CN108230616A - 一种危险驾驶识别警报方法及系统 - Google Patents
一种危险驾驶识别警报方法及系统 Download PDFInfo
- Publication number
- CN108230616A CN108230616A CN201810105959.XA CN201810105959A CN108230616A CN 108230616 A CN108230616 A CN 108230616A CN 201810105959 A CN201810105959 A CN 201810105959A CN 108230616 A CN108230616 A CN 108230616A
- Authority
- CN
- China
- Prior art keywords
- weather
- vehicle
- driver
- default
- threshold value
- 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
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
- B60Q9/00—Arrangement or adaptation of signal devices not provided for in one of main groups B60Q1/00 - B60Q7/00, e.g. haptic signalling
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/06—Alarms for ensuring the safety of persons indicating a condition of sleep, e.g. anti-dozing alarms
Landscapes
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种危险驾驶识别警报方法及系统,所述方法包括:获得车辆定位位置实时天气情况,判断所述车辆是否处于危险天气中;获得线性加速度数据,判断是否发生了三急事件;采集驾驶司机图像,使用预训练完成的疲劳预测模型对采集的所述驾驶司机图像进行识别,判断驾驶司机是否处于疲劳状态;接收的测速数据及车辆定位位置的限速要求判断车辆是否处于违规超速状态;对多个危险条件的权重进行设置,并通过所述多个危险条件判断结果及对应权重值获得危险系数;通过危险系数与预设危险系数阈值进行比较,确认车辆是否处于危险驾驶中;如确认处于危险驾驶中,通过报警装置向驾驶司机进行报警。
Description
技术领域
本发明涉及安全驾驶领域,更具体地,涉及一种危险驾驶识别警报方法及系统。
背景技术
据有关部门数据统计,近年来全国公安交通管理部门查处违法驾驶类涉案人员逐年增多,对所有案件的数据进行同一分析,发现大多数案件发生在12时至次日3时,涉案车辆不乏物流货运车辆,这类车辆容易在夜间因驾驶人员判断力下降而发生疲劳驾驶和危险驾驶;同时,在天气状况不良的情况下,可能会导致驾驶人员判断困难,发生的案件也占相当大的比例;在现有技术中,大多都还是一些有经验的道路交通潜在危险评估专家通过自己的经验主观判断,联合交通部门设置交通提醒,或通过软件发布预警,这种判断方法主观因素占主导地位,缺少判断标准,导致判断不准确,同时该方法是面向所有车辆的信息输出,缺乏针对性,也就让驾驶人员缺乏直观体验;而目前也有学者使用驾驶辅助系统对危险驾驶进行警示,但驾驶辅助系统仅针对路况信息进行采集和判断,而影响危险驾驶的因素众多,仅对路况信息进行判断无法完全做到危险驾驶的全识别和报警。
发明内容
为了解决背景技术存在的现有危险驾驶警报信息不准确、缺乏针对性,且考虑到影响驾驶因素过于单一的问题,本发明提供了一种危险驾驶识别警报方法及系统;所述方法及系统通过车载设备及联网采集,获得多种危险条件下对应的识别参数,并通过多种识别参数获得车辆目前状态的危险系数,并根据危险系数的改变实时判断车辆是否处于危险驾驶中,所述一种危险驾驶识别警报方法包括:
通过网络连接获得车辆定位位置实时天气情况,并通过预设的规则计算获得综合天气参数;将所述综合天气参数与预设危险天气阈值进行比对,判断所述车辆是否处于危险天气中;
通过车辆配置的加速度检测装置实时获得北-天-东三个方向上的线性加速度数据,并通过所述线性加速度数据与预设加速度阈值的比较,判断是否发生了三急事件;所述三急事件包括急加速事件、急减速事件以及急转弯事件;
通过图像采集装置采集驾驶司机图像,使用预训练完成的疲劳预测模型对采集的所述驾驶司机图像进行识别,判断驾驶司机是否处于疲劳状态;
通过接收的测速数据及车辆定位位置的限速要求判断车辆是否处于违规超速状态;
根据大数据学习模型对多个危险条件的权重进行设置,并通过所述多个危险条件判断结果及对应权重值获得危险系数;所述危险条件包括所述是否处于危险天气中、是否发生三急事件、驾驶司机是否处于疲劳状态以及车辆是否处于超速状态;
通过危险系数与预设危险系数阈值进行比较,确认车辆是否处于危险驾驶中;如确认处于危险驾驶中,通过报警装置向驾驶司机进行报警。
进一步的,所述危险条件包括车辆行驶道路环境是否异常;通过车载视觉装置对车辆行驶道路环境进行实时监测,根据实时监测结果判断车辆行驶道路环境是否异常;所述实时监测包括来往车辆检测、行人检测、非机动车检测、车距检测以及交通标志识别。
进一步的,通过网络连接获得的车辆定位位置的天气的类型包括温度、风力、能见度以及雨雪量;所述每种天气类型对应由多个等级的天气情况,每个等级的天气情况对应该类型天气在该等级天气情况下的天气类型得分;所述汇总天气参数为所述天气类型得分的加权平均值;所述各天气类型的权重根据节气的变化实时调整。
