基于圖像的車禍事故人工智能識別系統(tǒng)的設(shè)計

趙水紅

摘要：本文結(jié)合當前交通車禍監(jiān)測系統(tǒng)在復(fù)雜交通環(huán)境下，識別車禍事故的局限性，設(shè)計并提出一種基于圖像的車禍事故人工智能識別系統(tǒng)，并從系統(tǒng)結(jié)構(gòu)與交通車禍識別計算分析方法等方面對該系統(tǒng)進行分析介紹，同時結(jié)合仿真實驗結(jié)果，對該系統(tǒng)在實際車禍事故識別應(yīng)用中的作用進行分析研究，以促進在實際中的推廣應(yīng)用。

關(guān)鍵詞：圖像識別；車禍事故；人工智能識別系統(tǒng)；設(shè)計

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2016）03-0221-03

隨著社會經(jīng)濟的發(fā)展進步以及城市道路交通狀況的日益改善，城市汽車的數(shù)量及規(guī)模也逐漸增加，在促進城市道路交通現(xiàn)代化的同時，也大幅增加了道路交通車禍事故的數(shù)量，為城市道路交通管理增加了一定的壓力。而智能交通管理系統(tǒng)作為一種應(yīng)用智能化與自動化技術(shù)來實現(xiàn)城市道路交通管理的手段，在很大程度上提升了城市道路交通管理工作效率，同時也緩解了道路交通管理的壓力，在現(xiàn)代化道路交通管理中具有相對廣泛且普遍的應(yīng)用。但是，由于當前道路交通管理中所應(yīng)用的車禍識別系統(tǒng)主要是通過改進BP神經(jīng)網(wǎng)絡(luò)計算以及聚類主元算法、模糊概率法等計算分析方法實現(xiàn)車禍識別與判斷，在實際應(yīng)用中對復(fù)雜交通環(huán)境下的識別干擾因素不能較好地處理，導(dǎo)致車禍狀態(tài)識別與判斷的準確性受到相應(yīng)影響，從而影響道路交通管理的質(zhì)量和效果，對道路交通車禍事故的管理與發(fā)展十分不利。針對這種情況，下文提出一種基于圖像的車禍事故人工智能識別系統(tǒng)，并對其設(shè)計應(yīng)用進行分析論述，以促進在道路交通管理中的推廣應(yīng)用，進而推動道路交通管理的現(xiàn)代化發(fā)展和提升。

1 基于圖像的車禍事故人工智能識別系統(tǒng)的結(jié)構(gòu)設(shè)置分析

1.1 系統(tǒng)的結(jié)構(gòu)組成分析

本文所提出的基于圖像的車禍事故人工智能識別系統(tǒng)是以車輛圖像灰度內(nèi)方差為基礎(chǔ)上，通過對數(shù)字視頻處理方法以及模式辨識方式等方法的運用，對視頻圖像中的車禍事故目標進行追蹤識別，同時根據(jù)車禍事故期間交通車輛的運行狀況，以實現(xiàn)車禍事故的準確檢測與報警處理，來實現(xiàn)道路交通車禍事故的管理，提升道路交通運行管理質(zhì)量，確保其運行秩序，它與傳統(tǒng)的車禍事故管理系統(tǒng)存在較大的區(qū)別。

如下圖1所示，為基于圖像的車禍事故人工智能識別系統(tǒng)的結(jié)構(gòu)組成示意圖。根據(jù)下圖所示結(jié)構(gòu)形式可以看出，該系統(tǒng)主要包括車禍事故檢測器以及計算分析服務(wù)器、交換機等結(jié)構(gòu)組成，在道路交通車禍事故檢測與管理中，通過在道路交通路段合適位置安置攝像機，對車輛運行信息進行采集，然后借助視頻分配器將攝像機所采集的視頻信號傳遞輸送到視頻檢測器結(jié)構(gòu)單元中，并通過計算分析服務(wù)器的檢測分析進行視頻信號分析，最后將分析結(jié)果再次傳遞到服務(wù)器及道路交通控制管理中心，從而實現(xiàn)對道路交通車輛運行狀況的控制管理。在整個系統(tǒng)結(jié)構(gòu)中，其中所包含的矩陣切換器能夠?qū)z像機所采集的視頻信息傳送到道路交通監(jiān)控中心的LED顯示屏中，以通過對視頻信號的計算分析，進行車禍事故分析判斷。

