CN113808397A - 非机动车事故的数据处理方法、装置和云端服务器 - Google Patents
非机动车事故的数据处理方法、装置和云端服务器 Download PDFInfo
- Publication number
- CN113808397A CN113808397A CN202111020263.5A CN202111020263A CN113808397A CN 113808397 A CN113808397 A CN 113808397A CN 202111020263 A CN202111020263 A CN 202111020263A CN 113808397 A CN113808397 A CN 113808397A
- Authority
- CN
- China
- Prior art keywords
- motor vehicle
- riding
- target non
- accident
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 206010039203 Road traffic accident Diseases 0.000 title claims abstract description 34
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 63
- 230000008569 process Effects 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims description 54
- 230000033001 locomotion Effects 0.000 claims description 38
- 230000007613 environmental effect Effects 0.000 claims description 35
- 230000001133 acceleration Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000001351 cycling effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
Abstract
本说明书提供了非机动车事故的数据处理方法、装置和云端服务器。对于目标非机动车,在骑行过程中可以每间隔预设的时间间隔自动采集骑行参数和环境图片,并组合上述数据得到对应的骑行数据组,再将骑行数据组发送给云端服务器进行存储;云端服务器在接收到触发指令,确定目标非机动车发生事故时,可以根据触发指令获取预设时间段内目标非机动车的多个骑行数据组;再根据上述多个骑行数据组,生成关于事故的目标结果。从而可以较好地服务于非机动车用户,在目标非机动车发生事故时,能够高效、准确地自动进行与事故相关的数据处理。
Description
技术领域
本说明书属于互联网技术领域,尤其涉及非机动车事故的数据处理方法、装置和云端服务器。
背景技术
目前许多用户会选择使用非机动车(例如,自行车等设备)作为出行工具。
但是,当用户在使用非机动车出行发生交通事故时,基于现有方法往往无法及时、有效地服务于非机动用户,无法为用户自动进行诸如事故起因分析、事故责任确定等相关的数据处理。
因此,亟需一种能够在目标非机动车发生事故后,能够高效、准确地为用户自动进行与事故相关的数据处理的方法。
发明内容
本说明书提供了一种非机动车事故的数据处理方法、装置和云端服务器,能够较好地服务于非机动车用户,在目标非机动车发生事故时,能够高效、准确地为用户自动进行与事故相关的数据处理,生成相应的目标结果,以为后续的事故处理提供有价值的参考依据。
本说明书提供的一种非机动车事故的数据处理方法、装置和云端服务器是这样实现的:
一种非机动车事故的数据处理方法,应用于云端服务器,包括:接收并根据触发指令,获取预设时间段内目标非机动车的多个骑行数据组;其中,所述触发指令包括在目标非机动车发生事故的情况下所生成的指令数据;所述骑行数据组包含有骑行参数和环境图片;处理所述预设时间段内目标非机动车的多个骑行数据组,得到与所述事故相关的目标结果。
一种非机动车事故的数据处理方法,应用于目标非机动车,包括:在目标非机动车骑行过程中,每间隔预设的时间间隔采集目标非机动车的骑行参数和环境图片;组合所述目标非机动车的骑行参数和环境图片,得到携带有采集时间和目标非机动车的身份标识的骑行数据组;向云端服务器发送所述骑行数据组。
一种非机动车事故的数据处理装置,包括:接收模块,用于接收并根据触发指令,获取预设时间段内目标非机动车的多个骑行数据组;其中,所述触发指令包括在目标非机动车发生事故的情况下所生成的指令数据;所述骑行数据组包含有骑行参数和环境图片;处理模块,用于处理所述预设时间段内目标非机动车的多个骑行数据组,得到与所述事故相关的目标结果。
一种非机动车事故的数据处理装置,包括:采集模块,用于在目标非机动车骑行过程中,每间隔预设的时间间隔采集目标非机动车的骑行参数和环境图片;组合模块,用于组合所述目标非机动车的骑行参数和环境图片,得到携带有采集时间和目标非机动车的身份标识的骑行数据组;发送模块,用于向云端服务器发送所述骑行数据组。
一种云端服务器,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现所述非机动车事故的数据处理方法。
一种电子设备,至少包括处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现所述非机动车事故的数据处理方法。
一种计算机可读存储介质,其上存储有计算机指令,所述指令被执行时实现所述非机动车事故的数据处理方法。
本说明书提供的一种非机动车事故的数据处理方法、装置和云端服务器,该方法针对目标非机动车,在骑行过程中,目标非机动车可以每间隔预设的时间间隔自动采集骑行参数和环境图片,并组合上述数据得到携带有采集时间和目标非机动车的身份标识的骑行数据组,再将上述骑行数据组发送给云端服务器进行存储;云端服务器在接收到相关触发指令,确定目标非机动车发生事故时,可以根据该触发指令获取与预设时间段内目标非机动车的多个骑行数据组;再根据上述多个骑行数据组,通过进行相应的数据处理,生成得到关于该事故的目标结果。从而能够较好地服务于非机动车用户,在目标非机动车发生事故时,能够高效、准确地自动为非机动用户进行与事故相关的数据处理,以便为后续的事故处理提供有价值的参考依据,使得非机动车用户可以获得较好的服务体验。
