交通事故识别模型的训练方法、识别方法及电子设备技术

本申请提供一种交通事故识别模型的训练方法、识别方法及电子设备。其中，将历史交通事故数据作为样本数据，再利用生成对抗网络中的生成器根据样本数据生成跟样本数据相似的样本伪数据，这样样本数据结合样本伪数据能够提高样本量，进而保证依据样本数据和样本伪数据训练的交通事故识别模型的鲁棒性和泛化性得到提高，同时无需对样本伪数据进行人工标注，降低训练成本，将样本数据和/或样本伪数据作为判别器的判别训练数据进行训练处理，进而根据判别器训练处理输出的事故类型训练结果计算对应的损失函数，基于该损失函数对生成器和判别器进行交替训练，这样训练得到的交通事故识别模型的识别精度和准确性能够进一步提高。识别模型的识别精度和准确性能够进一步提高。识别模型的识别精度和准确性能够进一步提高。

【技术实现步骤摘要】
交通事故识别模型的训练方法、识别方法及电子设备


[0001]本申请涉及数据识别
，尤其涉及一种交通事故识别模型的训练方法、识别方法及电子设备。

技术介绍

[0002]现有技术中，车辆在行驶过程中，一旦发生交通事故，如果车内人员处于清醒状态，会及时进行求助，但是如果车内人员失去意识，车辆并不能判断自身是否发生交通事故，这样可能会发生延缓救援，给乘客带来危险。
[0003]针对这种情况，一般会采用神经网络训练的模型来对车辆的运行数据进行识别处理，进而识别出车辆是否发生交通事故。
[0004]但是，一般的神经网络在进行训练时需要大量的人工标注，使得训练成本升高。

