CN111422203B - 一种驾驶行为评估方法及装置 - Google Patents

一种驾驶行为评估方法及装置 Download PDF

Info

Publication number
CN111422203B
CN111422203B CN202010131319.3A CN202010131319A CN111422203B CN 111422203 B CN111422203 B CN 111422203B CN 202010131319 A CN202010131319 A CN 202010131319A CN 111422203 B CN111422203 B CN 111422203B
Authority
CN
China
Prior art keywords
driving behavior
traffic environment
vehicle
environment perception
parameters
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
CN202010131319.3A
Other languages
English (en)
Other versions
CN111422203A (zh
Inventor
吴士力
刘奇
李莉
唐志桥
朱兰
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.)
Nanjing Cheying Technology Co ltd
Original Assignee
Nanjing Communications Institute of Technology
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 Nanjing Communications Institute of Technology filed Critical Nanjing Communications Institute of Technology
Priority to CN202010131319.3A priority Critical patent/CN111422203B/zh
Publication of CN111422203A publication Critical patent/CN111422203A/zh
Application granted granted Critical
Publication of CN111422203B publication Critical patent/CN111422203B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W40/09—Driving style or behaviour
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种驾驶行为评估方法及装置，该方法包括如下步骤：获取待检测车辆的车辆操控行为参数和交通环境感知参数；所述交通环境感知参数至少包括车体位置坐标、左车道线、右车道线和跟车距离；根据所述车辆操控行为参数和交通环境感知参数生成驾驶行为特征；将所述驾驶行为特征输入到预设的驾驶行为评估模型中，得到驾驶行为评估结果。通过实施本发明，基于机器视觉技术对交通环境进行感知，并融合车辆操控行为分析，丰富了驾驶行为特征，有利于提高驾驶行为评估精度。

