吳菲　雷鳴

摘? 要： 伴隨經(jīng)濟的飛速發(fā)展，人們生活水平的提高，私家車數(shù)量與日俱增，輕微交通事故頻繁發(fā)生。文中針對無人員傷亡的輕微交通事故，通過對圖像采用空間域銳化濾波處理;使用殘差網(wǎng)絡構(gòu)建事故損傷鑒定模型;借助遷移學習提取多車事故多角度圖像的特征并融合，構(gòu)建事故責任鑒定模型;構(gòu)建一個能夠自動處理并有效提高輕微交通事故處理效率的系統(tǒng)。該系統(tǒng)旨在緩解交通事故發(fā)生造成的交通堵塞現(xiàn)象，更好的為廣大車主提供快捷的服務。

關(guān)鍵詞： 深度學習;卷積神經(jīng)網(wǎng)絡;殘差網(wǎng)絡;遷移學習;圖像增強

中圖分類號： TP391.4? ? 文獻標識碼： 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

由于道路上行駛的機動車數(shù)量驟增，道路堵塞成為目前主要的交通問題之一。交通堵塞易造成輕微交通事故頻發(fā)。一旦發(fā)生交通事故，又會加劇交通堵塞情況，形成惡性循環(huán)。為解決交通擁擠問題，國家施行眾多政策來限制道路上的車流量，如北京市推行的周內(nèi)定時限行措施，外來車輛進京限制措施等，但還是不足以緩解日常交通負荷。針對一些沒有造成人員傷亡的輕微交通事故（如剮蹭、追尾等）而言，等待交警和保險公司人員到達現(xiàn)場處理事故的時間漫長，不僅影響道路的暢通，也會浪費雙方車主的時間。而國內(nèi)卻少有相關(guān)應用來解決此類輕微交通事故問題。

深度學習是近十年來人工智能領(lǐng)域取得的最重要的突破之一，越來越多的學者將精力投入到深度學習的研究上。深度學習也為圖像識別以及分類指明了新的方向和新的思路。其中卷積神經(jīng)網(wǎng)絡（CNN）在語音識別、自然語言處理、計算機視覺等諸多領(lǐng)域都取得了巨大成功。卷積神經(jīng)網(wǎng)絡主要由輸入層、隱藏層、輸出層構(gòu)成。通過權(quán)值共享加強網(wǎng)絡的計算性能;減少參數(shù)量來提升網(wǎng)絡收斂泛化能力。

為了能夠快速處理輕微交通事故，緩解因輕微交通事故帶來的交通擁堵問題，很多國家和地區(qū)提倡車主使用針對輕微交通事故的快速理賠通道，同時也有很多保險機構(gòu)為了能夠吸引更多消費者的選擇，開通了事故快速理賠功能。“快速”成為了人們的一個選擇方向。但是，現(xiàn)在已有的快速理賠方式是通過對事故現(xiàn)場圖片的上傳保存，后期人為判斷，仍然不能得到廣泛用戶的認可和選擇，普及性和權(quán)威性有待考證。同時面對目前的種種交通問題，如道路擁堵、車牌檢測、車速檢測等有很多學者采用深度學習的方法來解決。文獻[1]經(jīng)過與傳統(tǒng)回歸模型和傳統(tǒng)神經(jīng)網(wǎng)絡模型進行實驗對比，建立了擬合效果更佳的基于LSTM神經(jīng)網(wǎng)絡的交通事故模型對交通安全水平指標進行預測;文獻[2]使用結(jié)合卷積神經(jīng)網(wǎng)絡自動提取特著和選擇的優(yōu)勢和XGBoost對高位特征向量的預測優(yōu)勢，提出一種能夠人工構(gòu)造特征、充分提取交通流的時空特征的混合預測模型;文獻[3]通過結(jié)合Squeeze-and-Excitation思想和殘差網(wǎng)絡結(jié)構(gòu)，訓練出一個用來識別道路交通標志的MRESE卷積神經(jīng)網(wǎng)絡模型;文獻[4]為了能夠給市民提供實時、便捷的公交出行服務，提出一種基于基于無監(jiān)督特征學習理論和改進卷積神經(jīng)網(wǎng)絡的短時公交站點客流預測模型。使用深度學習方法應用在智能交通領(lǐng)域是目前的一個新的趨勢，因此，針對輕微交通事故的處理，使用深度學習卷積神經(jīng)網(wǎng)絡模型對圖片的精準識別和分類，便能更高效的處理輕微交通事故。

