CN110197119A - 行车数据分析方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种基于大数据的行车数据分析方法、装置、计算机设备和存储介质。该方法包括：获取目标车辆的行车数据；所述行车数据包括行车图像；在所述行车图像中确定识别区域；识别车辆标识出现在识别区域的附近车辆，记录所述附近车辆的车辆位置；通过比较相邻多帧行车图像中附近车辆的车辆位置的变化，判断所述目标车辆是否存在超车行为；根据判断结果对所述目标车辆的超车频次进行统计；根据所述超车频次计算所述目标车辆对应的车险费用。采用本方法能够提高行车数据分析效率，继而提高车险费用计算效率。

Description

行车数据分析方法、装置、计算机设备和存储介质

技术领域

本申请涉及计算机技术领域，特别是涉及一种行车数据分析方法、装置、计算机设备和存储介质。

背景技术

随着汽车逐渐成为普遍的代步工具，车险市场也得到了快速发展，车险业务呈明显增多的趋势。为了推送车险业务发展，新兴起一种UBI(Usage Based Insurance)保险。UBI可以结合驾驶行车数据对保险费用进行调整，理论上驾驶行为表现较安全的用户应该获得保费优惠。然而，对于车辆用户的驾驶行为数据却依赖人工花费大量时间收集和分析，使得车险费用计算效率降低。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高行车数据分析效率，继而提高车险费用计算效率的行车数据分析方法、装置、计算机设备和存储介质。

一种行车数据分析方法，所述方法包括：获取目标车辆的行车数据；所述行车数据包括行车图像；在所述行车图像中确定识别区域；识别车辆标识出现在识别区域的附近车辆，记录所述附近车辆的车辆位置；通过比较相邻多帧行车图像中附近车辆的车辆位置的变化，判断所述目标车辆是否存在超车行为；根据判断结果对所述目标车辆的超车频次进行统计；根据所述超车频次计算所述目标车辆对应的车险费用。

在一个实施例中，所述在所述行车图像中确定识别区域，包括：识别所述行车图像中的识别起点和车道边线；获取目标车辆与同车道前车的跟车距离，根据所述跟车距离确定识别距离；基于识别起点和识别距离确定识别区域。

在一个实施例中，所述记录所述附近车辆的车辆位置，包括：根据所述识别距离生成均分边线；基于所述均分边线及所述车道边线将识别区域划分为多个子区域；根据附近车辆所在子区域的位置确定对应的车辆位置。

在一个实施例中，通过比较相邻多帧行车图像中附近车辆的车辆位置的变化，判断所述目标车辆是否存在超车行为，包括：根据在相邻多帧行车图像中的车辆位置，生成附近车辆的行车特征向量；计算所述行车特征向量的第一属性值，比较所述第一属性值是否达到阈值；若达到阈值，计算所述行车特征向量的第二属性值；判断所述第二属性值是否为目标属性值；若为目标属性值，标记所述目标车辆存在超车行为。

在一个实施例中，所述行车数据包括行车时间；根据在相邻多帧行车图像中的车辆位置，生成附近车辆的行车特征向量，包括：根据所述行车时间，确定多帧行车图像的遍历顺序；根据所述遍历顺序，依次对每帧行车图像是否出现附近车辆进行遍历；将附件车辆在一帧或多帧行车图像中的车辆位置分别标记为不同顺序的向量元素；对每个附件车辆的相邻向量元素进行去重处理；基于去重后的多个向量元素生成相应附近车辆的行车特征向量。

在一个实施例中，所述行车数据还包括车辆感应数据；所述根据超车频次计算所述目标车辆对应的车险费用，包括：基于所述行车图像识别所述目标车辆的车道偏离频次和碰撞预警频次；基于所述车辆感应数据统计所述目标车辆的超速频次和急转弯频次；爬取所述目标车辆的不良驾驶记录，基于所述不良驾驶记录统计所述目标车辆的酒驾频次和责任事故频次；根据统计时段的超车频次、车道偏离频次、碰撞预警频次、超速频次、急转弯频次、酒驾频次及责任事故频次，确定所述目标车辆的驾驶行为安全等级；根据所述驾驶行为安全等级调整所述目标车辆的车险费用。