Description

一种驾驶行为评估方法及装置
技术领域
本发明涉及驾驶行为评估技术领域，具体涉及一种驾驶行为评估方法及装置。
背景技术
车辆驾驶行为是影响道路交通安全、车辆能耗的重要因素之一。相关数据表明，正确的驾驶行为可以避免80％左右的道路交通事故，并降低20％左右的能耗。一部分错误的驾驶行为是由外部事件导致的，如开车时接打电话、疲劳驾驶、注意力不集中等；还有一部分错误的驾驶行为是由不良驾驶行为导致的，如暴力驾驶、抢信号灯、转向时不提前打开转向灯等。因此，对驾驶行为进行分析评估对改善车辆驾驶行为具有积极意义。
目前驾驶行为分析评估方法主要基于车辆操控状态数据(如车速、油门踏板位置、制动、转向角度等)来进行。该类方法主要是使用分类器在车辆操控行为特征空间进行驾驶行为模式识别。但交通环境状况具有高度的复杂性和多变性，所以单纯依靠车辆操控数据进行驾驶行为分析评估存在一定的局限性。
发明内容
因此，本发明要解决的技术问题在于克服现有技术中的单纯依靠车辆操控数据进行驾驶行为分析评估存在一定的局限性的缺陷，从而提供一种驾驶行为评估方法及装置。
根据第一方面，本发明实施例公开了一种驾驶行为评估方法，包括如下步骤：获取待检测车辆的车辆操控行为参数和交通环境感知参数；所述交通环境感知参数至少包括车体位置坐标、左车道线、右车道线和跟车距离；根据所述车辆操控行为参数和交通环境感知参数生成驾驶行为特征；将所述驾驶行为特征输入到预设的驾驶行为评估模型中，得到驾驶行为评估结果。
结合第一方面，在第一方面第一实施方式中，获取交通环境感知参数，包括：获取待检测车辆在预设时间内的视频信息；根据所述视频信息得到所述交通环境感知参数。
结合第一方面第一实施方式，在第一方面第二实施方式中，所述根据所述视频信息得到所述交通环境感知参数，包括：根据所述视频信息确定车道线指定点的像素坐标；根据所述像素坐标确定所述待检测车辆的左车道线和右车道线。
结合第一方面第一实施方式，在第一方面第三实施方式中，所述根据所述视频信息得到所述交通环境感知参数，包括：根据所述视频信息获得所述待检测车辆的车体位置坐标；根据所述车体位置坐标确定所述待检测车辆在图像中的像素宽度；根据所述像素宽度确定所述跟车距离。
结合第一方面，在第一方面第四实施方式中，根据如下公式生成所述驾驶行为特征：
Figure BDA0002395846580000031
其中，F表示各个驾驶行为特征，T表示评估周期，t表示评估周期的每个时刻，c表示计数变量，默认值为0，当所述车辆操控行为参数和交通环境感知参数满足预设条件时，c＝1。
结合第一方面，在第一方面第五实施方式中，通过以下步骤构建所述预设的驾驶行为评估模型:获取训练数据；根据所述训练数据生成驾驶行为训练特征；将所述驾驶行为训练特征输入到朴素贝叶斯分类器中进行训练,得到所述预设的驾驶行为评估模型。
结合第一方面第五实施方式，在第一方面第六实施方式中，所述将所述驾驶行为特征输入到预设的驾驶行为评估模型中，得到驾驶行为评估结果包括：将所述驾驶行为特征输入到所述预设的驾驶行为评估模型；根据所述驾驶行为特征与预设的驾驶行为评估结果计算得到与预设的驾驶行为评估结果一一对应的评估概率；将所述评估概率最大值对应的预设的驾驶行为评估结果作为所述驾驶行为评估结果。
根据第二方面，本发明实施例还公开了一种驾驶行为评估装置，包括：获取模块，用于获取待检测车辆的车辆操控行为参数和交通环境感知参数；所述交通环境感知参数至少包括车体位置坐标、左车道线、右车道线和跟车距离；驾驶行为特征生成模块，用于根据所述车辆操控行为参数和交通环境感知参数生成驾驶行为特征；驾驶行为评估结果获得模块，用于将所述驾驶行为特征输入到预设的驾驶行为评估模型中，得到驾驶行为评估结果。
根据第三方面，本发明实施例还公开了一种计算机设备，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执行如第一方面或第一方面任一实施方式所述的驾驶行为评估方法的步骤。
根据第四方面，本发明实施例还公开了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如第一方面或第一方面任一实施方式所述的驾驶行为评估方法的步骤。
本发明技术方案，具有如下优点：
本发明提供的驾驶行为评估方法及装置，通过获取待检测车辆的车辆操控行为参数和交通环境感知参数，根据车辆操控行为参数和交通环境感知参数生成驾驶行为特征，将驾驶行为特征输入到预设的驾驶行为评估模型中，得到驾驶行为评估结果，基于机器视觉技术对交通环境进行感知，并融合车辆操控行为分析，丰富了驾驶行为特征，有利于提高驾驶行为评估精度。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1中驾驶行为评估方法的一个具体示例的流程图；
图2为本发明实施例中车体位置坐标确定的一个具体示例图；
图3为本发明实施例中左车道线、右车道线确定的一个具体示例图；
图4为本发明实施例2中驾驶行为评估装置的一个具体示例的原理框图；
图5为本发明实施例3中计算机设备的一个具体示例的原理框图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
