TWM626569U - 車禍嚴重度預測裝置 - Google Patents
車禍嚴重度預測裝置 Download PDFInfo
- Publication number
- TWM626569U TWM626569U TW111200169U TW111200169U TWM626569U TW M626569 U TWM626569 U TW M626569U TW 111200169 U TW111200169 U TW 111200169U TW 111200169 U TW111200169 U TW 111200169U TW M626569 U TWM626569 U TW M626569U
- Authority
- TW
- Taiwan
- Prior art keywords
- accident
- severity
- car accident
- serious
- car
- Prior art date
Links
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
一種車禍嚴重度預測裝置,其分析一行車記錄影片中畫面變動的程度,並於判斷該行車記錄影片中有車禍發生時,取得該行車記錄影片中發生車禍的一時間點及至少一環境特徵,並根據該時間點,辨識該行車記錄影片之在該時間點之前和之後一段時間內的一片段影像中出現的物件,以判定發生碰撞的物件,且根據警政單位提供之記錄車禍的嚴重等級及其對應的環境特徵和碰撞物件的歷史資料與該至少一環境特徵及被判定發生碰撞的物件,預測車禍的一嚴重等級。
Description
本新型是有關於一種判斷車禍發生與否的裝置,特別是指一種根據行車記錄影片判斷是否發生車禍並預測車禍嚴重度的車禍嚴重度預測裝置。
在傳統車險理賠流程中,當被保險人發生車禍申請理賠時,保險公司需要搜集車禍相關資料,例如從警政或相關單位取得車禍嚴重程度的判定結果,才能根據車禍嚴重程度核算理賠金額,導致理賠程序過於冗長,使得被保險人往往無法及時獲得理賠金以支付修車或醫療開銷等費用。
此外,現有汽機車都可藉由行車記錄器即時記錄行車過程影像,因此,鑑於上述問題,當車禍發生時,若能藉由影像辨識技術辨識出影像中發生車禍的時間點、環境特徵以及碰撞的物件等資訊,並藉由人工智慧對前述資訊進行符合警政或相關單位對車禍嚴重等級的預測標準時,則能即時提供車禍嚴重程度的判定結果供保險公司做為核算理賠金額的參考依據而加速理賠流程,或者供救助單位判斷是否立即進行後續救治之應用。
因此,本新型之目的,即在提供一種車禍嚴重度預測裝置,其能藉助人工智慧分析行車記錄影像,以即時判斷是否發生車禍以及預測車禍的嚴重性,以及時提供預測結果給保險公司或相關救助單位進行應用。
於是,本新型一種車禍嚴重度預測裝置,其分析一行車記錄影片以判斷是否發生車禍並預測車禍的嚴重度;該裝置包括一儲存單元及一處理單元;該儲存單元儲存該行車記錄影片;該處理單元與該儲存單元電連接以存取該行車記錄影片,並包括一車禍判定模組、一碰撞物件辨識模組及一車禍嚴重度預測模組;其中,該車禍判定模組分析該行車記錄影片中畫面變動的程度,並判斷該行車記錄影片中有車禍發生時,取得該行車記錄影片中發生車禍的一時間點及至少一環境特徵;該碰撞物件辨識模組根據該時間點,辨識該行車記錄影片之在該時間點之前和之後一段時間內的一片段影像中出現的物件,以判定發生碰撞的物件;該車禍嚴重度預測模組根據警政單位提供的複數記錄車禍及其對應的環境特徵和碰撞物件的歷史資料與該至少一環境特徵及被判定發生碰撞的物件,預測車禍的一嚴重等級。
在本新型的一些實施態樣中,該車禍判定模組求得該行車記錄影片中每一個時間點的畫面的一畫面變動率,並求得相鄰兩個畫面變動率的一變動幅度,且該車禍判定模組判斷該等畫面變動率其中一特定時間點的該畫面變動率大於一第一臨界值且該變動幅度大於一第二臨界值時,即判斷該行車記錄影片中有車禍發生,並以該特定時間點做為該行車記錄影片中發生車禍的該時間點,並且提供該時間點給該碰撞物件辨識模組。
