、监控视频帧52和监控视频帧53，分别确定运动对象41的运动轨迹410、运动对象42的运动轨迹420、运动对象43的运动轨迹430和运动对象44的运动轨迹440。
首先，与图4所示方法相同，使用目标监测模型分别确定监控视频帧51、监控视频帧52和监控视频帧53中的各运动对象。然后，使用行人重识别技术确定各监控视频帧中的相同运动对象，并对相同运动对象赋予同一ID，得到运动对象41、运动对象42、运动对象43和运动对象44。然后使用数据关联技术，分别根据各运动对象在各监控视频帧中的位置变化确定各运动对象的运动轨迹。以运动对象43为例，在监控视频帧51确定其所在位置431，在监控视频帧52确定其所在位置432，在监控视频帧53确定其所在位置433，然后根据不同时间上报的位置点431、432和433，确定运动对象43对应的运动轨迹430。
在步骤S203中，将所述运动对象的运动轨迹输入异常检测模型，确定所述目标路段的交通事故状态。
具体的，异常检测模型对各运动对象的运动轨迹进行分析，确定运动对象的运动方向、运动速度、运动加速度等。并结合监控视频对应路段或路口的具体情况，确定目标路段的交通事故状态。比如，某运动对象在移动过程中突然停止，且停止时间超过预定时间阈值，则说明该运动对象可能发生交通事故。或某运动对象在监控视频帧中突然消失，可能是运动对象发生交通事故，导致运动对象，比如汽车，破损变形，多目标跟踪模型无法找到破损变形后的运动对象。或者检测到运动对象的位置信息处于不可到达区域，比如隔离墙、路灯、绿化带等，也可以说明运动对象可能发生了交通事故。
在一种可能的实施方式中，可以对路段或路口的禁行区域或非禁行区域进行划分，若对路口的交通事故状态进行检测，还可以结合路口的红绿灯判断是否存在违规行为，如闯红灯等。
值得注意的是，上述步骤S100和S200仅为获取目标路段交通事故状态的一种方法，还可以采取其他方式确定目标路段的交通事故状态，比如，直接接收到表征目标路段发生交通事故的信息。
在步骤S300中，响应于监测到目标路段发生交通事故，获取记录所述交通事故的目标图像，所述目标图像包含目标事故对象。
其中，目标图像可以为目标路段对应的监控视频中记录有交通事故的视频帧，或者网上用户上传的交通事故现场图片等。目标事故对象为发生交通事故的对象。
在一种可能的实施方式中，根据上述包含目标检测模型、多目标跟踪模型和异常检测模型的交通状态检测模型组对目标路段的交通事故状态进行初步确定或接收到表征目标路段发生交通事故的信息后，为保证交通事故状态的准确性，还可以进行人工复检。根据人工复检结果确定交通状态检测模型组的判定结果或接收到的信息是否有误。具体步骤包括：
在步骤S301中，响应于所述交通事故状态表征发生交通事故，获取所述交通事故的人工复检结果。
具体的，当交通事故状态表征发生交通事故后，截取监控视频中记录交通事故的预定长度的子视频或目标图像，并将其发送至人工核验设备以获得人工复检结果。
在步骤S302中，响应于所述复检结果为发生交通事故，获取记录所述交通事故的目标图像。
若使用交通状态检测模型组对目标路段的交通事故状态进行判定，则响应于所述复检结果为未发生交通事故，获取记录交通事故的预定长度的子视频、交通状态检测模型组的判定结果以及人工复检结果，并将上述数据添加至交通状态检测模型组的训练数据集中，以对交通状态检测模型组进行再训练，以提高交通状态检测模型组的判断精度。
经过人工复检后确定目标路段确实发生交通事故后，可以先将交通事故相关信息，比如发生交通事故的提示信息、目标路段的监控视频和/或目标路段的地址，发送至交管部门以便及时对交通事故进行处理。并同时开始确定目标事故对象的标识，也就是身份信息。
在步骤S400中，根据所述目标图像确定目标事故对象平台信息，所述目标事故对象平台信息用于表征所述目标事故对象的归属平台。
其中，平台是指任何可以具有定位功能的平台，如互联网外卖配送平台、出租车平台、网约车平台、共享单车/电动车平台以及可穿戴定位设备平台等。
在一种可能的实施方式中，可使用事故对象检测模型从目标图像中确定目标事故对象，并识别目标事故对象的特征。事故对象检测模型可以为上述目标检测模型，或者基于相同原理的其他模型。
图6为本发明实施例的确定目标事故对象平台信息的方法流程图。如图6所示，所述确定目标事故对象平台信息的方法包括如下步骤：
在步骤S401中，将所述目标图像输入事故对象检测模型，确定目标事故对象和对应的目标事故对象类型。
其中，目标事故对象类型是指目标事故对象对应的交通工具类型，比如汽车、自行车、电动车等，若没有交通工具，则目标事故对象类型为行人。目标事故对象是指发生交通事故的对象整体，若目标事故对象中存在交通工具，则目标事故对象包括交通工具和使用交通工具的人，比如汽车发生交通事故，则目标事故对象包括汽车和汽车中的人。
在步骤S402中，响应于所述目标事故对象类型为预设事故对象类型，确定所述目标事故对象类型对应的外形特征。
具体的，在数据准备阶段会提前记录各种事故对象类型的外形特征，比如，电动车可以为外卖配送人员经常使用的交通工具，或者为共享电动车，因此需要提前设置多组外形特征区分电动车所属的平台。上述预设事故对象类属性对应的多组外形特征可通过分类模型确定，常见分类模型包括KNN(K-nearest neighbors)模型、逻辑回归模型、线性判别分析(Linear discriminant analysis，LDA)模型以及二次判别分析(Quadraticdiscriminant analysis，QDA)模型。
