CN110443185B - 驾驶员识别方法、驾驶员识别装置、电子设备及存储介质 - Google Patents
驾驶员识别方法、驾驶员识别装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110443185B CN110443185B CN201910702076.1A CN201910702076A CN110443185B CN 110443185 B CN110443185 B CN 110443185B CN 201910702076 A CN201910702076 A CN 201910702076A CN 110443185 B CN110443185 B CN 110443185B
- Authority
- CN
- China
- Prior art keywords
- data
- driving
- characteristic data
- road section
- driver
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/70—Multimodal biometrics, e.g. combining information from different biometric modalities
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本公开提供了一种驾驶员识别方法、驾驶员识别装置、电子设备及计算机可读存储介质,属于人工智能技术领域。该方法包括:获取目标车辆的待识别驾驶事件的驾驶数据;根据所述驾驶数据的时序特征,得到所述待识别驾驶事件的序列特征数据;根据所述驾驶数据的全局特征,得到所述待识别驾驶事件的聚合特征数据;使用预先训练的识别模型对所述待识别驾驶事件的序列特征数据和聚合特征数据进行处理,识别所述待识别驾驶事件的驾驶员是否为所述目标车辆关联的驾驶员。本公开可以有效识别驾驶员的身份,且识别准确率较高,适用性较广。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及一种驾驶员识别方法、驾驶员识别装置、电子设备及计算机可读存储介质。
背景技术
随着“互联网+”时代的来临,许多服务可以通过线上的方式提供,带来便利的同时,也产生了监管方面的诸多问题。其中,在交通出行方面,出现了网约车、代驾等基于互联网的服务,平台方需要对网约车驾驶员、代驾驾驶员进行监管,特别是在服务过程中,需要对驾驶员的真实身份进行识别,以确定提供服务的驾驶员是经过认证的驾驶员。
现有的驾驶员识别方法通常是基于生物特征的方法,通过对待识别驾驶员的人脸、声纹、指纹等信息的分析,确定待识别驾驶员的身份。但是,采用上述方法时,需要采集的数据大多依赖于待识别驾驶员本身的特征,且需要驾驶员主动配合进行识别过程,导致识别过程复杂;另外,上述方法也存在漏洞,如驾驶员通过识别验证后又更换为其他人进行驾驶,则难以预防。因此,如何便捷有效的对驾驶员进行识别,得到准确有效的识别结果是现有技术亟待解决的问题。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开提供了一种驾驶员识别方法、驾驶员识别装置、电子设备及计算机可读存储介质,进而至少在一定程度上克服现有的驾驶员识别过程复杂、且识别结果不准确的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一个方面,提供一种驾驶员识别方法,所述方法包括:获取目标车辆的待识别驾驶事件的驾驶数据;根据所述驾驶数据的时序特征,得到所述待识别驾驶事件的序列特征数据;根据所述驾驶数据的全局特征,得到所述待识别驾驶事件的聚合特征数据;使用预先训练的识别模型对所述待识别驾驶事件的序列特征数据和聚合特征数据进行处理,识别所述待识别驾驶事件的驾驶员是否为所述目标车辆关联的驾驶员。
在本公开的一种示例性实施例中,所述方法还包括:获取所述待识别驾驶事件的外部因素数据;所述使用预先训练的识别模型对所述待识别驾驶事件的序列特征数据和聚合特征数据进行处理,包括:使用预先训练的识别模型对所述待识别驾驶事件的序列特征数据、聚合特征数据以及所述外部因素数据进行处理;其中,所述外部因素数据包括气象数据、时间数据、特殊事件数据中的任意一种或多种的组合。
在本公开的一种示例性实施例中,所述获取目标车辆的待识别驾驶事件的驾驶数据,包括:获取所述待识别驾驶事件的轨迹点数据,包括所述待识别驾驶事件中各轨迹点的时间和坐标;将所述轨迹点数据与地图数据进行匹配,确定与所述轨迹点数据相关的道路数据;基于所述道路数据,将所述各轨迹点的坐标映射为所述各轨迹点的道路定位数据,将所述轨迹点数据和所述道路定位数据确定为所述待识别驾驶事件的驾驶数据。
在本公开的一种示例性实施例中,所述根据所述驾驶数据的时序特征,得到所述待识别驾驶事件的序列特征数据,包括:将所述待识别驾驶事件的行驶路线拆分为多个路段;根据每个所述路段上所述驾驶数据的时序特征,得到每个所述路段的序列特征数据。
在本公开的一种示例性实施例中,所述根据所述驾驶数据的全局特征,得到所述待识别驾驶事件的聚合特征数据,包括:根据每个所述路段上所述驾驶数据的全局特征,得到每个所述路段的聚合特征数据;根据所述行驶路线上所述驾驶数据的全局特征,得到所述行驶路线的聚合特征数据。
在本公开的一种示例性实施例中,所述识别模型为神经网络模型,包括:第一输入层,用于输入每个所述路段的序列特征数据;第一隐藏层,用于对每个所述路段的序列特征数据进行处理,得到每个所述路段的中间特征数据;第二输入层,用于输入每个所述路段的聚合特征数据;第一拼接层,用于分别将每个所述路段的中间特征数据和每个所述路段的聚合特征数据进行拼接,并按照各所述路段的顺序排列拼接后的数据,得到所述行驶路线的序列特征数据;第二隐藏层,用于对所述行驶路线的序列特征数据进行处理,得到所述行驶路线的中间特征数据;第三输入层,用于输入所述行驶路线的聚合特征数据;第二拼接层,用于将所述行驶路线的中间特征数据和所述行驶路线的聚合特征数据进行拼接;全连接层,用于对所述第二拼接层拼接后的数据进行全连接处理;输出层,用于输出识别结果,所述识别结果为所述待识别驾驶事件的驾驶员是否为所述目标车辆关联的驾驶员。
在本公开的一种示例性实施例中,所述识别模型还包括:第一注意力层,位于所述第一隐藏层后,用于对所述第一隐藏层输出的数据进行加权处理,得到每个所述路段的中间特征数据;第二注意力层,位于所述第二隐藏层后,用于对所述第二隐藏层输出的数据进行加权处理,得到所述行驶路线的中间特征数据。
在本公开的一种示例性实施例中,所述第一隐藏层和所述第二隐藏层均为门控循环单元。