在本新型的一些實施態樣中,該至少一環境特徵是發生車禍的時間、地形、天候及路況至少其中之一,該車禍判定模組對該行車記錄影片中發生車禍的該時間點的影像畫面或該時間點之前和之後一段時間內的該片段影像進行影像辨識,以取得該至少一環境特徵,並提供該至少一環境特徵給該車禍嚴重度預測模組。
在本新型的一些實施態樣中,該車禍嚴重度預測模組包含一嚴重車禍預測部和一非嚴重車禍預測部,該嚴重車禍預測部判斷該至少一環境特徵及被判定發生碰撞的物件與警政單位提供的該等歷史資料中之記錄嚴重車禍的嚴重等級及其對應的環境特徵和碰撞物件的該些歷史資料吻合時,預測車禍的該嚴重等級為嚴重;該非嚴重車禍預測部根據該至少一環境特徵及被判定發生碰撞的物件與警政單位提供的該等歷史資料中之記錄非嚴重車禍的嚴重等級及其對應的環境特徵和碰撞物件的該些歷史資料,預測車禍的該嚴重等級。
在本新型的一些實施態樣中,該嚴重車禍預測部從警政單位提供的該等記錄嚴重車禍的嚴重等級及其對應的環境特徵和碰撞物件的該些歷史資料中提取與嚴重車禍相關的環境特徵和碰撞物件做為一判斷嚴重車禍的條件,且當該嚴重車禍預測部判斷該至少一環境特徵及被判定發生碰撞的物件符合該條件時,預測車禍的該嚴重等級為嚴重。
在本新型的一些實施態樣中,該非嚴重車禍預測部是由一電腦裝置訓練一機器學習模型,使根據警政單位提供的該等記錄非嚴重車禍的嚴重等級及其對應的環境特徵和碰撞物件的歷史資料,學習根據輸入的環境特徵和碰撞物件輸出相對應的嚴重等級,使訓練完成的該非嚴重車禍預測部能根據該至少一環境特徵及被判定發生碰撞的物件預測該嚴重等級。
本新型之功效在於:藉由判斷行車記錄影片中有車禍發生時,取得行車記錄影片中發生車禍的時間點、環境特徵以及碰撞的物件等資訊,並根據警政單位提供的記錄車禍的嚴重等級及其對應的環境特徵和碰撞物件的歷史資料,對取得的環境特徵以及碰撞的物件資訊進行符合警政或相關單位對車禍嚴重等級的預測,而能即時產生一車禍嚴重度判定結果。
在本新型被詳細描述之前,應當注意在以下的說明內容中,類似的元件是以相同的編號來表示。
參閱圖1所示,是本新型車禍嚴重度預測裝置的一實施例的主要流程,本實施例的該車禍嚴重度預測裝置100藉由分析一行車記錄影片以判斷是否發生車禍並預測車禍的嚴重度;其中,該車禍嚴重度預測裝置100可以是但不限於設置在網際網路上且能與汽車或機車的行車記錄器通訊的一雲端(遠端)伺服器、一設置在汽車內並與車上的行車記錄器電連接或整合在一起的車用電腦,或者是一與機車的行車記錄器電連接或整合在一起的電腦裝置,例如智慧型手機或微電腦等具有影像處理與運算功能的電腦設備,並能接收行車記錄器所拍攝的行車記錄影片;且汽車或機車的行車記錄器內建或連接一運動感測器,例如加速度感測器(又稱重力感測器,G-sensor),當運動感測器感測到突然的加速或減速運動時,其可觸發行車記錄器將記錄至當下的一段行車記錄器影片傳送至該車禍嚴重度預測裝置100。
該車禍嚴重度預測裝置100主要包括一處理單元1(例如中央處理器、微處理器)及一與該處理單元1電連接的儲存單元2,其用以儲存或暫存行車記錄影片。且該車禍嚴重度預測裝置100的一電腦可讀取的記錄媒體(例如該儲存單元2)中儲存有一軟體程式,該軟體程式包含一車禍判定模組11、一碰撞物件辨識模組12及一車禍嚴重度預測模組13,且該軟體程式被該車禍嚴重度預測裝置100中的該處理單元1(例如中央處理器或微處理器)載入並執行後,該車禍嚴重度預測裝置100的該處理單元1即能執行圖1及如下所述的步驟,以根據接收到的行車記錄器影片分析是否發生車禍並預測車禍的嚴重度;或者,上述該些模組11~13也可以被整合在該車禍嚴重度預測裝置100的一或多個特殊應用積體電路(Application-specific integrated circuit,縮寫為ASIC)晶片或一可程式邏輯裝置(Programmable Logic Device,縮寫為PLD)中,而使該(該等)特殊應用積體電路晶片或該可程式邏輯電路裝置能完成圖1所示的方法流程。又或者,上述該些模組11~13也可以是被燒錄在該車禍嚴重度預測裝置100的一微處理器(例如該處理單元1)中的韌體,使該微處理器執行該韌體而能完成圖1所示的方法流程,具體做法如下。
