[發(fā)明專利]一種基于區(qū)塊鏈和IVggNet的交通事故判責(zé)模型

在審

• 申請(qǐng)?zhí)枺?/td>: 202110046331.9
• 申請(qǐng)日: 2021-01-14
• 公開（公告）號(hào): CN112749661A
• 公開（公告）日: 2021-05-04
• 發(fā)明（設(shè)計(jì)）人: 周洪成;李剛
• 申請(qǐng)（專利權(quán)）人: 金陵科技學(xué)院
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08;G06Q50/18;G06Q50/30;G06F16/2458;G06F16/27
• 代理公司: 南京眾聯(lián)專利代理有限公司 32206
• 代理人: 蔣昱

1.一種基于區(qū)塊鏈和IVggNet的交通事故判責(zé)模型，具體步驟如下，其特征在于：

步驟1，將此次交通事故的數(shù)據(jù)上傳至區(qū)塊鏈節(jié)點(diǎn)，其中數(shù)據(jù)包括：車載GPS數(shù)據(jù)、電子監(jiān)控設(shè)備拍攝的圖片和視頻數(shù)據(jù)、車聯(lián)網(wǎng)數(shù)據(jù)等；

步驟2，利用區(qū)塊鏈技術(shù)對(duì)上傳的事故數(shù)據(jù)進(jìn)行分類整合和相應(yīng)的存儲(chǔ)；

步驟3，利用所提出的IVggNet模型從區(qū)塊鏈中拿取數(shù)據(jù)，在經(jīng)過SIFT特征提取和增強(qiáng)后，利用改進(jìn)的VggNet對(duì)數(shù)據(jù)進(jìn)行進(jìn)一步的挖掘，最終對(duì)此次事故進(jìn)行判責(zé)；

步驟4，將步驟3中的判別結(jié)果與交警部門的判責(zé)結(jié)果進(jìn)行對(duì)比，如果相同，跳轉(zhuǎn)到步驟6，否則跳轉(zhuǎn)至步驟5；

步驟5，將此次事故的數(shù)據(jù)和交警部門的判責(zé)結(jié)果上傳至區(qū)塊鏈模型糾錯(cuò)訓(xùn)練集中，當(dāng)糾錯(cuò)訓(xùn)練集中的樣本數(shù)據(jù)達(dá)到設(shè)定的閾值時(shí)，對(duì)IVggNet模型進(jìn)行更新，最后將更新的IVggNet模型上傳至區(qū)塊鏈，實(shí)現(xiàn)數(shù)據(jù)和模型的共享；

步驟6，根據(jù)判責(zé)結(jié)果對(duì)此次交通事故進(jìn)行處理。

2.根據(jù)權(quán)利要求1所述的一種基于區(qū)塊鏈和IVggNet的交通事故判責(zé)模型，其特征在于：步驟1中交通事故的數(shù)據(jù)具體有：

車載GPS數(shù)據(jù)有：在發(fā)生事故時(shí)汽車速度的變化數(shù)據(jù)和剎車加速度變化數(shù)據(jù)等；電子監(jiān)控?cái)?shù)據(jù)有：攝像頭拍攝的路況圖、發(fā)生事故的視頻、車流時(shí)空分布圖和駕駛員駕駛姿勢(shì)等；車聯(lián)網(wǎng)數(shù)據(jù)有：操控?cái)?shù)據(jù)、環(huán)境數(shù)據(jù)和工況數(shù)據(jù)等。

3.根據(jù)權(quán)利要求1所述的一種基于區(qū)塊鏈和IVggNet的交通事故判責(zé)模型，其特征在于：步驟2中將上傳的事故數(shù)據(jù)進(jìn)行分類整合和相應(yīng)的存儲(chǔ)，其特征是：

當(dāng)上傳的數(shù)據(jù)面向公眾共享時(shí)，可將當(dāng)前節(jié)點(diǎn)接入公有鏈；相反，當(dāng)數(shù)據(jù)歸私有所有時(shí)，可選擇私有鏈的搭建，同時(shí)對(duì)數(shù)據(jù)進(jìn)行加密處理。

4.根據(jù)權(quán)利要求1所述的一種基于區(qū)塊鏈和IVggNet的交通事故判責(zé)模型，其特征在于：步驟3中IVggNet模型數(shù)據(jù)處理和分析的具體步驟為：

步驟3.1，利用尺度不變特征轉(zhuǎn)換對(duì)從步驟2中獲取的數(shù)據(jù)進(jìn)行局部特征提取以增強(qiáng)圖片的特征，其具體的步驟為：

步驟3.1.1，多尺度空間的構(gòu)建，本發(fā)明采用高斯卷積核完成相應(yīng)的尺度變換，得到的尺度空間圖像L(x,y,σ)表達(dá)式為：

式中G(x,y,σ)為二維高斯函數(shù)，表示卷積運(yùn)算，I(x,y)代表輸入的圖像，G(x,y,σ)具體的表達(dá)式為：

式中，x,y表示圖像的坐標(biāo)，σ為尺度因子；

步驟3.1.2，在尺度空間中檢測極值點(diǎn)，并進(jìn)行精確定位和篩選，此處選擇用Taylor函數(shù)在極值點(diǎn)附近進(jìn)行展開，將對(duì)比度低的點(diǎn)除去，然后利用Hessian矩陣除去不穩(wěn)定的邊緣響應(yīng)點(diǎn)；

步驟3.1.3，確定特征點(diǎn)主方向，其中梯度g(x,y)和方向θ(x,y)的求解公式為：

式中，L(x,y)為特征點(diǎn)所在的高斯圖像；

步驟3.1.4，旋轉(zhuǎn)坐標(biāo)軸至特征點(diǎn)的主方向，并計(jì)算特征點(diǎn)的特征描述符；

步驟3.2，將步驟3.1得到的數(shù)據(jù)輸入到改進(jìn)的VggNet對(duì)數(shù)據(jù)進(jìn)行進(jìn)一步的挖掘；其具體步驟為：

步驟3.2.1，利用TensorFlow架構(gòu)搭建IVggNet模型，其中模型網(wǎng)絡(luò)結(jié)構(gòu)為：輸入層—卷積層1—卷積層2—池化層1—卷積層3—卷積層4—池化層2—卷積層5—卷積層6—卷積層7—池化層3—卷積層8—卷積層9—卷積層10—池化層4—卷積層11—卷積層12—卷積層13—池化層5—全連接層1—全連接層2—Softmax層；

步驟3.2.2，利用已有的訓(xùn)練數(shù)據(jù)集對(duì)IVggNet模型進(jìn)行訓(xùn)練，并且向原有的損失函數(shù)中加入正則懲罰項(xiàng)，具體的損失函數(shù)L_IVggNet可表示為：

式中，L_c和L_r分別表示交叉熵?fù)p失項(xiàng)和正則項(xiàng)，N為樣本數(shù)，s⁽ⁱ⁾為實(shí)際樣本標(biāo)簽，為Softmax層判別的標(biāo)簽，λ為正則化系數(shù)，卷積核權(quán)重系數(shù)表示為w_i，數(shù)量為m；

步驟3.2.3，利用Adam算法對(duì)IVggNet模型的權(quán)重系數(shù)進(jìn)行反向更新，直至損失函數(shù)L_IVggNet達(dá)到收斂閾值1e-5，此時(shí)認(rèn)為模型訓(xùn)練完成。