进一步的,当所述车辆定位位置的任一天气类型对应的天气情况处于极端天气情况时,直接判定车辆处于危险天气中;所述极端天气情况包括温度低于零下四十度的极寒天气、温度高于零上四十度的极热天气、台风天气、大雾天气、特大暴雨天气以及特大暴雪天气。
进一步的,所述预设加速度阈值包括预设急加速阈值、预设急减速阈值以及预设急转弯阈值;所述急加速事件通过北、东两个方向上的线性加速度的矢量和的幅值是否超过预设急加速阈值进行判断;所述急减速事件通过北、东两个方向上的线性加速度的矢量和的幅值是否低于预设急减速阈值进行判断;所述急转弯事件通过北、东两个方向上的线性加速度的矢量和的方向角度变化是否超过预设急转弯阈值进行判断。
进一步的,所述通过图像采集装置采集驾驶司机图像,使用预训练完成的疲劳预测模型对采集的所述驾驶司机图像进行识别,判断驾驶司机是否处于疲劳状态,还包括:
当系统资源不足时,通过图像采集装置定时对司机图像进行拍照采集,对采集的司机图像照片进行存储并通过网络上传至后台服务器进行疲劳状态判断;并通过网络接收后台服务器对于司机图像照片是否处于疲劳状态的判断结果。
进一步的,所述如确认处于危险驾驶中,通过报警装置向驾驶司机进行报警后,所述方法还包括:
若所述车辆在一段预设时间内处于危险驾驶中的报警次数超过了预设报警阈值,则判定该车辆为危险车辆;通过网络将该车辆信息发送至预设的相关联系人。
所述一种危险驾驶识别警报系统包括:
天气判断单元,所述天气判断单元用于通过通过网络连接获得车辆定位位置实时天气情况,并通过预设的规则计算获得综合天气参数;将所述综合天气参数与预设危险天气阈值进行比对,判断所述车辆是否处于危险天气中;
三急判断单元,所述三急判断单元用于通过网络连接获得车辆定位位置实时天气情况,并通过预设的规则计算获得综合天气参数;将所述综合天气参数与预设危险天气阈值进行比对,判断所述车辆是否处于危险天气中;
疲劳判断单元,所述疲劳判断单元用于通过图像采集装置采集驾驶司机图像,使用预训练完成的疲劳预测模型对采集的所述驾驶司机图像进行识别,判断驾驶司机是否处于疲劳状态;
超速判断单元,所述超速判断单元用于通过接收的测速数据及车辆定位位置的限速要求判断车辆是否处于违规超速状态;
危险驾驶识别单元,所述危险驾驶识别单元用于根据大数据学习模型对多个危险条件的权重进行设置,并通过所述多个危险条件判断结果及对应权重值获得危险系数;所述危险条件包括所述是否处于危险天气中、是否发生三急事件、驾驶司机是否处于疲劳状态以及车辆是否处于超速状态;所述危险驾驶识别单元用于通过危险系数与预设危险系数阈值进行比较,确认车辆是否处于危险驾驶中;如确认处于危险驾驶中,通过报警装置向驾驶司机进行报警。
进一步的,所述系统包括道路环境监视单元,所述道路环境监视单元用于通过车载视觉装置对车辆行驶道路环境进行实时监测,根据实时监测结果判断车辆行驶道路环境是否异常;所述实时监测包括来往车辆检测、行人检测、非机动车检测、车距检测以及交通标志识别;所述危险驾驶识别单元识别的危险条件包括车辆行驶道路环境是否异常。
进一步的,所述天气判断单元通过网络连接获得的车辆定位位置的天气的类型包括温度、风力、能见度以及雨雪量;所述每种天气类型对应由多个等级的天气情况,每个等级的天气情况对应该类型天气在该等级天气情况下的天气类型得分;所述汇总天气参数为所述天气类型得分的加权平均值;所述各天气类型的权重根据节气的变化实时调整。
进一步的,当所述车辆定位位置的任一天气类型对应的天气情况处于极端天气情况时,所述天气判断单元直接判定车辆处于危险天气中;所述极端天气情况包括温度低于零下四十度的极寒天气、温度高于零上四十度的极热天气、台风天气、大雾天气、特大暴雨天气以及特大暴雪天气。
进一步的,所述三急判断单元的预设加速度阈值包括预设急加速阈值、预设急减速阈值以及预设急转弯阈值;所述三急判断单元通过北、东两个方向上的线性加速度的矢量和的幅值是否超过预设急加速阈值判断是否发生急加速事件;所述三急判断单元通过北、东两个方向上的线性加速度的矢量和的幅值是否低于预设急减速阈值判断是否发生急减速事件;所述三急判断单元通过北、东两个方向上的线性加速度的矢量和的方向角度变化是否超过预设急转弯阈值判断是否发生急转弯事件。
进一步的,当系统资源不足时,所述疲劳判断单元通过图像采集装置定时对司机图像进行拍照采集,对采集的司机图像照片进行存储并通过网络上传至后台服务器进行疲劳状态判断;并通过网络接收后台服务器对于司机图像照片是否处于疲劳状态的判断结果。
进一步的,若所述车辆在一段预设时间内处于危险驾驶中的报警次数超过了预设报警阈值,则判定该车辆为危险车辆;危险驾驶识别单元通过网络将该车辆信息发送至预设的相关联系人。
本发明的有益效果为:本发明的技术方案,给出了一种危险驾驶识别报警方法及系统,所述方法及系统通过车载设备及联网采集,获得多种危险条件下对应的识别参数,并通过多种识别参数获得车辆目前状态的危险系数,考虑了多种危险条件对车辆的影响,解决了现有技术考虑影响驾驶因素过于单一的问题;所述方法及系统根据危险系数的改变实时判断车辆是否处于危险驾驶中,解决了现有危险驾驶警报信息不准确、缺乏针对性的问题;同时所述方法及系统除了向驾驶司机报警外,还可将危险驾驶信息上次至后台服务器,并通过后台服务器转发至相关联系人,对危险驾驶的情况从多方便进行警报和提示。
附图说明
通过参考下面的附图,可以更为完整地理解本发明的示例性实施方式:
图1为本发明具体实施方式的一种危险驾驶识别警报方法的流程图;
图2为办发明具体实施方式的一种危险驾驶识别警报系统的结构图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中,相同的单元/元件使用相同的附图标记。
除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。