具体的，若预设事故对象类型为汽车，则对应的归属平台可以为出租车平台、网约车平台。也可以为可穿戴定位设备平台，即汽车不归属于现记录的平台，但是驾驶人或乘客佩戴有可穿戴定位设备。可穿戴定位设备可以为某些特定人群佩戴，比如学生、病人或老人等。这些人群一般穿有特定服装，比如校服、病号服。若没有容易识别的特定服装，则需要将可穿待设备设置为容易被识别的颜色或外形。比如老人佩戴的可穿戴定位设备可设置为荧光色或具有明显的可穿戴定位设备平台的标识。若预设事故对象类型为电动车，则对应的归属平台可以为外卖配送平台、共享电动车、也可以为可穿戴定位设备平台。若预设事故对象类型为自行车，则对应的归属平台可以为共享自行车或可穿戴定位设备平台。若预设事故对象类型为行人，则对应的归属平台可以为可穿戴定位设备平台。也即，目标事故对象中不管有没有交通设备，只要有人，均可以为可穿戴定位设备平台。
若目标事故对象的归属平台为外卖配送平台，则目标事故对象需要具备的外形特征包括电动车车身上印有该外卖配送平台的图标、电动车上配置了印有该外卖配送平台图标的送餐箱、驾驶电动车的人穿戴着表征该外卖配送平台图标的衣服或头盔等等。
若目标事故对象的归属平台为出租车平台或网约车平台，则目标事故对象需要具备的外形特征包括汽车车身的外形、颜色和印刷的图标等等。
若目标事故对象的归属平台为可穿戴定位装置平台，则目标事故对象需要具备的外形特征包括人的衣服的颜色、印刷的图标或花纹等。
在步骤S403中，响应于所述目标事故对象具有所述外形特征，确定所述目标事故对象平台信息。
其中，每种预设事故对象类型对应的外形特征可能由多个，若目标事故对象满足预定数量或预定数量比例的外形特征，即可认为目标事故对象具有所述外形特征。
仍以上述电动车为例说明，若目标事故对象，也即电动车上具有某外卖平台的标识且驾驶电动车的人穿着表征该外卖平台图标的衣服或头盔，则确定目标事故对象所属平台为该外卖配送平台。
以图5中的监控视频帧53为目标图像对上述方法进行说明，由监控视频帧53可知，发生交通事故的目标事故对象为运动对象43和运动对象41。其中，运动对象43的目标事故对象类型为电动车，运动对象41的目标事故对象类型为汽车。电动车和汽车都是预设事故对象类型。电动车对应的外形特征可以包括多种，一种为某外卖配送平台的电动车的外形特征，包括电动车车身上印有该外卖配送平台的图标、电动车上配置了印有该外卖配送平台图标的送餐箱、驾驶电动车的人穿戴着表征该外卖配送平台图标的衣服或头盔等。另一种为某共享电动车的外形特征，包括表征所属平台的外形、颜色、图标等外形特征。确定目标事故对象类型对应的外形特征后，根据监控视频帧53确定目标事故对象是否具有上述外形特征，经检测，运动对象43电动车车身上印有该外卖配送平台的图标且驾驶电动车的人穿戴着表征该外卖配送平台图标的衣服，因此确定运动对象的归属平台为该外卖配送平台。同样地，汽车对应的外形特征可以包括多种，比如不同出租车的外形、颜色和图标不同。根据监控视频帧53也可确定运动对象41归属的平台。假设发生交通事故的目标事故对象为运动对象44，运动对象41为行人，没有交通工具，则对应的外形特征可以为行人的衣物、帽子的颜色或印刷的花纹。比如运动对象44穿着某校校服，则可根据校服的颜色和校服上印刷的学校标识确定运动对象的所属学校。
在步骤S500中，获取多个候选对象的运动轨迹，所述候选对象为归属于所述目标事故对象的归属平台的对象。
在一种可能的实施方式中，向所述目标事故对象的归属平台发送所述目标图像的相关信息，以使所述归属平台确定并获取多个候选对象的运动轨迹。也即本发明实施例的方法适用于平台服务器，因此由归属平台直接确定候选对象的运动轨迹。
在一种可能的实施方式中，向所述目标事故对象的归属平台请求获取多个候选对象的运动轨迹。也即本发明实施例的方法适用于除平台服务器以外的其他服务器，如交管服务器。因此，由归属平台确定候选对象的运动轨迹后，需再将候选对象的运动轨迹发送至交管服务器。
在一种可能的实施方式中，先确定所述平台位于以所述目标路段为中心的预定范围内的多个候选对象，然后获取所述候选对象的运动轨迹。预设地理范围可以为以发生交通事故的目标路段为中心，预设半径长度所覆盖的区域。预设地理范围的大小可以根据实际情况确定，预设地理范围越小，处理的运动轨迹数据越少，处理速度越快。
在一种可能的实施方式中，可以直接确定经过以所述目标路段为中心的预定范围内的运动轨迹。
值得注意的是，若目标事故对象为行人，则运动轨迹可以通过与目标事故对象绑定可穿戴设备上报的轨迹信息确定，其中，可穿戴设备开启定位功能。
在步骤S600中，根据所述候选对象的运动轨迹和所述目标图像的相关信息，确定所述目标事故对象的标识。
其中，运动轨迹包括轨迹点序列信息，各轨迹点信息均包括该轨迹点的位置信息和位置上报时间。目标图像的相关信息可以包括目标视频的拍摄时间和目标图像的来源等信息。
图7为本发明实施例的确定目标事故对象的标识的方法流程图。如图7所示，所述确定目标事故对象的标识的方法包括如下步骤：
在步骤S601中，根据所述目标图像的相关信息确定所述交通事故的位置信息和时间信息。
具体的，根据目标图像中的图像或来源信息确定交通事故的位置信息，比如，可根据目标图像中的建筑物确定位置信息。或者，目标图像的来源信息表征目标图像的采集设备，然后根据采集设备所在位置确定位置信息。根据目标图像的时间戳确定交通事故的时间信息，由于目标图像可能并不是交通事故发生瞬间的图像，因此，交通事故的时间信息可以为目标图像的时间戳和时间戳之前的预定时间段。