殘差網(wǎng)絡ResNet[5-7]借鑒Highway Network思想解決了因?qū)訑?shù)較深無法訓練的問題。在ResNet中殘差塊的使用有助于解決梯度消失和梯度爆炸問題，讓我們不僅能夠訓練更深的網(wǎng)絡模型，同時也能得到更好的性能

遷移學習[8]在源領(lǐng)域和目標領(lǐng)域具有一定的關(guān)聯(lián)的條件下，從源領(lǐng)域數(shù)據(jù)和特征中提取相關(guān)知識來訓練目標領(lǐng)域分類模型。進而讓已學習知識能夠在相似或相關(guān)領(lǐng)域進行復用和遷移。不僅可降低訓練模型的成本，還能提高機器學習的學習效果。

本系統(tǒng)擬將殘差網(wǎng)絡與遷移學習相結(jié)合，針對單車輕微事故和多車輕微事故兩類問題，通過車主已上傳的全方位事故現(xiàn)場圖像的銳化增強，當發(fā)生單車事故，選擇殘差網(wǎng)絡對碰撞局部進行損傷分類鑒定;當多車事故發(fā)生，不僅要對事故車輛局部損傷通過殘差網(wǎng)絡進行損傷分類鑒定，還要將處理好的事故環(huán)境全景圖通過遷移學習模型，對事故車輛進行責任鑒定。這樣事故方不僅可以高效解決問題，還可以快速撤離現(xiàn)場。極大的提高了輕微交通事故處理效率，同時又節(jié)省了多方人士的時間。

1? 智能輕微交通事故處理系統(tǒng)設(shè)計

目前交通事故的人為處理流程如圖1所示。當事故發(fā)生時，車主需要對事故現(xiàn)場進行保護并報案，然而無論車主向交警報案還是向保險公司報案，都會產(chǎn)生取證、核定損失、審查核定等步驟。

人為處理存在兩個弊端，首先當事故發(fā)生時，車主為了得到合法權(quán)益的保障，需保護現(xiàn)場，并等待交警和保險公司人員的到來。處理過程不僅會嚴重影響道路的暢通，還極大的降低了處理事故的效率。其次當放生多車事故，車主使用目前已有的快速理賠通道，人為上傳多方位事故現(xiàn)場的圖片時，雙方車主容易對事故責任產(chǎn)生鑒定分歧，鑒定結(jié)果不具備說服力。因此，借助深度學習，設(shè)計一個輕微交通事故處理系統(tǒng)，通過機器自動判別事故責任方來提高處理過程的效率進而達到節(jié)約時間的目的。

1.1? 智能輕微交通事故處理系統(tǒng)流程設(shè)計

智能輕微交通事故處理系統(tǒng)流程如圖2所示，其處理的步驟如下：

（1）用戶上傳事故現(xiàn)場照片;

（2）將事故現(xiàn)場照片進行圖像增強處理;

（3）調(diào)用事故損傷鑒定網(wǎng)絡模型對局部碰撞損進行分類鑒定;

（4）調(diào)用多車事故責任鑒定模型對多車事故進行責任方鑒定;

（5）輸出結(jié)果。

根據(jù)圖2可以看到，本系統(tǒng)針對單車和多車兩類輕微交通事故進行處理。當車主將事故現(xiàn)場圖片上傳之后，系統(tǒng)會在預處理之后自動將事故圖片依次輸入到已經(jīng)訓練好的多方事故責任鑒定模型和事故損傷鑒定模型當中，輸出相關(guān)鑒定結(jié)果。

因此，系統(tǒng)的研究核心在于復雜環(huán)境背景下的事故現(xiàn)場圖片預處理、深度殘差網(wǎng)絡建立、遷移學習模型的調(diào)用。由于事故多發(fā)生在復雜環(huán)境背景下，因此，在將圖片輸入到網(wǎng)絡模型前，為了能夠提高損傷分類識別的準確率，使用空間域銳化濾波對圖片進行處理，對發(fā)生碰撞的局部圖像進行圖像增強。通過使用殘差網(wǎng)絡，對網(wǎng)絡中獲取到的已有車輛損傷圖像的特征學習，訓練得到車輛碰撞損傷程度分類鑒定模型。對于多車輕微交通事故，通過遷移學習已經(jīng)訓練成熟的用來識別車輛的VGG-16網(wǎng)絡模型，對多車事故圖像進行車輛目標檢測，并融合多角度圖片提取到的特征，得到事故責任鑒定模型。