附图说明
为了更清楚地说明本说明书实施例,下面将对实施例中所需要使用的附图作简单地介绍,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本说明书的一个实施例提供的非机动车事故的数据处理方法的流程示意图;
图2是在一个场景示例中,应用本说明书实施例提供的非机动车事故的数据处理方法的一种实施例的示意图;
图3是本说明书的一个实施例提供的非机动车事故的数据处理方法的流程示意图;
图4是本说明书的一个实施例提供的云端服务器的结构组成示意图;
图5是本说明书的一个实施例提供的非机动车事故的数据处理装置的结构组成示意图;
图6是在一个场景示例中,应用本说明书实施例提供的非机动车事故的数据处理方法的一种实施例的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
参阅图1,本说明书实施例提供了一种非机动车事故的数据处理方法。其中,该方法具体应用于云端服务器一侧。具体实施时,该方法可以包括以下内容:
S101:接收并根据触发指令,获取预设时间段内目标非机动车的多个骑行数据组;其中,所述触发指令包括在目标非机动车发生事故的情况下所生成的指令数据;所述骑行数据组包含有骑行参数和环境图片;
S102:处理所述预设时间段内目标非机动车的多个骑行数据组,得到与所述事故相关的目标结果。
通过上述实施例,在目标非机动车发生事故的情况下,云端服务器可以接收并响应相应的触发指令,获取并根据在先保存的预设时间段内目标非机动车的多个骑行数据组,得到相应的与该事故相关的目标结果,从而可以较好地服务于非机动车用户,协助非机动车用户为后续的事故处理提供有价值的参考依据。
在一些实施例中,上述非机动车事故的数据处理方法具体可以应用于云端服务器。其中,上述云端服务器具体可以包括一种应用于网络平台一侧,能够实现数据传输、数据处理等功能的后台服务器。具体的,所述云端服务器例如可以为一个具有数据运算、存储功能以及网络交互功能的电子设备。或者,所述云端服务器也可以为运行于该电子设备中,为数据处理、存储和网络交互提供支持的软件程序。在本实施例中,并不具体限定所述云端服务器所包含的服务器的数量。所述云端服务器具体可以为一个服务器,也可以为几个服务器,或者,由若干服务器形成的服务器集群。
在一些实施例中,上述目标非机动车具体可以是电动车,也可以是自行车,还可以是机动轮椅等出行设备。
在一些实施例中,具体的,以目标非机动车为自行车为例,可以参阅图2所示。在目标非机动车的预设位置处(例如,车头和/或车尾等位置)布设有摄像头,用于采集目标非机动车周边的环境图片。目标非机动车还布设有GPS模块、传感器等设备用于采集目标非机动车的骑行参数。目标非机动车还布设有天线盒,用于与云端服务器进行相关的数据交互。
在一些实施例中,布设于目标非机动车的传感器具体还可以包括G-sensor(加速度传感器),用于采集目标非机动车的骑行加速度,作为一种骑行参数。
进一步,参阅图2所示,上述目标非机动车还可以布设有轮毂锁模块。其中,该轮毂锁模块除了用于响应用户指令对目标非机动车执行开关锁操作外,还可以用于检测并采集目标非机动车的骑行速度、车轮转向(正转、反转等)作为另一种骑行参数。此外,在目标非机动车的刹车处还可以布设有压力传感器,用于检测并采集用户所发起的刹车操作。
在一些实施例中,上述目标非机动车具体还可以配置有处理器,用于对所采集得到的数据(例如,环境图片等)先进行预处理后,再发送给云端服务器处理,以减轻云端服务器的数据处理负担。
在一些实施例中,目标非机动车在检测到被用户所使用的目标非机动车处于骑行状态时,可以触发根据预设的采集规则,每间隔预设的时间间隔(例如,每间隔30秒等),自动通过摄像头拍摄当前时间点的环境图片;同时,自动通过布设于目标非机动车上的GPS模块、传感器等设备采集当前时间点的目标非机动车的骑行参数。
在一些实施例中,所述骑行参数具体可以包括以下至少之一:位置定位参数、骑行速度、骑行加速度、累计骑行时长等等。
当然,需要说明的是,上述所列举的骑行参数只是一种示意性说明。具体实施时,根据具体的应用场景和处理需求,上述骑行参数还可以包括其他用于表征目标非机动车的骑行、使用状况的参数数据。对此,本说明书不作限定。
在一些实施例中,目标非机动车在采集得到当前时间点的环境图片和目标非机动车的骑行参数之后,可以组合上述目标非机动车的骑行参数和环境图片,得到一个与当前时间点对应的骑行数据组。其中,该骑行数据组还携带有的目标非机动车的身份标识和采集时间。
上述目标非机动车的身份标识具体可以理解为一种用于指示目标非机动车的标识信息。具体的,例如,可以是目标非机动车的设备编号,也可以是目标非机动车的物理地址等等。
在一些实施例中,目标非机动车在采集得到环境图片之后,可以先根据预处理规则,对所采集得到的环境图片进行处理,得到预处理后的环境图片;再将预处理后的环境图片与相同时间点的骑行参数进行组合,得到对应的骑行数据组。
在一些实施例中,具体实施时,目标非机动车可以根据预处理规则,先将环境图片转换为空间域图像数据;再通过对空间域图像数据进行傅里叶变换,得到对应的频域图像数据;然后可以对频域图像数据进行数字滤波,得到预处理后的频域图像数据;再将预处理后的频域图像数据还原成空间域图像数据,以得到预处理后的环境图片。
通过上述实施例,可以较为有效地消除图像数据中的噪声信息,得到更易于辨识处理,相对清晰度更高、效果更好的预处理后的环境图片。
在一些实施例中,对于云端服务器,在接收并根据触发指令,获取预设时间段内目标非机动车的多个骑行数据组之前,所述方法具体实施时,还可以包括以下内容:
S1:接收目标非机动车每间隔预设的时间间隔所采集的骑行数据组;其中,所接收到的骑行数据组还携带有采集时间和目标非机动车的身份标识;
S2:将所述骑行数据组保存于与目标非机动车的身份标识对应的目标数据库中,并在所述目标数据库中建立所述骑行数据组与采集时间之间的对应关系。
在一些实施例中,在上述目标数据库进一步还可以保存有使用目标非机动车的目标用户的用户信息。具体的,上述目标用户的用户信息可以包括以下至少之一:用户的姓名、用户的账户名、用户的邮箱、用户的手机号等等。