1.2 系統(tǒng)在車禍事故識別的優(yōu)勢分析

此外，與傳統(tǒng)車禍事故管理系統(tǒng)不同的是，基于圖像的車禍事故人工智能識別系統(tǒng)在車禍事故判斷中，對于復(fù)雜環(huán)境下干擾因素的影響作用控制較好，因此，該系統(tǒng)對車禍事故的監(jiān)測判斷準確性也就比較高。如下表1所示，為該系統(tǒng)對各種環(huán)境下車禍事故識別效果的統(tǒng)計分析，從下表可以看出，無嚴重干擾因素時，該系統(tǒng)對車禍事故的識別準確率達到100%，而在信噪比為0.5的交通環(huán)境下，該系統(tǒng)進行車禍事故識別的準確率也達到85%，因此，該系統(tǒng)進行各種復(fù)雜交通環(huán)境下的車禍事故識別準確率均相對較高。

2 基于圖像的車禍事故人工智能識別系統(tǒng)計算方法分析

根據(jù)上述對本文所提出系統(tǒng)的結(jié)構(gòu)組成分析可知，該系統(tǒng)結(jié)構(gòu)中最為關(guān)鍵的構(gòu)成部分可以分為道路交通車禍事故信息采集系統(tǒng)結(jié)構(gòu)和車禍事故檢測識別系統(tǒng)兩大部分，因此，進行車禍事故人工智能識別系統(tǒng)計算分析方法的研究，主要為車禍事故信息采集和檢測識別的計算分析。

2.1 車禍事故信息采集的計算分析方法

本文所設(shè)計提出的系統(tǒng)為基于車輛圖像灰度內(nèi)方差所設(shè)計提出的系統(tǒng)，因此，在車禍事故檢測識別中首先要確定車輛圖像的灰度級別。假設(shè)車禍事故識別系統(tǒng)中車輛圖像的灰度級別為k，該灰度級別下灰度值范圍為E，那么，就可以得出任意點的兩個灰度范圍，分別用D0和D1表示，其中，D0={1-k}，D1={k+1-p}，同樣對于上述這兩個范圍中像素點在車禍事故范圍中發(fā)生的概率，則可以用x0和x1表示，而針對這兩個范圍的灰度平均值則可以用e1和e2表示，對該系統(tǒng)中車輛圖像的整體幀灰度平均值則可以使用e進行表示。根據(jù)上述已知數(shù)據(jù)則可以通過下列公式（1）計算得出兩個灰度區(qū)域范圍內(nèi)的方差結(jié)果，如下公式（1）所示。

[ek=x0e0-e2+x1e1-e2=x0x1e1-e02=e?xk-ek2xk1-xk] （1）

根據(jù)上示公式（1）在計算出車輛圖像中灰度內(nèi)方差結(jié)果的情況下，就能夠?qū)囕v圖像中的車禍事故區(qū)域空間位置特征進行分析獲取，進而實現(xiàn)車輛圖像中車禍事故的檢測識別，以進行道路交通中車禍事故的控制管理。在此情況下，假設(shè)車輛圖像中任意幀車禍事故圖像的灰度級別為Qr，其中，r=0或1、2、3……Q-1，而灰度圖像的面積采用N×P表示，車禍事故灰度圖像中的像素點空間位置采用（x，y）表示，像素點相對應(yīng)的灰度值采用f（y，z）表示，那么，在已知上述數(shù)值結(jié)果的情況下，對車禍事故灰度圖像中的相鄰區(qū)域的灰度均值就可以通過下列公式（2）進行計算求出。

[hy，z=1l2j=l-1l-1k=l-1l-1gy+j，z+k] （2）

根據(jù)上示公式（2）計算求得車禍事故圖像中相鄰區(qū)域灰度均值后，由于相鄰區(qū)域灰度均值的取值范圍一定，為00，k

[Qjk=CjkN×P] （3）

此外，如果假設(shè)車輛圖像中的背景區(qū)域為D0，而車禍事故的發(fā)生區(qū)域為D1，那么在上述數(shù)據(jù)支撐下，就可以通過下列公式（4）對車輛圖像中任意像素與上述兩個區(qū)域發(fā)生重合的概率進行計算求取。同樣，也可以通過下列公式（5）對上述兩個區(qū)域所對應(yīng)的灰度矢量進行計算求取。

[x0=PD0=j=1t-1k=1u-1Pjk=x0t，ux1=PD1=j=1t-1k=1u-1Pjk=x1t，u] （4）

[u0=u0j，u0kT=j=0t-1k=0u-1jPjkx0，j=0t-1k=0u-1kPjkx0Tu1=u1j，u1kT=j=0t-1k=0u-1jPjkx1，j=0t-1k=0u-1kPjkx1T] （5）