在步骤S602中，根据所述交通事故的位置信息，从所述候选对象的运动轨迹中确定至少一个第一运动轨迹，所述第一运动轨迹经过所述交通事故的所处位置。
在一种可能的实施方式中，可将交通事故的位置信息和候选对象的轨迹信息均转化为队形的GeoHash编码，从而提高对空间定位数据经纬度检索的效率，一旦目标路段发生交通事故，即可根据GeoHash编码快速确定目标路段所在位置。Geohash是将整个地图或者某个分割所得的区域进行一次划分。具体的，分别对纬度范围和经度范围平分为两个区间，如果目标位于前一个区间，则编码为0，否则编码为1，然后对子区间继续二分进行编码，以此类推，直到精度满足要求。然后合并经度和纬度的编码，奇数位放纬度，偶数位放经度，组成一串新的二进制编码，对二进制编码按照Base32进行转化得到一个字符串。GeoHash编码表示的并不是一个点，而是一个矩形区域，可以很好的模拟监控摄像头的覆盖范围，而不是摄像头所在的某一个坐标点和骑手所在的坐标点的匹配。使用GeoHash编码表示位置信息，可以通过调节GeoHash编码精度调节以所述目标路段为中心的预定范围的大小，并大大提高根据交通事故位置信息查找第一运动轨迹的效率。
图8为本发明实施例的GeoHash编码示意图。如图8所示，GeoHash编码过程包括编码图81、编码图82、编码图83和编码图84。首先对编码图81中将编码区域分为两部分，若位于区域801则编码为0，否则为1。编码图82继续对区域801继续进行划分，若位于区域803则编码为0，否则为1，因此区域803的编码为00，区域804的编码为01。编码图83继续对区域803继续进行划分，若位于区域805则编码为0，否则为1，因此区域805的编码为000，区域806的编码为001。编码图84继续对区域805继续进行划分，若位于区域807则编码为0，否则为1，因此区域807的编码为0000，区域804的编码为0001。重复上述划分方法即可确定各个目标路段所属网格的GeoHash编码。GeoHash编码精度越高，编码对应的区域越小，定位越准确。
具体的，根据所述交通事故的位置信息，确定第一GeoHash编码，所述第一GeoHash编码为所述交通事故所在网格的GeoHash编码。根据所述候选对象的运动轨迹，确定多个第二GeoHash编码，所述第二GeoHash编码为所述候选对象的运动轨迹中各轨迹点所在网格的GeoHash编码。响应于存在所述第二GeoHash编码与所述第一GeoHash编码相同，将所述第二GeoHash编码对应运动轨迹确定为第一运动轨迹。
使用上述方法可基于交通事故的位置信息对运动轨迹进行初步筛选。
在步骤S603中，根据所述交通事故的时间信息，从所述第一运动轨迹中确定目标运动轨迹。
在一种可能的实施方式中，可根据第一运动轨迹中各轨迹点对应的时间信息确定目标运动轨迹。具体的，先根据所述交通事故的时间信息，从所述第一运动轨迹中确定第二运动轨迹，所述第二运动轨迹在所述交通事故发生时经过所述交通事故所处位置。然后根据所述第二运动轨迹中处于所述交通事故所处位置的轨迹点的时间信息，确定所述第二运动轨迹对应的候选对象在所述交通事故所处位置的停留时间，也就是说，将表征到达所述交通事故发生位置的轨迹点作为初始停留轨迹点，将表征离开所述交通事故发生位置的轨迹点的前一个轨迹点作为最后停留轨迹点，根据初始停留轨迹点的时间信息和最后停留轨迹点的时间信息即可确定停留时间。若停留时间较长，则说明候选对象可能在该位置发生了交通事故，因此响应于所述停留时间大于预设时间阈值，确定所述第二运动轨迹为目标运动轨迹。预设时间阈值根据实际情况确定，比如20秒、50秒或1分钟等。
在另一种可能的实施方式中，还可以根据目标图像确定目标事故对象的运动轨迹，通过计算目标事故对象的运动轨迹和候选对象的运动轨迹，确定目标运动轨迹。具体的，根据所述目标图像确定所述目标事故对象的运动轨迹。比如可以获取目标图像和目标图像的前后多帧监控视频帧，根据各图像中目标事故图像的景深，也即目标事故图像与拍摄监控视频的摄像头的相对距离，确定目标事故图像的运动轨迹。然后根据所述目标事故对象的运动轨迹，从所述候选对象的运动轨迹中确定目标运动轨迹。可先确定所述目标事故对象的运动轨迹和各所述候选对象的运动轨迹的相似度，相似度可以为余弦相似度。响应于所述相似度大于预设相似度阈值，将所述相似度对应运动轨迹确定为目标运动轨迹。
值得注意的是，上述步骤S420和S430的执行顺序也可以相反，即先通过交通事故的时间信息对运动轨迹进行初步筛选，得到至少一个第一运动轨迹，然后再根据位置信息对第一运动轨迹再筛选，确定目标运动轨迹。
在步骤S604中，根据所述目标运动轨迹对应的候选对象确定所述目标事故对象的标识。
其中，目标事故对象的标识为可表征目标事故对象身份的相关信息，比如身份证号，除此之外还可以包括姓名、电话、紧急联系人和紧急联系人的联系方式等。确定目标事故对象的标识后可以将其发送至交管部门已推动交通事故的后续处理，也可以将其发送至目标是对象所属工作单位、亲属或紧急联系人等，以便从除交管部门以外的其他方面推进交通事故的处理进度。本发明实施例的方法在监测到目标路段发生交通事故后，从目标路段的监控视频中截取记录该交通事故的目标图像，并从目标图像中确定发生交通事故的目标事故对象的图像。然后根据目标事故对象的图像确定目标事故对象的归属平台，并获取多个候选对象的运动轨迹，候选对象为归属于所述目标事故对象的归属平台的对象，从各运动轨迹中查找与所述交通事故相匹配的目标运动轨迹。最后向平台确定该目标运动轨迹对应的用于表示目标事故对象的标识，从而确定目标事故对象的身份信息。通过上述方法可以在交通事故发生后，在没有目标事故对象相关信息时仅凭记录该交通事故的目标图像及时确认目标事故对象身份信息，加快事故处理流程，提升应急事故处置的时效性。