在一些实施例中,云端服务器在将目标非机动车所采集的新的骑行数据组保存在目标数据库的同时,还会检索目标数据库中已有的骑行数据的采集时间,以筛选出采集时间与当前时间点的差异值大于预设的时间阈值(例如,1周等)的已有的骑行数据作为失效数据;并删除目标数据库中的失效数据,从而可以避免在目标数据库中存储大量失效的冗余数据,减轻云端服务器的数据存储负担。
在一些实施例中,上述触发指令具体可以理解为一种在目标非机动车发生事故的情况下所生成的指令数据。其中,上述触发指令至少携带有目标非机动车的身份标识。
在一些实施例中,所述事故具体可以包括以下至少之一:目标非机动车骑行于机动车道所发生的事故、目标非机动车变更车道发生的事故、目标非机动车逆向骑行发生的事故、目标非机动车于路口处转弯未让直行车发生的事故、目标非机动车追尾前车发生的事故等等。当然,上述所列举的多种事故只是一种示意性说明。具体实施时,根据具体的应用场景和处理需求,上述事故还可以包括其他类型的非机动车事故。对此,本说明书不作限定。
在一些实施例中,在云端服务器接收到上述触发指令时,可以确定目标非机动车发生某种事故;接着,可以从触发指令中提取出目标非机动车的身份标识;再根据目标非机动车的身份标识,查询与该身份标识对应的目标数据库,以获取预设时间段内的目标非机动车的多个骑行数据组。
其中,所述预设时间段具体可以包括:事故发生的时间点,以及在事故发生的时间点之前的预设数量个时间点。
在目标数据库中,所存储的多个骑行数据中的每一个骑行数据组分别与一个时间点(该骑行数据组的采集时间)对应。并且,每一个骑行数据组至少包含有所对应时间点的骑行参数和环境图片。
在一些实施例中,上述接收触发指令,具体实施时,可以包括以下内容:接收目标用户通过终端设备所发起的事故处理请求;其中,所述事故处理请求至少携带有目标非机动车的身份标识;响应所述事故处理请求,生成对应的触发指令;
或,
接收目标非机动车发送的当前时间点的骑行数据组;根据所述当前时间点的骑行数据组中的骑行参数,确定目标非机动车当前时间点是否发生事故;在确定目标非机动车当前时间点发生事故的情况下,生成对应的触发指令。
在一些实施例中,具体的,当目标用户在骑行目标非机动车的过程中发生事故时,目标用户可以使用所持有的终端设备,向云端服务器主动发起事故处理请求。其中,所述事故处理请求至少携带有发生事故的目标非机动车的身份标识。云端服务器接收并响应该事故处理请求,生成对应的触发指令。
其中,上述终端设备具体可以包括一种应用于用户一侧,能够实现数据采集、数据传输等功能的前端设备。具体的,所述终端设备例如可以为平板电脑、智能手机、智能可穿戴设备等。或者,所述终端设备也可以为能够运行于上述前端设备中的软件应用。例如,可以是在智能手机上运行的某APP等。
在一些实施例中,具体的,还可以是云端服务器根据目标非机动车所采集的当前时间点的骑行数据组中的骑行参数,自动识别确定出目标非机动车当前时间点发生了事故,进而生成对应的触发指令。
具体的,例如,云端服务器在检测到当前时间点的骑行数据组中的骑行加速度的绝对值大于预设的加速度上限值时,可以判断当前时间点目标非机动车大概率与事故对象设备(例如,与目标非机动车发生事故的非机动车或机动车对象)发生了较剧烈的碰撞,进而可以确定目标非机动车当前时间点发生了事故,并自动生成相应的触发指令。
在一些实施例中,上述处理所述预设时间段内目标非机动车的多个骑行数据组,得到与所述事故相关的目标结果,具体实施时,可以包括以下内容:
S1:根据所述预设时间段内目标非机动车的多个骑行数据组,确定出预设时间段内目标非机动车的骑行特征、相对运动特征、环境特征;
S2:根据预设时间段内目标非机动车的骑行特征、相对运动特征、环境特征,生成目标结果。
其中,所述目标结果具体可以包括以下至少之一:事故类型、事故起因、事故责任方等等。
在一些实施例中,上述骑行特征具体可以理解为一种用于单独描述目标非机动车在预设时间段内的骑行变化特点的特征数据。具体的,上述骑行特征可以包括以下至少之一:骑行方向特征、速度特征、加速度特征、转向操作特征等等。
在一些实施例中,上述相对运动特征具体可以理解为一种用于描述目标非机动车和与该目标非机动车发生事故的事故对象设备之间的相对位移变化特点的特征数据。具体的,上述相对运动特征可以包括以下至少之一:目标非机动车与事故对象设备之间的相对距离特征、目标非机动车与事故对象设备之间的相对位置特征、目标非机动车与事故对象设备之间的相对朝向特征等。
在一些实施例中,上述环境特征具体可以理解为一种用于描述目标非机动车在预设时间段内所在位置的周边环境特点的特征数据。具体的,上述环境特征可以包括以下至少之一:目标非机动车所在车道的类型标识(例如,非机动车道标识、机动车道标识、人行道标识等)、目标非机动车所处位置与所在车道的中心线的偏移距离、目标非机动车所处位置的邻近范围内的交通标识(例如,红绿灯、禁止更换车道标识、禁止逆行标识等)、事故对象设备的状态特征(例如,事故对象设备遭撞击部位的凹陷程度、事故对象设备遭撞击部位的面积、事故对象设备遭撞击部位的位置等)等等。
在一些实施例中,上述根据所述预设时间段内目标非机动车的多个骑行数据组,确定出预设时间段内目标非机动车的骑行特征、相对运动特征、环境特征,具体实施时,可以包括以下内容:
S1:调用预设的图像处理模型,处理多个骑行数据组中的环境图片,获取预设时间段内目标非机动车的环境特征;
S2:根据多个骑行数据组中的骑行参数,构建目标非机动车预设时间段内的运动轨迹;并根据所述预设时间段内的运动轨迹,提取出预设时间段内目标非机动车的骑行特征;
S3:组合使用多个骑行数据组中的环境图片、骑行参数,确定出预设时间段内目标非机动车的相对运动特征。
在一些实施例中,具体实施时,云端服务器可以先从多个骑行数据组中抽取出多个环境图片,再将多个环境图片作为模型输入分别输入至预设的图像处理模型中进行处理,以输出该模型从图片中识别出的关键特征,作为所述目标非机动车的环境特征。
其中,上述预设的图像处理模型具体可以理解为一种预先通过对大量标注了的样本图片进行训练、学习所得到的能够从图片中辨识出与非机动车的事故相关的关键特征的神经网络模型。
在一些实施例中,具体实施前,可以按照以下方式训练得到上述预设的图像处理模型:采集涉及非机动车的图片作为样本图片;其中,所述样本图片包含有存在与非机动车相关的事故的图片,以及不存在与非机动车相关的事故的图片;在上述样本图片中标注出所关注的关键特征,得到标注后的样本图片;利用所述标注后的样本图片,训练初始的神经网络模型,以得到精度符合要求的预设的图像处理模型。