一种行车数据分析装置，所述装置包括：行车图像处理模块，用于获取目标车辆的行车数据；所述行车数据包括行车图像；在所述行车图像中确定识别区域；识别车辆标识出现在识别区域的附近车辆，记录所述附近车辆的车辆位置；超车行为分析模块，用于通过比较相邻多帧行车图像中附近车辆的车辆位置的变化，判断所述目标车辆是否存在超车行为；根据判断结果对所述目标车辆的超车频次进行统计；车险费用计算模块，用于根据所述超车频次计算所述目标车辆对应的车险费用。

在其中一个实施例中，所述行车图像处理模块还用于识别所述行车图像中的识别起点和车道边线；获取目标车辆与同车道前车的跟车距离，根据所述跟车距离确定识别距离；基于识别起点和识别距离确定识别区域。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本申请任意一个实施例中提供的行车数据分析方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本申请任意一个实施例中提供的行车数据分析方法的步骤。

上述行车数据分析方法、装置、计算机设备和存储介质，根据获取的目标车辆的多帧行车图像，可以确定行车图像中的识别区域；根据车牌标识是否出现在识别区域，可以识别目标车辆对应的附近车辆；根据记录的附近车辆在相邻多帧行车图像中的车辆位置，可以比较车辆位置的变化；根据车辆位置的变化，可以判断所述目标车辆是否存在超车行为；根据判断结果，可以统计得到所述目标车辆的超车频次；根据所述超车频次，可以计算所述目标车辆对应的车险费用。由于自动进行行车数据的采集和分析，并根据分析结果直接计算车险费用，不仅可以提高车险费用计算效率，也可以提高计算结果客观性和准确性。此外，通过对行车图像进行识别区域划分，并基于识别区域对附近车辆进行位置统计，根据附近车辆相对目标车辆的位置变化来判断目标车辆是否存在超车行为，相比笼统的比较图像相似度可以提高超车行为判断准确性，进而提高车险费用计算准确性。

附图说明

图1为一个实施例中行车数据分析方法的应用场景图；

图2为一个实施例中行车数据分析方法的流程示意图；

图3A为一个实施例中行车图像处理的一个过程示意图；

图3B为一个实施例中行车图像处理的另一过程示意图；

图3C为一个实施例中行车图像处理的又一过程示意图；

图4为一个实施例中超车行为判定的步骤的流程示意图；

图5为一个实施例中行车数据分析装置的结构框图；

图6为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的行车数据分析方法，可以应用于如图1所示的应用环境中。其中，终端102与服务器104通过网络进行通信。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，终端102可以是目标车辆车主对应的终端，也可以是目标车辆车主欲办理车险业务的保险公司对应的终端。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。当期望基于目标车辆办理车险业务时，用户可以基于终端102向服务器发送车险办理请求。车险办理请求携带了目标车辆标识。服务器104根据目标车辆标识获取对应目标车辆的行车数据。行车数据包括多帧行车图像。服务器104在行车图像中确定识别区域，并识别车辆标识出现在识别区域的车辆，将识别到的车辆标记为附近车辆。服务器104记录附近车辆在相邻多帧行车图像中的车辆位置，并比较车辆位置的变化，根据比较结果可以判断目标车辆是否存在超车行为。服务器104根据判断结果对目标车辆的超车频次进行统计，根据超车频次可以判断目标车辆用户的驾驶行为习惯安全性，进一步根据超车频次计算目标车辆对应的车险费用。服务器104将计算得到的车险费用返回至终端102。上述车险费用计算过程，自动进行行车数据的采集和分析，并根据分析结果直接调整车险费用，大大减少人工负担，不仅可以提高车险费用计算效率，也可以提高车险费用计算客观性和准确性。

在一个实施例中，如图2所示，提供了一种行车数据分析方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

步骤202，获取目标车辆的行车数据；行车数据包括行车图像。

服务器充分利用行车记录仪采集记录的行车数据，按照预设时间频率采集目标车辆的行车数据。行车数据包括多帧行车图像以及每帧行车图像对应的行车时间。

步骤204，在行车图像中确定识别区域。

服务器在行车图像中将目标车辆周围一定区域确定为识别区域。例如，可以将目标车辆正前方、正后方、左侧或右侧中至少一侧的预设面积的区域为识别区域。预设面积也可以是固定值，也可以是行车图像的预设比例等动态值。