交通环境状况具有高度的复杂性和多变性，交通路况、前方车辆的行驶状态、信号灯状态等因素都会对驾驶员的车辆操控行为产生直接影响，进而干扰驾驶行为的评估结果，例如，频繁的出现急加速或急减速不一定是驾驶员粗暴驾驶，也可能是交通堵塞导致的，所以单纯依靠车辆操控数据进行驾驶行为分析评估存在一定的局限性，因此，本发明实施例提供一种驾驶行为评估方法，如图1所示，包括如下步骤：
S11：获取待检测车辆的车辆操控行为参数和交通环境感知参数；交通环境感知参数至少包括车体位置坐标、左车道线、右车道线和跟车距离。
示例性地，在本发明实施例中，采用滑动时间窗提取待检测车辆的车辆操控行为参数，时间窗的宽度采用周期制，周期可以为200ms，也可以为300ms，本发明对该周期不作限制，可以根据实际情况设定，采用时间窗计算获得车辆操控行为参数，计算方式直观且运算量小；车辆操控行为参数可以包括待检测车辆的车速、加减速幅度、转向角度、转向幅度、转向灯状态、信号灯车距等，交通环境感知参数可以包括待检测车辆的车体位置坐标、左车道线、右车道线、跟车距离和信号灯的状态等。
上述各车辆操控行为参数的确定方式如下：
本发明实施例中，设滑动时间窗的起始时刻为ts，滑动时间窗的结束时刻为te，则对于t∈[ts,te]：
(1)车速
Figure BDA0002395846580000061
其中，
Figure BDA0002395846580000062
表示ts时刻的速度，
Figure BDA0002395846580000063
表示te时刻的速度，Vt表示t∈[ts,te]的速度。
(2)加减速幅度
Figure BDA0002395846580000071
其中，
Figure BDA0002395846580000072
表示ts时刻的油门踏板位置值，
Figure BDA0002395846580000073
表示te时刻的油门踏板位置值，
Figure BDA0002395846580000074
表示t∈[ts,te]的加减速幅度。
(3)转向角度
Figure BDA0002395846580000075
该值由车载转向传感器采集，由系统从车载网络中直接提取。
(4)转向幅度
Figure BDA0002395846580000076
其中，
Figure BDA0002395846580000077
表示ts时刻的转向角度，
Figure BDA0002395846580000078
表示te时刻的转向角度，
Figure BDA0002395846580000079
表示t∈[ts,te]的转向幅度。
(5)转向灯状态值
Figure BDA00023958465800000710
0表示关闭，1表示打开，该转向灯的状态值可以由路边的摄像设备提供。
(6)信号灯车距TLDt,该信号灯车距表示待检测车辆与前进方向第一个信号灯的距离，可由车载导航设备提供。
S12：根据车辆操控行为参数和交通环境感知参数生成驾驶行为特征。
示例性地，该驾驶行为特征可以包括：危险跟车指数、急加速指数、急转向指数、转向灯使用指数和绿波驾驶指数等，将获取的车辆操控行为参数和交通环境感知参数经过计算提取得到驾驶行为特征，便于对驾驶员的驾驶行为进行评估。
S13：将驾驶行为特征输入到预设的驾驶行为评估模型中，得到驾驶行为评估结果。
示例性地，通过以下步骤构建预设的驾驶行为评估模型:
首先，获取训练数据。
示例性地，在本发明实施例中，该训练数据可以由35名驾驶员在驾校场地驾驶车辆，模拟各种驾驶行为，一个样本累计采集时间设定为1小时，共可以产生900个训练样本，其中良好与较差驾驶行为训练数据各200个,一般驾驶行为训练数据500个，本发明实施例对该训练数据不作限定，可以根据实际情况设定。
其次，根据训练数据生成驾驶行为训练特征。具体实现方式见步骤S12的相关描述，在此不再赘述。
再次，将驾驶行为训练特征输入到朴素贝叶斯分类器中进行训练,得到预设的驾驶行为评估模型。
示例性地，朴素贝叶斯分类器的计算公式为：
Figure BDA0002395846580000081
则Ai为驾驶行为特征T对应的驾驶行为评估结果。因P(T)为常量，则取
P(Ai|T)＝P(T|Ai)P(Ai)
假设驾驶行为特征向量T中各特征符合正态分布，则有：
Figure BDA0002395846580000091
其中，X是评估结果Ai对应的训练样本中T各属性值，μ是评估结果Ai对应的训练样本中T各属性的均值，σ是评估结果Ai对应的训练样本中T各属性的标准差。
将生成的驾驶行为训练特征输入到朴素贝叶斯分类器中进行有监督的训练，得到预设的驾驶行为评估模型，使用朴素贝叶斯分类器实现驾驶行为评估，用小样本获得较好的建模质量和分类准确率。
示例性地，将驾驶行为特征输入到预设的驾驶行为评估模型中，得到多个评估概率值，然后比较各个评估概率值，将最大的评估概率值对应的预设的驾驶行为评估结果作为驾驶行为评估结果，具体如下：
maxiP(Ai|T)，
其中，p(Ai/T)表示在驾驶行为特征T的条件下是预设驾驶行为评估结果的概率，Ai表示预设的驾驶行为评价结果。