图9为本发明实施例的信息处理方法的交互流程图。如图9所示，所述信息处理方法的交互流程包括如下步骤：
在步骤S901中，交管服务器11响应于监测到目标路段发生交通事故，获取记录所述交通事故的目标图像。
在步骤S902中，交管服务器11根据所述目标图像确定目标事故对象平台信息，所述目标事故对象平台信息用于表征所述目标事故对象的归属平台。
在步骤S903中，交管服务器11确定目标图像的相关信息。
其中，相关信息可以为根据目标图像确定的目标事故对象的运动轨迹，也可以为根据目标图像确定的交通事故的时间信息和位置信息。
在步骤S904中，交管服务器11向平台服务器12发送运动轨迹获取请求。
在步骤S905中，平台服务器12确定多个候选对象和各候选对象对应的运动轨迹。
在步骤S906中，平台服务器12将多个候选对象的运动轨迹发送至交管服务器11。
在步骤S907中，交管服务器11基于多个候选对象的运动轨迹和目标图像的相关信息确定目标运动轨迹。
在步骤S908中，交管服务器11向平台服务器12请求目标运动轨迹对应的目标事故对象的标识。
在步骤S909中，平台服务器12根据目标运动轨迹确定目标事故对象，进而确定目标事故对象的标识。
在步骤S910中，平台服务器12根据目标运动轨迹确定目标事故对象的标识，并将其发送至交管服务器11。
本发明实施例的方法在监测到目标路段发生交通事故后，从目标路段的监控视频中截取记录该交通事故的目标图像，并从目标图像中确定发生交通事故的目标事故对象的图像。然后根据目标事故对象的图像确定目标事故对象的归属平台，并向目标事故对象的归属平台请求获取平台中各人员的运动轨迹序列，从各运动轨迹中查找与所述交通事故相匹配的目标运动轨迹。最后向平台确定该目标运动轨迹对应的用于表示目标事故对象的标识，从而确定目标事故对象的身份信息。通过上述方法可以在交通事故发生后，在没有目标事故对象相关信息时仅凭记录该交通事故的目标图像及时确认目标事故对象身份信息，加快事故处理流程，提升应急事故处置的时效性。
图10为本发明实施例的信息处理方法的交互流程图。如图10所示，所述信息处理方法的交互流程包括如下步骤：
在步骤S1001中，交管服务器11响应于监测到目标路段发生交通事故，获取记录所述交通事故的目标图像。
在步骤S1002中，交管服务器11根据所述目标图像确定目标事故对象平台信息，所述目标事故对象平台信息用于表征所述目标事故对象的归属平台。
在步骤S1003中，交管服务器11确定目标图像的相关信息。
在步骤S1004中，交管服务器11向平台服务器12发送目标图像的相关信息。
在步骤S1005中，平台服务器12根据目标图像的相关信息，确定多个候选对象和各候选对象对应的运动轨迹。
在步骤S1006中，平台服务器12基于多个候选对象的运动轨迹和目标事故对象的轨迹信息确定目标运动轨迹。
在步骤S1007中，平台服务器12根据目标运动轨迹确定目标事故对象，进而确定目标事故对象的标识。
在步骤S1008中，平台服务器12根据目标运动轨迹确定目标事故对象的标识，并将其发送至交管服务器11。
本发明实施例的方法在监测到目标路段发生交通事故后，从目标路段的监控视频中截取记录该交通事故的目标图像，并从目标图像中确定发生交通事故的目标事故对象的图像。然后根据目标事故对象的图像确定目标事故对象的归属平台，并获取多个候选对象的运动轨迹，候选对象为归属于所述目标事故对象的归属平台的对象，从各运动轨迹中查找与所述交通事故相匹配的目标运动轨迹。最后向平台确定该目标运动轨迹对应的用于表示目标事故对象的标识，从而确定目标事故对象的身份信息。通过上述方法可以在交通事故发生后，在没有目标事故对象相关信息时仅凭记录该交通事故的目标图像及时确认目标事故对象身份信息，加快事故处理流程，提升应急事故处置的时效性。
图11为本发明实施例的信息处理方法的流程图。如图11所示，所述信息处理方法包括如下步骤：
在步骤1101中，获取目标路段的监控视频。
具体的，可以通过设置于目标路段的摄像头持续获取路标路段的监控视频。
在步骤1102中，确定交通状态检测模型组的版本。
具体的，确定交通状态检测模型组是否为当前的最新版本。交通状态检测模型组包括目标检测模型、多目标跟踪模型和异常检测模型。
在步骤1103中，将监控视频输入交通状态检测模型组，并确定目标路段的交通事故状态。
具体的，将监控视频输入目标检测模型，确定多个运动对象，然后使用多目标跟踪模型跟踪各运动对象，确定各运动对象的运动轨迹。最后根据各运动轨迹确定目标路段是否发生交通事故。
在步骤1104中，确定交通状态检测模型组输出交通事故状态是否表征目标路段发生交通事故。
若是，则转步骤1105，若不是，则转步骤1112。
在步骤1105中，将表征目标路段发生交通事故的目标图像或监控视频发送至人工复检终端，以获取人工复检结果。
在步骤1106中，人工复检结果是否表征目标路段发生交通事故。
若是，则转步骤1107，若不是，则转步骤1113。
