8、基于SVM和KNN的道路交通事故分类

基于SVM和KNN的道路交通事故分类

1. 引言

近年来，汽车数量的急剧增加导致道路交通事故激增。每年，全球有数百万人因道路交通事故丧生，幸存者也可能遭受重伤、轻伤或患上无法治愈的残疾。道路交通事故已成为许多国家关注的重点问题。分析事故的统计报告和调查报告，将事故分为致命和非致命事故，有助于确定适当的紧急服务、创伤设施类型，并为受害者确定合适的治疗方案。事故图像是事故分析的重要数据来源，可由事故现场的旁观者和道路上的监控摄像头拍摄。图像处理在事故图像分析中起着关键作用，了解事故严重程度主要有两个步骤：特征提取和图像分类。本文采用HOG、SURF和LBP等特征提取算法提取特征，并使用SVM和KNN进行分类。

2. 文献综述

为了确定事故的严重程度，已经有很多相关的研究方法：
- 一些研究使用统计模型，如Mannera和Wunsch - Zieglerb使用多项逻辑模型统计确定事故严重程度的情况，得出与道路旁物体碰撞的事故更为严重的结论；Zhu和Srinivasan详细分析了事故严重程度的实际原因，指出驾驶员的情绪分心和酒后驾驶等态度是导致道路事故严重程度较高的主要原因。
- 部分研究借助社交媒体数据，如Gao等人提出使用深度学习从社交媒体的信息中检测道路事故，通过长短期记忆网络和深度信念网络检查和评估与事故相关的推文。
- 还有研究采用机器学习模型，如De Ona等人使用贝叶斯网络分类模型和潜在类聚类分析高速公路事故的严重程度；Mujalli等人使用贝叶斯分类器通过可用的交通事故统计数据预测道路事故的严重程度；Lee等人使用结构方程建模来发现事故严重程度与天气条件之间的相关性；Garcia Cuenca和Puertas比较了朴素贝叶斯、梯度提升树和