بررسي هوشمند كروكي الكترونيكي تصادف با ارائه يك مدل تصميم يار مبتني بر بازيابي تصوير

Intelligent Investigation of Electronic Accident Sketch by Providing a Decision-making Model based on Image Retrieval

زمينه و هدف: به واسطه تغييرات فنّاوري و تمايل مردم و دولت ­ها به استفاده بيشتر از سامانه­ هاي اطلاعاتي، فرماندهي انتظامي كشور تحولات مبتني بر فنّاوري هاي ديجيتال را احساس نموده و در نتيجه وابستگي به سامانه ­هاي اطلاعاتي در انجام مأموريت­ ها اجتناب ناپذير شده است. تصادفات در سطح جاده­ ها جزئي از زندگي مردم شده است و كروكي الكترونيكي يكي از دستاوردهاي پليس هوشمند مي ­باشد. در اين پژوهش به ارائه يك مدل تصميم يار براي بررسي و ارزيابي تصوير صحنه تصادف به كمك سيستم بازيابي تصوير پرداخته شده است. در اين مدل تصوير صحنه تصادف با نمونه­ هاي مشابه بازيابي مي‌شود و اطلاعات كارشناسي نمونه ­هاي مشابه در اختيار ارزياب صحنه تصادف قرار مي‌گيرد. روش: پژوهش از نظر هدف، كاربردي و به روش شبيه‌سازي اجرا شده است. ابزار مورد استفاده، نرم افزار متلب مي‌باشد. محدوده مورد مطالعه اين پژوهش، سامانه‌اي مي‌باشد كه براي كارشناسان پليس راهنمايي و رانندگي در سطح فرماندهي انتظامي كشور قابل استفاده است. يافته‌ها: در اين پژوهش با هدف بررسي هوشمند صحنه تصادف، يك سيستم تصميم يار بر اساس بازيابي تصوير مبتني بر محتوا پيشنهاد شد. با توجه به پياده ­سازي كروكي الكترونيكي در پليس هوشمند، توصيف ويژگي‌هاي تصوير براي شناسايي موقعيت و وضعيت صحنه تصادف و بازيابي تصاوير مرجع با بيشترين ميزان شباهت به صحنه تصادف مورد توجه قرار گرفته است. توصيف متني صحنه تصادف و عوامل قابل بررسي در هر مدل مرجع با نظر كارشناس فنّي امكان بررسي و تصميم­ گيري دقيق‌تر و سريع­ تر را براي ارزياب صحنه تصادف فراهم مي‌كند. مدل تصميم يار پيشنهادي با شصت نمونه تصوير تصادف و كروكي صحنه تصادف براي سه مدل مرجع تصادف مورد بررسي قرار گرفته است. نتايج: در اين پژوهش ويژگي‌هاي تصوير با استفاده از شبكه عصبي عميقVGG-16 استخراج و با استفاده از شبكه عصبي بازگشتي تصوير تحليل مي‌گردد. تركيب دو دسته از ويژگي­ هاي تصوير امكان ارزيابي موقعيت مكاني خودرو در تصوير را به نحو مؤثري فراهم نموده است. روش پيشنهادي بر اساس سه مدل تصادف مرجع شامل تصادف از پهلو، تصادف و برخورد از مقابل و تصادف از عقب مورد ارزيابي قرار گرفت. شباهت محتوايي تصاوير بازيابي شده به تصوير جست­ وجو با معيار ميانگين صحت انجام شده است. ميانگين صحت برابر 96.2 درصد در مجموعه داده ­هاي مورد بررسي در روش پيشنهادي گزارش شده است.

Background and Objective: Due to technological changes and the desire of people and governments to use more information systems, the country's law enforcement command has felt the changes based on digital technologies and as a result, dependence on information systems in the mission has become inevitable. Road crashes have become part of people's lives, and the electronic sketch is one of the achievements of smart police. In this research, a decision-making model has been presented to examine and evaluate the accident scene image with the help of an image retrieval system. In this model, the image of the accident scene is retrieved with similar samples, and expert information from similar samples is provided to the accident scene evaluator. Method: The research is applied in terms of purpose and simulation method. The tool used is MATLAB software. The study area of ​​this research is a system that can be used by traffic police experts at the level of the country's police command. Findings: In this study, to intelligently investigate the accident scene, a decision-making system based on content-based image retrieval was proposed. Due to the implementation of electronic sketching in smart police, the description of image features to identify the location and status of the accident scene and retrieve reference images with the greatest similarity to the accident scene has been considered. A textual description of the accident scene and the factors that can be examined in each reference model with the opinion of a technical expert allows more accurate and faster review and decision making for the accident scene assessor. The proposed decision-maker model with 60 examples of accident and accident sketch scenes has been examined for three accident reference models.Results: In this study image features are extracted using a VGG-16 deep neural network and the image is analyzed using a recursive neural network. Combining the two categories of image features has made it possible to effectively assess the vehicle's location in the image. The proposed method was evaluated based on three reference accident models: side accident, front collision, and rear collision. The content similarity of the retrieved images to the search image is done with the average accuracy criterion. The average accuracy of 96.2% in the studied data set in the proposed method is reported.