CN111353471A - 安全驾驶监测方法、装置、设备和可读存储介质 - Google Patents
安全驾驶监测方法、装置、设备和可读存储介质 Download PDFInfo
- Publication number
- CN111353471A CN111353471A CN202010188696.0A CN202010188696A CN111353471A CN 111353471 A CN111353471 A CN 111353471A CN 202010188696 A CN202010188696 A CN 202010188696A CN 111353471 A CN111353471 A CN 111353471A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- driving
- behaviors
- score
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- 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
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/593—Recognising seat occupancy
-
- 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
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了安全驾驶监测方法、装置、设备和可读存储介质,涉及车辆安全行驶技术领域。安全驾驶监测方法包括:接收目标车辆在目标监测时段内的车内驾驶视频、车外交通环境视频、行车数据和导航数据;对车内驾驶视频、车外交通环境视频进行识别,得到司乘人员行为的识别结果和交通环境的识别结果;根据司乘人员行为的识别结果、交通环境的识别结果、行车数据和导航数据中的至少一种数据,并基于预定规则,得到司乘人员的违规行为的评分和目标车辆的违规行驶行为的评分;根据司乘人员的违规行为的评分和目标车辆的违规行驶行为的评分,得到驾驶监测总分。利用本申请实施例可对驾驶违规行为进行监测。
Description
技术领域
本申请涉及车辆安全行驶技术领域,尤其涉及一种安全驾驶监测方法、装置、设备和可读存储介质。
背景技术
近年来,道路交通事故的数量居高不下,给人们的生命财产安全造成了极大的损失。大部分道路交通事故往往是由于驾驶员行车不规范造成的,比如超速驾驶和疲劳驾驶。因此,有必要强化驾驶员安全驾驶、文明行车的意识,养成良好的驾驶行为,以保障道路交通安全。
现有监督驾驶员的驾驶行为的方法,获取交通事故记录和由道路监控设备监测到的驾驶员违反交通法规记录(例如闯红灯),根据交通事故或违反交通法规的等级、频次等粗略衡量驾驶员的驾驶行为评估,来监测驾驶员的危险驾驶行为。该监测方法无法实时、时刻获取,并且所监测的驾驶行为种类有限,无法精确全面衡量驾驶员的驾驶行为,驾驶者容易存在侥幸心理,难以引起警惕,也不便于交通管理者及时发现交通安全隐患。
发明内容
有鉴于此,本申请实施例提供一种安全驾驶监测方法、装置、设备和可读存储介质。
第一方面,本申请实施例提供一种安全驾驶监测方法,包括:
接收目标车辆在目标监测时段内的车内驾驶视频、车外交通环境视频、行车数据和导航数据;
对车内驾驶视频中司乘人员的多项指定行为进行识别,获得司乘人员行为的识别结果;对车外交通环境视频中的多种指定交通环境进行识别,获得交通环境的识别结果;
根据司乘人员行为的识别结果、交通环境的识别结果、行车数据和导航数据中的至少一种数据,对司乘人员的多项指定的违规行为进行分析,以及对目标车辆的多项指定的违规行驶行为进行分析,获得司乘人员的违规行为的分析结果和目标车辆的违规行驶行为的分析结果;
根据司乘人员的违规行为的分析结果和目标车辆的违规行驶行为的分析结果,按照预定规则,得到司乘人员的违规行为的评分和目标车辆的违规行驶行为的评分;根据司乘人员的违规行为的评分和目标车辆的违规行驶行为的评分,得到驾驶监测总分,驾驶监测总分用于指示目标车辆在目标监测时段内的安全风险。
本申请实施例可利用适合的车载摄像头等设备所拍摄的视频图像获取司乘人员的行为数据,通过对视频图像进行例如人脸和人体的检测识别,根据识别结果可得到司乘人员行为信息,并且,利用适合的车载摄像头等设备可拍摄车外部的交通环境视频,对例如车流及人流情况、路口信号灯、标识牌、车道线等进行识别,结合例如导航信息和/或行车数据能够分析车辆是否发生违规行驶行为,基于对各种违规行为的识别和分析,实现对违规行为的合理评分,最终获得车辆的驾驶安全风险信息,达到提示驾驶员注意规范驾驶行为,提高行车安全的目的。
根据本申请实施例的方法,其中,采用与人体识别相关的一种或多种识别模型,对车内驾驶视频中司乘人员的多项指定行为进行识别,获得司乘人员行为的识别结果;采用与交通环境识别相关的一种或多种识别模型,对车外交通环境视频中的多种指定交通环境进行识别,获得交通环境的识别结果。
这样处理的好处是,借助具有的人体识别相关的识别模型和交通环境的识别模型来识别获取数据,可操作性强,智能化程度高。
根据本申请实施例的方法,其中,预定规则包括:
基于与人体识别相关的一种或多种识别模型对应的置信度,对司乘人员的一种或多种违规行为分别打分,以得到的分值的总和作为司乘人员的违规行为的评分;基于与交通环境识别相关的一种或多种识别模型对应的置信度,对目标车辆的一种或多种违规行驶行为分别打分,以得到的分数的总和作为目标车辆的违规行驶行为的评分。
这样处理的好处是,将各个识别模型的置信度作为评分因素考虑,使得评分结果更加准确,评分结果考虑了各种违规行为,评分结果更加准确全面。
根据本申请实施例的方法,其中,预定规则还包括:
如果司乘人员的一种或多种违规行为违反交通法规,将交通法规中的扣分值与基于置信度打分的分值相乘,作为对应的违规行为的分值;如果目标车辆的一种或多种违规行驶行为违反交通法规,将交通法规中的扣分值与基于置信度打分的分值相乘,作为对应的违规行驶行为的分值。
这样处理的好处是,在评分过程中引入违反交通法规所导致的扣分,有利于提高违反交通法规的违规驾驶行为的分数比重,扣分值的大小可以直接影响评分值,可以更加有效体现驾驶危险程度。
根据本申请实施例的方法,采用以下计算式,计算司乘人员的违规行为的评分:
Pdriver=max(∑pi,1)
其中,Pdriver表示司乘人员的违规行为的评分,pi表示司乘人员的第i种违规行为的分值,i为正整数,max表示取最大值;
采用以下计算式,计算目标车辆的违规行驶行为的评分:
Pcar=max(∑pj,1)
其中,Pcar表示目标车辆的违规行驶行为的评分,pj表示目标车辆的第j种违规行为的分值,j为正整数,max表示取最大值。
这样处理的好处是,由于在累计求和的结果与常数1中取最大值作为评分结果,可避免因一种驾驶信息对应的累计求和的结果小于1而影响后续监测总分的计算结果。
根据本申请实施例的方法,方法还包括:
对车外交通环境视频中的一种或多种指定场景进行识别;
根据一种或多种指定场景的识别结果,按照预定规则,获得一种或多种指定场景的评分;
将一种或多种指定场景的评分、司乘人员的违规行为的评分以及目标车辆的违规行驶行为的评分的乘积,作为驾驶监测总分。
这样处理的好处是,在评分中引入车辆外部场景的评分,可提高驾驶监测总分与客观现实情况的对应性,提高监测结果的准确性、可靠性。
根据本申请实施例的方法,采用以下计算式,对驾驶监测总分进行换算,得到安全风险指数:
I=log10(Ptotal)=log10(Pdriver×Pcar×confk)
其中,I表示安全风险指数,Ptotal表示驾驶监测总分,confk表示第k种指定场景的评分,k为正整数。
这样处理的好处是,将驾驶违规行为评分和车辆行驶违规行为评分相乘,使得当存在的驾驶危险行为越多、越严重时,所得的监测总分越高,越能反映安全风险级别,并且采用取对数的计算方式可减小安全风险指数的取值大小,避免由于连续相乘后总分的分值过大而使用户无法理解安全风险的真实级别。
根据本申请实施例的方法,指定场景包括交通拥堵场景、道路条件场景和天气环境场景;其中,交通越拥堵,对应的评分值越大;道路条件越复杂,对应的评分值越大;天气环境越差,对应的评分值越大。
根据本申请实施例的方法,司乘人员的指定的违规行为包括以下各项中的至少一项:车辆载人超过核定人数、驾驶员连续驾驶时长超过预设时长、驾驶员闭眼时长超过预设时长、驾驶员打哈欠、驾驶员双手离开方向盘时长超过预设时长、驾驶员肢体伸出窗外、驾驶员视线离开前方时长超过预设时长、乘车人员未系带安全带、驾驶员抽烟、驾驶员喝水、驾驶员打电话、乘车人员向外抛物、乘车人员打闹。
根据本申请实施例的方法,目标车辆的指定的违规行驶行为包括以下各项中的至少一项:车辆违规超速、车辆违规低速、车辆速度标准差大于预设阈值、车辆加速度标准差大于预设阈值、车辆侧向加速度标准差大于预设阈值、指示灯遗漏、车道变更次数与转向灯使用次数的比值大于预设阈值、车辆鸣笛次数与驾驶时长的比值大于预设阈值、变更车道次数与驾驶时长的比值大于预设阈值、违反交通标志规范、违反车道线行驶规范、占用应急车道、未礼让行人、未礼让特种车辆、禁止鸣笛区域鸣笛、车距不规范、停车不规范。
根据本申请实施例的方法,其中,部分或全部车内驾驶视频由设置在车内的摄像设备拍摄;和/或,部分或全部车外交通环境视频由设置在车外的摄像设备拍摄;和/或,部分或全部车辆行驶状态数据由行车数据采集设备采集;和/或,部分或全部车辆行驶状态数据由车载雷达设备采集;和/或,部分或全部导航数据由导航设备生成。
这样处理的好处是,监测的数据均可以由易获得的硬件完成采集,使得该监测方案具有更强的可操作性。
第二方面,本申请实施例还提供一种安全驾驶监测装置,包括:
数据接收组件,用于接收目标车辆在目标监测时段内的车内驾驶视频、车外交通环境视频、行车数据和导航数据;
识别处理组件,用于对车内驾驶视频中司乘人员的多项指定行为进行识别,获得司乘人员行为的识别结果;并对车外交通环境视频中的多种指定交通环境进行识别,获得交通环境的识别结果;
分析处理组件,用于根据司乘人员行为的识别结果、交通环境的识别结果、行车数据和导航数据中的至少一种数据,对司乘人员的多项指定的违规行为进行分析,以及对目标车辆的多项指定的违规行驶行为进行分析,获得司乘人员的违规行为的分析结果和目标车辆的违规行驶行为的分析结果;
评分处理组件,用于根据司乘人员的违规行为的分析结果和目标车辆的违规行驶行为的分析结果,按照预定规则,得到司乘人员的违规行为的评分和目标车辆的违规行驶行为的评分;并根据司乘人员的违规行为的评分和目标车辆的违规行驶行为的评分,得到驾驶监测总分,驾驶监测总分用于指示目标车辆在目标监测时段内的安全风险。
第三方面,本申请实施例还提供一种电子设备,包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如上的安全驾驶监测方法。
第四方面,本申请实施例还提供一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行如上的安全驾驶监测方法。
上述可选方式所具有的其他效果将在下文结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请一个实施例的安全驾驶监测方法的流程框图;
图2是本申请一个实施例的安全驾驶监测的原理效果图;
图3是本申请实施例的安全驾驶监测装置的结构框图;
图4是用来实现本申请实施例的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1示出根据本申请实施例的安全驾驶监测方法的流程图,该方法包括如下步骤:
S101,接收目标车辆在目标监测时段内的车内驾驶视频、车外交通环境视频、行车数据和导航数据;
S102,对车内驾驶视频中司乘人员的多项指定行为进行识别,获得司乘人员行为的识别结果;对车外交通环境视频中的多种指定交通环境进行识别,获得交通环境的识别结果;
S103,根据司乘人员行为的识别结果、交通环境的识别结果、行车数据和导航数据中的至少一种数据,对司乘人员的多项指定的违规行为进行分析,以及对目标车辆的多项指定的违规行驶行为进行分析,获得司乘人员的违规行为的分析结果和目标车辆的违规行驶行为的分析结果;
S104,根据司乘人员的违规行为的分析结果和目标车辆的违规行驶行为的分析结果,按照预定规则,得到司乘人员的违规行为的评分和目标车辆的违规行驶行为的评分;根据司乘人员的违规行为的评分和目标车辆的违规行驶行为的评分,得到驾驶监测总分,驾驶监测总分用于指示目标车辆在目标监测时段内的安全风险。
在本申请的实施例中,部分或全部车内驾驶视频可由设置在车内的摄像设备拍摄;部分或全部车外交通环境视频可由设置在车外的摄像设备拍摄;部分或全部车辆行驶状态数据可由行车数据采集设备例如电子控制单元(Electronic Control Unit,ECU)采集;部分或全部车辆行驶状态数据可由车载雷达设备采集;部分或全部导航数据可由导航设备生成。
本申请实施例可利用车载摄像头等设备所拍摄的视频图像来获取司乘人员(如司机和乘客)的行为数据,通过对视频图像进行例如人脸和人体的检测识别,根据识别结果可得到车乘人员行为信息,同理,利用车载的摄像头还可拍摄车外部的交通环境视频,对例如车流及人流情况、路口信号灯、标识牌、车道线等进行识别,结合例如导航信息和/或行车数据能够分析车辆是否发生违规行驶行为,基于对各种违规行为的识别和分析,实现对违规行为的合理评分,最终获得车辆的驾驶安全风险信息,达到提示司机或称驾驶员注意规范驾驶行为,提高行车安全的目的。
在本申请的实施例中,可采用与人体识别相关的一种或多种识别模型,对车内驾驶视频中司乘人员的多项指定行为进行识别,获得司乘人员行为的识别结果;还可采用与交通环境识别相关的一种或多种识别模型,对车外交通环境视频中的多种指定交通环境进行识别,获得交通环境的识别结果;然后,可根据司乘人员行为的识别结果、交通环境的识别结果、行车数据和导航数据中的至少一种数据,对司乘人员的多项指定的违规行为进行分析,以及对目标车辆的多项指定的违规行驶行为进行分析,获得司乘人员的违规行为的分析结果和目标车辆的违规行驶行为的分析结果。
在本申请的一种实施方式中,可利用设置在车内的车载摄像头拍摄的车乘人员视频图像,并对车乘人员视频图像进行如下处理:利用人脸识别模型进行人脸检测识别,利用人体识别模型进行人体检测识别,基于识别模型中的不同识别算法,可对人的多种行为、动作、表情等进行检测识别,然后结合其他数据,对驾驶员和/或乘车人员的行为进行分析。
举例来讲,利用人体识别技术可确定乘客数量,结合目标车辆的限载人数,确定是否人员超载;识别驾驶员和乘客是否系安全带;利用人脸属性识别,识别乘员年龄,若是儿童,判断是否乘坐儿童安全座椅;利用人体动作识别算法,识别驾驶员是否存在打哈欠和闭眼等行为,结合人脸识别以及车辆行驶时间,判断驾驶员是否疲劳驾驶;对车乘人员图像中的驾驶员进行面部情绪识别和状态识别,判断驾驶员的精神状态是否正常。
在本申请的一种实施方式中,可利用搭载在车外的车载摄像头采集的车辆的周围交通环境的视频图像,并对周围交通环境的视频图像进行如下处理:利用交通环境识别模型对视频图像中的交通标志、车道线等进行检测识别,基于识别模型中的不同识别算法,可对车辆外部环境的多种不同类型的交通标志、车道线等进行检测识别,然后结合其他数据,对车辆的行驶行为进行分析。
例如,利用交通环境模型检测识别信号灯和/斑马线,结合导航位置信息,判断是否是交叉路口;进行行人检测,得到目标车辆的周围行人信息,结合当前车速和加速度信息,判断是否礼让行人;进行车辆检测,得到目标车辆的周围车辆信息,结合当前车速以及加速度信息,判断目标车辆转弯时是否礼让其它直行车辆;进行车道线检测识别,判断车辆行驶是否压线;进行车辆和车道线检测识别,结合转向灯状态信号,判断是否并线、或超车合理;进行车辆检测识别,确定目标车辆和前车距离检测,判断目标车辆和前车车距保持是否合理;进行车辆检测以及车辆识别,判断是否礼让急救车,消防车等特种车辆;当目标车辆停车时,进行交通标志识别,判断是否规范停车。这样处理的好处是,目标车辆的多种驾驶信息均由车辆自身硬件所采集的数据来确定的,获取途径便捷,具有更强的可操作性。
在本申请的实施例中,所使用的一种或多种识别模型可以是经过机器训练的模型,模型输出的结果具有一定的置信度,置信度越大,表明识别结果的准确率越高,反之亦然。
在本申请的实施例中,采用计分累加的方式评分,累加分值越大,危险系数越高。对于明确违反交通法规的,可设置为评分分数=置信度*交规扣分*100;对于非违规的不合理行为,可设置为评分分数=置信度*100,其中置信度大小介于0-1区间,置信度的具体取值可通过模型预测并输出。
在本申请的实施例中,还可使用电子控制单元ECU采集的各类车辆信号,如车速信号、加速度信号、鸣笛信号、车灯状态信号和雨刷状态信号,基于各类车辆信号进行如下操作:结合道路限速情况,判断车速是否超速;结合所在交通环境中的交通标志以及周围是否有学校或医院的信息,判断目标车辆是否不规范鸣笛;根据道路交通标志、车道线位置,结合驾驶员的操作方向盘行为,判断车辆转向灯是否使用正确;雨雾天气时,判断是否使用雨刷和雾灯。
在本申请的一种实施方式中,针对违规行为评分的规则包括:
可以基于与人体识别相关的一种或多种识别模型对应的置信度,对司乘人员的一种或多种违规行为分别打分,以得到的分值的总和作为司乘人员的违规行为的评分;还可以基于与交通环境识别相关的一种或多种识别模型对应的置信度,对目标车辆的一种或多种违规行驶行为分别打分,以得到的分数的总和作为目标车辆的违规行驶行为的评分。
结合实际中的情况,对于司乘人员的部分行为或车辆的部分行驶行为,如果仅是不规范行为,而未违反交通法规,驾驶员不需要被扣分,例如转弯时驾驶员未提前打转向灯。因此,如果识别、分析得到的违规行为未违反交通法规,可根据识别模型的置信度确定对应的评分。
进一步,如果司乘人员的一种或多种违规行为违反交通法规,可将交通法规中的扣分值与基于置信度打分的分值相乘,作为对应的违规行为的分值;并且,如果目标车辆的一种或多种违规行驶行为违反交通法规,将交通法规中的扣分值与基于置信度打分的分值相乘,作为对应的违规行驶行为的分值。
上述附加规则提高了违反交通法规的行为的评分,这样处理的好处是,在评分过程中引入违反交通法规所导致的扣分,有利于提高违反交通法规的危险驾驶行为的分数比重,同时使得扣分值的大小直接影响评分结果,可以更加有效体现驾驶危险程度。
在本申请的实施例中,采用以下计算式,计算司乘人员的违规行为的评分:
Pdriver=max(∑pi,1)
其中,Pdriver表示司乘人员的违规行为的评分,pi表示司乘人员的第i种违规行为的分值,i为正整数,max表示取最大值;
采用以下计算式,计算目标车辆的违规行驶行为的评分:
Pcar=max(∑pj,1)
其中,Pcar表示目标车辆的违规行驶行为的评分,pj表示目标车辆的第j种违规行为的分值,j为正整数,max表示取最大值。
这样处理的好处是,由于在累计求和的结果与常数1中取最大值作为评分结果,可避免因一种驾驶信息对应的累计求和的结果小于1而影响后续监测总分的计算结果。
在本申请的实施例中,安全驾驶监测方法还可包括以下处理:
对车外交通环境视频中的一种或多种指定场景进行识别;
根据一种或多种指定场景的识别结果,按照预定规则,获得一种或多种指定场景的评分;
将一种或多种指定场景的评分、司乘人员的违规行为的评分以及目标车辆的违规行驶行为的评分的乘积,作为驾驶监测总分。
在本申请的实施例中,指定场景包括交通拥堵场景、道路条件场景和天气环境场景;其中,交通越拥堵,对应的评分值越大;道路条件越复杂,对应的评分值越大;天气环境越差,对应的评分值越大。
在此基础上,可采用以下计算式,对驾驶监测总分进行换算,得到安全风险指数:
I=log10(Ptotal)=log10(Pdriver×Pcar×confk)
其中,I表示安全风险指数,Ptotal表示驾驶监测总分,confk表示第k种指定场景的评分,k为正整数。
这样处理的好处是,通过引入多种场景的影响因素,作为交通场景影响系数计算监测总分,从客观上反映了车辆外部环境因素对驾驶的影响,可提高安全风险指数的准确性。
本申请实施例将驾驶违规行为评分和车辆行驶违规行为评分相乘,使得当存在的驾驶危险行为越多、越严重时,所得的监测总分越高,越能引起重视,并且,采用取对数的计算方式可减小安全风险指数的取值大小,避免由于连续相乘后总分的分值过大而使用户无法理解风险级别,而是以相对较小的数值反映安全风险级别,符合大众认知习惯。
如前,本申请实施例的交通场景因素可包括交通拥堵场景、道路条件因素和天气环境因素,在本申请的一种实施方式中,可使用车载的广角摄像头拍摄目标车辆的周围交通环境的视频图像,采用训练好的场景识别模型对周围交通环境的视频图像进行检测识别。
例如,根据对行人和车辆数量的检测结果,确定交通拥堵系数。交通拥堵影响系数和交通拥堵程度呈正比,交通拥堵影响系数越大,表示越拥堵。又如,利用路面识别模型对周围交通环境的路面情况进行识别,确定道路条件系数。道路条件系数越大,路面情况越复杂。再如,利用天气识别模型对周围交通环境的视频图像进行天气场景识别,确定天气识别情况;还可根据天气识别情况和天气预报信息确定车辆周围的天气环境系数。天气环境系数越大,表示天气越恶劣。
在一种示例中,交通拥堵系数、道路条件系数和天气环境系数的取值范围均介于1-10之间,取值越大,表示越容易出现驾驶违规行为,越容易引发交通事故,安全风险越大。
图2示出了本申请一种实施例的原理效果示意图,结合描述的驾驶员违规行为评分、车辆违规行驶行为评分、交通拥堵系数、道路条件系数和天气环境系数,可得到驾驶监测总分Ptotal和安全风险指数I。
在本申请的一种实施方式中,可采用以下计算公式得到车辆的驾驶监测总分:
其中,confcar_pedestrian表示交通拥堵系数,confroad表示道路条件系数,confweather表示天气环境系数。
本申请实施例结合拥堵情况、路面情况和天气环境情况得到监测总分,可提高安全风险指数与客观现实情况的对应性,提高驾驶监测结果的准确性和可靠性。
在本申请的实施例中,司乘人员的指定的违规行为包括以下各项中的至少一项:车辆载人超过核定人数、驾驶员连续驾驶时长超过预设时长、驾驶员闭眼时长超过预设时长、驾驶员打哈欠、驾驶员双手离开方向盘时长超过预设时长、驾驶员肢体伸出窗外、驾驶员视线离开前方时长超过预设时长、乘车人员未系带安全带、驾驶员抽烟、驾驶员喝水、驾驶员打电话、乘车人员向外抛物、乘车人员打闹。
表1示意性地列出了多种司乘人员的违规行为、对应的识别模型或识别算法,以及对应的评分计算方式。其中,将因违反交通法规而导致的扣分简称为“交规扣分”。
表1
在本申请的实施例中,目标车辆的指定的违规行驶行为包括以下各项中的至少一项:车辆违规超速、车辆违规低速、车辆速度标准差大于预设阈值、车辆加速度标准差大于预设阈值、车辆侧向加速度标准差大于预设阈值、指示灯遗漏、车道变更次数与转向灯使用次数的比值大于预设阈值、车辆鸣笛次数与驾驶时长的比值大于预设阈值、变更车道次数与驾驶时长的比值大于预设阈值、违反交通标志规范、违反车道线行驶规范、占用应急车道、未礼让行人、未礼让特种车辆、禁止鸣笛区域鸣笛、车距不规范、停车不规范。。
其中,车辆速度标准差越大,则表示车速越不稳定;车辆加速度标准差越大,则表示急加速急停情况越多;车辆侧向加速度标准差越大,则急转弯操作越不稳定;车道变更次数越多和单位时间内车辆鸣笛次数越多,均表示该驾驶员的驾驶风险越高。
表2示意性地列出了多项车辆违规行驶行为、对应的数据分析方法或识别算法以及对应的评分方式。
表2
需要说明,上述的表1和表2中第三列所示的评分方式中,常数100和常数10均为预设的基础分值,根据实际情况需要,可以调整该基础分值的取值。另外,表1和表2的违规行为中所涉及的阈值仅为示例,例如表1中驾驶员闭眼阈值为1.5秒,阈值的取值可以根据实际情况进行调整。
在本申请的一种实施方式中,还可将得到的驾驶监测总分、安全风险指数和对应的评分依据等信息输出,例如可以采取文字、图像和/或视频等方式向用户展示,用户可详细了解目标车辆在该监测时段的驾驶行为的规范程度。其中,评分依据可为如下信息:驾驶员超长驾驶时间5个小时,置信度0.9,属于疲劳驾驶,依据交通法规扣分6分,超长驾驶的危险评分值=0.9*6*(5-4)*100=540。
这样处理的好处是,用户可以通过评分依据和结果获取驾驶过程中存在危险驾驶行为的详细情况,有助于切实加强安全驾驶意识。
为更好地理解本申请的实施例,以下述场景作为示例进行说明。
目标监测时段为风雨交加、视线不好的时间段,道路上车辆、行人较为拥堵,目标车辆为一辆5座小汽车,乘载6人,驾驶员为早点达到目的地,连续开车5小时,打哈欠次数10次,连续闭眼时长2s一次,整个行驶过程平均车速50公里/小时,限速40公里/小时,车速标准差为6公里/小时,加速度为5m/s^2,整个行驶过程车辆未开启后雾灯,且走应急车道。
根据本申请的上述一个或多个实施例,还可参考表1和表2所列举的违规行为及评分标准,对该小汽车的整个行驶过程进行监测评分,其中,涉及的计算过程如下:
1、对司乘人员违规行为的评分
①通过人体检测技术,检测到车辆车乘人员超载,交规扣分为6分,置信度为0.8,违规行为评分为:6*0.8*100=480;
②通过人脸识别,得知同一驾驶员连续驾驶5小时,超过交通法规所规定的4小时,交规扣分6分,置信度0.9,违规行为评分为:6*0.9*(5-4)*100=540;
③通过哈欠识别,得知驾驶员在5个小时的驾驶过程中打了10次哈欠,置信度为0.85,违规行为评分为:0.85*10/5*100=170;
④通过闭眼识别,得知驾驶员连续闭眼时长2s一次,预设的闭眼时长阈值为1.5s,置信度为0.95,违规行为评分为:0.95*10(2-1.5)*100=300.4;
将各项评分值累计求和,得到司乘人员违规行为的评分值:
Pdriver=480+540+170+300.4=1490.4
2、车辆违规行驶行为的评分
①车辆超速,交规扣分3分,违规行为评分为:3*(50-40)*10=300;
②车辆速度标准差为6公里/小时,违规行为评分为:6*10=60;
③车辆加速度标准差为5m/s^2,违规行为评分为:5*10=50;
④未开启雾灯,交规扣分1分,违规行为评分为:1*100=100;
⑤由于走应急车道,置信度为0.9,交规扣分6分,违规行为评分为:0.9*6*100=540;
将各项评分值累计求和,得到车辆行驶违规行的评分值:
Pcar=300+60+50+100+540=1050
3、根据交通场景信息,依次确定道路条件系数confroad为6,拥堵系数confcar_pedestrian为5,天气环境系数confweather为8。
在得到该车辆在整个行程过程中的安全风险指数后,可输出该安全风险指数以及对应的违规行为评分信息。
与以上内容相对应地,本申请实施例提供一种安全驾驶监测装置,参见图3,该安全驾驶监测装置100包括:
数据接收组件110,用于接收目标车辆在目标监测时段内的车内驾驶视频、车外交通环境视频、行车数据和导航数据;
识别处理组件120,用于对所述车内驾驶视频中司乘人员的多项指定行为进行识别,获得司乘人员行为的识别结果;并对所述车外交通环境视频中的多种指定交通环境进行识别,获得交通环境的识别结果;
分析处理组件130,用于根据所述司乘人员行为的识别结果、所述交通环境的识别结果、所述行车数据和所述导航数据中的至少一种数据,对所述司乘人员的多项指定的违规行为进行分析,以及对所述目标车辆的多项指定的违规行驶行为进行分析,获得所述司乘人员的违规行为的分析结果和所述目标车辆的违规行驶行为的分析结果;
评分处理组件140,用于根据所述司乘人员的违规行为的分析结果和所述目标车辆的违规行驶行为的分析结果,按照预定规则,得到所述司乘人员的违规行为的评分和所述目标车辆的违规行驶行为的评分;并根据所述司乘人员的违规行为的评分和所述目标车辆的违规行驶行为的评分,得到驾驶监测总分,所述驾驶监测总分用于指示所述目标车辆在所述目标监测时段内的安全风险。
根据本申请实施例的装置,其中,采用与人体识别相关的一种或多种识别模型,对所述车内驾驶视频中司乘人员的多项指定行为进行识别,获得所述司乘人员行为的识别结果;
采用与交通环境识别相关的一种或多种识别模型,对所述车外交通环境视频中的多种指定交通环境进行识别,获得所述交通环境的识别结果。
根据本申请实施例的装置,其中,采用与人体识别相关的一种或多种识别模型,对所述车内驾驶视频中司乘人员的多项指定行为进行识别,获得所述司乘人员行为的识别结果;
采用与交通环境识别相关的一种或多种识别模型,对所述车外交通环境视频中的多种指定交通环境进行识别,获得所述交通环境的识别结果。
根据本申请实施例的装置,其中,所述预定规则包括:
基于所述与人体识别相关的一种或多种识别模型对应的置信度,对所述司乘人员的一种或多种违规行为分别打分,以得到的分值的总和作为所述司乘人员的违规行为的评分;
基于所述与交通环境识别相关的一种或多种识别模型对应的置信度,对所述目标车辆的一种或多种违规行驶行为分别打分,以得到的分数的总和作为所述目标车辆的违规行驶行为的评分。
根据本申请实施例的装置,其中,所述预定规则还包括:
如果所述司乘人员的一种或多种违规行为违反交通法规,将交通法规中的扣分值与基于置信度打分的分值相乘,作为对应的违规行为的分值;
如果所述目标车辆的一种或多种违规行驶行为违反交通法规,将交通法规中的扣分值与基于置信度打分的分值相乘,作为对应的违规行驶行为的分值。
根据本申请实施例的装置,采用以下计算式,计算所述司乘人员的违规行为的评分:
Pdriver=max(∑pi,1)
其中,Pdriver表示所述司乘人员的违规行为的评分,pi表示所述司乘人员的第i种违规行为的分值,i为正整数,max表示取最大值;
采用以下计算式,计算所述目标车辆的违规行驶行为的评分:
Pcar=max(∑pj,1)
其中,Pcar表示所述目标车辆的违规行驶行为的评分,pj表示所述目标车辆的第j种违规行为的分值,j为正整数,max表示取最大值。
根据本申请实施例的装置,所述装置还包括:
场景识别组件,用于对所述车外交通环境视频中的一种或多种指定场景进行识别;
场景评分组件,用于根据所述一种或多种指定场景的识别结果,按照预定规则,获得所述一种或多种指定场景的评分;
总分处理组件,用于将所述一种或多种指定场景的评分、所述司乘人员的违规行为的评分以及所述目标车辆的违规行驶行为的评分的乘积,作为所述驾驶监测总分。
根据本申请实施例的装置,评分处理组件140还可以采用以下计算式,对所述驾驶监测总分进行换算,得到安全风险指数:
I=log10(Ptotal)=log10(Pdriver×Pcar×confk)
其中,I表示所述安全风险指数,Ptotal表示所述驾驶监测总分,confk表示第k种指定场景的评分,k为正整数。
根据本申请实施例的装置,所述指定场景包括交通拥堵场景、道路条件场景和天气环境场景;其中,交通越拥堵,对应的评分值越大;道路条件越复杂,对应的评分值越大;天气环境越差,对应的评分值越大。
根据本申请实施例的装置,所述司乘人员的指定的违规行为包括以下各项中的至少一项:车辆载人超过核定人数、驾驶员连续驾驶时长超过预设时长、驾驶员闭眼时长超过预设时长、驾驶员打哈欠、驾驶员双手离开方向盘时长超过预设时长、驾驶员肢体伸出窗外、驾驶员视线离开前方时长超过预设时长、乘车人员未系带安全带、驾驶员抽烟、驾驶员喝水、驾驶员打电话、乘车人员向外抛物、乘车人员打闹。
根据本申请实施例的装置,所述目标车辆的指定的违规行驶行为包括以下各项中的至少一项:车辆违规超速、车辆违规低速、车辆速度标准差大于预设阈值、车辆加速度标准差大于预设阈值、车辆侧向加速度标准差大于预设阈值、指示灯遗漏、车道变更次数与转向灯使用次数的比值大于预设阈值、车辆鸣笛次数与驾驶时长的比值大于预设阈值、变更车道次数与驾驶时长的比值大于预设阈值、违反交通标志规范、违反车道线行驶规范、占用应急车道、未礼让行人、未礼让特种车辆、禁止鸣笛区域鸣笛、车距不规范、停车不规范。
根据本申请实施例的装置,其中,部分或全部所述车内驾驶视频由设置在车内的摄像设备拍摄;和/或,部分或全部所述车外交通环境视频由设置在车外的摄像设备拍摄;和/或,部分或全部所述车辆行驶状态数据由行车数据采集设备采集;和/或,部分或全部所述车辆行驶状态数据由车载雷达设备采集;和/或,部分或全部所述导航数据由导航设备生成。
本申请实施例各装置中的各模块的功能可以参见上述方法中的对应描述,在此不再赘述。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图4所示,是根据本申请实施例的安全驾驶监测方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图4所示,该电子设备包括:一个或多个处理器601、存储器602,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示图形用户界面(Graphical User Interface,GUI)的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图4中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本申请所提供的安全驾驶监测方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的安全驾驶监测方法。
存储器602作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的安全驾驶监测方法对应的程序指令/模块(例如,附图3所示的数据接收组件110、识别处理组件120、分析处理组件130和评分处理组件140)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的安全驾驶监测方法。
存储器602可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据安全驾驶监测方法的电子设备的使用所创建的数据等。此外,存储器602可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器602可选包括相对于处理器601远程设置的存储器,这些远程存储器可以通过网络连接至上述电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
上述电子设备还可以包括:输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接,图4中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息,以及产生与上述电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(Liquid Crystal Display,LCD)、发光二极管(Light Emitting Diode,LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用集成电路(Application Specific Integrated Circuits,ASIC)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(programmable logic device,PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(Cathode RayTube,阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(Local Area Network,LAN)、广域网(Wide Area Network,WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,利用车辆自身的摄像头来获取车乘人员行为信息,并结合车辆的行驶状态和道路场景对驾驶员驾驶行为进行评估,评估更加全面精确,从而更有利于发现驾驶隐患以规范提高驾驶行为,提高出行的安全性。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (14)
1.一种安全驾驶监测方法,其特征在于,所述方法包括:
接收目标车辆在目标监测时段内的车内驾驶视频、车外交通环境视频、行车数据和导航数据;
对所述车内驾驶视频中司乘人员的多项指定行为进行识别,获得司乘人员行为的识别结果;对所述车外交通环境视频中的多种指定交通环境进行识别,获得交通环境的识别结果;
根据所述司乘人员行为的识别结果、所述交通环境的识别结果、所述行车数据和所述导航数据中的至少一种数据,对所述司乘人员的多项指定的违规行为进行分析,以及对所述目标车辆的多项指定的违规行驶行为进行分析,获得所述司乘人员的违规行为的分析结果和所述目标车辆的违规行驶行为的分析结果;
根据所述司乘人员的违规行为的分析结果和所述目标车辆的违规行驶行为的分析结果,按照预定规则,得到所述司乘人员的违规行为的评分和所述目标车辆的违规行驶行为的评分;根据所述司乘人员的违规行为的评分和所述目标车辆的违规行驶行为的评分,得到驾驶监测总分,所述驾驶监测总分用于指示所述目标车辆在所述目标监测时段内的安全风险。
2.根据权利要求1所述的方法,其特征在于,其中,
采用与人体识别相关的一种或多种识别模型,对所述车内驾驶视频中司乘人员的多项指定行为进行识别,获得所述司乘人员行为的识别结果;
采用与交通环境识别相关的一种或多种识别模型,对所述车外交通环境视频中的多种指定交通环境进行识别,获得所述交通环境的识别结果。
3.根据权利要求1所述的方法,其特征在于,其中,
所述预定规则包括:
基于所述与人体识别相关的一种或多种识别模型对应的置信度,对所述司乘人员的一种或多种违规行为分别打分,以得到的分值的总和作为所述司乘人员的违规行为的评分;
基于所述与交通环境识别相关的一种或多种识别模型对应的置信度,对所述目标车辆的一种或多种违规行驶行为分别打分,以得到的分数的总和作为所述目标车辆的违规行驶行为的评分。
4.根据权利要求3所述的方法,其特征在于,其中,
所述预定规则还包括:
如果所述司乘人员的一种或多种违规行为违反交通法规,将交通法规中的扣分值与基于置信度打分的分值相乘,作为对应的违规行为的分值;
如果所述目标车辆的一种或多种违规行驶行为违反交通法规,将交通法规中的扣分值与基于置信度打分的分值相乘,作为对应的违规行驶行为的分值。
5.根据权利要求3或4所述的方法,其特征在于,
采用以下计算式,计算所述司乘人员的违规行为的评分:
Pdriver=max(∑pi,1)
其中,Pdriver表示所述司乘人员的违规行为的评分,pi表示所述司乘人员的第i种违规行为的分值,i为正整数,max表示取最大值;
采用以下计算式,计算所述目标车辆的违规行驶行为的评分:
Pcar=max(∑pj,1)
其中,Pcar表示所述目标车辆的违规行驶行为的评分,pj表示所述目标车辆的第j种违规行为的分值,j为正整数,max表示取最大值。
6.根据权利要求1-5中任一项所述的方法,其特征在于,
所述方法还包括:
对所述车外交通环境视频中的一种或多种指定场景进行识别;
根据所述一种或多种指定场景的识别结果,按照预定规则,获得所述一种或多种指定场景的评分;
将所述一种或多种指定场景的评分、所述司乘人员的违规行为的评分以及所述目标车辆的违规行驶行为的评分的乘积,作为所述驾驶监测总分。
7.根据权利要求6所述的方法,其特征在于,
采用以下计算式,对所述驾驶监测总分进行换算,得到安全风险指数:
I=log10(Ptotal)=log10(Pdriver×Pcar×confk)
其中,I表示所述安全风险指数,Ptotal表示所述驾驶监测总分,confk表示第k种指定场景的评分,k为正整数。
8.根据权利要求6或7所述的方法,其特征在于,所述指定场景包括交通拥堵场景、道路条件场景和天气环境场景;
其中,交通越拥堵,对应的评分值越大;道路条件越复杂,对应的评分值越大;天气环境越差,对应的评分值越大。
9.根据权利要求1所述的方法,其特征在于,所述司乘人员的指定的违规行为包括以下各项中的至少一项:车辆载人超过核定人数、驾驶员连续驾驶时长超过预设时长、驾驶员闭眼时长超过预设时长、驾驶员打哈欠、驾驶员双手离开方向盘时长超过预设时长、驾驶员肢体伸出窗外、驾驶员视线离开前方时长超过预设时长、乘车人员未系带安全带、驾驶员抽烟、驾驶员喝水、驾驶员打电话、乘车人员向外抛物、乘车人员打闹。
10.根据权利要求1所述的方法,其特征在于,所述目标车辆的指定的违规行驶行为包括以下各项中的至少一项:车辆违规超速、车辆违规低速、车辆速度标准差大于预设阈值、车辆加速度标准差大于预设阈值、车辆侧向加速度标准差大于预设阈值、指示灯遗漏、车道变更次数与转向灯使用次数的比值大于预设阈值、车辆鸣笛次数与驾驶时长的比值大于预设阈值、变更车道次数与驾驶时长的比值大于预设阈值、违反交通标志规范、违反车道线行驶规范、占用应急车道、未礼让行人、未礼让特种车辆、禁止鸣笛区域鸣笛、车距不规范、停车不规范。
11.根据权利要求1所述的方法,其特征在于,其中,
部分或全部所述车内驾驶视频由设置在车内的摄像设备拍摄;和/或,部分或全部所述车外交通环境视频由设置在车外的摄像设备拍摄;和/或,部分或全部所述车辆行驶状态数据由行车数据采集设备采集;和/或,部分或全部所述车辆行驶状态数据由车载雷达设备采集;和/或,部分或全部所述导航数据由导航设备生成。
12.一种安全驾驶监测装置,其特征在于,包括:
数据接收组件,用于接收目标车辆在目标监测时段内的车内驾驶视频、车外交通环境视频、行车数据和导航数据;
识别处理组件,用于对所述车内驾驶视频中司乘人员的多项指定行为进行识别,获得司乘人员行为的识别结果;并对所述车外交通环境视频中的多种指定交通环境进行识别,获得交通环境的识别结果;
分析处理组件,用于根据所述司乘人员行为的识别结果、所述交通环境的识别结果、所述行车数据和所述导航数据中的至少一种数据,对所述司乘人员的多项指定的违规行为进行分析,以及对所述目标车辆的多项指定的违规行驶行为进行分析,获得所述司乘人员的违规行为的分析结果和所述目标车辆的违规行驶行为的分析结果;
评分处理组件,用于根据所述司乘人员的违规行为的分析结果和所述目标车辆的违规行驶行为的分析结果,按照预定规则,得到所述司乘人员的违规行为的评分和所述目标车辆的违规行驶行为的评分;并根据所述司乘人员的违规行为的评分和所述目标车辆的违规行驶行为的评分,得到驾驶监测总分,所述驾驶监测总分用于指示所述目标车辆在所述目标监测时段内的安全风险。
13.一种电子设备,其特征在于,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,以使所述至少一个处理器能够执行权利要求1-11中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-11中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010188696.0A CN111353471A (zh) | 2020-03-17 | 2020-03-17 | 安全驾驶监测方法、装置、设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010188696.0A CN111353471A (zh) | 2020-03-17 | 2020-03-17 | 安全驾驶监测方法、装置、设备和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111353471A true CN111353471A (zh) | 2020-06-30 |
Family
ID=71194494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010188696.0A Pending CN111353471A (zh) | 2020-03-17 | 2020-03-17 | 安全驾驶监测方法、装置、设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111353471A (zh) |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070442A (zh) * | 2020-09-14 | 2020-12-11 | 恒瑞通(福建)信息技术有限公司 | 一种食品安全方面的运输过程监管方法及终端 |
CN112153343A (zh) * | 2020-09-25 | 2020-12-29 | 北京百度网讯科技有限公司 | 电梯安全监控方法、装置、监控摄像头和存储介质 |
CN112435467A (zh) * | 2020-11-05 | 2021-03-02 | 易显智能科技有限责任公司 | 一种机动车驾驶行为数据的感知方法及装置 |
CN112519790A (zh) * | 2020-12-12 | 2021-03-19 | 江西昌河汽车有限责任公司 | 一种汽车驾驶习惯智能分析系统及其控制方法 |
CN112597965A (zh) * | 2021-01-05 | 2021-04-02 | 株洲中车时代电气股份有限公司 | 一种驾驶行为识别方法、装置和计算机可读存储介质 |
CN112752682A (zh) * | 2020-09-01 | 2021-05-04 | 华为技术有限公司 | 提高车辆安全性的方法和系统 |
CN112800854A (zh) * | 2021-01-04 | 2021-05-14 | 中南大学 | 一种基于图像的机车乘务员作业自动分析系统 |
CN112907980A (zh) * | 2020-10-23 | 2021-06-04 | 深圳巴士集团股份有限公司 | 一种车辆路口限速检测方法、装置及终端设备 |
CN112949559A (zh) * | 2020-10-23 | 2021-06-11 | 深圳巴士集团股份有限公司 | 一种行人礼让检测方法、装置及终端设备 |
CN112991576A (zh) * | 2021-02-20 | 2021-06-18 | 安徽安凯汽车股份有限公司 | 一种新能源客车超载远程监控系统 |
CN113191657A (zh) * | 2021-05-14 | 2021-07-30 | 宝能(广州)汽车研究院有限公司 | 一种传感器数据的上传方法和装置 |
CN113415286A (zh) * | 2021-07-14 | 2021-09-21 | 重庆金康赛力斯新能源汽车设计院有限公司 | 路怒检测方法和设备 |
CN113450571A (zh) * | 2021-09-01 | 2021-09-28 | 深圳市鼎粤科技有限公司 | 基于交通路口的行驶方向提醒方法、装置及存储介质 |
CN113569674A (zh) * | 2021-07-16 | 2021-10-29 | 深圳昌恩智能股份有限公司 | 一种基于智能车载终端的驾驶行为识别方法 |
CN113657775A (zh) * | 2021-08-19 | 2021-11-16 | 哈尔滨工业大学 | 基于违反道路运行规则识别的规范配送人员配送行为的方法 |
CN113850198A (zh) * | 2021-09-27 | 2021-12-28 | 平安科技(深圳)有限公司 | 基于边缘计算的行为检测方法、装置、介质及计算机设备 |
CN113997940A (zh) * | 2021-12-20 | 2022-02-01 | 镁佳(北京)科技有限公司 | 一种驾驶行为监测方法及装置 |
CN114212079A (zh) * | 2022-02-18 | 2022-03-22 | 国汽智控(北京)科技有限公司 | 基于acc的车辆控制方法、装置及系统 |
CN114274967A (zh) * | 2021-12-30 | 2022-04-05 | 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 |
CN115035726A (zh) * | 2022-05-16 | 2022-09-09 | 中铁十九局集团第六工程有限公司 | 隧道施工过程违章数据回放和分析的方法、计算机装置、计算机可读存储介质 |
CN115358576A (zh) * | 2022-08-18 | 2022-11-18 | 武汉奥恒翱贸易有限公司 | 一种基于gps定位的车辆调派智能服务平台 |
CN115457679A (zh) * | 2021-06-09 | 2022-12-09 | 上海擎感智能科技有限公司 | 基于行车监测的互动方法、设备及介质 |
CN115984990A (zh) * | 2022-11-18 | 2023-04-18 | 北京思维实创科技有限公司 | 基于机器视角的车辆驾驶员驾驶事故追溯方法及系统 |
CN116469086A (zh) * | 2023-05-17 | 2023-07-21 | 卓振思众(广州)科技有限公司 | 基于人工智能的驾驶行为检测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107618512A (zh) * | 2017-08-23 | 2018-01-23 | 清华大学 | 基于人‑车‑环境多数据源的驾驶行为安全评价方法 |
CN108682158A (zh) * | 2018-03-23 | 2018-10-19 | 深圳融易保科技有限公司 | 视频分析及评分预警方法和系统 |
CN110276953A (zh) * | 2019-06-28 | 2019-09-24 | 青岛无车承运服务中心有限公司 | 基于北斗定位系统的车辆违规行驶风险分析方法 |
CN110503831A (zh) * | 2019-08-28 | 2019-11-26 | 上海眼控科技股份有限公司 | 一种识别驾驶员违法行为的方法及设备 |
CN110733509A (zh) * | 2018-07-18 | 2020-01-31 | 阿里巴巴集团控股有限公司 | 驾驶行为分析方法、装置、设备以及存储介质 |
-
2020
- 2020-03-17 CN CN202010188696.0A patent/CN111353471A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107618512A (zh) * | 2017-08-23 | 2018-01-23 | 清华大学 | 基于人‑车‑环境多数据源的驾驶行为安全评价方法 |
CN108682158A (zh) * | 2018-03-23 | 2018-10-19 | 深圳融易保科技有限公司 | 视频分析及评分预警方法和系统 |
CN110733509A (zh) * | 2018-07-18 | 2020-01-31 | 阿里巴巴集团控股有限公司 | 驾驶行为分析方法、装置、设备以及存储介质 |
CN110276953A (zh) * | 2019-06-28 | 2019-09-24 | 青岛无车承运服务中心有限公司 | 基于北斗定位系统的车辆违规行驶风险分析方法 |
CN110503831A (zh) * | 2019-08-28 | 2019-11-26 | 上海眼控科技股份有限公司 | 一种识别驾驶员违法行为的方法及设备 |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112752682A (zh) * | 2020-09-01 | 2021-05-04 | 华为技术有限公司 | 提高车辆安全性的方法和系统 |
CN112070442A (zh) * | 2020-09-14 | 2020-12-11 | 恒瑞通(福建)信息技术有限公司 | 一种食品安全方面的运输过程监管方法及终端 |
CN112153343A (zh) * | 2020-09-25 | 2020-12-29 | 北京百度网讯科技有限公司 | 电梯安全监控方法、装置、监控摄像头和存储介质 |
CN112907980A (zh) * | 2020-10-23 | 2021-06-04 | 深圳巴士集团股份有限公司 | 一种车辆路口限速检测方法、装置及终端设备 |
CN112949559A (zh) * | 2020-10-23 | 2021-06-11 | 深圳巴士集团股份有限公司 | 一种行人礼让检测方法、装置及终端设备 |
CN112435467A (zh) * | 2020-11-05 | 2021-03-02 | 易显智能科技有限责任公司 | 一种机动车驾驶行为数据的感知方法及装置 |
CN112519790A (zh) * | 2020-12-12 | 2021-03-19 | 江西昌河汽车有限责任公司 | 一种汽车驾驶习惯智能分析系统及其控制方法 |
CN112800854A (zh) * | 2021-01-04 | 2021-05-14 | 中南大学 | 一种基于图像的机车乘务员作业自动分析系统 |
CN112597965A (zh) * | 2021-01-05 | 2021-04-02 | 株洲中车时代电气股份有限公司 | 一种驾驶行为识别方法、装置和计算机可读存储介质 |
CN112991576A (zh) * | 2021-02-20 | 2021-06-18 | 安徽安凯汽车股份有限公司 | 一种新能源客车超载远程监控系统 |
CN113191657A (zh) * | 2021-05-14 | 2021-07-30 | 宝能(广州)汽车研究院有限公司 | 一种传感器数据的上传方法和装置 |
CN115457679A (zh) * | 2021-06-09 | 2022-12-09 | 上海擎感智能科技有限公司 | 基于行车监测的互动方法、设备及介质 |
CN115457679B (zh) * | 2021-06-09 | 2023-11-17 | 上海擎感智能科技有限公司 | 基于行车监测的互动方法、设备及介质 |
CN113415286A (zh) * | 2021-07-14 | 2021-09-21 | 重庆金康赛力斯新能源汽车设计院有限公司 | 路怒检测方法和设备 |
CN113569674A (zh) * | 2021-07-16 | 2021-10-29 | 深圳昌恩智能股份有限公司 | 一种基于智能车载终端的驾驶行为识别方法 |
CN113657775A (zh) * | 2021-08-19 | 2021-11-16 | 哈尔滨工业大学 | 基于违反道路运行规则识别的规范配送人员配送行为的方法 |
CN113657775B (zh) * | 2021-08-19 | 2024-02-27 | 哈尔滨工业大学 | 基于违反道路运行规则识别的规范配送人员配送行为的方法 |
CN113450571A (zh) * | 2021-09-01 | 2021-09-28 | 深圳市鼎粤科技有限公司 | 基于交通路口的行驶方向提醒方法、装置及存储介质 |
CN113850198A (zh) * | 2021-09-27 | 2021-12-28 | 平安科技(深圳)有限公司 | 基于边缘计算的行为检测方法、装置、介质及计算机设备 |
CN113850198B (zh) * | 2021-09-27 | 2024-06-07 | 平安科技(深圳)有限公司 | 基于边缘计算的行为检测方法、装置、介质及计算机设备 |
CN113997940A (zh) * | 2021-12-20 | 2022-02-01 | 镁佳(北京)科技有限公司 | 一种驾驶行为监测方法及装置 |
CN114274967A (zh) * | 2021-12-30 | 2022-04-05 | 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 |
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 |
CN114212079A (zh) * | 2022-02-18 | 2022-03-22 | 国汽智控(北京)科技有限公司 | 基于acc的车辆控制方法、装置及系统 |
CN115035726A (zh) * | 2022-05-16 | 2022-09-09 | 中铁十九局集团第六工程有限公司 | 隧道施工过程违章数据回放和分析的方法、计算机装置、计算机可读存储介质 |
CN115358576A (zh) * | 2022-08-18 | 2022-11-18 | 武汉奥恒翱贸易有限公司 | 一种基于gps定位的车辆调派智能服务平台 |
CN115358576B (zh) * | 2022-08-18 | 2023-07-18 | 西安货达网络科技有限公司 | 一种基于gps定位的车辆调派智能服务平台 |
CN115984990A (zh) * | 2022-11-18 | 2023-04-18 | 北京思维实创科技有限公司 | 基于机器视角的车辆驾驶员驾驶事故追溯方法及系统 |
CN116469086A (zh) * | 2023-05-17 | 2023-07-21 | 卓振思众(广州)科技有限公司 | 基于人工智能的驾驶行为检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111353471A (zh) | 安全驾驶监测方法、装置、设备和可读存储介质 | |
JP7399075B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
US9707971B2 (en) | Driving characteristics diagnosis device, driving characteristics diagnosis system, driving characteristics diagnosis method, information output device, and information output method | |
CN108725440B (zh) | 前向碰撞控制方法和装置、电子设备、程序和介质 | |
US10336252B2 (en) | Long term driving danger prediction system | |
CN111739344B (zh) | 一种预警方法、装置及电子设备 | |
CN114026611A (zh) | 使用热图检测驾驶员注意力 | |
CN106530831A (zh) | 一种高威胁车辆监测预警系统及方法 | |
CN106781458A (zh) | 一种交通事故监控方法及系统 | |
WO2007029455A1 (ja) | 風景単調度演算装置及び方法 | |
AU2019337091A1 (en) | Systems and methods for classifying driver behavior | |
CN112634611A (zh) | 用于识别路况的方法、装置、设备以及存储介质 | |
JP4814816B2 (ja) | 事故発生予測シミュレーション装置、方法及びプログラム並びに安全システム評価装置及び事故警報装置 | |
CN113386786A (zh) | 信息提示方法、装置、设备、介质、云控平台和车辆 | |
CN104299400A (zh) | 车辆周围环境监测系统 | |
CN114030475A (zh) | 一种车辆辅助驾驶方法、装置、车辆及存储介质 | |
CN116030662B (zh) | 一种基于大数据的智能安全检测系统及方法 | |
CN113283272B (zh) | 道路拥堵的实时影像信息提示方法、装置和电子设备 | |
CN111564020A (zh) | 一种驾驶安全防控系统、存储介质以及计算机设备 | |
JP2010257234A (ja) | 車両用情報提示装置 | |
US20240046779A1 (en) | Driving determination system, driving determination method, and recording medium | |
CN115009292A (zh) | 用于自动驾驶车辆的风险提示方法、装置及自动驾驶车辆 | |
CN112213117A (zh) | 一种车辆测试的方法、装置、设备以及存储介质 | |
Tsai et al. | A safety driving assistance system by integrating in-vehicle dynamics and real-time traffic information | |
Yang et al. | Adaptive intervention algorithms for advanced driver assistance systems |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211015 Address after: 100176 Room 101, 1st floor, building 1, yard 7, Ruihe West 2nd Road, economic and Technological Development Zone, Daxing District, Beijing Applicant after: Apollo Zhilian (Beijing) Technology Co.,Ltd. Address before: 2 / F, baidu building, 10 Shangdi 10th Street, Haidian District, Beijing 100085 Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd. |