2? 單車事故處理模型設(shè)計

單車事故就是指在機動車發(fā)生的交通事故中，事故當事人僅機動車一方，無其他事故當事方的交通事故。在機動車保險關(guān)系中，單車事故還指無法找到相對方的機動車保險事故。如機動車碰撞墻壁等堅硬物體對車輛造成損傷的情況。由此可見，單車交通事故只涉及單個車輛，同時伴有相應的車輛磨損。

2.1? 單車事故處理流程

處理單車事故時如圖3，由車主主動上傳事故現(xiàn)場照片環(huán)境圖及主要碰撞部位圖。通過對圖像進行增強處理然后發(fā)送到殘差網(wǎng)絡訓練模型中，提取損傷特征，輸出損傷程度分類結(jié)果，根據(jù)損傷程度結(jié)果生成損傷鑒定報告。

2.2? 圖像增強

由于單車事故主要為車輛自身的損傷鑒定，為了增強優(yōu)化碰撞部位的視覺效果，提高碰撞圖像成分的清晰度;同時能夠讓計算機更好的處理圖像，因此需要對車輛損傷部位圖像進行圖像增強。圖像增強算法主要分為空間域法和頻率域法兩類。為了能夠突出碰撞部位便于識別目標將圖像進行銳化處理，選取空間域銳化濾波對圖像進行增強處理。

2.2.1? 空間域銳化濾波

對于彩色圖像的銳化處理，使用RGB的分量來代替灰度標量值。通過RGB的使用將幾幅標量圖像視為該向量的分量，單獨將原RGB圖像的每個平面進行銳化來實現(xiàn)。

2.3? ResNet網(wǎng)絡模型

殘差網(wǎng)絡（Residual Network，簡寫為ResNet）由微軟研發(fā)，并于2015年ILSVRC圖像分類和物體識別算法比賽中取得優(yōu)勝。由于其對圖像識別的高精準率，本系統(tǒng)選擇殘差網(wǎng)絡訓練系統(tǒng)模型，將單車發(fā)生的輕微交通事故碰撞部位圖片進行圖像增強，處理完成后作為殘差網(wǎng)絡的輸入數(shù)據(jù)。ResNet是使用殘差塊建立的大規(guī)模卷積神經(jīng)網(wǎng)絡，為了避免因?qū)訑?shù)加深發(fā)生的過擬合現(xiàn)象，其隱含層共有16個殘差塊，以提高訓練數(shù)據(jù)的正確率。殘差網(wǎng)絡結(jié)構(gòu)如圖5所示。

（1）殘差塊能夠避免因?qū)訑?shù)加深發(fā)生的過擬合現(xiàn)象，以提高訓練數(shù)據(jù)的正確率。

（2）圖6表明，殘差塊通過將上層網(wǎng)絡層提取到的碰撞損傷特征進行分流，一條按照正常的順序繼續(xù)向前一層層進行，另一條直接跳過若干網(wǎng)絡層，將提取到碰撞損失特征直接作為之后網(wǎng)絡層的輸入。

（3）在卷積層，通過計算輸入交通事故圖像的區(qū)域和濾波器權(quán)重矩陣之間的點積，將其結(jié)果作為本層的輸出。濾波器重復點積計算對整個圖像進行遍歷。當輸入事故現(xiàn)場圖像寬W、高H，濾波器大小

為了使神經(jīng)網(wǎng)絡可以無限逼近非線性函數(shù)，激活函數(shù)的使用可以優(yōu)化線性組合。ReLu激活函數(shù)能夠克服梯度消失問題，加快訓練速度。因此，在每一組卷積池化操作之后，使用ReLu激活函數(shù)。但是要謹慎選擇學習率（Learning Rate），學習率太高會導致梯度超過目標最小值，學習率太低會影響網(wǎng)絡模型收斂速度。

（5）在全連接層，該層的每個神經(jīng)元與前一層的所有神經(jīng)元進行全連接。其輸出值采用softmax邏輯回歸進行碰撞后損傷的多種分類。對于多類問題，類別標簽 可以有C個取值。假設(shè)一個樣本x，softmax回歸預測的屬于類別c的條件概率為：

在選擇損失函數(shù)時，選擇適用于分類問題的交叉熵損失函數(shù)（Cross-Entropy Loss Function），假設(shè)樣本的標簽 為離散的類別，模型? ?的輸出為類別標簽的條件概率分布，即