本发明提供的驾驶行为评估方法，通过获取待检测车辆的车辆操控行为参数和交通环境感知参数，根据车辆操控行为参数和交通环境感知参数生成驾驶行为特征，将驾驶行为特征输入到预设的驾驶行为评估模型中，得到驾驶行为评估结果，基于机器视觉技术对交通环境进行感知，并融合车辆操控行为分析，丰富了驾驶行为特征，有利于提高驾驶行为评估精度。
作为本发明一个可选实施方式，上述步骤S11中，获取交通环境感知参数的过程，具体包括：
首先，获取待检测车辆在预设时间内的视频信息。
示例性地，该视频信息可以是在预设时间内由摄像头实时采集的，也可以是摄像头提前采集好存入终端，进行评估时从终端直接调用，本发明实施例对视频信息的获取方式不作限定，可以根据实际情况选择；在本发明实施例中，摄像头可以安装在待检测车辆的驾驶座的中间位置，保证摄像头的拍摄范围与驾驶员的视野范围基本重合，保证了环境感知的准确性。
其次，根据视频信息得到交通环境感知参数。
示例性地，根据视频信息得到交通环境感知参数具体可以为根据摄像头提供的20fps帧率和1280*720分辨率的视频流，基于dlib库和图像分析软件识别视频流中的交通环境感知参数。交通环境感知参数可以包括待检测车辆的车体位置坐标、左车道线、右车道线、跟车距离和信号灯的状态等。
作为本发明一个可选实施方式，根据视频信息得到左车道线、右车道线，包括：
首先，根据视频信息确定车道线指定点的像素坐标。
示例性地，车道线由左车道线和右车道线，根据获取到的视频信息确定车道线指定点的像素坐标，具体地，可以使待检测车辆处于直行车道的中间位置，由摄像头获取车辆前方图像样本，根据摄像头分辨率等参数，可由图像分析软件提取图像中左、右车道线指定点的像素坐标值，如图2所示，记P1点的像素坐标为
Figure BDA0002395846580000111
P2点的像素坐标为
Figure BDA0002395846580000112
P3点的像素坐标为
Figure BDA0002395846580000113
P4点的像素坐标为
Figure BDA0002395846580000114
P5点的像素坐标为
Figure BDA0002395846580000115
P6点的像素坐标为
Figure BDA0002395846580000116
其中，P3和P2的纵坐标相等，横坐标的关系为：
Figure BDA0002395846580000117
θ为缩放因子，在本发明实施例中，P1点与P2点的直线距离为20m，与P4点与P5点的直线距离相等。当对直形车道评估时，P2点与P3点重合，P5点与P6点重合；当估算弯道方程时，P2点与P3点不重合，P5点与P6点不重合，左车道线和右车道线均根据3个点确定车道线方程。
其次，根据像素坐标确定待检测车辆的左车道线和右车道线。
示例性地，以左车道线为例，根据像素坐标确定待检测车辆的左车道线，具体地，可以使用Bezier曲线估计车道线：
将P1、P2、P3坐标值作为Bezier曲线函数输入值，则可以得到以P1和P3为顶点的Bezier曲线方程：
Figure BDA0002395846580000118
其中τ为Bezier曲线比例系数。同理可得右车道线估计值Br(τ)。使用Bezier曲线估计车道线，避免了因车道线缺失、模糊、遮挡、光线不足等因素导致车道线识别失败的情况，具有计算量小、可靠性与鲁棒性好的特点。
作为本发明一个可选实施方式，根据视频信息得到跟车距离，包括：
首先，根据视频信息获得待检测车辆的车体位置坐标。
示例性地，基于dlib库识别视频信息中待检测车辆的车体位置，如图3所示，用矩形框对车体位置进行定位，分别得到车体矩形框四个顶点V1、V2、V3和V4的像素坐标值
Figure BDA0002395846580000121
其次，根据车体位置坐标确定待检测车辆在图像中的像素宽度。
示例性地，在本发明实施例中，根据车体位置坐标确定待检测车辆在图像中的像素宽度，具体可根据如下公式确定：
Figure BDA0002395846580000122
其中，Wimg为车体在图像中的像素宽度，
Figure BDA0002395846580000123
表示车体矩形框顶点V1的横坐标，
Figure BDA0002395846580000124
表示车体矩形框顶点V2的横坐标。
再次，根据像素宽度确定跟车距离。
示例性地，在本发明实施例中，根据像素宽度确定跟车距离，具体可根据如下公式确定：
Figure BDA0002395846580000125
其中，FDt为t时刻待检测车辆与前方车辆之间的直线距离，Wreal为待检测车辆车体的真实宽度，在本发明实施例中，可以将该待检测车辆车体的真实宽度默认为2m，Wimg为车体在图像中的像素宽度，Fmm为摄像头焦距。
特别地，若对于左车道线Bl(τ)和右车道线Br(τ)，当存在
Figure BDA0002395846580000131
且
Figure BDA0002395846580000132
或
Figure BDA0002395846580000133
且
Figure BDA0002395846580000134
