CN111414874B - 基于人脸的驾驶风险预测方法、装置、设备和存储介质 - Google Patents
基于人脸的驾驶风险预测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111414874B CN111414874B CN202010221474.4A CN202010221474A CN111414874B CN 111414874 B CN111414874 B CN 111414874B CN 202010221474 A CN202010221474 A CN 202010221474A CN 111414874 B CN111414874 B CN 111414874B
- Authority
- CN
- China
- Prior art keywords
- driving risk
- data set
- optimized
- features
- prediction model
- 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
- 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
- G06V40/168—Feature extraction; Face representation
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Multimedia (AREA)
- Educational Administration (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及大数据处理领域,尤其是一种基于人脸的驾驶风险预测方法、装置、计算机设备和存储介质。该方法包括:接收车辆终端所采集的待分析人脸图像;将待分析人脸图像输入至优化后的驾驶风险预测模型中得到驾驶风险参考指标;优化后的驾驶风险预测模型是通过分布不同的业务数据集和应用数据集进行联合训练,以得到对环境分类具有不变性且对驾驶风险参考指标具有判别性的优化后的特征以及对应优化后的特征的权重后,根据优化后的特征及对应的权重生成的;获取与驾驶风险参考指标对应的风险预警信息;将风险预警信息发送至车辆终端进行播报。采用本方法能够提高准确性。
Description
技术领域
本申请涉及人脸识别技术领域,特别是涉及一种基于人脸的驾驶风险预测方法、装置、设备和存储介质。
背景技术
人脸驾驶风险预测是一个新兴的研究方向。但是受限于保险的经营场景,车险公司获得的照片往往受限在某个特定场景和特定的图像质量。
这样当拍摄条件发生变化,将变化的拍摄条件所拍摄的图像输入到根据摸个特定场景和特定的图像质量生成的模型中进行人脸驾驶风险预测的时候,会出现预测的偏差,导致预测结果不准确。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高预测准确性的基于人脸的驾驶风险预测方法、装置、设备和存储介质。
一种基于人脸的驾驶风险预测方法,所述方法包括:
接收车辆终端所采集的待分析人脸图像;
将所述待分析人脸图像输入至优化后的驾驶风险预测模型中,以通过所述驾驶风险预测模型从所述待分析人脸图像中提取出优化后的特征对应的特征向量,并根据所提取的特征向量和优化后的特征对应的权重计算得到驾驶风险参考指标;所述优化后的驾驶风险预测模型是通过分布不同的业务数据集和应用数据集进行联合训练,以得到对环境分类具有不变性且对驾驶风险参考指标具有判别性的优化后的特征以及对应所述优化后的特征的权重后,根据所述优化后的特征以及对应的权重生成的;
获取与所述驾驶风险参考指标对应的风险预警信息;
将所述风险预警信息发送至所述车辆终端进行播报。
在其中一个实施例中,所述优化后的驾驶风险预测模型的优化方式包括:
从数据库中提取业务数据集和应用数据集,所述业务数据集与所述应用数据集分布不同;
通过特征抽取网络提取所述业务数据集和应用数据集的初步特征;
将所述业务数据集对应的初步特征输入至初始驾驶风险预测模型中得到预测结果,并基于所述业务数据集中的风险标签以及所述预测结果构建初始驾驶风险预测模型的第一损失函数;
将所述业务数据集对应的初步特征和所述应用数据集对应的初步特征输入至初始分类模型中得到分类结果,并基于所述业务数据集中的分类标签、所述应用数据集中的分类标签以及所述分类结果构建初始分类模型的第二损失函数;
根据所述第一损失函数和所述第二损失函数对所述驾驶风险预测模型、所述分类模型以及所述特征抽取网络进行联合优化后,得到优化后的驾驶风险预测模型。
在其中一个实施例中,所述根据所述第一损失函数和所述第二损失函数对所述驾驶风险预测模型、所述分类模型以及所述特征抽取网络进行联合优化后,得到优化后的驾驶风险预测模型,包括:
将所述第一损失函数回传至所述初始驾驶风险预测模型以及所述特征抽取网络中;将所述第二损失函数回传至所述初始分类模型中,并通过梯度反转层进行反转处理后回传至所述特征抽取网络中;
通过梯度下降算法计算所述第二损失函数与所述第一损失函数的差的最小值,以对所述初步特征进行迭代优化得到优化后的特征,并根据优化后的特征得到优化后的驾驶风险预测模型。
在其中一个实施例中,所述初始驾驶风险预测模型的生成方式包括:
获取预设时间内的预设数量的样本用户的人脸区域图像、对应的驾驶数据以及历史风险参考指标;
对所述人脸区域图像进行处理得到人脸特征,并将所述人脸特征与所述驾驶数据进行拼接得到多维特征;
对所述多维特征和所述历史风险参考指标进行训练得到初始驾驶风险预测模型。
在其中一个实施例中,初始驾驶风险预测模型的生成方式包括:
获取预设时间内的预设数量的样本用户的人脸区域图像、对应的驾驶数据以及历史风险参考指标;
对所述人脸区域图像和所述驾驶数据进行拼接得到结构化数据;
对所述结构化数据和所述历史风险参考指标进行训练得到初始驾驶风险预测模型。
在其中一个实施例中,所述获取与所述驾驶风险参考指标对应的风险预警信息,包括:
将所述驾驶风险参考指标与预设的分段阈值进行比较,以得到所述驾驶风险参考指标对应的风险分段;
查询所述风险分段对应的风险预警信息。
一种基于人脸的驾驶风险预测装置,所述装置包括:
接收模块,用于接收车辆终端所采集的待分析人脸图像;
驾驶风险预测模块,用于将所述待分析人脸图像输入至优化后的驾驶风险预测模型中,以通过所述驾驶风险预测模型从所述待分析人脸图像中提取出优化后的特征对应的特征向量,并根据所提取的特征向量和优化后的特征对应的权重计算得到驾驶风险参考指标;所述优化后的驾驶风险预测模型是通过分布不同的业务数据集和应用数据集进行联合训练,以得到对环境分类具有不变性且对驾驶风险参考指标具有判别性的优化后的特征以及对应所述优化后的特征的权重后,根据所述优化后的特征以及对应的权重生成的;
风险预警信息获取模块,用于获取与所述驾驶风险参考指标对应的风险预警信息;
发送模块,用于将所述风险预警信息发送至所述车辆终端进行播报。
在其中一个实施例中,所述装置还包括:
提取模块,用于从数据库中提取业务数据集和应用数据集,所述业务数据集与所述应用数据集分布不同;
初步特征抽取模块,用于通过特征抽取网络提取所述业务数据集和应用数据集的初步特征;
第一损失函数构建模块,用于将所述业务数据集对应的初步特征输入至初始驾驶风险预测模型中得到预测结果,并基于所述业务数据集中的风险标签以及所述预测结果构建初始驾驶风险预测模型的第一损失函数;
第二损失函数构建模块,用于将所述业务数据集对应的初步特征和所述应用数据集对应的初步特征输入至初始分类模型中得到分类结果,并基于所述业务数据集中的分类标签、所述应用数据集中的分类标签以及所述分类结果构建初始分类模型的第二损失函数;
联合训练模块,用于根据所述第一损失函数和所述第二损失函数对所述驾驶风险预测模型、所述分类模型以及所述特征抽取网络进行联合优化后,得到优化后的驾驶风险预测模型。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述中任一项所述方法的步骤。
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中任一项所述的方法的步骤。
上述基于人脸的驾驶风险预测方法、装置、设备和存储介质,在接收到车辆终端上传的待分析人脸图像后,将该待分析人脸图像输入至优化后的驾驶风险预测模型中,这样待分析人脸图像中提取出优化后的特征对应的特征向量,并根据所提取的特征向量和优化后的特征对应的权重计算得到驾驶风险参考指标,其中该优化后的驾驶风险预测模型是根据对环境分类具有不变性且对驾驶风险参考指标具有判别性的优化后的特征以及对应所述优化后的特征的权重生成的,这样该优化后的驾驶风险预测模型不会因为车辆终端所采集的待分析图片的环境发生变化而导致最后的驾驶风险参考指标的变化,即无论车辆终端在采集待分析图片时所处的环境为何种状态,其均可以获得准确的驾驶风险参考指标,从而得到对应的风险预警信息,服务器将该风险预警信息发送至车辆终端进行播报,提高了驾驶风险预测的准确性。
附图说明
图1为一个实施例中基于人脸的驾驶风险预测方法的应用场景图;
图2为一个实施例中基于人脸的驾驶风险预测方法的流程示意图;
图3为一个实施例中的驾驶风险预测模型的优化步骤的流程图;
图4为一个实施例中基于人脸的驾驶风险预测装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的基于人脸的驾驶风险预测方法,可以应用于如图1所示的应用环境中。其中,车辆终端102与服务器104通过网络进行通信。服务器104在接收到车辆终端102上传的待分析人脸图像后,将该待分析人脸图像输入至优化后的驾驶风险预测模型中,这样服务器104通过待分析人脸图像中提取出优化后的特征对应的特征向量,并根据所提取的特征向量和优化后的特征对应的权重计算得到驾驶风险参考指标,其中该优化后的驾驶风险预测模型是根据对环境分类具有不变性且对驾驶风险参考指标具有判别性的优化后的特征以及对应优化后的特征的权重生成的,这样该优化后的驾驶风险预测模型不会因为车辆终端所采集的待分析图片的环境发生变化而导致最后的驾驶风险参考指标的变化,即无论车辆终端在采集待分析图片时所处的环境为何种状态,其均可以获得准确的驾驶风险参考指标,从而得到对应的风险预警信息,服务器104将该风险预警信息发送至车辆终端进行播报,提高了驾驶风险预测的准确性。其中,车辆终端102可以但不限于是各种安装在车辆上的个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种基于人脸的驾驶风险预测方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
S202:接收车辆终端所采集的待分析人脸图像。
具体地,待分析人脸图像可以是接收车辆终端发送的目标用户的待分析图像,或者在收到车辆终端发送的针对目标用户的驾驶风险分析请求后,控制该车辆终端拍摄目标用户的照片作为待分析图像,或者根据驾驶风险分析请求中目标用户的用户标识,从预先确定的数据库中提取目标用户的待分析图像。
在本实施例中,车辆终端发送的目标用户的待分析图片为终端从本地相册上传的图片。目标用户的用户标识可以为用户的身份证号码、护照号等。预先确定的数据库可以为车险业务数据库、银行业务数据、征信数据库等。
S204:将待分析人脸图像输入至优化后的驾驶风险预测模型中,以通过驾驶风险预测模型从待分析人脸图像中提取出优化后的特征对应的特征向量,并根据所提取的特征向量和优化后的特征对应的权重计算得到驾驶风险参考指标;优化后的驾驶风险预测模型是通过分布不同的业务数据集和应用数据集进行联合训练,以得到对环境分类具有不变性且对驾驶风险参考指标具有判别性的优化后的特征以及对应优化后的特征的权重后,根据优化后的特征以及对应的权重生成的。
