基于残差网络的智能轻微交通事故处理系统设计

吴菲　雷鸣

摘  要： 伴随经济的飞速发展，人们生活水平的提高，私家车数量与日俱增，轻微交通事故频繁发生。文中针对无人员伤亡的轻微交通事故，通过对图像采用空间域锐化滤波处理;使用残差网络构建事故损伤鉴定模型;借助迁移学习提取多车事故多角度图像的特征并融合，构建事故责任鉴定模型;构建一个能够自动处理并有效提高轻微交通事故处理效率的系统。该系统旨在缓解交通事故发生造成的交通堵塞现象，更好的为广大车主提供快捷的服务。

关键词： 深度学习;卷积神经网络;残差网络;迁移学习;图像增强

中图分类号： TP391.4    文献标识码： A    DOI：10.3969/j.issn.1003-6970.2019.07.036

【Abstract】： With the rapid development of economy and the improvement of people's living standards， the number of private cars is increasing day by day， and minor traffic accidents occur frequently. In this paper， aiming at the minor traffic accidents without casualties， we adopt spatial sharpening filtering to process the images; use residual network to construct the accident damage identification model; use transfer learning to extract the features of multi-angle images of multi-vehicle accidents and fuse them to construct the accident liability identification model; and construct a system that can automatically process and effectively improve the efficiency of handling minor traffic accidents. The system aims to alleviate the traffic jam caused by traffic accidents and provide fast service for the majority of car owners.

【Key words】： Deep learning; CNN; ResNet; Transfer learning; Image enhancement

0  引言

由于道路上行驶的机动车数量骤增，道路堵塞成为目前主要的交通问题之一。交通堵塞易造成轻微交通事故频发。一旦发生交通事故，又会加剧交通堵塞情况，形成恶性循环。为解决交通拥挤问题，国家施行众多政策来限制道路上的车流量，如北京市推行的周内定时限行措施，外来车辆进京限制措施等，但还是不足以缓解日常交通负荷。针对一些没有造成人员伤亡的轻微交通事故（如剐蹭、追尾等）而言，等待交警和保险公司人员到达现场处理事故的时间漫长，不仅影响道路的畅通，也会浪费双方车主的时间。而国内却少有相关应用来解决此类轻微交通事故问题。

深度学习是近十年来人工智能领域取得的最重要的突破之一，越来越多的学者将精力投入到深度学习的研究上。深度学习也为图像识别以及分类指明了新的方向和新的思路。其中卷积神经网络（CNN）在语音识别、自然语言处理、计算机视觉等诸多领域都取得了巨大成功。卷积神经网络主要由输入层、隐藏层、输出层构成。通过权值共享加强网络的计算性能;减少参数量来提升网络收敛泛化能力。

为了能够快速处理轻微交通事故，缓解因轻微交通事故带来的交通拥堵问题，很多国家和地区提倡车主使用针对轻微交通事故的快速理赔通道，同时也有很多保险机构为了能够吸引更多消费者的选择，开通了事故快速理赔功能。“快速”成为了人们的一个选择方向。但是，现在已有的快速理赔方式是通过对事故现场图片的上传保存，后期人为判断，仍然不能得到广泛用户的认可和选择，普及性和权威性有待考证。同时面对目前的种种交通问题，如道路拥堵、车牌检测、车速检测等有很多学者采用深度学习的方法来解决。文献[1]经过与传统回归模型和传统神经网络模型进行实验对比，建立了拟合效果更佳的基于LSTM神经网络的交通事故模型对交通安全水平指标进行预测;文献[2]使用结合卷积神经网络自动提取特着和选择的优势和XGBoost对高位特征向量的预测优势，提出一种能够人工构造特征、充分提取交通流的时空特征的混合预测模型;文献[3]通过结合Squeeze-and-Excitation思想和残差网络结构，训练出一个用来识别道路交通标志的MRESE卷积神经网络模型;文献[4]为了能够给市民提供实时、便捷的公交出行服务，提出一种基于基于无监督特征学习理论和改进卷积神经网络的短时公交站点客流预测模型。使用深度学习方法应用在智能交通领域是目前的一个新的趋势，因此，针对輕微交通事故的处理，使用深度学习卷积神经网络模型对图片的精准识别和分类，便能更高效的处理轻微交通事故。