则使FDt＝200(安全车距)，δ为可调量。其中，
Figure BDA0002395846580000135
表示车体矩形框顶点V3的横坐标，
Figure BDA0002395846580000136
表示车体矩形框顶点V4的横坐标，xl表示Bl(τ)上某点的x坐标，yl表示Bl(τ)上某点的y坐标，xr表示Br(τ)上某点的x坐标，yr表示Br(τ)上某点的y坐标。
作为本发明一个可选实施方式，根据视频信息获取信号灯的状态，包括：
信号灯状态信息TLSt＝(tps,tpe)为t时刻待检测车辆前进方向的第一个信号灯当前或下一个周期处于绿灯通行状态的时间段。其中，tps表示起始时间，tpe表示结束时间。
作为本发明一个可选实施方式，根据如下公式生成驾驶行为特征：
Figure BDA0002395846580000137
其中，F表示各个驾驶行为特征，T表示评估周期，t表示评估周期的每个时刻，c表示计数变量，默认值为0，当车辆操控行为参数和交通环境感知参数满足预设条件时，c＝1。
示例性地，在本发明实施例中，驾驶行为特征可以包括：危险跟车指数、急加速指数、急转向指数、转向灯使用指数和绿波驾驶指数，上述各个驾驶行为特征具体可根据如下公式确定：
(1)危险跟车指数
Figure BDA0002395846580000141
其中，Ffs表示危险跟车指数，c为计数变量，默认值为0,当SFt>εfs，则c＝1，其中，
Figure BDA0002395846580000142
εfs表示跟车安全状态阈值，μs为比例因子，T为评估周期，在本发明实施例中，T的默认值可以为48小时。
(2)急加速指数
Figure BDA0002395846580000143
其中，Fac表示急加速指数，c为计数变量，默认值为0，当Aapt>εap，且SFt>εsf，则c＝1，εap为急加速状态阈值。
(3)急转向指数
Figure BDA0002395846580000144
其中，Fsw表示急转向指数，c为计数变量，默认值为0，若
Figure BDA0002395846580000145
则c＝1，μsw为比例因子，εsw为急转向安全状态阈值。
(4)转向灯使用指数
Figure BDA0002395846580000146
其中，Ftl表示转向灯使用指数，c为计数变量，默认值为0，若
Figure BDA0002395846580000147
且
Figure BDA0002395846580000148
则c＝1,εswl为转向灯使用安全状态阈值。
(5)绿波驾驶指数
Figure BDA0002395846580000149
其中，Fgw表示绿波驾驶指数，c为计数变量，默认值为0，当TLDt＜75m，若
Figure BDA0002395846580000151
为假，且Aapt＞εgw，则c＝1，εgw为绿波驾驶状态阈值
待检测车辆在运行时将上述5个驾驶行为特征保存在内存缓冲区内，如待检测车辆关闭点火开关，则会把内存缓冲区中的驾驶行为特征写入永久存储区。车辆再次运行时系统自动读取之前保存的特征值并写回内存缓冲区。
作为本发明一个可选实施方式，上述步骤S13，将驾驶行为特征输入到预设的驾驶行为评估模型中，得到驾驶行为评估结果包括：
首先，将驾驶行为特征输入到预设的驾驶行为评估模型。
其次，根据驾驶行为特征与预设的驾驶行为评估结果计算得到与预设的驾驶行为评估结果一一对应的评估概率。
示例性地，在本发明实施例中，可以将预设的驾驶行为评估结果设为A＝{Ai}，预设的驾驶行为评估结果包括A1为驾驶行为良好，A2为驾驶行为中等，A3为驾驶行为较差。将驾驶行为特征T＝(Ffs,Fac,Fsw,Ftl,Fgw)输入到训练好的朴素贝叶斯分类器中对驾驶行为进行评估，得到与预设的驾驶行为评估结果一一对应的评估概率。
再次，将评估概率最大值对应的预设的驾驶行为评估结果作为驾驶行为评估结果。
示例性地，比较得到的各个概率值，将最大的评估概率值对应的预设的驾驶行为评估结果作为驾驶行为评估结果。
实施例2
本发明实施例提供一种驾驶行为评估装置，如图4所示，包括：
获取模块21，用于获取待检测车辆的车辆操控行为参数和交通环境感知参数；交通环境感知参数至少包括车体位置坐标、左车道线、右车道线和跟车距离；具体实现方式见实施例1中步骤S11的相关描述，在此不再赘述。
驾驶行为特征生成模块22，用于根据车辆操控行为参数和交通环境感知参数生成驾驶行为特征；具体实现方式见实施例1中步骤S12的相关描述，在此不再赘述。
驾驶行为评估结果获得模块23，用于将驾驶行为特征输入到预设的驾驶行为评估模型中，得到驾驶行为评估结果。具体实现方式见实施例1中步骤S13的相关描述，在此不再赘述。
本发明提供的驾驶行为评估装置，通过获取待检测车辆的车辆操控行为参数和交通环境感知参数，根据车辆操控行为参数和交通环境感知参数生成驾驶行为特征，将驾驶行为特征输入到预设的驾驶行为评估模型中，得到驾驶行为评估结果，基于机器视觉技术对交通环境进行感知，并融合车辆操控行为分析，丰富了驾驶行为特征，有利于提高驾驶行为评估精度。
作为本发明一个可选实施方式，获取模块21包括：