具体地,优化后的驾驶风险预测模型是通过分布不同的业务数据集和应用数据集进行联合训练,以得到对环境分类具有不变性且对驾驶风险参考指标具有判别性的优化后的特征以及对应优化后的特征的权重后,根据优化后的特征以及对应的权重生成的。其中分布不同是指业务数据和应用数据集的来源不同,例如在不同的环境下拍摄得到的,而对于驾驶风险预测模型优化的目的则是为了保证优化后的对无法识别出分类,但是对于驾驶风险预测又准确。因此服务器需要经过训练以得到该些对于分类不敏感而对于风险预测敏感的特征,并通过该些特征进行驾驶风险预测,这样可以避免由于所采集的数据与模型的训练数据是不同的分类时,所带来的数据处理准确性降低的问题。
服务器在接收到待分析人脸图像后,首先根据模型训练从待分析人脸图像中提取到对环境分类具有不变性且对驾驶风险参考指标具有判别性的优化后的特征向量,然后根据所提取的特征向量和优化后的特征对应的权重计算得到驾驶风险参考指标。例如假设存在特征性向量A、B、C和D,其权重对应为a、b、c和d,则驾驶风险参考指标为a*A+b*B+c*C+d*D。
S206:获取与驾驶风险参考指标对应的风险预警信息。
S208:将风险预警信息发送至车辆终端进行播报。
具体地,风险预警信息是预先存储在服务器中,与驾驶风险参考指标对应的,例如若驾驶风险参考指标表示风险较大,则提示用户高风险,请注意,若驾驶风险参考指标表示风险较小,则可以不输出提示。
服务器可以将所获取到的风险预警信息发送给对应的车辆终端,从而车辆终端可以进行播报,以提醒驾驶员,避免车祸等的发生。
上述基于人脸的驾驶风险预测方法,在接收到车辆终端上传的待分析人脸图像后,将该待分析人脸图像输入至优化后的驾驶风险预测模型中,这样待分析人脸图像中提取出优化后的特征对应的特征向量,并根据所提取的特征向量和优化后的特征对应的权重计算得到驾驶风险参考指标,其中该优化后的驾驶风险预测模型是根据对环境分类具有不变性且对驾驶风险参考指标具有判别性的优化后的特征以及对应优化后的特征的权重生成的,这样该优化后的驾驶风险预测模型不会因为车辆终端所采集的待分析图片的环境发生变化而导致最后的驾驶风险参考指标的变化,即无论车辆终端在采集待分析图片时所处的环境为何种状态,其均可以获得准确的驾驶风险参考指标,从而得到对应的风险预警信息,服务器将该风险预警信息发送至车辆终端进行播报,提高了驾驶风险预测的准确性。
在其中一个实施例中,优化后的驾驶风险预测模型的优化方式包括:从数据库中提取业务数据集和应用数据集,业务数据集与应用数据集分布不同;通过特征抽取网络提取业务数据集和应用数据集的初步特征;将业务数据集对应的初步特征输入至初始驾驶风险预测模型中得到预测结果,并基于业务数据集中的风险标签以及预测结果构建初始驾驶风险预测模型的第一损失函数;将业务数据集对应的初步特征和应用数据集对应的初步特征输入至初始分类模型中得到分类结果,并基于业务数据集中的分类标签、应用数据集中的分类标签以及分类结果构建初始分类模型的第二损失函数;根据第一损失函数和第二损失函数对驾驶风险预测模型、分类模型以及特征抽取网络进行联合优化后,得到优化后的驾驶风险预测模型。
在其中一个实施例中,根据第一损失函数和第二损失函数对驾驶风险预测模型、分类模型以及特征抽取网络进行联合优化后,得到优化后的驾驶风险预测模型,包括:将第一损失函数回传至初始驾驶风险预测模型以及特征抽取网络中;将第二损失函数回传至初始分类模型中,并通过梯度反转层进行反转处理后回传至特征抽取网络中;通过梯度下降算法计算第二损失函数与第一损失函数的差的最小值,以对初步特征进行迭代优化得到优化后的特征,并根据优化后的特征得到优化后的驾驶风险预测模型。
具体地,可以参见图3所示,图3为一个实施例中的驾驶风险预测模型的优化步骤的流程图,该驾驶风险优化步骤可以包括:
S302:从数据库中提取业务数据集和应用数据集,业务数据集与应用数据集分布不同。
具体地,业务数据集和应用数据集是均有类别标签的,且业务数据集是具有已知风险值标签的,应用数据集是没有已知风险值标签的。业务数据集和应用数据集是分布不同的,即通过业务数据集训练的驾驶风险预测模型是无法直接转移到应用数据集中进行准确的预测的,业务数据集可以看作是用于训练初始风险驾驶预测模型的实验室数据,而应用数据集是在实际应用环境中所采集的数据。
S304:通过特征抽取网络提取业务数据集和应用数据集的初步特征。
特征抽取网络是用于提取业务数据集和应用数据集中的初步特征的,其中该特征抽取网络可以抽取各个层次的特征,包括高层次特征和低层次特征,其可以通过神经网络模型CNN进行抽取。例如将样本依次输入卷积层、池化层、和全连接层,实现特征的抽取。这里的初步特征是人脸风险特征,人脸风险特征可以是8维的人脸风险特征,优点是在确保足够的识别精度的同时,保证运算的速度,有效降低系统运算资源,在本实施例中,该8维的人脸风险特征综合描述了和驾驶风险相关的多项人脸特征,包括且不限于眼镜、图像质量、嘴唇厚度、眼睛张合程度、性别、年龄、和/或脸形等特征。其中,脸型特征包括:圆脸或者长脸,宽下巴或者窄下巴等。
S306:将业务数据集对应的初步特征输入至初始驾驶风险预测模型中得到预测结果,并基于业务数据集中的风险标签以及预测结果构建初始驾驶风险预测模型的第一损失函数。
人脸驾驶风险预测网络是预先训练得到的,本实施例中,将业务数据集输入至人脸驾驶风险预测网络中会得到一个预测值,该预测值与业务数据集中的风险标签即可得到第一损失函数,在训练过程中是希望该第一损失函数的输出值越小越好。
S308:将业务数据集对应的初步特征和应用数据集对应的初步特征输入至初始分类模型中得到分类结果,并基于业务数据集中的分类标签、应用数据集中的分类标签以及分类结果构建初始分类模型的第二损失函数。
具体地,领域分类网络是预先训练得到的,本实施例中,将业务数据集以及应用数据集对应的初始特征输入至领域分类网络中可以得到分类结果的预测值,该预测值与业务数据集以及应用数据集中的分类标签即可得到第二损失函数,在训练过程中是希望该第二损失函数越大越好。
S310:将第一损失函数回传至初始驾驶风险预测模型以及特征抽取网络中。
具体地,回传过程是用于判断造成该损失的各个特征的权重,即正向预测的时候每一层的每一个参数都会存在一个权重,通过参数值和权重计算得到了预测值,从而在回传的时候,可以根据驾驶风险预测网络中各个特征的权重来得到造成损失的权重,进而造成该损失的各个特征的权重。