在一些实施例中,具体实施时,云端服务器可以先从多个骑行数据组中抽取出多个骑行参数;按照采集时间的先后顺序,排列多个骑行参数,得到对应的骑行参数列;再根据上述骑行参数列,构建目标非机动车预设时间段内的运动轨迹;进而可以根据该运动轨迹,分析不同时间点之间的目标非机动车的骑行运动变化特点,从而可以得到所需要的骑行特征。
在一些实施例中,具体实施时,可以通过组合使用多个骑行数据组中的环境图片和骑行参数,确定出预设时间段内目标非机动车与事故对象设备之间的相对运动特征。
具体的,例如,云端服务器可以根据环境图片中目标非机动车的车头和/或车尾在图片中的位置,以及事故对象设备车头和/或车尾在图片中的位置,同时结合对应时间点目标非机动车的位置定位参数,可以确定出:目标非机动车的车头与事故对象设备的车尾是相向的,同时,目标非机动车位于事故对象设备的后方。从而可以得到对应的目标非机动车与事故对象设备之间的相对朝向特征,和目标非机动车与事故对象设备之间的相对位置特征。
在一些实施例中,上述处理预设时间段内目标非机动车的骑行特征、相对运动特征、环境特征,得到目标结果,具体实施时,可以包括以下内容:根据预设时间段内目标非机动车的骑行特征、相对运动特征、环境特征,通过特征比对分析,确定出该事故的事故类型、事故起因或事故责任方等,作为与该事故相关的目标结果。
具体的,例如,云端服务器根据预设的处理规则,对预设时间段内目标非机动车的骑行特征、相对运动特征、环境特征进行特征比对分析,得到以下分析结果:目标非机动车的车头与事故对象设备的车尾是相向的、目标非机动车位于事故对象设备的后方;并且,事故对象设备在预设时间段内处于静止状态、目标非机动车在预设时间段内骑行速度大于0。进一步,基于上述分析结果,可以先确定出事故的事故类型为目标非机动车追尾前车发生的事故,事故起因为目标非机动车主动撞击事故对象设备;进而可以再确定出事故责任方为使用目标非机动车的目标用户等结论性数据。最后,可以结合目标用户的具体需求,灵活组合使用上述结论性数据中的一种或多种,得到与该事故相关的目标结果。
在一些实施例中,具体实施时,云端服务器还可以调用预先训练好的预设的事故分析模型通过处理预设时间段内目标非机动车的骑行特征、相对运动特征、环境特征,以快速地确定出事故的事故类型、事故起因和事故责任方等结论性数据。
在一些实施例中,在根据所述预设时间段内目标非机动车的多个骑行数据组,确定出预设时间段内目标非机动车的骑行特征、相对运动特征、环境特征之后,所述方法具体实施时,还可以包括以下内容:
S1:根据骑行数据组中的环境图片,提取出事故对象设备的身份标识;
S2:根据所述事故对象设备的身份标识,查询获取预设时间段内事故对象设备的多个骑行数据组;
S3:根据所述预设时间段内事故对象设备的多个骑行数据组,确定出预设时间段内事故对象设备的骑行特征、相对运动特征、环境特征。
相应的,具体实施时,云端服务器可以根据预设时间段内目标非机动车的骑行特征、相对运动特征、环境特征,以及预设时间段内事故对象设备的骑行特征、相对运动特征、环境特征,生成目标结果。
通过上述实施例,云端服务器可以同时获取并利用与该事故相关的目标非机动车和事故对象设备两个事故方的骑行特征、相对运动特征、环境特征,能够更加准确地确定出该事故的事故类型、事故起因,以及事故责任方等结论性数据,从而可以得到准确度相对更高、误差相对更小的目标结果。
在一些实施例中,在得到与所述事故相关的目标结果之后,具体实施时,还可以包括以下内容:向目标用户展示所述目标结果;和/或,向负责后续事故处理的工作人员提供所述目标结果,以及用于生成该目标结果的预设时间段内目标非机动车的多个骑行数据组,为后续事故处理提供相应的参考依据;和/或,基于目标结果,确定是否生成并向负责后续事故处理的工作人员发送对应的报警提示信息等。
在一些实施例中,在将所述骑行数据组保存于与目标非机动车的身份标识对应的目标数据库中,并在所述目标数据库中建立所述骑行数据组与采集时间之间的对应关系之后,所述方法具体实施时,还可以包括以下内容:
S1:每间隔目标时间段,获取当前目标时间段内目标非机动车的多个骑行数据组;
S2:根据当前目标时间段内目标非机动车的多个骑行数据组,预测目标非机动车当前事故风险参数;
S3:在确定当前事故风险参数大于预设的参数阈值的情况下,向用户进行事故风险提示。
在一些实施例中,具体实施时,可以根据当前目标时间段内目标非机动车的多个骑行数据组,确定出当前目标时间内目标非机动车的骑行特征、相对运动特征、环境特征;进而可以根据当前目标时间内目标非机动车的骑行特征、相对运动特征、环境特征,预测出该目标非机动车当前是否会发生事故的概率值,作为目标非机动车当前事故风险参数。
在一些实施例中,上述向用户进行事故风险提示具体实施时,可以包括:根据目标非机动车的身份标识查询目标数据库,以获取使用目标非机动车的目标用户的手机号;生成关于事故风险的提示信息;根据所述目标用户的手机号,将所述提示信息发送至目标用户的手机;通过目标用户的手机语言播报该提示信息,以对目标用户进行事故风险提示。
通过上述实施例,云端服务器可以根据当前目标时间段内目标非机动车所采集的多个骑行数据组,提前预测出目标非机动车当前是否会发生事故的当前事故风险参数;进而可以根据上述当前事故风险参数,在发生事故之前,通过手机等终端设备提前向该用户进行事故风险提示,从而可以有效地减少事故隐患,更好地保护用户的骑行安全。
由上可见,基于本说明书实施例提供的非机动车事故的数据处理方法,针对目标非机动车,在骑行过程中,目标非机动车可以每间隔预设的时间间隔自动采集骑行参数和环境图片,并组合上述数据得到携带有采集时间和目标非机动车的身份标识的骑行数据组,再将上述骑行数据组发送给云端服务器进行存储;云端服务器在接收到相关触发指令后,可以根据该触发指令获取预设时间段内对应多个时间点的目标非机动车的多个骑行数据组;再根据上述多个骑行数据组,通过进行相应处理,生成得到与该事故相关的目标结果。从而能够较好地服务于非机动车用户,在目标非机动车发生事故后,能够高效、准确地自动进行与事故相关的数据处理,为后续的事故处理提供有价值的参考依据。
参阅图3所示,本说明书实施例还提供了另一种非机动车事故的数据处理方法。该方法具体应用于目标非机动车一侧。具体实施时,该方法可以包括以下内容:
S301:在目标非机动车骑行过程中,每间隔预设的时间间隔采集目标非机动车的骑行参数和环境图片;
S302:组合所述目标非机动车的骑行参数和环境图片,得到携带有采集时间和目标非机动车的身份标识的骑行数据组;
S303:向云端服务器发送所述骑行数据组。
