本发明涉及一种交通事故上报方法及系统，特别是涉及一种基于卷积神经网络的交通事故上报方法及系统、车载终端。
背景技术：
随着经济的飞速发展，道路上的汽车保有量与日俱增，由于各种原因导致的交通事故也屡有发生。其中，交通事故是指车辆在道路上因过错或者意外造成人身伤亡或者财产损失的事件。因此，交通事故不仅可以是由不特定的人员违反交通管理法规造成的；也可以是由于地震、台风、山洪、雷击等不可抗拒的自然灾害造成。
现有技术中，在发生交通事故时，通常由人工报警或者通过查看道路监控人工上报至相关系统。但是，上述交通事故上报方法具有以下不足：
(1)事故司机、途径司机等没有进行人工报警；
(2)事故发生路段没有道路监控；
(3)没有及时发现道理监控中的事故。
因此，现有的交通事故上报方法不能保证发生的交通事故均能够第一时间上报至相关系统，不利于道路交通的管理以及交通事故的及时处理。
技术实现要素：
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于卷积神经网络的交通事故上报方法及系统、车载终端，通过基于卷积神经网络训练交通事故识别模型，从而自行识别交通事故，并在识别为交通事故时及时进行上报，以便于后续处理。
为实现上述目的及其他相关目的，本发明提供一种基于卷积神经网络的交通事故上报方法，包括以下步骤：基于交通事故照片，采用卷积神经网络训练交通事故识别模型；实时监控路况，获取路况图像；基于所述路况图像和所述交通事故识别模型判断是否发生交通事故；当判断发生交通事故时，获取交通事故位置信息，并上报对应的路况图像和所述交通事故位置信息。
于本发明一实施例中，当判断发生交通事故时，通过无线通信的方式上报所述对应的路况图像和交通事故位置信息。
于本发明一实施例中，所述交通事故识别模型能够识别事故类型、事故等级和事故时间；所述事故类型包括碰撞、碾压、刮擦、翻车、坠车、爆炸和失火；所述事故等级包括轻微事故、一般事故、重大事故和特大事故。
于本发明一实施例中，所述交通事故位置信息由车载定位系统获取。
同时，本发明还提供一种基于卷积神经网络的交通事故上报系统，包括交通事故识别模型、路况图像获取模块、判断模块、定位模块和上报模块；
所述交通事故识别模型用于识别路况图像中的交通事故，所述交通事故识别模型是基于交通事故照片，采用卷积神经网络训练得到的‘
所述路况图像获取模块用于实时监控路况，获取路况图像；
所述判断模块用于基于所述路况图像和所述交通事故识别模型判断是否发生交通事故；
所述定位模块用于在判断发生交通事故时，获取实时位置信息作为交通事故位置信息；
所述上报模块用于在判断发生交通事故时，上报对应的路况图像和交通事故位置信息。
于本发明一实施例中，所述上报模块通过无线通信的方式上报所述对应的路况图像和交通事故位置信息。
于本发明一实施例中，所述交通事故识别模型能够识别事故类型、事故等级和事故时间；所述事故类型包括碰撞、碾压、刮擦、翻车、坠车、爆炸和失火；所述事故等级包括轻微事故、一般事故、重大事故和特大事故。
于本发明一实施例中，所述上报模块还用于上报事故类型、事故等级和事故时间。
于本发明一实施例中，所述定位模块采用车载定位系统。
另外，本发明还提供一种车载终端，包括上述任一所述的基于卷积神经网络的交通事故上报系统。
如上所述，本发明的基于卷积神经网络的交通事故上报方法及系统、车载终端，具有以下有益效果：
(1)通过基于卷积神经网络训练交通事故识别模型，以自行识别交通事故；
(2)在交通事故发生的第一时间能够及时进行上报；
(3)无需人为参与，有效避免了交通事故的漏报；
(4)有利于道路交通的管理以及交通事故的及时处理。
附图说明
图1显示为本发明的基于卷积神经网络的交通事故上报方法的流程图；
图2显示为本发明的基于卷积神经网络的交通事故上报系统的结构示意图；
图3显示为本发明的车载终端的结构示意图。
元件标号说明
1基于卷积神经网络的交通事故上报系统
11交通事故识别模型
12路况图像获取模块
13判断模块
14定位模块
15上报模块
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
本发明的基于卷积神经网络的交通事故上报方法及系统、车载终端通过基于卷积神经网络训练交通事故识别模型，从而在交通事故发生时自行识别交通事故，并在识别为交通事故时及时进行上报，全称无需人工干预，提高了交通事故上报的效率，提升了用户体验，有利于道路交通的进一步管理。
参照图1，本发明的基于卷积神经网络的交通事故上报方法包括以下步骤：
步骤s1、基于交通事故照片，采用卷积神经网络训练交通事故识别模型。
卷积神经网络(convolutionalneuralnetwork，cnn)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。
卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。20世纪60年代，hubel和wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络。由于卷积神经网络避免了对图像的复杂前期预处理，可以直接输入原始图像，因而得到了更为广泛的应用。
一般地，卷积神经网络的基本结构包括以下两层：
(1)特征提取层
每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来。
(2)特征映射层
网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。
此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率。
在实际应用中，卷积神经网络主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。由于卷积神经网络的特征检测层通过训练数据进行学习，所以在使用卷积神经网络时，避免了显示的特征抽取，而隐式地从训练数据中进行学习；再者由于同一特征映射面上的神经元权值相同，所以网络可以并行学习，这也是卷积网络相对于神经元彼此相连网络的一大优势。卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性，其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性，特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。