在步骤1107中，确定并获取目标图像，并根据目标图像确定目标事故对象平台信息。
确定方法和上述实施例的步骤S110和S200相似，在此不再赘述。
在步骤1108中，确定并获取多个候选对象的运动轨迹，所述候选对象为归属于所述目标事故对象的归属平台的对象。
获取方法和上述实施例的步骤S300相似，在此不再赘述。
在步骤1109中，根据所述候选对象的运动轨迹和所述目标图像的相关信息，确定所述目标事故对象的标识。
确定方法和上述实施例的步骤S400相似，在此不再赘述。
在步骤1110中，根据目标事故对象的标识，将相关信息分别发送至交管部门和紧急联系人。
其中，相关信息可以包括目标事故对象的标识和交通事故信息，如发生交通事故的汽车的车牌号、车辆型号、驾驶人身份信息以及现场图片或视频等。
在步骤1111中，将交通事故相关信息发送至交管部门。
其中，交通事故相关信息可包括交通事故的汽车的车牌号、车辆型号以及现场图片或视频等。
在步骤1112中，后经查询确定发生交通事故。
也就是说，交通状态检测模型组判断目标路段未发生交通事故，但是后续根据新闻、交通事故通报等确定目标路段发生了交通事故，说明交通状态检测模型组判断错误。
在步骤1113中，获取监控视频和判定结果并将其添加至交通状态检测模型组的训练数据集中。
具体的，在步骤S1106中，交通状态检测模型组判断结果和人工复检结果不同，说明交通状态检测模型组判断错误，或者在步骤S1112中，根据后续新闻或报告确定交通状态检测模型组判断错误，则将判断错误的相关数据添加至交通状态检测模型组的训练数据集中。
在步骤1114中，使用训练数据集训练交通状态检测模型组，以提高交通状态检测模型组的判断精度。
本发明实施例通过设置于目标路段的监控视频对目标路段的交通事故状态进行监测，若交通状态检测模型组检测到目标路段发生交通事故后，进行人工复检，以确保交通事故状态的准确性。若复检结果表征目标路段发生交通事故，则及时通知交管部门以便交管部门迅速开展交通事故处理工作。同时通过监控视频中的图像确定目标事故对象的身份信息，并将身份信息发送给交管部门，以减少交管部门的工作内容。同时还可以根据目标事故对象的身份信息确定其紧急联系人，并将交通事故的相关信息发送至紧急联系人，从除交管部门以外的其他方面推进交通事故的处理进程。
图12为本发明实施例的信息处理装置的示意图。如图12所示，所述信息处理装置包括：
获取模块1201，用于响应于监测到目标路段发生交通事故，获取记录所述交通事故的目标图像，所述目标图像包含目标事故对象。
第一确定模块1202，用于根据所述目标图像确定目标事故对象平台信息，所述目标事故对象平台信息用于表征所述目标事故对象的归属平台。
获取模块1203，用于获取多个候选对象的运动轨迹，所述候选对象为归属于所述目标事故对象的归属平台的对象。
第二确定模块1204，用于根据所述候选对象的运动轨迹和所述目标图像的相关信息，确定所述目标事故对象的标识。
本发明实施例的装置在监测到目标路段发生交通事故后，从目标路段的监控视频中截取记录该交通事故的目标图像，并从目标图像中确定发生交通事故的目标事故对象的图像。然后根据目标事故对象的图像确定目标事故对象的归属平台，并获取多个候选对象的运动轨迹，候选对象为归属于所述目标事故对象的归属平台的对象，从各运动轨迹中查找与所述交通事故相匹配的目标运动轨迹。最后向平台确定该目标运动轨迹对应的用于表示目标事故对象的标识，从而确定目标事故对象的身份信息。通过上述方法可以在交通事故发生后，在没有目标事故对象相关信息时仅凭记录该交通事故的目标图像及时确认目标事故对象身份信息，加快事故处理流程，提升应急事故处置的时效性。
图13是本发明实施例的电子设备的示意图。在本实施例中，电子设备包括服务器、终端等。如图13所示，该电子设备至少包括一个处理器1301；以及，与至少一个处理器1301通信连接的存储器1302；以及，与扫描装置通信连接的通信组件1303，通信组件1303在处理器1301的控制下接收和发送数据；其中，存储器1302存储有可被至少一个处理器1301执行的指令，指令被至少一个处理器1301执行以实现上述开锁方法。
具体地，该电子设备包括：一个或多个处理器1301以及存储器1302，图13中以一个处理器1301为例。处理器1301、存储器1302可以通过总线或者其他方式连接，图13中以通过总线连接为例。存储器1302作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。处理器1301通过运行存储在存储器1302中的非易失性软件程序、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，即实现上述开锁方法。
存储器1302可以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、至少一个功能所需要的应用程序；存储数据区可存储选项列表等。此外，存储器1302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。在一些实施例中，存储器1302可选包括相对于处理器1301远程设置的存储器，这些远程存储器可以通过网络连接至外接设备。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。
一个或者多个模块存储在存储器1302中，当被一个或者多个处理器1301执行时，执行上述任意方法实施例中的开锁方法。