图1为本发明具体实施方式的一种危险驾驶识别警报方法的流程图,所述方法通过车载设备及联网采集,获得多种危险条件下对应的识别参数,并通过多种识别参数获得车辆目前状态的危险系数,并根据危险系数的改变实时判断车辆是否处于危险驾驶中,所述一种危险驾驶识别警报方法包括:
步骤101,通过网络连接获得车辆定位位置实时天气情况,并通过预设的规则计算获得综合天气参数;将所述综合天气参数与预设危险天气阈值进行比对,判断所述车辆是否处于危险天气中;
进一步的,通过网络连接获得的车辆定位位置的天气的类型包括温度、风力、能见度以及雨雪量;所述每种天气类型对应由多个等级的天气情况,每个等级的天气情况对应该类型天气在该等级天气情况下的天气类型得分;所述汇总天气参数为所述天气类型得分的加权平均值;所述各天气类型的权重根据节气的变化实时调整。
所述各个天气类型的权重,可以根据二十四节气、月份等时间节点进行预设,预设权重的方法可以使用德尔菲法;同时,所示天气类型的权重值也会根据每年天气的特殊情况进行调整;如三九天或三伏天时,温度对危险驾驶的影响的权重值会大一些;当进入采暖期的10月或11月,能见度的权重值会大一些;当进入梅雨季或北方进入冬季,雨雪量的权重值会大一些。
以本实施例为例,所述每种天气类型对应的多个等级的天气情况可由气象标准进行定性或定量的描述,并根据德尔菲法对每一种天气情况对应的天气类型得分进行评估;得到如下所示的天气类型得分对应表:
以上表为例,同时设温度的权重值为0.2、风力的权重值为0.15、能见度的权重值为0.35、雨雪量的权重值为0.3;
则如果车辆正处于温度为12度、无风、能见度为雾,雨雪量为无雨无雪的情况下,根据各天气情况对应的天气类型得分;所述汇总天气参数S=0.2*90+0.15*100+0.35*20+0.3*100=70;
设危险天气阈值为60,则根据如上所述的得分为70的汇总天气参数进行判断,所述车辆没有处于危险天气中。
进一步的,当所述车辆定位位置的任一天气类型对应的天气情况处于极端天气情况时,直接判定车辆处于危险天气中;所述极端天气情况包括温度低于零下四十度的极寒天气、温度高于零上四十度的极热天气、台风天气、大雾天气、特大暴雨天气以及特大暴雪天气。
步骤120,通过车辆配置的加速度检测装置实时获得北-天-东三个方向上的线性加速度数据,并通过所述线性加速度数据与预设加速度阈值的比较,判断是否发生了三急事件;所述三急事件包括急加速事件、急减速事件以及急转弯事件;
进一步的,所述预设加速度阈值包括预设急加速阈值、预设急减速阈值以及预设急转弯阈值;所述急加速事件通过北、东两个方向上的线性加速度的矢量和的幅值是否超过预设急加速阈值进行判断;所述急减速事件通过北、东两个方向上的线性加速度的矢量和的幅值是否低于预设急减速阈值进行判断;所述急转弯事件通过北、东两个方向上的线性加速度的矢量和的方向角度变化是否超过预设急转弯阈值进行判断。
进一步的,所述车辆配置的加速度检测装置包括但不限于加速度计;所述急转弯事件还可以使用陀螺仪测量的角速度变化量进行判定。
步骤130,通过图像采集装置采集驾驶司机图像,使用预训练完成的疲劳预测模型对采集的所述驾驶司机图像进行识别,判断驾驶司机是否处于疲劳状态;
进一步的,通过图像识别确认的疲劳状态包括打电话、吃东西、打瞌睡等;所述疲劳预测模型通过对图像中司机人脸进行识别进而确定司机状态;
进一步的,当系统资源不足时,通过图像采集装置定时对司机图像进行拍照采集,对采集的司机图像照片进行存储并通过网络上传至后台服务器进行疲劳状态判断;并通过网络接收后台服务器对于司机图像照片是否处于疲劳状态的判断结果。
所述后台服务器相当于代替资源不足的系统进行图像识别处理,并将识别处理结果返回给系统;进一步的,所述后台服务器还可对图像进行人工判断,将人工判断结果返回给系统。
所述图像采集装置包括但不限于摄像头。
步骤140,通过接收的测速数据及车辆定位位置的限速要求判断车辆是否处于违规超速状态;
所述测量测速数据包括但不限于车辆自身的速度码盘以及基于GPS的速度测量装置;所述车辆定位位置的限速要求可通过向导航应用软件的API接口发送GPS数据,得到车辆所在定位位置的限速要求。
步骤150,根据大数据学习模型对多个危险条件的权重进行设置,并通过所述多个危险条件判断结果及对应权重值获得危险系数;所述危险条件包括所述是否处于危险天气中、是否发生三急事件、驾驶司机是否处于疲劳状态以及车辆是否处于超速状态;
所述危险条件判断结果即为如步骤110至步骤140所述的四步输出的判断结果;所述判断结果可以为是或否,然后在将所述判断结果进行对应的量化,如“是”转化为100、“否”转化为0,或“是”转化为90、“否”转化为10等等;进一步的,也可将判断是否处于危险天气中使用所述的综合天气参数代替判断的量化结果。
所述多个危险条件对应的权重值,也可通过德尔菲法获得,并可根据实际情况定期进行调整。
步骤160,通过危险系数与预设危险系数阈值进行比较,确认车辆是否处于危险驾驶中;如确认处于危险驾驶中,通过报警装置向驾驶司机进行报警。
进一步的,若所述车辆在一段预设时间内处于危险驾驶中的报警次数超过了预设报警阈值,则判定该车辆为危险车辆;通过网络将该车辆信息发送至预设的相关联系人。
根据使用场景,所述相关联系人可以是多种情景,若所述车辆为某公司的物流运输货车,所述相关联系人可以为该运输队的队长或是该公司的安全部门;若所述车辆为个人车辆,所述相关联系人可以为该车司机的亲人。
同时,该方法对应的系统也可对各个车辆的危险驾驶情况进行记录统计,并提示相应车主;进一步的,可将危险驾驶隐患车辆情况通报给相关的交通监管部门。
进一步的,所述危险条件包括车辆行驶道路环境是否异常;通过车载视觉装置对车辆行驶道路环境进行实时监测,根据实时监测结果判断车辆行驶道路环境是否异常;所述实时监测包括来往车辆检测、行人检测、非机动车检测、车距检测以及交通标志识别。