在根據(jù)上示公式（4）和公式（5）計算出相應(yīng)的結(jié)果數(shù)據(jù)后，已知x0+x1=1，因此可以根據(jù)下示公式（6）對車輛圖像中車禍事故特征的發(fā)生概率進行計算求出，同時根據(jù)計算公式（7）對車禍事故目標區(qū)域以及背景區(qū)域范圍所相對應(yīng)的離散系數(shù)進行求取。

[u0=u0j，u0kT=j=1Mk=1MjPjk+j=1Mk=1MJPjk22] （6）

[ω=t=11PD1ul-uaul-uaT=x0u0-uau0-uaT+x1u1-uau1-uaT] （7）

計算求出上述數(shù)據(jù)結(jié)果后，假設(shè)車輛圖像中的車禍事故區(qū)域閥值為η，就可以通過下列條件對車輛圖像中的車禍事故特征進行計算求證。即，若ω結(jié)果比η大，那么就表示這一像素點與車輛圖像中的車禍事故發(fā)生區(qū)域相重合；反之，若ω結(jié)果小于或等于η值，則表示該像素點與車輛圖像中的車禍事故發(fā)生區(qū)域不相重合。以此完成對車輛圖像信息中的車禍事故特征信息進行檢測采集，完成車禍事故的檢測識別，實現(xiàn)車禍事故管理。

2.2 車禍事故檢測識別的計算方法分析

結(jié)合上述對道路交通中車禍事故信息特征的計算采集分析，雖然能夠?qū)崿F(xiàn)道路交通車輛圖像中車禍事故特征的提取和判斷，但是，由于車輛圖像中車禍事故的區(qū)域是隨著車輛運行狀況發(fā)生變化的，因此，在車輛圖像中，車禍事故不同時刻所呈現(xiàn)出現(xiàn)來的圖像特征也存在一定的區(qū)別，這就需要按照相應(yīng)規(guī)律通過計算分析，對車輛圖像中車禍事故的變化性特征進行識別判斷，進而實現(xiàn)車輛圖像中的車禍事故識別。根據(jù)上述計算分析結(jié)果，結(jié)合車禍事故特征的波動性變化規(guī)律，可以通過下列公式（8）對車輛圖像中的車禍事故特征參數(shù)進行計算求取。

[Ey，z=j=1P|JPjy，z-JPj-1y，z|P-1] （8）

在上示計算公式（8）中，Pj表示的是第P幀車輛圖像中有關(guān)灰度圖像，而J表示的是與第P幀車輛灰度圖像所對應(yīng)的車禍事故特征的灰度均值結(jié)果，在上文計算分析基礎(chǔ)上，通過公式（8）就能夠?qū)囕v圖像中車禍事故特征的有關(guān)參數(shù)進行計算求取，進而實現(xiàn)車禍事故特征波動性變化特征下的車禍事故識別與判斷。同樣，通過下列公式（9）能夠?qū)崿F(xiàn)車輛圖像中車禍事故所缺失特征的波動系數(shù)計算求取，在計算求取該結(jié)果情況下，通過反向推理即可得出車輛圖像中車禍事故特征的變化系數(shù)，實現(xiàn)對車輛圖像中車禍事故發(fā)生時其特征變化程度進行描述。

[Hj=Ey，z-ωuu-hy，zul] （9）

在上述計算分析條件下，如果假設(shè)車輛圖像中車禍事故發(fā)生的閥值為ε，那么就可以通過以下條件標準對車輛圖像中的車禍事故進行識別判斷。即車輛圖像中的車禍事故缺失特征波動系數(shù)結(jié)果Hj比車禍事故閥值結(jié)果大時，表示車輛圖像中存在車禍事故，需要進行相關(guān)的報警處理；反之，如果車輛圖像中車禍事故缺失特征波動系數(shù)Hj結(jié)果比車禍事故閥值ε結(jié)果小或相同時，則表示車輛圖像中不存在車禍事故，需要對車輛圖像的變化進行繼續(xù)監(jiān)測管理。通過這一計算分析原理實現(xiàn)車輛圖像中車禍事故的識別判斷，是本文所提出的基于圖像的車禍事故人工智能識別系統(tǒng)的關(guān)鍵技術(shù)，由于計算分析中對于車禍事故各種特征變化的分析考慮，使得車禍事故管理應(yīng)用中對車禍事故發(fā)生情況的識別判斷結(jié)果準確性也比較高，能夠有效提升車禍事故分析管理的水平。