3? 多車事故系統(tǒng)設(shè)計

多車事故指在機動車發(fā)生的交通事故中，事故方為兩個及其以上的交通事故。在機動車保險關(guān)系中可以找到相關(guān)對應的信息。

3.1? 多車事故處理流程

處理多車事故時如圖8，有車主根據(jù)指引主動拍攝事故現(xiàn)場照片環(huán)境、事故雙方車輛和主要碰撞部位圖。通過輸入利用遷移學習訓練好的多車識別模型，提取事故信息，輸出損傷程度鑒定報告。

3.2? 遷移學習

遷移學習按照學習方式可以分為基于樣本的遷移，基于特征的遷移，基于模型的遷移，以及基于關(guān)系的遷移。而目前熱門的研究主要分為四大類：域適配問題（domain adaptation），多源遷移學習（multi-source TL）。深度遷移學習（deep-TL）和異構(gòu)遷移學習（heterogeneous TL）。

（1）域適配問題主要解決將源域和目標域變換到相同空間，最小化它們的距離。主要包括基于樣本的遷移，基于特征的遷移，基于模型的遷移。

（2）多源遷移學習解決有效篩選多個源域和目標域，并進行遷移。

（3）深度遷移學習主要是利用深度神經(jīng)網(wǎng)絡的結(jié)構(gòu)進行遷移學習。例如CNN，MDNN，DAN等。

由于已經(jīng)有比較成熟的汽車識別網(wǎng)絡，所以利用深度學習網(wǎng)絡搭建基于模型的遷移（parameter based TL）實現(xiàn)汽車的碰撞檢測，利用源域和目標域的參數(shù)共享模型。

文中采用基于Stanford Cars Dataset數(shù)據(jù)集訓練 VGG-16模型利用深度遷移網(wǎng)絡抽取汽車的圖像特征，如圖9所示。

3.2.1? 源網(wǎng)絡-VGG-16

為了降低計算消耗，采用遷移學習從訓練成熟的汽車識別網(wǎng)絡中提取特征，訓練多車事故責任鑒定模型。在降低深度學習所用的硬件資源的同時，保證了目標檢測的準確性。

目前比較成熟的汽車識別模型都是運用英國牛津大學在2014年提出的VGG卷積神經(jīng)網(wǎng)絡模型。VGG-16和VGG-19的模型權(quán)重均是由ImageNet網(wǎng)絡訓練而來。并且它在同年的ILSVRC比賽中取得了92.3%的正確率。在圖像分類和目標檢測領(lǐng)域中都取得了非常優(yōu)秀的結(jié)果。VGG-16的模型結(jié)構(gòu)如圖10所示。

圖中的VGG-16由13個卷積層+3個全連接層=16層構(gòu)成，每層采用的卷積核大小為3×3×3，步長stride=1，padding=1，池化層pooling為2×2的max pooling。VGGNet的結(jié)構(gòu)非常簡潔，整個網(wǎng)絡都使用了同樣大小的卷積核尺寸（3×3）和最大池化Max pooling尺寸（2×2）。而且VGGNet證明了幾個小濾波器（3×3）卷積層的組合比一個大濾波器（5×5或7×7）卷積層卷積效果好。但是VGGNet由于使用了更多的權(quán)重參數(shù)，也耗費了更多計算資源。

3.2.2? 深度遷移學習

基于遷移學習網(wǎng)絡的特點，文中采用同構(gòu)遷移學習中的深度遷移學習來訓練多車事責任鑒定模型。

由于多車事故責任鑒定的數(shù)據(jù)集較小，并且和汽車分類的數(shù)據(jù)集圖像相似，所以只凍結(jié)和訓練最后一層。為了抽取更加詳細的特征，建立如圖11所示的遷移學習模型實現(xiàn)特征抽取 （Feature extraction）和融合：

（1）去掉VGG-16的最后一個全連接層（full connect layer）;

（2）新增加符合多車事故責任分類的新數(shù)據(jù)集類別個數(shù)的全連接層;

（3）其他預訓練層的權(quán)值不變，只隨機初始化新增加層的權(quán)值;

（4）使用多車事故責任數(shù)據(jù)集來訓練新的全連接層;

（5）將多通道訓練的多角度特征在最后一層full connect layer 中多特征融合得到事故責任鑒定結(jié)果。

4? 結(jié)語

本文通過對互聯(lián)網(wǎng)中已有的交通事故圖片的搜集和處理，搭建用來鑒定交通事故車輛損傷程度鑒定模型。

在單車事故分析中，通過使用拉普拉斯銳化濾波算子對單車事故車輛碰撞部位的圖像進行銳化增強，提高碰撞圖像成分的清晰度。之后將增強后的圖像作為ResNet的輸入，進行特征提取。進而對事故車輛進行碰撞損傷程度的鑒定，并將鑒定結(jié)果以報告的形式反饋。