技术实现思路

[0005]有鉴于此，本申请的目的在于提出一种交通事故识别模型的训练方法、识别方法及电子设备以解决或部分解决上述使用一般的神经网络训练进行交通事故识别的模型，消耗的成本过高的技术问题。
[0006]基于上述目的，本申请的第一方面提供了一种交通事故识别模型的训练方法，包括：
[0007]获取历史交通事故数据作为样本数据；
[0008]构建包括生成器和判别器的生成对抗网络；
[0009]将所述样本数据输入至所述生成器生成与所述样本数据对应的样本伪数据，其中，所述样本数据和所述样本伪数据中均包括对应的事故类型标签；
[0010]将所述样本数据和/或所述样本伪数据作为判别训练数据，对所述判别器进行训练处理输出事故类型训练结果；其中，所述判别训练数据为所述判别器的输入数据，用于训练所述判别器；
[0011]根据所述判别训练数据对应的所述事故类型训练结果，结合与所述判别训练数据对应的事故类型标签计算损失函数，并利用损失函数交替训练所述生成器和所述判别器，得到交通事故识别模型。
[0012]基于同一个构思，本申请的第二方面提出了一种交通事故的识别方法，包括：
[0013]获取车辆运行数据；
[0014]利用第一方面所述的交通事故识别模型的训练方法得到的交通事故识别模型，对所述车辆运行数据进行识别处理，得到与所述车辆运行数据对应的交通事故类型；
[0015]根据所述交通事故类型确定车辆是否发生交通事故。
[0016]基于同一个构思，本申请的第三方面提出了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面或第二方面所述的方法。
[0017]从上面所述可以看出，本申请提供的交通事故识别模型的训练方法、识别方法及电子设备，将历史交通事故数据作为样本数据，再利用生成对抗网络中的生成器根据样本数据生成跟样本数据相似的样本伪数据，这样样本数据结合样本伪数据能够提高样本量，进而保证依据样本数据和样本伪数据训练的交通事故识别模型的鲁棒性和泛化性得到提高，同时无需对样本伪数据进行人工标注，降低训练成本。将样本数据和/或样本伪数据作为判别器的判别训练数据进行训练处理，进而根据判别器训练处理输出的事故类型训练结果计算对应的损失函数，基于该损失函数对生成器和判别器进行交替训练，这样训练得到的交通事故识别模型的识别精度和准确性能够进一步提高。
附图说明
[0018]为了更清楚地说明本申请或相关技术中的技术方案，下面将对实施例或相关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申请的实施例，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。
[0019]图1A为本申请实施例的交通事故识别模型的训练方法的流程图；
[0020]图1B为本申请实施例的生成对抗网络训练过程中对数据处理示意图；
[0021]图2为本申请实施例的交通事故识别方法的流程图；
[0022]图3为本申请实施例的交通事故识别模型的训练装置的结构框图；
[0023]图4为本申请实施例的交通事故识别装置的结构框图；
[0024]图5为本申请实施例的电子设备的结构示意图。
具体实施方式
[0025]可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
[0026]下面将参考若干示例性实施方式来描述本申请的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本申请，而并非以任何方式限制本申请的范围。相反，提供这些实施方式是为了使本申请更加透彻和完整，并且能够将本申请的范围完整地传达给本领域的技术人员。
[0027]在申请中，需要理解的是，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。
[0028]可以理解的是，本申请涉及的历史交通事故数据均是经过对应权限用户(包括历史交通事故数据的所有者或者管理者)的授权得到的。
[0029]基于上述
技术介绍
的描述，相关技术中对于交通事故的识别还存在如下的情况：
[0030]其一：根据车辆的特征数据来识别交通事故，该特征数据包括：运动信息、颜色信息、纹理信息等的至少之一。但是这种交通事故的识别方式需要预先设置对应的特征数据的判断条件，并且相应的特征数据的选择也会影响交通事故识别的准确性，这种方式实际操作比较困难，针对特征数据的选择及设置的研发过程比较繁琐，导致研发成本较高。
[0031]其二：通过神经网络的深度学习来识别交通事故，例如
技术介绍
部分的陈述，这种方式是目前针对交通事故识别应用较多的方式。但是这种方式需要大量的训练数据，并且
还需要人工进行标注，消耗大量的人工成本。
[0032]其三：利用图像中的光流的方式，通过计算相邻图像帧之间的光流，检测交通事故中运动信息以及数据变化，进而准确的识别交通事故。但是这种方式由于图像帧的数据量比较大，导致需要的计算量比较大，使得计算成本过高，这种方式的部署过程比较困难。
[0033]基于上述描述的情况，下面参考本申请的若干代表性实施方式，详细阐释本申请的原理和精神。
[0034]本申请提供了一种交通事故识别模型的训练方法，如图1A所示，包括：
[0035]步骤101，获取历史交通事故数据作为样本数据。
[0036]具体实施时，可以从数据库存储的当前时间节点之前发生交通事故的历史交通事故数据。该历史交通事故数据包括下列至少之一：方向盘速度、方向盘速度标志、纵向加速度、横向加速度、车速、发动机转速、横摆角速度、左转向灯、右转向灯和事故类型标签(label)。对应历史交通事故数据采用CSV(Comma
‑
Separated Values，逗号分隔值)格式文件，便于后续对该历史交通事故数据的提取和处理。
[0037]其中：
[0038]所述方向盘速度是指方向盘旋转角速度；
[0039]所述纵向加速度是指车辆前后方向的加速度；
[0040]所述横向加速度是指车辆左右方向上的加速本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交通事故识别模型的训练方法，其特征在于，包括：获取历史交通事故数据，将所述历史交通事故数据作为样本数据；构建包括生成器和判别器的生成对抗网络；将所述样本数据输入至所述生成器生成与所述样本数据对应的样本伪数据，其中，所述样本数据和所述样本伪数据中均包括对应的事故类型标签；将所述样本数据和/或所述样本伪数据作为判别训练数据，对所述判别器进行训练处理输出事故类型训练结果；其中，所述判别训练数据为所述判别器的输入数据，用于训练所述判别器；根据所述判别训练数据对应的所述事故类型训练结果，结合与所述判别训练数据对应的事故类型标签计算损失函数，并利用损失函数交替训练所述生成器和所述判别器，得到交通事故识别模型。2.根据权利要求1所述的方法，其特征在于，所述获取历史交通事故数据，包括：对获取到的初始历史交通事故数据中的噪声数据进行过滤处理，得到过滤后的数据；对所述过滤后的数据中的非数值型数据进行数值转化处理，得到数值型数据；将所述数值型数据进行标准化处理得到标准化数据，和/或将所述数值型数据进行归一化处理得到归一化数据，将所述标准化数据和/或所述归一化数据作为所述历史交通事故数据。3.根据权利要求1所述的方法，其特征在于，所述构建包括生成器和判别器的生成对抗网络，包括：构建所述生成器的第一输入层、第一全连接层、第一隐藏层和第一输出层，其中所述第一隐藏层的数量为至少一个；构建所述判别器的第二输入层、第二全连接层、第二隐藏层和第二输出层，其中所述第二隐藏层的数量为至少一个；将所述生成器的第一输出层与所述判别器第二输入层连接，形成所述生成对抗网络。4.根据权利要求3所述的方法，其特征在于，所述将所述样本数据输入至所述生成器生成与所述样本数据对应的样本伪数据，包括：将带有事故类型标签的所述样本数据输入至所述第一输入层，利用所述第一输入层为所述样本数据添加随机噪声向量得到样本随机向量，并对所述事故类型标签进行编码处理得到第一事故类型向量；利用所述第一全连接层将所述样本随机向量与第一所述事故类型向量进行拼接处理，得到第一初始特征向量；通过至少一个所述第一隐藏层对所述第一初始特征向量进行非线性变换处理得到初始样本伪数据；利用所述第一输出层对所述初始样本伪数据进行范围调整得到所述样本伪数据输出。5.根据权利要求3所述的方法，其特征在于，将所述样本数据和/或所述样本伪数据作为判别训练数据，对所述判别器进行训练处理输出事故类型训练结果，包括：利用所述第二输入层对输入的判别训练数据的事故类型标签进行编码处理，得到第二事故类型向量；通过所述第二全连接层将所述判别训练数据与所述第二事故类型向量进行拼接处理，
得到第二初始特征向量；利用至少一个所述第二隐藏层对所述第二初始特征向量进行非线性变换处理确定所述判别训练数据的事故分类；通过所述第二输出层对所述事故分类进行概率化处理，得到所述事故类型训练结果并输出。6.根据权利要求1所述的方法，其特征在于，所述根据所述判别训练数据对应的所述事故类型训练结果，结合与所述判别训练数据对应的事故类型标签计算损失函数，并利...

【专利技术属性】
技术研发人员：罗智，
申请(专利权)人：长城汽车股份有限公司，
类型：发明
国别省市：