所述车载视觉装置包括但不限于ADAS模块(辅助驾驶系统),所述装置基于TensorFlow框架下进行模型训练与评估,采集行驶道路环境,设施进行预测和数据返回。
所述一种危险驾驶识别报警方法,所述方法通过车载设备及联网采集,获得多种危险条件下对应的识别参数,并通过多种识别参数获得车辆目前状态的危险系数,考虑了多种危险条件对车辆的影响,解决了现有技术考虑影响驾驶因素过于单一的问题;所述方法根据危险系数的改变实时判断车辆是否处于危险驾驶中,解决了现有危险驾驶警报信息不准确、缺乏针对性的问题;同时所述方法除了向驾驶司机报警外,还可将危险驾驶信息上次至后台服务器,并通过后台服务器转发至相关联系人,对危险驾驶的情况从多方便进行警报和提示。
图2为本发明具体实施方式的一种危险驾驶识别警报系统的结构图。如图2所示,所述系统包括:
天气判断单元201,所述天气判断单元201用于通过通过网络连接获得车辆定位位置实时天气情况,并通过预设的规则计算获得综合天气参数;将所述综合天气参数与预设危险天气阈值进行比对,判断所述车辆是否处于危险天气中;
进一步的,所述天气判断单元201通过网络连接获得的车辆定位位置的天气的类型包括温度、风力、能见度以及雨雪量;所述每种天气类型对应由多个等级的天气情况,每个等级的天气情况对应该类型天气在该等级天气情况下的天气类型得分;所述汇总天气参数为所述天气类型得分的加权平均值;所述各天气类型的权重根据节气的变化实时调整。
进一步的,当所述车辆定位位置的任一天气类型对应的天气情况处于极端天气情况时,所述天气判断单元201直接判定车辆处于危险天气中;所述极端天气情况包括温度低于零下四十度的极寒天气、温度高于零上四十度的极热天气、台风天气、大雾天气、特大暴雨天气以及特大暴雪天气。
三急判断单元202,所述三急判断单元202用于通过网络连接获得车辆定位位置实时天气情况,并通过预设的规则计算获得综合天气参数;将所述综合天气参数与预设危险天气阈值进行比对,判断所述车辆是否处于危险天气中;
进一步的,所述三急判断单元202的预设加速度阈值包括预设急加速阈值、预设急减速阈值以及预设急转弯阈值;所述三急判断单元202通过北、东两个方向上的线性加速度的矢量和的幅值是否超过预设急加速阈值判断是否发生急加速事件;所述三急判断单元202通过北、东两个方向上的线性加速度的矢量和的幅值是否低于预设急减速阈值判断是否发生急减速事件;所述三急判断单元202通过北、东两个方向上的线性加速度的矢量和的方向角度变化是否超过预设急转弯阈值判断是否发生急转弯事件。
疲劳判断单元203,所述疲劳判断单元203用于通过图像采集装置采集驾驶司机图像,使用预训练完成的疲劳预测模型对采集的所述驾驶司机图像进行识别,判断驾驶司机是否处于疲劳状态;
进一步的,当系统资源不足时,所述疲劳判断单元203通过图像采集装置定时对司机图像进行拍照采集,对采集的司机图像照片进行存储并通过网络上传至后台服务器进行疲劳状态判断;并通过网络接收后台服务器对于司机图像照片是否处于疲劳状态的判断结果。
超速判断单元204,所述超速判断单元204用于通过接收的测速数据及车辆定位位置的限速要求判断车辆是否处于违规超速状态;
危险驾驶识别单元205,所述危险驾驶识别单元205用于根据大数据学习模型对多个危险条件的权重进行设置,并通过所述多个危险条件判断结果及对应权重值获得危险系数;所述危险条件包括所述是否处于危险天气中、是否发生三急事件、驾驶司机是否处于疲劳状态以及车辆是否处于超速状态;所述危险驾驶识别单元205用于通过危险系数与预设危险系数阈值进行比较,确认车辆是否处于危险驾驶中;如确认处于危险驾驶中,通过报警装置向驾驶司机进行报警。
进一步的,若所述车辆在一段预设时间内处于危险驾驶中的报警次数超过了预设报警阈值,则判定该车辆为危险车辆;危险驾驶识别单元205通过网络将该车辆信息发送至预设的相关联系人。
进一步的,所述系统包括道路环境监视单元206,所述道路环境监视单元206用于通过车载视觉装置对车辆行驶道路环境进行实时监测,根据实时监测结果判断车辆行驶道路环境是否异常;所述实时监测包括来往车辆检测、行人检测、非机动车检测、车距检测以及交通标志识别;所述危险驾驶识别单元205识别的危险条件包括车辆行驶道路环境是否异常。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本公开的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。本说明书中涉及到的步骤编号仅用于区别各步骤,而并不用于限制各步骤之间的时间或逻辑的关系,除非文中有明确的限定,否则各个步骤之间的关系包括各种可能的情况。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本公开的范围之内并且形成不同的实施例。例如,在权利要求书中所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本公开的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本公开还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者系统程序(例如,计算机程序和计算机程序产品)。这样的实现本公开的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本公开进行说明而不是对本公开进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干系统的单元权利要求中,这些系统中的若干个可以是通过同一个硬件项来具体体现。
以上所述仅是本公开的具体实施方式,应当指出的是,对于本领域的普通技术人员来说,在不脱离本公开精神的前提下,可以作出若干改进、修改、和变形,这些改进、修改、和变形都应视为落在本申请的保护范围内。