根据本公开的一个方面,提供一种驾驶员识别装置,所述装置包括:驾驶数据获取模块,用于获取目标车辆的待识别驾驶事件的驾驶数据;第一数据确定模块,用于根据所述驾驶数据的时序特征,得到所述待识别驾驶事件的序列特征数据;第二数据确定模块,用于根据所述驾驶数据的全局特征,得到所述待识别驾驶事件的聚合特征数据;驾驶员识别模块,用于使用预先训练的识别模型对所述待识别驾驶事件的序列特征数据和聚合特征数据进行处理,识别所述待识别驾驶事件的驾驶员是否为所述目标车辆关联的驾驶员。
在本公开的一种示例性实施例中,驾驶员识别装置还包括:外部数据获取模块,用于获取所述待识别驾驶事件的外部因素数据;驾驶员识别模块用于使用预先训练的识别模型对所述待识别驾驶事件的序列特征数据、聚合特征数据以及所述外部因素数据进行处理,识别所述待识别驾驶事件的驾驶员是否为所述目标车辆关联的驾驶员;其中,所述外部因素数据包括气象数据、时间数据、特殊事件数据中的任意一种或多种的组合。
在本公开的一种示例性实施例中,驾驶数据获取模块包括:轨迹点数据获取单元,用于获取所述待识别驾驶事件的轨迹点数据,包括所述待识别驾驶事件中各轨迹点的时间和坐标;匹配单元,用于将所述轨迹点数据与地图数据进行匹配,确定与所述轨迹点数据相关的道路数据;驾驶数据确定单元,用于基于所述道路数据,将所述各轨迹点的坐标映射为所述各轨迹点的道路定位数据,将所述轨迹点数据和所述道路定位数据确定为所述待识别驾驶事件的驾驶数据。
在本公开的一种示例性实施例中,第一数据确定模块包括:路段拆分单元,用于将所述待识别驾驶事件的行驶路线拆分为多个路段;序列特征获取单元,用于根据每个所述路段上所述驾驶数据的时序特征,得到每个所述路段的序列特征数据。
在本公开的一种示例性实施例中,第二数据确定模块包括:第一聚合特征获得单元,用于根据每个所述路段上所述驾驶数据的全局特征,得到每个所述路段的聚合特征数据;第二聚合特征获得单元,用于根据所述行驶路线上所述驾驶数据的全局特征,得到所述行驶路线的聚合特征数据。
在本公开的一种示例性实施例中,所述识别模型为神经网络模型,包括:第一输入层,用于输入每个所述路段的序列特征数据;第一隐藏层,用于对每个所述路段的序列特征数据进行处理,得到每个所述路段的中间特征数据;第二输入层,用于输入每个所述路段的聚合特征数据;第一拼接层,用于分别将每个所述路段的中间特征数据和每个所述路段的聚合特征数据进行拼接,并按照各所述路段的顺序排列拼接后的数据,得到所述行驶路线的序列特征数据;第二隐藏层,用于对所述行驶路线的序列特征数据进行处理,得到所述行驶路线的中间特征数据;第三输入层,用于输入所述行驶路线的聚合特征数据;第二拼接层,用于将所述行驶路线的中间特征数据和所述行驶路线的聚合特征数据进行拼接;全连接层,用于对所述第二拼接层拼接后的数据进行全连接处理;输出层,用于输出识别结果,所述识别结果为所述待识别驾驶事件的驾驶员是否为所述目标车辆关联的驾驶员。
在本公开的一种示例性实施例中,所述识别模型还包括:第一注意力层,位于所述第一隐藏层后,用于对所述第一隐藏层输出的数据进行加权处理,得到每个所述路段的中间特征数据;第二注意力层,位于所述第二隐藏层后,用于对所述第二隐藏层输出的数据进行加权处理,得到所述行驶路线的中间特征数据。
在本公开的一种示例性实施例中,所述第一隐藏层和所述第二隐藏层均为门控循环单元。
根据本公开的一个方面,提供一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的方法。
根据本公开的一个方面,提供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上述任意一项所述的方法。
本公开的示例性实施例具有以下有益效果:
获取目标车辆的待识别驾驶事件的驾驶数据,根据驾驶数据的时序特征,得到待识别驾驶事件的序列特征数据,根据驾驶数据的全局特征,得到待识别驾驶事件的聚合特征数据,使用预先训练的识别模型对待识别驾驶事件的序列特征数据和聚合特征数据进行处理,识别待识别驾驶事件的驾驶员是否为目标车辆关联的驾驶员。一方面,通过分析待识别驾驶事件的序列特征数据以及聚合特征数据两个方面的数据,确定识别结果,其结合了目标车辆行驶过程中的局部特征和整体特征,丰富了识别模型的数据内容和数据层次,使得获取的识别结果更加准确;另一方面,本示例性实施例提出一种新的驾驶员识别方法,无需驾驶员本身配合,仅通过获取驾驶数据,就能够确定驾驶员是否为目标车辆关联的驾驶员,数据获取的难度较低,且避免了现有技术中驾驶员根据识别要求更改自身特征数据的情况,识别结果更加客观,具有较高的可信度。
应当理解的是,以上的一般描述和后文的细节述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示意性示出本示例性实施例中一种驾驶员识别方法的流程图;
图2示意性示出本示例性实施例中一种驾驶员识别方法的子流程图;
图3示意性示出本示例性实施例中一种识别模型的结构图;
图4示意性示出本示例性实施例中一种驾驶员识别装置的结构框图;
图5示意性示出本示例性实施例中一种用于实现上述方法的电子设备;
图6示意性示出本示例性实施例中一种用于实现上述方法的计算机可读存储介质。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
本公开的示例性实施例首先提供了一种驾驶员识别方法,该方法的应用场景包括但不限于:在网约车服务中,平台方从车辆终端(如车辆上安装的传感器,或者网约车司机的手机等)获取驾驶数据,识别当前驾驶车辆的驾驶员是否为该车辆的认证驾驶员;在代驾服务中,平台方从车辆终端获取驾驶数据,识别代驾的驾驶员是否为通过认证的驾驶员本人。由此,本示例性实施例的执行主体可以是提供上述服务的平台方服务器,当然也可以将本示例性实施例部署在终端上执行,进行识别后向服务器返回数据,等等,本公开对此不做限定。
下面结合附图1对本示例性实施例做进一步说明,如图1所示,驾驶员识别方法可以包括以下步骤S110~S140:
步骤S110,获取目标车辆的待识别驾驶事件的驾驶数据。