3 基于圖像的車禍事故人工智能識別系統(tǒng)仿真實驗

根據(jù)上述分析論述可知，本文所設(shè)計提出的基于圖像的車禍事故人工智能識別系統(tǒng)在車禍事故識別管理運用中與傳統(tǒng)車禍事故識別管理系統(tǒng)相比，突出優(yōu)勢表現(xiàn)在進行復(fù)雜交通環(huán)境因素干擾下的車禍事故識別判斷，其準確性相對較高，因此，進行車禍事故識別管理的質(zhì)量效率也就相對突出。為對該系統(tǒng)的實際應(yīng)用可行性及作用優(yōu)勢進行驗證分析，本文還專門進行了仿真實驗，以判斷該系統(tǒng)在道路交通車禍事故管理與應(yīng)用中的作用和優(yōu)勢。

首先，本文在進行基于圖像的車禍事故人工智能識別系統(tǒng)實際應(yīng)用可行性驗證中，采用MATLAB軟件作為仿真實驗應(yīng)用軟件，驗證分析中所采用的車禍事故數(shù)據(jù)資料均來自實際道路交通車禍事故的有關(guān)數(shù)據(jù)資料檔案中，實驗過程中力求達到與實際道路交通車禍事故發(fā)生時的運行環(huán)境與道路交通背景狀況相符合，以確保本文所設(shè)計突出的車禍事故管理系統(tǒng)能夠在車禍事故識別中所表現(xiàn)出的準確性有效且合理。此外，為保證設(shè)計系統(tǒng)進行車禍事故識別的準確度，仿真實驗中還將搜集整理的車禍事故運行環(huán)境與背景數(shù)據(jù)資料劃分成6份，6份數(shù)據(jù)資料之間具有一定的相等性，且其中一份數(shù)據(jù)資料在車禍事故識別判斷中主要作為訓(xùn)練數(shù)據(jù)集進行使用，而其他5份資料在用于實驗測試和分析，并且實驗結(jié)果以5份數(shù)據(jù)資料的測試結(jié)果集合值為準。最后，為確保仿真實驗的準確性，減少實驗誤差，本文針對車禍事故識別系統(tǒng)共進行了10次實驗分析，以10次實驗的平均結(jié)果為實驗結(jié)果。

需要注意的是，在進行車禍事故識別的仿真實驗中，由于道路交通環(huán)境自身具有一定的波動性變化，因此，必然導(dǎo)致用于車禍事故檢測分析的車輛圖像中環(huán)境感染因素也存在一定的波動變化特征，為了避免車輛運行環(huán)境波動性對車禍事故識別的影響，實驗中分別采用了不同信噪比作為車輛運行的環(huán)境干擾因素，以用于車禍事故識別實驗。結(jié)果顯示，在不同信噪比干擾下，基于圖像的車禍事故人工智能識別系統(tǒng)進行車禍事故識別的準確率沒有較大的波動變化，整體比較高，因此，可以得出，基于圖像的車輛事故人工智能識別系統(tǒng)進行車禍事故識別判斷不僅具有較高的準確性，且該系統(tǒng)在實際車禍事故識別管理應(yīng)用中具有相應(yīng)的穩(wěn)定性，值得進行推廣應(yīng)用。

4 結(jié)束語

總之，基于圖像的車禍事故人工智能識別系統(tǒng)是針對目前車禍事故識別管理系統(tǒng)對復(fù)雜交通環(huán)境下車禍事故識別率較低情況所設(shè)計提出的，在實際車禍事故識別管理應(yīng)用中不僅具有較為突出的車禍事故識別準確率，且進行車禍事故識別的穩(wěn)定性突出，具有十分突出的管理應(yīng)用價值作用和效果。

參考文獻：

[1] 呂國勇，史祥龍.基于GIS的生命探測監(jiān)控系統(tǒng)模型[J].計算機應(yīng)用，2013（1）.

[2] 陳婭琳，潘嘉平，楊瑩瑩，等.汽車智能駐車剎車系統(tǒng)的應(yīng)用研究[J].科技資訊，2014（7）.

[3] 劉學(xué)多，劉敏，黃昭瑞，等.基于GPS的交通事故智能求救系統(tǒng)設(shè)計[J].科技廣場，2012（7）.