Claims (14)
1.一种危险驾驶识别警报方法,所述方法包括:
通过网络连接获得车辆定位位置实时天气情况,并通过预设的规则计算获得综合天气参数;将所述综合天气参数与预设危险天气阈值进行比对,判断所述车辆是否处于危险天气中;
通过车辆配置的加速度检测装置实时获得北-天-东三个方向上的线性加速度数据,并通过所述线性加速度数据与预设加速度阈值的比较,判断是否发生了三急事件;所述三急事件包括急加速事件、急减速事件以及急转弯事件;
通过图像采集装置采集驾驶司机图像,使用预训练完成的疲劳预测模型对采集的所述驾驶司机图像进行识别,判断驾驶司机是否处于疲劳状态;
通过接收的测速数据及车辆定位位置的限速要求判断车辆是否处于违规超速状态;
根据大数据学习模型对多个危险条件的权重进行设置,并通过所述多个危险条件判断结果及对应权重值获得危险系数;所述危险条件包括所述是否处于危险天气中、是否发生三急事件、驾驶司机是否处于疲劳状态以及车辆是否处于超速状态;
通过危险系数与预设危险系数阈值进行比较,确认车辆是否处于危险驾驶中;如确认处于危险驾驶中,通过报警装置向驾驶司机进行报警。
2.根据权利要求1所述的方法,其特征在于:所述危险条件包括车辆行驶道路环境是否异常;通过车载视觉装置对车辆行驶道路环境进行实时监测,根据实时监测结果判断车辆行驶道路环境是否异常;所述实时监测包括来往车辆检测、行人检测、非机动车检测、车距检测以及交通标志识别。
3.根据权利要求1所述的方法,其特征在于:通过网络连接获得的车辆定位位置的天气的类型包括温度、风力、能见度以及雨雪量;所述每种天气类型对应由多个等级的天气情况,每个等级的天气情况对应该类型天气在该等级天气情况下的天气类型得分;所述汇总天气参数为所述天气类型得分的加权平均值;所述各天气类型的权重根据节气的变化实时调整。
4.根据权利要求3所述的方法,其特征在于:当所述车辆定位位置的任一天气类型对应的天气情况处于极端天气情况时,直接判定车辆处于危险天气中;所述极端天气情况包括温度低于零下四十度的极寒天气、温度高于零上四十度的极热天气、台风天气、大雾天气、特大暴雨天气以及特大暴雪天气。
5.根据权利要求1所述的方法,其特征在于:所述预设加速度阈值包括预设急加速阈值、预设急减速阈值以及预设急转弯阈值;所述急加速事件通过北、东两个方向上的线性加速度的矢量和的幅值是否超过预设急加速阈值进行判断;所述急减速事件通过北、东两个方向上的线性加速度的矢量和的幅值是否低于预设急减速阈值进行判断;所述急转弯事件通过北、东两个方向上的线性加速度的矢量和的方向角度变化是否超过预设急转弯阈值进行判断。
6.根据权利要求1所述的方法,其特征在于,所述通过图像采集装置采集驾驶司机图像,使用预训练完成的疲劳预测模型对采集的所述驾驶司机图像进行识别,判断驾驶司机是否处于疲劳状态,还包括:
当系统资源不足时,通过图像采集装置定时对司机图像进行拍照采集,对采集的司机图像照片进行存储并通过网络上传至后台服务器进行疲劳状态判断;并通过网络接收后台服务器对于司机图像照片是否处于疲劳状态的判断结果。
7.根据权利要求1所述的方法,其特征在于,所述如确认处于危险驾驶中,通过报警装置向驾驶司机进行报警后,所述方法还包括:
若所述车辆在一段预设时间内处于危险驾驶中的报警次数超过了预设报警阈值,则判定该车辆为危险车辆;通过网络将该车辆信息发送至预设的相关联系人。
8.一种危险驾驶识别警报系统,所属系统包括:
天气判断单元,所述天气判断单元用于通过通过网络连接获得车辆定位位置实时天气情况,并通过预设的规则计算获得综合天气参数;将所述综合天气参数与预设危险天气阈值进行比对,判断所述车辆是否处于危险天气中;
三急判断单元,所述三急判断单元用于通过网络连接获得车辆定位位置实时天气情况,并通过预设的规则计算获得综合天气参数;将所述综合天气参数与预设危险天气阈值进行比对,判断所述车辆是否处于危险天气中;
疲劳判断单元,所述疲劳判断单元用于通过图像采集装置采集驾驶司机图像,使用预训练完成的疲劳预测模型对采集的所述驾驶司机图像进行识别,判断驾驶司机是否处于疲劳状态;
超速判断单元,所述超速判断单元用于通过接收的测速数据及车辆定位位置的限速要求判断车辆是否处于违规超速状态;
危险驾驶识别单元,所述危险驾驶识别单元用于根据大数据学习模型对多个危险条件的权重进行设置,并通过所述多个危险条件判断结果及对应权重值获得危险系数;所述危险条件包括所述是否处于危险天气中、是否发生三急事件、驾驶司机是否处于疲劳状态以及车辆是否处于超速状态;所述危险驾驶识别单元用于通过危险系数与预设危险系数阈值进行比较,确认车辆是否处于危险驾驶中;如确认处于危险驾驶中,通过报警装置向驾驶司机进行报警。
9.根据权利要求8所述的系统,其特征在于:所述系统包括道路环境监视单元,所述道路环境监视单元用于通过车载视觉装置对车辆行驶道路环境进行实时监测,根据实时监测结果判断车辆行驶道路环境是否异常;所述实时监测包括来往车辆检测、行人检测、非机动车检测、车距检测以及交通标志识别;所述危险驾驶识别单元识别的危险条件包括车辆行驶道路环境是否异常。
10.根据权利要求8所述的系统,其特征在于:所述天气判断单元通过网络连接获得的车辆定位位置的天气的类型包括温度、风力、能见度以及雨雪量;所述每种天气类型对应由多个等级的天气情况,每个等级的天气情况对应该类型天气在该等级天气情况下的天气类型得分;所述汇总天气参数为所述天气类型得分的加权平均值;所述各天气类型的权重根据节气的变化实时调整。
11.根据权利要求10所述的系统,其特征在于:当所述车辆定位位置的任一天气类型对应的天气情况处于极端天气情况时,所述天气判断单元直接判定车辆处于危险天气中;所述极端天气情况包括温度低于零下四十度的极寒天气、温度高于零上四十度的极热天气、台风天气、大雾天气、特大暴雨天气以及特大暴雪天气。