首先,如圖1的步驟S1所示,該處理單元1執行該車禍判定模組11以分析該行車記錄影片中畫面變動的程度,並於判斷該行車記錄影片中有車禍發生時,取得該行車記錄影片中發生車禍的一時間點及至少一環境特徵;具體而言,設若該行車記錄影片是來自安裝在機車騎士的安全帽上的行車記錄器,當機車正常行進時拍攝之例如圖3(A)所示之行車記錄影片的畫面經由影像處理(例如使用OpenCV 中的BackgroundSubtractorMOG 方法,其做法為"找出畫面背景並將不同的地方取出",也可以稱為"前景擷取"。其中MOG 為Mixture of Gaussians 的縮寫,中文為高斯混合模型)後,可以得到如圖3(B)的處理後影像;而在機車發生車禍的瞬間拍攝之例如圖4(A)所示之行車記錄影片的畫面經由影像處理(如上所述)後,可以得到如圖4(B)的處理後影像,比較圖3(B)和圖4(B)兩者可以發現,在車禍發生的瞬間,因為畫面變動相當劇烈,所以圖4(B)中出現的白色區域及面積都比圖3(B)大很多,因此,將圖3(B)和圖4(B)的畫面中的每一個像素值進行加總並平均後,可以求得一個代表畫面是否劇烈變動的值,在此稱之為畫面變動率,由此可知,圖3(B)的畫面變動率小於圖4(B)。
此外,將前後影像畫面的畫面變動率相減後,可以求得畫面變動率的一變動幅度,因此,若騎士騎車過程很平穩時,如圖5所示的前3秒之畫面變動率應該會低於一第一正常值(例如100),且如圖6所示的前3秒之變動幅度應該會低於一第二正常值(例如40),而當發生突發狀況(例如車禍導致瞬間加速或劇烈碰撞)時,如圖5和圖6所示的第3秒之畫面變動率及變動幅度則會同時突然升高而高於該第一正常值和第二正常值。藉此,該車禍判定模組11即可將該第一正常值預設為一第一臨界值並將該第二正常值預設為一第二臨界值,並求得該行車記錄影片中每一個時間點的畫面的一畫面變動率,以及求得相鄰兩個畫面變動率的一變動幅度,並且判斷該等畫面變動率其中是否有一特定時間點的該畫面變動率大於該第一臨界值且該變動幅度大於該第二臨界值,若是,即判斷該行車記錄影片中有車禍發生,並以該特定時間點做為該行車記錄影片中發生車禍的該時間點,然後,提供該時間點給該碰撞物件辨識模組12。
再者,該車禍判定模組11還對該行車記錄影片中發生車禍的該時間點的影像畫面或該時間點之前和之後一段時間內的一片段影像進行影像辨識(例如但不限於藉助現有的影像辨識技術),以辨識出影像畫面中的至少一環境特徵,該至少一環境特徵可以是但不限於發生車禍的時間(比如白天或晚上)、地形(彎道、斜坡、十字路口…等)、天候(陰、晴、雨、濃霧…等)及路況(塞車、車多、人多…等)至少其中之一,並提供該至少一環境特徵(例如白天、十字路口)給該車禍嚴重度預測模組13。
接著,如圖1的步驟S2,該處理單元1執行該碰撞物件辨識模組12,使該碰撞物件辨識模組12根據該車禍判定模組11提供的該時間點,應用影像辨識技術辨識該行車記錄影片之在該時間點之前和之後一段時間內的一片段影像中出現的物件,以判定發生碰撞的物件;具體而言,該碰撞物件辨識模組12是利用深度學習之電腦視覺技術透過影片分析辨識出在該片段影像中與(汽)機車發生碰撞的物體為何,其中深度學習之電腦視覺技術可以採用但不限於例如卷積神經網路(Convolutional NeuralNetworks, CNNs)中的物體辨識模型YOLO(You Only Look Once)或者Mask-RNN 模型等。以圖7之影像辨識結果為例,該碰撞物件辨識模組12從該片段影像中辨識出機車、騎士、四輛汽車與一輛巴士,並判斷出巴士與騎士距離最近,則判定發生碰撞的物件(物體)為巴士,然後將判定結果(碰撞物件,巴士)提供給該車禍嚴重度預測模組13。