其中,目标车辆是指本示例性实施例中待识别的驾驶员所驾驶的车辆,其可以是出租车、网约车、公交车或其他具有代步、运输功能的车辆等。待识别驾驶事件是指待识别驾驶员驾驶目标车辆完成了某一特定路径、行驶了一预设距离或预设时间的过程等,例如从A地开往B地的行驶过程,或者从早8点行驶至8点半的行驶过程等等。在本示例性实施例中,可以选取任意一段驾驶过程作为待识别驾驶事件,也可以将两次停车(可以预设目标车辆超过3分钟或5分钟未移动,为一次停车)之间的驾驶过程作为待识别驾驶事件,还可以将网约车或代驾服务中一次订单的驾驶过程作为待识别驾驶事件等等。驾驶数据是指待识别驾驶事件中,目标车辆的所有相关的初始数据。在本示例性实施例中,驾驶数据是车辆终端在待识别驾驶事件中向服务器发送的数据,车辆终端可以包括但不限于:驾驶员或乘客的手机,目标车辆中安装的GPS(Global Positioning System,全球定位系统)传感器,或安装的测量实时速度、发动机转速、档位等参数的传感器。由此,驾驶数据可以包括:行驶轨迹、行驶路径、行驶速度、行驶时间、发动机实时转速、实时档位等。
步骤S120,根据驾驶数据的时序特征,得到待识别驾驶事件的序列特征数据。
步骤S130,根据驾驶数据的全局特征,得到待识别驾驶事件的聚合特征数据。
由上可知,驾驶数据中至少有一部分数据是带有时间戳的,例如车辆的实时位置、实时速度、发动机实时转速等,这些数据之间具有时序特征,如同样一段路程,“加速-加速-匀速-匀速-匀速-减速”和“加速-匀速-加速-匀速-加速-减速”通常代表了两种不同的驾驶习惯,可能属于两个不同的驾驶员。将具有时序特征的数据提取出来,按照时间的先后顺序进行排列,并进行规则化、归一化等预处理和适当的统计计算,可以得到待识别驾驶事件的序列特征数据;
另外,除了上述时序特征外,驾驶数据所表现出来的全局特征,或称宏观特征,如待识别驾驶事件整个过程的平均速度、总路程、总耗时、急加速频率、急刹车频率、急转弯频率、急转弯幅度等,也能够一定程度的表征驾驶员的驾驶习惯,因此,对驾驶数据进行全局性统计,并进行规则化、归一化等预处理,可以得到待识别驾驶事件的聚合特征数据。
需要说明的是,步骤S120和S130是从两个方面、通过两种方式对驾驶数据中所包含的信息进行提取,其目的是从两个不同的维度来表征待识别驾驶事件,从而充分挖掘出事件信息,以便于后续进行准确的识别。
步骤S140,使用预先训练的识别模型对待识别驾驶事件的序列特征数据和聚合特征数据进行处理,识别待识别驾驶事件的驾驶员是否为目标车辆关联的驾驶员。
其中,目标车辆关联的驾驶员是指与目标车辆具有特定认证关系的驾驶员,例如目标车辆为网约车时,通过平台认证的驾驶员,目标车辆为代驾车辆时,提供代驾的账号的认证驾驶员等。
在本示例性实施例中,识别模型是预先训练的机器学习模型,其训练过程可以包括:从目标车辆和其他车辆的的历史驾驶数据中提取样本驾驶事件的驾驶数据,并采用步骤S120和S130的方式提取序列特征数据和聚合特征数据,作为训练数据;根据样本驾驶事件中驾驶员是否为认证驾驶员本人确定标签;机器学习模型以训练数据为输入,输出样本驾驶事件中驾驶员是否为认证驾驶员本人的识别结果,通过调整模型参数,可以使输出的识别结果越来越接近标签,直到模型的准确率达到一定的标准,可以认为训练完成。在一示例性实施例中,为了更好的处理序列特征数据,上述机器学习模型可以采用RNN(RecurrentNeural Network,循环神经网络)。
在本示例性实施例中,使用预先训练的识别模型对待识别驾驶事件的序列特征数据和聚合特征数据进行处理时,其可以是将序列特征数据以及聚合特征数据同时输入模型,获得识别结果,也可以是先将序列特征数据输入模型,得到中间的结果,再对中间结果和聚合特征数据进行处理,得到识别结果等等。
基于上述说明,在本示例性实施例中,获取目标车辆的待识别驾驶事件的驾驶数据,根据驾驶数据的时序特征,得到待识别驾驶事件的序列特征数据,根据驾驶数据的全局特征,得到待识别驾驶事件的聚合特征数据,使用预先训练的识别模型对待识别驾驶事件的序列特征数据和聚合特征数据进行处理,识别待识别驾驶事件的驾驶员是否为目标车辆关联的驾驶员。一方面,通过分析待识别驾驶事件的序列特征数据以及聚合特征数据两个方面的数据,确定识别结果,其结合了目标车辆行驶过程中的局部特征和整体特征,丰富了识别模型的数据内容和数据层次,使得获取的识别结果更加准确;另一方面,本示例性实施例提出一种新的驾驶员识别方法,无需驾驶员本身配合,仅通过获取驾驶数据,就能够确定驾驶员是否为目标车辆关联的驾驶员,数据获取的难度较低,且避免了现有技术中驾驶员根据识别要求更改自身特征数据的情况,识别结果更加客观,具有较高的可信度。
考虑到驾驶员在驾驶过程中的驾驶状态除了与其自身的驾驶特征有关联外,还可能会受到外界条件的干扰,例如同一驾驶员在雨天和晴天开车时的状态可能会有所差异。因此,在一示例性实施例中,还可以获取待识别驾驶事件的外部因素数据,是指除待识别驾驶事件的外部环境条件相关的数据,其可以包括气象数据、时间数据、特殊事件数据中的任意一种或多种的组合。其中,气象数据可以包括驾驶过程中的天气数据,例如晴天、雨天或阴天等;气温数据,例如驾驶员驾驶目标车辆时的气温为37℃;或者降雨量数据等等。时间数据主要包括待识别驾驶事件的时间段,如早高峰、晚高峰、普通时段、凌晨等,还可以是具体的时刻,例如下午7点等。特殊事件数据可以是指与待识别驾驶事件相关的特殊信息,例如当天为节假日,获取待识别驾驶事件经过了举办特殊活动的路段等,会对驾驶过程产生影响。外部因素数据可以通过车辆终端以外的途径获取,如通过接入气象数据库获得气象数据,通过接入实时路网数据库获取时间数据等。
进一步的,步骤S140中,可以将外部因素数据作为待识别驾驶事件的一方面信息,使用预先训练的识别模型对待识别驾驶事件的序列特征数据、聚合特征数据以及外部因素数据进行处理,得到识别结果。其中,序列特征数据、聚合特征数据以及外部因素数据共同作为识别模型的输入数据,使得输入数据具有更加丰富的信息,从而得到更加准确的识别结果。
在一示例性实施例中,步骤S110可以包括以下步骤:
步骤S210,获取待识别驾驶事件的轨迹点数据,包括待识别驾驶事件中各轨迹点的时间和坐标;
步骤S220,将轨迹点数据与地图数据进行匹配,确定与轨迹点数据相关的道路数据;
步骤S230,基于道路数据,将各轨迹点的坐标映射为各轨迹点的道路定位数据,将轨迹点数据和道路定位数据确定为待识别驾驶事件的驾驶数据。
待识别驾驶事件的轨迹点数据是指驾驶员驾驶目标车辆的行驶轨迹数据,可以包括轨迹点的产生时间和坐标,其中,坐标是指能够反映轨迹点位置的信息,例如轨迹点所在的经度和纬度等。轨迹点数据可以以数组的形式进行表示,例如轨迹点数据为(8:00,33.9,109.9),表示目标车辆在8:00时位于北纬“33.9”度,东经“109.9”度。需要说明的是,为了更加准确的获得道路的轨迹点数据,本示例性实施例可以事先对目标车辆行驶的轨迹点中的噪声点进行剔除,例如将所有轨迹点连接起来,绘制待识别驾驶事件的完整轨迹,若有偏离轨迹较多的轨迹点,则可能为噪声点。
