基于圖像的車禍事故人工智能識別系統的設計

趙水紅

摘要：本文結合當前交通車禍監測系統在復雜交通環境下，識別車禍事故的局限性，設計并提出一種基于圖像的車禍事故人工智能識別系統，并從系統結構與交通車禍識別計算分析方法等方面對該系統進行分析介紹，同時結合仿真實驗結果，對該系統在實際車禍事故識別應用中的作用進行分析研究，以促進在實際中的推廣應用。

關鍵詞：圖像識別；車禍事故；人工智能識別系統；設計

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

隨著社會經濟的發展進步以及城市道路交通狀況的日益改善，城市汽車的數量及規模也逐漸增加，在促進城市道路交通現代化的同時，也大幅增加了道路交通車禍事故的數量，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作為一種應用智能化與自動化技術來實現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，在現代化道路交通管理中具有相對廣泛且普遍的應用。但是，由于當前道路交通管理中所應用的車禍識別系統主要是通過改進BP神經網絡計算以及聚類主元算法、模糊概率法等計算分析方法實現車禍識別與判斷，在實際應用中對復雜交通環境下的識別干擾因素不能較好地處理，導致車禍狀態識別與判斷的準確性受到相應影響，從而影響道路交通管理的質量和效果，對道路交通車禍事故的管理與發展十分不利。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，并對其設計應用進行分析論述，以促進在道路交通管理中的推廣應用，進而推動道路交通管理的現代化發展和提升。

1 基于圖像的車禍事故人工智能識別系統的結構設置分析

1.1 系統的結構組成分析

本文所提出的基于圖像的車禍事故人工智能識別系統是以車輛圖像灰度內方差為基礎上，通過對數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，同時根據車禍事故期間交通車輛的運行狀況，以實現車禍事故的準確檢測與報警處理，來實現道路交通車禍事故的管理，提升道路交通運行管理質量，確保其運行秩序，它與傳統的車禍事故管理系統存在較大的區別。

如下圖1所示，為基于圖像的車禍事故人工智能識別系統的結構組成示意圖。根據下圖所示結構形式可以看出，該系統主要包括車禍事故檢測器以及計算分析服務器、交換機等結構組成，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構單元中，并通過計算分析服務器的檢測分析進行視頻信號分析，最后將分析結果再次傳遞到服務器及道路交通控制管理中心，從而實現對道路交通車輛運行狀況的控制管理。在整個系統結構中，其中所包含的矩陣切換器能夠將攝像機所采集的視頻信息傳送到道路交通監控中心的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 系統在車禍事故識別的優勢分析

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

根據上述對本文所提出系統的結構組成分析可知，該系統結構中最為關鍵的構成部分可以分為道路交通車禍事故信息采集系統結構和車禍事故檢測識別系統兩大部分，因此，進行車禍事故人工智能識別系統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

本文所設計提出的系統為基于車輛圖像灰度內方差所設計提出的系統，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。假設車禍事故識別系統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。根據上述已知數據則可以通過下列公式（1）計算得出兩個灰度區域范圍內的方差結果，如下公式（1）所示。

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

根據上示公式（1）在計算出車輛圖像中灰度內方差結果的情況下，就能夠對車輛圖像中的車禍事故區域空間位置特征進行分析獲取，進而實現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，像素點相對應的灰度值采用f（y，z）表示，那么，在已知上述數值結果的情況下，對車禍事故灰度圖像中的相鄰區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）

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

[Qjk=CjkN×P] （3）

此外，如果假設車輛圖像中的背景區域為D0，而車禍事故的發生區域為D1，那么在上述數據支撐下，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域發生重合的概率進行計算求取。同樣，也可以通過下列公式（5）對上述兩個區域所對應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）

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

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

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

計算求出上述數據結果后，假設車輛圖像中的車禍事故區域閥值為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生區域相重合；反之，若ω結果小于或等于η值，則表示該像素點與車輛圖像中的車禍事故發生區域不相重合。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，實現車禍事故管理。