残差网络ResNet[5-7]借鉴Highway Network思想解决了因层数较深无法训练的问题。在ResNet中残差块的使用有助于解决梯度消失和梯度爆炸问题，让我们不仅能够训练更深的网络模型，同时也能得到更好的性能

迁移学习[8]在源领域和目标领域具有一定的关联的条件下，从源领域数据和特征中提取相关知识来训练目标领域分类模型。进而让已学习知识能够在相似或相关领域进行复用和迁移。不仅可降低训练模型的成本，还能提高机器学习的学习效果。

本系统拟将残差网络与迁移学习相结合，针对单车轻微事故和多车轻微事故两类问题，通过车主已上传的全方位事故现场图像的锐化增强，当发生单车事故，选择残差网络对碰撞局部进行损伤分类鉴定;当多车事故发生，不仅要对事故车辆局部损伤通过残差网络进行损伤分类鉴定，还要将处理好的事故环境全景图通过迁移学习模型，对事故车辆进行责任鉴定。这样事故方不仅可以高效解决问题，还可以快速撤离现场。极大的提高了轻微交通事故处理效率，同时又节省了多方人士的时间。

1  智能轻微交通事故处理系统设计

目前交通事故的人为处理流程如图1所示。当事故发生时，车主需要对事故现场进行保护并报案，然而无论车主向交警报案还是向保险公司报案，都会产生取证、核定损失、审查核定等步骤。

人为处理存在两个弊端，首先当事故发生时，车主为了得到合法权益的保障，需保护现场，并等待交警和保险公司人员的到来。处理过程不仅会严重影响道路的畅通，还极大的降低了处理事故的效率。其次当放生多车事故，车主使用目前已有的快速理赔通道，人为上传多方位事故现场的图片时，双方车主容易对事故责任产生鉴定分歧，鉴定结果不具备说服力。因此，借助深度学习，设计一个轻微交通事故处理系统，通过机器自动判别事故责任方来提高处理过程的效率进而达到节约时间的目的。

1.1  智能轻微交通事故处理系统流程设计

智能轻微交通事故处理系统流程如图2所示，其处理的步骤如下：

（1）用户上传事故现场照片;

（2）将事故现场照片进行图像增强处理;

（3）调用事故损伤鉴定网络模型对局部碰撞损进行分类鉴定;

（4）调用多车事故责任鉴定模型对多车事故进行责任方鉴定;

（5）输出结果。

根据图2可以看到，本系统针对单车和多车两类轻微交通事故进行处理。当车主将事故现场图片上传之后，系统会在预处理之后自动将事故图片依次输入到已经训练好的多方事故责任鉴定模型和事故损伤鉴定模型当中，输出相关鉴定结果。

因此，系统的研究核心在于复杂环境背景下的事故现场图片预处理、深度残差网络建立、迁移学习模型的调用。由于事故多发生在复杂环境背景下，因此，在将图片输入到网络模型前，为了能够提高损伤分类识别的准确率，使用空间域锐化滤波对图片进行处理，对发生碰撞的局部图像进行图像增强。通过使用残差网络，对网络中获取到的已有车辆损伤图像的特征学习，训练得到车辆碰撞损伤程度分类鉴定模型。对于多车轻微交通事故，通过迁移学习已经训练成熟的用来识别车辆的VGG-16网络模型，对多车事故图像进行车辆目标检测，并融合多角度图片提取到的特征，得到事故责任鉴定模型。

2  单车事故处理模型设计

单车事故就是指在机动车发生的交通事故中，事故当事人仅机动车一方，无其他事故当事方的交通事故。在机动车保险关系中，单车事故还指无法找到相对方的机动车保险事故。如机动车碰撞墙壁等坚硬物体对车辆造成损伤的情况。由此可见，单车交通事故只涉及单个车辆，同时伴有相应的车辆磨损。