视频信息获取模块，用于获取待检测车辆在预设时间内的视频信息；具体实现方式见实施例1中对应的步骤的相关描述，在此不再赘述。
交通环境感知参数子模块，用于根据视频信息得到交通环境感知参数。具体实现方式见实施例1中对应的步骤的相关描述，在此不再赘述。
作为本发明一个可选实施方式，交通环境感知参数子模块，包括：
第一确定模块，用于根据视频信息确定车道线指定点的像素坐标；具体实现方式见实施例1中对应的步骤的相关描述，在此不再赘述。
第一确定模块，用于根据像素坐标确定待检测车辆的左车道线和右车道线。具体实现方式见实施例1中对应的步骤的相关描述，在此不再赘述。
作为本发明一个可选实施方式，交通环境感知参数子模块，包括：
车体位置坐标获得模块，用于根据视频信息获得待检测车辆的车体位置坐标；具体实现方式见实施例1中对应的步骤的相关描述，在此不再赘述。
像素宽度获得模块，用于根据车体位置坐标确定待检测车辆在图像中的像素宽度；具体实现方式见实施例1中对应的步骤的相关描述，在此不再赘述。
第三确定模块，用于根据像素宽度确定跟车距离。具体实现方式见实施例1中对应的步骤的相关描述，在此不再赘述。
作为本发明一个可选实施方式，交通环境感知参数子模块，包括：
信号灯状态信息TLSt＝(tps,tpe)为t时刻待检测车辆前进方向的第一个信号灯当前或下一个周期处于绿灯通行状态的时间段。其中，tps表示起始时间，tpe表示结束时间。
作为本发明一个可选实施方式，根据如下公式生成驾驶行为特征：
Figure BDA0002395846580000181
其中，F表示各个驾驶行为特征，T表示评估周期，t表示评估周期的每个时刻，c表示计数变量，默认值为0，当车辆操控行为参数和交通环境感知参数满足预设条件时，c＝1。具体实现方式见实施例1中对应的步骤的相关描述，在此不再赘述。
作为本发明一个可选实施方式，通过以下步骤构建预设的驾驶行为评估模型:
训练数据获取模块，用于获取训练数据；具体实现方式见实施例1中对应的步骤的相关描述，在此不再赘述。
驾驶行为训练特征获得模块，用于根据训练数据生成驾驶行为训练特征；具体实现方式见实施例1中对应的步骤的相关描述，在此不再赘述。
训练模块，用于将驾驶行为训练特征输入到朴素贝叶斯分类器中进行训练,得到预设的驾驶行为评估模型。具体实现方式见实施例1中对应的步骤的相关描述，在此不再赘述。
作为本发明一个可选实施方式，驾驶行为评估结果获得模块23包括：
输入模块，用于将驾驶行为特征输入到预设的驾驶行为评估模型；具体实现方式见实施例1中对应的步骤的相关描述，在此不再赘述。
计算模块，用于根据驾驶行为特征与预设的驾驶行为评估结果计算得到与预设的驾驶行为评估结果一一对应的评估概率；具体实现方式见实施例1中对应的步骤的相关描述，在此不再赘述。
驾驶行为评估结果获得子模块，用于将评估概率最大值对应的预设的驾驶行为评估结果作为驾驶行为评估结果。具体实现方式见实施例1中对应的步骤的相关描述，在此不再赘述。
实施例3
本发明实施例还提供了一种计算机设备，如图5所示，该计算机设备可以包括处理器31和存储器32，其中处理器31和存储器32可以通过总线或者其他方式连接，图5中以通过总线连接为例。
处理器31可以为中央处理器(Central Processing Unit，CPU)。处理器31还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器32作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的驾驶行为评估方法对应的程序指令/模块(例如，图4所示的获取模块21、驾驶行为特征生成模块22和驾驶行为评估结果获得模块23)。处理器31通过运行存储在存储器32中的非暂态软件程序、指令以及模块，从而执行处理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驾驶行为评估方法。
存储器32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；存储数据区可存储处理器31所创建的数据等。此外，存储器32可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器32可选包括相对于处理器31远程设置的存储器，这些远程存储器可以通过网络连接至处理器31。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。
所述一个或者多个模块存储在所述存储器32中，当被所述处理器31执行时，执行如图1所示实施例中的驾驶行为评估方法。
上述计算机设备具体细节可以对应参阅图1所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
实施例4
本发明实施例还提供了一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的驾驶行为评估方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (7)