接著,如圖1的步驟S3,該車禍嚴重度預測模組13根據警政單位提供之記錄車禍的嚴重等級及其對應的環境特徵和碰撞物件的歷史資料以及收到的該至少一環境特徵(例如白天、十字路口)和被判定發生碰撞的物件(例如巴士),預測車禍的一嚴重等級。
具體而言,如圖8所示,本實施例的該車禍嚴重度預測模組13包含一嚴重車禍預測部131和一非嚴重車禍預測部132,該嚴重車禍預測部131會先判斷該至少一環境特徵(例如白天、十字路口)及被判定發生碰撞的物件(例如巴士)與警政單位提供的該等歷史資料中之記錄嚴重車禍的嚴重等級(例如數值5)及其對應的環境特徵(例如白天、十字路口、彎道、濃霧…等)和碰撞物件(例如卡車、巴士等)的該些歷史資料吻合時,即預測該行車記錄影片中車禍的該嚴重等級為嚴重,並輸出嚴重等級,比如以輸出等級為數值5代表”嚴重”;更具體而言,該嚴重車禍預測部131事先從警政單位提供的該等記錄嚴重車禍的嚴重等級(等級5)及其對應的環境特徵和碰撞物件的該些歷史資料中,提取與嚴重車禍相關的環境特徵(例如天色、白天或晚上、十字路口、彎道、濃霧…等)和碰撞物件(例如卡車、巴士等)做為一判斷嚴重車禍的條件,因此,當該嚴重車禍預測部131判斷輸入的該至少一環境特徵(例如白天、十字路口)及被判定發生碰撞的物件(例如巴士)符合該條件時,即預測車禍的該嚴重等級為嚴重並輸出代表”嚴重”等級的數值5。
而若該嚴重車禍預測部131判定該至少一環境特徵(例如白天、人行道)及被判定發生碰撞的物件(例如機車) 並未與警政單位提供的該等歷史資料中之記錄嚴重車禍的嚴重等級(例如數值5)及其對應的環境特徵(例如白天、十字路口、彎道、濃霧…等)和碰撞物件(例如卡車、巴士等)的該些歷史資料吻合時,例如不符合上述判斷嚴重車禍的條件時,即判定該行車記錄影片中的車禍並非嚴重車禍,並將該至少一環境特徵(例如白天、人行道)及被判定發生碰撞的物件(例如機車)提供給該非嚴重車禍預測部132進行非嚴重車禍之嚴重等級的預測。
該非嚴重車禍預測部132會根據該至少一環境特徵(例如白天、人行道)及被判定發生碰撞的物件(例如機車)與警政單位提供的該等歷史資料中之記錄非嚴重車禍的嚴重等級(例如依嚴重程度由重至輕分成4、3、2、1四級)及其對應的環境特徵(例如白天、十字路口、人行道、彎道、濃霧、…等)和碰撞物件(例如機車、汽車、腳踏車、安全島、…等)的該些歷史資料,預測車禍的該嚴重等級;具體而言,該非嚴重車禍預測部132是事先由一電腦裝置訓練一機器學習模型(例如但不限於隨機森林或類神經網路等分類器),使根據警政單位提供的該等記錄非嚴重車禍的嚴重等級及其對應的環境特徵和碰撞物件的歷史資料,學習根據輸入的環境特徵和碰撞物件輸出相對應的嚴重等級,使訓練完成的該非嚴重車禍預測部132能根據該至少一環境特徵(例如白天、人行道)及被判定發生碰撞的物件(例如機車)預測車禍的該嚴重等級,例如預測嚴重等級為2並輸出嚴重等級。
值得一提的是,該至少一環境特徵及被判定發生碰撞的物件也可以同時提供給該嚴重車禍預測部131及該非嚴重車禍預測部132,使同時根據該至少一環境特徵及被判定發生碰撞的物件進行車禍嚴重度預測,因為只有其中之一(不是該嚴重車禍預測部131就是該非嚴重車禍預測部132)會輸出該嚴重等級。
此外,值得一提的是,由於嚴重車禍的數量在全部車禍案件中屬於少數,若將佔少數(樣本數少)的嚴重車禍的歷史資料和其餘佔多數(樣本數多)的非嚴重車禍的歷史資料一同用以訓練上述的機器學習模型(例如隨機森林或類神經網路等分類器),嚴重車禍的歷史資料中記錄的環境特徵和碰撞物件因為樣本數少以致容易被機器學習模型忽略而不易準確預測(分類)出嚴重車禍;因此,本實施例將佔少數(樣本數少)的嚴重車禍的歷史資料從警政單位提供的該等歷史資料中分離出來,並另外由該嚴重車禍預測部131單獨根據嚴重車禍的歷史資料來預測車禍是否為嚴重車禍,有助於提高預測嚴重車禍的準確度。
