[发明专利]一种基于图像识别的智能事故勘测方法

说明书

技术领域

本发明涉及图像处理领域，具体地说是一种基于图像识别的智能事故勘测 方法。

背景技术

随着社会的发展，越来越多的人拥有了自己的汽车，有的还不止一辆。汽 车给人们的生活带来了方便和效率，但同时，也给人们带来了一定的危险。

川流不息的车流，熙熙攘攘的人群，很容易引发交通事故。当发生交通事 故之后，第一时间应该打电话叫警察，处理交通纠纷。警察赶到事故现场之后， 要对交通事故的现场进行勘测，测量事故现场的痕迹，判断事故中，哪一方要 负主要责任，哪一方负次要责任。并且，警察要根据现场勘测的结果，对交通 事故的现场情形进行绘制。这对警察的动手能力和美术功底提出了一系列的要 求。手动绘制事故现场的实时图像，费时费力。不仅要用铅笔详细绘制道路的 走向，车辆的路径，还要对一些细节问题作出相应的描绘，比如车辆相撞之后 的位置，车辆的刹车距离等。

由于以上原因，绘制一幅事故现场的交通事故图，往往需要一天得时间。 而且还有可能没有绘制详细。这对于提高警察为人民服务的办事效率是非常不 利的。甚至，对城市拥挤的交通也是非常不利的。越早的解决交通事故产生的 交通堵塞，就越能让人们早点回家，就越能提升人民警察在老百姓心目中的形 象。

发明内容

针对现有技术的不足，本发明提供一种基于图像识别的智能事故勘测方法， 解决了事故现场绘制图像困难的问题，方便快捷，可以迅速绘制交通事故图。

本发明为实现上述目的所采用的技术方案是：

一种基于图像识别的智能事故勘测方法，包括以下步骤：

建立神经网络，在事故现场采集360度全景图像，并将360度全景图像输 入神经网络进行特征匹配，识别出事故现场信息，完成现场事故图绘制。

所述建立神经网络包括以下过程：

步骤1：利用Canny算子边缘提取方法提取道路样本图像边缘；

步骤2：利用LDA方法对提取边缘轮廓的道路样本图像进行特征提取，生 成道路样本图像的特征向量；

步骤3：对道路样本图像的特征向量进行降维，得到降维后的道路样本图像 的特征向量；

步骤4：将降维后的道路样本图像的特征向量输入神经网络中，完成神经网 络的建立。

所述在事故现场采集360度全景图像包括以下过程：

步骤1：采集事故现场360度的若干图像；

步骤2：提取每一幅图像的SIFT特征点，在相邻两幅图像之间进行匹配；

步骤3：将匹配后的相邻两幅图像在特征点处通过特征点融合方法进行融 合，生成360度全景图像。

所述特征点融合方法包括平均值法、帽子函数法、加权平均法和中值滤波 法。

还包括根据相邻两幅图像重叠区域之间的关系，建立相邻两幅图像之间的 直方图映射表，通过直方图映射表对两幅图像做整体的映射变换，校正光照强 度差异。

所述将360度全景图像输入神经网络进行特征匹配包括以下过程：

步骤1：利用Canny算子边缘提取方法提取360度全景图像的边缘轮廓；

步骤2：利用LDA方法对提取边缘轮廓的360度全景图像进行特征提取， 生成360度全景图像的特征向量；

步骤3：对360度全景图像的特征向量进行降维，得到降维后的360度全景 图像的特征向量；

步骤4：将降维后的360度全景图像的特征向量输入神经网络中，完成特征 匹配。

所述神经网络为BP或RBF神经网络。

所述现场事故图绘制过程包括：根据事故现场信息，绘制出事故现场360度 全景图像，投影到平面，完成平面图绘制。

本发明具有以下有益效果及优点：

1.本发明方便快捷，可以迅速绘制交通事故图；

2.本发明可以降低对绘图能力要求，无需经过专业的绘图培训；

3.本发明操作简单，图像绘制准确。

附图说明

图1是本发明的方法流程图；

图2是本发明的神经网络建立流程图；

图3是本发明的特征匹配流程图。

具体实施方式

下面结合附图及实施例对本发明做进一步的详细说明。

如图1所示为本发明的方法流程图。