12.根据权利要求8所述的系统,其特征在于:所述三急判断单元的预设加速度阈值包括预设急加速阈值、预设急减速阈值以及预设急转弯阈值;所述三急判断单元通过北、东两个方向上的线性加速度的矢量和的幅值是否超过预设急加速阈值判断是否发生急加速事件;所述三急判断单元通过北、东两个方向上的线性加速度的矢量和的幅值是否低于预设急减速阈值判断是否发生急减速事件;所述三急判断单元通过北、东两个方向上的线性加速度的矢量和的方向角度变化是否超过预设急转弯阈值判断是否发生急转弯事件。
13.根据权利要求8所述的系统,其特征在于:当系统资源不足时,所述疲劳判断单元通过图像采集装置定时对司机图像进行拍照采集,对采集的司机图像照片进行存储并通过网络上传至后台服务器进行疲劳状态判断;并通过网络接收后台服务器对于司机图像照片是否处于疲劳状态的判断结果。
14.根据权利要求8所述的系统,其特征在于:若所述车辆在一段预设时间内处于危险驾驶中的报警次数超过了预设报警阈值,则判定该车辆为危险车辆;危险驾驶识别单元通过网络将该车辆信息发送至预设的相关联系人。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810105959.XA CN108230616A (zh) | 2018-02-02 | 2018-02-02 | 一种危险驾驶识别警报方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810105959.XA CN108230616A (zh) | 2018-02-02 | 2018-02-02 | 一种危险驾驶识别警报方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108230616A true CN108230616A (zh) | 2018-06-29 |
Family
ID=62670613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810105959.XA Pending CN108230616A (zh) | 2018-02-02 | 2018-02-02 | 一种危险驾驶识别警报方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108230616A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110053629A (zh) * | 2019-05-07 | 2019-07-26 | 广州小鹏汽车科技有限公司 | 交互控制方法、装置、电子设备及存储介质 |
CN110276953A (zh) * | 2019-06-28 | 2019-09-24 | 青岛无车承运服务中心有限公司 | 基于北斗定位系统的车辆违规行驶风险分析方法 |
CN110766943A (zh) * | 2019-10-25 | 2020-02-07 | 山东交通学院 | 一种基于事故数据的不良驾驶行为判定的监测方法和系统 |
CN110758398A (zh) * | 2018-07-10 | 2020-02-07 | 阿里巴巴集团控股有限公司 | 驾驶风险的检测方法及装置 |
WO2020169052A1 (en) * | 2019-02-21 | 2020-08-27 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for driving condition identification |
CN111942397A (zh) * | 2020-08-06 | 2020-11-17 | 华南理工大学 | 危险驾驶行为监控方法、装置、存储介质 |
CN112053563A (zh) * | 2020-09-16 | 2020-12-08 | 北京百度网讯科技有限公司 | 用于云控平台的事件检测方法、装置、设备和存储介质 |
CN112097825A (zh) * | 2020-08-05 | 2020-12-18 | 包头市国安科技有限公司 | 环境监测方法和环境监测系统 |
CN112519787A (zh) * | 2019-08-30 | 2021-03-19 | 南京领行科技股份有限公司 | 一种车辆控制系统及车辆 |
CN112991685A (zh) * | 2021-02-10 | 2021-06-18 | 武汉理工大学 | 考虑驾驶人疲劳状态影响的交通系统风险评估及预警方法 |
CN113859116A (zh) * | 2021-09-01 | 2021-12-31 | 郑州嘉晨电器有限公司 | 一种工业车辆的危险识别方法、装置及系统 |
CN113963533A (zh) * | 2021-09-15 | 2022-01-21 | 上海钧正网络科技有限公司 | 驾驶行为异常检测方法、装置、电子设备、服务器及介质 |
CN113968241A (zh) * | 2021-11-30 | 2022-01-25 | 奇瑞新能源汽车股份有限公司 | 危险驾驶行为的控制方法、装置、车辆及存储介质 |
CN113990080A (zh) * | 2021-09-26 | 2022-01-28 | 河北京石高速公路开发有限公司 | 一种高速公路车辆通行安全全程检测系统 |
CN113990088A (zh) * | 2021-09-26 | 2022-01-28 | 河北京石高速公路开发有限公司 | 一种高速公路恶劣天气下安全通行告知软件系统 |
CN114633744A (zh) * | 2022-03-11 | 2022-06-17 | 杭州小驹物联科技有限公司 | 一种基于车联网系统的车辆报警方法 |
CN115565397A (zh) * | 2022-08-19 | 2023-01-03 | 清智汽车科技(苏州)有限公司 | 应用于adas产品的风险容错方法和装置 |