地图数据可以是指预先获取的交通道路的路网数据,可以通过互联网地图获取,也可以接入GIS(Geographic Information System,地理信息系统)数据库获取地图数据,地图数据可以包括多个交通道路的具体数据,例如各个道路的名称、结构、方向及位置,信号灯的数量和位置,道路标志或交通流量状况信息等。将轨迹点数据与地图数据进行匹配,可以确定与目标车辆的行驶路径相关的道路数据,从而将各轨迹点的坐标映射到道路中,以得到各轨迹点的道路定位数据,即各个时刻目标车辆处于哪条道路的哪个位置。道路定位数据可以包括目标车辆所在道路的编码,目标车辆距离下一路口的距离,距离前一路口的距离,车道数量,限速情况等。特别的,驾驶数据还可以包括轨迹点数据与地图数据进行匹配的匹配度或匹配误差。
在本示例性实施例中,将上述轨迹点数据、道路定位数据以及误差等进行合并,可以得到驾驶数据,其包含了每个轨迹点的完整信息,例如第一轨迹点为(8:00,33.9,109.9,001,20.00,10%),第二轨迹点为(8:01,33.8,109.7,001,18.00,10%)。可见,在目标车辆具备GPS信号(可以来自于车辆的GPS传感器,或车辆上的手机)的情况下,利用地图数据进行匹配处理,可以得到较为完整的驾驶数据,从而可以满足大部分应用场景,使本示例性实施例具有较高的适用性。
在一示例性实施例中,步骤S120可以包括以下步骤:
将待识别驾驶事件的行驶路线拆分为多个路段;
根据每个路段上驾驶数据的时序特征,得到每个路段的序列特征数据。
其中,行驶路线是指待识别驾驶事件的全部行驶路径。为了确定目标车辆在行驶路线中更为详细的驾驶行为,本示例性实施例可以将行驶路线拆分为多个路段,可以根据待识别驾驶事件中的驻留点(可以是短暂停车点)进行拆分,例如目标车辆在行驶路线中在不同的位置停止行驶了一段时间,则可以将第一停止点作为第一驻留点,第二停止点作为第二驻留点,进一步的,行驶路线可以分为三个路段,分别为目标车辆开始行驶至第一驻留点,第一驻留点至第二驻留点,第二驻留点至行驶结束位置。另外,也可以根据道路本身的路段划分,例如将两次转弯点之前的路线作为一个路段等,本公开对此不做具体限定。
将待识别驾驶事件的序列特征数据拆分为每个路段的序列特征数据,也就是将一个较长的数组序列拆分为多个较短的数组序列,在识别模型处理序列特征数据时,可以基于每个路段的序列特征学习到每个路段的驾驶信息,其信息更加丰富,并且减小了序列长度,有利于降低模型的运算量。
相应的,可以基于行驶路线到路段的拆分,对待处理驾驶事件的聚合特征数据做进一步细化。步骤S130可以包括以下步骤:
根据每个路段上驾驶数据的全局特征,得到每个路段的聚合特征数据;
根据行驶路线上驾驶数据的全局特征,得到行驶路线的聚合特征数据。
在本示例性实施例中,每个路段的聚合特征数据是对该路段的驾驶数据进行统计,例如可以得到每个路段上的平均速度、与道路中心线的平均偏移、急刹车频率等。与之对应的,对整个行驶路线的驶数据进行统计进行统计,得到行驶路线的聚合特征数据,例如整个行驶路线的平均速度、与道路中心线的平均偏移、急刹车频率等。可见,这两类聚合特征数据分别代表了微观和宏观两方面特征,同样丰富了信息内容,有利于提高模型的识别准确度。当然,两类聚合特征数据也可以采用不同的指标,例如行驶路线的聚合特征数据注重于宏观信息,可以较多地采用总路程、总耗时、急转弯频率等宏观性指标。
在一示例性实施例中,识别模型可以是神经网络模型,图3示出了识别模型300的具体结构,可以包括:
第一输入层311,用于输入每个路段的序列特征数据;
如图3所示,将行驶路径分为L个路段后,路段1的序列特征数据可以表示为(S11、S12、…、S1t),路段2为(S21、S22、…、S2t),路段L为(SL1、SL2、…、SLt)等。
第一隐藏层320,用于对每个路段的序列特征数据进行处理,得到每个路段的中间特征数据;
考虑到序列特征数据的顺序可能会影响对待识别驾驶员驾驶目标车辆的状态的判断,例如驾驶员A在某一路段的前半程以第一状态行驶,在后半程以第二状态行驶,而驾驶员B在该路段的前半程以第二状态行驶,后半程以第一状态行驶,如果不考虑时序特征数据的顺序,则驾驶员A与驾驶员B的驾驶数据为相同数据,则难以进行准确的驾驶员识别过程,因此,本示例性实施例可以采用循环神经网络模型,在输入每个路段的序列特征数据后,设置第一隐藏层对序列特征数据进行处理。特别的,第一隐藏层可以采用GRU(GatedRecurrent Unit,门控循环单元)的结构,其中可以设置t个GRU单元。
在实际应用中,某一路段的序列特征数据中,各个数据所具有的信息量是不同的,例如在路段中间部分通常是匀速行驶,不同驾驶员的驾驶习惯可能较为相近,而在路段两端的转弯区域则能够体现出驾驶习惯的差异。鉴于此,在一示例性实施例中,第一隐藏层320之后,还可以在识别模型300中增加第一注意力层330,用于对第一隐藏层320输出的数据进行加权处理,得到每个路段的中间特征数据,其中,每个路段的序列特征数据分别对应其各自的权重,例如序列特征数据“S11、S12、…、S1t”对应权重值“a11、a12、…、a1T”,序列特征数据“SL1、SL2、…、SLt”对应权重值“aL1、aL2、…、aLT”。通过第一注意力层330的处理,可以体现出每个路段不同部分、不同数据的权重差异,有利于放大数据中较为重要的特征,提高识别准确度。
需要说明的是,在设置第一注意力层330的情况下,由第一注意力层330对第一隐藏层320输出的数据进行加权处理,得到每个路段的中间特征数据;在未设置第一注意力层330的情况下,将第一隐藏层320输出的数据作为每个路段的中间特征数据。每个路段的中间特征数据如图3中的C1、…、CL等,是对该路段的序列特征数据进行信息提取后得到的数据,可视为对该路段驾驶特征的编码,其具有抽象的含义。
第二输入层312,用于输入每个路段的聚合特征数据,如图3中的R1、…、RL。
第一拼接层340,用于分别将每个路段的中间特征数据和每个路段的聚合特征数据进行拼接,如路段1的中间特征数据C1和聚合特征数据R1拼接为(C1R1),其他路段也按照相同方式拼接,然后按照各路段的顺序排列拼接后的数据,得到行驶路线的序列特征数据,如图3中的(C1R1,C2R2,…,CLRL);
第二隐藏层350,其可以与第一隐藏层320的结构类似,当然,根据前一层序列特征的数据调整对应的节点数量,例如第二隐藏层350也可以设置为GRU的结构,其中可以设置L个GRU单元。第二隐藏层350用于对行驶路线的序列特征数据进行处理,得到行驶路线的中间特征数据。
类似的,在一示例性实施例中,第二隐藏层350之后可以设置第二注意力层360,其结构与第一注意力层330相似,根据第二隐藏层350的GRU单元数量设置节点数量,每个节点包含对应的权重。第二注意力层360是对不同路段之间进行加权,例如为普通路段设置较低的权重,为上下坡、转弯较多的路段设置较高的权重,对第二隐藏层350输出的数据进行处理,得到行驶路线的中间特征数据,可以放大驾驶员的驾驶特征。
