基于人工智能的交通事故预测方法、装置、设备及介质制造方法及图纸

本申请实施例提供了一种基于人工智能的交通事故预测方法、装置、设备及介质，该方法通过获取事故车辆图像，调用已训练的交通事故预测模型中的车辆类型识别子模型对事故车辆图像进行识别，得到车辆类型标签，其中，交通事故预测模型包括车辆类型识别子模型和多个预测子模型，调用与车辆类型标签对应的预测子模型对事故车辆图像进行预测，得到预测结果，实现了对事故车辆图像的预测，由于进行预测的预测子模型分别与不同车辆类型标签一一对应，使得预测子模模型对于确定了车辆类型标签的事故车辆图像更具有针对性，提高了对事故车辆图像的预测的准确性。的预测的准确性。的预测的准确性。

【技术实现步骤摘要】
基于人工智能的交通事故预测方法、装置、设备及介质


[0001]本申请涉及人工智能
，具体涉及一种基于人工智能的交通事故预测方法、装置、设备及介质。

技术介绍

[0002]随着经济与科技的快速发展，不同种类的车辆越来越多，如轿车、公交车、货车、电动车等，但随之而来交通事故相应变多。
[0003]目前，在现有的交通事故中，通常是通过人工现场进行鉴定，费时费力，从而导致交通堵塞，且存在一定的主观性，因此，如何快速准确的预测交通事故是目前亟待解决的问题。