2.1  单车事故处理流程

处理单车事故时如图3，由车主主动上传事故现场照片环境图及主要碰撞部位图。通过对图像进行增强处理然后发送到残差网络训练模型中，提取损伤特征，输出损伤程度分类结果，根据损伤程度结果生成损伤鉴定报告。

2.2  图像增强

由于单车事故主要为车辆自身的损伤鉴定，为了增强优化碰撞部位的视觉效果，提高碰撞图像成分的清晰度;同时能够让计算机更好的处理图像，因此需要对车辆损伤部位图像进行图像增强。图像增强算法主要分为空间域法和频率域法两类。为了能够突出碰撞部位便于识别目标将图像进行锐化处理，选取空间域锐化滤波对图像进行增强处理。

2.2.1  空间域锐化滤波

对于彩色图像的锐化处理，使用RGB的分量来代替灰度标量值。通过RGB的使用将几幅标量图像视为该向量的分量，单独将原RGB图像的每个平面进行锐化来实现。

2.3  ResNet网络模型

残差网络（Residual Network，简写为ResNet）由微软研发，并于2015年ILSVRC图像分类和物体识别算法比赛中取得优胜。由于其对图像识别的高精准率，本系统选择残差网络训练系统模型，将单车发生的轻微交通事故碰撞部位图片进行图像增强，处理完成后作为残差网络的输入数据。ResNet是使用残差块建立的大规模卷积神经网络，为了避免因层数加深发生的过拟合现象，其隐含层共有16个残差块，以提高训练数据的正确率。残差网络结构如图5所示。

（1）残差块能够避免因层数加深发生的过拟合现象，以提高训练数据的正确率。

（2）图6表明，残差块通过将上层网络层提取到的碰撞损伤特征进行分流，一条按照正常的顺序继续向前一层层进行，另一条直接跳过若干网络层，将提取到碰撞损失特征直接作为之后网络层的输入。

（3）在卷积层，通过计算输入交通事故图像的区域和滤波器权重矩阵之间的点积，将其结果作为本层的输出。滤波器重复点积计算对整个图像进行遍历。当输入事故现场图像宽W、高H，滤波器大小

為了使神经网络可以无限逼近非线性函数，激活函数的使用可以优化线性组合。ReLu激活函数能够克服梯度消失问题，加快训练速度。因此，在每一组卷积池化操作之后，使用ReLu激活函数。但是要谨慎选择学习率（Learning Rate），学习率太高会导致梯度超过目标最小值，学习率太低会影响网络模型收敛速度。

（5）在全连接层，该层的每个神经元与前一层的所有神经元进行全连接。其输出值采用softmax逻辑回归进行碰撞后损伤的多种分类。对于多类问题，类别标签 可以有C个取值。假设一个样本x，softmax回归预测的属于类别c的条件概率为：

在选择损失函数时，选择适用于分类问题的交叉熵损失函数（Cross-Entropy Loss Function），假设样本的标签 为离散的类别，模型   的输出为类别标签的条件概率分布，即

3  多车事故系统设計

多车事故指在机动车发生的交通事故中，事故方为两个及其以上的交通事故。在机动车保险关系中可以找到相关对应的信息。

3.1  多车事故处理流程

处理多车事故时如图8，有车主根据指引主动拍摄事故现场照片环境、事故双方车辆和主要碰撞部位图。通过输入利用迁移学习训练好的多车识别模型，提取事故信息，输出损伤程度鉴定报告。

3.2  迁移学习

迁移学习按照学习方式可以分为基于样本的迁移，基于特征的迁移，基于模型的迁移，以及基于关系的迁移。而目前热门的研究主要分为四大类：域适配问题（domain adaptation），多源迁移学习（multi-source TL）。深度迁移学习（deep-TL）和异构迁移学习（heterogeneous TL）。

（1）域适配问题主要解决将源域和目标域变换到相同空间，最小化它们的距离。主要包括基于样本的迁移，基于特征的迁移，基于模型的迁移。

（2）多源迁移学习解决有效筛选多个源域和目标域，并进行迁移。

（3）深度迁移学习主要是利用深度神经网络的结构进行迁移学习。例如CNN，MDNN，DAN等。

由于已经有比较成熟的汽车识别网络，所以利用深度学习网络搭建基于模型的迁移（parameter based TL）实现汽车的碰撞检测，利用源域和目标域的参数共享模型。