2.2 車禍事故檢測識別的計算方法分析

結合上述對道路交通中車禍事故信息特征的計算采集分析，雖然能夠實現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域是隨著車輛運行狀況發生變化的，因此，在車輛圖像中，車禍事故不同時刻所呈現出現來的圖像特征也存在一定的區別，這就需要按照相應規律通過計算分析，對車輛圖像中車禍事故的變化性特征進行識別判斷，進而實現車輛圖像中的車禍事故識別。根據上述計算分析結果，結合車禍事故特征的波動性變化規律，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幀車輛圖像中有關灰度圖像，而J表示的是與第P幀車輛灰度圖像所對應的車禍事故特征的灰度均值結果，在上文計算分析基礎上，通過公式（8）就能夠對車輛圖像中車禍事故特征的有關參數進行計算求取，進而實現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）能夠實現車輛圖像中車禍事故所缺失特征的波動系數計算求取，在計算求取該結果情況下，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，實現對車輛圖像中車禍事故發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，如果假設車輛圖像中車禍事故發生的閥值為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結果Hj比車禍事故閥值結果大時，表示車輛圖像中存在車禍事故，需要進行相關的報警處理；反之，如果車輛圖像中車禍事故缺失特征波動系數Hj結果比車禍事故閥值ε結果小或相同時，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監測管理。通過這一計算分析原理實現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的關鍵技術，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用中對車禍事故發生情況的識別判斷結果準確性也比較高，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仿真實驗

根據上述分析論述可知，本文所設計提出的基于圖像的車禍事故人工智能識別系統在車禍事故識別管理運用中與傳統車禍事故識別管理系統相比，突出優勢表現在進行復雜交通環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量效率也就相對突出。為對該系統的實際應用可行性及作用優勢進行驗證分析，本文還專門進行了仿真實驗，以判斷該系統在道路交通車禍事故管理與應用中的作用和優勢。

首先，本文在進行基于圖像的車禍事故人工智能識別系統實際應用可行性驗證中，采用MATLAB軟件作為仿真實驗應用軟件，驗證分析中所采用的車禍事故數據資料均來自實際道路交通車禍事故的有關數據資料檔案中，實驗過程中力求達到與實際道路交通車禍事故發生時的運行環境與道路交通背景狀況相符合，以確保本文所設計突出的車禍事故管理系統能夠在車禍事故識別中所表現出的準確性有效且合理。此外，為保證設計系統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境與背景數據資料劃分成6份，6份數據資料之間具有一定的相等性，且其中一份數據資料在車禍事故識別判斷中主要作為訓練數據集進行使用，而其他5份資料在用于實驗測試和分析，并且實驗結果以5份數據資料的測試結果集合值為準。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共進行了10次實驗分析，以10次實驗的平均結果為實驗結果。

需要注意的是，在進行車禍事故識別的仿真實驗中，由于道路交通環境自身具有一定的波動性變化，因此，必然導致用于車禍事故檢測分析的車輛圖像中環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境干擾因素，以用于車禍事故識別實驗。結果顯示，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進行車禍事故識別判斷不僅具有較高的準確性，且該系統在實際車禍事故識別管理應用中具有相應的穩定性，值得進行推廣應用。

4 結束語

總之，基于圖像的車禍事故人工智能識別系統是針對目前車禍事故識別管理系統對復雜交通環境下車禍事故識別率較低情況所設計提出的，在實際車禍事故識別管理應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定性突出，具有十分突出的管理應用價值作用和效果。

參考文獻：

[1] 呂國勇，史祥龍.基于GIS的生命探測監控系統模型[J].計算機應用，2013（1）.

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

[3] 劉學多，劉敏，黃昭瑞，等.基于GPS的交通事故智能求救系統設計[J].科技廣場，2012（7）.