CN110533912A - 基于区块链的驾驶行为检测方法及装置 - Google Patents

Abstract

本申请的实施例提供了一种基于区块链的驾驶行为检测方法，应用于区块链网络中的区块链节点，包括：对监控设备节点上传至所述区块链网络中的车辆行驶信息进行提取，获得目标车辆标识所指示目标车辆的行驶数据；根据所述行驶数据进行驾驶行为特征提取，获得目标车辆标识对应的驾驶行为特征向量；根据驾驶行为特征向量进行概率预测，获得目标车辆标识对应的违规驾驶概率；在所述区块链网络中同步目标车辆标识对应的违规驾驶概率，以使交通执法节点从所述区块链网络中获取所述违规驾驶概率，并根据所述违规驾驶概率生成对所述目标车辆实施检测处理的通知消息。从而便于交通执法人员根据通知消息有针对性地实施违规检测，提高违规检查的效率。

Description

基于区块链的驾驶行为检测方法及装置

技术领域

本申请涉及区块链技术领域，具体而言，涉及一种基于区块链的驾驶行为检测方法及装置。

背景技术

为保障道路交通安全，降低交通事故发生的概率，交通执法人员在路口设置关卡对车辆进行拦截，以检查车辆是否为违规驾驶，例如是否为酒后驾驶。由于需要交通执法人员针对每一通行车辆实施违规检查，效率较低。

由上可知，如何提高违规检查的效率是现有技术中亟待解决的技术问题。

发明内容

本申请的实施例提供了一种基于区块链的驾驶行为检测方法及装置，进而至少在一定程度上可以提高违规检查的效率。

本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。

根据本申请实施例的一个方面，提供了一种基于区块链的驾驶行为检测方法，应用于区块链网络中的区块链节点，包括：

对监控设备节点上传至所述区块链网络中的车辆行驶信息进行提取，获得目标车辆标识所指示目标车辆的行驶数据；

根据所述行驶数据进行驾驶行为特征提取，获得所述目标车辆标识对应的驾驶行为特征向量；

根据所述驾驶行为特征向量进行概率预测处理，获得所述目标车辆标识对应的违规驾驶概率；

在所述区块链网络中同步所述目标车辆标识对应的所述违规驾驶概率，以使交通执法节点从所述区块链网络中获取所述违规驾驶概率，并根据所述违规驾驶概率对所述目标车辆实施检测处理的通知消息。

根据本申请实施例的一个方面，提供了一种基于区块链的驾驶行为检查装置，应用于区块链网络中的区块链节点，包括：

统计模块，用于对监控设备节点上传至所述区块链网络中的车辆行驶信息进行提取，获得目标车辆标识所指示目标车辆的行驶数据；

特征提取模块，用于根据所述行驶数据进行驾驶行为特征提取，获得所述目标车辆标识对应的驾驶行为特征向量；

概率预测模块，用于根据所述驾驶行为特征向量进行概率预测处理，获得所述目标车辆标识对应的违规驾驶概率；

同步模块，用于在所述区块链网络中同步所述目标车辆标识对应的违规驾驶概率，以使交通执法节点从所述区块链网络中获取所述违规驾驶概率，并根据所述违规驾驶概率生成对所述目标车辆实施检测处理的通知消息。

在本申请的技术方案中，通过区块链节点根据目标车辆的行驶数据来预测得到目标车辆的违规驾驶概率,并根据违规驾驶概率生成对目标车辆实施检测处理的通知信息，从而便于交通执法人员根据交通执法节点生成的通知信息来针对性地对目标车辆实施检测处理，以确认目标车辆是否为违规行驶，相对于现有技术中对通行的车辆全部进行违规检查，提高了违规检查的效率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

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，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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。在附图中：

图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图；

图2是根据一示例性实施例示出的基于区块链的驾驶行为检测方法的流程图；

图3是图2对应实施例的步骤210在一实施例中的流程图；

图4是根据一示例性实施例示出的统计车辆行驶信息的示意图；

图5是图2对应实施例的步骤230在一实施例中的流程图；

图6是图5对应实施例的步骤510在一实施例中的流程图；

图7是图6对应实施例的步骤610中根据预设异常轨迹判断所述行驶视频中目标车辆的行驶轨迹是否为异常的步骤在一实施例中的流程图；

图8是图6对应实施例的步骤610中根据预设车速稳定参数判断所述视频中目标车辆的车速稳定性是否为异常的步骤在一实施例中的流程图；

图9是图5对应实施例的步骤550在一实施例中的流程图；

图10是根据另一示例性实施例示出的基于区块链的驾驶行为检测方法的流程图；

图11是根据另一示例性实施例示出的基于区块链的驾驶行为检测方法的流程图；

图12是根据一示例性实施例示出的基于区块链的驾驶行为检测装置的框图；

图13示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

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申请将更加全面和完整，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。

此外，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例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图。

区块链网络110中包括若干个区块链节点111，区块链节点111可以是服务器、用户终端等具有计算计算能力的电子设备。

区块链网络110与监控设备节点120、以及与交通执法节点130进行通信连接。基于区块链网络110与监控设备节点120的通信连接，从而，监控设备节点120可以将所采集到的车辆行驶信息对应上传至区块链节点111中。

基于区块链网络110与交通执法节点130之间的通信连接，从而，交通执法节点可以从区块链网络中获取目标车辆的违规驾驶概率、向区块链节点上报违规检查结果等。

参见图1所示的区块链网络110，区块链网络100包括若干区块链节点111，区块链网络110中的各区块链节点之间进行数据共享。区块链节点111在进行正常工作可以接收到输入信息，并基于接收到的输入信息维护该区块链网络100内的共享数据，该输入信息例如目标车辆的违规驾驶概率。

为了保证区块链网络110内的信息互通，区块链网络110中的每个区块链节点之间可以存在信息连接，区块链节点之间可以通过上述信息连接进行信息传输。例如，当区块链网络100的一区块链节点计算得到目标车辆在一行驶期间的违规驾驶概率后，区块链网络中的其他区块链节点便根据共识算法获取该目标车辆在一行驶期间的违规驾驶概率，将目标车辆在一行驶期间的违规驾驶概率作为共享数据中的数据进行存储，使得区块链网络中全部区块链节点上存储的数据均一致。

对于区块链网络中的每个区块链节点，均具有与其对应的节点标识，而且区块链网络中的每个区块链节点均可以存储有区块链网络中其他区块链节点的节点标识，以便后续根据其他区块链节点的节点标识，将生成的区块广播至区块链网络中的其他区块链节点。每个区块链节点中可维护一个如下表所示的节点标识列表，将区块链节点名称和区块链节点标识对应存储至该节点标识列表中。其中，节点标识可为IP(Internet Protocol，网络之间互联的协议)地址以及其他任一种能够用于标识该区块链节点的信息，表1中仅以IP地址为例进行说明。

表1节点标识列表

区块链节点名称	区块链节点标识
		区块链节点1	117.114.151.174
区块链节点2	117.116.189.145
		…	…
区块链节点N	119.123.789.258

区块链网络中的每个区块链节点均存储一条相同的区块链。区块链由多个区块组成。每个区块中包括本区块存储有本区块的哈希值、以及前一区块的哈希值，各区块通过哈希值连接形成区块链。另外，区块中还可以包括有区块生成时的时间戳等信息。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了相关的信息，用于验证其信息的有效性(防伪)和生成下一个区块。

以下对本申请实施例的技术方案的实现细节进行详细阐述：

图2是根据一实施例示出的基于区块链的驾驶行为检测方法的流程图，该方法由区块链网络中的区块链节点执行。参照图2，该基于区块链的驾驶行为检测方法至少包括如下步骤：

步骤210，对监控设备节点上传至区块链网络中的车辆行驶信息进行提取，获得目标车辆标识所指示目标车辆的行驶数据。

监控设备节点可以是布设于交通路段中的监控设备(例如监控摄像头)、布设于停车位置点(例如停车场、酒店及酒吧等餐饮单位所提供的停车点)的摄像头、车辆上的行车记录仪等，在此不进行具体限定。由此，通过监控设备进行车辆在行驶过程中车辆行驶信息的采集。

车辆行驶信息是指在车辆行驶过程中所采集到的信息，车辆行驶信息例如车辆行驶视频等、车辆的速度记录、路程记录等，通过车辆行驶信息可以反映车辆行驶轨迹、车辆所在位置、行驶速度、行驶加速度、车辆停留位置、车辆停留时间、车速稳定性、加速度稳定性、是否发生碰撞、是否超车等在一个或者多个维度下的状态。

值得一提的是，目标车辆泛指待进行违规驾驶概率预测的车辆，并不特指某一车辆。

监控设备节点在车辆的行驶过程中，将所采集到的车辆行驶信息上传到区块链节点，然后由区块链节点将所接收到的车辆行驶信息在区块链网络中进行全网同步。由于监控设备所采集的车辆行驶信息是分散的，即一方面是对应于不同车辆的，另一方面是针对于不同时间段的。因此，先对车辆行驶信息进行分类统计，才对应获得目标车辆的行驶数据。

所进行的统计，是指对分散的车辆行驶信息按照车辆进行分类，所分类获得的对应于目标车辆的若干车辆行驶信息即作为目标车辆的行驶数据。

在一实施例中，监控设备节点分段进行车辆行驶信息的上传，在此基础上，在按照车辆进行车辆行驶信息进行分类后，按照时间排序的若干车辆行驶信息，将所获得按照时间排序的车辆行驶信息作为车辆的行驶数据。

步骤230，根据行驶数据进行驾驶行为特征提取，获得目标车辆标识对应的驾驶行为特征向量。

驾驶行为特征是指用于反映车辆是否为违规行驶的信息，例如起始行驶位置、车速、行驶轨迹、加速度、停留位置、停留时间、车速稳定性、加速度稳定性等。

驾驶行驶行为特征向量是指对所提取的驾驶行为特征进行数值映射所得到的向量。通过驾驶行为特征向量实现了将驾驶行为特征数值化，便于进行后续的计算。

步骤250，根据驾驶行为特征向量进行概率预测处理，获得目标车辆标识所对应的违规驾驶概率。

违规驾驶概率用于表征车辆为违规行驶的可能性大小，即，违规驾驶概率越高，则表明目标车辆为违规行驶的可能性越高；反之，违规驾驶概率越小，则表明目标车辆为违规行驶的可能性越低。

对于车辆而言，车辆是否为违规行驶可以从车辆在行驶过程中的行驶数据来反映，例如对于酒后驾驶，在行驶过程中可能车辆行驶轨迹呈S型、车速不稳定、加速度不稳定、停留次数过多等。也即是说，车辆的行驶数据与车辆是否为违规行驶，这二者之间是具有相关性的。

在本实施例中，基于行驶数据与是否为违规行驶之间的相关性，通过从行驶数据中提取获得的驾驶行为特征向量来进行违规驾驶概率的预测。

概率预测是通过训练获得的模型来进行。模型可以是逻辑回归模型、线性回归模型、神经网络模型(例如卷积神经网络模型、循环神经网络模型等)等，在此不进行具体限定。

模型的训练为：获取训练样本，该训练样本为针对车辆行驶过程中所得到的驾驶行为特征向量，以及为对训练样本进行标签标注，所标注的标签用于指示对应车辆是否为违规行驶；然后将训练样本的输入至预构建的模型中，对比模型针对训练样本输出的违规驾驶概率和训练样本的标签，如果违规驾驶概率与标签不相符，则调整模型的参数，反之，如果违规驾驶概率与标签相符，则继续用下一训练样本进行训练，直至模型收敛。

在模型进行训练之后，模型的各项参数固定，从而可以针对输入的驾驶行为特征向量对应输出违规驾驶概率。

步骤270，在区块链网络中同步目标车辆标识对应的违规驾驶概率，以使交通执法节点从区块链网络中获取违规驾驶概率，并根据违规驾驶概率生成对目标车辆实施检测处理的通知消息。

所进行的同步，是指将目标车辆的违规驾驶概率进行入链，即将目标车辆的违规驾驶概率存储进区块链的区块中，并同步至区块链网络中的各个区块链节点。

可以理解的是，交通执法节点是指交通执法方的计算机设备，交通执法方的计算机设备与区块链网络建立了通信连接，从而，交通执法方的计算机设备可以向区块链节点请求获取各车辆的违规驾驶概率，至此，则获取到目标车辆的违规驾驶概率。

交通执法节点可以是布设于各路段中的路口探测头、交通执法人员所携带的终端设备、部署于交通执法处的计算机设备等，其中，交通执法人员根据交通执法节点所生成的通知消息对目标车辆实施违规检测。

交通执法节点所生成的通知消息用于提示交通执法人员对目标车辆实施违规检测，从而对应确定目标车辆是否为违规行驶。

进一步的，在交通执法节点根据所获取的违规驾驶概率生成通知消息后，将该通知消息发送至交通执法人员所携带的终端，从而提示交通执法人员对目标车辆进行违规检测。

在具体实施例中，可以根据设定的概率阈值来确定是否生成对目标车辆进行检测处理的通知消息。例如将概率阈值设为50％，则仅在目标车辆的违规驾驶概率≥50％时，交通执法节点才生成对目标车辆实施检测处理的通知消息；反之，如果目标车辆的违规驾驶概率＜50％，则不生成对目标车辆实施检测处理的通知消息。

从而，根据区块链节点为目标车辆预测得到的违规驾驶概率，交通执法节点对应获取目标车辆的违规驾驶概率，并对应生成通知消息，对应的，交通执法人员可以根据交通执法节点所生成的通知消息，针对性地进行违规检测，而不需要对每一通行的车辆均进行检查，提高了违规检查的效率。

在具体实施例中，交通执法人员在确定需要对目标车辆实施违规检查之后，由于监控设备将目标车辆的车辆行驶信息上传到区块链网络中，交通执法人员可以从区块链网络中目标车辆的车辆行驶信息，从而对应确定目标车辆当前所在的位置，进而在目标车辆当前所在位置附近对应对目标车辆实施违规检查。

所进行的检测处理可以是酒驾检查、超载检查等，在此不进行具体限定。在具体实施例中，可以针对某一类违规检查来对应按照本公开的方法实施，例如，针对酒驾检查，则在步骤230中，所进行的驾驶行为特征提取是针对可以反映酒驾行为的特征来进行提取，在步骤250中，根据驾驶行为特征向量所预测得到的违规驾驶概率，也是针对酒驾来预测的酒后驾驶概率；同理，如果是针对超载检查，步骤230-250也是针对超载检查来对应展开的。

在一实施例中，如图3所示，步骤210，包括：

步骤310，获取各监控设备节点所采集并上传至区块链网络中的车辆行驶信息。

步骤330，按照车辆标识信息对车辆行驶信息进行统计，并提取获得目标车辆标识所指示目标车辆在行驶期间内的行驶数据。

车辆标识信息是指用于唯一进行车辆标识的信息，例如车牌号。

如上所描述，监控设备节点所上传到区块链网络中的车辆行驶信息是分散的，从而，按照车辆标识信息进行统计，获得各个车辆的车辆行驶信息的集合，然后再针对每一车辆的车辆行驶信息按照时间进行排序，即得到各车辆的行驶数据。从而，从所获得各车辆的行驶数据中即可按照目标车辆标识提取获得目标车辆的行驶数据。

由于对目标车辆实施的检测处理是具有时效性，因此，为了保证所预测得到违规驾驶概率的时效性，目标车辆的行驶数据也是对应于最近一段时间的行驶数据。

至此，行驶期间是针对目标车辆在最近一段时间的行驶时间，例如距离当前时间前半个小时内的行驶数据，距离当前时间前45分钟内的行驶数据。换言之，行驶期间是从车辆起始行驶时间为起点的一段时间。在具体实施例中，为了保证行驶数据充分反映目标车辆的行驶状态，可以对该行驶期间进行最短时间约束，例如，仅对于行驶期间的时长大于45分钟的车辆进行违规驾驶概率预测处理。

在一具体实施例中，监控设备节点所采集到的车辆行驶信息是车辆的行驶视频，则对于目标车辆，可以按照图4所示的示意图进行车辆行驶信息的统计。具体的，车辆在各时间点的位置可以通过监控设备上的GPS模块采集得到，也可以根据上传车辆行驶信息的监控设备所对应的部署位置来确定，例如对于部署于路段中的监控设备而言，则该监控设备所在位置即对应为所采集到视频中车辆当前所在的位置。

在一实施例中，行驶数据包括目标车辆在行驶期间内的若干行驶视频，如图5所示，步骤230，包括：

步骤510，根据设定的异常行驶参数对行驶视频中的目标车辆进行车辆行驶状态分析，获得目标车辆在行驶期间内的异常行驶状态信息。

所进行的车辆行驶状态分析例如进行行驶轨迹分析、车速稳定性分析、加速度稳定性分析、超车分析等，在此不进行具体限定。

由于行驶视频记录了车辆在行驶期间内的行驶过程，从而，可以从行驶视频中进行信息提取，例如提取行驶视频中目标车辆的行驶轨迹、行驶速度、加速度、所在车道、是否压线等。从而对应根据所提取得到的信息对目标车辆进行行驶状态分析。

异常行驶状态信息用于指示行驶视频中目标车辆对应于哪一种异常状态，异常状态例如行驶轨迹异常、车速稳定性异常、加速度异常等。

以及步骤530，根据行驶视频和行驶视频对应的采集信息，获得目标车辆在行驶期间内的停留信息，停留信息包括车辆停留位置和车辆停留时间。

行驶视频对应的采集信息至少包括行驶视频所对应的采集时间、采集地点。通过行驶视频可以确认行驶视频中目标车辆是否停留、停留时间等信息。

从而，通过行驶视频和所对应的采集信息即可确定目标车辆的车辆停留位置和车辆停留时间。目标车辆的停留包括车辆起始行驶和中间停留，对应的，车辆停留信息中包括车辆起始行驶时间和起始行驶地点，以及中间停留时间、中间停留地点。

步骤550，根据异常行驶状态信息和停留信息生成目标车辆对应于行驶期间的驾驶行为特征向量。

在一实施例中，可以直接对异常行驶状态信息和停留信息进行数值映射获得目标车辆在行驶期间内的驾驶行为特征向量。

在另一实施例中，还可以根据异常行驶状态信息和/或停留信息再次进行信息整合，提取更多维的信息，从而，在根据所提取的信息生成驾驶行为特征向量。

在一实施例中，异常行驶状态信息包括异常行驶状态的频率和异常行驶状态的次数中的至少一种，异常行驶状态包括行驶轨迹异常和/或车速稳定性异常，设定的异常行驶参数包括预设异常轨迹和预设车速稳定参数中的至少一种，如图6所示，步骤510，包括：

步骤610，对于目标车辆在行驶期间内的各行驶视频，根据预设异常轨迹判断行驶视频中目标车辆的行驶轨迹是否为异常，和/或，根据预设车速稳定参数判断视频中目标车辆的车速稳定性是否为异常。

如上所描述，根据行驶视频可以对应提取得到行驶视频中目标车辆的行驶轨迹，从而，所提取的行驶轨迹与预设异常轨迹进行对比即可确定行驶视频中目标车辆的行驶轨迹是否为异常。

通过行驶视频可以提取得到目标车辆的路程、速度、加速度中的至少一种，从而，可以根据路程、速度、或者加速度获得速度的变化情况，基于此来确定行驶视频中目标车辆的车速稳定性是否为异常。

步骤630，根据在行驶期间内目标车辆被确认为异常行驶状态的视频数量，计算得到异常行驶状态的频率和/或异常行驶状态的次数。

对于目标车辆在行驶期间内的行驶视频，如果行驶视频中目标车辆的行驶轨迹异常或者车速稳定性异常，则对异常行驶状态的次数进行累加，从而计算得到在该行驶期间内，目标车辆为异常行驶状态的次数。

而行驶期间是对应于一时间段的，则根据异常行驶状态的次数和该行驶期间所对应的时间段即可计算得到异常行驶状态的频率。

在一实施例中，如图7所示，步骤610中根据预设异常轨迹判断行驶视频中目标车辆的行驶轨迹是否为异常的步骤，包括：

步骤710，提取行驶视频中目标车辆的行驶轨迹。

在步骤710中，从行驶视频中对目标车辆进行轨迹点提取，然后对所提取的轨迹点进行拟合，即提取得到目标车辆在行驶视频中的行驶轨迹。

步骤730，将行驶轨迹与预设异常轨迹进行相似性计算，获得行驶轨迹与预设异常轨迹的相似度。

所计算得到的相似度用于表征行驶轨迹与预设异常轨迹的相似程度，即，相似度越大，则表明行驶轨迹与预设异常行驶轨迹的相似程度越高。

在一实施例中，所进行的相似性计算即将行驶轨迹与异常行驶轨迹进行匹配，从而确定行驶轨迹与预设异常行驶轨迹重合的重合轨迹段、行驶轨迹与预设异常行驶轨迹不重合的非重合轨迹段，从而根据重合轨迹段占预设异常行驶轨迹的比例作为行驶轨迹与预设异常行驶轨迹的相似度。

在一实施例中，所进行的相似性计算可以是仅仅根据行驶轨迹与预测异常行驶轨迹的轨迹形状的相似性计算。在另一实施例中，还可以结合行驶轨迹所在车道线的位置与行驶轨迹的形状与预设异常行驶轨迹进行相似性计算。

步骤750，根据相似度确认行驶轨迹是否为异常。

在步骤750中，为确定行驶轨迹是否异常，根据设定的相似度阈值来进行，例如若相似度大于相似度阈值，则确认行驶轨迹为异常，反之，若相似度小于相似度阈值，则确认行驶轨迹正常。

在一实施例中，如图8所示，步骤610中根据预设车速稳定参数判断视频中目标车辆的车速稳定性是否为异常的步骤，包括：

步骤810，按照设定的行驶时间间隔对行驶视频中目标车辆的行驶轨迹进行分段，并计算各行驶时间间隔内的行驶路程。

步骤830，根据行驶路程计算相邻行驶时间间隔对应的行驶路程差。

步骤850，根据行驶路程差计算得到车速稳定参数。

车速稳定参数用于反映车速的稳定程度。车速稳定参数可以是行驶期间内的平均行驶路程差、最大行驶路程差、行驶路程差的平均变化率、行驶路程差的最大变化率等参数，在此不进行具体限定。

步骤870，对比车速稳定参数和预设车速稳定参数，以确认行驶视频中目标车辆的车速稳定性是否为异常。

为确定车速稳定性是否为异常，预设车速稳定参数作为车速稳定性为异常和车速稳定性为正常的分界点，从而，对比所计算得到的车速稳定性与预设车速稳定性的大小即可对应确定行驶视频中目标车辆的车速稳定性是否为异常。

举例来说，例如设定若车速稳定参数大于预设车速稳定参数，车速稳定性为异常；若车速稳定参数小于等于预设车速稳定参数，车速稳定性为正常。那么，在对比过程中，如果对比确认车速稳定参数大于预设车速稳定参数，则确定行驶视频中目标车辆的车速稳定性为异常。

在一实施例中，如图9所示，步骤550，包括：

步骤910，根据在行驶期间内确认为异常行驶状态的行驶视频所对应的采集时间，以及目标车辆在行驶期间的起始行驶时间，计算得到采集时间与起始行驶时间之间的时间间隔。

目标车辆在行驶期间的起始行驶时间由停留信息中对应获得。

步骤930，根据异常行驶状态的频率、异常行驶状态的次数、时间间隔、目标车辆在行驶期间的停留位置生成驾驶行为特征向量。

对异常行驶状态的频率、异常行驶状态的次数、每一确认为异常行驶状态所对应的时间间隔、目标车辆在行驶期间的停留位置进行数值映射，对应获得目标车辆对应于该行驶期间的驾驶行为特征向量。

在另一实施例中，还可以根据目标车辆在行驶期间的停留位置信息计算得到每一次停留的停留时长、相邻两次停留位置之间的距离。从而将每一次停留所对应的停留时长、相邻两次停留位置之间的距离添加至步骤930中来生成目标车辆的驾驶行为特征向量。

在一实施例中，步骤250中，通过违规预测模型来根据目标车辆的驾驶行为特征向量进行违规驾驶概率的预测，在本实施例中，如图10所示，在步骤250之前，该方法还包括：

步骤1010，从区块链网络中获取交通执法节点上报的违规检查结果，违规检查结果指示了所对应车辆是否为违规驾驶。

为了获得违规预测模型，此处交通执法方所进行的违规检查是为进行训练样本收集而进行的，即此处所进行的违规检查并不是根据违规驾驶概率来针对性实施例的。

值得一提的是，在步骤1010中，每一违规检查结果是对应车辆对应于一行驶期间的违规检查结果，例如在进行违规检查前半个小时这一行驶期间。

为描述方便，将违规检查结果所对应的车辆称为指定车辆，将违规检查结果所对应指定车辆的行驶期间称为指定行驶期间。

违规检查结果所对应的指定行驶期间是违规检查的时间向前推定的一段时间。

步骤1030，根据违规检查结果中包含的指定行驶期间和指定车辆的信息，从区块链网络中匹配获得指定车辆在指定行驶期间内的驾驶行为特征向量，所匹配获得的驾驶行为特征向量作为训练样本。

在区块链网络中，区块链节点为车辆生成驾驶行为特征向量后，对应将驾驶行为特征向量与对应的行驶期间、车辆进行关联存储，并进行全网同步。从而，在步骤1030中，根据违规检查结果生成的时间对应从区块链网络中匹配得到指定车辆与违规检车结果生成的时间相对应的指定行驶区间的驾驶行为特征向量。

步骤1050，根据训练样本和所对应的违规检查结果对预构建的模型进行训练，获得违规预测模型，违规检查结果用于配置所对应训练样本的违规标签。

违规标签包括指示为违规行驶的标签和指示为非违规行驶的标签。若一训练样本所对应的违规检查结果为违规行驶，则为该训练样本配置指示为违规行驶的标签；反之，若一训练样本所对应的违规检查结果为非违规行驶，则为该训练样本配置指示为非违规行驶的标签。

所进行的训练，即针对每一训练样本，通过所预构建的模型进行概率预测，对应得到违规驾驶概率，如果所得到的违规驾驶概率与训练样本的违规标签不相符，则调整模型参数，例如权重系数，直至模型所预测得到的违规驾驶概率与训练样本所对应的违规标签相符。然后再通过其他训练样本进行模型的训练，直至模型收敛，则训练结束，收敛时的模型即为违规预测模型。

进一步的，为确认模型所预测得到的违规驾驶概率与违规标签是否相符，预先设定违规驾驶概率与违规标签的对应关系，例如，设定若违规驾驶概率≥50％，则对应为指示为违规驾驶的标签；若违规驾驶概率＜50％，则对应为指示为非违规行驶的标签。从而，在训练过程中，如果对于一违规标签为指示为非违规行驶的训练样本，若模型对该训练样本输出的违规驾驶概率为65％，则模型输出的违规驾驶概率与该训练样本的违规标签不相符。

在一实施例中，违规预测模型携带时间戳，如图11所示，步骤1050之后，该方法还包括：

步骤1110，获取区块链网络中其他区块链节点所生成的违规预测模型。

区块链网络中包括多个区块链节点，从而，可能存在多个区块链节点按照步骤1010-1050对应生成了违规预测模型，从而，为避免对预测结果的影响，需要统一在区块链网络的各个区块链节点进行概率预测所使用的违规预测模型。

其中违规预测模型所携带的时间戳为违规预测模型生成的时间。

步骤1130，根据各违规预测模型所分别携带的时间戳，确定区块链网络中最新生成的违规预测模型。

步骤1150，将最新生成的违规预测模型同步至区块链网络中，以通过最新生成的违规预测模型预测车辆的违规驾驶概率。

通过进行同步，从而，区块链网络中的进行概率预测的区块链节点则对应的使用最新生成的违规预测模型预测车辆的违规驾驶概率。

以下介绍本申请的装置实施例，可以用于执行本申请上述实施例中的基于区块链的驾驶行为检查方法。对于本申请装置实施例中未披露的细节，请参照本申请上述的基于区块链的驾驶行为检查方法的实施例。

图12是根据一示例性实施例示出的基于区块链的驾驶行为检测装置的框图。该电子处方的验证装置1200配置于区块链网络中区块链节点，参照图12所示，该装置包括：

统计模块1210，用于对监控设备节点上传至区块链网络中的车辆行驶信息进行提取，获得目标车辆标识所指示目标车辆的行驶数据。

特征提取模块1230，用于根据行驶数据进行驾驶行为特征提取，获得目标车辆标识对应的驾驶行为特征向量。

概率预测模块1250，用于根据目标车辆的驾驶行为特征向量进行概率预测处理，获得目标车辆标识对应的违规驾驶概率。

同步模块1270，用于在区块链网络中同步目标车辆标识对应的违规驾驶概率，以使交通执法节点从区块链网络中获取违规驾驶概率，并根据违规驾驶概率生成对目标车辆实施检测处理的通知消息。

上述装置中各个模块的功能和作用的实现过程具体详见图2以及上述基于区块链的驾驶行为检测方法中对应步骤的实现过程，在此不再赘述。

在一实施例中，统计模块1210，包括：

车辆行驶信息获取单元，用于获取各监控设备节点所采集并上传至区块链网络中的车辆行驶信息。

统计单元，用于按照车辆标识信息对车辆行驶信息进行统计，并提取获得目标车辆标识所指示目标车辆在行驶期间内的行驶数据。

在一实施例中，特征提取模块1230，包括：

异常行驶状态信息获取单元，用于根据设定的异常行驶参数对行驶视频中的目标车辆进行车辆行驶状态分析，获得目标车辆在行驶期间内的异常行驶状态信息。以及

停留信息获取单元，用于根据行驶视频和行驶视频对应的采集信息，获得目标车辆在行驶期间内的停留信息，停留信息包括车辆停留位置和车辆停留时间。

特征向量生成单元，用于根据异常行驶状态信息和停留信息生成目标车辆对应于行驶期间的驾驶行为特征向量。

在一实施例中，异常行驶状态信息包括异常行驶状态的频率和/或异常行驶状态的次数，异常行驶状态包括行驶轨迹异常和/或车速稳定性异常，设定的异常行驶参数包括预设异常轨迹和/或预设车速稳定参数；异常行驶状态信息获取单元，包括：

异常确定单元，用于对于目标车辆在行驶期间内的各行驶视频，根据预设异常轨迹判断行驶视频中目标车辆的行驶轨迹是否为异常，和/或，根据预设车速稳定参数判断行驶视频中目标车辆的车速稳定性是否为异常。

频次计算单元，用于根据在行驶期间内目标车辆被确认为异常行驶状态的视频数量，计算得到异常行驶状态的频率和/或异常行驶状态的次数。

在一实施例中，异常确定单元，包括：

轨迹提取单元，用于提取行驶视频中目标车辆的行驶轨迹。

相似性计算单元，用于将行驶轨迹与预设异常轨迹进行相似性计算，获得行驶轨迹与预设异常轨迹的相似度。

确认单元，用于根据相似度确认行驶轨迹是否为异常。

在一实施例中，异常确定单元，包括：

分段计算单元，用于按照设定的行驶时间间隔对行驶视频中目标车辆的行驶轨迹进行分段，并计算各行驶时间间隔内的行驶路程。

行驶路程差计算单元，用于根据行驶路程计算相邻行驶时间间隔对应的行驶路程差。

车速稳定参数计算单元，用于根据行驶路程差计算得到车速稳定参数。

对比单元，用于对比车速稳定参数和预设车速稳定参数，以确认行驶视频中目标车辆的车速稳定性是否为异常。

在一实施例中，特征向量生成单元，包括：

时间间隔计算单元，用于根据在行驶期间内确认为异常行驶状态的行驶视频所对应的采集时间，以及目标车辆在行驶期间的起始行驶时间，计算得到采集时间与起始行驶时间之间的时间间隔。

生成单元，用于根据异常行驶状态的频率、异常行驶状态的次数、时间间隔、目标车辆在行驶期间的停留位置生成驾驶行为特征向量。

在一实施例中，概率预测模块1250，包括:

预测单元，用于根据目标车辆的驾驶行为特征向量，通过违规预测模型进行概率预测，获得目标车辆的违规驾驶概率。

在该实施例中，该装置还包括：

违规检查结果获取模块，用于从区块链网络中获取交通执法方上报的违规检查结果，违规检查结果指示了所对应车辆是否为违规驾驶。

匹配模块，用于根据违规检查结果中包含的指定行驶期间和指定车辆的信息，从区块链网络中匹配获得指定车辆在指定行驶期间内的驾驶行为特征向量，所匹配获得的驾驶行为特征向量作为训练样本。

训练模块，用于根据训练样本和所对应的违规检查结果对预构建的模型进行训练，获得违规预测模型，违规检查结果用于配置所对应训练样本的违规标签。

在一实施例中，述违规预测模型携带时间戳，该装置还包括：

模型获取模块，用于获取区块链网络中其他区块链节点所生成的违规预测模型。

模型确定模块，用于根据各违规预测模型所分别携带的时间戳，确定区块链网络中最新生成的违规预测模型。

模型同步模块，用于将最新生成的违规预测模型同步至区块链网络中，以通过最新生成的违规预测模型预测车辆的违规驾驶概率。

上述装置中各个模块/单元的功能和作用的实现过程具体详见上述基于区块链的驾驶行为检测方法中对应步骤的实现过程，在此不再赘述。

可以理解，这些模块可以通过硬件、软件、或二者结合来实现。当以硬件方式实现时，这些模块可以实施为一个或多个硬件模块，例如一个或多个专用集成电路。当以软件方式实现时，这些模块可以实施为在一个或多个处理器上执行的一个或多个计算机程序。

本申请还公开了一种电子设备，该电子设备执行本公开上述方法实施例中任一项中的方法。图13示出了本实施例中电子设备的计算机系统的结构示意图。

图13示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

需要说明的是，图13示出的电子设备的计算机系统1300仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图13所示，计算机系统1300包括中央处理单元(Central Processing Unit，CPU)1301，其可以根据存储在只读存储器(Read-Only Memory，ROM)1302中的程序或者从存储部分1308加载到随机访问存储器(Random Access Memory，RAM)1303中的程序而执行各种适当的动作和处理，例如执行上述实施例中的方法。在RAM 1303中，还存储有系统操作所需的各种程序和数据。CPU 1301、ROM 1302以及RAM 1303通过总线1304彼此相连。输入/输出(Input/Output，I/O)接口1305也连接至总线1304。

以下部件连接至I/O接口1305：包括键盘、鼠标等的输入部分1306；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分1307；包括硬盘等的存储部分1308；以及包括诸如LAN(Local AreaNetwork，局域网)卡、调制解调器等的网络接口卡的通信部分1309。通信部分1309经由诸如因特网的网络执行通信处理。驱动器1310也根据需要连接至I/O接口1305。可拆卸介质1311，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1310上，以便于从其上读出的计算机程序根据需要被安装入存储部分1308。

特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1309从网络上被下载和安装，和/或从可拆卸介质1311被安装。在该计算机程序被中央处理单元(CPU)1301执行时，执行本申请的系统中限定的各种功能。

需要说明的是，本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机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。而在本申请中，计算机可读的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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、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。计算机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、有线等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现上述实施例中的方法。

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，根据本申请的实施方式，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。

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，根据本申请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、触控终端、或者网络设备等)执行根据本申请实施方式的方法。

本领域技术人员在考虑说明书及实践这里公开的实施方式后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、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申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。

应当理解的是，本申请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。本申请的范围仅由所附的权利要求来限制。

Claims (10)

1.一种基于区块链的驾驶行为检测方法，应用于区块链网络中的区块链节点，其特征在于，包括：

对监控设备节点上传至所述区块链网络中的车辆行驶信息进行提取，获得目标车辆标识所指示目标车辆的行驶数据；

根据所述行驶数据进行驾驶行为特征提取，获得所述目标车辆标识对应的驾驶行为特征向量；

根据所述驾驶行为特征向量进行概率预测处理，获得所述目标车辆标识对应的违规驾驶概率；

在所述区块链网络中同步所述目标车辆标识对应的违规驾驶概率，以使交通执法节点从所述区块链网络中获取所述违规驾驶概率，并根据所述违规驾驶概率生成对所述目标车辆实施检测处理的通知消息。

2.根据权利要求1所述的方法，其特征在于，所述对监控设备节点上传至所述区块链网络中的车辆行驶信息进行提取，获得目标车辆标识所指示目标车辆的行驶数据，包括：

获取各监控设备节点所采集并上传至所述区块链网络中的车辆行驶信息；

按照车辆标识信息对所述车辆行驶信息进行统计，并提取获得所述目标车辆标识所指示目标车辆在行驶期间内的行驶数据。

3.根据权利要求1所述的方法，其特征在于，所述行驶数据包括目标车辆在行驶期间内的行驶视频，所述根据所述行驶数据进行驾驶行为特征提取，获得与所述目标车辆标识对应的驾驶行为特征向量，包括：

根据设定的异常行驶参数对所述行驶视频中的目标车辆进行车辆行驶状态分析，获得目标车辆在所述行驶期间内的异常行驶状态信息；以及

根据所述行驶视频和所述行驶视频对应的采集信息，获得目标车辆在所述行驶期间内的停留信息，所述停留信息包括车辆停留位置和车辆停留时间；

根据所述异常行驶状态信息和所述停留信息生成所述目标车辆对应于所述行驶期间的驾驶行为特征向量。

4.根据权利要求3所述的方法，其特征在于，所述异常行驶状态信息包括异常行驶状态的频率和/或异常行驶状态的次数，所述异常行驶状态包括行驶轨迹异常和/或车速稳定性异常，所述设定的异常行驶参数包括预设异常轨迹和/或预设车速稳定参数；

所述根据设定的异常行驶参数对所述行驶视频中的目标车辆进行车辆行驶状态分析，获得目标车辆在所述行驶期间内的异常行驶状态信息，包括：

对于目标车辆在所述行驶期间内的各行驶视频，根据预设异常轨迹判断所述行驶视频中目标车辆的行驶轨迹是否为异常，和/或，根据预设车速稳定参数判断所述行驶视频中目标车辆的车速稳定性是否为异常；

根据在所述行驶期间内目标车辆被确认为异常行驶状态的视频数量，计算得到异常行驶状态的频率和/或异常行驶状态的次数。

5.根据权利要求4所述的方法，其特征在于，所述根据预设异常轨迹判断所述行驶视频中目标车辆的行驶轨迹是否为异常，包括：

提取所述行驶视频中目标车辆的行驶轨迹；

将所述行驶轨迹与预设异常轨迹进行相似性计算，获得所述行驶轨迹与预设异常轨迹的相似度；

根据所述相似度确认所述行驶轨迹是否为异常。

6.根据权利要求4所述的方法，其特征在于，所述根据预设车速稳定参数判断所述行驶视频中目标车辆的车速稳定性是否为异常，包括：

按照设定的行驶时间间隔对所述行驶视频中目标车辆的行驶轨迹进行分段，并计算各行驶时间间隔内的行驶路程；

根据所述行驶路程计算相邻行驶时间间隔对应的行驶路程差；

根据所述行驶路程差计算得到车速稳定参数；

对比所述车速稳定参数和预设车速稳定参数，以确认所述行驶视频中目标车辆的车速稳定性是否为异常。

7.根据权利要求4所述的方法，其特征在于，所述根据所述异常行驶状态信息和所述停留信息生成所述目标车辆对应于所述行驶期间的驾驶行为特征向量，包括：

根据在所述行驶期间内确认为异常行驶状态的行驶视频所对应的采集时间，以及所述目标车辆在所述行驶期间的起始行驶时间，计算得到所述采集时间与所述起始行驶时间之间的时间间隔；

根据所述异常行驶状态的频率、所述异常行驶状态的次数、所述时间间隔、所述目标车辆在所述行驶期间的停留位置生成所述驾驶行为特征向量。

8.根据权利要求1所述的方法，其特征在于，通过违规预测模型来根据目标车辆的驾驶行为特征向量进行违规驾驶概率的预测，所述根据所述驾驶行为特征向量进行概率预测处理，获得与所述目标车辆标识对应的违规驾驶概率之前，所述方法还包括:

从所述区块链网络中获取交通执法节点上报的违规检查结果，所述违规检查结果指示了所对应车辆是否为违规驾驶；

根据所述违规检查结果中包含的指定行驶期间和指定车辆的信息，从所述区块链网络中匹配获得所述指定车辆在所述指定行驶期间内的驾驶行为特征向量，所匹配获得的驾驶行为特征向量作为训练样本；

根据所述训练样本和所对应的违规检查结果对预构建的模型进行训练，获得所述违规预测模型，所述违规检查结果用于配置所对应训练样本的违规标签。

9.根据权利要求8所述的方法，其特征在于，所述述违规预测模型携带时间戳，所述根据所述训练样本和所对应的违规检查结果对预构建的模型进行训练，获得所述违规预测模型之后，所述方法还包括：

获取所述区块链网络中其他区块链节点所生成的违规预测模型；

根据各违规预测模型所分别携带的时间戳，确定所述区块链网络中最新生成的违规预测模型；

将所述最新生成的违规预测模型同步至所述区块链网络中，以通过所述最新生成的违规预测模型预测车辆的违规驾驶概率。

10.一种基于区块链的驾驶行为检测装置，应用于区块链网络中的区块链节点，其特征在于，包括：

统计模块，用于对监控设备节点上传至所述区块链网络中的车辆行驶信息进行提取，获得目标车辆标识所指示目标车辆的行驶数据；

特征提取模块，用于根据所述行驶数据进行驾驶行为特征提取，获得所述目标车辆标识对应的驾驶行为特征向量；

概率预测模块，用于根据所述驾驶行为特征向量进行概率预测处理，获得所述目标车辆标识对应的违规驾驶概率；

同步模块，用于在所述区块链网络中同步所述目标车辆标识对应的违规驾驶概率，以使交通执法节点从所述区块链网络中获取所述违规驾驶概率，并根据所述违规驾驶概率生成对所述目标车辆实施检测处理的通知消息。