CN110737688B - 驾驶数据分析方法、装置、电子设备和计算机存储介质 - Google Patents

驾驶数据分析方法、装置、电子设备和计算机存储介质 Download PDF

Info

Publication number
CN110737688B
CN110737688B CN201910945671.8A CN201910945671A CN110737688B CN 110737688 B CN110737688 B CN 110737688B CN 201910945671 A CN201910945671 A CN 201910945671A CN 110737688 B CN110737688 B CN 110737688B
Authority
CN
China
Prior art keywords
driver
vehicle
data
driving data
driving
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
Application number
CN201910945671.8A
Other languages
English (en)
Other versions
CN110737688A (zh
Inventor
张胜
彭明星
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Sensetime Lingang Intelligent Technology Co Ltd
Original Assignee
Shanghai Sensetime Lingang Intelligent Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Sensetime Lingang Intelligent Technology Co Ltd filed Critical Shanghai Sensetime Lingang Intelligent Technology Co Ltd
Priority to CN201910945671.8A priority Critical patent/CN110737688B/zh
Publication of CN110737688A publication Critical patent/CN110737688A/zh
Priority to PCT/CN2020/092603 priority patent/WO2021063005A1/zh
Priority to KR1020217030885A priority patent/KR20210129190A/ko
Priority to JP2021556962A priority patent/JP2022526509A/ja
Application granted granted Critical
Publication of CN110737688B publication Critical patent/CN110737688B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7837—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content
    • G06F16/784—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content the detected or recognised objects being people
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Library & Information Science (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本实施例公开了一种驾驶数据分析方法、装置、电子设备和计算机存储介质，该方法包括：接收驾驶员数据分析请求，所述驾驶员数据分析请求包括请求分析的脸部特征；在数据库中确定与所述脸部特征匹配的驾驶员脸部特征，所述数据库存储有驾驶员脸部特征和驾驶数据之间的对应关系；获取所述数据库中与确定的驾驶员脸部特征对应的驾驶数据；分析获取的所述驾驶数据，得到与所述驾驶员脸部特征对应的驾驶员评估结果。

Description

驾驶数据分析方法、装置、电子设备和计算机存储介质
技术领域
本公开涉及车辆系统的数据分析技术，尤其涉及一种驾驶数据分析方法、装置、电子设备和计算机存储介质。
背景技术
车辆出行在我们生活中已经非常普及。无论是企业内部运营的车队，还是面向公众的普遍客运服务的车队，通常涉及到多个驾驶员，需要对驾驶员实行准人管理，以保证交通安全和服务质量。此外，除了交通行业之外的保险等行业，也需要对每个驾驶员进行评估报备，以确定相应的投保策略。
发明内容
本公开实施例期望提供驾驶数据分析的技术方案。
本公开实施例提供了一种驾驶数据分析方法，所述方法包括：
接收驾驶员数据分析请求，所述驾驶员数据分析请求包括请求分析的脸部特征；
在数据库中确定与所述脸部特征匹配的驾驶员脸部特征，所述数据库存储有驾驶员脸部特征和驾驶数据之间的对应关系；
获取所述数据库中与确定的驾驶员脸部特征对应的驾驶数据；
分析获取的所述驾驶数据，得到与所述驾驶员脸部特征对应的驾驶员评估结果。
可选地，所述分析获取的所述驾驶数据，得到所述驾驶员的评估结果，包括：
根据所述驾驶数据确定行车行为的危险等级；
根据预先确定的危险等级和评估权重之间的映射关系，获取与确定的危险等级对应的评估权重；
根据确定的危险等级及其对应的评估权重，确定与所述驾驶员脸部特征对应的驾驶员评估结果。
可选地，所述驾驶数据包括驾驶员行为数据和/或车辆行驶数据，所述驾驶员行为数据包括以下至少之一：打哈欠、打电话、喝水、抽烟、化妆、驾驶员不在驾驶位置；所述车辆行驶数据包括以下至少之一：车道偏离预警、前向碰撞预警、超速预警、车辆前方出现行人、后向碰撞预警、车辆前方障碍物预警。
可选地，所述获取所述数据库中与确定的驾驶员脸部特征对应的驾驶数据之前，还包括：
接收车辆上设置的车载设备发送的驾驶数据和驾驶员脸部特征；
在数据库中建立接收到的驾驶员脸部特征和接收到的驾驶数据之间的对应关系，或者，在数据库中建立和接收到的驾驶员脸部特征匹配的驾驶员脸部特征与接收到的驾驶数据之间的对应关系。
可选地，所述根据所述驾驶数据确定行车行为的危险等级，包括：
确定所述驾驶数据的可信度；
根据确定为可信的驾驶数据或者所述可信度超过设定阈值的驾驶数据，确定所述行车行为的危险等级。
可选地，所述驾驶数据包括车辆行驶数据，所述车辆行驶数据包括车辆行驶地理位置信息和车辆行驶时间信息；
确定所述驾驶数据的可信度，包括：
获取所述车辆行驶时间信息和所述车辆行驶地理位置信息对应的天气状况信息和/或交通状况信息；
根据所述天气状况信息和/或所述交通状况信息确定所述驾驶数据的可信度。
可选地，所述获取所述车辆行驶时间信息和所述车辆行驶地理位置信息对应的天气状况信息，包括：
向提供天气服务的第一服务器发送第一查询请求，所述第一查询请求用于查询所述车辆行驶时间信息和所述车辆行驶地理位置信息的天气状况信息；
接收所述第一服务器发送的所述天气状况信息。
可选地，获取所述车辆行驶时间信息和所述车辆行驶地理位置信息对应的交通状况信息，包括：
向提供交通状况信息的第二服务器发送第二查询请求，所述第二查询请求用于查询所述车辆行驶时间信息和所述车辆行驶地理位置信息的交通状况信息；
接收所述第二服务器发送的所述交通状况信息。
可选地，所述驾驶数据包括驾驶员行为数据以及所述驾驶员行为数据获取时对应的驾驶员图像；
确定所述驾驶数据的可信度，包括：
根据所述驾驶员图像确定所述驾驶员行为数据的可信度。
可选地，所述驾驶员脸部特征是从驾驶员脸部图像提取的特征。
可选地，所述数据库中还预先建立有驾驶员脸部特征和车队标识之间的映射关系，所述方法还包括：
根据所述映射关系，确定对应相同车队标识的至少二个驾驶员脸部特征；
根据所述至少二个驾驶员脸部特征中各驾驶员脸部特征对应的驾驶员评估结果，得到车队评估结果。
本公开实施例还提供了一种驾驶数据分析装置，所述装置包括接收模块、第一处理模块、获取模块和第二处理模块，其中，
接收模块，用于接收驾驶员数据分析请求，所述驾驶员数据分析请求包括请求分析的脸部特征；
第一处理模块，用于在数据库中确定与所述脸部特征匹配的驾驶员脸部特征，所述数据库存储有驾驶员脸部特征和驾驶数据之间的对应关系；
获取模块，用于获取所述数据库中与确定的驾驶员脸部特征对应的驾驶数据；
第二处理模块，用于分析获取的所述驾驶数据，得到与所述驾驶员脸部特征对应的驾驶员评估结果。
可选地，所述第二处理模块，用于根据所述驾驶数据确定行车行为的危险等级；根据预先确定的危险等级和评估权重之间的映射关系，获取与确定的危险等级对应的评估权重；根据确定的危险等级及其对应的评估权重，确定与所述驾驶员脸部特征对应的驾驶员评估结果。
可选地，所述驾驶数据包括驾驶员行为数据和/或车辆行驶数据，所述驾驶员行为数据包括以下至少之一：打哈欠、打电话、喝水、抽烟、化妆、驾驶员不在驾驶位置；所述车辆行驶数据包括以下至少之一：车道偏离预警、前向碰撞预警、超速预警、车辆前方出现行人、后向碰撞预警、车辆前方障碍物预警。
可选地，所述第一处理模块，还用于接收车辆上设置的车载设备发送的驾驶数据和驾驶员脸部特征；在数据库中建立接收到的驾驶员脸部特征和接收到的驾驶数据之间的对应关系，或者，在数据库中建立和接收到的驾驶员脸部特征匹配的驾驶员脸部特征与接收到的驾驶数据之间的对应关系。
可选地，所述第二处理模块，用于确定所述驾驶数据的可信度；根据确定为可信的驾驶数据或者所述可信度超过设定阈值的驾驶数据，确定所述行车行为的危险等级。
可选地，所述驾驶数据包括车辆行驶数据，所述车辆行驶数据包括车辆行驶地理位置信息和车辆行驶时间信息；所述第二处理模块，用于获取所述车辆行驶时间信息和所述车辆行驶地理位置信息对应的天气状况信息和/或交通状况信息；根据所述天气状况信息和/或所述交通状况信息确定所述驾驶数据的可信度。
可选地，所述第二处理模块，用于：
向提供天气服务的第一服务器发送第一查询请求，所述第一查询请求用于查询所述车辆行驶时间信息和所述车辆行驶地理位置信息的天气状况信息；
接收所述第一服务器发送的所述天气状况信息。
可选地，所述第二处理模块，用于：
向提供交通状况信息的第二服务器发送第二查询请求，所述第二查询请求用于查询所述车辆行驶时间信息和所述车辆行驶地理位置信息的交通状况信息；
接收所述第二服务器发送的所述交通状况信息。
可选地，所述驾驶数据包括驾驶员行为数据以及所述驾驶员行为数据获取时对应的驾驶员图像；所述第二处理模块，用于根据所述驾驶员图像确定所述驾驶员行为数据的可信度。
可选地，所述驾驶员脸部特征是从驾驶员脸部图像提取的特征。
可选地，所述数据库中还预先建立有驾驶员脸部特征和车队标识之间的映射关系；所述第二处理模块，还用于根据所述映射关系，确定对应相同车队标识的至少二个驾驶员脸部特征；根据所述至少二个驾驶员脸部特征中各驾驶员脸部特征对应的驾驶员评估结果，得到车队评估结果。
本公开实施例还提供了一种电子设备，包括处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，
所述处理器用于运行所述计算机程序以执行上述任意一种驾驶数据分析方法。
本公开实施例还提供了一种计算机存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任意一种驾驶数据分析方法。
本公开实施例提出的驾驶数据分析方法、装置、电子设备和计算机存储介质中，接收驾驶员数据分析请求，所述驾驶员数据分析请求包括请求分析的脸部特征；在数据库中确定与所述脸部特征匹配的驾驶员脸部特征，所述数据库存储有驾驶员脸部特征和驾驶数据之间的对应关系；获取所述数据库中与确定的驾驶员脸部特征对应的驾驶数据；分析获取的所述驾驶数据，得到与所述驾驶员脸部特征对应的驾驶员评估结果。如此，在本公开实施例中，可以根据驾驶员脸部特征，确定出与驾驶员脸部特征对应的驾驶数据，进而进行数据分析；可以从驾驶员的角度，对驾驶员相关的驾驶数据进行分析，进而可以实现对驾驶员驾驶行为的准确评估，以为驾驶员管理、车队管理、保险管理等应用场景提供更为准确的驾驶员评估数据。
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，而非限制本公开。
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，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1为本公开实施例的驾驶数据分析方法的流程图；
图2为本公开实施例中报警数据统计结果示意图；
图3为本公开实施例的一个应用场景结构示意图；
图4为本公开实施例的驾驶数据分析装置的组成结构示意图；
图5为本公开实施例的电子设备的结构示意图。
具体实施方式
以下结合附图及实施例，对本公开进行进一步详细说明。应当理解，此处所提供的实施例仅仅用以解释本公开，并不用于限定本公开。另外，以下所提供的实施例是用于实施本公开的部分实施例，而非提供实施本公开的全部实施例，在不冲突的情况下，本公开实施例记载的技术方案可以任意组合的方式实施。
需要说明的是，在本公开实施例中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的方法或者装置不仅包括所明确记载的要素，而且还包括没有明确列出的其他要素，或者是还包括为实施方法或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括该要素的方法或者装置中还存在另外的相关要素(例如方法中的步骤或者装置中的单元，例如的单元可以是部分电路、部分处理器、部分程序或软件等等)。
例如，本公开实施例提供的驾驶数据分析方法包含了一系列的步骤，但是本公开实施例提供的驾驶数据分析方法不限于所记载的步骤，同样地，本公开实施例提供的驾驶数据分析装置包括了一系列模块，但是本公开实施例提供的装置不限于包括所明确记载的模块，还可以包括为获取相关信息、或基于信息进行处理时所需要设置的模块。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
本公开实施例的应用场景可以是车载设备和云平台组成的计算机系统中，并可以与众多其它通用或专用计算系统环境或配置一起操作。这里，车载设备可以是安装在车辆上的驾驶员监控系统(Driver Monitor System，DMS)、高级辅助驾驶系统(AdvancedDriving Assistant System，ADAS)或其他设备，云平台可以是包括小型计算机系统或大型计算机系统的分布式云计算技术环境，等等。
车载设备、云平台等可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。在云平台中，任务是由通过通信网络链接的远程处理设备执行的。在云平台中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
这里，车载设备可以与车辆的传感器、定位装置等形成连接，可以获取车辆的传感器采集的数据、以及定位装置上报的地理位置信息等；车辆的传感器可以是毫米波雷达、激光雷达、摄像头等装置中的至少一种；定位装置可以是基于以下至少一种定位系统的用于提供定位服务的装置：全球定位系统(Global Positioning System，GPS)、北斗卫星导航系统或伽利略卫星导航系统。
在本公开的一些实施例中，提出了一种驾驶数据分析方法，本公开实施例可以应用于驾驶行为分析、车辆运营管理、驾驶员管理、商业行为分析等领域。
本公开实施例的驾驶数据分析方法可以应用于与车载设备形成通信连接的云平台中。
图1为本公开实施例的驾驶数据分析方法的流程图，如图1所示，该流程可以包括：
步骤101：接收驾驶员数据分析请求，驾驶员数据分析请求包括请求分析的脸部特征。
本公开实施例中，请求分析的脸部特征可以是从驾驶员脸部图像提取的特征；在实际应用中，车载设备或第三方设备在获取到驾驶员图像后，可以采用人脸识别算法从驾驶员脸部中提取出驾驶员脸部特征；第三方设备可以是提供第三方服务的外部设备，外部设备可以与云平台形成通信连接；外部设备可以是计算机等电子设备。本公开实施例并不对第三方服务的种类进行限定，示例性地，第三方服务可以是商业分析服务、校车服务或其它第三方服务。本公开实施例中，并不对人脸识别算法的种类进行限定。
在实际应用中，车载设备或第三方设备在获取驾驶员脸部特征后，可以生成驾驶员数据分析请求，并向云平台发送驾驶员数据分析请求。
步骤102：在数据库中确定与请求分析的脸部特征匹配的驾驶员脸部特征，数据库存储有驾驶员脸部特征和驾驶数据之间的对应关系。
这里，数据库在云平台中预先建立；在实际实施时，车辆上设置的车载设备可以向云平台发送驾驶数据和驾驶员脸部特征；云平台可以根据接收到的驾驶数据和驾驶员脸部特征，建立驾驶员脸部特征和驾驶数据之间的对应关系，由于驾驶员脸部特征不易伪造，基于驾驶员脸部特征建立其与待分析的驾驶数据之间的关系，有利于提高分析结果的准确性和不易篡改性。
在实际应用中，在数据库中建立驾驶员脸部特征和驾驶数据之间的对应关系后，如果云平台接收到请求分析的脸部特征；则可以通过特征比对，在数据库中确定与请求分析的脸部特征匹配的驾驶员脸部特征。
步骤103：获取数据库中与确定的驾驶员脸部特征对应的驾驶数据。
在实际应用中，在确定驾驶员脸部特征后，可以根据数据库中存储的对应关系，获取与确定的驾驶员脸部特征对应的驾驶数据。
步骤104：分析获取的所述驾驶数据，得到与所述驾驶员脸部特征对应的驾驶员评估结果。
这里，对驾驶数据的分析可以是对驾驶员行车行为的安全性进行分析，也就是说，得到的驾驶员评估结果可以表征驾驶员行车行为的安全性；需要说明的是，上述内容仅仅是对驾驶数据分析进行了示例性说明，本公开实施例中，驾驶数据分析的内容并不局限于此。
在实际应用中，步骤101至步骤104可以基于云平台的处理器等实现，上述处理器可以为特定用途集成电路(Application Specific Integrated Circuit，ASIC)、数字信号处理器(Digital Signal Processor，DSP)、数字信号处理装置(Digital SignalProcessing Device，DSPD)、可编程逻辑装置(Programmable Logic Device，PLD)、现场可编程门阵列(Field Programmable Gate Array，FPGA)、中央处理器(Central ProcessingUnit，CPU)、控制器、微控制器、微处理器中的至少一种。
可以看出，在本公开实施例中，可以根据驾驶员脸部特征，确定出与驾驶员脸部特征对应的驾驶数据，进而进行数据分析；可以从驾驶员的角度，对驾驶员相关的驾驶数据进行分析，进而可以实现对驾驶员驾驶行为的准确评估，以为驾驶员管理、车队管理、保险管理等应用场景提供更为准确的驾驶员评估数据。
进一步地，在车载设备向云平台发送驾驶员数据分析请求的情况下，请求分析的脸部特征是从车载摄像头拍摄的驾驶员图像中提取出的特征，因而，基于请求分析的脸部特征获取驾驶数据并进行分析，可以针对车辆实际的驾驶员，进行准确的行为评估，即，分析得出的驾驶员评估结果可以反映车辆当前驾驶员的驾驶行为。
可选地，驾驶数据可以包括驾驶员行为数据和/或车辆行驶数据；驾驶员行为数据包括以下至少之一：打哈欠、打电话、喝水、抽烟、化妆、驾驶员不在驾驶位置；车辆行驶数据包括以下至少之一：车道偏离预警、前向碰撞预警、超速预警、车辆前方出现行人、后向碰撞预警、车辆前方障碍物预警；也就是说，驾驶员行为数据和车辆行驶数据均可以是报警数据；需要说明的是，上述内容仅仅是对驾驶员行为数据和车辆行驶数据进行了示例性说明，本公开实施例中，驾驶员行为数据和车辆行驶数据并不局限于此。
实际实施时，DMS可以在获取驾驶员行为数据后，向云平台发送驾驶员行为数据；ADAS可以在获取车辆行驶数据后，向云平台发送车辆行驶数据；DMS可以设置在车辆上，DMS包括镜头朝向车舱内的车载摄像头，DMS可以对车载摄像头拍摄到的驾驶员图像进行分析，根据分析结果确定驾驶员行为是需要报警的行为时，可以生成上述驾驶员行为数据，驾驶员行为数据表示需要报警的行为，例如，可以是打哈欠、打电话、喝水、抽烟、化妆等；ADAS设置在车辆上，ADAS可以包括安装在车辆上但镜头朝向车外的摄像头，ADAS可以根据摄像头采集的车外环境图像进行分析，根据分析结果确定车辆行驶行为是需要报警的行为时，可以生成上述车辆行驶数据，车辆行驶数据表示需要报警的车辆行驶行为，例如，可以是车道偏离、前向碰撞、超速、车辆前方出现行人等。
可以理解地，由于驾驶员脸部特征反映了一个驾驶员特有的生物特征，因而，在本公开实施例中，通过将驾驶员脸部特征与与驾驶数据建立对应关系，可以筛选出同一个驾驶员的驾驶员行为数据和/或车辆行驶数据，实现对同一个驾驶员的驾驶员行为数据和/或车辆行驶数据进行分析，即，能够单独针对每个驾驶员进行数据分析，有利于了解每个驾驶员的行车行为。进一步地，在车载设备向云平台发送驾驶员数据分析请求的情况下，请求分析的脸部特征是从车载摄像头拍摄的驾驶员图像中提取出的特征，因而，基于请求分析的脸部特征获取驾驶员行为数据和/或车辆行驶数据，并进行分析，可以针对车辆实际的驾驶员，进行准确的行为评估，即，分析得出的驾驶员评估结果可以反映车辆当前驾驶员的驾驶行为。
在驾驶数据包括驾驶员行为数据和车辆行驶数据的情况下，可以综合考虑同一个驾驶员的驾驶行为和车辆行驶行为，能够更加全面地分析同一个驾驶员的行为，分析结果更加客观和准确。
可选地，车载设备可以将驾驶数据和驾驶员脸部特征一同发送至云平台；示例性地，DMS可以将驾驶员数据和驾驶员脸部特征一同发送至云平台，ADAS可以将车辆数据和驾驶员脸部特征一同发送至云平台；这里，驾驶员数据可以包括驾驶员行为数据，车辆数据包括车辆行驶数据。
在一个示例中，云平台在接收到DMS发送的驾驶员行为数据和驾驶员脸部特征，并接收到ADAS发送的车辆行驶数据和驾驶员脸部特征；可以对DMS和ADAS发送的驾驶员脸部特征进行比对，将比对成功的驾驶员脸部特征对应的驾驶员行为数据和车辆行驶数据进行关联，得到包括驾驶员行为数据和车辆行驶数据的驾驶数据。
在另一个示例中，驾驶员数据还包括DMS的第一设备标识，车辆数据还包括ADAS的第二标识，这里，DMS设备的第一设备标识可以是DMS的ID或DMS的其它标识信息，ADAS的第二设备标识可以是是ADAS的ID或ADAS的其它标识信息。
云平台在接收到驾驶员数据和车辆数据后，可以根据数据库中建立的设备标识和车辆标识之间的第一映射关系，分别确定第一设备标识和第二设备标识各自对应的车辆标识。
本公开实施例中，车辆标识可以是车辆的车牌号或其它标识信息，DMS在向云平台发送驾驶员数据时，可以将车辆标识一并发送至云平台；ADAS在向云平台发送车辆数据时，可以将车辆标识一并发送至云平台。
在实际应用中，云平台在接收到DMS和ADAS发送的数据后，可以根据DMS发送的数据中携带的车辆标识、以及ADAS发送的数据中携带的车辆标识，在数据库中建立设备标识和车辆标识之间的对应关系，这里，设备标识和车辆标识之间的对应关系包括：第一设备标识和车辆标识之间的对应关系、以及第二设备标识与车辆标识之间的对应关系。
显然，在数据库中建立设备标识和车辆标识之间的对应关系之后，再接收到第一设备标识和第二设备标识时，可以根据该对应关系在数据库中查找到各自对应的车辆标识；响应于第一设备标识和第二设备标识对应于相同车辆标识，可以确定接收到的驾驶员行为数据和车辆行驶数据对应于相同车辆，此时，可以将接收到的驾驶员行为数据和车辆行驶数据进行关联，得到包括驾驶员行为数据和车辆行驶数据的驾驶数据。
本公开实施例中，云平台在接收到车载设备发送的驾驶数据和驾驶员脸部特征后，可以在数据库中建立接收到的驾驶员脸部特征和接收到的驾驶数据之间的对应关系；或者，可以在数据库中存储的驾驶员脸部特征中，先确定与接收到的驾驶员脸部特征匹配的驾驶员脸部特征，然后，在数据库中建立和接收到的驾驶员脸部特征匹配的驾驶员脸部特征与接收到的驾驶数据之间的对应关系。
可以理解地，通过在数据库中建立驾驶员脸部特征与驾驶数据的对应关系，便于在后续接收到驾驶员脸部特征后，确定出与驾驶员脸部特征对应的驾驶数据，进而有利于从驾驶员的角度，对驾驶员相关的驾驶数据进行分析，进而可以实现对驾驶员驾驶行为的准确评估。
对于分析获取的所述驾驶数据，得到驾驶员的评估结果的实现方式，示例性地，可以根据驾驶数据确定行车行为的危险等级；根据预先确定的危险等级和评估权重之间的映射关系，获取与确定的危险等级对应的评估权重；根据确定的危险等级及其对应的评估权重，确定与驾驶员脸部特征对应的驾驶员评估结果。
在实际实施时，可以预先划分行车行为的多个危险等级，针对每个危险等级设置相应的评估权重，每个危险等级对应的评估权重可以根据实际需求设置，不同危险等级对应的评估权重不同；在具体的示例中，对于重度危险行为，评估权重为-10，对于中度危险行为，评估权重为-5；对于轻度危险行为，评估权重为-2；对于单位时间内无危险行为的情况，评估权重为2。
本公开实施例中，在确定数据库中的驾驶数据后，可以确定驾驶数据表征的各种行车行为，进而，可以针对每种行车行为对应的危险等级，进行评分；然后，可以将各种行车行为对应的评分进行求和，得到驾驶员评估结果；驾驶员评估结果可以作为单位或个人绩效管理依据。在一个示例中，驾驶员评估结果的数值越高，说明驾驶员行车行为更安全。
可以理解地，各种行车行为的危险等级可以根据实际应用需求进行设置，因而，根据行车行为的危险等级确定驾驶员评估结果的方式，有利于得到准确的驾驶员评估结果，可以准确地评估驾驶员行车行为的安全性。
对于根据驾驶数据确定行车行为的危险等级的实现方式，示例性地，可以确定驾驶数据的可信度；根据确定为可信的驾驶数据或者可信度超过设定阈值的驾驶数据，确定行车行为的危险等级。
这里，设定阈值可以根据实际应用需求设置；在实际实施时，在确定驾驶数据的可信度后，根据驾驶数据的可信度，判断驾驶数据是否为可信的驾驶数据或者驾驶数据的可信度是否超过设定阈值，当驾驶数据为可信的驾驶数据或者驾驶数据的可信度超过设定阈值时，再根据驾驶数据确定行车行为的危险等级；当驾驶数据为不可信的驾驶数据或者驾驶数据的可信度未超过设定阈值时，不确定行车行为的危险等级。
可以理解地，本公开实施例中，在驾驶数据为可信的驾驶数据或者驾驶数据的可信度超过设定阈值的基础上，确定行车行为的危险等级，可以排除不可信或可信度较低的驾驶数据；具体地，在驾驶数据为报警数据时，通过引入对报警数据的再次确认处理机制，一定程度上可以减少车载设备误报、错报的概率，使得对报警数据的分析结果更为客观和可靠，进而，通过排除不可信或可信度较低的报警数据，有利于准确地评估驾驶员的驾驶行为，进而有利于准确评估行车行为的危险等级。
对于确定驾驶数据的可信度的实现方式，在一个示例中，驾驶数据包括车辆行驶数据，所述车辆行驶数据包括车辆行驶地理位置信息和车辆行驶时间信息；首先，可以获取车辆行驶时间信息和车辆行驶地理位置信息对应的天气状况信息和/或交通状况信息；然后，可以根据天气状况信息和/或交通状况信息确定驾驶数据的可信度。
本公开实施例中，车辆行驶地理位置信息用于表示车辆当前的地理位置，车辆行驶地理位置信息的表现形式可以是经纬度数据或其它种类的地理位置数据；在实际应用中，ADAS可以从车辆的定位装置中获取车辆行驶地理位置信息；车辆行驶时间信息表示发送车辆行驶数据的时间点；在ADAS将车辆行驶数据发送到云平台后，云平台可以获取车辆行驶时间信息和车辆行驶地理位置信息。
这里，天气状况信息包括但不限于下雨、下雪、晴天、夜晚、阴天等情况，交通状况信息包括但不限于上坡、下坡、转弯、道路平整、道路不平整、道路通畅、堵车、出现车祸等。
可以理解地，天气状况信息和/或交通状况信息是影响驾驶员行为的重要因素，因而，通过引入对报警数据的再次确认处理机制，一定程度上可以减少车载设备误报、错报的概率，使得对报警数据的分析结果更为客观和可靠，具体而言，在根据天气状况信息和/或交通状况信息确定驾驶数据的可信度，并根据驾驶数据的可信度确定行车行为的危险等级的情况下，通过排除不可信或可信度较低的报警数据，有利于准确地评估驾驶员的驾驶行为，进而有利于准确评估行车行为的危险等级。
本公开实施例中，在驾驶员行为数据为报警数据，和/或车辆行驶数据为报警数据时，DMS和/或ADAS可以将报警数据发送至云平台，云平台在接收到报警数据时，可以对报警数据进行核实和统计分析，参照图2为本公开实施例中报警数据统计结果示意图。
示例性地，云平台在接收到报警数据时，可以根据天气状况信息和/或交通状况信息对报警数据进行核实；在第一个具体的示例中，报警数据表示车辆超速时，如果交通状况信息表示车辆行驶当前位置出现堵车，则可以确定报警数据为不可信的数据；在第二个具体的示例中，报警数据表示车辆前方出向车祸时，如果交通状况信息表示车辆行驶当前位置未出现车祸，则可以确定报警数据为不可信的数据；在第三个具体的实例中，报警数据表示车道偏离时，如果交通状况信息表示车辆行驶当前位置所在区域存在交通管制，则可以确定报警数据的可信度较低，例如，可以将报警数据的可信度为低于设定值的可信度值。通过引入对报警数据的再次确认处理机制，一定程度上可以减少车载设备误报、错报的概率，使得对报警数据的分析结果更为客观和可靠。
图3为本公开实施例的一个应用场景结构示意图，参照图3，获取车辆行驶时间信息和车辆行驶地理位置信息对应的天气状况信息的一种实现方式可以是：云平台在接收到车载设备发送的车辆行驶时间信息和车辆行驶地理位置信息后，可以向提供天气服务的第一服务器发送第一查询请求，第一查询请求用于查询车辆行驶时间信息和所述车辆行驶地理位置信息的天气状况信息；第一服务器在接收到第一查询请求后，根据第一查询请求进行查询，得到对应的天气状况信息，然后可以向云平台发送天气状况信息；这样，云平台可以接收到第一服务器发送的天气状况信息。
参照图3，获取所车辆行驶时间信息和车辆行驶地理位置信息对应的交通状况信息的一种实现方式可以是：云平台在接收到车载设备发送的车辆行驶时间信息和车辆行驶地理位置信息后，可以向提供交通状况信息的第二服务器发送第二查询请求，第二查询请求用于查询车辆行驶时间信息和车辆行驶地理位置信息的交通状况信息；第二服务器在接收到第二查询请求后，根据第二查询请求进行查询，得到对应的交通状况信息，然后可以向云平台发送交通状况信息；这样，云平台可以接收到第二服务器发送的交通状况信息。
对于确定驾驶数据的可信度的实现方式，在另一个示例中，驾驶数据可以包括驾驶员行为数据以及驾驶员行为数据获取时对应的驾驶员图像；在这种情况下，可以根据驾驶员图像确定驾驶员行为数据的可信度。
在实际应用中，DMS可以实时采集驾驶员图像，在确定发送报警数据时，可以将报警数据和报警数据获取时对应的驾驶员图像发送至云平台。
可以理解地，车载设备DMS发送的驾驶员图像反映了真实的驾驶员状态，因而，通过引入对报警数据的再次确认处理机制，一定程度上可以减少车载设备误报、错报的概率，使得对报警数据的分析结果更为客观和可靠，具体而言，根据驾驶员图像确定报警数据的可信度，可以降低驾驶员行为数据的误判率，有利于准确地判断行车行为的危险等级。例如，车载设备上报的报警数据表示驾驶员出现打哈欠的疲劳驾驶状态，但是通过对车载设备联通报警数据一并上报的当时的驾驶员图像的分析，表明当时驾驶员并未打哈欠，则可以确定该条报警数据为不可信的驾驶数据，或者，确定该条报警数据的可信度较低，进而，通过排除不可信或可信度较低的报警数据，有利于准确地评估驾驶员的驾驶行为，进而有利于准确评估行车行为的危险等级。
可选地，数据库中还预先建立有驾驶员脸部特征和车队标识之间的映射关系，相应地，可以根据该映射关系，确定对应相同车队标识的至少二个驾驶员脸部特征；根据至少二个驾驶员脸部特征中各驾驶员脸部特征对应的驾驶员评估结果，得到车队评估结果。
在实际应用中，同一车载设备可以将驾驶员脸部特征和车辆所属车队的标识上传至云平台，这样，云平台可以根据同一车载设备发送的驾驶员脸部特征和车队标识，在数据库中建立驾驶员脸部特征和车队标识之间的映射关系。
可以理解地，在本公开实施例中，通过数据库中建立映射关系，可以确定同一车队的所有驾驶员的脸部特征，进一步地，结合各驾驶员脸部特征对应的驾驶员评估结果，可以得到同一车队的所有驾驶员对应的驾驶员评估结果，进而，能够单独针对每个车队的各驾驶员进行评估，有利于了解每个车队的驾驶员行为。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定
在前述实施例提出的驾驶数据分析方法的基础上，本公开实施例提出了一种驾驶数据分析装置。
图4为本公开实施例的驾驶数据分析装置的组成结构示意图，如图4所示，所述装置包括：接收模块401、第一处理模块402、获取模块403和第二处理模块404，其中，
接收模块401，用于接收驾驶员数据分析请求，所述驾驶员数据分析请求包括请求分析的脸部特征；
第一处理模块402，用于在数据库中确定与所述脸部特征匹配的驾驶员脸部特征，所述数据库存储有驾驶员脸部特征和驾驶数据之间的对应关系；
获取模块403，用于获取所述数据库中与确定的驾驶员脸部特征对应的驾驶数据；
第二处理模块404，用于分析获取的所述驾驶数据，得到与所述驾驶员脸部特征对应的驾驶员评估结果。
可选地，所述第二处理模块404，用于根据所述驾驶数据确定行车行为的危险等级；根据预先确定的危险等级和评估权重之间的映射关系，获取与确定的危险等级对应的评估权重；根据确定的危险等级及其对应的评估权重，确定与所述驾驶员脸部特征对应的驾驶员评估结果。
可选地，所述驾驶数据包括驾驶员行为数据和/或车辆行驶数据，所述驾驶员行为数据包括以下至少之一：打哈欠、打电话、喝水、抽烟、化妆、驾驶员不在驾驶位置；所述车辆行驶数据包括以下至少之一：车道偏离预警、前向碰撞预警、超速预警、车辆前方出现行人、后向碰撞预警、车辆前方障碍物预警。
可选地，所述第一处理模块402，还用于接收车辆上设置的车载设备发送的驾驶数据和驾驶员脸部特征；在数据库中建立接收到的驾驶员脸部特征和接收到的驾驶数据之间的对应关系，或者，在数据库中建立和接收到的驾驶员脸部特征匹配的驾驶员脸部特征与接收到的驾驶数据之间的对应关系。
可选地，所述第二处理模块404，用于确定所述驾驶数据的可信度；根据确定为可信的驾驶数据或者所述可信度超过设定阈值的驾驶数据，确定所述行车行为的危险等级。
可选地，所述驾驶数据包括车辆行驶数据，所述车辆行驶数据包括车辆行驶地理位置信息和车辆行驶时间信息；所述第二处理模块404，用于获取所述车辆行驶时间信息和所述车辆行驶地理位置信息对应的天气状况信息和/或交通状况信息；根据所述天气状况信息和/或所述交通状况信息确定所述驾驶数据的可信度。
可选地，所述第二处理模块404，用于：
向提供天气服务的第一服务器发送第一查询请求，所述第一查询请求用于查询所述车辆行驶时间信息和所述车辆行驶地理位置信息的天气状况信息；
接收所述第一服务器发送的所述天气状况信息。
可选地，所述第二处理模块404，用于：
向提供交通状况信息的第二服务器发送第二查询请求，所述第二查询请求用于查询所述车辆行驶时间信息和所述车辆行驶地理位置信息的交通状况信息；
接收所述第二服务器发送的所述交通状况信息。
可选地，所述驾驶数据包括驾驶员行为数据以及所述驾驶员行为数据获取时对应的驾驶员图像；所述第二处理模块404，用于根据所述驾驶员图像确定所述驾驶员行为数据的可信度。
可选地，所述驾驶员脸部特征是从驾驶员脸部图像提取的特征。
可选地，所述数据库中还预先建立有驾驶员脸部特征和车队标识之间的映射关系；所述第二处理模块404，还用于根据所述映射关系，确定对应相同车队标识的至少二个驾驶员脸部特征；根据所述至少二个驾驶员脸部特征中各驾驶员脸部特征对应的驾驶员评估结果，得到车队评估结果。
在实际应用中，接收模块401、第一处理模块402、获取模块403和第二处理模块404均可以利用车载数据终端或云平台中的处理器实现，上述处理器可以为ASIC、DSP、DSPD、PLD、FPGA、CPU、控制器、微控制器、微处理器中的至少一种。
另外，在本实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时，可以存储在一个计算机可读取存储介质中，基于这样的理解，本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或processor(处理器)执行本实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
具体来讲，本实施例中的一种驾驶数据分析方法对应的计算机程序指令可以被存储在光盘，硬盘，U盘等存储介质上，当存储介质中的与一种驾驶数据分析方法对应的计算机程序指令被一电子设备读取或被执行时，实现前述实施例的任意一种驾驶数据分析方法。
基于前述实施例相同的技术构思，参见图5，其示出了本公开实施例提供的一种电子设备50，可以包括：存储器51和处理器52；其中，
所述存储器51，用于存储计算机程序和数据；
所述处理器52，用于执行所述存储器中存储的计算机程序，以实现前述实施例的任意一种数据分析方法。
在实际应用中，上述存储器51可以是易失性存储器(volatile memory)，例如RAM；或者非易失性存储器(non-volatile memory)，例如ROM，快闪存储器(flash memory)，硬盘(Hard Disk Drive，HDD)或固态硬盘(Solid-State Drive，SSD)；或者上述种类的存储器的组合，并向处理器52提供指令和数据。
上述处理器52可以为ASIC、DSP、DSPD、PLD、FPGA、CPU、控制器、微控制器、微处理器中的至少一种。可以理解地，对于不同的设备，用于实现上述处理器功能的电子器件还可以为其它，本公开实施例不作具体限定。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述
本申请所提供的各方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。
本申请所提供的各产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。
本申请所提供的各方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (16)

1.一种驾驶数据分析方法，包括：
接收驾驶员数据分析请求，所述驾驶员数据分析请求包括请求分析的脸部特征；
在数据库中确定与所述脸部特征匹配的驾驶员脸部特征，所述数据库存储有驾驶员脸部特征和驾驶数据之间的对应关系；
获取所述数据库中与确定的驾驶员脸部特征对应的驾驶数据；
确定所述驾驶数据的可信度；根据确定为可信的驾驶数据或者所述可信度超过设定阈值的驾驶数据，确定行车行为的危险等级；
根据所述行车行为的危险等级及其对应的评估权重，确定与所述驾驶员脸部特征对应的驾驶员评估结果；
其中，所述驾驶数据包括车辆行驶数据，所述车辆行驶数据是由ADAS系统采集的，所述ADAS系统包括安装在车辆上镜头朝向车外的摄像头，所述车辆行驶数据包括车辆行驶地理位置信息和车辆行驶时间信息；所述确定所述驾驶数据的可信度，包括：获取所述车辆行驶时间信息和所述车辆行驶地理位置信息对应的天气状况信息和/或交通状况信息；根据所述天气状况信息和/或所述交通状况信息确定所述驾驶数据的可信度；
所述驾驶数据包括驾驶员行为数据以及所述驾驶员行为数据获取时对应的驾驶员图像，所述驾驶员数据和所述驾驶员行为数据获取时对应的驾驶员图像是由DMS系统采集的，所述DMS系统包括镜头朝向车舱内的车载摄像头；确定所述驾驶数据的可信度，包括：根据所述驾驶员图像确定所述驾驶员行为数据的可信度。
2.根据权利要求1所述的方法，其特征在于，所述驾驶数据包括驾驶员行为数据和/或车辆行驶数据，所述驾驶员行为数据包括以下至少之一：打哈欠、打电话、喝水、抽烟、化妆、驾驶员不在驾驶位置；所述车辆行驶数据包括以下至少之一：车道偏离预警、前向碰撞预警、超速预警、车辆前方出现行人、后向碰撞预警、车辆前方障碍物预警。
3.根据权利要求2所述的方法，其特征在于，所述获取所述数据库中与确定的驾驶员脸部特征对应的驾驶数据之前，还包括：
接收车辆上设置的车载设备发送的驾驶数据和驾驶员脸部特征；
在数据库中建立接收到的驾驶员脸部特征和接收到的驾驶数据之间的对应关系，或者，在数据库中建立和接收到的驾驶员脸部特征匹配的驾驶员脸部特征与接收到的驾驶数据之间的对应关系。
4.根据权利要求1所述的方法，其特征在于，所述获取所述车辆行驶时间信息和所述车辆行驶地理位置信息对应的天气状况信息，包括：
向提供天气服务的第一服务器发送第一查询请求，所述第一查询请求用于查询所述车辆行驶时间信息和所述车辆行驶地理位置信息的天气状况信息；
接收所述第一服务器发送的所述天气状况信息。
5.根据权利要求1所述的方法，其特征在于，获取所述车辆行驶时间信息和所述车辆行驶地理位置信息对应的交通状况信息，包括：
向提供交通状况信息的第二服务器发送第二查询请求，所述第二查询请求用于查询所述车辆行驶时间信息和所述车辆行驶地理位置信息的交通状况信息；
接收所述第二服务器发送的所述交通状况信息。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述驾驶员脸部特征是从驾驶员脸部图像提取的特征。
7.根据权利要求1至5任一项所述的方法，其特征在于，所述数据库中还预先建立有驾驶员脸部特征和车队标识之间的映射关系，所述方法还包括：
根据所述映射关系，确定对应相同车队标识的至少二个驾驶员脸部特征；
根据所述至少二个驾驶员脸部特征中各驾驶员脸部特征对应的驾驶员评估结果，得到车队评估结果。
8.一种驾驶数据分析装置，其特征在于，所述装置包括接收模块、第一处理模块、获取模块和第二处理模块，其中，
接收模块，用于接收驾驶员数据分析请求，所述驾驶员数据分析请求包括请求分析的脸部特征；
第一处理模块，用于在数据库中确定与所述脸部特征匹配的驾驶员脸部特征，所述数据库存储有驾驶员脸部特征和驾驶数据之间的对应关系；
获取模块，用于获取所述数据库中与确定的驾驶员脸部特征对应的驾驶数据；
第二处理模块，用于确定所述驾驶数据的可信度；根据确定为可信的驾驶数据或者所述可信度超过设定阈值的驾驶数据，确定行车行为的危险等级；
根据所述行车行为的危险等级及其对应的评估权重，确定与所述驾驶员脸部特征对应的驾驶员评估结果；
其中，所述驾驶数据包括车辆行驶数据，所述车辆行驶数据是由ADAS系统采集的，所述ADAS系统包括安装在车辆上镜头朝向车外的摄像头，所述车辆行驶数据包括车辆行驶地理位置信息和车辆行驶时间信息；所述第二处理模块，用于获取所述车辆行驶时间信息和所述车辆行驶地理位置信息对应的天气状况信息和/或交通状况信息；根据所述天气状况信息和/或所述交通状况信息确定所述驾驶数据的可信度；
所述驾驶数据包括驾驶员行为数据以及所述驾驶员行为数据获取时对应的驾驶员图像，所述驾驶员数据和所述驾驶员行为数据获取时对应的驾驶员图像是由DMS系统采集的，所述DMS系统包括镜头朝向车舱内的车载摄像头；所述第二处理模块，用于根据所述驾驶员图像确定所述驾驶员行为数据的可信度。
9.根据权利要求8所述的装置，其特征在于，所述驾驶数据包括驾驶员行为数据和/或车辆行驶数据，所述驾驶员行为数据包括以下至少之一：打哈欠、打电话、喝水、抽烟、化妆、驾驶员不在驾驶位置；所述车辆行驶数据包括以下至少之一：车道偏离预警、前向碰撞预警、超速预警、车辆前方出现行人、后向碰撞预警、车辆前方障碍物预警。
10.根据权利要求8所述的装置，其特征在于，所述第一处理模块，还用于接收车辆上设置的车载设备发送的驾驶数据和驾驶员脸部特征；在数据库中建立接收到的驾驶员脸部特征和接收到的驾驶数据之间的对应关系，或者，在数据库中建立和接收到的驾驶员脸部特征匹配的驾驶员脸部特征与接收到的驾驶数据之间的对应关系。
11.根据权利要求8所述的装置，其特征在于，所述第二处理模块，用于：
向提供天气服务的第一服务器发送第一查询请求，所述第一查询请求用于查询所述车辆行驶时间信息和所述车辆行驶地理位置信息的天气状况信息；
接收所述第一服务器发送的所述天气状况信息。
12.根据权利要求8所述的装置，其特征在于，所述第二处理模块，用于：
向提供交通状况信息的第二服务器发送第二查询请求，所述第二查询请求用于查询所述车辆行驶时间信息和所述车辆行驶地理位置信息的交通状况信息；
接收所述第二服务器发送的所述交通状况信息。
13.根据权利要求8至12任一项所述的装置，其特征在于，所述驾驶员脸部特征是从驾驶员脸部图像提取的特征。
14.根据权利要求8至12任一项所述的装置，其特征在于，所述数据库中还预先建立有驾驶员脸部特征和车队标识之间的映射关系；所述第二处理模块，还用于根据所述映射关系，确定对应相同车队标识的至少二个驾驶员脸部特征；根据所述至少二个驾驶员脸部特征中各驾驶员脸部特征对应的驾驶员评估结果，得到车队评估结果。
15.一种电子设备，其特征在于，包括处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，
所述处理器用于运行所述计算机程序以执行权利要求1至7任一项所述的方法。
16.一种计算机存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7任一项所述的方法。
CN201910945671.8A 2019-09-30 2019-09-30 驾驶数据分析方法、装置、电子设备和计算机存储介质 Active CN110737688B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201910945671.8A CN110737688B (zh) 2019-09-30 2019-09-30 驾驶数据分析方法、装置、电子设备和计算机存储介质
PCT/CN2020/092603 WO2021063005A1 (zh) 2019-09-30 2020-05-27 驾驶数据分析方法、装置、电子设备和计算机存储介质
KR1020217030885A KR20210129190A (ko) 2019-09-30 2020-05-27 운전 데이터 분석 방법, 장치, 전자 기기 및 컴퓨터 저장 매체
JP2021556962A JP2022526509A (ja) 2019-09-30 2020-05-27 運転データの分析方法、装置、電子機器およびコンピュータ記憶媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910945671.8A CN110737688B (zh) 2019-09-30 2019-09-30 驾驶数据分析方法、装置、电子设备和计算机存储介质

Publications (2)

Publication Number Publication Date
CN110737688A CN110737688A (zh) 2020-01-31
CN110737688B true CN110737688B (zh) 2023-04-07

Family

ID=69268577

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910945671.8A Active CN110737688B (zh) 2019-09-30 2019-09-30 驾驶数据分析方法、装置、电子设备和计算机存储介质

Country Status (4)

Country Link
JP (1) JP2022526509A (zh)
KR (1) KR20210129190A (zh)
CN (1) CN110737688B (zh)
WO (1) WO2021063005A1 (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110717436A (zh) * 2019-09-30 2020-01-21 上海商汤临港智能科技有限公司 数据分析方法、装置、电子设备和计算机存储介质
CN110737688B (zh) * 2019-09-30 2023-04-07 上海商汤临港智能科技有限公司 驾驶数据分析方法、装置、电子设备和计算机存储介质
CN113554370A (zh) * 2020-04-23 2021-10-26 中国石油化工股份有限公司 危化品运输车辆安全风险评估方法及装置
CN112132475A (zh) * 2020-09-27 2020-12-25 上海应用技术大学 司机驾驶安全绩效考核方法及系统
CN112398814B (zh) * 2020-10-26 2023-07-04 易显智能科技有限责任公司 一种基于大数据的驾驶行为数据防篡改方法及装置
CN113263993B (zh) * 2021-05-17 2023-08-15 深圳市元征科技股份有限公司 故障预警方法、装置、通信设备及存储介质
CN113506447B (zh) * 2021-08-16 2022-08-16 深圳市沅欣智能科技有限公司 一种基于物联网的园区智慧通行控制方法及相关装置
CN114095898A (zh) * 2021-11-04 2022-02-25 武汉极目智能技术有限公司 一种基于车联网运营控制中心的交互方法及系统
CN114274967B (zh) * 2021-12-30 2024-04-12 上海商汤临港智能科技有限公司 智能驾驶车辆的管理方法、装置、计算机设备及存储介质
CN115333938B (zh) * 2022-07-19 2024-03-26 岚图汽车科技有限公司 一种车辆安全防护控制方法及相关设备
CN115953858A (zh) * 2022-11-29 2023-04-11 摩尔线程智能科技(北京)有限责任公司 一种基于车载dms的驾驶评分方法、装置及电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104732785A (zh) * 2015-01-09 2015-06-24 杭州好好开车科技有限公司 一种驾驶行为分析和提醒的方法及系统
CN108438001A (zh) * 2018-03-15 2018-08-24 东南大学 一种基于时间序列聚类分析的异常驾驶行为判别方法
CN109002757A (zh) * 2018-06-04 2018-12-14 上海商汤智能科技有限公司 驾驶管理方法和系统、车载智能系统、电子设备、介质
CN109326134A (zh) * 2018-12-03 2019-02-12 北京远特科技股份有限公司 谨慎驾驶提醒方法及装置

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101211428A (zh) * 2006-12-27 2008-07-02 厦门雅迅网络股份有限公司 一种驾驶员习惯统计、分析方法
JP4941752B2 (ja) * 2007-08-15 2012-05-30 オムロン株式会社 運転支援装置および方法、並びに、プログラム
JP4995046B2 (ja) * 2007-11-21 2012-08-08 株式会社日立製作所 自動車保険料設定システム
CN105206052B (zh) * 2015-09-21 2018-05-11 张力 一种驾驶行为分析方法及设备
CN105894609A (zh) * 2015-11-11 2016-08-24 乐卡汽车智能科技（北京）有限公司 数据处理方法、装置及车险系统
CN105654753A (zh) * 2016-01-08 2016-06-08 北京乐驾科技有限公司 一种智能车载安全驾驶辅助方法及系统
JP6261637B2 (ja) * 2016-03-17 2018-01-17 ヤフー株式会社 保険条件決定装置、保険条件決定方法、およびプログラム
CN105930771A (zh) * 2016-04-13 2016-09-07 乐视控股（北京）有限公司 一种驾驶行为评分方法及装置
CN106297340A (zh) * 2016-08-17 2017-01-04 上海电机学院 一种行驶车辆安全监测预警系统与方法
CN109754595B (zh) * 2017-11-01 2022-02-01 阿里巴巴集团控股有限公司 车辆风险的评估方法、装置及接口设备
CN109523652B (zh) * 2018-09-29 2022-03-22 阿波罗智联(北京)科技有限公司 基于驾驶行为的保险的处理方法、装置、设备及存储介质
CN110737688B (zh) * 2019-09-30 2023-04-07 上海商汤临港智能科技有限公司 驾驶数据分析方法、装置、电子设备和计算机存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104732785A (zh) * 2015-01-09 2015-06-24 杭州好好开车科技有限公司 一种驾驶行为分析和提醒的方法及系统
CN108438001A (zh) * 2018-03-15 2018-08-24 东南大学 一种基于时间序列聚类分析的异常驾驶行为判别方法
CN109002757A (zh) * 2018-06-04 2018-12-14 上海商汤智能科技有限公司 驾驶管理方法和系统、车载智能系统、电子设备、介质
CN109326134A (zh) * 2018-12-03 2019-02-12 北京远特科技股份有限公司 谨慎驾驶提醒方法及装置

Also Published As

Publication number Publication date
JP2022526509A (ja) 2022-05-25
KR20210129190A (ko) 2021-10-27
WO2021063005A1 (zh) 2021-04-08
CN110737688A (zh) 2020-01-31

Similar Documents

Publication Publication Date Title
CN110737688B (zh) 驾驶数据分析方法、装置、电子设备和计算机存储介质
US20210343149A1 (en) Driving early warning method and apparatus, electronic device, and computer storage medium
US9583000B2 (en) Vehicle-based abnormal travel event detecting and reporting
US9786171B2 (en) Systems and methods for detecting and distributing hazard data by a vehicle
US20180197025A1 (en) Platform for acquiring driver behavior data
EP3895950B1 (en) Methods and systems for automated driving system monitoring and management
US11408739B2 (en) Location correction utilizing vehicle communication networks
US10629073B2 (en) Method, device and system for wrong-way driver detection
US20210339754A1 (en) Data analysis method and apparatus, electronic device and computer storage medium
WO2008001125A1 (en) Drive performance monitoring and enhancement
CN109360417B (zh) 一种基于区块链的危险驾驶行为辨识与推送方法及系统
US11741763B2 (en) Systems and methods for system generated damage analysis
JP2018018214A5 (zh)
US11335136B2 (en) Method for ascertaining illegal driving behavior by a vehicle
CN112785874A (zh) 信息处理装置、系统及方法以及非暂时性记录介质
US20210323577A1 (en) Methods and systems for managing an automated driving system of a vehicle
CN112785875B (zh) 信息处理装置、信息处理系统及方法以及记录介质
CN114724380B (zh) 车辆限速识别处理方法及装置、智能车载终端、车联网系统
CN114639262B (zh) 感知设备的状态检测方法、装置、计算机设备和存储介质
CN116132913A (zh) 车联网中车辆定位检测方法和系统、存储介质和电子装置
US20230186759A1 (en) Method, device and server for determining a speed limit on a road segment
CN115723776A (zh) 一种自动驾驶决策方法、装置、设备及存储介质
Galinski et al. Head-On Collision Avoidance Using V2X Communication
CN116416811A (zh) 路况预警方法、设备及存储介质
CN117690307A (zh) 交通事故通报系统及方法

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
GR01 Patent grant
GR01 Patent grant