綜上所述,上述實施例藉由該車禍嚴重度預測裝置100分析汽、機車之行車記錄器即時記錄之行車記錄影片,以於判斷有車禍發生時,藉由影像辨識技術辨識並取得行車記錄影片中發生車禍的時間點、環境特徵以及碰撞的物件等資訊,並根據警政單位提供的記錄車禍的嚴重等級及其對應的環境特徵和碰撞物件的歷史資料,對取得的環境特徵以及碰撞的物件資訊進行符合警政或相關單位對車禍嚴重等級的預測,而能即時提供車禍嚴重程度的判定結果供保險公司後續做為核算理賠金額的參考依據而有助於加速理賠流程,或者及時提供車禍嚴重程度的判定結果供救助單位判斷是否立即進行後續救治等相關應用,確實達到本新型的功效與目的。
惟以上所述者,僅為本新型之實施例而已,當不能以此限定本新型實施之範圍,凡是依本新型申請專利範圍及專利說明書內容所作之簡單的等效變化與修飾,皆仍屬本新型專利涵蓋之範圍內。
100:車禍嚴重度預測裝置
1:處理單元
11:車禍判定模組
12:碰撞物件辨識模組
13:車禍嚴重度預測模組
131:嚴重車禍預測部
132:非嚴重車禍預測部
2:儲存單元
S1~S3:步驟
本新型之其他的特徵及功效,將於參照圖式的實施方式中清楚地顯示,其中:
圖1是本新型車禍嚴重度預測裝置的一實施例的主要流程步驟;
圖2是本新型車禍嚴重度預測裝置的一實施例主要包含的軟硬體元件方塊圖;
圖3(A)是機車正常行進時拍攝之行車記錄影片的畫面;
圖3(B)是圖3(A)經過影像處理後的影像;
圖4(A)是機車發生車禍的瞬間拍攝之行車記錄影片的畫面;
圖4(B)是圖4(A)經過影像處理後的影像;
圖5是行車記錄影片之畫面變動率的波形示意圖;
圖6是圖5之畫面變動率的變動幅度波形示意圖;
圖7是辨識行車記錄影片的一畫面內容的影像辨識結果的示意圖;及
圖8說明本實施例的車禍嚴重度預測模組包含一嚴重車禍預測部和一非嚴重車禍預測部。
100:車禍嚴重度預測裝置
1:處理單元
11:車禍判定模組
12:碰撞物件辨識模組
13:車禍嚴重度預測模組
2:儲存單元
Claims (6)
- 一種車禍嚴重度預測裝置,其分析一行車記錄影片以判斷是否發生車禍並預測車禍的嚴重度;該裝置包括: 一儲存單元,儲存該行車記錄影片;及 一處理單元,其與該儲存單元電連接以存取該行車記錄影片,並包括一車禍判定模組、一碰撞物件辨識模組及一車禍嚴重度預測模組;其中 該車禍判定模組分析該行車記錄影片中畫面變動的程度,並判斷該行車記錄影片中有車禍發生時,取得該行車記錄影片中發生車禍的一時間點及至少一環境特徵; 該碰撞物件辨識模組根據該時間點,辨識該行車記錄影片之在該時間點之前和之後一段時間內的一片段影像中出現的物件,以判定發生碰撞的物件; 該車禍嚴重度預測模組根據警政單位提供的複數記錄車禍及其對應的環境特徵和碰撞物件的歷史資料與該至少一環境特徵及被判定發生碰撞的物件,預測車禍的一嚴重等級。
- 如請求項1所述的車禍嚴重度預測裝置,其中,該車禍判定模組求得該行車記錄影片中每一個時間點的畫面的一畫面變動率,並求得相鄰兩個畫面變動率的一變動幅度,且該車禍判定模組判斷該等畫面變動率其中一特定時間點的該畫面變動率大於一第一臨界值且該變動幅度大於一第二臨界值時,即判斷該行車記錄影片中有車禍發生,並以該特定時間點做為該行車記錄影片中發生車禍的該時間點,並且提供該時間點給該碰撞物件辨識模組。
- 如請求項2所述的車禍嚴重度預測裝置,其中,該至少一環境特徵是發生車禍的時間、地形、天候及路況至少其中之一,該車禍判定模組對該行車記錄影片中發生車禍的該時間點的影像畫面或該時間點之前和之後一段時間內的該片段影像進行影像辨識,以取得該至少一環境特徵,並提供該至少一環境特徵給該車禍嚴重度預測模組。
- 如請求項1所述的車禍嚴重度預測裝置,其中,該車禍嚴重度預測模組包含一嚴重車禍預測部和一非嚴重車禍預測部,該嚴重車禍預測部判斷該至少一環境特徵及被判定發生碰撞的物件與警政單位提供的該等歷史資料中之記錄嚴重車禍的嚴重等級及其對應的環境特徵和碰撞物件的該些歷史資料吻合時,預測車禍的該嚴重等級為嚴重;且該非嚴重車禍預測部根據該至少一環境特徵及被判定發生碰撞的物件與警政單位提供的該等歷史資料中之記錄非嚴重車禍的嚴重等級及其對應的環境特徵和碰撞物件的該些歷史資料,預測車禍的該嚴重等級。
- 如請求項4所述的車禍嚴重度預測裝置,其中,該嚴重車禍預測部從警政單位提供的該等記錄嚴重車禍的嚴重等級及其對應的環境特徵和碰撞物件的該些歷史資料中提取與嚴重車禍相關的環境特徵和碰撞物件做為一判斷嚴重車禍的條件,且當該嚴重車禍預測部判斷該至少一環境特徵及被判定發生碰撞的物件符合該條件時,預測車禍的該嚴重等級為嚴重。
- 如請求項4所述的車禍嚴重度預測裝置,其中,該非嚴重車禍預測部是由一電腦裝置訓練一機器學習模型,使根據警政單位提供的該等記錄非嚴重車禍的嚴重等級及其對應的環境特徵和碰撞物件的歷史資料,學習根據輸入的環境特徵和碰撞物件輸出相對應的嚴重等級,使訓練完成的該非嚴重車禍預測部能根據該至少一環境特徵及被判定發生碰撞的物件預測該嚴重等級。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111200169U TWM626569U (zh) | 2022-01-06 | 2022-01-06 | 車禍嚴重度預測裝置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111200169U TWM626569U (zh) | 2022-01-06 | 2022-01-06 | 車禍嚴重度預測裝置 |
Publications (1)
Publication Number | Publication Date |
---|---|
TWM626569U true TWM626569U (zh) | 2022-05-01 |
Family
ID=82559308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111200169U TWM626569U (zh) | 2022-01-06 | 2022-01-06 | 車禍嚴重度預測裝置 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWM626569U (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114715146A (zh) * | 2022-05-09 | 2022-07-08 | 吉林大学 | 一种潜在碰撞事故严重程度预测方法 |
TWI801082B (zh) * | 2022-01-06 | 2023-05-01 | 國立清華大學 | 車禍嚴重度預測方法及裝置、電腦可讀取的記錄媒體 |
-
2022
- 2022-01-06 TW TW111200169U patent/TWM626569U/zh unknown
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI801082B (zh) * | 2022-01-06 | 2023-05-01 | 國立清華大學 | 車禍嚴重度預測方法及裝置、電腦可讀取的記錄媒體 |
CN114715146A (zh) * | 2022-05-09 | 2022-07-08 | 吉林大学 | 一种潜在碰撞事故严重程度预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220262239A1 (en) | Determining causation of traffic events and encouraging good driving behavior | |
CN113165652B (zh) | 使用基于网格的方法检验预测轨迹 | |
Ki et al. | A traffic accident recording and reporting model at intersections | |
JP7499256B2 (ja) | ドライバの挙動を分類するためのシステムおよび方法 | |
WO2020042984A1 (zh) | 一种车辆行为检测方法及装置 | |
CN112700470B (zh) | 一种基于交通视频流的目标检测和轨迹提取方法 | |
TWM626569U (zh) | 車禍嚴重度預測裝置 | |
CN110077398B (zh) | 一种用于智能驾驶的危险处理方法 | |
US11845464B2 (en) | Driver behavior risk assessment and pedestrian awareness | |
Ketcham et al. | Recognizing the Illegal Parking Patterns of Cars on the Road in Front of the Bus Stop Using the Support Vector Machine | |
CN112528759A (zh) | 一种基于计算机视觉的交通违章行为检测方法 | |
CN110097571B (zh) | 快速高精度的车辆碰撞预测方法 | |
Ravish et al. | Intelligent traffic violation detection | |
CN115279643A (zh) | 用于训练自动驾驶车辆的感知网络的车载主动学习方法和设备 | |
CN111310696B (zh) | 基于泊车异常行为分析的泊车事故识别方法、装置和车辆 | |
US11263837B2 (en) | Automatic real-time detection of vehicular incidents | |
TW202328960A (zh) | 車禍嚴重度預測方法及裝置、電腦可讀取的記錄媒體 | |
Xu et al. | Roadside estimation of a vehicle’s center of gravity height based on an improved single-stage detection algorithm and regression prediction technology | |
CN114882393A (zh) | 一种基于目标检测的道路逆行与交通事故事件检测方法 | |
Jyothi et al. | Driver assistance for safe navigation under unstructured traffic environment | |
Garate et al. | Numerical modeling of ADA system for vulnerable road users protection based on radar and vision sensing | |
Balasubramani et al. | A predictive decision model for an efficient detection of abnormal driver behavior in intelligent transport system | |
CN110718064A (zh) | 一种车辆违章检测方法和装置 | |
Kim et al. | Development of passenger safety system based on the moving object detection and test result on the real vehicle | |
Li et al. | The Impact of Motor Vehicles on Non-Motor Vehicles at Access Connected to Urban Road Segment |