需要说明的是,在设置第二注意力层360的情况下,由第二注意力层360对第二隐藏层350输出的数据进行加权处理,得到行驶路线的中间特征数据;在未设置第二注意力层360的情况下,将第二隐藏层350输出的数据作为行驶路线的中间特征数据。行驶路线的中间特征数据如图3中的fd,是对各路段的序列特征数据进行信息提取后得到的数据,可视为对整个行驶路线驾驶特征的编码,其具有抽象的含义。
第三输入层313,用于输入行驶路线的聚合特征数据,如图3中的ft。
在一示例性实施例中,如果获取了待识别驾驶事件的外部因素数据,还可以设置第四输入层314,用于输入外部因素数据,如图3中的fext。
第二拼接层370,用于将行驶路线的中间特征数据、行驶路线的聚合特征数据以及外部因素数据(在获取了外部因素数据的情况下)进行拼接,如图3中拼接得到(fdftfext)。
全连接层380,用于对第二拼接层拼接后的数据(如图3中的fdftfext)进行全连接处理。
输出层390,用于输出识别结果,例如可以采用Softmax(归一化指数函数)等算法,识别结果为待识别驾驶事件的驾驶员是否为目标车辆关联的驾驶员。
应当理解,图3中的识别模型300仅是示例性的,根据实际需要,可以在其中任意位置增加不同的隐藏层,或者对模型的结构进行变化,或者对任意部分的算法进行调整等,本公开对此不做限定。
通过上述识别模型300,从驾驶数据中提取3部分数据,分别输入不同的输入层,并经过多个层级的处理后,逐步提取其中的序列特征并进行加权、合并等,在不同层级上对特征进行拼接,最终在第二拼接层对待识别驾驶事件进行完整的表示,再经过最后的处理,得到处理结果。在整个处理过程中,是从不方面提取待识别驾驶事件的特征数据,通过不同的处理将这些特征数据进行信息挖掘,从而使得整个处理过程具有非常丰富的维度,有利于对待识别驾驶事件进行全面充分的特征表示,提高识别结果的准确度。
本公开的示例性实施例还提供了一种驾驶员识别装置。参照图4,该装置400可以包括,驾驶数据获取模块410,用于获取目标车辆的待识别驾驶事件的驾驶数据;第一数据确定模块420,用于根据驾驶数据的时序特征,得到待识别驾驶事件的序列特征数据;第二数据确定模块430,用于根据驾驶数据的全局特征,得到待识别驾驶事件的聚合特征数据;驾驶员识别模块440,用于使用预先训练的识别模型对待识别驾驶事件的序列特征数据和聚合特征数据进行处理,识别待识别驾驶事件的驾驶员是否为目标车辆关联的驾驶员。
在一示例性实施例中,驾驶员识别装置还可以包括:外部数据获取模块,用于获取待识别驾驶事件的外部因素数据;驾驶员识别模块用于使用预先训练的识别模型对待识别驾驶事件的序列特征数据、聚合特征数据以及外部因素数据进行处理,识别待识别驾驶事件的驾驶员是否为目标车辆关联的驾驶员;其中,外部因素数据包括气象数据、时间数据、特殊事件数据中的任意一种或多种的组合。
在一示例性实施例中,驾驶数据获取模块可以包括:轨迹点数据获取单元,用于获取待识别驾驶事件的轨迹点数据,包括待识别驾驶事件中各轨迹点的时间和坐标;匹配单元,用于将轨迹点数据与地图数据进行匹配,确定与轨迹点数据相关的道路数据;驾驶数据确定单元,用于基于道路数据,将各轨迹点的坐标映射为各轨迹点的道路定位数据,将轨迹点数据和道路定位数据确定为待识别驾驶事件的驾驶数据。
在一示例性实施例中,第一数据确定模块可以包括:路段拆分单元,用于将待识别驾驶事件的行驶路线拆分为多个路段;序列特征获取单元,用于根据每个路段上驾驶数据的时序特征,得到每个路段的序列特征数据。
在一示例性实施例中,第二数据确定模块可以包括:第一聚合特征获得单元,用于根据每个路段上驾驶数据的全局特征,得到每个路段的聚合特征数据;第二聚合特征获得单元,用于根据行驶路线上驾驶数据的全局特征,得到行驶路线的聚合特征数据。
在一示例性实施例中,识别模型为神经网络模型,可以包括:第一输入层,用于输入每个路段的序列特征数据;第一隐藏层,用于对每个路段的序列特征数据进行处理,得到每个路段的中间特征数据;第二输入层,用于输入每个路段的聚合特征数据;第一拼接层,用于分别将每个路段的中间特征数据和每个路段的聚合特征数据进行拼接,并按照各路段的顺序排列拼接后的数据,得到行驶路线的序列特征数据;第二隐藏层,用于对行驶路线的序列特征数据进行处理,得到行驶路线的中间特征数据;第三输入层,用于输入行驶路线的聚合特征数据;第二拼接层,用于将行驶路线的中间特征数据和行驶路线的聚合特征数据进行拼接;全连接层,用于对第二拼接层拼接后的数据进行全连接处理;输出层,用于输出识别结果,识别结果为待识别驾驶事件的驾驶员是否为目标车辆关联的驾驶员。
在一示例性实施例中,识别模型还可以包括:第一注意力层,位于第一隐藏层后,用于对第一隐藏层输出的数据进行加权处理,得到每个路段的中间特征数据;第二注意力层,位于第二隐藏层后,用于对第二隐藏层输出的数据进行加权处理,得到行驶路线的中间特征数据。
在一示例性实施例中,第一隐藏层和第二隐藏层均为门控循环单元。
上述装置中各模块/单元的具体细节在方法部分的实施例中已经详细说明,未披露的细节内容可以参见方法部分的实施例内容,因此此处不再赘述。
本公开的示例性实施例还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图5来描述根据本公开的这种示例性实施例的电子设备500。图5显示的电子设备500仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示,电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于:上述至少一个处理单元510、上述至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530、显示单元540。
其中,存储单元存储有程序代码,程序代码可以被处理单元510执行,使得处理单元510执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如,处理单元510可以执行图1所示的步骤S110~S140,也可以执行图2所示的步骤S210~S230等。
存储单元520可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)521和/或高速缓存存储单元522,还可以进一步包括只读存储单元(ROM)523。