WO2024087204A1 (zh) * | 2022-10-28 | 2024-05-02 | 深圳市锐明技术股份有限公司 | 设备端的驾驶风险行为干预方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100763512B1 (ko) * | 2006-03-08 | 2007-10-04 | 조용성 | 주행안전을 위한 패턴이 형성된 내벽면을 가지는 터널 |
CN106096836A (zh) * | 2016-06-12 | 2016-11-09 | 中国电信股份有限公司广东号百信息服务分公司 | 一种用于车辆健康度评分的车联网系统及其评分方法 |
CN107284451A (zh) * | 2017-06-22 | 2017-10-24 | 北京雄信息科技有限公司 | 基于gps的不良驾驶行为的监测方法和系统 |
CN107563931A (zh) * | 2017-08-16 | 2018-01-09 | 上海经达信息科技股份有限公司 | 一种基于北斗或者gps数据的车辆实时驾驶行为优劣评估方法 |
CN107618512A (zh) * | 2017-08-23 | 2018-01-23 | 清华大学 | 基于人‑车‑环境多数据源的驾驶行为安全评价方法 |
-
2018
- 2018-02-02 CN CN201810105959.XA patent/CN108230616A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100763512B1 (ko) * | 2006-03-08 | 2007-10-04 | 조용성 | 주행안전을 위한 패턴이 형성된 내벽면을 가지는 터널 |
CN106096836A (zh) * | 2016-06-12 | 2016-11-09 | 中国电信股份有限公司广东号百信息服务分公司 | 一种用于车辆健康度评分的车联网系统及其评分方法 |
CN107284451A (zh) * | 2017-06-22 | 2017-10-24 | 北京雄信息科技有限公司 | 基于gps的不良驾驶行为的监测方法和系统 |
CN107563931A (zh) * | 2017-08-16 | 2018-01-09 | 上海经达信息科技股份有限公司 | 一种基于北斗或者gps数据的车辆实时驾驶行为优劣评估方法 |
CN107618512A (zh) * | 2017-08-23 | 2018-01-23 | 清华大学 | 基于人‑车‑环境多数据源的驾驶行为安全评价方法 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110758398A (zh) * | 2018-07-10 | 2020-02-07 | 阿里巴巴集团控股有限公司 | 驾驶风险的检测方法及装置 |
WO2020169052A1 (en) * | 2019-02-21 | 2020-08-27 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for driving condition identification |
CN110053629A (zh) * | 2019-05-07 | 2019-07-26 | 广州小鹏汽车科技有限公司 | 交互控制方法、装置、电子设备及存储介质 |
CN110276953A (zh) * | 2019-06-28 | 2019-09-24 | 青岛无车承运服务中心有限公司 | 基于北斗定位系统的车辆违规行驶风险分析方法 |
CN112519787A (zh) * | 2019-08-30 | 2021-03-19 | 南京领行科技股份有限公司 | 一种车辆控制系统及车辆 |
CN110766943A (zh) * | 2019-10-25 | 2020-02-07 | 山东交通学院 | 一种基于事故数据的不良驾驶行为判定的监测方法和系统 |
CN110766943B (zh) * | 2019-10-25 | 2021-12-14 | 山东交通学院 | 一种基于事故数据的不良驾驶行为判定的监测方法和系统 |
CN112097825A (zh) * | 2020-08-05 | 2020-12-18 | 包头市国安科技有限公司 | 环境监测方法和环境监测系统 |
CN111942397A (zh) * | 2020-08-06 | 2020-11-17 | 华南理工大学 | 危险驾驶行为监控方法、装置、存储介质 |
CN112053563A (zh) * | 2020-09-16 | 2020-12-08 | 北京百度网讯科技有限公司 | 用于云控平台的事件检测方法、装置、设备和存储介质 |
CN112991685A (zh) * | 2021-02-10 | 2021-06-18 | 武汉理工大学 | 考虑驾驶人疲劳状态影响的交通系统风险评估及预警方法 |
CN113859116A (zh) * | 2021-09-01 | 2021-12-31 | 郑州嘉晨电器有限公司 | 一种工业车辆的危险识别方法、装置及系统 |
CN113963533A (zh) * | 2021-09-15 | 2022-01-21 | 上海钧正网络科技有限公司 | 驾驶行为异常检测方法、装置、电子设备、服务器及介质 |
CN113990080A (zh) * | 2021-09-26 | 2022-01-28 | 河北京石高速公路开发有限公司 | 一种高速公路车辆通行安全全程检测系统 |
CN113990088A (zh) * | 2021-09-26 | 2022-01-28 | 河北京石高速公路开发有限公司 | 一种高速公路恶劣天气下安全通行告知软件系统 |