步骤206，识别车辆标识出现在识别区域的附近车辆，记录附近车辆的车辆位置。

车辆标识可以是车牌号等。识别区域包括多个子区域。服务器根据附件车辆处于识别区域的哪一子区域，确定每辆附近车辆的车辆位置。

步骤208，通过比较相邻多帧行车图像中附近车辆的车辆位置的变化，判断目标车辆是否存在超车行为。

相邻多帧可以是最近采集的预设数量帧数，如3帧。容易理解，对比行车图像的帧数可以根据需要自由设置，对此不做限制。有些附近车辆车牌标识在预设数量帧行车图像中可能仅在其中部分帧行车图像中出现。每个附近车辆首次被识别到均只有一个车辆位置，随着行车图像帧数增加，存储的车辆位置逐渐增加，但最多只存预设数量个行车位置。换言之，存储的每个附近车辆的车辆位置的数量小于或等于预设数量。

服务器获取每个附近车辆在多帧行车图像中车辆位置的变化趋势，判断该变化趋势是否为预设的第一种趋势。若是，服务器判定目标车辆在对应行车时间存在超车行为。

步骤210，根据判断结果对目标车辆的超车频次进行统计。

根据判断结果，服务器对目标车辆在统计时段的超车频次进行统计。统计时段可以是目标车辆车主发起车险办理请求之前的一段时间，如半年等。超车频次可以是超车次数与统计时段时间长度的比值。

在另一个实施例中，服务器对目标车辆在统计时段被超车的次数(记作被超车次数)进行统计。例如，服务器判断附近车辆在多帧行车图像中车辆位置的变化趋势是否为预设的第二种趋势。若是，服务器判定目标车辆在对应行车时间存在被超车行为。此时，超车频次的计算可以是：超车频次＝超车次数/(超车次数+被超车次数)。

步骤212，根据超车频次计算目标车辆对应的车险费用。

服务器可以预设多种超车频次区间以及每种超车频次区间对应的车险费用调整比例。服务器确定目标车辆超车频次所属的超车频次区间，根据该超车频次区间对应的车险费用调整比例增大或减小基础车险费用，得到目标车辆对应的车辆费用。

本实施例中，根据获取的目标车辆的多帧行车图像，可以确定行车图像中的识别区域；根据车牌标识是否出现在识别区域，可以识别目标车辆对应的附近车辆；根据记录的附近车辆在相邻多帧行车图像中的车辆位置，可以比较车辆位置的变化；根据车辆位置的变化，可以判断目标车辆是否存在超车行为；根据判断结果，可以统计得到目标车辆的超车频次；根据超车频次，可以计算目标车辆对应的车险费用。由于自动进行行车数据的采集和分析，并根据分析结果直接计算车险费用，不仅可以提高车险费用计算效率，也可以提高计算结果客观性和准确性。此外，通过对行车图像进行识别区域划分，并基于识别区域对附近车辆进行位置统计，根据附近车辆相对目标车辆的位置变化来判断目标车辆是否存在超车行为，相比笼统的比较图像相似度可以提高超车行为判断准确性，进而提高车险费用计算准确性。

在一个实施例中，在行车图像中确定识别区域的步骤，包括：识别行车图像中的识别起点和车道边线；获取目标车辆与同车道前车的跟车距离，根据跟车距离确定识别距离；基于识别起点和识别距离确定识别区域。

行车记录仪通常是以目标车辆为中心采集目标车辆周围的车况和路况，由此服务器可以将行车图像中间偏下方的位置(即目标车辆所在位置)标记为识别起点。道路路面上通常会有线条、箭头、文字、立面标记、突起路标和轮廓标等用于向交通参与者传递引导、限制、警告等交通信息的交通标线。其中，车道边线是指在目标车辆所在道路上的用户划分车道的线条。

若行车图像中目标车辆存在同车道前车，服务器获取目标车辆距离同车道前车的图像距离，根据图像距离以及图像拍摄比例，计算目标距离的跟车距离。若行车图像中目标车辆不存在同车道前车，则服务器获取图像拍摄距离，根据图像拍摄距离以及图像拍摄比例，计算目标距离的跟车距离。服务器对跟车距离进行预设逻辑运算，得到识别距离。例如，跟车距离*3/2＝识别距离。在另一个实施例中，识别距离可以行车图像的预设比例进行动态确定，也可以是固定值，对此不做限制。