存储单元520还可以包括具有一组(至少一个)程序模块525的程序/实用工具524,这样的程序模块525包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线530可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备500也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备500交互的设备通信,和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行。并且,电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器560通过总线530与电子设备500的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备500使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开示例性实施例的方法。
本公开的示例性实施例还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在终端设备上运行时,程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
参考图6所示,描述了根据本公开的示例性实施例的用于实现上述方法的程序产品600,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本公开的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的示例性实施例,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (8)
1.一种驾驶员识别方法,其特征在于,所述方法包括:
获取目标车辆的待识别驾驶事件的驾驶数据;
根据所述驾驶数据的时序特征,得到所述待识别驾驶事件的序列特征数据;
根据所述驾驶数据的全局特征,得到所述待识别驾驶事件的聚合特征数据;
使用预先训练的识别模型对所述待识别驾驶事件的序列特征数据和聚合特征数据进行处理,识别所述待识别驾驶事件的驾驶员是否为所述目标车辆关联的驾驶员;
所述根据所述驾驶数据的时序特征,得到所述待识别驾驶事件的序列特征数据,包括:
将所述待识别驾驶事件的行驶路线拆分为多个路段;
根据每个所述路段上所述驾驶数据的时序特征,得到每个所述路段的序列特征数据;
所述根据所述驾驶数据的全局特征,得到所述待识别驾驶事件的聚合特征数据,包括:
根据每个所述路段上所述驾驶数据的全局特征,得到每个所述路段的聚合特征数据;
根据所述行驶路线上所述驾驶数据的全局特征,得到所述行驶路线的聚合特征数据;
所述识别模型为神经网络模型,包括:
第一输入层,用于输入每个所述路段的序列特征数据;
第一隐藏层,用于对每个所述路段的序列特征数据进行处理,得到每个所述路段的中间特征数据;
第二输入层,用于输入每个所述路段的聚合特征数据;
第一拼接层,用于分别将每个所述路段的中间特征数据和每个所述路段的聚合特征数据进行拼接,并按照各所述路段的顺序排列拼接后的数据,得到所述行驶路线的序列特征数据;
第二隐藏层,用于对所述行驶路线的序列特征数据进行处理,得到所述行驶路线的中间特征数据;
第三输入层,用于输入所述行驶路线的聚合特征数据;
第二拼接层,用于将所述行驶路线的中间特征数据和所述行驶路线的聚合特征数据进行拼接;
全连接层,用于对所述第二拼接层拼接后的数据进行全连接处理;
输出层,用于输出识别结果,所述识别结果为所述待识别驾驶事件的驾驶员是否为所述目标车辆关联的驾驶员。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述待识别驾驶事件的外部因素数据;
所述使用预先训练的识别模型对所述待识别驾驶事件的序列特征数据和聚合特征数据进行处理,包括:
使用预先训练的识别模型对所述待识别驾驶事件的序列特征数据、聚合特征数据以及所述外部因素数据进行处理;
其中,所述外部因素数据包括气象数据、时间数据、特殊事件数据中的任意一种或多种的组合。
3.根据权利要求1所述的方法,其特征在于,所述获取目标车辆的待识别驾驶事件的驾驶数据,包括:
获取所述待识别驾驶事件的轨迹点数据,包括所述待识别驾驶事件中各轨迹点的时间和坐标;
将所述轨迹点数据与地图数据进行匹配,确定与所述轨迹点数据相关的道路数据;
基于所述道路数据,将所述各轨迹点的坐标映射为所述各轨迹点的道路定位数据,将所述轨迹点数据和所述道路定位数据确定为所述待识别驾驶事件的驾驶数据。
4.根据权利要求1所述的方法,其特征在于,所述识别模型还包括:
第一注意力层,位于所述第一隐藏层后,用于对所述第一隐藏层输出的数据进行加权处理,得到每个所述路段的中间特征数据;
第二注意力层,位于所述第二隐藏层后,用于对所述第二隐藏层输出的数据进行加权处理,得到所述行驶路线的中间特征数据。
5.根据权利要求1所述的方法,其特征在于,所述第一隐藏层和所述第二隐藏层均为门控循环单元。
6.一种驾驶员识别装置,其特征在于,所述装置包括:
驾驶数据获取模块,用于获取目标车辆的待识别驾驶事件的驾驶数据;
第一数据确定模块,用于根据所述驾驶数据的时序特征,得到所述待识别驾驶事件的序列特征数据;
第二数据确定模块,用于根据所述驾驶数据的全局特征,得到所述待识别驾驶事件的聚合特征数据;
驾驶员识别模块,用于使用预先训练的识别模型对所述待识别驾驶事件的序列特征数据和聚合特征数据进行处理,识别所述待识别驾驶事件的驾驶员是否为所述目标车辆关联的驾驶员;
所述根据所述驾驶数据的时序特征,得到所述待识别驾驶事件的序列特征数据,包括:
将所述待识别驾驶事件的行驶路线拆分为多个路段;
根据每个所述路段上所述驾驶数据的时序特征,得到每个所述路段的序列特征数据;
所述根据所述驾驶数据的全局特征,得到所述待识别驾驶事件的聚合特征数据,包括:
根据每个所述路段上所述驾驶数据的全局特征,得到每个所述路段的聚合特征数据;
根据所述行驶路线上所述驾驶数据的全局特征,得到所述行驶路线的聚合特征数据;
所述识别模型为神经网络模型,包括:
第一输入层,用于输入每个所述路段的序列特征数据;
第一隐藏层,用于对每个所述路段的序列特征数据进行处理,得到每个所述路段的中间特征数据;
第二输入层,用于输入每个所述路段的聚合特征数据;
第一拼接层,用于分别将每个所述路段的中间特征数据和每个所述路段的聚合特征数据进行拼接,并按照各所述路段的顺序排列拼接后的数据,得到所述行驶路线的序列特征数据;
第二隐藏层,用于对所述行驶路线的序列特征数据进行处理,得到所述行驶路线的中间特征数据;