文中采用基于Stanford Cars Dataset数据集训练 VGG-16模型利用深度迁移网络抽取汽车的图像特征，如图9所示。

3.2.1  源网络-VGG-16

为了降低计算消耗，采用迁移学习从训练成熟的汽车识别网络中提取特征，训练多车事故责任鉴定模型。在降低深度学习所用的硬件资源的同时，保证了目标检测的准确性。

目前比较成熟的汽车识别模型都是运用英国牛津大学在2014年提出的VGG卷积神经网络模型。VGG-16和VGG-19的模型权重均是由ImageNet网络训练而来。并且它在同年的ILSVRC比赛中取得了92.3%的正确率。在图像分类和目标检测领域中都取得了非常优秀的结果。VGG-16的模型结构如图10所示。

图中的VGG-16由13个卷积层+3个全连接层=16层构成，每层采用的卷积核大小为3×3×3，步长stride=1，padding=1，池化层pooling为2×2的max pooling。VGGNet的结构非常简洁，整个网络都使用了同样大小的卷积核尺寸（3×3）和最大池化Max pooling尺寸（2×2）。而且VGGNet证明了几个小滤波器（3×3）卷积层的组合比一个大滤波器（5×5或7×7）卷积层卷积效果好。但是VGGNet由于使用了更多的权重参数，也耗费了更多计算资源。

3.2.2  深度迁移学习

基于迁移学习网络的特点，文中采用同构迁移学习中的深度迁移学习来训练多车事责任鉴定模型。

由于多车事故责任鉴定的数据集较小，并且和汽车分类的数据集图像相似，所以只冻结和训练最后一层。为了抽取更加详细的特征，建立如图11所示的迁移学习模型实现特征抽取 （Feature extraction）和融合：

（1）去掉VGG-16的最后一个全连接层（full connect layer）;

（2）新增加符合多车事故责任分类的新数据集类别个数的全连接层;

（3）其他预训练层的权值不变，只随机初始化新增加层的权值;

（4）使用多车事故责任数据集来训练新的全连接层;

（5）将多通道训练的多角度特征在最后一层full connect layer 中多特征融合得到事故责任鉴定结果。

4  结语

本文通过对互联网中已有的交通事故图片的搜集和处理，搭建用来鉴定交通事故车辆损伤程度鉴定模型。

在单车事故分析中，通过使用拉普拉斯锐化滤波算子对单车事故车辆碰撞部位的图像进行锐化增强，提高碰撞图像成分的清晰度。之后将增强后的图像作为ResNet的输入，进行特征提取。进而对事故车辆进行碰撞损伤程度的鉴定，并将鉴定结果以报告的形式反馈。

在多车事故中，通过从Car Dataset训练成熟的VGG-16作为源网络，利用深度迁移学习训练轻微多车事故责任数据集，得到多车事故责任分类模型。随后利用训练完成的多车事故责任模型对现场上传的多车事故进行责任分配。随后得到损伤事故责任鉴定报告，并完成多车事故责任处理的子系统。能够精准的检测到图像中主要事故车辆所在的位置，并将多路网络提取到的特征进行特征融合训练出一个分类器，得到了多车事故责任鉴定模型。

在互联网飞速发展的时代，人们的生活逐渐向智能化迈进。智慧城市的形成，将人工智能带到日常生活当中，不仅便利了人们的日常出行，同时也为人们提供了更多选择。交通系统也在逐渐像智能交通转变。交通事故，尤其是没有人员伤害的轻微交通事故作为交通系统的一部分，结合目前的人工智能来以新的方式解决问题，更为智能交通作出一份贡献。

参考文献：

[1] 张志豪， 杨文忠， 袁婷婷， 等. 基于LSTM神经网络模型的交通事故预测[J/OL]. 计算机工程与应用： 1-7.2019-05-14.

http：//kns.cnki.net/kcms/detail/11.2127.tp.20190511.1229.002.html.