识别区域可以是根据预设长度及识别距离确定边长的四边形。其中，识别起点为四边形中一个边的中点。图3A为目标车辆的行车记录仪拍摄的其中1帧行车图像。如图3A所示，该行车图像对应的识别区域可以是以识别起点为下边终点的等腰梯形，其中，下边长度与上边长度分别可以是图像车道宽度*3，高度可以是识别距离。图像车道宽度可以是一个车道在行车图像中的宽度。容易理解，在行车图像的不同图像高度，对应的图像车道宽度不同。例如，下边所在图像高度的图像车道宽度可以是5cm；上边所在图像高度的图像车道宽度可以是3cm。

服务器在行车图像中识别目标车辆的附近车辆。在上述举例中，在识别区域存在五辆车辆，其中能够识别到车牌标识的有A、B、C和D四辆，虽然车辆E可以识别到其车牌标识，但其不在识别区域内，从而目标车辆的附近车辆包括A、B、C和D。

本实施例中，对行车图像进行图像处理，动态确定目标车辆在每个行车图像的识别区域，相比笼统的框选方式可以提高区域划分准确性；对识别区域进行动态限定，可以对需要进一步详细图像处理的内容进行精准限定，不仅提高识别精度，由于限缩了需要图像处理的数据量，也可以提高识别效率。

在一个实施例中，记录附近车辆的车辆位置，包括：根据识别距离生成均分边线；基于均分边线及车道边线将识别区域划分为多个子区域；根据附近车辆所在子区域的位置确定对应的车辆位置。

根据要将识别区域均分的份数不同，均分边线的数量不同。例如，均分边线的数量可以是要将识别区域均分的份数-1。不同均分边线的长度可以不同。均分边线的长度也可以是图像车道宽度*3的整数倍。例如，对上述举例的行车图像进行区域划分后，可以得到如图3B所示的图像。在图3B中，服务器根据识别距离将识别区域三等分。具体的，服务器根据识别距离以及要将识别区域均分的份数，生成三条均分边线。其中，均分边线1的长度可以是图像车道宽度*3，均分边线2与均分边线3的长度分别可以是图像车道宽度*1。

服务器可以基于识别区域构建坐标系，进而确定均分边线以及车道边线分别在行车图像的图像坐标。服务器根据图像坐标在识别区域对多条均分边线和车道边线进行拼接，进而将识别区域划分为多个子区域，并根据子区域在坐标系中的坐标位置，将多个分别标记为上区域、中区域或下区域。如图3C所示，上述举例中，服务器将识别区域划分为6个子区域，将纵坐标最大的子区域1标记为上区域，将纵坐标次高且相同的子区域2和子区域3分别标记为中区域，将纵坐标最低且相同的子区域5和子区域6分别标记为下区域。容易理解，若要将识别区域均分的份数低于3份，则可以将某个子区域进一步拆分为多个纵坐标不同的中间区域后再按照上述方式划分为上、中、下三种区域。若要将识别区域均分的份数超过3份，则可以多个纵坐标相邻的子区域合并为一个中间区域后再按照上述方式划分为上、中、下三种区域。

根据附近车辆所在子区域的位置，服务器可以确定对应的车辆位置。例如，附近车辆A的车辆标识出现在上区域，则可以记录附近车辆的车辆位置为上。在另一个实施例中，附近车辆的车辆位置可以是附近车辆A的车辆标识在识别区域对应坐标系的具体坐标，对此不作限制。

值得注意的是，也可以采用其他的方式确定识别区域，也可以采用其他方式对识别区域进行划分，本实施例只是给出能够确定附近车辆相对目标车辆的车辆位置变化的一种示例性手段。

本实施例中，将识别区域进一步划分为便于确定附近车辆相对目标车辆位置变化的多个子区域，基于这种方式划分的多个子区域，可以简化识别附近车辆相对目标车辆位置变化趋势的识别算法，进而提高超车行为分析效率。