第三输入层,用于输入所述行驶路线的聚合特征数据;
第二拼接层,用于将所述行驶路线的中间特征数据和所述行驶路线的聚合特征数据进行拼接;
全连接层,用于对所述第二拼接层拼接后的数据进行全连接处理;
输出层,用于输出识别结果,所述识别结果为所述待识别驾驶事件的驾驶员是否为所述目标车辆关联的驾驶员。
7.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-5任一项所述的方法。
8.一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1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910702076.1A CN110443185B (zh) | 2019-07-31 | 2019-07-31 | 驾驶员识别方法、驾驶员识别装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910702076.1A CN110443185B (zh) | 2019-07-31 | 2019-07-31 | 驾驶员识别方法、驾驶员识别装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110443185A CN110443185A (zh) | 2019-11-12 |
CN110443185B true CN110443185B (zh) | 2020-11-24 |
Family
ID=68432540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910702076.1A Active CN110443185B (zh) | 2019-07-31 | 2019-07-31 | 驾驶员识别方法、驾驶员识别装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110443185B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111144446B (zh) * | 2019-12-06 | 2023-04-21 | 北京中交兴路信息科技有限公司 | 一种基于时空网格的司机身份识别方法和系统 |
CN111091215B (zh) * | 2019-12-11 | 2023-10-20 | 浙江大搜车软件技术有限公司 | 车辆识别方法、装置、计算机设备和存储介质 |
CN113157817B (zh) * | 2021-03-15 | 2024-05-10 | 平安科技(深圳)有限公司 | 区分驾驶员的方法、装置和计算机设备 |
CN113112796B (zh) * | 2021-04-07 | 2022-05-27 | 吉林大学 | 一种驾驶行为特征的构造方法、系统和驾驶行为分析方法 |
CN113327336B (zh) * | 2021-06-03 | 2023-02-28 | 厦门科拓通讯技术股份有限公司 | 人车关系的识别方法、装置和电子设备 |
CN113506065B (zh) * | 2021-07-23 | 2022-12-02 | 拉扎斯网络科技(上海)有限公司 | 配送轨迹修正方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7676087B2 (en) * | 2006-09-20 | 2010-03-09 | Delphi Technologies, Inc. | Method for identifying vehicles in electronic images |
CN106128099A (zh) * | 2016-07-01 | 2016-11-16 | 斑马信息科技有限公司 | 驾驶员识别方法和装置 |
CN107215307A (zh) * | 2017-05-24 | 2017-09-29 | 清华大学深圳研究生院 | 基于车辆传感器校正数据的驾驶员身份识别方法及系统 |
CN107492251A (zh) * | 2017-08-23 | 2017-12-19 | 武汉大学 | 一种基于机器学习与深度学习的驾驶员身份识别与驾驶状态监测方法 |
CN108021933A (zh) * | 2017-11-23 | 2018-05-11 | 深圳市华尊科技股份有限公司 | 神经网络识别模型及识别方法 |
CN109145982A (zh) * | 2018-08-17 | 2019-01-04 | 上海汽车集团股份有限公司 | 驾驶员的身份识别方法及装置、存储介质、终端 |
CN109313847A (zh) * | 2016-06-07 | 2019-02-05 | 罗伯特·博世有限公司 | 用于错路驾驶员识别的方法、设备和系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107341468B (zh) * | 2017-06-30 | 2021-05-04 | 北京七鑫易维信息技术有限公司 | 驾驶员状态识别方法、装置、存储介质及处理器 |
CN109670457A (zh) * | 2018-12-21 | 2019-04-23 | 东软睿驰汽车技术(沈阳)有限公司 | 一种驾驶员状态识别方法及装置 |
-
2019
- 2019-07-31 CN CN201910702076.1A patent/CN110443185B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7676087B2 (en) * | 2006-09-20 | 2010-03-09 | Delphi Technologies, Inc. | Method for identifying vehicles in electronic images |
CN109313847A (zh) * | 2016-06-07 | 2019-02-05 | 罗伯特·博世有限公司 | 用于错路驾驶员识别的方法、设备和系统 |
CN106128099A (zh) * | 2016-07-01 | 2016-11-16 | 斑马信息科技有限公司 | 驾驶员识别方法和装置 |
CN107215307A (zh) * | 2017-05-24 | 2017-09-29 | 清华大学深圳研究生院 | 基于车辆传感器校正数据的驾驶员身份识别方法及系统 |