技术实现思路

[0004]本申请实施例提供一种基于人工智能的交通事故预测方法、装置、设备及介质，以解决人工现场鉴定存在的交通事故预测效率低的技术问题。
[0005]一方面，本申请提供一种基于人工智能的交通事故预测方法，包括：
[0006]获取事故车辆图像；
[0007]调用已训练的交通事故预测模型中的车辆类型识别子模型对所述事故车辆图像进行识别，得到车辆类型标签，其中，所述交通事故预测模型包括车辆类型识别子模型和多个预测子模型，一个所述车辆类型标签对应一个所述预测子模型，所述预测子模型是根据类激活映射网络模型训练得到；
[0008]调用与所述车辆类型标签对应的所述预测子模型对所述事故车辆图像进行预测，得到预测结果。
[0009]一方面，本申请提供一种基于人工智能的交通事故预测装置，包括：
[0010]获取模块，用于获取事故车辆图像；
[0011]识别模块，用于调用已训练的交通事故预测模型中的车辆类型识别子模型对所述事故车辆图像进行识别，得到车辆类型标签，其中，所述交通事故预测模型包括车辆类型识别子模型和多个预测子模型，一个所述车辆类型标签对应一个所述预测子模型，所述预测子模型是根据类激活映射网络模型的框架训练得到；
[0012]预测模块，用于调用与所述车辆类型标签对应的所述预测子模型对所述事故车辆图像进行预测，得到预测结果。
[0013]一方面，本申请提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下基于人工智能的交通事故预测方法中的步骤：
[0014]获取事故车辆图像；
[0015]调用已训练的交通事故预测模型中的车辆类型识别子模型对所述事故车辆图像进行识别，得到车辆类型标签，其中，所述交通事故预测模型包括车辆类型识别子模型和多
个预测子模型，一个所述车辆类型标签对应一个所述预测子模型，所述预测子模型是根据类激活映射网络模型训练得到；
[0016]调用与所述车辆类型标签对应的所述预测子模型对所述事故车辆图像进行预测，得到预测结果。
[0017]一方面，本申请提供一种计算机可读介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下基于人工智能的交通事故预测方法中的步骤：
[0018]获取事故车辆图像；
[0019]调用已训练的交通事故预测模型中的车辆类型识别子模型对所述事故车辆图像进行识别，得到车辆类型标签，其中，所述交通事故预测模型包括车辆类型识别子模型和多个预测子模型，一个所述车辆类型标签对应一个所述预测子模型，所述预测子模型是根据类激活映射网络模型训练得到；
[0020]调用与所述车辆类型标签对应的所述预测子模型对所述事故车辆图像进行预测，得到预测结果。
[0021]本申请实施例提供了一种基于人工智能的交通事故预测方法，该方法。本申请通过获取事故车辆图像，调用已训练的交通事故预测模型中的车辆类型识别子模型对事故车辆图像进行识别，得到车辆类型标签，其中，交通事故预测模型包括车辆类型识别子模型和多个预测子模型，一个车辆类型标签对应一个预测子模型，预测子模型是根据类激活映射网络模型训练得到，调用与车辆类型标签对应的预测子模型对事故车辆图像进行预测，得到预测结果，本实施例实现了对事故车辆图像的预测，由于进行预测的预测子模型分别与不同车辆类型标签一一对应，使得预测子模模型对于确定了车辆类型标签的事故车辆图像更具有针对性，提高了对事故车辆图像的预测的准确性，并且由于各个预测子模型具有可解释性，使得进行预测的注意力区域的特征更加精准，进一步提高了预测结果的精准性。
附图说明
[0022]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本专利技术的一些实施例，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。
[0023]其中：
[0024]图1为一个实施例中基于人工智能的交通事故预测方法的流程图；
[0025]图2为一个实施例中交通事故预测模型预测过程的示意图；
[0026]图3为一个实施例中第一预测子模型训练过程的示意图；
[0027]图4为一个实施例中基于人工智能的交通事故预测装置的结构框图；
[0028]图5为一个实施例中计算机设备的结构框图。
具体实施方式
[0029]下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他
实施例，都属于本专利技术保护的范围。
[0030]如图1所示，在一个实施例中，提供了一种基于人工智能的交通事故预测方法，该基于人工智能的交通事故预测方法既可以应用于终端，也可以应用于服务器，本实施例以应用于服务器举例说明。该基于人工智能的交通事故预测方法具体包括以下步骤：
[0031]步骤102，获取事故车辆图像。
[0032]其中，事故车辆图像是指产生交通事故的车辆图像，用于进行后续的交通事故类型的鉴定。具体地，该事故车辆图像可以是从行车记录仪记录的视频中提取得到，也可以是通过摄像设备现场采集得到，还可以是预先将事故车辆图像存储在服务器中，通过从服务器中调取得到。
[0033]步骤104，调用已训练的交通事故预测模型中的车辆类型识别子模型对事故车辆图像进行识别，得到车辆类型标签，其中，交通事故预测模型包括车辆类型识别子模型和多个预测子模型，一个车辆类型标签对应一个预测子模型，预测子模型是根据类激活映射网络模型训练得到。
[0034]其中，已训练的交通事故预测模型包括车辆类型识别子模型和多个预测子模型，其中的车辆类型识别子模型用于确定事故车辆图像的车辆类型标签，如机动车对(机动车
‑
机动车)、非机动车对(非机动车
‑
机动车)、非机动车对(非机动车
‑
非机动车)，具体地，该车辆类型识别子模型可以是基于机器学习的分类器实现，如支持向量机(SVM)、决策树、随机森林等分类器，预测子模型是用于对确定了车辆类型标签的事故车辆图像的交通事故的严重等级进行预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的交通事故预测方法，其特征在于，包括：获取事故车辆图像；调用已训练的交通事故预测模型中的车辆类型识别子模型对所述事故车辆图像进行识别，得到车辆类型标签，其中，所述交通事故预测模型包括车辆类型识别子模型和多个预测子模型，一个所述车辆类型标签对应一个所述预测子模型，所述预测子模型是根据类激活映射网络模型训练得到；调用与所述车辆类型标签对应的所述预测子模型对所述事故车辆图像进行预测，得到预测结果。2.如权利要求1所述的基于人工智能的交通事故预测方法，其特征在于，所述车辆类型标签包括第一标签、第二标签或第三标签，所述预测子模型包括与所述第一标签对应的第一预测子模型、与所述第二标签对应的第二预测子模型或与所述第三标签对应的第三预测子模型；所述调用与所述车辆类型标签对应的所述预测子模型对所述事故车辆图像进行预测，得到预测结果的步骤，包括：若所述车辆类型标签为所述第一标签，则将所述事故车辆图像输入所述第一预测子模型进行预测，得到所述预测结果；若所述车辆类型标签为所述第二标签，则将所述事故车辆图像输入所述第二预测子模型进行预测，得到所述预测结果；若所述车辆类型标签为所述第三标签，则将所述事故车辆图像输入所述第三预测子模型进行交通事故预测，得到所述预测结果。3.如权利要求2所述的基于人工智能的交通事故预测方法，其特征在于，所述第一预测子模型、第二预测子模型和第三预测子模型均为聚焦
‑
类激活潜在映射网络模型。4.如权利要求3所述的基于人工智能的交通事故预测方法，其特征在于，所述第一预测子模型的训练过程包括：获取训练样本图像集，所述训练样本图像集包括车辆类型标签为所述第一标签的正样本图像和车辆类型标签为所述第二标签或第三标签的负样本图像；确定预设的类激活映射网络模型，所述预设的类激活映射网络模型的损失函数包括面积损失函数，所述面积损失函数用于学习所述预设的类激活映射网络模型的聚焦能力；将所述训练样本图像集输入所述类激活映射网络模型进行训练，在所述预设的类激活映射网络模型收敛的情况下，生成第一预测子模型。5.如权利要求4所述的基于人工智能的交通事故预测方法，其特征在于，所述面积损失函数为：其中，z
i
为第i个像素点的位置，其数量为N个，x为所述训练图像，为第i个像素点的真实类标签。6.如权利要求4所述的基于人工智能的交通事故预测方法，其特征在于，所述第一标签为机动车对、所述第二标签为机动车和非机动车对、所述第三标签为非机动车对，其中，机动车包括轿车或者货车，非机动车...

【专利技术属性】
技术研发人员：柳阳，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：