一种基于区块链和IVggNet的交通事故判责模型

摘要

一种基于区块链和IVggNet的交通事故判责模型。步骤1，将此次交通事故的数据上传至区块链节点；步骤2，利用区块链技术对上传的事故数据进行分类整合和相应的存储；步骤3，利用所提出的IVggNet模型从区块链中拿取数据；步骤4，将步骤3中的判别结果与交警部门的判责结果进行对比；步骤5，将此次事故的数据和交警部门的判责结果上传至区块链模型纠错训练集中，当纠错训练集中的样本数据达到设定的阈值时，对IVggNet模型进行更新，最后将更新的IVggNet模型上传至区块链，实现数据和模型的共享；步骤6，根据判责结果对此次交通事故进行处理。本发明在区块链等技术支持下，通过所提出的IVggNet网络模型实现对交通事故智能化判责。

说明书

技术领域

本发明涉及区块链和道路交通领域，特别是涉及一种基于区块链和IVggNet的交通事故判责模型。

背景技术

随着我国城镇化建设的发展、国民经济和科技水平的发展，我国居民的汽车保有量逐年增加，在汽车保有量越来越多的条件下，不可避免的会发生交通事故。从车型来看，汽车发生的交通事故和导致的死亡人数最高，2018年，我国汽车发生交通事故166906起，导致46161人死亡，169046人受伤，直接财产损失118671.6万元。近年来，公路网络基本已经形成，作为公路交通的重要组成部分的交通监控系统更是不断地优化和完善，基本全面覆盖了主要路段，这为交通事故的判责提供了有力的数据保障。而对于交通事故的判责，现在主要是人工判责，大量的交通事故将带来巨大的工作量，浪费了极大的人力物力，不利于社会的发展。

一方面，近些年深度学习得以飞速的发展，各种网络模型如卷积神经网络、对抗生成网络及其变体被科研人员大量提出，并得到了很广泛的应用；另一方面，深度学习模型的性能极大的受到训练数据数量的制约，如何获取海量的样本数据以及将这些数据有效的利用成为了一个亟待解决的问题。另一方面，道路监控设备所拍摄的视频或图片在雨雾天气下可能会模糊，导致判责的算法模型不能很好的提取特征。所以如何将全国乃至全世界范围内海量的交通事故数据有效的存储和利用起来，同时采用适合的局部特征提取算法，并在现有的深度学习模型的基础上提出一个智能化的交通事故判责模型，是一件非常重要和有意义的事情。

国内涉及区块链和道路交通的专利有“一种基于区块链的城市实时交通系统及方法”(201710212277.4)，该发明中采用区块链为核心技术，利用区块链的“记账本”来分布式存储记录每辆汽车的行驶记录，在该记账本中，每辆车都采用汽车标志符方式记录，标志符采用加密算法生成随机字符串，并定时变化，在该专利中主要是对区块链技术的应用，并没有涉及过多的算法模型，该系统不具有智能化的特点。国家发明专利“一种基于区块链与深度学习的车辆违法行为检测系统”(202010308506.4)，该方法将区块链和深度学习结合起来，实现对车辆违法行为的检测，但是在该系统中不支持模型的在线升级，使得模型的泛化性受到了一定的约束。综上，在算法层面上，结合区块链技术，同时支持模型的智能化升级更新是亟待解决的一大难题。

发明内容

为解决上述问题，本发明在SIFT算法和VggNet模型的基础上，同时采用先进的区块链技术，提出了一种基于区块链和IVggNet的交通事故判责模型。在该模型训练数据方面，从车载GPS数据、电子监控数据和车联网数据等多方面收集了事故发生时产生的数据，以更加全面的为网络模型训练提供数据，同时，采用了区块链技术对海量复杂的数据进行分类整合、存储和共享。在模型算法处理模块，采用SIFT进行图像局部特征的提取和增强，同时在原有的VggNet模型的基础上，提出新的损失函数以提高模型判别精准度和泛化性，对于判责错误的事故，支持对IVggNet的在线升级，然后将更新后的IVggNet共享至区块链上，使得模型可以不断的被更新升级。为达此目的，本发明提供一种基于区块链和IVggNet的交通事故判责模型，具体步骤如下，其特征在于：

步骤1，将此次交通事故的数据上传至区块链节点，其中数据包括：车载GPS数据、电子监控设备拍摄的图片和视频数据、车联网数据等；

进一步，步骤1中交通事故的数据具体有：

车载GPS数据有：在发生事故时汽车速度的变化数据和刹车加速度变化数据等；电子监控数据有：摄像头拍摄的路况图、发生事故的视频、车流时空分布图和驾驶员驾驶姿势等；车联网数据有：操控数据、环境数据和工况数据等。

步骤2，利用区块链技术对上传的事故数据进行分类整合和相应的存储；

进一步，将上传的事故数据进行分类整合和相应的存储，其特征是：

当上传的数据面向公众共享时，可将当前节点接入公有链；相反，当数据归私有所有时，可选择私有链的搭建，同时对数据进行加密处理。

步骤3，利用所提出的IVggNet模型从区块链中拿取数据，在经过SIFT特征提取和增强后，利用改进的VggNet对数据进行进一步的挖掘，最终对此次事故进行判责；

进一步，步骤3中IVggNet模型对数据进行处理和分析的具体步骤为：

步骤3.1，利用尺度不变特征转换(SIFT,Scale-invariant feature transform)对从步骤2中获取的数据进行局部特征提取以增强图片的特征，其具体的步骤为：

步骤3.1.1，多尺度空间的构建，本发明采用高斯卷积核完成相应的尺度变换，得到的尺度空间图像L(x,y,σ)表达式为：

式中G(x,y,σ)为二维高斯函数，

式中，x,y表示图像的坐标，σ为尺度因子。

步骤3.1.2，在尺度空间中检测极值点，并进行精确定位和筛选，此处选择用Taylor函数在极值点附近进行展开，将对比度低的点除去，然后利用Hessian矩阵除去不稳定的边缘响应点。

步骤3.1.3，确定特征点主方向，其中梯度g(x,y)和方向θ(x,y)的求解公式为：

式中，L(x,y)为特征点所在的高斯图像。

步骤3.1.4，旋转坐标轴至特征点的主方向，并计算特征点的特征描述符。

步骤3.2，将步骤3.1得到的数据输入到改进的VggNet对数据进行进一步的挖掘；其具体步骤为：

步骤3.2.1，利用TensorFlow架构搭建IVggNet模型，其中模型网络结构为：输入层—卷积层1—卷积层2—池化层1—卷积层3—卷积层4—池化层2—卷积层5—卷积层6—卷积层7—池化层3—卷积层8—卷积层9—卷积层10—池化层4—卷积层11—卷积层12—卷积层13—池化层5—全连接层1—全连接层2—Softmax层。

步骤3.2.2，利用已有的训练数据集对IVggNet模型进行训练，并且向原有的损失函数中加入正则惩罚项，具体的损失函数L

式中，L

步骤3.2.3，利用Adam算法对IVggNet模型的权重系数进行反向更新，直至损失函数L

步骤4，将步骤3中的判别结果与交警部门的判责结果进行对比，如果相同，跳转到步骤6，否则跳转至步骤5；

步骤5，将此次事故的数据和交警部门的判责结果上传至区块链模型纠错训练集中，当纠错训练集中的样本数据达到设定的阈值时，对IVggNet模型进行更新，最后将更新的IVggNet模型上传至区块链，实现数据和模型的共享；

步骤6，根据判责结果对此次交通事故进行处理。

本发明一种基于区块链和IVggNet的交通事故判责模型，有益效果：本发明的技术效果在于：

1.本发明从车载GPS数据、电子监控数据和车联网数据等多方面收集了事故发生时产生的数据，以更加全面的为网络模型训练提供数据，同时，采用了区块链技术对海量复杂的数据进行分类整合、存储和共享；