S312:将第二损失函数回传至初始分类模型中,并通过梯度反转层进行反转处理后回传至特征抽取网络中。
具体地,梯度反转层,即Gradient reversal layer是特征提取网络和领域分类网络之间的层,用来获取到领域分类网络和驾驶风险预测网络之间的鞍点。在反向传播期间,该梯度反转层乘以某个λ。λ是一个正的超参数,用于在实践中权衡两个损失。梯度反转层确保两个域上的特征分布相似,这样就可以得到域不变的时候的驾驶风险预测的区别的特征。
S314:通过梯度下降算法计算第二损失函数与第一损失函数的差的最小值,以对初步特征进行迭代优化得到优化后的特征,并根据优化后的特征得到优化后的驾驶风险预测模型。
具体地,第一损失函数可以表示为:
第二损失函数可以表示为:
第二损失函数与第一损失函数的差可以表示为:
其中,theta_f表示驾驶风险预测模型和分类模型所对应的参数,theta_y表示驾驶风险预测模型所对应的参数,theta_d表示分类模型所对应的参数,L_y表示优化后的驾驶风险预测模型,L_d表示优化后的分类模型。N代表所有样本的数目,d_i代表应用数据集,0代表业务数据集。
上述实施例中,通过上述优化可以在业务数据集和应用数据集上,学习到一个公共的特征表示空间,那么在这个特征空间上,业务数据集上学到的驾驶风险预测模型也可以用到和应用数据集的特征上。
在其中一个实施例中,初始驾驶风险预测模型的生成方式包括:获取预设时间内的预设数量的样本用户的人脸区域图像、对应的驾驶数据以及历史风险参考指标;对人脸区域图像进行处理得到人脸特征,并将人脸特征与驾驶数据进行拼接得到多维特征;对多维特征和历史风险参考指标进行训练得到初始驾驶风险预测模型。
在其中一个实施例中,初始驾驶风险预测模型的生成方式包括:获取预设时间内的预设数量的样本用户的人脸区域图像、对应的驾驶数据以及历史风险参考指标;对人脸区域图像和驾驶数据进行拼接得到结构化数据;对结构化数据和历史风险参考指标进行训练得到初始驾驶风险预测模型。
具体地,如上文所示,初始驾驶风险预测模型可以包括人脸识别模型和驾驶风险预测模型,该人脸识别模型和驾驶风险预测模型可以是分开训练也可以联合训练。
人脸驾驶风险预测模型的联合训练方式包括:获取预设时间内的预设数量样本用户的人脸区域图片样本和用户数据的数据样本,并为每一个人脸区域图片样本确定出对应的历史风险参考指标;例如,获取最近一年内的100万个样本用户的人脸区域图片样本,每一个人脸区域图片样本对应的历史风险参考指标可以根据历史车险理赔数据进行确定;针对每一个数据样本,提取出预设类型多维特征,每一个样本用户对应的人脸区域图片样本、多维特征及历史风险参考指标构成一个端到端融合训练样本;例如,数据样本i的多维特征可以为{Xi1,Xi2、Xi3、……、Xim},该特征集合包括m个不同类型的特征,m可以等于10;将所有样本用户对应的端到端融合训练样本分为第一比例的训练集、第二比例的验证集;例如,第一比例为80%,第二比例为20%;分别将训练集中的各个样本用户对应的人脸区域图片样本输入人脸特征识别模型,分别将人脸特征识别模型的各个输出和对应样本用户的多维特征链接到驾驶风险分析模型的输入,从而将驾驶风险分析模型和人脸特征识别模型构成一个整体的模型进行训练,实现驾驶风险分析模型和人脸特征识别模型的联合训练;分别将训练集中的各个样本用户对应的人脸区域图片样本输入人脸特征识别模型,分别将人脸特征识别模型的各个输出和对应样本用户的结构化特征数据链接到驾驶风险分析模型的输入,从而将训练好的驾驶风险分析模型和人脸特征识别模型构成一个整体的模型进行验证;若准确率大于或者等于预设阈值,则端到端融合训练结束,或者,若准确率小于预设阈值,则增加人脸区域图片样本和数据样本的数量,并重新执行上述各步骤。
在其他实施例中,还可以将人脸识别模型和驾驶风险预测模型进行分开训练,即首先通过样本训练得到人脸识别模型,然后将样本输入到训练得到的人脸识别模型中得到人脸风险特征,再获取到数据库中预先确定的用户数据,从用户数据中提取出预设类型结构化特征数据,将预设类型的人脸风险特征与预设类型结构化特征数据拼接成多维的综合风险特征,根据综合风险特征和对应的综合风险分析值进行训练得到驾驶风险预测模型。且人脸识别模型还可包括人脸区域识别模型和人脸特征识别模型,其均可以预先训练得到。
在其中一个实施例中,获取与驾驶风险参考指标对应的风险预警信息,包括:将驾驶风险参考指标与预设的分段阈值进行比较,以得到驾驶风险参考指标对应的风险分段;查询风险分段对应的风险预警信息。
具体地,若输出的驾驶风险参考指标大于第一预设阈值,则向车辆终端发送第一预设格式的驾驶风险预警信息;及/或若输出的驾驶风险参考指标小于或者等于第一预设阈值,且大于第二预设阈值,则向车辆终端发送第二预设格式的驾驶风险预警信息;及/或若输出的驾驶风险参考指标小于或者等于第二预设阈值,则向车辆终端发送第三预设格式的结果反馈信息。
其中,第一预设格式的驾驶风险预警信息可以举例为:本次模型分析结果是“高驾驶风险”,请务必加以注意;第二预设格式的驾驶风险预警信息可以举例为:本次模型分析结果是“中驾驶风险”,请适当加以注意;第三预设格式的驾驶风险预警信息可以举例为:本次模型分析结果是“低驾驶风险”,请知悉。第一预设阈值、第二预设阈值、第三预设阈值可根据实际需求进行调整。
应该理解的是,虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-3中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种基于人脸的驾驶风险预测装置,包括:接收模块100、驾驶风险预测模块200、风险预警信息获取模块300和发送模块400,其中:
接收模块100,用于接收车辆终端所采集的待分析人脸图像。
驾驶风险预测模块200,用于将待分析人脸图像输入至优化后的驾驶风险预测模型中,以通过驾驶风险预测模型从待分析人脸图像中提取出优化后的特征对应的特征向量,并根据所提取的特征向量和优化后的特征对应的权重计算得到驾驶风险参考指标;优化后的驾驶风险预测模型是通过分布不同的业务数据集和应用数据集进行联合训练,以得到对环境分类具有不变性且对驾驶风险参考指标具有判别性的优化后的特征以及对应优化后的特征的权重后,根据优化后的特征以及对应的权重生成的。
