[发明专利]车辆行驶数据处理方法

摘要

本发明公开了车辆行驶数据处理方法，包括根据汽车型号建立仪表盘模板数据库；实时获取车辆行驶过程中的仪表盘图像信息，车辆行驶前方的图像信息以及车辆状态信息；监测车辆状态，若发现车辆状态异常提取仪表盘图像信息与仪表盘模板数据库相比对，识别车速数据和仪表盘指示信号数据，结合其他信息生成图像和行车数据，进行汇总保存，并发出报警信息；若发现车辆状态为交通事故提取涉事车辆的行车数据，还原事故发生过程。本发明将行车过程中发生的事件与对应的仪表盘图像联系起来，图像数据可以作为直观的证据、用于违章判定、事故责任判定。

主权项

车辆行驶数据处理方法，其特征在于，包括如下步骤：(1)根据汽车型号建立仪表盘模板数据库；(2)实时获取车辆行驶过程中的仪表盘图像信息，车辆行驶前方的图像信息以及车辆状态信息；(3)监测车辆状态，若发现车辆异事件为状态异常：提取仪表盘图像信息与仪表盘模板数据库相比对，识别车速数据和仪表盘指示信号数据，结合车辆行驶前方的图像信息、车辆状态信息生成带有数字水印的图像和行车数据，提取处理后的数据进行汇总保存，并向车辆驾驶员发出报警信息；(4)监测车辆状态，若发现车辆异事件为交通事故：确定交通事故中关键车辆2部，提取关键车辆的仪表盘图像信息和车辆状态信息，利用数据挖掘中的直方图分析，确定异事件关键时间点，以关键时间点为基准，提取交通事故中关键时间点中所涉及车辆行驶前方的图像信息进行基于SIFT算法的特征点提取和匹配，倒推出发生事故前各个车辆的行车数据，恢复事故全景视图，还原事故发生过程；所述还原事故发生过程的方法如下：第一，提取交通事故中涉事车辆的行车数据、并汇总；第二，通过各个车辆的行车数据中的仪表盘图像信息，车辆行驶前方的图像信息以及车辆状态信息确定各个车辆发生事故对应的时间点；第三，以各个车辆发生事故的时间点为基准，倒推出发生事故前各个车辆的行车轨迹，同时显示对应时间点上的车载图像，还原事故发生的过程；(31)通过数据挖掘中的直方图近似数据分布、决策树归纳分析出触发时间点；(32)对涉事车辆中两辆关键车辆行驶前方的图像信息I1(x,y)、I2(x,y)，进行基于SIFT算法的特征点提取和匹配，恢复事故全景视图：采用高斯卷积运算构建尺度空间，高斯差分函数D(x，y，σ)通过以不变倍增因子k的两个相邻尺度图像差计算得出：D(x,y,σ)＝(G(x,y,kσ)‑G(x,y,σ))*I(x,y)＝L(x,y,kσ)‑L(x,y,σ)   (1)初始图像经逐步高斯卷积运算，得到一系列尺度空间，即高斯尺度DOG空间，空间极值点检测关键点是由DOG空间的局部极值点组成的，中间的检测点和它同尺度的8个相邻点和上下相邻尺度对应的9×2个点共26个点比较，以确保在尺度空间和二维图像空间都检测到极值点；极值点的方向分配：对于每一个采样点L(x，y)，计算其梯度模值m(x，y)和方向θ(x，y)的公式为：m(x,y)=(L(x+1,y)-L(x-1,y))2+(L(x,y+1)-L(x,y-1))2θ(x,y)=tan-1(L(x,y+1)-L(x,y-1))/(L(x+1,y)-L(x-1,y))---(2);]]>特征点描述子的生成：将坐标轴旋转到特征点的梯度方向上，确保旋转不变性，采用16个子点来描述一个特征点，然后计算每个子点中8个方向的梯度累加值，得到特征点描述子的特征向量，为4*4*8＝128维向量；所得到的特征向量具有旋转不变形所以可以分别提取I1和I2两幅图像中的特征向量进行特征点匹配，拼接成一幅全景视图；第四，根据现场还原模拟模块展示的事故发生的过程确定事故的责任。