2.本发明采用SIFT进行图像局部特征的提取和增强，同时在原有的VggNet模型的基础上，提出新的损失函数以提高模型判别精准度和泛化性；

3.本发明对于判责错误的事故，支持对IVggNet的在线升级，然后将更新后的IVggNet共享至区块链上，使得模型可以不断的被更新升级以提高模型的精准度和泛化性。

附图说明

图1为本发明的模型架构图；

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述：

本发明提出了一种基于区块链和IVggNe的交通事故判责模型，旨在实现对交通事故智能化判责。

图1为本发明的模型架构图。下面结合架构图对本发明的步骤作详细介绍。

步骤1，将此次交通事故的数据上传至区块链节点，其中数据包括：车载GPS数据、电子监控设备拍摄的图片和视频数据、车联网数据等；

进一步，步骤1中交通事故的数据具体有：

车载GPS数据有：在发生事故时汽车速度的变化数据和刹车加速度变化数据等；电子监控数据有：摄像头拍摄的路况图、发生事故的视频、车流时空分布图和驾驶员驾驶姿势等；车联网数据有：操控数据、环境数据和工况数据等。

步骤2，利用区块链技术对上传的事故数据进行分类整合和相应的存储；

进一步，将上传的事故数据进行分类整合和相应的存储，其特征是：

当上传的数据面向公众共享时，可将当前节点接入公有链；相反，当数据归私有所有时，可选择私有链的搭建，同时对数据进行加密处理。

步骤3，利用所提出的IVggNet模型从区块链中拿取数据，在经过SIFT特征提取和增强后，利用改进的VggNet对数据进行进一步的挖掘，最终对此次事故进行判责；

进一步，步骤3中IVggNet模型对数据进行处理和分析的具体步骤为：

步骤3.1，利用尺度不变特征转换(SIFT,Scale-invariant feature transform)对从步骤2中获取的数据进行局部特征提取以增强图片的特征，其具体的步骤为：

步骤3.1.1，多尺度空间的构建，本发明采用高斯卷积核完成相应的尺度变换，得到的尺度空间图像L(x,y,σ)表达式为：

式中G(x,y,σ)为二维高斯函数，

式中，x,y表示图像的坐标，σ为尺度因子。

步骤3.1.2，在尺度空间中检测极值点，并进行精确定位和筛选，此处选择用Taylor函数在极值点附近进行展开，将对比度低的点除去，然后利用Hessian矩阵除去不稳定的边缘响应点。

步骤3.1.3，确定特征点主方向，其中梯度g(x,y)和方向θ(x,y)的求解公式为：

式中，L(x,y)为特征点所在的高斯图像。

步骤3.1.4，旋转坐标轴至特征点的主方向，并计算特征点的特征描述符。

步骤3.2，将步骤3.1得到的数据输入到改进的VggNet对数据进行进一步的挖掘；其具体步骤为：

步骤3.2.1，利用TensorFlow架构搭建IVggNet模型，其中模型网络结构为：输入层—卷积层1—卷积层2—池化层1—卷积层3—卷积层4—池化层2—卷积层5—卷积层6—卷积层7—池化层3—卷积层8—卷积层9—卷积层10—池化层4—卷积层11—卷积层12—卷积层13—池化层5—全连接层1—全连接层2—Softmax层。

步骤3.2.2，利用已有的训练数据集对IVggNet模型进行训练，并且向原有的损失函数中加入正则惩罚项，具体的损失函数L

式中，L

步骤3.2.3，利用Adam算法对IVggNet模型的权重系数进行反向更新，直至损失函数L

步骤4，将步骤3中的判别结果与交警部门的判责结果进行对比，如果相同，跳转到步骤6，否则跳转至步骤5；

步骤5，将此次事故的数据和交警部门的判责结果上传至区块链模型纠错训练集中，当纠错训练集中的样本数据达到设定的阈值时，对IVggNet模型进行更新，最后将更新的IVggNet模型上传至区块链，实现数据和模型的共享；

步骤6，根据判责结果对此次交通事故进行处理。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。