CN113968241A (zh) * | 2021-11-30 | 2022-01-25 | 奇瑞新能源汽车股份有限公司 | 危险驾驶行为的控制方法、装置、车辆及存储介质 |
CN114633744A (zh) * | 2022-03-11 | 2022-06-17 | 杭州小驹物联科技有限公司 | 一种基于车联网系统的车辆报警方法 |
CN115565397A (zh) * | 2022-08-19 | 2023-01-03 | 清智汽车科技(苏州)有限公司 | 应用于adas产品的风险容错方法和装置 |
WO2024087204A1 (zh) * | 2022-10-28 | 2024-05-02 | 深圳市锐明技术股份有限公司 | 设备端的驾驶风险行为干预方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108230616A (zh) | 一种危险驾驶识别警报方法及系统 | |
US10102586B1 (en) | Enhanced unmanned aerial vehicles for damage inspection | |
CN109686061B (zh) | 基于gis与bim的桥梁监测辅助决策系统 | |
JP6466428B2 (ja) | 視認性が低下したエリア及びそれらの移動方向を検出するためにセンサベースの照明器具を用いる装置及び方法 | |
US20190145794A1 (en) | System and Method for Predicting Hyper-Local Conditions and Optimizing Navigation Performance | |
CN109448292A (zh) | 一种电网山火监测预警方法 | |
CN113160593A (zh) | 一种基于边云协同的山区公路行车安全预警方法 | |
CN109345876A (zh) | 一种船舶监控系统及方法 | |
US9646518B2 (en) | Method and apparatus for indicating conditions | |
CN114755367B (zh) | 一种环保污染监测方法、系统、设备及介质 | |
CN111612378A (zh) | 潜在碰撞风险预测方法、装置及计算机设备 | |
KR102508762B1 (ko) | Ads-b 데이터 기반의 항로 기상 예측 및 업데이트 방법, 장치 및 시스템 | |
CN110782670A (zh) | 基于数据融合的场景还原方法、车辆云平台及存储介质 | |
CN117314157A (zh) | 一种矿山边坡稳定性的安全评估方法、装置、介质及设备 | |
KR20190035958A (ko) | 카메라 영상 데이터에 의한 상황 확인 시스템 및 제어 장치 및 카메라 영상 데이터에 의한 상황 확인 방법 | |
Adamec et al. | Modelling of traffic load by the datafromsky system in the smart city concept | |
CN117474330A (zh) | 考虑用户画像的多灾害差异化预警信息生成方法及设备 | |
CN117095512A (zh) | 一种滑坡多场数据融合调度监测系统及方法 | |
CN116736409A (zh) | 汽车安全预警方法、装置、设备及存储介质 | |
CN116611581A (zh) | 一种基于知识图谱的气象对机场终端区影响的预测方法 | |
CN117197978A (zh) | 一种基于深度学习的林火监测预警系统 | |
KR20190043962A (ko) | 기후 데이터와 안전성 평가 알고리즘 기반 중소 규모 건축물의 건축물 안전성 평가 방법 및 건축물 안전성 평가 장치 | |
CN115240101A (zh) | 一种基于场景分析的医疗样本转送监督系统 | |
Pan et al. | Identifying Vehicles Dynamically on Freeway CCTV Images through the YOLO Deep Learning Model. | |
CN113961653A (zh) | 一种异常路面信息提示方法、电子设备和存储介质 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20181105 Address after: 200120 118, 20, 1-42 Lane 83, Hongxiang North Road, Wanxiang Town, Pudong New Area, Shanghai. Applicant after: Shanghai Hao Ling Technology Co., Ltd. Address before: 113000 Office 1, 7 building, Tong Yi Bei Road, Dongzhou District, Fushun, Liaoning. Applicant before: Liaoning AIA Network Technology Co., Ltd. |
|
TA01 | Transfer of patent application right | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180629 |
|
RJ01 | Rejection of invention patent application after publication |