人伤事故信息管理方法及其系统技术方案

本申请涉及信息管理领域，其具体地公开了一种人伤事故信息管理方法及其系统，其通过采用基于深度学习的神经网络模型挖掘出上传事故现场图像中关于事故的隐藏特征分布信息，以此来精准地进行事故现场图像的重构，以提高对于所述上传事故现场图像的图像质量检测评估的精准度，有利于后续对于现场事故进行准确分析和证据留存。析和证据留存。析和证据留存。

【技术实现步骤摘要】
人伤事故信息管理方法及其系统


[0001]本申请涉及信息管理领域，且更为具体地，涉及一种人伤事故信息管理方法及其系统。

技术介绍

[0002]随着社会的进步，我国经济的发展以及城市化进程的加快，不同等级的道路及机动车数量急剧增加，我国的道路交通安全形势十分严峻。
[0003]目前，发生交通安全事故时，会通知交警到达现场，上传人伤事故现场照片，以及侧前方、侧后方等碰撞部位的碰撞照片，用以对于事故进行分析和证据留存。但是，在上传事故现场照片的过程中，会因拍摄时发生抖动或者摄像设备存在问题而导致上传的图像质量不合格，以致后续无法基于上传图像进行现场事故分析判断和作为证据使用。
[0004]因此，期望一种优化的人伤事故信息管理方案。

技术实现思路

[0005]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种人伤事故信息管理方法及其系统，其通过采用基于深度学习的神经网络模型挖掘出上传事故现场图像中关于事故的隐藏特征分布信息，以此来精准地进行事故现场图像的重构，以提高对于所述上传事故现场图像的图像质量检测评估的精本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人伤事故信息管理方法，其特征在于，包括：获取上传事故现场图像；将所述上传事故现场图像通过基于自动编解码器的图像畸变矫正器以得到校正后上传事故现场图像；将所述校正后上传事故现场图像通过包含深浅特征融合模块的卷积神经网络模型以得到事故现场图像特征图；对所述事故现场图像特征图进行自调谐结构化以得到结构化事故现场图像特征图；将所述结构化事故现场图像特征图通过基于扩散模型的图像重构器以得到生成上传事故现场图像；计算所述校正后上传事故现场图像和所述生成上传事故现场图像之间的逐像素差值的均值以得到差异度量值；以及基于差异度量值与预定阈值之间的比较，确定上传事故现场图像的图像质量是否符合预定标准。2.根据权利要求1所述的人伤事故信息管理方法，其特征在于，将所述上传事故现场图像通过基于自动编解码器的图像畸变矫正器以得到校正后上传事故现场图像，包括：使用所述图像畸变矫正器的图像优化编码器从所述上传事故现场图像中提取上传事故现场特征图，其中，所述图像畸变矫正器的图像优化编码器为卷积层；以及使用所述图像畸变矫正器的图像优化解码器对所述上传事故现场特征图进行解码以得到所述校正后上传事故现场图像，其中，所述图像畸变矫正器的图像优化解码器为反卷积层。3.根据权利要求2所述的人伤事故信息管理方法，其特征在于，将所述校正后上传事故现场图像通过包含深浅特征融合模块的卷积神经网络模型以得到事故现场图像特征图，包括：将所述校正后上传事故现场图像通过所述包含深浅特征融合模块的卷积神经网络模型以从所述卷积神经网络模型的浅层提取浅层特征图和从所述卷积神经网络模型的深层提取深层特征图；以及融合所述浅层提取浅层特征图和所述深层提取深层特征图以得到事事故现场图像特征图。4.根据权利要求3所述的人伤事故信息管理方法，其特征在于，将所述校正后上传事故现场图像通过所述包含深浅特征融合模块的卷积神经网络模型以从所述卷积神经网络模型的浅层提取浅层特征图和从所述卷积神经网络模型的深层提取深层特征图，包括：使用所述包含深浅特征融合模块的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述包含深浅特征融合模块的卷积神经网络的最后一层的输出为所述浅层特征图和所述深层特征图，所述包含深浅特征融合模块的卷积神经网络的第一层的输入为所述校正后上传事故现场图像。
5.根据权利要求4所述的人伤事故信息管理方法，其特征在于，对所述事故现场图像特征图进行自调谐结构化以得到结构化事故现场图像特征图，包括：对所述事故现场图像特征图的各个特征矩阵进行通道线性变换转换以得到转换后的事故现场图像特征图；基于所述转换后的事故现场图像特征图，计算所述事故现场图像特征图的加权特征向量；以及以所述加权特征向量对于所述事故现场图像特征图的各个特征矩阵进行加...

【专利技术属性】
技术研发人员：王华，胡更欣，艾应伟，周正，高玉良，杨祎，沈利，姜剑峰，朱晓虎，周义军，孙亭，梅杰，王烽，
申请(专利权)人：杭州网兰科技有限公司，
类型：发明
国别省市：