[2] 王青松，谢兴生， 佘颢.基于CNN-XGBoost混合模型的短时交通流预测[J]. 测控技术， 2019， 38（4）： 37-39， 67.

[3] 狄岚， 何锐波， 梁久祯. 基于可能性聚类和卷积神经网络的道路交通标识识别算法[J]. 南京大學学报（自然科学）， 2019， 55（02）： 238-250.

[4] 陈深进， 薛洋. 基于改进卷积神经网络的短时公交客流预测[J]. 计算机科学， 2019， 46（5）： 175-184.

[5] He Kaming， Zhang Xiangyu， Ren Shaoqing， et al. Deep residual learning for image recognition [C]// Proc of IEEE Conference on Computer Vision and Pattern Recognition. Piscataway， NJ： IEEE Press， 2016： 770-778.

[6] Khan R U， Zhang X， Kumar R. Analysis of ResNet and GoogleNet models for malware detection[J]. Journal of Computer Virology and Hacking Techniques， 2018： 1-9.

[7] Workman S， Childs M， Causey J， et al. Get Connected： An Approach to ResNet Services.[J]. Educause Quarterly， 2006， 29（4）： 14-21.

[8] 王惠. 迁移学习研究综述[J]. 电脑知识与技术， 2017， 13（32）： 203-205.

[9] 阮秋琦. 数字图像处理学[M]. 北京： 电子工业出版社， 2013， 455-461.

[10] 宋焕生， 张向清， 郑宝峰， 等. 基于深度学习方法的复杂场景下车辆目标检测[J]. 计算机应用研究， 2018， 35（04）： 1270-1273.

[11] 周飞燕， 金林鹏， 董军. 卷积神经网络研究综述[J]. 计算机学报， 2017， 40（6）： 1229-1251.

[12] 李玲， 李晋宏. 基于随机森林修正的加权二部图推荐算法[J]. 软件， 2018， 39（1）： 110-115.

[13] 何俊， 刘跃， 李倡洪， 等. 基于改进的深度残差网络的表情识别研究[J]. 计算机应用研究， 2019， 37（5）.

[14] 许军. 基于深度学习的道路场景识别算法研究[D]. 北方工业大学. 2018.

[15] 麻旋， 戴曙光. 基于残差网络的图像超分辨率算法改进研究[J]. 软件导刊， 2018（4）： 91-93.

[16] 谭娟， 王胜春. 基于深度学习的交通拥堵预测模型研究[J]. 计算机应用研究， 2015（10）： 2951-2954.

[17] 马青华， 吕书强， 蔡春. 数字图像的增强方法研究[J]. 网络空间安全， 2011（11）： 14-15.

[18] 吴亚熙， 岑峰. 基于卷积神经网络的多层级目标检测方法[J]. 软件， 2018， 39（4）： 164-169.

[19] 孙吉鹏， 袁郭苑， 杜泽林. 学习行为分析的段落粒度在线教程系统[J]. 软件， 2018， 39（4）： 137-141.

[20] Dai W， Yang Q， Xue G R， et al. Boosting for transfer learning[C]// Proceedings of the 24th international conference on Machine learning. ACM， 2007： 193-200.

[21] Al-Halah Z， Rybok L， Stiefelhagen R. What to transfer？ High-level semantics in transfer metric learning for action similarity[C]//Pattern Recognition （ICPR）， 2014 22nd Inte?rnational Conference on. IEEE， 2014： 2775- 2780. Oquab， Bottou， Laptev， Sivic： Learning and Transferring Mid-Level Image Representations using Convolutional Neural Networks. CVPR 2014.

[22] 安大海， 蒋砚军. 基于BP 神经网络的人脸识别系统[J]. 软件， 2015， 36（12）： 76-79.

[23] Long M， Cao Y， Wang J， et al. Learning Transferable Fea?tures with Deep Adaptation Networks[C]//ICML. 2015： 97-105.

[24] Weiss K， Khoshgoftaar T M， Wang D D. A survey of transfer learning[J]. Journal of Big Data， 2016， 3（1）： 1-40.

[25] 张晓明， 尹鸿峰. 基于卷积神经网络和语义信息的场景分类[J]. 软件， 2018， 39（01）： 29-34.