在一些实施例中,目标非机动车可以通过布设于目标非机动车上的速度传感器监测目标非机动车的骑行速度;在通过速度传感器检测到目标非机动车的骑行速度不为0时,可以确定目标非机动车处于骑行过程中,进而可以触发自动每间隔预设的时间间隔采集目标非机动车的骑行参数和环境图片。
在一些实施例中,在采集环境图片之后,所述方法具体实施时,还可以包括以下内容:根据预处理规则,将环境图片转换为空间域图像数据;并对空间域图像数据进行傅里叶变换,得到对应的频域图像数据;对频域图像数据进行数字滤波处理,得到预处理后的频域图像数据;将所述预处理后的频域图像数据,还原成空间域图像数据,以得到预处理后的环境图片;相应的,组合所述目标非机动车的骑行参数和预处理后的环境图片,得到携带有采集时间和目标非机动车的身份标识的骑行数据组。
通过上述实施例,目标非机动车在采集得到环境图片之后,可以通过进行预处理,消除原环境图片中所包含的噪声信息,得到相对更易于后续辨识处理、清晰度更高的预处理后的环境图片提供给云端服务器。
本说明书实施例还提供一种云端服务器,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器具体实施时可以根据指令执行以下步骤:接收并根据触发指令,获取预设时间段内目标非机动车的多个骑行数据组;其中,所述触发指令包括在目标非机动车发生事故的情况下所生成的指令数据;所述骑行数据组包含有骑行参数和环境图片;处理所述预设时间段内目标非机动车的多个骑行数据组,得到与所述事故相关的目标结果。
为了能够更加准确地完成上述指令,参阅图4所示,本说明书实施例还提供了另一种具体的云端服务器,其中,所述云端服务器包括网络通信端口401、处理器402以及存储器403,上述结构通过内部线缆相连,以便各个结构可以进行具体的数据交互。
其中,所述网络通信端口401,具体可以用于接收并根据触发指令,获取预设时间段内目标非机动车的多个骑行数据组;其中,所述触发指令包括在目标非机动车发生事故的情况下所生成的指令数据;所述骑行数据组包含有骑行参数和环境图片。
所述处理器402,具体可以用于处理所述预设时间段内目标非机动车的多个骑行数据组,得到与所述事故相关的目标结果。
所述存储器403,具体可以用于存储相应的指令程序。
在本实施例中,所述网络通信端口401可以是与不同的通信协议进行绑定,从而可以发送或接收不同数据的虚拟端口。例如,所述网络通信端口可以是负责进行web数据通信的端口,也可以是负责进行FTP数据通信的端口,还可以是负责进行邮件数据通信的端口。此外,所述网络通信端口还可以是实体的通信接口或者通信芯片。例如,其可以为无线移动网络通信芯片,如GSM、CDMA等。
在本实施例中,所述处理器402可以按任何适当的方式实现。例如,处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。本说明书并不作限定。
在本实施例中,所述存储器403可以包括多个层次,在数字系统中,只要能保存二进制数据的都可以是存储器;在集成电路中,一个没有实物形式的具有存储功能的电路也叫存储器,如RAM、FIFO等;在系统中,具有实物形式的存储设备也叫存储器,如内存条、TF卡等。
本说明书实施例还提供能够布设并应用于非机动车一侧的电子设备。其中,该电子设备至少包括处理器以及用于存储处理器可执行指令的存储器,所述处理器具体实施时可以根据指令执行以下步骤:在目标非机动车骑行过程中,每间隔预设的时间间隔采集目标非机动车的骑行参数和环境图片;组合所述目标非机动车的骑行参数和环境图片,得到携带有采集时间和目标非机动车的身份标识的骑行数据组;向云端服务器发送所述骑行数据组。
本说明书实施例还提供了一种基于上述非机动车事故的数据处理方法的计算机可读存储介质,所述计算机可读存储介质存储有计算机程序指令,在所述计算机程序指令被执行时实现:接收并根据触发指令,获取预设时间段内目标非机动车的多个骑行数据组;其中,所述触发指令包括在目标非机动车发生事故的情况下所生成的指令数据;所述骑行数据组包含有骑行参数和环境图片;处理所述预设时间段内目标非机动车的多个骑行数据组,得到与所述事故相关的目标结果。
本说明书实施例还提供了一种基于上述非机动车事故的数据处理方法的计算机可读存储介质,所述计算机可读存储介质存储有计算机程序指令,在所述计算机程序指令被执行时实现:在目标非机动车骑行过程中,每间隔预设的时间间隔采集目标非机动车的骑行参数和环境图片;组合所述目标非机动车的骑行参数和环境图片,得到携带有采集时间和目标非机动车的身份标识的骑行数据组;向云端服务器发送所述骑行数据组。
在本实施例中,上述存储介质包括但不限于随机存取存储器(Random AccessMemory,RAM)、只读存储器(Read-Only Memory,ROM)、缓存(Cache)、硬盘(Hard DiskDrive,HDD)或者存储卡(Memory Card)。所述存储器可以用于存储计算机程序指令。网络通信单元可以是依照通信协议规定的标准设置的,用于进行网络连接通信的接口。
在本实施例中,该计算机可读存储介质存储的程序指令具体实现的功能和效果,可以与其它实施方式对照解释,在此不再赘述。
参阅图5所示,在软件层面上,本说明书实施例还提供了一种非机动车事故的数据处理装置,该装置具体可以包括以下的结构模块:
接收模块501,具体可以用于接收并根据触发指令,获取预设时间段内目标非机动车的多个骑行数据组;其中,所述触发指令包括在目标非机动车发生事故的情况下所生成的指令数据;所述骑行数据组包含有骑行参数和环境图片;
处理模块502,具体可以用于处理所述预设时间段内目标非机动车的多个骑行数据组,得到与所述事故相关的目标结果。
本说明书实施例还提供了另一种非机动车事故的数据处理装置,该装置具体可以包括以下的结构模块:
采集模块,具体可以用于在目标非机动车骑行过程中,每间隔预设的时间间隔采集目标非机动车的骑行参数和环境图片;
组合模块,具体可以用于组合所述目标非机动车的骑行参数和环境图片,得到携带有采集时间和目标非机动车的身份标识的骑行数据组;
发送模块,具体可以用于向云端服务器发送所述骑行数据组。
需要说明的是,上述实施例阐明的单元、装置或模块等,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
由上可见,基于本说明书实施例提供的非机动车事故的数据处理装置,可以较好地服务于非机动车用户,在目标非机动车发生事故后,能够高效、准确地自动进行与事故相关的数据处理,为后续用户的事故处理,提供有价值的参考依据。
在一个具体的场景示例中,参阅图6所示。
当目标用户骑行目标自行车(一种目标非机动车)时,布设于该目标自行车上的轮毂锁模块检测到目标自行车的骑行速度不再为0,触发布设于目标自行车上的处理器,在骑行过程中,每间隔10分钟控制布设于车头和车尾的两个摄像头拍摄周边的环境图片;同时控制布设于目标自行车上的GPS定位模块、轮毂锁模块、G-sensor分别采集位置定位参数、骑行速度、骑行加速度,作为骑行参数;处理器通过组合上述骑行参数和环境图片,得到携带有目标自行车的身份标识和采集时间的一个骑行数据组。接着,处理器可以控制天线盒,将上述骑行数据组发送至云端服务器。
云端服务器接收目标自行车通过天线盒所发送的骑行数据组;并将所述骑行数据组保存于与目标自行车的身份标识对应的目标数据库中,并在该目标数据库中建立所述骑行数据组与采集时间之间的对应关系。
同时,云端服务器每次接收最新的骑行数据组时,可以先根据该骑行数据组中的骑行加速度,检测判断目标自行车当前时间点是否发生了事故。
如果检测到骑行加速度的绝对值突然超过预设的减速度上限值,云端服务器可以判断目标自行车当前时间点发生了事故;进而可以自动生成携带有目标自行车的身份标识的触发指令。
接着,云端服务器可以响应该触发指令,查询与目标自行车的身份标识对应的目标数据出库,以获取至少包含有当前时间点,以及当前时间点之前的3个时间点的预设时间段内的多个骑行数据组。
进一步,云端服务器可以调用预设的图像处理模型,处理多个骑行数据组中的环境图片,获取在预设时间段内目标自行车的环境特征;根据多个骑行数据组中的骑行参数,构建目标自行车预设时间段内的运动轨迹;并根据所述预设时间段内的运动轨迹,提取出在预设时间段内目标自行车的骑行特征;组合使用多个骑行数据组中的环境图片、骑行参数,确定出在预设时间段内目标自行车的相对运动特征。再综合利用上述目标自行车的骑行特征、相对运动特征、环境特征,分析确定出事故的事故类型、事故起因和事故责任方等结论性数据;并根据上述结论性数据,组合得到目标用户所需要的与该事故相关的目标结果。
云端服务器可以向目标用户展示所述目标结果;也可以向负责后续事故处理的工作人员提供所述目标结果,以及用于生成该目标结果的预设时间段内目标非机动车的多个骑行数据组,为后续的事故处理提供相应的参考依据。
从而可以较好地服务于非机动车用户,在目标非机动车发生事故后,能够高效、准确地自动进行与事故相关的数据处理。
虽然本说明书提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机可读存储介质中。
通过以上的实施例的描述可知,本领域的技术人员可以清楚地了解到本说明书可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本说明书的技术方案本质上可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,移动终端,服务器,或者网络设备等)执行本说明书各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。本说明书可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、可编程的电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
虽然通过实施例描绘了本说明书,本领域普通技术人员知道,本说明书有许多变形和变化而不脱离本说明书的精神,希望所附的权利要求包括这些变形和变化而不脱离本说明书的精神。
Claims (15)
1.一种非机动车事故的数据处理方法,应用于云端服务器,其特征在于,包括:
接收并根据触发指令,获取预设时间段内目标非机动车的多个骑行数据组;其中,所述触发指令包括在目标非机动车发生事故的情况下所生成的指令数据;所述骑行数据组包含有骑行参数和环境图片;
处理所述预设时间段内目标非机动车的多个骑行数据组,得到与所述事故相关的目标结果。
2.根据权利要求1所述的方法,其特征在于,所述骑行参数包括以下至少之一:位置定位参数、骑行速度、骑行加速度。
3.根据权利要求2所述的方法,其特征在于,在接收并根据触发指令,获取预设时间段内目标非机动车的多个骑行数据组之前,所述方法还包括:
接收目标非机动车每间隔预设的时间间隔所采集的骑行数据组;其中,所接收到的骑行数据组还携带有采集时间和目标非机动车的身份标识;
将所述骑行数据组保存于与目标非机动车的身份标识对应的目标数据库中,并在所述目标数据库中建立所述骑行数据组与采集时间之间的对应关系。
4.根据权利要求3所述的方法,其特征在于,接收触发指令,包括:
接收目标用户通过终端设备所发起的事故处理请求;其中,所述事故处理请求至少携带有目标非机动车的身份标识;
响应所述事故处理请求,生成对应的触发指令;
或,
接收目标非机动车发送的当前时间点的骑行数据组;
根据所述当前时间点的骑行数据组中的骑行参数,确定目标非机动车当前时间点是否发生事故;
在确定目标非机动车当前时间点发生事故的情况下,生成对应的触发指令。
5.根据权利要求2所述的方法,其特征在于,处理所述预设时间段内目标非机动车的多个骑行数据组,得到与所述事故相关的目标结果,包括:
根据所述预设时间段内目标非机动车的多个骑行数据组,确定出预设时间段内目标非机动车的骑行特征、相对运动特征、环境特征;
根据预设时间段内目标非机动车的骑行特征、相对运动特征、环境特征,生成所述目标结果;其中,所述目标结果包括以下至少之一:事故类型、事故起因、事故责任方。
6.根据权利要求5所述的方法,其特征在于,所述骑行特征包括以下至少之一:骑行方向特征、速度特征、加速度特征、转向操作特征;
所述相对运动特征包括以下至少之一:目标非机动车与事故对象设备之间的相对距离特征、目标非机动车与事故对象设备之间的相对位置特征、目标非机动车与事故对象设备之间的相对朝向特征;
所述环境特征包括以下至少之一:目标非机动车所在车道的类型标识、目标非机动车所处位置与所在车道的中心线的偏移距离、目标非机动车所处位置的邻近范围内的交通标识、事故对象设备的状态特征。
7.根据权利要求5所述的方法,其特征在于,根据所述预设时间段内目标非机动车的多个骑行数据组,确定出预设时间段内目标非机动车的骑行特征、相对运动特征、环境特征,包括:
调用预设的图像处理模型,处理多个骑行数据组中的环境图片,获取预设时间段内目标非机动车的环境特征;
根据多个骑行数据组中的骑行参数,构建目标非机动车预设时间段内的运动轨迹;并根据所述预设时间段内的运动轨迹,提取出预设时间段内目标非机动车的骑行特征;
组合使用多个骑行数据组中的环境图片、骑行参数,确定出预设时间段内目标非机动车的相对运动特征。
8.根据权利要求5所述的方法,其特征在于,在根据所述预设时间段内目标非机动车的多个骑行数据组,确定出预设时间段内目标非机动车的骑行特征、相对运动特征、环境特征之后,所述方法还包括:
根据骑行数据组中的环境图片,提取出事故对象设备的身份标识;
根据所述事故对象设备的身份标识,查询获取预设时间段内事故对象设备的多个骑行数据组;
根据所述预设时间段内事故对象设备的多个骑行数据组,确定出预设时间段内事故对象设备的骑行特征、相对运动特征、环境特征;
相应的,
根据预设时间段内目标非机动车的骑行特征、相对运动特征、环境特征,以及预设时间段内事故对象设备的骑行特征、相对运动特征、环境特征,生成目标结果。
9.一种非机动车事故的数据处理方法,应用于目标非机动车,其特征在于,包括:
在目标非机动车骑行过程中,每间隔预设的时间间隔采集目标非机动车的骑行参数和环境图片;
组合所述目标非机动车的骑行参数和环境图片,得到携带有采集时间和目标非机动车的身份标识的骑行数据组;
向云端服务器发送所述骑行数据组。
10.根据权利要求9所述的方法,其特征在于,在采集环境图片之后,所述方法还包括:
根据预处理规则,将环境图片转换为空间域图像数据;并对空间域图像数据进行傅里叶变换,得到对应的频域图像数据;
对频域图像数据进行数字滤波处理,得到预处理后的频域图像数据;
将所述预处理后的频域图像数据,还原成空间域图像数据,以得到预处理后的环境图片;
相应的,
组合所述目标非机动车的骑行参数和预处理后的环境图片,得到携带有采集时间和目标非机动车的身份标识的骑行数据组。
11.一种非机动车事故的数据处理装置,其特征在于,包括:
接收模块,用于接收并根据触发指令,获取预设时间段内目标非机动车的多个骑行数据组;其中,所述触发指令包括在目标非机动车发生事故的情况下所生成的指令数据;所述骑行数据组包含有骑行参数和环境图片;
处理模块,用于处理所述预设时间段内目标非机动车的多个骑行数据组,得到与所述事故相关的目标结果。
12.一种非机动车事故的数据处理装置,其特征在于,包括:
采集模块,用于在目标非机动车骑行过程中,每间隔预设的时间间隔采集目标非机动车的骑行参数和环境图片;
组合模块,用于组合所述目标非机动车的骑行参数和环境图片,得到携带有采集时间和目标非机动车的身份标识的骑行数据组;
发送模块,用于向云端服务器发送所述骑行数据组。
13.一种云端服务器,其特征在于,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现权利要求1至8中任一项所述方法的步骤。
14.一种电子设备,其特征在于,至少包括处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现权利要求9至10中任一项所述方法的步骤。
15.一种计算机可读存储介质,其特征在于,其上存储有计算机指令,所述指令被执行时实现权利要求1至8,或9至10中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111020263.5A CN113808397A (zh) | 2021-09-01 | 2021-09-01 | 非机动车事故的数据处理方法、装置和云端服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111020263.5A CN113808397A (zh) | 2021-09-01 | 2021-09-01 | 非机动车事故的数据处理方法、装置和云端服务器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113808397A true CN113808397A (zh) | 2021-12-17 |
Family
ID=78894573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111020263.5A Pending CN113808397A (zh) | 2021-09-01 | 2021-09-01 | 非机动车事故的数据处理方法、装置和云端服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113808397A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116469254A (zh) * | 2023-06-15 | 2023-07-21 | 浙江口碑网络技术有限公司 | 一种信息处理方法和装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102087754A (zh) * | 2010-12-30 | 2011-06-08 | 长安大学 | 汽车碰两轮或三轮车后再碰固定物组合事故模拟再现系统 |
CN106981184A (zh) * | 2017-03-20 | 2017-07-25 | 上海共佰克智能科技有限公司 | 自行车碰撞检测方法及系统 |
CN107507456A (zh) * | 2017-08-11 | 2017-12-22 | 武汉雷毫科技有限公司 | 非机动车防撞预警系统以及方法 |
CN107911576A (zh) * | 2017-11-01 | 2018-04-13 | 北京小米移动软件有限公司 | 图像处理方法、装置和存储介质 |
CN110033011A (zh) * | 2018-12-14 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 车祸事故处理方法和装置、电子设备 |
CN110738842A (zh) * | 2018-07-18 | 2020-01-31 | 阿里巴巴集团控股有限公司 | 事故责任划分及行为分析方法、装置、设备及存储介质 |
CN111161533A (zh) * | 2019-12-04 | 2020-05-15 | 支付宝(杭州)信息技术有限公司 | 交通事故处理方法和装置、电子设备 |