在一个实施例中，如图4所示，通过比较相邻多帧行车图像中附近车辆的车辆位置的变化，判断目标车辆是否存在超车行为，即超车行为判定的步骤，包括：

步骤402，根据在相邻多帧行车图像中的车辆位置，生成附近车辆的行车特征向量。

在一个实施例中，行车数据包括行车时间；根据在相邻多帧行车图像中的车辆位置，生成附近车辆的行车特征向量，包括：根据行车时间，确定多帧行车图像的遍历顺序；根据遍历顺序，依次对每帧行车图像是否出现附近车辆进行遍历；将附件车辆在一帧或多帧行车图像中的车辆位置分别标记为不同顺序的向量元素；对每个附件车辆的相邻向量元素进行去重处理。基于去重后的多个向量元素生成相应附近车辆的行车特征向量。

服务器按照行车时间的先后顺序对采集到的多帧行车图像进行遍历。容易理解，有些附近车辆在最近采集的多帧行车图像中可能仅在其中部分帧行车图像中出现。因此，服务器在遍历过程中，判断附近车辆的车牌标识在采集的第一帧行车图像中是否存在。若在第一帧行车图像中存在，服务器将附件车辆在第一帧行车图像中的车辆位置标记为第一顺序的向量元素。服务器继续判断附近车辆的车牌标识在采集的下一帧行车图像中是否存在。若下一帧行车图像中存在，服务器将附件车辆在下一帧行车图像中的车辆位置标记为下一顺序的向量元素，继续遍历判断附近车辆的车牌标识在再下一帧行车图像中是否存在，如此重复遍历，直至最后一帧行车图像，得到每个附近车辆对应的多个向量元素。若下一帧行车图像中不存在，服务器按照上述方式继续遍历再下一帧行车图像。

根据向量元素的获取顺序，服务器将多个向量元素进行排序，形成元素队列。服务器判断元素队列中每个向量元素是否与前一向量元素重复。若发生重复，则服务器将对应的向量元素从元素队列中删除，基于去重后的元素队列生成相应附近车辆的行车特征向量。例如，在上述举例中，附近车辆A对应的行车特征向量可以是[上，中，下]，附近车辆B对应的行车特征向量可以是[下，中，上]，附近车辆C对应的行车特征向量可以是[上，中]，附近车辆D对应的行车特征向量可以是[中，下]。容易理解，不存在[中，下，下]等类似的存在相邻向量元素重复的行车特征向量。

步骤404，计算行车特征向量的第一属性值，比较第一属性值是否达到阈值。

第一属性值可以是行车特征向量包含向量元素的数量。阈值可以是固定值，如3。阈值也可以是根据要将行车图像均分的份数动态确定的数值。

步骤406，若达到阈值，计算行车特征向量的第二属性值。

若行车特征向量的第一属性值小于阈值，服务器目标车辆相对相应附近车辆是否发生超车行为不做判定。例如，在上述举例中，附近车辆C和附近车辆D的第一属性值为2，小于阈值3。

若行车特征向量的第一属性值等于阈值，服务器进一步的计算行车特征向量的第二属性值。第二属性值可以是用于表征附近车辆相对目标车辆的车辆位置的变化趋势的属性值。

步骤408，判断第二属性值是否为目标属性值。

步骤410，若为目标属性值，标记目标车辆存在超车行为。

服务器预设了多种目标属性值以及每种目标属性值关联的判定结果。例如，在上述举例中，附近车辆A对应的第二属性值为目标属性值3，表示目标车辆相对附近车辆A在前进，可以判定目标车辆相对附近车辆A发生超车行为。

本实施例中，对超车行为分析算法进行简化，通过对行车特征向量的第一属性值和第二属性值是否分别满足对应的预设条件，即可判断目标车辆是否发生超车行为，提高超车行为分析效率。

在一个实施例中，根据超车频次计算目标车辆对应的车险费用，包括：基于行车图像识别目标车辆的车道偏离频次和碰撞预警频次；基于车辆感应数据统计目标车辆的超速频次和急转弯频次；爬取目标车辆的不良驾驶记录，基于不良驾驶记录统计目标车辆的酒驾频次和责任事故频次；根据统计时段的超车频次、车道偏离频次、碰撞预警频次、超速频次、急转弯频次、酒驾频次及责任事故频次，确定目标车辆的驾驶行为安全等级；根据驾驶行为安全等级调整目标车辆的车险费用。

服务器通过比较相邻多帧行车图像中目标车辆相对车道边线的位置变化，判断目标车辆是否存在车道偏离行为。当存在车道偏离行为时，服务器对目标车辆的车道偏离频次进行统计。服务器通过比较跟车距离是否小于预设值，判断目标车辆是否存在碰撞预警行为，当存在碰撞预警行为时，服务器对目标车辆的碰撞预警频次进行统计。

行车数据还包括车辆感应数据。车辆感应数据包括速度变化数据和方向变化数据。服务器根据行车图像获取对应的行车路段限速数据，基于行车路段限速数据及速度变化数据，判断目标车辆是否存在超速行为。若存在超速行为，服务器对目标车辆的超速频次进行统计。服务器根据方向变化数据判断目标车辆是否存在急转弯行为。若存在急转弯行为，服务器对目标车辆的急转弯频次进行统计。

服务器在交通管理网站等爬取目标车辆的不良驾驶记录。不良驾驶记录包括酒驾记录、负全责或部分责任的交通事故记录等。服务器基于不良驾驶记录统计目标车辆的酒驾频次和责任事故频次。

服务器根据目标车辆在统计时段的超车频次、车道偏离频次、碰撞预警频次、超速频次、急转弯频次、酒驾频次及责任事故频次多个维度的安全评价指标，以及预设的不同维度安全评价指标对应的指标权重，可以综合确定目标车辆的驾驶行为安全等级。根据驾驶行为安全等级，可以调整目标车辆的车险费用。例如，基于不同超车频次设定对应不同的保费折扣率。

本实施例中，基于超车频次、车道偏离频次、碰撞预警频次、超速频次、急转弯频次、酒驾频次及责任事故频次多个维度的安全评价指标，确定目标车辆的驾驶行为安全等级，可以提高驾驶行为安全等级计算准确性，进而提高车险费用计算准确性。

应该理解的是，虽然图2和图4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2和图4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图5所示，提供了一种行车数据分析装置，包括：行车图像处理模块502、超车行为分析模块504和车险费用计算模块506，其中：

行车图像处理模块502，用于获取目标车辆的行车数据；行车数据包括行车图像；在行车图像中确定识别区域；识别车辆标识出现在识别区域的附近车辆，记录附近车辆的车辆位置。

超车行为分析模块504，用于通过比较相邻多帧行车图像中附近车辆的车辆位置的变化，判断目标车辆是否存在超车行为；根据判断结果对目标车辆的超车频次进行统计。

车险费用计算模块506，用于根据超车频次计算目标车辆对应的车险费用。

在一个实施例中，行车图像处理模块502还用于识别行车图像中的识别起点和车道边线；获取目标车辆与同车道前车的跟车距离，根据跟车距离确定识别距离；基于识别起点和识别距离确定识别区域。

在一个实施例中，行车图像处理模块502还用于根据识别距离生成均分边线；基于均分边线及车道边线将识别区域划分为多个子区域；根据附近车辆所在子区域的位置确定对应的车辆位置。

在一个实施例中，超车行为分析模块504还用于根据在相邻多帧行车图像中的车辆位置，生成附近车辆的行车特征向量；计算行车特征向量的第一属性值，比较第一属性值是否达到阈值；若达到阈值，计算行车特征向量的第二属性值；判断第二属性值是否为目标属性值；若为目标属性值，标记目标车辆存在超车行为。

在一个实施例中，行车数据包括行车时间；超车行为分析模块504还用于根据行车时间，确定多帧行车图像的遍历顺序；根据遍历顺序，依次对每帧行车图像是否出现附近车辆进行遍历；将附件车辆在一帧或多帧行车图像中的车辆位置分别标记为不同顺序的向量元素；对每个附件车辆的相邻向量元素进行去重处理；基于去重后的多个向量元素生成相应附近车辆的行车特征向量。

在一个实施例中，行车数据还包括车辆感应数据；车险费用计算模块506还用于基于行车图像识别目标车辆的车道偏离频次和碰撞预警频次；基于车辆感应数据统计目标车辆的超速频次和急转弯频次；爬取目标车辆的不良驾驶记录，基于不良驾驶记录统计目标车辆的酒驾频次和责任事故频次；根据统计时段的超车频次、车道偏离频次、碰撞预警频次、超速频次、急转弯频次、酒驾频次及责任事故频次，确定目标车辆的驾驶行为安全等级；根据驾驶行为安全等级调整目标车辆的车险费用。

关于行车数据分析装置的具体限定可以参见上文中对于行车数据分析方法的限定，在此不再赘述。上述行车数据分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储目标车辆的行车数据。该计算机设备的网络接口用于与外部终端通过网络连接通信。该计算机程序被处理器执行时以实现一种行车数据分析方法。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现本申请任意一个实施例中提供的行车数据分析方法的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体详细，但并不能因此理解为对发明专利范围的限制。应指出的是，对本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种行车数据分析方法，所述方法包括：

获取目标车辆的行车数据；所述行车数据包括行车图像；

在所述行车图像中确定识别区域；

识别车辆标识出现在识别区域的附近车辆，记录所述附近车辆的车辆位置；

通过比较相邻多帧行车图像中附近车辆的车辆位置的变化，判断所述目标车辆是否存在超车行为；

根据判断结果对所述目标车辆的超车频次进行统计；

根据所述超车频次计算所述目标车辆对应的车险费用。

2.根据权利要求1所述的方法，其特征在于，所述在所述行车图像中确定识别区域，包括：

识别所述行车图像中的识别起点和车道边线；

获取目标车辆与同车道前车的跟车距离，根据所述跟车距离确定识别距离；

基于识别起点和识别距离确定识别区域。

3.根据权利要求2所述的方法，其特征在于，所述记录所述附近车辆的车辆位置，包括：

根据所述识别距离生成均分边线；

基于所述均分边线及所述车道边线将识别区域划分为多个子区域；

根据附近车辆所在子区域的位置确定对应的车辆位置。

4.根据权利要求1所述的方法，其特征在于，通过比较相邻多帧行车图像中附近车辆的车辆位置的变化，判断所述目标车辆是否存在超车行为，包括：

根据在相邻多帧行车图像中的车辆位置，生成附近车辆的行车特征向量；

计算所述行车特征向量的第一属性值，比较所述第一属性值是否达到阈值；

若达到阈值，计算所述行车特征向量的第二属性值；

判断所述第二属性值是否为目标属性值；

若为目标属性值，标记所述目标车辆存在超车行为。

5.根据权利要求4所述的方法，其特征在于，所述行车数据包括行车时间；根据在相邻多帧行车图像中的车辆位置，生成附近车辆的行车特征向量，包括：

根据所述行车时间，确定多帧行车图像的遍历顺序；

根据所述遍历顺序，依次对每帧行车图像是否出现附近车辆进行遍历；

将附件车辆在一帧或多帧行车图像中的车辆位置分别标记为不同顺序的向量元素；

对每个附件车辆的相邻向量元素进行去重处理；

基于去重后的多个向量元素生成相应附近车辆的行车特征向量。

6.根据权利要求1所述的方法，其特征在于，所述行车数据还包括车辆感应数据；所述根据超车频次计算所述目标车辆对应的车险费用，包括：

基于所述行车图像识别所述目标车辆的车道偏离频次和碰撞预警频次；

基于所述车辆感应数据统计所述目标车辆的超速频次和急转弯频次；

爬取所述目标车辆的不良驾驶记录，基于所述不良驾驶记录统计所述目标车辆的酒驾频次和责任事故频次；

根据统计时段的超车频次、车道偏离频次、碰撞预警频次、超速频次、急转弯频次、酒驾频次及责任事故频次，确定所述目标车辆的驾驶行为安全等级；

根据所述驾驶行为安全等级调整所述目标车辆的车险费用。

7.一种行车数据分析装置，所述装置包括：

行车图像处理模块，用于获取目标车辆的行车数据；所述行车数据包括行车图像；在所述行车图像中确定识别区域；识别车辆标识出现在识别区域的附近车辆，记录所述附近车辆的车辆位置；

超车行为分析模块，用于通过比较相邻多帧行车图像中附近车辆的车辆位置的变化，判断所述目标车辆是否存在超车行为；根据判断结果对所述目标车辆的超车频次进行统计；

车险费用计算模块，用于根据所述超车频次计算所述目标车辆对应的车险费用。

8.根据权利要求7所述的装置，其特征在于，所述行车图像处理模块还用于识别所述行车图像中的识别起点和车道边线；获取目标车辆与同车道前车的跟车距离，根据所述跟车距离确定识别距离；基于识别起点和识别距离确定识别区域。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。