CN107492251A (zh) * | 2017-08-23 | 2017-12-19 | 武汉大学 | 一种基于机器学习与深度学习的驾驶员身份识别与驾驶状态监测方法 |
CN108021933A (zh) * | 2017-11-23 | 2018-05-11 | 深圳市华尊科技股份有限公司 | 神经网络识别模型及识别方法 |
CN109145982A (zh) * | 2018-08-17 | 2019-01-04 | 上海汽车集团股份有限公司 | 驾驶员的身份识别方法及装置、存储介质、终端 |
Also Published As
Publication number | Publication date |
---|---|
CN110443185A (zh) | 2019-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110443185B (zh) | 驾驶员识别方法、驾驶员识别装置、电子设备及存储介质 | |
US10989544B2 (en) | Utilizing artificial neural networks to evaluate routes based on generated route tiles | |
US11156470B2 (en) | Methods and systems for providing information for an on-demand service | |
US20200134735A1 (en) | Enhancement using analytics based on vehicle kinematic data | |
CN109840660B (zh) | 一种车辆特征数据处理方法及车辆风险预测模型训练方法 | |
US11106969B2 (en) | Method and apparatus for driver identification leveraging telematics data | |
CN105374211A (zh) | 基于多源数据计算驾驶风险与辅助车险定价的系统及方法 | |
US20220187087A1 (en) | Systems and methods for predicting fuel consumption efficiency | |
WO2021082464A1 (zh) | 预测车辆的目的地的方法和装置 | |
CN111582559B (zh) | 一种到达时间的预估方法及装置 | |
CN110599353A (zh) | 一种车辆出险和赔付率预测方法、装置、设备及介质 | |
Hu et al. | Advancing usage‐based insurance–a contextual driving risk modelling and analysis approach | |
US20210241618A1 (en) | Method and apparatus for prediction road condition, device and computer storage medium | |
US11694426B2 (en) | Determining traffic control features based on telemetry patterns within digital image representations of vehicle telemetry data | |
CN111932341A (zh) | 一种确定拼车订单的方法和系统 | |
WO2020058234A1 (fr) | Dispositif de prédiction de trajet le plus probable d'un véhicule | |
Zeng et al. | On the importance of contextual information for building reliable automated driver identification systems | |
JP7399891B2 (ja) | ナビゲーション中に難しい操縦についての追加の命令を提供すること | |
Marks et al. | Identifying and labeling potentially risky driving: A multistage process using real-world driving data | |
Kumar | Driver Usage Risk Profiling by Analyzing Vehicle Driving Behavior using Machine Learning Model Based on Vehicular Cloud Telematics Data | |
Höjmark et al. | Estimation of average travel speed on a road segment based on weather and road accidents | |
CN116127295A (zh) | 基于空间群智大数据的交通事故热点识别方法及装置 | |
KR20240050821A (ko) | 신규 도로의 교통상황 예측 장치 및 그 방법 | |
WO2023102257A2 (en) | System and method for trip classification | |
CN113665576A (zh) | 车辆行驶工况预测方法、装置、设备及介质 |
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: 20200723 Address after: Room 806, 8 / F, Zhongguancun International Innovation Building, Haidian District, Beijing 100080 Applicant after: Beijing Jingdong intelligent city big data research institute Address before: 100086 No.76 Zhichun Road, Haidian District, Beijing, Building No.1, Building No.9, Floor 1-7-5 Applicant before: Jingdong City (Beijing) Digital Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |