发明内容
有鉴于此,本发明的主要目的在于提出一种危险驾驶行为识别与危险事件预测方法、装置及存储介质,用以解决现有技术中存在的对危险驾驶行为识别不够准确的技术问题。
第一方面,本发明实施例提供一种危险驾驶行为识别与危险事件预测方法,其中,所述方法包括:
获取所述车辆在指定的历史时间段内的历史行驶数据;
依据所述历史行驶数据,建立行驶数据与第一驾驶特征值之间的函数关系及求出各项危险驾驶特征值并预测当前时刻的第一特征值;
设所述历史行驶数据中的任意一条数据以矩阵形式表示为:
其中a
1、a
2、a
3依次为车辆行驶方向上的加速度即纵向加速度、垂直于所述车辆行驶方向的加速度即横向加速度、垂直于车平面的加速度即垂直加速度;g
1、g
2、g
3依次为航向角、横滚角、俯仰角;v为行车速度、angle为方向盘转角;
行驶数据与驾驶特征值之间的函数关系为:y=β0+xs*β1+ε,y为驾驶特征值,xs=|A|,β0为方程初始偏移量,β1为xs与y的相关系数,ε是分布于N(0,σ2)的随机变量。
由上述函数关系可知ε=y-β
0-x
s*β
1,进一步的分析n条历史数据中的第i条可得ε
i=y
i-β
0-x
is*β
1。记Q为n条历史数据的误差ε的平方之和,又知y
i和x
is,故Q是β
0和β
1的一个二元函数,将Q记为Q(β
0,β
1),
根据多元函数的极值原理求得β
0,β
1使得Q值最小;
实时采集车辆的动态行驶数据;
依据所述动态行驶数据计算出第一驾驶特征值并求出各项危险驾驶行为特征值;
计算所述预测的第一驾驶特征值与所述计算出的第一驾驶特征值的绝对差值,依据所述绝对差值与预设阈值比较,确定车辆当前是否存在危险驾驶行为,若存在危险行为则预测发生危险事件的概率。
优选地,所述比较所述危险驾驶特性值与所述驾驶行为特征值得出比较值,依据所述比较值与预设阈值比较,确定车辆当前是否处于危险驾驶行为,并预测发生危险事件的概率包括:
将所述危险驾驶特性值与所述驾驶行为特征值进行差值运算,获取差值;
对所述差值取绝对值与所述预设阈值进行比较;
当所述绝对值大于等于所述预设阈值时,判断当前处于危险驾驶行为,预测发生危险事件的概率高;
当所述绝对值小于所述预设阈值时,判断当前未处于危险驾驶行为,预测发生危险事件的概率小。
优选地,所述采集车辆的当前时刻的动态行驶数据包括车辆行驶速度、车辆行驶方向上的加速度、垂直于所述车辆行驶方向的加速度、铅垂加速度、航向角、横滚角、俯仰角、方向盘转角中的一种或多种。
优选地,所述依据所述动态行驶数据,获取当前时刻的危险驾驶特性值包括:
设所述动态行驶数据以矩阵形式表示为:
其中a1、a2、a3依次为车辆行驶方向上的加速度值、垂直于所述车辆行驶方向的加速度值、铅垂加速度值;g1、g2、g3依次为航向角、横滚角、俯仰角;v为行车速度、angle为方向盘转角;
所述动态行驶数据的特征值矩阵Cn=A*Bn,则危险驾驶行为特征值Tn计算方法为
其中,Pn_a1、Pn_a2、Pn_a3依次为一危险驾驶行为对应于三轴加速度的权重值;Pn_g1、Pn_g2、Pn_g3依次为一危险驾驶行为对应于三轴陀螺仪的权重值;Pn_v为一危险驾驶行为对应于行车速度的权重值、Pn_angle为一危险驾驶行为对应于方向盘转角的权重值。
优选地,所述危险驾驶行为包括:急加速危险驾驶行为权重值矩阵、急减速危险驾驶行为权重值矩阵、急转弯危险驾驶行为权重值矩阵、急变道危险驾驶行为权重值矩阵、疲劳驾驶危险行为权重值矩阵、车辆碰撞预警权重值矩阵。
优选地,所述依据所述历史行驶数据,获取驾驶行为特征值包括:
获取预定时间长度内的车辆行驶数据的所有驾驶行为特征值;
判断所述预设时间长度内是否有计算出至少一个驾驶行为特征值;
若所述预定时间长度内的历史数据计算出至少一个驾驶行为特征值,则计算所有驾驶行为特征值的几何平均值,所述几何平均值即为所述驾驶行为特征值。
优选地,所述依据所述历史行驶数据,获取驾驶行为特征值进一步包括:
异常驾驶行为特征值判断步骤,包括:
将计算出的各驾驶行为特征值与所述几何平均值求异常判断差值,获得所述异常判断差值的绝对值;
根据所述异常判断差值的绝对值与异常判断的预定阈值比较;
当比较结果为大于异常判断的预定阈值时,则判定为异常驾驶行为特征值。
优选地,所述依据所述历史行驶数据,获取驾驶行为特征值还包括:
过滤掉n-k个异常驾驶行为特征值后,求剩余的k个驾驶行为特征值的几何平均值,所述几何平均值即为所述驾驶行为特征值。
第二方面,本发明实施例提供一种危险驾驶行为识别与危险事件预测装置,其中,所述装置包括:
采集模块,用于采集车辆的当前时刻的动态行驶数据;
危险驾驶特性值获取模块,用于依据所述动态行驶数据,获取当前时刻的危险驾驶特性值;
历史行驶数据获取模块,用于获取所述车辆在指定的历史时间段内的历史行驶数据;
驾驶行为特征值获取模块,用于依据所述历史行驶数据,获取驾驶行为特征值;
比较模块,用于比较所述危险驾驶特性值与所述驾驶行为特征值得出比较值,依据所述比较值与预设阈值比较,确定车辆当前是否处于危险驾驶行为,并预测发生危险事件的概率。
第三方面,本发明实施例提供一种危险驾驶行为识别与危险事件预测设备,其中,所述设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使至少一个所述处理器能够执行前面任一项所述的方法。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序指令,其中,当所述计算机程序指令被处理器执行时实现如前面任一项所述的方法。
本发明实施例提供的危险驾驶行为识别与危险事件预测方法、装置及存储介质具有以下有益效果:
1、本发明实施例可以通过一段时间内的数据分析形成能客观反应该车驾驶员驾驶该车辆时的危险驾驶行为的特征值。该值还会随着行车数据的不断累积再更新,因而行车数据越丰富该特征值越精准。由于该方法不断更新特征值,因此即使更换不同驾驶员仍然能比较客观的识别危险驾驶事件与预警。
2、本发明实施例较为显著的特点就是车辆只要能采集和存储一定的行车数据即能实现快速识别危险驾驶并告警而又不需要增加高额的硬件成本,甚至无须增加任何成本(如果车辆已经具备数据采集功能的情况下)。另外该方还能很好的在服务器端进行使用,只要服务器提供相应的行车数据,当然该方法也能在任何具备运算能力的终端,只需要提供相应的行车数据即可。
3、本发明实施例由于该算法运行时所需要的资源相对较少,因此使用该方法能快速高效的识别诸如:疲劳驾驶、急加速、急减速、急变道、急转弯等危险驾驶行为并能根据这些驾驶行为实时预测可能发生的危险驾驶事件概率,以便及早采取措施制止,以减少损失。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身没有特定的意义。因此,“模块”、“部件”或“单元”可以混合地使用。
实施例1
请参见图1,本发明实施例1提供一种危险驾驶行为识别与危险事件预测方法,其中,所述方法包括:
S10、采集车辆的当前时刻的动态行驶数据;
S20、依据所述动态行驶数据,获取当前时刻的危险驾驶特性值;
S30、获取所述车辆在指定的历史时间段内的历史行驶数据;
S40、依据所述历史行驶数据,获取驾驶行为特征值;
S50、比较所述危险驾驶特性值与所述驾驶行为特征值得出比较值,依据所述比较值与预设阈值比较,确定车辆当前是否处于危险驾驶行为,并预测发生危险事件的概率。
具体来说,所述方法具体包括:获取所述车辆在指定的历史时间段内的历史行驶数据;
依据所述历史行驶数据,建立行驶数据与第一驾驶特征值之间的函数关系及求出各项危险驾驶特征值并预测当前时刻的第一特征值;
设所述历史行驶数据中的任意一条数据以矩阵形式表示为:
其中a
1、a
2、a
3依次为车辆行驶方向上的加速度即纵向加速度、垂直于所述车辆行驶方向的加速度即横向加速度、垂直于车平面的加速度即垂直加速度;g
1、g
2、g
3依次为航向角、横滚角、俯仰角;v为行车速度、angle为方向盘转角;
行驶数据与驾驶特征值之间的函数关系为:y=β0+xs*β1+ε,y为驾驶特征值,xs=|A|,β0为方程初始偏移量,β1为xs与y的相关系数,ε是分布于N(0,σ2)的随机变量。
由上述函数关系可知ε=y-β
0-x
s*β
1,进一步的分析n条历史数据中的第i条可得ε
i=y
i-β
0-x
is*β
1。记Q为n条历史数据的误差ε的平方之和,又知y
i和x
is,故Q是β
0和β
1的一个二元函数,将Q记为Q(β
0,β
1),
根据多元函数的极值原理求得β
0,β
1使得Q值最小;
实时采集车辆的动态行驶数据;
依据所述动态行驶数据计算出第一驾驶特征值并求出各项危险驾驶行为特征值;
计算所述预测的第一驾驶特征值与所述计算出的第一驾驶特征值的绝对差值,依据所述绝对差值与预设阈值比较,确定车辆当前是否存在危险驾驶行为,若存在危险行为则预测发生危险事件的概率。
优选地,所述比较所述危险驾驶特性值与所述驾驶行为特征值得出比较值,依据所述比较值与预设阈值比较,确定车辆当前是否处于危险驾驶行为,并预测发生危险事件的概率包括:
将所述危险驾驶特性值与所述驾驶行为特征值进行差值运算,获取差值;
对所述差值取绝对值与所述预设阈值进行比较;
当所述绝对值大于等于所述预设阈值时,判断当前处于危险驾驶行为,预测发生危险事件的概率高;
当所述绝对值小于所述预设阈值时,判断当前未处于危险驾驶行为,预测发生危险事件的概率小。
优选地,所述采集车辆的当前时刻的动态行驶数据包括车辆行驶速度、车辆行驶方向上的加速度、垂直于所述车辆行驶方向的加速度、铅垂加速度、航向角、横滚角、俯仰角、方向盘转角中的一种或多种。
优选地,所述依据所述动态行驶数据,获取当前时刻的危险驾驶特性值包括:
设所述动态行驶数据以矩阵形式表示为:
其中a1、a2、a3依次为车辆行驶方向上的加速度值、垂直于所述车辆行驶方向的加速度值、铅垂加速度值;g1、g2、g3依次为航向角、横滚角、俯仰角;v为行车速度、angle为方向盘转角;
所述动态行驶数据的特征值矩阵Cn=A*Bn,则危险驾驶行为特征值Tn计算方法为
其中,Pn_a1、Pn_a2、Pn_a3依次为一危险驾驶行为对应于三轴加速度的权重值;Pn_g1、Pn_g2、Pn_g3依次为一危险驾驶行为对应于三轴陀螺仪的权重值;Pn_v为一危险驾驶行为对应于行车速度的权重值、Pn_angle为一危险驾驶行为对应于方向盘转角的权重值。
优选地,所述危险驾驶行为包括:急加速危险驾驶行为权重值矩阵、急减速危险驾驶行为权重值矩阵、急转弯危险驾驶行为权重值矩阵、急变道危险驾驶行为权重值矩阵、疲劳驾驶危险行为权重值矩阵、车辆碰撞预警权重值矩阵。
优选地,所述依据所述历史行驶数据,获取驾驶行为特征值包括:
获取预定时间长度内的车辆行驶数据的所有驾驶行为特征值;
判断所述预设时间长度内是否有计算出至少一个驾驶行为特征值;
若所述预定时间长度内的历史数据计算出至少一个驾驶行为特征值,则计算所有驾驶行为特征值的几何平均值,所述几何平均值即为所述驾驶行为特征值。
优选地,所述依据所述历史行驶数据,获取驾驶行为特征值进一步包括:
异常驾驶行为特征值判断步骤,包括:
将计算出的各驾驶行为特征值与所述几何平均值求异常判断差值,获得所述异常判断差值的绝对值;
根据所述异常判断差值的绝对值与异常判断的预定阈值比较;
当比较结果为大于异常判断的预定阈值时,则判定为异常驾驶行为特征值。
优选地,所述依据所述历史行驶数据,获取驾驶行为特征值还包括:
过滤掉n-k个异常驾驶行为特征值后,求剩余的k个驾驶行为特征值的几何平均值,所述几何平均值即为所述驾驶行为特征值。
在一个具体实施例中,本发明实施例以急加速危险驾驶行为为例展开说明,需要说明的是本发明仅是以此举例,对于其它的危险驾驶行为基本上类似,也可参照这一做法。
例如有10000条历史行车数据,和100条最近的行车数据,并求该车驾驶员是否处于急加速危险驾驶行为,如果是急加速驾驶行为请预测可能的危险事件。
分析:要判断该车驾驶员驾驶该车是否为急加速危险驾驶行为,先要求出急加速危险驾驶行为特征值Tcur、根据历史行车数据生成的急加速驾驶行为特征值Tbase,将Tcur和Tbase两者做差,并将该差值求绝对值Acb,将该绝对值Acb与设定的阈值Th_1进行比较,若高于阈值Th则认为该车辆的驾驶员正在进行危险驾驶;并根据该绝对值Acb高于阈值Th的深度与判断出该驾驶员正在进行的危险驾驶类别预测可能发生的驾驶事件。
1)求Tbase,提取10000条数据的行车矩阵An,其中
C1_n=An*B1,
2)计算T1_n的几何平均值
异常特征值的判断方法是将该值与所有特征值的几何平均值求差值,并求该差值的绝对值,如果该绝对值大于阈值Therr即认为该特征值异常。
3)滤掉10000-k异常特征值后,求剩余的k(k>0)个特征值的几何平均值,
4)求T1_cur,提取100条数据的行车矩阵An,其中
C1_n=An*B1,
5)Acb=|T1_cur-T1_base|,设R1=Acb–Th_1,若R1<=0则该驾驶员驾驶该车辆当前无危险驾驶行为发生。反之,则该驾驶员驾驶该车辆当前存在急加速危险驾驶行为。根据R1深度预测可能发生的危险驾驶事件为:
实施例2
请参见图2,本发明实施例2提供一种对应于前述危险驾驶行为识别与危险事件预测方法的危险驾驶行为识别与危险事件预测装置,所述装置包括:
采集模块10,用于采集车辆的当前时刻的动态行驶数据;
危险驾驶特性值获取模块20,用于依据所述动态行驶数据,获取当前时刻的危险驾驶特性值;
历史行驶数据获取模块30,用于获取所述车辆在指定的历史时间段内的历史行驶数据;
驾驶行为特征值获取模块40,用于依据所述历史行驶数据,获取驾驶行为特征值;
比较模块50,用于比较所述危险驾驶特性值与所述驾驶行为特征值得出比较值,依据所述比较值与预设阈值比较,确定车辆当前是否处于危险驾驶行为,并预测发生危险事件的概率。
有关该装置的进一步说明,详细请参见实施例1中的描述,在此不再赘述。
实施例3
请参见图3,本发明对应于上述实施例1的方法还相应提供一种危险驾驶行为识别与危险事件预测设备,该设备主要包括:
至少一个处理器401;以及,
与所述至少一个处理器通信连接的存储器402;其中,
所述存储器402存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器401执行,以使至少一个所述处理器401能够执行本发明实施例1中所述的方法。有关该设备的详细描述请参见实施例1,在此不再赘述。
具体地,上述处理器401可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器402可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器402可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器402可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器402可在数据处理装置的内部或外部。在特定实施例中,存储器402是非易失性固态存储器。在特定实施例中,存储器402包括只读存储器(ROM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器401通过读取并执行存储器402中存储的计算机程序指令,以实现上述实施例中的任意一种危险驾驶行为识别与危险事件预测方法。
在一个示例中,危险驾驶行为识别与危险事件预测设备还可包括通信接口403和总线410。其中,如图3所示,处理器401、存储器402、通信接口403通过总线410连接并完成相互间的通信。
通信接口403,主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线410包括硬件、软件或两者,将危险驾驶行为识别与危险事件预测设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线410可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线,但本发明考虑任何合适的总线或互连。
另外,结合上述实施例中的危险驾驶行为识别与危险事件预测方法,本发明实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种危险驾驶行为识别与危险事件预测方法。
综上所述,本发明实施例提供的危险驾驶行为识别与危险事件预测方法、装置、设备及存储介质,可以不断更新特征值,因此即使更换不同驾驶员仍然能比较客观的识别危险驾驶事件与预警。还可以是车辆只要能采集和存储一定的行车数据即能实现快速识别危险驾驶并告警而又不需要增加高额的硬件成本,甚至无须增加任何成本(如果车辆已经具备数据采集功能的情况下)。另外其还能很好的在服务器端进行使用,只要服务器提供相应的行车数据,也能在任何具备运算能力的终端,只需要提供相应的行车数据即可。由于运行时所需要的资源相对较少,因此能快速高效的识别诸如:疲劳驾驶、急加速、急减速、急变道、急转弯等危险驾驶行为并能根据这些驾驶行为实时预测可能发生的危险驾驶事件。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。这些都应涵盖在本发明的保护范围之内。