风险预警信息获取模块300,用于获取与驾驶风险参考指标对应的风险预警信息。
发送模块400,用于将风险预警信息发送至车辆终端进行播报。
在其中一个实施例中,上述装置还可以包括:
提取模块,用于从数据库中提取业务数据集和应用数据集,业务数据集与应用数据集分布不同。
初步特征抽取模块,用于通过特征抽取网络提取业务数据集和应用数据集的初步特征。
第一损失函数构建模块,用于将业务数据集对应的初步特征输入至初始驾驶风险预测模型中得到预测结果,并基于业务数据集中的风险标签以及预测结果构建初始驾驶风险预测模型的第一损失函数。
第二损失函数构建模块,用于将业务数据集对应的初步特征和应用数据集对应的初步特征输入至初始分类模型中得到分类结果,并基于业务数据集中的分类标签、应用数据集中的分类标签以及分类结果构建初始分类模型的第二损失函数。
联合训练模块,用于根据第一损失函数和第二损失函数对驾驶风险预测模型、分类模型以及特征抽取网络进行联合优化后,得到优化后的驾驶风险预测模型。
在其中一个实施例中,上述的联合训练模块可以包括:
第一回传单元,用于将第一损失函数回传至初始驾驶风险预测模型以及特征抽取网络中;将第二损失函数回传至初始分类模型中,并通过梯度反转层进行反转处理后回传至特征抽取网络中。
第二回传单元,用于通过梯度下降算法计算第二损失函数与第一损失函数的差的最小值,以对初步特征进行迭代优化得到优化后的特征,并根据优化后的特征得到优化后的驾驶风险预测模型。
在其中一个实施例中,上述的装置还可以包括:
第一数据获取模块,用于获取预设时间内的预设数量的样本用户的人脸区域图像、对应的驾驶数据以及历史风险参考指标。
第一拼接模块,用于对人脸区域图像进行处理得到人脸特征,并将人脸特征与驾驶数据进行拼接得到多维特征。
第一初始模型训练模块,用于对多维特征和历史风险参考指标进行训练得到初始驾驶风险预测模型。
在其中一个实施例中,上述的装置还可以包括:
第二数据获取模块,用于获取预设时间内的预设数量的样本用户的人脸区域图像、对应的驾驶数据以及历史风险参考指标。
第二拼接模块,用于对人脸区域图像和驾驶数据进行拼接得到结构化数据。
第二初始模型训练模块,用于对结构化数据和历史风险参考指标进行训练得到初始驾驶风险预测模型。
在其中一个实施例中,上述风险预警信息获取模块300可以包括:
分段单元,用于将驾驶风险参考指标与预设的分段阈值进行比较,以得到驾驶风险参考指标对应的风险分段。
查询单元,用于查询风险分段对应的风险预警信息。
关于基于人脸的驾驶风险预测装置的具体限定可以参见上文中对于基于人脸的驾驶风险预测方法的限定,在此不再赘述。上述基于人脸的驾驶风险预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储待分析人脸图像以及风险预警信息。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于人脸的驾驶风险预测方法。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:接收车辆终端所采集的待分析人脸图像;将待分析人脸图像输入至优化后的驾驶风险预测模型中,以通过驾驶风险预测模型从待分析人脸图像中提取出优化后的特征对应的特征向量,并根据所提取的特征向量和优化后的特征对应的权重计算得到驾驶风险参考指标;优化后的驾驶风险预测模型是通过分布不同的业务数据集和应用数据集进行联合训练,以得到对环境分类具有不变性且对驾驶风险参考指标具有判别性的优化后的特征以及对应优化后的特征的权重后,根据优化后的特征以及对应的权重生成的;获取与驾驶风险参考指标对应的风险预警信息;将风险预警信息发送至车辆终端进行播报。
在一个实施例中,处理器执行计算机程序时所实现的优化后的驾驶风险预测模型的优化方式包括:从数据库中提取业务数据集和应用数据集,业务数据集与应用数据集分布不同;通过特征抽取网络提取业务数据集和应用数据集的初步特征;将业务数据集对应的初步特征输入至初始驾驶风险预测模型中得到预测结果,并基于业务数据集中的风险标签以及预测结果构建初始驾驶风险预测模型的第一损失函数;将业务数据集对应的初步特征和应用数据集对应的初步特征输入至初始分类模型中得到分类结果,并基于业务数据集中的分类标签、应用数据集中的分类标签以及分类结果构建初始分类模型的第二损失函数;根据第一损失函数和第二损失函数对驾驶风险预测模型、分类模型以及特征抽取网络进行联合优化后,得到优化后的驾驶风险预测模型。
在一个实施例中,处理器执行计算机程序时所实现的根据第一损失函数和第二损失函数对驾驶风险预测模型、分类模型以及特征抽取网络进行联合优化后,得到优化后的驾驶风险预测模型,包括:将第一损失函数回传至初始驾驶风险预测模型以及特征抽取网络中;将第二损失函数回传至初始分类模型中,并通过梯度反转层进行反转处理后回传至特征抽取网络中;通过梯度下降算法计算第二损失函数与第一损失函数的差的最小值,以对初步特征进行迭代优化得到优化后的特征,并根据优化后的特征得到优化后的驾驶风险预测模型。
在一个实施例中,处理器执行计算机程序时所涉及的初始驾驶风险预测模型的生成方式包括:获取预设时间内的预设数量的样本用户的人脸区域图像、对应的驾驶数据以及历史风险参考指标;对人脸区域图像进行处理得到人脸特征,并将人脸特征与驾驶数据进行拼接得到多维特征;对多维特征和历史风险参考指标进行训练得到初始驾驶风险预测模型。
在一个实施例中,处理器执行计算机程序时所涉及的初始驾驶风险预测模型的生成方式包括:获取预设时间内的预设数量的样本用户的人脸区域图像、对应的驾驶数据以及历史风险参考指标;对人脸区域图像和驾驶数据进行拼接得到结构化数据;对结构化数据和历史风险参考指标进行训练得到初始驾驶风险预测模型。