在多車事故中，通過從Car Dataset訓練成熟的VGG-16作為源網(wǎng)絡，利用深度遷移學習訓練輕微多車事故責任數(shù)據(jù)集，得到多車事故責任分類模型。隨后利用訓練完成的多車事故責任模型對現(xiàn)場上傳的多車事故進行責任分配。隨后得到損傷事故責任鑒定報告，并完成多車事故責任處理的子系統(tǒng)。能夠精準的檢測到圖像中主要事故車輛所在的位置，并將多路網(wǎng)絡提取到的特征進行特征融合訓練出一個分類器，得到了多車事故責任鑒定模型。

在互聯(lián)網(wǎng)飛速發(fā)展的時代，人們的生活逐漸向智能化邁進。智慧城市的形成，將人工智能帶到日常生活當中，不僅便利了人們的日常出行，同時也為人們提供了更多選擇。交通系統(tǒng)也在逐漸像智能交通轉(zhuǎn)變。交通事故，尤其是沒有人員傷害的輕微交通事故作為交通系統(tǒng)的一部分，結(jié)合目前的人工智能來以新的方式解決問題，更為智能交通作出一份貢獻。

參考文獻：

[1] 張志豪， 楊文忠， 袁婷婷， 等. 基于LSTM神經(jīng)網(wǎng)絡模型的交通事故預測[J/OL]. 計算機工程與應用： 1-7.2019-05-14.

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

[2] 王青松，謝興生， 佘顥.基于CNN-XGBoost混合模型的短時交通流預測[J]. 測控技術(shù)， 2019， 38（4）： 37-39， 67.

[3] 狄嵐， 何銳波， 梁久禎. 基于可能性聚類和卷積神經(jīng)網(wǎng)絡的道路交通標識識別算法[J]. 南京大學學報（自然科學）， 2019， 55（02）： 238-250.

[4] 陳深進， 薛洋. 基于改進卷積神經(jīng)網(wǎng)絡的短時公交客流預測[J]. 計算機科學， 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. 遷移學習研究綜述[J]. 電腦知識與技術(shù)， 2017， 13（32）： 203-205.

[9] 阮秋琦. 數(shù)字圖像處理學[M]. 北京： 電子工業(yè)出版社， 2013， 455-461.

[10] 宋煥生， 張向清， 鄭寶峰， 等. 基于深度學習方法的復雜場景下車輛目標檢測[J]. 計算機應用研究， 2018， 35（04）： 1270-1273.

[11] 周飛燕， 金林鵬， 董軍. 卷積神經(jīng)網(wǎng)絡研究綜述[J]. 計算機學報， 2017， 40（6）： 1229-1251.

[12] 李玲， 李晉宏. 基于隨機森林修正的加權(quán)二部圖推薦算法[J]. 軟件， 2018， 39（1）： 110-115.

[13] 何俊， 劉躍， 李倡洪， 等. 基于改進的深度殘差網(wǎng)絡的表情識別研究[J]. 計算機應用研究， 2019， 37（5）.

[14] 許軍. 基于深度學習的道路場景識別算法研究[D]. 北方工業(yè)大學. 2018.

[15] 麻旋， 戴曙光. 基于殘差網(wǎng)絡的圖像超分辨率算法改進研究[J]. 軟件導刊， 2018（4）： 91-93.

[16] 譚娟， 王勝春. 基于深度學習的交通擁堵預測模型研究[J]. 計算機應用研究， 2015（10）： 2951-2954.

[17] 馬青華， 呂書強， 蔡春. 數(shù)字圖像的增強方法研究[J]. 網(wǎng)絡空間安全， 2011（11）： 14-15.

[18] 吳亞熙， 岑峰. 基于卷積神經(jīng)網(wǎng)絡的多層級目標檢測方法[J]. 軟件， 2018， 39（4）： 164-169.

[19] 孫吉鵬， 袁郭苑， 杜澤林. 學習行為分析的段落粒度在線教程系統(tǒng)[J]. 軟件， 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， 蔣硯軍. 基于BP 神經(jīng)網(wǎng)絡的人臉識別系統(tǒng)[J]. 軟件， 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] 張曉明， 尹鴻峰. 基于卷積神經(jīng)網(wǎng)絡和語義信息的場景分類[J]. 軟件， 2018， 39（01）： 29-34.