交通事故识别方法、装置、电子设备和介质

技术领域

本公开的各实现方式总体上涉及智慧交通领域，更具体地，涉及交通事故识别方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

当今社会出行量急剧上涨，交通事故常有发生，造成长时间的交通堵塞。对于当前以及未来的智慧交通时代，如何快速发现并播报事故是一大难题。现有的事故挖掘方案主要分为两类：一类是依赖政府提供数据，这种方式准确度较高，但数据量有限其时效性较差；另一类是由用户主动上报，这种方式的覆盖率高，但准确率较低，且依赖于用户侧的积极配合。因此，需要开发一种自动、大规模的高准确率的交通事故发掘机制。

发明内容

根据本公开的实施例，提供了一种用于识别交通事故的方案。

在本公开的第一方面中，提供了一种交通事故识别方法。该方法包括基于车辆上报的事故指示消息确定交通事故的时间和位置。该方法进一步包括基于时间和位置确定图像记录装置。此外，该方法包括向图像记录装置发送图像采集指令，以使图像记录装置返回与时间相关联的图像。该方法还包括基于图像确定交通事故的识别结果。

在本公开的第二方面中，提供了一种交通事故识别方法。该方法包括检测交通事故中的目标对象。该方法进一步包括基于与目标对象相关联的时间信息和位置信息，生成事故指示消息以用于上报。此外，方法还包括根据确定接收到针对目标对象所在的图像的请求，发送图像。

在本公开的第三方面中，提供了一种交通事故识别装置。该装置包括：时间位置确定模块，被配置为基于用户上报的事故指示消息确定交通事故的时间和位置；图像记录装置确定模块，被配置为基于时间和位置确定图像记录装置；图像采集指令发送模块，被配置为向图像记录装置发送图像采集指令，以使图像记录装置返回与时间相关联的图像；以及识别结果确定模块，被配置为基于该图像确定交通事故的识别结果。

事故指示消息事故指示消息在本公开的第四方面中，提供了一种电子设备，包括：存储器和处理器；其中存储器用于存储一条或多条计算机指令，其中一条或多条计算机指令被处理器执行以实现根据本公开的第一方面或第二方面的方法。

在本公开的第五方面中，提供了一种计算机可读存储介质，其上存储有一条或多条计算机指令，其中一条或多条计算机指令被处理器执行实现根据本公开的第一方面或第二方面的方法。

在本公开的第六方面中，提供了一种计算机程序产品，包括计算机可执行指令，其中所述计算机可执行指令在被处理器执行时实现本公开的第一方面或第二方面的方法。

应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。

附图说明

结合附图并参考以下详细说明，本公开各实现方式的特征、优点及其他方面将变得更加明显，在此以示例性而非限制性的方式示出了本公开的若干实现方式。在附图中：

图1示出了本公开的实施例的识别交通事故的示例系统的示意框图；

图2示出了本公开的实施例能够在其中实现的更详细示例环境的示意图；

图3示出了根据本公开的实施例的交通事故识别过程的流程图；

图4示出了本公开的实施例能够在其中实现的更详细示例环境的示意图。

图5示出了根据本公开的实施例的交通事故识别过程的流程图。

图6示出了根据本公开的实施例的通过聚合操作确定发生交通事故的时间和位置的过程的示意图

图7示出了根据本公开的实施例的识别交通事故过程的高级别管道图。

图8示出了根据本公开的实施例的交通事故识别装置的框图；以及

图9示意性示出了根据本公开的示例性实现的计算设备的框图。

具体实施方式

下面将参照附图更详细地描述本公开的优选实现。虽然附图中显示了本公开的优选实现，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实现所限制。相反，提供这些实现是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。

在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实现”和“一个实现”表示“至少一个示例实现”。术语“另一实现”表示“至少一个另外的实现”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。

在本公开的实施例中，在道路上行驶的车辆可以使用所装备的传感器(例如行车记录仪)来实时采集交通路况的图像。通过车辆上部署的用于自动识别与交通事故有关的目标对象(例如，诸如三角架的警示牌、锥桶、坑洼、车体碎片)的识别模型来识别是否发生了交通事故，并将事故指示消息发送到服务器。利用在道路上行驶的大量车辆的感知和识别能力，可以覆盖更大的范围，从而显著提高了挖掘和检测交通事故的周期，使得驾驶员更早地获得交通事故情报并采取相应的规避、减速等措施，由此提高了城市道路的通行效率。以下参照附图更详细地描述根据本公开的实施例的交通事故识别方案。

图1示出了根据本公开的实施例的识别交通事故的示例系统100的示意框图。系统100包括车辆110和服务器120，车辆110和服务器120经由网络130连接。车辆110可以是道路上行驶的任何类型的机动车，例如，小客车、运动型多用途车(SUV)、公交车、货车等。车辆110包括图像采集单元111，诸如安装在车前部的行车记录仪、安装在车身四周的用于感测360度视野范围的若干个的环境感知相机等。图像采集单元111可以被配置为实时捕获车辆周围环境的图像，例如，包括连续图像帧的视频，由此可以基于这些图像识别车辆周围是否存在交通事故。除了图像采集单元111，车辆100还可以包括其他类型的传感器(未示出)，例如，超声波传感器、(激光)雷达等。多个传感器采集的图像可以组合或融合在一起以形成可用于检测交通事故的图像。

车辆110包括定位单元112，定位单元112可以是诸如全球定位系统(GPS)或全球导航卫星系统(GNSS)的能够实时提供位置信息的装置。借助定位单元112，可以在图像采集单元111获取的图像中添加车辆位置信息，作为图像的位置信息并在后续用作交通事故的位置。但是，也可以不在图像中添加位置信息。在这种情况下，可以将车辆110上报交通事故时的从定位单元112获取的位置信息用作交通事故的位置。还可以在图像采集单元111获取的图像中添加时间信息，例如时间戳。由此，图像采集单元111获取的图像包括图像数据本身以及相关联的位置信息和时间信息。位置信息可以是包括经度和纬度信息的GPS定位信息。附加地，位置信息还可以包括车道信息，例如，根据当前车辆110所在车道和目标对象在图像中的横向位置可以得到交通事故的车道信息。例如，如果检测到的目标对象位于图像左侧，可以认为交通事故发生在当前车辆110左侧的车道。当交通事故被发布时，可以指示交通事故的车道位置，从而后续车辆可以及早并线到其他车道。

车辆110还包括识别模型113，识别模型113可以被部署用于检测来自图像采集单元111的图像中是否包括目标对象。目标对象可以是交通事故现场的警示牌(如三角架)、锥桶、坑洼或车体碎片等。识别模型113可以是基于深度学习的神经网络模型，其被训练为识别图像中的若干个指定类别的目标对象。具体地，识别模型113可以从图像中提取感兴趣区域(通常为矩形区域)并识别其中的对象的类别。例如，识别模型113可以识别图像中的三角架。考虑到车辆110的有限的计算能力，识别模型113可以被配置为轻量级的神经网络模型。相比于部署在更高计算能力的计算设备(例如服务器120)处的识别模型，轻量级的神经网络模型可以具有更少的层数、具有更少的节点数，或者具有更少的学习参数。因此，识别模型113可以具有低延时的优势，从而能够更快地发现车辆是否经过了交通事故现场。

车辆110还包括存储器114。存储器114可以是具有一定容量(例如，4GB、8GB、16GB或更多)的固定或可移除的持久性存储装置，例如，磁盘、固定硬盘、通用串行总线(USB)存储器、存储卡等。存储器111可以连接到图像采集单元111，用于接收和存储来自图像采集设备111的图像。如上所述，图像可以具有相关联的时间信息和位置信息，这些信息可以与采集到的图像数据一起被存储到存储器114中。存储器可以被访问，以便将指定的时间段内的图像发送到其他设备(例如，服务器120)。由于存储器114的有限容量，具有更早时间戳的图像数据可以被擦除或被新的图像所覆盖。另外，如上所述，对于检测到交通事故中的目标对象的图像，可以将其设置为在一段时间内不可擦除或覆盖，即，保留具有更高价值的数据。

当在采集到的图像中检测到交通事故中的目标对象，例如，发现了三角架时，车辆110可以使用通信单元115，经由网络130向服务器120上报交通事故。通信单元115可以是例如蓝牙模块、蜂窝模块、车联网(V2X)通信模块、专用短距离通信(DSRC)模块或任何其他具有无线通信能力的通信模块。车辆110可以向服务器120传输事故指示消息，事故指示消息包含交通事故发生的位置、时间、严重程度等。

服务器120可以是在5G环境下部署的边缘设备或者是位于核心网侧的云服务器，相比于车辆110具有更强的计算能力和存储容量。服务器120经由其通信单元121来接收其覆盖范围内的车辆110上报的事故指示消息并处理，例如，验证所上报的交通事故的真实性。

服务器120使用识别模型122来验证交通事故的真实性，以识别交通事故。类似地，识别模型122可以是基于深度学习的神经网络模型，其被训练为识别图像的目标对象。具体地，识别模型122从图像中提取感兴趣区域并识别其中的对象的类别。通常，服务器120具有比车辆110更高的算力，因此识别模型122可以比车辆110上的识别模块113更复杂，具有更深的层数、更多的神经网络节点以及更多的学习参数，因此也具有更高的准确率。在某些实施例中，响应于车辆120上报的事故指示消息，服务器120借助识别模型122来验证交通事故的真实性。

在某些实施例中，服务器120还可以向交通事故发生位置附近的固定的图像记录装置(例如，路侧设备)或者移动的图像记录装置(例如，在相应时间段内位于该位置的车辆或交通管理人员的执法记录仪)请求其采集到的交通事故的图像，并验证该图像是否具有目标对象，如是，则可以将该交通事故识别为真实交通事故。

服务器120还包括存储器123，存储器123可以保存交通事故的历史库124。历史库124记录有已经通过验证的交通事故的条目，每个交通事故条目包括交通事故的属性，例如，位置、发生时间、状态、图像等。位置可以被设置为如上所述的车辆110上报的交通事故消息的地点信息、发生时间可以被设置为车辆110上报的交通事故消息的时间信息、状态可以指示该交通事故的仍存在还是已清除等。在某些实施例中，服务器120可以将由上报的事故指示消息和历史库中的交通事故进行比较，如果事故指示消息的位置和时间中至少一个与历史库124中已有记录不同，则认为有新的交通事故发生并将识别该交通事故是否为真实交通事故。

以下参照图2至图5详细描述根据本公开的实施例的交通事故识别过程。

图2示出了本公开的实施例能够在其中实现的更详细示例环境200的示意图。环境200包括途径交通事故现场210的车辆220，车辆220上的行车记录仪持续采集车辆220前方的图像数据。行车记录仪的视野范围如图中的虚线所示。事故现场210摆放有一个三角架230，用于警示后面的车流。根据统计分析，城市交通事故场景下的事故现场通常都包含典型的目标对象或物体，例如，三角架、锥桶等，有时还包含事故形成的道路坑洼或车体碎片等。因此，车辆220可以检测行车记录仪采集到的图像中是否包含诸如三角架之类的交通事故目标对象，由此来自动判断是否存在交通事故，而无需用户介入。

图3示出了根据本公开的实施例的交通事故识别过程300的流程图。过程300可以适用于在车辆处执行。通过在移动的车辆上识别交通事故，可以保障交通事故上报的覆盖率和及时性。

在框302，车辆110检测交通事故中的目标对象。车辆110的图像采集单元110，例如行车记录仪，可以实时采集车辆前方的视觉图像信息，并形成图像或视频帧。如上所述，采集到的图像可以是图像帧形式的一个或多个图像，其可以具有时间戳和位置信息。在这种情况下，图像的位置信息可以用作交通事故的时间和位置。如上所述，图像也可以不包括位置信息，在这种情况下，可以将车辆110上报交通事故时的位置信息用作交通事故的位置。一个或多个图像被应用于识别模块113以确定其中是否包括目标对象。例如，识别模型113可以检测图像中是否包含三角架、锥桶、坑洼、车体碎片等在交通事故场景的常见物体。

在某些实施例中，车辆110的识别模型113可以是基于深度学习的神经网络模型。如上所述，识别模型113可以被事先训练为适于从图像中提取图像特征以便检测感兴趣区域，并且对感兴趣区域中的对象进行分类。如上所述，识别模型113可以是参数数量较少和计算代价较小的轻量级的神经网络模型，以便于部署在计算资源有限的车辆上。识别模块113可以被配置为检测图像中是否包括三角架、锥桶、坑洼、车体碎片等在交通事故场景的常见物体。在某些实施例中，识别模块113可以被配置为仅检测图像中是否包括特定目标对象，例如三角架，并计算存在该特定目标对象的概率，当概率超过预设阈值时，输出检测到该特定目标对象的结果。附加地或备选地，识别模块113可以被配置为检测更多个目标对象，即，识别模块113可以检测图像中的对象的类别，判断它们属于各种目标对象的概率。例如，识别模块113可以计算图像中的对象属于三角架、锥桶等类别的概率，并基于概率来输出检测结果。

在某些实施例中，采集到的图像可以被实时地馈送到车辆110的识别模型113，从而被实时检测。备选地，采集到的图像可以被存储到车辆110的存储器114中，然后识别模型113定期(例如，每隔10秒、30秒或1分钟，不限于此)访问存储器114来检测已存储的图像是否包括目标对象。当检测到图像中包括与交通事故有关的目标对象时，车辆110认为该地点处存在交通事故，将基于此来生成和发送事故指示消息。

在框304，基于与目标对象相关联的时间信息和位置信息，生成事故指示消息以用于上报事故指示消息。由于诸如三角架的目标对象会出现在连续的图像中，针对这些图像只需要上报一次交通事故。例如，当时间戳在一个时间段内的多个图像中均检测到目标对象，并且在时间戳早于或晚于该时间段的图像中均没有检测到目标对象时，基于该时间段内的图像来生成事故指示消息。所生成交通事故的指示消息包含或指示所涉及的交通事故的位置和时间。

在某些实施例中，上述时间段内的多个图像可以被聚合成单独的图像或者视频。例如，可以生成新的图像或视频作为检测到目标对象的多个图像的代表性图像。新的图像或视频可以被存储到车辆110的存储器114中，以便未来由服务器120访问。

在一些实施例，可以将经聚合的图像的时间和位置信息包括在事故指示消息中，作为由车辆识别的交通事故的时间和位置。例如，交通事故的时间可以是检测到目标对象的最早图像的时间戳、最晚图像的时间戳、或者时间戳在中间的图像的时间戳，不限于此。类似地，交通事故的位置可以检测到目标对象的最早图像的位置信息、最晚图像的位置信息、或者时间戳在中间的图像的位置信息。

车辆110可以向服务器120发送事故指示消息。事故指示消息指示交通事故的位置和时间。优选地，事故指示消息不包括图像，以便节省带宽资源。事故指示消息触发服务器120来识别交通事故的真实性。相应地，服务器120可能会从其覆盖范围内的多个车辆接收到事故指示消息。应理解，位置和时间相同或接近的事故指示消息可能涉及同一交通事故，因此不必针对每一个事故指示消息来识别交通事故。服务器120可以基于交通事故的位置和时间来聚合事故指示消息，以确定交通事故。服务器120可以通过检测交通事故的图像中是否包含目标对象来识别交通事故的真实性。因此，服务器120向车辆110请求与交通事故相关联的图像。该请求可以包含与上述事故指示消息相对应的时间，使得车辆110可以从其已经存储的图像数据中取回对应的图像。

响应于此，在框306，车辆110根据确定接收到针对目标对象所在的图像的请求，发送图像。该图像将被服务器120进一步识别，以确认交通事故的真实性。

以此方式，利用在道路上行驶的大量车辆的感知和识别能力，可以覆盖更大的范围，从而显著提高了挖掘和检测交通事故的周期，使得驾驶员更早地获得交通事故情报并采取相应的规避、减速等措施，由此提高了城市道路的通行效率。

以下参考图4和图5详细描述服务器120基于事故指示消息来识别交通事故的过程。

图4示出了本公开的实施例能够在其中实现的更详细示例环境400的示意图。如图4所示，在路口处发生交通事故410。此时，车辆420行驶经过交通事故210。车辆420记录了事故图像并检测到三角架，由此生成事故指示消息并将其发送给服务器120。

在某些实施例中，服务器120可以基于事故指示消息中的时间和位置信息确定在该时间经过该位置的所有图像记录装置。如图4所示，图像记录装置可以是在交通事故410的另一侧记录了该交通事故410的车辆430、在该路口附近工作的交通管理人员的执法记录仪440、或者拍摄了该交通事故410的全过程的路侧设备450(例如，路侧摄像头)。并且更为方便地，由于上报了该交通事故410的车辆420中也布置有具有图像拍摄和记录功能的行车记录仪，车辆420也可以作为图像记录装置来上传与交通事故410相关联的图像。基于这些图像，服务器120中的识别模型122可以识别交通事故。

图5示出了根据本公开的实施例的交通事故识别过程500的流程图。在某些实施例中，过程500可以在图1示出的服务器120中实现。

在502，服务器120可以基于车辆上报的事故指示消息确定交通事故410的时间和位置。作为示例，当道路上行驶的车辆420检测到其行车记录仪记录的图像中包括与交通事故410有关的目标对象460，例如三角架时，生成并且向服务器120发送事故指示消息。事故指示消息指示的时间通常可以被确定为目标对象所在的图像的时间戳。此外，由于行车过程中的车辆420通常与交通事故410距离较近，故可以将生成事故指示消息时车辆420所在的位置(例如，车载定位单元产生的GPS定位信息)确定为交通事故410的位置。

应理解，由于途径事故现场并且在其图像采集单元111采集到的图像中检测到目标对象的每个车辆420均可以上报事故指示消息，因此同一交通事故可能被上报数次。如果这些事故指示消息被确定为多个不同的事故，则将会产生多个后续的识别任务，从而会浪费较多的计算资源。为此，在某些实施例中，可以通过聚合操作来减少上报的事故数量。图6示出了根据本公开的实施例的通过聚合操作确定发生交通事故的时间和位置的过程600的示意图。

在602，服务器120可以从接收到的事故指示消息中获取时间信息和位置信息。例如，事故指示消息通常包含检测到目标对象的图像的时间戳，作为交通事故的时间。此外，由于行车过程中的车辆通常与交通事故410距离较近，所以事故指示消息还可以包含车辆采集到目标对象的图像时的位置信息来作为交通事故的位置。此外，事故指示消息还可以包含发送该事故指示消息的车辆的身份信息(例如，设备ID)。

在604，服务器120可以基于经确定的时间信息和位置信息以及其他事故指示消息中的相应时间信息和相应位置信息，对该事故指示消息和其他事故指示消息进行聚合，以确定交通事故410。作为示例，服务器120可以通过聚合操作将位置信息在半径为预定距离的区域内的所有事故指示消息确定为同一交通事故。应理解，本公开描述的聚合操作仅是示例性的，还可以通过诸如机器学习模型等其他方式将多个事故消息确定为对应于同一交通事故。

在606，服务器120可以基于上述时间信息和位置信息确定交通事故210的时间和位置。备选地或附加地，服务器120还可以基于通过聚合上述多个事故指示消息来确定与上述多个事故指示消息所对应的多个位置的向量和，从而确定交通事故410的时间和位置。以此方式，本公开可以将上报的多个事故指示消息聚合为一个交通事故，从而更为高效地利用后续计算资源。

在某些实施例中，还可以对上报的交通事故进行排重。作为示例，服务器120可以将经聚合的交通事故的时间和位置与历史交通事故的相应时间和相应位置进行比较。当时间和位置与历史库中的某一条交通事故记录的时间和位置都相同或接近(例如，时间相差在预设时间之内、位置差别在预定范围内)时，认为该交通事故已经被上报并被识别为真实交通事故。在这种情况下，可以直接忽略该交通事故，不必再重复识别。换言之，如果时间和位置有至少一项与历史交通事故的相应时间和相应位置不同，可以将该交通事故确定为待识别的交通事故。以此方式，可以在图像识别操作前判定用户上报的交通事故是否是已经被识别或发布的交通事故，由此可以减少后续的识别操作，节约计算资源。

回到图5，在504，服务器120可以基于经确定的时间和位置进一步确定图像记录装置。在某些实施例中，图像记录装置可以是车辆的图像记录装置，例如，图4中的车辆420或430的行车记录仪，或者路侧设备，例如，图4中路侧设备450。作为示例，服务器120可以确定与上述经确定的时间相关联的时间段和与上述经确定的位置相关联的路段。

例如，当服务器120基于用户上报的事故指示消息确定了交通事故410的时间和位置之后，可以确定包含该时间的具有预定时长的时间段，并且确定包含该位置的具有预定面积的路段或区域。之后，服务器120在历史数据中搜索或遍历在该时间段内位于该路段或区域的车辆420、430，并且确定搜索到的车辆的图像记录装置。在一些实施例中，服务器可以向与上报交通事故的车辆不同的附加车辆或设备的图像记录装置请求图像。备选地或附加地，还可以基于大数据确定在该时间段内位于该路段或区域的交通管理人员的执法记录仪440、或者拍摄了该交通事故410的全过程的路侧设备450(例如，路侧摄像头)，作为图像记录装置。以此方式，服务器120可以利用在道路上行驶的大量车辆记录的交通事故图像来进行图像识别，从而可以显著提升识别结果130的准确率。

在506，服务器120可以向图像记录装置发送图像采集指令，以使图像记录装置返回与该时间和该位置相关联的图像。作为示例，当某一车辆被确定为图像记录装置时，该车辆可以从其存储器中获取在该时间或者包含该时间的时间段记录的图像或视频帧，并将这些图像或视频帧上传至服务器120。

在508，服务器120可以基于上传的图像确定交通事故410的识别结果。在某些实施例中，可以通过训练好的识别模型122来对图像进行识别，从而产生诸如该交通事故410为真实交通事故、该交通事故410的事故类型等的识别结果。作为示例，服务器120可以首先确定图像的特征表示。例如，可以对上传的图像140进行向量化或特征工程。之后，服务器120可以将经确定的特征表示应用于训练好的识别模型122。识别模型122可以基于图像确定交通事故410的识别结果。应理解，识别模型122可以是通过将多个参考特征表示作为输入、以及将对应的经标注的参考识别结果作为输出来训练得到的。

图7示意性示出了根据本公开的实施例的识别交通事故的过程700的高级别管道图。在图7所示的实施例中，过程700由一个或多个车辆110和服务器120来共同执行。

在701，车辆110捕捉交通路况的图像。车辆110上的各种传感器，例如图像采集单元111可以实时捕获车辆周围环境的图像。捕获的图像可以是包括一系列帧的视频。图像可以被实时馈送到部署在车辆上的识别模型113和存储到车辆的存储器114，以便后续被访问。如上所述，图像还可以被添加时间信息(例如，时间戳)和位置信息(例如，GPS定位信息)。

在702，车辆110检测图像中的目标对象。车辆110使用部署的识别模型113来检测图像中是否包含那些事故现场常见的物体，例如，警示牌、锥桶、坑洼、车体碎片等。识别模型113可以是基于深度学习的神经网络模型，其被训练为识别图像中的与交通事故有关的这些物体。考虑到车辆110的有限的计算能力，识别模型113可以被配置为轻量级的神经网络模型，具有低延时的优势，从而能够更快地发现车辆是否经过了交通事故现场。

如上所述，捕获的交通路况图像可以是包括多个帧的视频形式。在这种情况下，三角架之类的目标对象会出现在连续的图像中，应理解，针对这些图像只需要上报一次交通事故。

因此，在703，车辆110聚合检测结果。例如，当一个时间段内的多个图像中均检测到目标对象，并且早于或晚于该时间段的图像中均没有检测到目标对象时，该时间段对应于一次交通交通事故。由此，可以基于检测到目标对象的图像的时间戳来聚合检测结果。然后，车辆可以生成与该时间段内的交通事故有关的事故指示消息。事故指示消息指示交通事故的时间和位置。时间可以是该时间段内的任何时间戳，例如开始时间、中间某个时间或结束时间。位置可以是相对应的图像的采集位置。

然后，在704，车辆110向服务器120发送事故指示消息。如上所述，交通事故指示包含交通事故的时间和位置，但是不一定包含相关联的图像。因此，当多个车辆上报交通事故时，可以节省带宽资源。

接下来，在705，由服务器120聚合事故指示消息。服务器120可以从其覆盖范围内的多个车辆接收到事故指示消息。应理解，位置和时间相同或接近的事故指示消息可能涉及同一交通事故，因此不必针对每一个事故指示消息来识别交通事故。例如，服务器120可以通过聚合操作将位置信息在半径为预定距离的区域内的所有事故指示消息确定为同一交通事故。

如上所述，服务器120具有存储包含历史交通事故的历史库。历史交通事故表示已识别的真实交通事故。在706，服务器120将经聚合的交通事故的时间和位置与历史库进行比较。如果时间和位置与历史库中的某一条交通事故记录的时间和位置都相同或接近(例如，时间相差在预设时间之内、位置差别在预定范围内)时，认为该交通事故已经被上报并通过验证。在这种情况下，可以直接忽略该交通事故，不必再验证。否则，将该交通事故确定为待识别的交通事故。

服务器通过验证交通事故的图像来识别交通事故。在707，服务器120确定具有交通事故图像的车辆，例如，在交通事故的时间段内或之后途径交通事故现场的附加车辆。所确定的车辆可以是向服务器120发送事故指示消息的车辆，也可以不是。即，所确定的车辆不限于上报交通事故的车辆，可以是任何可能具有交通事故图像的车辆、甚至可以是从事故现场经过的其他设备等。

在确定车辆后，在708，服务器120向所确定的车辆的图像记录装置下发图像采集指令。图像采集指令指示服务器所请求的图像，例如与交通事故有关的视频内容的时间。

在709，车辆110基于该指令上传所存储的上述时间或时间段的图像或视频帧。

然后，在710，服务器120基于该图像来确定交通事故的识别结果。如上所述，服务器120可以通过训练好的识别模型122来对接收到的图像进行识别，检测其中是否包括与交通事故有关的目标对象。由此，服务器120可以产生诸如该交通事故为真实交通事故、该交通事故的事故类型等的识别结果。

在711，服务器120发布交通事故信息。该交通事故信息是由车辆上报、并且经过服务器120验证过的情报，因此，本公开提供的交通事故信息具有覆盖率高、及时且可靠的优势。

需要说明的是，在过程700中与服务器交互的车辆110不一定是同一车辆。例如，可以由上报交通事故能力的第一车辆向服务器120发送事故指示消息，但是由与第一车辆不同的第二车辆接收图像采集请求和向服务器发送图像，第二车辆可以只有行车记录仪，不一定要具备上报交通事故的能力。

通过上述各实施例，本公开的交通事故识别方案可以自动确定用户上报的交通事故是否是真实有效的，进而可以准确且及时地发布交通事故报告，改善交通环境。与传统的交通事故上报审核机制相比，首先，本公开不需要用户手动上报交通事故，利用海量行驶车辆的行车记录仪实时获取的图像自动判断是否存在交通事故并上报，从而提高交通事故识别的覆盖范围。此外，上报的交通事故仅需要指示位置和时间，不必上传图像，节省了带宽资源。进一步地，在接收到上报的交通事故后，其余操作均可以通过自动流程实现，避免了人工审核的高成本、高时延，且降低了漏审、误审的可能性，显著提升了用户体验。更为重要地，通过从经过交通事故的多个图像记录装置处采集交通事故的图像，可以获取更全面的图像集合，从而提升了识别结果的正确率。

图8示出了根据本公开的实施例的交通事故识别装置800的框图。如图8所示，交通事故识别装置800可以包括：时间位置确定模块802，被配置为基于车辆上报的事故指示消息确定交通事故的时间和位置；图像记录装置确定模块804，被配置为基于时间和位置确定图像记录装置；图像采集指令发送模块806，被配置为向图像记录装置发送图像采集指令，以使图像记录装置返回与时间相关联的图像；以及识别结果确定模块808，被配置为基于图像确定交通事故的识别结果。

在某些实施例中，时间位置确定模块802可以包括：时间位置信息获取模块，被配置为从事故指示消息中获取时间信息和位置信息；聚合模块，被配置为基于时间信息和位置信息以及其他事故指示消息中的相应时间信息和相应位置信息，对事故指示消息和其他事故指示消息进行聚合，以确定交通事故；以及确定模块，被配置为基于时间信息和位置信息确定交通事故的时间和位置。

在某些实施例中，交通事故识别装置800还可以包括：比较模块，被配置为将时间和位置与历史交通事故的相应时间和相应位置进行比较；判定模块，被配置为如果该时间和位置中的至少一项与历史交通事故的相应时间和相应位置不同，将交通事故确定为待识别的交通事故。

在某些实施例中，图像记录装置可以是附加车辆的图像记录装置，图像记录装置确定模块804可以包括：时间段路段确定模块，被配置为确定与时间相关联的时间段和与位置相关联的路段；以及图像记录装置确定模块，被配置为确定在该时间段内位于该路段的附加车辆的图像记录装置。

在某些实施例中，识别结果确定模块808可以包括：特征表示确定模块，被配置为确定图像的特征表示；以及应用模块，被配置为将特征表示应用于交通事故识别模型，以确定交通事故的识别结果，交通事故识别模型是通过将参考特征表示作为输入、以及将对应的经标注的参考识别结果作为输出来训练得到的。

根据本公开的实施例，本公开还提供了一种电子设备、一种计算机可读存储介质和一种计算机程序产品。

图9示出了其中可以实施本公开的一个或多个实施例的计算设备900的框图。计算设备900是图1所示的布置在车辆110或服务器120的示例实现。应当理解，图9所示出的计算设备900仅仅是示例性的，而不应当构成对本文所描述的实施例的功能和范围的任何限制。

如图9所示，计算设备900是通用计算设备的形式。计算设备900的组件可以包括但不限于一个或多个处理器或处理单元910、存储器920、存储设备930、一个或多个通信单元940、一个或多个输入设备950以及一个或多个输出设备960。处理单元910可以是实际或虚拟处理器并且能够根据存储器920中存储的程序来执行各种处理。在多处理器系统中，多个处理单元并行执行计算机可执行指令，以提高计算设备900的并行处理能力。

计算设备900通常包括多个计算机存储介质。这样的介质可以是计算设备800可访问的任何可以获得的介质，包括但不限于易失性和非易失性介质、可拆卸和不可拆卸介质。存储器920可以是易失性存储器(例如寄存器、高速缓存、随机访问存储器(RAM))、非易失性存储器(例如，只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、闪存)或它们的某种组合。存储设备930可以是可拆卸或不可拆卸的介质，并且可以包括机器可读介质，诸如闪存驱动、磁盘或者任何其他介质，其可以能够用于存储信息和/或数据(例如用于训练的训练数据)并且可以在计算设备900内被访问。

计算设备900可以进一步包括另外的可拆卸/不可拆卸、易失性/非易失性存储介质。尽管未在图9中示出，可以提供用于从可拆卸、非易失性磁盘(例如“软盘”)进行读取或写入的磁盘驱动和用于从可拆卸、非易失性光盘进行读取或写入的光盘驱动。在这些情况中，每个驱动可以由一个或多个数据介质接口被连接至总线(未示出)。存储器920可以包括计算机程序产品925，其具有一个或多个程序模块，这些程序模块被配置为执行本公开的各种实施例的各种方法或动作。

通信单元940实现通过通信介质与其他计算设备进行通信。附加地，计算设备900的组件的功能可以以单个计算集群或多个计算机器来实现，这些计算机器能够通过通信连接进行通信。因此，计算设备900可以使用与一个或多个其他服务器、网络个人计算机(PC)或者另一个网络节点的逻辑连接来在联网环境中进行操作。

输入设备950可以是一个或多个输入设备，例如鼠标、键盘、追踪球等。输出设备960可以是一个或多个输出设备，例如显示器、扬声器、打印机等。计算设备900还可以根据需要通过通信单元940与一个或多个外部设备(未示出)进行通信，外部设备诸如存储设备、显示设备、传感器等，与一个或多个使得用户与计算设备900交互的设备进行通信，或者与使得计算设备900与一个或多个其他计算设备通信的任何设备(例如，网卡、调制解调器等)进行通信。这样的通信可以经由输入/输出(I/O)接口(未示出)来执行。

根据本公开的示例性实现方式，提供了一种计算机可读存储介质，其上存储有一条或多条计算机指令，其中一条或多条计算机指令被处理器执行以实现上文描述的方法。

这里参照根据本公开实现的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其他可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其他可编程数据处理装置、或其他设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实现的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实现，上述说明是示例性的，并非穷尽性的，并且也不限于所公开的各实现。在不偏离所说明的各实现的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实现的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其他普通技术人员能理解本文公开的各实现。

本申请的实施例公开了：

TS1：一种交通事故识别方法，包括：

基于车辆上报的事故指示消息确定所述交通事故的时间和位置；

基于所述时间和所述位置确定图像记录装置；

向所述图像记录装置发送图像采集指令，以使所述图像记录装置返回与所述时间相关联的图像；以及

基于所述图像确定所述交通事故的识别结果。

TS2.根据TS1所述的方法，其中确定所述时间和所述位置包括：

从所述事故指示消息中获取时间信息和位置信息；

基于所述时间信息和所述位置信息以及其他事故指示消息中的相应时间信息和相应位置信息，对所述事故指示消息和所述其他事故指示消息进行聚合，以确定所述交通事故；以及

基于所述时间信息和所述位置信息确定所述交通事故的所述时间和所述位置。

TS3.根据TS1所述的方法，还包括：

将所述时间和所述位置与历史交通事故的相应时间和相应位置进行比较；以及

如果所述时间和所述位置中的至少一项与所述历史交通事故的相应时间和相应位置不同，将所述交通事故确定为待识别的交通事故。

TS4.根据TS1所述的方法，其中所述图像记录装置至少包括附加车辆的图像记录装置，基于所述时间和所述位置确定所述图像记录装置包括：

确定与所述时间相关联的时间段和与所述位置相关联的路段；以及

确定在所述时间段内位于所述路段的所述附加车辆的所述图像记录装置。

TS5.根据TS1所述的方法，其中基于所述图像确定所述交通事故的识别结果包括：

对所述图像进行识别；以及

根据确定所述图像中包括与所述交通事故相关联的目标对象，确定所述交通事故为真实交通事故。

TS6.根据TS5所述的方法，其中所述目标对象包括警示牌、锥桶、坑洼、车体碎片中的至少一项。

TS7.根据TS1所述的方法，其中基于所述图像确定所述交通事故的识别结果包括：

确定所述图像的特征表示；以及

将所述特征表示应用于交通事故识别模型，以确定所述交通事故的识别结果，所述交通事故识别模型是通过将参考特征表示作为输入、以及将对应的经标注的参考识别结果作为输出来训练得到的。

TS8.一种交通事故识别方法，包括：

检测所述交通事故中的目标对象；

基于与所述目标对象相关联的时间信息和位置信息，生成事故指示消息以用于上报事故指示消息；以及

根据确定接收到针对所述目标对象所在的图像的请求，发送所述图像。

TS9.一种交通事故识别装置，包括：

时间位置确定模块，被配置为基于车辆上报的事故指示消息确定所述交通事故的时间和位置；

图像记录装置确定模块，被配置为基于所述时间和所述位置确定图像记录装置；

图像采集指令发送模块，被配置为向所述图像记录装置发送图像采集指令，以使所述图像记录装置返回与所述时间相关联的图像；以及

识别结果确定模块，被配置为基于所述图像确定所述交通事故的识别结果。

TS10.根据TS9所述的交通事故识别装置，其中所述时间位置确定模块包括：

时间位置信息获取模块，被配置为从事故指示消息中获取时间信息和位置信息；

聚合模块，被配置为基于时间信息和位置信息以及其他事故指示消息中的相应时间信息和相应位置信息，对事故指示消息和其他事故指示消息进行聚合，以确定交通事故；以及

确定模块，被配置为基于时间信息和位置信息确定交通事故的时间和位置。

TS11.根据TS9所述的交通事故识别装置，还包括：

比较模块，被配置为将时间和位置与历史交通事故的相应时间和相应位置进行比较；以及

判定模块，被配置为如果该时间和位置中的至少一项与历史交通事故的相应时间和相应位置不同，将交通事故确定为待识别的交通事故。

TS12.根据TS9所述的交通事故识别装置，其中所述图像记录装置是附加车辆的图像记录装置，所述图像记录装置确定模块包括：

时间段路段确定模块，被配置为确定与时间相关联的时间段和与位置相关联的路段；以及

图像记录装置确定模块，被配置为确定在所述时间段内位于所述路段的所述附加车辆的所述图像记录装置。

TS13.根据TS9所述的方法，其中所述识别结果确定模块包括：

图像识别模块，被配置为对所述图像进行识别；以及

真实交通事故确定模块，根据确定所述图像中包括与所述交通事故相关联的目标对象，确定所述交通事故为真实交通事故。

TS14.根据TS13所述的方法，其中所述目标对象包括警示牌、锥桶、坑洼、车体碎片中的至少一项。

TS15.根据TS9所述的交通事故识别装置，其中所述识别结果确定模块包括：

特征表示确定模块，被配置为确定图像的特征表示；以及

应用模块，被配置为将特征表示应用于交通事故识别模型，以确定交通事故的识别结果，所述交通事故识别模型是通过将参考特征表示作为输入、以及将对应的经标注的参考识别结果作为输出来训练得到的。

TS16.一种电子设备，包括：

存储器和处理器；

其中所述存储器用于存储一条或多条计算机指令，其中所述一条或多条计算机指令被所述处理器执行以实现根据TS1至TS8中任一项所述的方法。

TS17.一种计算机可读存储介质，其上存储有一条或多条计算机指令，其中所述一条或多条计算机指令被处理器执行以实现根据TS1至TS8中任一项所述的方法。

TS18.一种计算机程序产品，包括计算机可执行指令，其中所述计算机可执行指令在被处理器执行时实现根据TS1至TS8中任一项所述的方法。