上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果，未在本实施例中详尽描述的技术细节，可参见本申请实施例所提供的方法。
本发明的另一个实施例涉及一种非易失性存储介质，用于存储计算机可读程序，所述计算机可读程序用于供计算机执行上述部分或全部的方法实施例。
本发明实施例在监测到目标路段发生交通事故后，从目标路段的监控视频中截取记录该交通事故的目标图像，并从目标图像中确定发生交通事故的目标事故对象的图像。然后根据目标事故对象的图像确定目标事故对象的归属平台，并获取多个候选对象的运动轨迹，候选对象为归属于所述目标事故对象的归属平台的对象，从各运动轨迹中查找与所述交通事故相匹配的目标运动轨迹。最后向平台确定该目标运动轨迹对应的用于表示目标事故对象的标识，从而确定目标事故对象的身份信息。通过上述方法可以在交通事故发生后，在没有目标事故对象相关信息时仅凭记录该交通事故的目标图像及时确认目标事故对象身份信息，加快事故处理流程，提升应急事故处置的时效性。
即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备（可以是单片机，芯片等）或处理器（processor）执行本申请各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-OnlyMemory）、随机存取存储器（RAM，Random AccessMemory）、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优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (12)

1.一种信息处理方法，其特征在于，所述方法包括：
响应于监测到目标路段发生交通事故，获取记录所述交通事故的目标图像，所述目标图像包含目标事故对象；
根据所述目标图像确定目标事故对象平台信息，所述目标事故对象平台信息用于表征所述目标事故对象的归属平台；
获取多个候选对象的运动轨迹，所述候选对象为归属于所述目标事故对象的归属平台的对象；以及
根据所述候选对象的运动轨迹和所述目标图像的相关信息，确定所述目标事故对象的标识，所述目标图像的相关信息至少包括所述目标图像记录的交通事故的时间信息和位置信息，所述标识表征所述目标事故对象的身份信息
其中，所述获取多个候选对象的运动轨迹，包括：
向所述目标事故对象的归属平台发送所述目标图像的相关信息，以使所述归属平台确定并获取多个候选对象的运动轨迹；
所述根据所述候选对象的运动轨迹和所述目标图像的相关信息，确定所述目标事故对象的标识，包括：
根据所述目标图像的相关信息确定所述交通事故的位置信息和时间信息；
根据所述交通事故的位置信息，从所述候选对象的运动轨迹中确定至少一个第一运动轨迹，所述第一运动轨迹经过所述交通事故的所处位置；
根据所述交通事故的时间信息，从所述第一运动轨迹中确定目标运动轨迹；以及
向平台确定所述目标运动轨迹对应的用于表示目标事故对象的标识；
所述根据所述交通事故的时间信息，从所述第一运动轨迹中确定目标运动轨迹，包括：
根据所述交通事故的时间信息，从所述第一运动轨迹中确定第二运动轨迹，所述第二运动轨迹在所述交通事故发生时经过所述交通事故所处位置；
根据所述第二运动轨迹中处于所述交通事故所处位置的轨迹点的时间信息，确定所述第二运动轨迹对应的候选对象在所述交通事故所处位置的停留时间；
响应于所述停留时间大于预设时间阈值，确定所述第二运动轨迹为目标运动轨迹。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
持续获取所述目标路段对应的交通视频；
根据所述交通视频，监测所述目标路段的交通事故状态；
所述响应于监测到目标路段发生交通事故，获取记录所述交通事故的目标图像，包括：
响应于所述交通事故状态表征发生交通事故，获取所述交通事故的人工复检结果；以及
响应于所述复检结果为发生交通事故，获取记录所述交通事故的目标图像。
3.根据权利要求2所述的方法，其特征在于，所述根据所述交通视频，确定所述目标路段的交通事故状态，包括：
将所述目标路段对应的交通视频输入目标检测模型，确定至少一个运动对象；
使用多目标跟踪模型对所述运动对象进行跟踪监测，确定所述运动对象的运动轨迹；以及
将所述运动对象的运动轨迹输入异常检测模型，确定所述目标路段的交通事故状态。
4.根据权利要求1所述的方法，其特征在于，所述根据所述目标图像确定目标事故对象平台信息，包括：
将所述目标图像输入事故对象检测模型，确定目标事故对象和对应的目标事故对象类型；
响应于所述目标事故对象类型为预设事故对象类型，确定所述目标事故对象类型对应的外形特征；以及
响应于所述目标事故对象具有所述外形特征，确定所述目标事故对象平台信息。
5.根据权利要求1所述的方法，其特征在于，所述获取多个候选对象的运动轨迹，包括：
向所述目标事故对象的归属平台请求获取多个候选对象的运动轨迹。
6.根据权利要求1所述的方法，其特征在于，所述获取多个候选对象的运动轨迹，包括：
确定所述平台位于以所述目标路段为中心的预定范围内的多个候选对象；以及
获取所述候选对象的运动轨迹。
7.根据权利要求1所述的方法，其特征在于，所述根据所述交通事故的位置信息，从所述候选对象的运动轨迹中确定至少一个第一运动轨迹，包括：
根据所述交通事故的位置信息，确定第一GeoHash编码，所述第一GeoHash编码为所述交通事故所在网格的GeoHash编码；
根据所述候选对象的运动轨迹，确定多个第二GeoHash编码，所述第二GeoHash编码为所述候选对象的运动轨迹中各轨迹点所在网格的GeoHash编码；
响应于存在所述第二GeoHash编码与所述第一GeoHash编码相同，将所述第二GeoHash编码对应运动轨迹确定为第一运动轨迹。
8.根据权利要求1所述的方法，其特征在于，所述根据所述候选对象的运动轨迹和所述目标图像的相关信息，确定所述目标事故对象的标识，包括：
根据所述目标图像确定所述目标事故对象的运动轨迹；
根据所述目标事故对象的运动轨迹，从所述候选对象的运动轨迹中确定目标运动轨迹。
9.根据权利要求8所述的方法，其特征在于，所述根据所述目标事故对象的运动轨迹，从所述候选对象的运动轨迹中确定目标运动轨迹，包括：
确定所述目标事故对象的运动轨迹和各所述候选对象的运动轨迹的相似度；
响应于所述相似度大于预设相似度阈值，将所述相似度对应运动轨迹确定为目标运动轨迹。
10.一种信息处理装置，其特征在于，所述装置包括：
第一获取模块，用于响应于监测到目标路段发生交通事故，获取记录所述交通事故的目标图像，所述目标图像包含目标事故对象；
第一确定模块，用于根据所述目标图像确定目标事故对象平台信息，所述目标事故对象平台信息用于表征所述目标事故对象的归属平台；
第二获取模块，用于获取多个候选对象的运动轨迹，所述候选对象为归属于所述目标事故对象的归属平台的对象；以及
第二确定模块，用于根据所述候选对象的运动轨迹和所述目标图像的相关信息，确定所述目标事故对象的标识，所述目标图像的相关信息至少包括所述目标图像记录的交通事故的时间信息和位置信息，所述标识表征所述目标事故对象的身份信息；
其中，所述第二获取模块还用于向所述目标事故对象的归属平台发送所述目标图像的相关信息，以使所述归属平台确定并获取多个候选对象的运动轨迹；
所述第二确定模块还包括：
第三确定模块，用于根据所述目标图像的相关信息确定所述交通事故的位置信息和时间信息；
第四确定模块，用于根据所述交通事故的位置信息，从所述候选对象的运动轨迹中确定至少一个第一运动轨迹，所述第一运动轨迹经过所述交通事故的所处位置；
第五确定模块，用于根据所述交通事故的时间信息，从所述第一运动轨迹中确定目标运动轨迹；以及
第六确定模块，用于向平台确定所述目标运动轨迹对应的用于表示目标事故对象的标识；
所述第五确定模块还包括：
第七确定模块，用于根据所述交通事故的时间信息，从所述第一运动轨迹中确定第二运动轨迹，所述第二运动轨迹在所述交通事故发生时经过所述交通事故所处位置；
第八确定模块，用于根据所述第二运动轨迹中处于所述交通事故所处位置的轨迹点的时间信息，确定所述第二运动轨迹对应的候选对象在所述交通事故所处位置的停留时间；
第九确定模块，用于响应于所述停留时间大于预设时间阈值，确定所述第二运动轨迹为目标运动轨迹。
11.一种计算机可读存储介质，其上存储计算机程序指令，其特征在于，所述计算机程序指令在被处理器执行时实现如权利要求1-9中任一项所述的方法。
12.一种电子设备，其特征在于，所述设备包括：
存储器，用于存储一条或多条计算机程序指令；
处理器，所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-9中任一项所述的方法。
CN202310712393.8A 2023-06-15 2023-06-15 一种信息处理方法和装置 Active CN116469254B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310712393.8A CN116469254B (zh) 2023-06-15 2023-06-15 一种信息处理方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310712393.8A CN116469254B (zh) 2023-06-15 2023-06-15 一种信息处理方法和装置

Publications (2)

Publication Number Publication Date
CN116469254A CN116469254A (zh) 2023-07-21
CN116469254B true CN116469254B (zh) 2023-09-08

Family

ID=87177430

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310712393.8A Active CN116469254B (zh) 2023-06-15 2023-06-15 一种信息处理方法和装置

Country Status (1)

Country Link
CN (1) CN116469254B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113269124A (zh) * 2021-06-09 2021-08-17 重庆中科云从科技有限公司 一种对象识别方法、系统、设备及计算机可读介质
CN113674523A (zh) * 2020-05-14 2021-11-19 华为技术有限公司 交通事故分析方法、装置及设备
CN113808397A (zh) * 2021-09-01 2021-12-17 上海钧正网络科技有限公司 非机动车事故的数据处理方法、装置和云端服务器
CN114550052A (zh) * 2022-02-24 2022-05-27 深圳壹账通科技服务有限公司 一种车辆事故处理方法、装置、计算机设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105761500B (zh) * 2016-05-10 2019-02-22 腾讯科技（深圳）有限公司 交通事故处理方法及交通事故处理装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113674523A (zh) * 2020-05-14 2021-11-19 华为技术有限公司 交通事故分析方法、装置及设备
CN113269124A (zh) * 2021-06-09 2021-08-17 重庆中科云从科技有限公司 一种对象识别方法、系统、设备及计算机可读介质
CN113808397A (zh) * 2021-09-01 2021-12-17 上海钧正网络科技有限公司 非机动车事故的数据处理方法、装置和云端服务器
CN114550052A (zh) * 2022-02-24 2022-05-27 深圳壹账通科技服务有限公司 一种车辆事故处理方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN116469254A (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
Tian et al. An automatic car accident detection method based on cooperative vehicle infrastructure systems
US12079272B2 (en) Distributed video storage and search with edge computing
KR102282800B1 (ko) 라이다와 영상카메라를 이용한 멀티 표적 추적 방법
US11172168B2 (en) Movement or topology prediction for a camera network
KR102272279B1 (ko) 인공지능 알고리즘을 이용한 차량번호판 인식 방법
US20230073717A1 (en) Systems And Methods For Electronic Surveillance
CN106529401A (zh) 一种车辆反跟踪方法、装置及系统
He et al. Towards C-V2X enabled collaborative autonomous driving
CN116469254B (zh) 一种信息处理方法和装置
KR101939096B1 (ko) 궤적서비스제공장치 및 그 장치의 구동방법
CN114913470B (zh) 一种事件检测方法及装置
Kiac et al. ADEROS: artificial intelligence-based detection system of critical events for road security
KR101956008B1 (ko) 궤적서비스제공장치 및 그 장치의 데이터구축방법
CN114202919A (zh) 一种非机动车电子车牌遮挡的识别方法、装置及系统
CN114092878A (zh) 一种将人工智能应用于智慧交通的交通违法行为识别方法
CN112633163A (zh) 一种基于机器学习算法实现非法运营车辆检测的检测方法
Lv et al. The University of Central Florida’s Smart and Safe Transportation Lab [Its Research Lab]
Fowdur et al. A mobile application for real-time detection of road traffic violations
CN115546737B (zh) 一种机房监控方法
CN115472014B (zh) 一种交通追溯方法、系统、服务器及计算机存储介质
CN112887532B (zh) 一种结合图像处理和地理信息的交通封控方法及系统
Tang et al. Traffic Simulator: A Traffic Risk Hotspot Identification Platform
CN114565899A (zh) 预警信息的识别方法、车载终端及存储介质
Yawovi et al. Responsibility Evaluation in Vehicle Collisions From Driving Recorder Videos Using Open Data
Salami Development of an Internet of Things Enabled Vehicle Movement Management System for Federal University of Technology Minna Niger State

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