CN210793082U (zh) * | 2019-11-08 | 2020-06-19 | 无锡凌博电子技术有限公司 | 一种具有碰撞事故报警功能的电动车 |
CN111862386A (zh) * | 2020-07-03 | 2020-10-30 | 上海钧正网络科技有限公司 | 一种车辆的事故记录方法、装置、介质及服务器 |
-
2021
- 2021-09-01 CN CN202111020263.5A patent/CN113808397A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102087754A (zh) * | 2010-12-30 | 2011-06-08 | 长安大学 | 汽车碰两轮或三轮车后再碰固定物组合事故模拟再现系统 |
CN106981184A (zh) * | 2017-03-20 | 2017-07-25 | 上海共佰克智能科技有限公司 | 自行车碰撞检测方法及系统 |
CN107507456A (zh) * | 2017-08-11 | 2017-12-22 | 武汉雷毫科技有限公司 | 非机动车防撞预警系统以及方法 |
CN107911576A (zh) * | 2017-11-01 | 2018-04-13 | 北京小米移动软件有限公司 | 图像处理方法、装置和存储介质 |
CN110738842A (zh) * | 2018-07-18 | 2020-01-31 | 阿里巴巴集团控股有限公司 | 事故责任划分及行为分析方法、装置、设备及存储介质 |
CN110033011A (zh) * | 2018-12-14 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 车祸事故处理方法和装置、电子设备 |
CN210793082U (zh) * | 2019-11-08 | 2020-06-19 | 无锡凌博电子技术有限公司 | 一种具有碰撞事故报警功能的电动车 |
CN111161533A (zh) * | 2019-12-04 | 2020-05-15 | 支付宝(杭州)信息技术有限公司 | 交通事故处理方法和装置、电子设备 |
CN111862386A (zh) * | 2020-07-03 | 2020-10-30 | 上海钧正网络科技有限公司 | 一种车辆的事故记录方法、装置、介质及服务器 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116469254A (zh) * | 2023-06-15 | 2023-07-21 | 浙江口碑网络技术有限公司 | 一种信息处理方法和装置 |
CN116469254B (zh) * | 2023-06-15 | 2023-09-08 | 浙江口碑网络技术有限公司 | 一种信息处理方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107608388B (zh) | 自主警车 | |
US11335200B2 (en) | Method and system for providing artificial intelligence analytic (AIA) services using operator fingerprints and cloud data | |
CN109804367B (zh) | 使用边缘计算的分布式视频存储和搜索 | |
US20210334558A1 (en) | Method and system for providing behavior of vehicle operator using virtuous cycle | |
CN106952303B (zh) | 车距检测方法、装置和系统 | |
CN111325872B (zh) | 基于计算机视觉的司机驾驶异常检测方法 | |
WO2020042984A1 (zh) | 一种车辆行为检测方法及装置 | |
US9881221B2 (en) | Method and system for estimating gaze direction of vehicle drivers | |
CN109345829B (zh) | 无人车的监控方法、装置、设备及存储介质 | |
CN105447939A (zh) | 一种基于物联网的停车场安防系统及方法 | |
CN107547617B (zh) | 一种交通事故信息收集方法及装置 | |
CN112818839A (zh) | 驾驶员违章行为识别方法、装置、设备及介质 | |
CN113899355A (zh) | 地图更新方法、装置、云端服务器和共享骑行设备 | |
CN113516099A (zh) | 一种交通行为识别方法及装置、电子设备和存储介质 | |
CN113808397A (zh) | 非机动车事故的数据处理方法、装置和云端服务器 | |
CN115019242A (zh) | 一种交通场景的异常事件检测方法、装置和处理设备 | |
CN108062805B (zh) | 一种车载数据处理方法和服务器 | |
CN108074395B (zh) | 一种身份识别的方法及装置 | |
CN113179423A (zh) | 事件的检测输出方法及装置、电子设备和存储介质 | |
CN110188645B (zh) | 用于车载场景的人脸检测方法、装置、车辆及存储介质 | |
Parmar et al. | Accident Detection and Notification System Using AWS | |
CN114724373B (zh) | 交通现场信息获取方法和装置、电子设备和存储介质 | |
CN114760335A (zh) | 基于区块链的车辆数据处理方法、装置和服务器 | |
CN111427037B (zh) | 障碍物的检测方法和装置、电子设备和车端设备 | |
CN114283361A (zh) | 状态信息的确定方法和装置、存储介质及电子装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211217 |
|
RJ01 | Rejection of invention patent application after publication |