在本发明中，通过收集大量的交通事故现场照片，输入卷积神经网络进行训练，提取交通事故的特征，以得到训练好的卷积神经网络，即交通事故识别模型。
步骤s2、实时监控路况，获取路况图像。
具体地，通过摄像头实时监控路况，获取实时的路况图像。
优选地，摄像头获取实时路况视频后，按照一定的时间间隔获取路况图像帧。
步骤s3、基于所述路况图像和所述交通事故识别模型判断是否发生交通事故。
具体地，将获取的路况图像输入上述得到的交通事故识别模型，以判断当前路况下是否发生交通事故。若判断没有发生事故，则继续监控路况并进行交通事故识别。
步骤s4、当判断发生交通事故时，获取交通事故位置信息，并上报对应的路况图像和所述交通事故位置信息。
具体地，当判断发生交通事故时，通过定位装置获取当前所在定位信息，即交通事故位置信息；然后通过无线通信的方式将对应的路况图像和交通事故位置信息上报至第三方或者公安交通系统，以便再进行人工判断，并及时进行交通事故处理和道路交通管理。
优选地，交通事故识别模型在识别交通事故时，还能够识别事故类型、事故等级和事故时间等。其中，事故类型包括碰撞、碾压、刮擦、翻车、坠车、爆炸、失火等等。事故等级包括轻微事故、一般事故、重大事故和特大事故等等。其中，事故时间由所述路况图像的获取时间来确定。对应地，当判断发生交通事故时，还上报事故类型、事故等级和事故时间等。
优选地，通过3g/4g网络上报对应的路况图像和交通事故位置信息。
优选地，定位装置采用车载定位系统或gps定位模块。
参照图2，本发明的基于卷积神经网络的交通事故上报系统1包括交通事故识别模型11、路况图像获取模块12、判断模块13、定位模块14和上报模块15。
交通事故识别模型11用于识别路况图像中的交通事故，所述交通事故识别模型是基于交通事故照片，采用卷积神经网络训练得到的。
卷积神经网络(convolutionalneuralnetwork，cnn)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。
卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。20世纪60年代，hubel和wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络。由于卷积神经网络避免了对图像的复杂前期预处理，可以直接输入原始图像，因而得到了更为广泛的应用。
一般地，卷积神经网络的基本结构包括以下两层：
(1)特征提取层
每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来。
(2)特征映射层
网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。
此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率。
在实际应用中，卷积神经网络主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。由于卷积神经网络的特征检测层通过训练数据进行学习，所以在使用卷积神经网络时，避免了显示的特征抽取，而隐式地从训练数据中进行学习；再者由于同一特征映射面上的神经元权值相同，所以网络可以并行学习，这也是卷积网络相对于神经元彼此相连网络的一大优势。卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性，其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性，特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。
在本发明中，通过收集大量的交通事故现场照片，输入卷积神经网络进行训练，提取交通事故的特征，以得到训练好的卷积神经网络，即交通事故识别模型。
路况图像获取模块12用于实时监控路况，获取路况图像。
具体地，通过摄像头实时监控路况，获取实时的路况图像。
优选地，摄像头获取实时路况视频后，按照一定的时间间隔获取路况图像帧。
判断模块13与交通事故识别模型11和路况图像获取模块12相连，用于基于所述路况图像和所述交通事故识别模型判断是否发生交通事故。
具体地，将获取的路况图像输入上述得到的交通事故识别模型，以判断当前路况下是否发生交通事故。若判断没有发生事故，则继续监控路况并进行交通事故识别。
定位模块14与判断模块13相连，用于在判断发生交通事故时，获取实时位置信息作为交通事故位置信息。
具体地，当判断发生交通事故时，通过定位装置获取当前所在定位信息，即交通事故位置信息。优选地，定位装置采用车载定位系统或gps定位模块。
上报模块15与判断模块13和定位模块14相连，用于在判断发生交通事故时，上报对应的路况图像和交通事故位置信息。
具体地，上报模块15通过无线通信的方式将对应的路况图像和交通事故位置信息上报至第三方或者公安交通系统，以便再进行人工判断，并及时进行交通事故处理和道路交通管理。
优选地，交通事故识别模型在识别交通事故时，还能够识别事故类型、事故等级和事故时间等。其中，事故类型包括碰撞、碾压、刮擦、翻车、坠车、爆炸、失火等等。事故等级包括轻微事故、一般事故、重大事故和特大事故等等。其中，事故时间由所述路况图像的获取时间来确定。对应地，当判断发生交通事故时，上报模块还上报事故类型、事故等级和事故时间等。
优选地，上报模块15通过3g/4g网络上报对应的路况图像和交通事故位置信息。
如图3所示，本发明还提供一种车载终端，包括上述基于卷积神经网络的交通事故上报系统1。
当车辆上安装有该车载终端时，无需人为干预，即可及时发现并上报交通事故，从而有利于道路交通的管理以及交通事故的及时处理。
综上所述，本发明的基于卷积神经网络的交通事故上报方法及系统、车载终端通过基于卷积神经网络训练交通事故识别模型，以自行识别交通事故；在交通事故发生的第一时间能够及时进行上报；无需人为参与，有效避免了交通事故的漏报；有利于道路交通的管理以及交通事故的及时处理。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。