1.一种驾驶行为评估方法，其特征在于，包括如下步骤：
获取待检测车辆的车辆操控行为参数和交通环境感知参数；所述交通环境感知参数至少包括车体位置坐标、左车道线、右车道线和跟车距离；
根据所述车辆操控行为参数和交通环境感知参数生成驾驶行为特征；
根据如下公式生成所述驾驶行为特征：
Figure FDA0003354443590000011
其中，F表示各个驾驶行为特征，T表示评估周期，t表示评估周期的每个时刻，c表示计数变量，默认值为0，当所述车辆操控行为参数和交通环境感知参数满足预设条件时，c＝1；
将所述驾驶行为特征输入到预设的驾驶行为评估模型中，得到驾驶行为评估结果；
所述获取交通环境感知参数，包括：
获取待检测车辆在预设时间内的视频信息；
根据所述视频信息得到所述交通环境感知参数；
所述交通环境感知参数包括：左车道线、右车道线，所述根据所述视频信息得到所述交通环境感知参数，包括：
根据所述视频信息确定车道线指定点的像素坐标；
根据所述像素坐标和Bezier曲线确定所述待检测车辆的左车道线和右车道线。
2.根据权利要求1所述的方法，其特征在于，所述根据所述视频信息得到所述交通环境感知参数，包括：
根据所述视频信息获得所述待检测车辆的车体位置坐标；
根据所述车体位置坐标确定所述待检测车辆在图像中的像素宽度；
根据所述像素宽度确定所述跟车距离。
3.根据权利要求1所述的方法，其特征在于，通过以下步骤构建所述预设的驾驶行为评估模型:
获取训练数据；
根据所述训练数据生成驾驶行为训练特征；
将所述驾驶行为训练特征输入到朴素贝叶斯分类器中进行训练,得到所述预设的驾驶行为评估模型。
4.根据权利要求3所述的方法，其特征在于，所述将所述驾驶行为特征输入到预设的驾驶行为评估模型中，得到驾驶行为评估结果包括：
将所述驾驶行为特征输入到所述预设的驾驶行为评估模型；
根据所述驾驶行为特征与预设的驾驶行为评估结果计算得到与预设的驾驶行为评估结果一一对应的评估概率；
将所述评估概率最大值对应的预设的驾驶行为评估结果作为所述驾驶行为评估结果。
5.一种驾驶行为评估装置，其特征在于，包括：
获取模块，用于获取待检测车辆的车辆操控行为参数和交通环境感知参数；所述交通环境感知参数至少包括车体位置坐标、左车道线、右车道线和跟车距离；
驾驶行为特征生成模块，用于根据所述车辆操控行为参数和交通环境感知参数生成驾驶行为特征；根据如下公式生成所述驾驶行为特征：
Figure FDA0003354443590000031
其中，F表示各个驾驶行为特征，T表示评估周期，t表示评估周期的每个时刻，c表示计数变量，默认值为0，当所述车辆操控行为参数和交通环境感知参数满足预设条件时，c＝1；
驾驶行为评估结果获得模块，用于将所述驾驶行为特征输入到预设的驾驶行为评估模型中，得到驾驶行为评估结果；
所述获取模块包括：
视频信息获取模块，用于获取待检测车辆在预设时间内的视频信息；
交通环境感知参数子模块，用于根据所述视频信息得到所述交通环境感知参数；
所述交通环境感知参数包括：左车道线、右车道线，所述交通环境感知参数子模块，包括：
第一确定模块，用于根据所述视频信息确定车道线指定点的像素坐标；
第二确定模块，用于根据所述像素坐标和Bezier曲线确定所述待检测车辆的左车道线和右车道线。
6.一种计算机设备，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执行如权利要求1-4任一所述的驾驶行为评估方法的步骤。
7.一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如权利要求1-4中任一项所述的驾驶行为评估方法的步骤。
CN202010131319.3A 2020-02-28 2020-02-28 一种驾驶行为评估方法及装置 Active CN111422203B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010131319.3A CN111422203B (zh) 2020-02-28 2020-02-28 一种驾驶行为评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010131319.3A CN111422203B (zh) 2020-02-28 2020-02-28 一种驾驶行为评估方法及装置

Publications (2)

Publication Number Publication Date
CN111422203A CN111422203A (zh) 2020-07-17
CN111422203B true CN111422203B (zh) 2022-03-15

Family

ID=71547282

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010131319.3A Active CN111422203B (zh) 2020-02-28 2020-02-28 一种驾驶行为评估方法及装置

Country Status (1)

Country Link
CN (1) CN111422203B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114136331A (zh) * 2021-11-23 2022-03-04 常熟理工学院 基于微机电陀螺仪的驾驶习惯评价方法、系统及检测设备
CN115482683B (zh) * 2022-06-24 2024-02-09 和德保险经纪有限公司 一种基于驾驶员跟车间距的驾驶员行为评估方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106128099A (zh) * 2016-07-01 2016-11-16 斑马信息科技有限公司 驾驶员识别方法和装置
CN107554422A (zh) * 2016-07-01 2018-01-09 华为终端（东莞）有限公司 汽车安全警示装置和汽车安全警示的方法
CN108009475A (zh) * 2017-11-03 2018-05-08 东软集团股份有限公司 驾驶行为分析方法、装置、计算机可读存储介质及电子设备
CN108482382A (zh) * 2018-03-27 2018-09-04 斑马网络技术有限公司 驾驶技术评分方法、设备、存储介质及车辆
CN109584507A (zh) * 2018-11-12 2019-04-05 深圳佑驾创新科技有限公司 驾驶行为监测方法、装置、系统、交通工具和存储介质
CN110046560A (zh) * 2019-03-28 2019-07-23 青岛小鸟看看科技有限公司 一种危险驾驶行为检测方法和相机

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106128099A (zh) * 2016-07-01 2016-11-16 斑马信息科技有限公司 驾驶员识别方法和装置
CN107554422A (zh) * 2016-07-01 2018-01-09 华为终端（东莞）有限公司 汽车安全警示装置和汽车安全警示的方法
CN108009475A (zh) * 2017-11-03 2018-05-08 东软集团股份有限公司 驾驶行为分析方法、装置、计算机可读存储介质及电子设备
CN108482382A (zh) * 2018-03-27 2018-09-04 斑马网络技术有限公司 驾驶技术评分方法、设备、存储介质及车辆
CN109584507A (zh) * 2018-11-12 2019-04-05 深圳佑驾创新科技有限公司 驾驶行为监测方法、装置、系统、交通工具和存储介质
CN110046560A (zh) * 2019-03-28 2019-07-23 青岛小鸟看看科技有限公司 一种危险驾驶行为检测方法和相机

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于多传感器信息融合的电动汽车驾驶行为分析;陶红兴;《中国优秀硕士学位论文全文数据库（电子期刊）》;20190531;第12-15，41-47页 *

Also Published As

Publication number Publication date
CN111422203A (zh) 2020-07-17

Similar Documents

Publication Publication Date Title
CN108571974B (zh) 使用摄像机的车辆定位
CN108725440B (zh) 前向碰撞控制方法和装置、电子设备、程序和介质
CN110430401A (zh) 车辆盲区预警方法、预警装置、mec平台和存储介质
CN112349144B (zh) 一种基于单目视觉的车辆碰撞预警方法及系统
CN111595357B (zh) 可视化界面的显示方法、装置、电子设备和存储介质
CN111094095B (zh) 自动地感知行驶信号的方法、装置及运载工具
CN111422203B (zh) 一种驾驶行为评估方法及装置
US10964137B2 (en) Risk information collection device mounted on a vehicle
US11189162B2 (en) Information processing system, program, and information processing method
CN112001235A (zh) 车辆通行信息的生成方法、装置和计算机设备
CN110909718A (zh) 驾驶状态识别方法、装置及车辆
KR102337034B1 (ko) 자율 주행 상황 인지 프로그램 성능 테스트 방법 및 동일 방법을 수행하기 위한 자율 주행 상황 인지 프로그램 성능 테스트 장치
CN114842432A (zh) 一种基于深度学习汽车灯光控制方法及系统
CN113435224A (zh) 用于获取车辆3d信息的方法和装置
CN113962107A (zh) 对行驶路段仿真的方法、装置、电子设备及存储介质
CN111775948B (zh) 一种驾驶行为分析方法及装置
CN108985233B (zh) 一种基于数字图像相关的高精度车辆跟踪方法
CN113869440A (zh) 图像处理方法、装置、设备、介质及程序产品
CN114333414A (zh) 停车让行检测装置、停车让行检测系统以及记录介质
JP2000149181A (ja) 交通流計測システム
CN118062016B (zh) 车辆环境感知方法、设备和存储介质
CN116152761B (zh) 车道线检测方法及装置
CN117854300A (zh) 一种基于驾驶员危险驾驶行为评估的安全行为预警方法
CN118273628A (zh) 车辆开门预警的方法和装置
CN118062016A (zh) 车辆环境感知方法、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
TR01 Transfer of patent right

Effective date of registration: 20220422

Address after: 210012-026, floor 3, building 6, No. 6, Fengxin Road, Yuhuatai District, Nanjing, Jiangsu Province

Patentee after: Nanjing cheying Technology Co.,Ltd.

Address before: 211188 No. 629 Longmian Avenue, Jiangning Science Park, Nanjing City, Jiangsu Province

Patentee before: NANJING COMMUNICATIONS INSTITUTE OF TECHNOLOGY

TR01 Transfer of patent right