在一个实施例中,处理器执行计算机程序时所实现的获取与驾驶风险参考指标对应的风险预警信息,包括:将驾驶风险参考指标与预设的分段阈值进行比较,以得到驾驶风险参考指标对应的风险分段;查询风险分段对应的风险预警信息。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:接收车辆终端所采集的待分析人脸图像;将待分析人脸图像输入至优化后的驾驶风险预测模型中,以通过驾驶风险预测模型从待分析人脸图像中提取出优化后的特征对应的特征向量,并根据所提取的特征向量和优化后的特征对应的权重计算得到驾驶风险参考指标;优化后的驾驶风险预测模型是通过分布不同的业务数据集和应用数据集进行联合训练,以得到对环境分类具有不变性且对驾驶风险参考指标具有判别性的优化后的特征以及对应优化后的特征的权重后,根据优化后的特征以及对应的权重生成的;获取与驾驶风险参考指标对应的风险预警信息;将风险预警信息发送至车辆终端进行播报。
在一个实施例中,计算机程序被处理器执行时所实现的优化后的驾驶风险预测模型的优化方式包括:从数据库中提取业务数据集和应用数据集,业务数据集与应用数据集分布不同;通过特征抽取网络提取业务数据集和应用数据集的初步特征;将业务数据集对应的初步特征输入至初始驾驶风险预测模型中得到预测结果,并基于业务数据集中的风险标签以及预测结果构建初始驾驶风险预测模型的第一损失函数;将业务数据集对应的初步特征和应用数据集对应的初步特征输入至初始分类模型中得到分类结果,并基于业务数据集中的分类标签、应用数据集中的分类标签以及分类结果构建初始分类模型的第二损失函数;根据第一损失函数和第二损失函数对驾驶风险预测模型、分类模型以及特征抽取网络进行联合优化后,得到优化后的驾驶风险预测模型。
在一个实施例中,计算机程序被处理器执行时所实现的根据第一损失函数和第二损失函数对驾驶风险预测模型、分类模型以及特征抽取网络进行联合优化后,得到优化后的驾驶风险预测模型,包括:将第一损失函数回传至初始驾驶风险预测模型以及特征抽取网络中;将第二损失函数回传至初始分类模型中,并通过梯度反转层进行反转处理后回传至特征抽取网络中;通过梯度下降算法计算第二损失函数与第一损失函数的差的最小值,以对初步特征进行迭代优化得到优化后的特征,并根据优化后的特征得到优化后的驾驶风险预测模型。
在一个实施例中,计算机程序被处理器执行时所涉及的初始驾驶风险预测模型的生成方式包括:获取预设时间内的预设数量的样本用户的人脸区域图像、对应的驾驶数据以及历史风险参考指标;对人脸区域图像进行处理得到人脸特征,并将人脸特征与驾驶数据进行拼接得到多维特征;对多维特征和历史风险参考指标进行训练得到初始驾驶风险预测模型。
在一个实施例中,计算机程序被处理器执行时所涉及的初始驾驶风险预测模型的生成方式包括:获取预设时间内的预设数量的样本用户的人脸区域图像、对应的驾驶数据以及历史风险参考指标;对人脸区域图像和驾驶数据进行拼接得到结构化数据;对结构化数据和历史风险参考指标进行训练得到初始驾驶风险预测模型。
在一个实施例中,计算机程序被处理器执行时所实现的获取与驾驶风险参考指标对应的风险预警信息,包括:将驾驶风险参考指标与预设的分段阈值进行比较,以得到驾驶风险参考指标对应的风险分段;查询风险分段对应的风险预警信息。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于人脸的驾驶风险预测方法,所述方法包括:
接收车辆终端所采集的待分析人脸图像;
将所述待分析人脸图像输入至优化后的驾驶风险预测模型中,以通过所述驾驶风险预测模型从所述待分析人脸图像中提取出优化后的特征对应的特征向量,并根据所提取的特征向量和优化后的特征对应的权重计算得到驾驶风险参考指标;所述优化后的驾驶风险预测模型是通过分布不同的业务数据集和应用数据集进行联合训练,以得到对环境分类具有不变性且对驾驶风险参考指标具有判别性的优化后的特征以及对应所述优化后的特征的权重后,根据所述优化后的特征以及对应的权重生成的;
获取与所述驾驶风险参考指标对应的风险预警信息;
将所述风险预警信息发送至所述车辆终端进行播报;
所述优化后的驾驶风险预测模型的优化方式包括:
从数据库中提取业务数据集和应用数据集,所述业务数据集与所述应用数据集分布不同,业务数据集和应用数据集是均有类别标签的,且业务数据集是具有已知风险标签的,应用数据集是没有已知风险值标签的;
通过特征抽取网络提取所述业务数据集和应用数据集的初步特征;
将所述业务数据集对应的初步特征输入至初始驾驶风险预测模型中得到预测结果,并基于所述业务数据集中的风险标签以及所述预测结果构建初始驾驶风险预测模型的第一损失函数;
将所述业务数据集对应的初步特征和所述应用数据集对应的初步特征输入至初始分类模型中得到分类结果,并基于所述业务数据集中的分类标签、所述应用数据集中的分类标签以及所述分类结果构建初始分类模型的第二损失函数;
根据所述第一损失函数和所述第二损失函数对所述驾驶风险预测模型、所述分类模型以及所述特征抽取网络进行联合优化后,得到优化后的驾驶风险预测模型。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一损失函数和所述第二损失函数对所述驾驶风险预测模型、所述分类模型以及所述特征抽取网络进行联合优化后,得到优化后的驾驶风险预测模型,包括:
将所述第一损失函数回传至所述初始驾驶风险预测模型以及所述特征抽取网络中;将所述第二损失函数回传至所述初始分类模型中,并通过梯度反转层进行反转处理后回传至所述特征抽取网络中;
通过梯度下降算法计算所述第二损失函数与所述第一损失函数的差的最小值,以对所述初步特征进行迭代优化得到优化后的特征,并根据优化后的特征得到优化后的驾驶风险预测模型。
3.根据权利要求1或2所述的方法,其特征在于,所述初始驾驶风险预测模型的生成方式包括:
获取预设时间内的预设数量的样本用户的人脸区域图像、对应的驾驶数据以及历史风险参考指标;
对所述人脸区域图像进行处理得到人脸特征,并将所述人脸特征与所述驾驶数据进行拼接得到多维特征;
对所述多维特征和所述历史风险参考指标进行训练得到初始驾驶风险预测模型。
4.根据权利要求1或2所述的方法,其特征在于,初始驾驶风险预测模型的生成方式包括:
获取预设时间内的预设数量的样本用户的人脸区域图像、对应的驾驶数据以及历史风险参考指标;
对所述人脸区域图像和所述驾驶数据进行拼接得到结构化数据;
对所述结构化数据和所述历史风险参考指标进行训练得到初始驾驶风险预测模型。
5.根据权利要求1或2所述的方法,其特征在于,所述获取与所述驾驶风险参考指标对应的风险预警信息,包括:
将所述驾驶风险参考指标与预设的分段阈值进行比较,以得到所述驾驶风险参考指标对应的风险分段;
查询所述风险分段对应的风险预警信息。
6.一种基于人脸的驾驶风险预测装置,其特征在于,所述装置包括:
接收模块,用于接收车辆终端所采集的待分析人脸图像;
驾驶风险预测模块,用于将所述待分析人脸图像输入至优化后的驾驶风险预测模型中,以通过所述驾驶风险预测模型从所述待分析人脸图像中提取出优化后的特征对应的特征向量,并根据所提取的特征向量和优化后的特征对应的权重计算得到驾驶风险参考指标;所述优化后的驾驶风险预测模型是通过分布不同的业务数据集和应用数据集进行联合训练,以得到对环境分类具有不变性且对驾驶风险参考指标具有判别性的优化后的特征以及对应所述优化后的特征的权重后,根据所述优化后的特征以及对应的权重生成的;
风险预警信息获取模块,用于获取与所述驾驶风险参考指标对应的风险预警信息;
发送模块,用于将所述风险预警信息发送至所述车辆终端进行播报;
提取模块,用于从数据库中提取业务数据集和应用数据集,所述业务数据集与所述应用数据集分布不同,业务数据集和应用数据集是均有类别标签的,且业务数据集是具有已知风险标签的,应用数据集是没有已知风险值标签的;
初步特征抽取模块,用于通过特征抽取网络提取所述业务数据集和应用数据集的初步特征;
第一损失函数构建模块,用于将所述业务数据集对应的初步特征输入至初始驾驶风险预测模型中得到预测结果,并基于所述业务数据集中的风险标签以及所述预测结果构建初始驾驶风险预测模型的第一损失函数;
第二损失函数构建模块,用于将所述业务数据集对应的初步特征和所述应用数据集对应的初步特征输入至初始分类模型中得到分类结果,并基于所述业务数据集中的分类标签、所述应用数据集中的分类标签以及所述分类结果构建初始分类模型的第二损失函数;
联合训练模块,用于根据所述第一损失函数和所述第二损失函数对所述驾驶风险预测模型、所述分类模型以及所述特征抽取网络进行联合优化后,得到优化后的驾驶风险预测模型。
7.根据权利要求6所述的装置,其特征在于,所述联合训练模块包括:第一回传单元,用于将所述第一损失函数回传至所述初始驾驶风险预测模型以及所述特征抽取网络中;将所述第二损失函数回传至所述初始分类模型中,并通过梯度反转层进行反转处理后回传至所述特征抽取网络中;
第二回传单元,用于通过梯度下降算法计算所述第二损失函数与所述第一损失函数的差的最小值,以对所述初步特征进行迭代优化得到优化后的特征,并根据优化后的特征得到优化后的驾驶风险预测模型。
8.根据权利要求6或7所述的装置,其特征在于,所述基于人脸的驾驶风险预测装置包括:
第一数据获取模块,用于获取预设时间内的预设数量的样本用户的人脸区域图像、对应的驾驶数据以及历史风险参考指标;
第一拼接模块,用于对所述人脸区域图像进行处理得到人脸特征,并将所述人脸特征与所述驾驶数据进行拼接得到多维特征;
第一初始模型训练模块,用于对所述多维特征和所述历史风险参考指标进行训练得到初始驾驶风险预测模型。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一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至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010221474.4A CN111414874B (zh) | 2020-03-26 | 2020-03-26 | 基于人脸的驾驶风险预测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010221474.4A CN111414874B (zh) | 2020-03-26 | 2020-03-26 | 基于人脸的驾驶风险预测方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111414874A CN111414874A (zh) | 2020-07-14 |
CN111414874B true CN111414874B (zh) | 2020-10-30 |
Family
ID=71491441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010221474.4A Active CN111414874B (zh) | 2020-03-26 | 2020-03-26 | 基于人脸的驾驶风险预测方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111414874B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215497B (zh) * | 2020-10-14 | 2022-07-01 | 公安部交通管理科学研究所 | 一种纯电动汽车运行风险预警方法 |
CN112232581B (zh) * | 2020-10-26 | 2024-04-12 | 腾讯科技(深圳)有限公司 | 驾驶风险的预测方法、装置、电子设备及存储介质 |
CN112464546B (zh) * | 2020-12-14 | 2024-03-19 | 上海交通大学设计研究总院有限公司 | 基于动态数据分析的公共空间行人流运动风险判别方法 |
CN113191214A (zh) * | 2021-04-12 | 2021-07-30 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种驾驶人员失误操作风险预警方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292528A (zh) * | 2017-06-30 | 2017-10-24 | 阿里巴巴集团控股有限公司 | 车险风险预测方法、装置及服务器 |
CN109635335A (zh) * | 2018-11-12 | 2019-04-16 | 平安科技(深圳)有限公司 | 驾驶风险预测方法、装置、计算机设备及存储介质 |
CN110069988A (zh) * | 2019-01-31 | 2019-07-30 | 中国平安财产保险股份有限公司 | 基于多维数据的ai驾驶风险分析方法、服务器及存储介质 |
CN110126835A (zh) * | 2019-04-12 | 2019-08-16 | 中国平安财产保险股份有限公司 | 驾驶行为的干预方法、装置、计算机设备和存储介质 |
CN110717377A (zh) * | 2019-08-26 | 2020-01-21 | 平安科技(深圳)有限公司 | 人脸驾驶风险预测模型训练及其预测方法及相关设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107161153B (zh) * | 2017-06-16 | 2019-11-29 | 重庆途安信息科技有限公司 | 一种驾驶行为评分方法及装置 |
CN110827088A (zh) * | 2019-11-07 | 2020-02-21 | 深圳鼎然信息科技有限公司 | 基于大数据的用车成本预测方法、装置及存储介质 |
-
2020
- 2020-03-26 CN CN202010221474.4A patent/CN111414874B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292528A (zh) * | 2017-06-30 | 2017-10-24 | 阿里巴巴集团控股有限公司 | 车险风险预测方法、装置及服务器 |
CN109635335A (zh) * | 2018-11-12 | 2019-04-16 | 平安科技(深圳)有限公司 | 驾驶风险预测方法、装置、计算机设备及存储介质 |
CN110069988A (zh) * | 2019-01-31 | 2019-07-30 | 中国平安财产保险股份有限公司 | 基于多维数据的ai驾驶风险分析方法、服务器及存储介质 |
CN110126835A (zh) * | 2019-04-12 | 2019-08-16 | 中国平安财产保险股份有限公司 | 驾驶行为的干预方法、装置、计算机设备和存储介质 |
CN110717377A (zh) * | 2019-08-26 | 2020-01-21 | 平安科技(深圳)有限公司 | 人脸驾驶风险预测模型训练及其预测方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111414874A (zh) | 2020-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111414874B (zh) | 基于人脸的驾驶风险预测方法、装置、设备和存储介质 | |
CN108876133B (zh) | 基于业务信息的风险评估处理方法、装置、服务器和介质 | |
CN109636607B (zh) | 基于模型部署的业务数据处理方法、装置和计算机设备 | |
CN109345374B (zh) | 风险控制方法、装置、计算机设备和存储介质 | |
CN110493190B (zh) | 数据信息的处理方法、装置、计算机设备和存储介质 | |
CN109816200B (zh) | 任务推送方法、装置、计算机设备和存储介质 | |
CN111950329A (zh) | 目标检测及模型训练方法、装置、计算机设备和存储介质 | |
CN108491406B (zh) | 信息分类方法、装置、计算机设备和存储介质 | |
CN109829020B (zh) | 地点资源数据推送方法、装置、计算机设备和存储介质 | |
CN110751533B (zh) | 产品画像生成方法、装置、计算机设备和存储介质 | |
CN110852881B (zh) | 风险账户识别方法、装置、电子设备及介质 | |
CN110135943B (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN110489622B (zh) | 对象信息的分享方法、装置、计算机设备和存储介质 | |
CN109523117A (zh) | 风险预测方法、装置、计算机设备和存储介质 | |
CN112214402B (zh) | 一种代码验证算法的选择方法、装置及存储介质 | |
CN111324802A (zh) | 基于身份识别的数据审核方法、装置和计算机设备 | |
CN112712086A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN113468017A (zh) | 应用于区块链的在线业务状态检测方法及业务服务器 | |
CN116720119A (zh) | 应用于多端业务交互的大数据识别方法及系统 | |
CN114422450B (zh) | 基于多源网络流量数据的网络流量分析方法和装置 | |
CN113256422B (zh) | 分仓账户识别方法、装置、计算机设备和存储介质 | |
CN113901817A (zh) | 文档分类方法、装置、计算机设备和存储介质 | |
CN115860889A (zh) | 一种基于人工智能的金融贷款大数据管理方法及系统 | |
CN111078984A (zh) | 网络模型发布方法、装置、计算机设备和存储介质 | |
CN110610378A (zh) | 产品需求分析方法、装置、计算机设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |