CN112115890B - 基于人工智能的酒驾识别方法、装置、设备及介质 - Google Patents
基于人工智能的酒驾识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN112115890B CN112115890B CN202011009478.2A CN202011009478A CN112115890B CN 112115890 B CN112115890 B CN 112115890B CN 202011009478 A CN202011009478 A CN 202011009478A CN 112115890 B CN112115890 B CN 112115890B
- Authority
- CN
- China
- Prior art keywords
- track
- feature
- vehicle
- abnormal
- probability
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 38
- 230000002159 abnormal effect Effects 0.000 claims abstract description 110
- 238000012545 processing Methods 0.000 claims description 73
- 238000011835 investigation Methods 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 14
- 239000012634 fragment Substances 0.000 claims description 8
- 238000004378 air conditioning Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000010276 construction Methods 0.000 abstract 1
- 230000001737 promoting effect Effects 0.000 abstract 1
- 238000004590 computer program Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 8
- 238000007726 management method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
Abstract
本发明涉及人工智能技术领域，提供一种基于人工智能的酒驾识别方法、装置、设备及介质，能够将判断车辆行驶轨迹是否异常的问题转换成基于路口序列信息的异常路段统计问题，提升了车辆行驶轨迹这类核心特征的质量，从而提高了酒驾识别的准确率，采用多类特征进行酒驾的判断，大幅提升了酒驾识别的召回率，将目标特征输入至LightGBM模型，输出酒驾概率，进而通过人工智能手段实现对酒驾的自动判断，高效且准确。本发明还涉及区块链技术，LightGBM模型可以部署于区块链上。本发明可应用于智慧交通场景中，从而推动智慧城市的建设。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的酒驾识别方法、装置、设备及介质。
背景技术
酒后驾驶是导致交通事故的重要原因，为了减少由酒驾造成的交通事故次数，传统的方法都是通过交警现场布控来对所有过车进行酒驾行为的排查，这种排查方式效率非常低，并且还会耗费大量人力。
近年来，随着人工智能的快速发展，涌现出了不少酒驾识别算法用来辅助交警进行酒驾查处，一定程度上减少了人力的耗费并提升了交警的查处效率，但是，即便是目前综合性能最好的酒驾识别算法，主要也只是基于车辆画像和车主画像两大类特征来进行酒驾行为的识别，由于特征不够丰富，导致召回率较低，并且准确率也不高，尚存在很大的提升空间。
发明内容
鉴于以上内容，有必要提供一种基于人工智能的酒驾识别方法、装置、设备及介质，能够将判断车辆行驶轨迹是否异常的问题转换成基于路口序列信息的异常路段统计问题，提升了车辆行驶轨迹这类核心特征的质量，从而提高了酒驾识别的准确率，并且，采用多类特征进行酒驾的判断，大幅提升了酒驾识别的召回率，将目标特征输入至LightGBM模型，输出酒驾概率，进而通过人工智能手段实现对酒驾的自动判断，高效且准确。
一种基于人工智能的酒驾识别方法，所述基于人工智能的酒驾识别方法包括：
连接采集设备，利用所述采集设备采集当前所经过车辆的车辆信息；
从所述车辆信息中获取车牌号信息；
调用配置数据库，根据所述车牌号信息从所述配置数据库中调取车辆画像、车主画像及车辆行驶轨迹数据；
利用异常轨迹检测算法确定所述车辆行驶轨迹数据是否异常，得到轨迹信息；
从所述车辆信息中获取所述车辆的过车时间及所述车辆所属的查处辖区；
对所述车辆画像执行第一特征处理，得到第一特征，对所述车主画像执行第一特征处理，得到第二特征，对所述过车时间执行第一特征处理，得到第三特征，对所述查处辖区执行第二特征处理，得到第四特征，及对所述轨迹信息执行第二特征处理，得到第五特征；
拼接所述第一特征、所述第二特征、所述第三特征、所述第四特征及所述第五特征，得到目标特征；
将所述目标特征输入至LightGBM模型，输出酒驾概率。
根据本发明优选实施例，所述利用异常轨迹检测算法确定所述车辆行驶轨迹数据是否异常，得到轨迹信息包括：
从所述车辆行驶轨迹数据中确定经过的路口；
根据经过所述路口的顺序，以每两个路口为一组对所述车辆行驶轨迹数据进行拆分，得到至少一个轨迹片段；
从所述配置数据库中调取所述车辆在预设时间段内的历史轨迹数据；
根据所述历史轨迹数据计算每个路口的目标概率；
根据每个路口的目标概率计算每个轨迹片段的经过概率；
根据每个轨迹片段的经过概率判断每个轨迹片段是否异常，并确定异常的轨迹片段的数量；
确定所述至少一个轨迹片段的总数量；
根据所述异常的轨迹片段的数量及所述总数量确定所述车辆行驶轨迹数据是否异常，得到轨迹信息。
根据本发明优选实施例，所述根据所述历史轨迹数据计算每个路口的目标概率包括：
确定与每个路口相邻的上一路口；
将每个上一路口与每个路口构成的轨迹片段确定为每个目标轨迹片段；
获取在所述历史轨迹数据中包括每个目标轨迹片段的第一轨迹数，及获取在所述历史轨迹数据中包括每个路口的第二轨迹数；
计算每个第一轨迹数与每个第二轨迹数的商作为每个路口的目标概率。
根据本发明优选实施例，采用下述公式，根据每个路口的目标概率计算每个轨迹片段的经过概率包括：
P(Li)＝P(Li-1)*P(Si)＝P(S1)*P(S2)*…*P(Si)
其中，Si表示第i个路口，i为正整数；P(Si)表示第i个路口的目标概率，Li表示从S1到Si的轨迹片段，P(Li)表示从S1到Si的轨迹片段的经过概率，P(Li-1)表示从S1到Si-1的轨迹片段的经过概率。
根据本发明优选实施例，所述根据每个轨迹片段的经过概率判断每个轨迹片段是否异常包括：
当P(Li-1)大于第一阈值，且P(Li)小于所述第一阈值时，确定从Si-1到Si的轨迹片段异常。
根据本发明优选实施例，所述根据所述异常的轨迹片段的数量及所述总数量确定所述车辆行驶轨迹数据是否异常，得到轨迹信息包括：
计算所述异常的轨迹片段的数量与所述总数量的商，得到异常轨迹概率；
对比所述异常轨迹概率与第二阈值；
当所述异常轨迹概率大于所述第二阈值时，确定所述轨迹信息为所述车辆行驶轨迹异常；或者
当所述异常轨迹概率小于或者等于所述第二阈值时，确定所述轨迹信息为所述车辆行驶轨迹正常。
根据本发明优选实施例，所述对所述车辆画像执行第一特征处理，得到第一特征，对所述车主画像执行第一特征处理，得到第二特征，对所述过车时间执行第一特征处理，得到第三特征，对所述查处辖区执行第二特征处理，得到第四特征，及对所述轨迹信息执行第二特征处理，得到第五特征包括：
对所述车辆画像、所述车主画像及所述过车时间进行离散化，并对离散化后的车辆画像、车主画像及过车时间进行编码处理；
对所述查处辖区、所述轨迹信息进行编码处理。
一种基于人工智能的酒驾识别装置，所述基于人工智能的酒驾识别装置包括：
采集单元，用于连接采集设备，利用所述采集设备采集当前所经过车辆的车辆信息；
获取单元，用于从所述车辆信息中获取车牌号信息；
调取单元，用于调用配置数据库，根据所述车牌号信息从所述配置数据库中调取车辆画像、车主画像及车辆行驶轨迹数据；
确定单元，用于利用异常轨迹检测算法确定所述车辆行驶轨迹数据是否异常，得到轨迹信息；
所述获取单元，还用于从所述车辆信息中获取所述车辆的过车时间及所述车辆所属的查处辖区；
处理单元，用于对所述车辆画像执行第一特征处理，得到第一特征，对所述车主画像执行第一特征处理，得到第二特征，对所述过车时间执行第一特征处理，得到第三特征，对所述查处辖区执行第二特征处理，得到第四特征，及对所述轨迹信息执行第二特征处理，得到第五特征；
拼接单元，用于拼接所述第一特征、所述第二特征、所述第三特征、所述第四特征及所述第五特征，得到目标特征；
输入单元，用于将所述目标特征输入至LightGBM模型，输出酒驾概率。
一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现所述基于人工智能的酒驾识别方法。
一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现所述基于人工智能的酒驾识别方法。
由以上技术方案可以看出，本发明能够连接采集设备，利用所述采集设备采集当前所经过车辆的车辆信息，从所述车辆信息中获取车牌号信息，调用配置数据库，根据所述车牌号信息从所述配置数据库中调取车辆画像、车主画像及车辆行驶轨迹数据，利用异常轨迹检测算法确定所述车辆行驶轨迹数据是否异常，得到轨迹信息，将判断车辆行驶轨迹是否异常的问题转换成基于路口序列信息的异常路段统计问题，提升了车辆行驶轨迹这类核心特征的质量，从而提高了酒驾识别的准确率，从所述车辆信息中获取所述车辆的过车时间及所述车辆所属的查处辖区，对所述车辆画像执行第一特征处理，得到第一特征，对所述车主画像执行第一特征处理，得到第二特征，对所述过车时间执行第一特征处理，得到第三特征，对所述查处辖区执行第二特征处理，得到第四特征，及对所述轨迹信息执行第二特征处理，得到第五特征，拼接所述第一特征、所述第二特征、所述第三特征、所述第四特征及所述第五特征，得到目标特征，采用多类特征进行酒驾的判断，大幅提升了酒驾识别的召回率，将所述目标特征输入至LightGBM模型，输出酒驾概率，进而通过人工智能手段实现对酒驾的自动判断，高效且准确。
附图说明
图1是本发明基于人工智能的酒驾识别方法的较佳实施例的流程图。
图2是本发明基于人工智能的酒驾识别装置的较佳实施例的功能模块图。
图3是本发明实现基于人工智能的酒驾识别方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明基于人工智能的酒驾识别方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述基于人工智能的酒驾识别方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(DigitalSignal Processor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
S10，连接采集设备，利用所述采集设备采集当前所经过车辆的车辆信息。
其中，所述采集设备可以部署于每个交通卡口，例如：所述采集设备可以是卡口电警。
在本实施例中，所述车辆信息可以包括，但不限于：车牌号信息、车辆的过车时间及车辆所属的查处辖区等。
S11，从所述车辆信息中获取车牌号信息。
在本实施例中，通过所述采集设备能够采集到包含所述车辆的图像，并进一步通过图像识别算法识别到采集的图像中的车牌号信息。
S12，调用配置数据库，根据所述车牌号信息从所述配置数据库中调取车辆画像、车主画像及车辆行驶轨迹数据。
其中，所述配置数据库可以是交管部门的数据库。
S13，利用异常轨迹检测算法确定所述车辆行驶轨迹数据是否异常，得到轨迹信息。
其中，所述轨迹信息包括：所述车辆行驶轨迹异常或者所述车辆行驶轨迹正常。
在本发明的至少一个实施例中，所述利用异常轨迹检测算法确定所述车辆行驶轨迹数据是否异常，得到轨迹信息包括：
从所述车辆行驶轨迹数据中确定经过的路口；
根据经过所述路口的顺序，以每两个路口为一组对所述车辆行驶轨迹数据进行拆分，得到至少一个轨迹片段；
从所述配置数据库中调取所述车辆在预设时间段内的历史轨迹数据；
根据所述历史轨迹数据计算每个路口的目标概率；
根据每个路口的目标概率计算每个轨迹片段的经过概率；
根据每个轨迹片段的经过概率判断每个轨迹片段是否异常，并确定异常的轨迹片段的数量；
确定所述至少一个轨迹片段的总数量；
根据所述异常的轨迹片段的数量及所述总数量确定所述车辆行驶轨迹数据是否异常，得到轨迹信息。
其中，所述预设时间段可以自定义配置，如前一个月等。
通过上述实施方式，将判断车辆行驶轨迹是否异常的问题转换成基于路口序列信息的异常路段统计问题，提升了车辆行驶轨迹这类核心特征的质量，从而提高了酒驾识别的准确率。
具体地，所述根据所述历史轨迹数据计算每个路口的目标概率包括：
确定与每个路口相邻的上一路口；
将每个上一路口与每个路口构成的轨迹片段确定为每个目标轨迹片段；
获取在所述历史轨迹数据中包括每个目标轨迹片段的第一轨迹数，及获取在所述历史轨迹数据中包括每个路口的第二轨迹数；
计算每个第一轨迹数与每个第二轨迹数的商作为每个路口的目标概率。
在本发明的至少一个实施例中，采用下述公式，根据每个路口的目标概率计算每个轨迹片段的经过概率包括：
P(Li)＝P(Li-1)*P(Si)＝P(S1)*P(S2)*…*P(Si)
其中，Si表示第i个路口，i为正整数；P(Si)表示第i个路口的目标概率，Li表示从S1到Si的轨迹片段，P(Li)表示从S1到Si的轨迹片段的经过概率，P(Li-1)表示从S1到Si-1的轨迹片段的经过概率。
进一步地，所述根据每个轨迹片段的经过概率判断每个轨迹片段是否异常包括：
当P(Li-1)大于第一阈值，且P(Li)小于所述第一阈值时，确定从Si-1到Si的轨迹片段异常。
其中，所述第一阈值是0-1间的数值，具体取值可根据实际需要自定义配置。
更进一步地，所述根据所述异常的轨迹片段的数量及所述总数量确定所述车辆行驶轨迹数据是否异常，得到轨迹信息包括：
计算所述异常的轨迹片段的数量与所述总数量的商，得到异常轨迹概率；
对比所述异常轨迹概率与第二阈值；
当所述异常轨迹概率大于所述第二阈值时，确定所述轨迹信息为所述车辆行驶轨迹异常；或者
当所述异常轨迹概率小于或者等于所述第二阈值时，确定所述轨迹信息为所述车辆行驶轨迹正常。
其中，所述第二阈值是0.5-1间的数值，具体取值可根据实际需要自定义配置。
S14，从所述车辆信息中获取所述车辆的过车时间及所述车辆所属的查处辖区。
其中，所述过车时间包括经过的年、月、日。
所述查处辖区是指所属的区域，如南山区等。
S15，对所述车辆画像执行第一特征处理，得到第一特征，对所述车主画像执行第一特征处理，得到第二特征，对所述过车时间执行第一特征处理，得到第三特征，对所述查处辖区执行第二特征处理，得到第四特征，及对所述轨迹信息执行第二特征处理，得到第五特征。
为了便于机器分析处理，需要将上述各个信息进行特征处理，以便将上述信息转化为机器能够识别的语言。
具体地，所述对所述车辆画像执行第一特征处理，得到第一特征，对所述车主画像执行第一特征处理，得到第二特征，对所述过车时间执行第一特征处理，得到第三特征，对所述查处辖区执行第二特征处理，得到第四特征，及对所述轨迹信息执行第二特征处理，得到第五特征包括：
对所述车辆画像、所述车主画像及所述过车时间进行离散化，并对离散化后的车辆画像、车主画像及过车时间进行编码处理；
对所述查处辖区、所述轨迹信息进行编码处理。
例如：对所述车辆画像离散化处理后，可以将所述车辆画像离散为车辆类型、车辆品牌及车辆属地。
进一步地，对离散化后得到的车辆类型进行编码处理，当所述车辆类型为大型汽车时，编码为1，当所述车辆类型为小型汽车时，编码为2。
S16，拼接所述第一特征、所述第二特征、所述第三特征、所述第四特征及所述第五特征，得到目标特征。
具体地，可以直接将所述第一特征、所述第二特征、所述第三特征、所述第四特征及所述第五特征拼接成多维向量。
通过上述实施方式，将现有技术中相对单调的车辆画像、车主画像2类特征扩展为更加丰富的车辆画像、车主画像、查处辖区、过车时间、车辆行驶轨迹多类特征，大幅提升了酒驾识别的召回率。
S17，将所述目标特征输入至LightGBM模型，输出酒驾概率。
LightGBM是目前最前沿的一种基于Boosting框架的由多棵决策树构成的集成算法，相对于其他算法(如：逻辑回归、决策树、朴素贝叶斯等)具有以下优势：训练速度快、内存消耗低、准确率高、支持分布式。
另外，为了提升系统的安全性及隐私性，所述LightGBM模型可以部署于区块链上。
在本实施例中，可以配置一个阈值，当所述酒驾概率大于所述阈值时，确定发生酒驾，当所述酒驾概率低于或者等于所述阈值时，确定未发生酒驾。
由以上技术方案可以看出，本发明能够连接采集设备，利用所述采集设备采集当前所经过车辆的车辆信息，从所述车辆信息中获取车牌号信息，调用配置数据库，根据所述车牌号信息从所述配置数据库中调取车辆画像、车主画像及车辆行驶轨迹数据，利用异常轨迹检测算法确定所述车辆行驶轨迹数据是否异常，得到轨迹信息，将判断车辆行驶轨迹是否异常的问题转换成基于路口序列信息的异常路段统计问题，提升了车辆行驶轨迹这类核心特征的质量，从而提高了酒驾识别的准确率，从所述车辆信息中获取所述车辆的过车时间及所述车辆所属的查处辖区，对所述车辆画像执行第一特征处理，得到第一特征，对所述车主画像执行第一特征处理，得到第二特征，对所述过车时间执行第一特征处理，得到第三特征，对所述查处辖区执行第二特征处理，得到第四特征，及对所述轨迹信息执行第二特征处理，得到第五特征，拼接所述第一特征、所述第二特征、所述第三特征、所述第四特征及所述第五特征，得到目标特征，采用多类特征进行酒驾的判断，大幅提升了酒驾识别的召回率，将所述目标特征输入至LightGBM模型，输出酒驾概率，进而通过人工智能手段实现对酒驾的自动判断，高效且准确。
如图2所示，是本发明基于人工智能的酒驾识别装置的较佳实施例的功能模块图。所述基于人工智能的酒驾识别装置11包括采集单元110、获取单元111、调取单元112、确定单元113、处理单元114、拼接单元115、输入单元116。本发明所称的模块/单元是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机程序段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
采集单元110连接采集设备，利用所述采集设备采集当前所经过车辆的车辆信息。
其中，所述采集设备可以部署于每个交通卡口，例如：所述采集设备可以是卡口电警。
在本实施例中，所述车辆信息可以包括，但不限于：车牌号信息、车辆的过车时间及车辆所属的查处辖区等。
获取单元111从所述车辆信息中获取车牌号信息。
在本实施例中，通过所述采集设备能够采集到包含所述车辆的图像，并进一步通过图像识别算法识别到采集的图像中的车牌号信息。
调取单元112调用配置数据库，根据所述车牌号信息从所述配置数据库中调取车辆画像、车主画像及车辆行驶轨迹数据。
其中，所述配置数据库可以是交管部门的数据库。
确定单元113利用异常轨迹检测算法确定所述车辆行驶轨迹数据是否异常，得到轨迹信息。
其中，所述轨迹信息包括：所述车辆行驶轨迹异常或者所述车辆行驶轨迹正常。
在本发明的至少一个实施例中，所述确定单元113利用异常轨迹检测算法确定所述车辆行驶轨迹数据是否异常，得到轨迹信息包括：
从所述车辆行驶轨迹数据中确定经过的路口；
根据经过所述路口的顺序，以每两个路口为一组对所述车辆行驶轨迹数据进行拆分，得到至少一个轨迹片段；
从所述配置数据库中调取所述车辆在预设时间段内的历史轨迹数据；
根据所述历史轨迹数据计算每个路口的目标概率；
根据每个路口的目标概率计算每个轨迹片段的经过概率；
根据每个轨迹片段的经过概率判断每个轨迹片段是否异常，并确定异常的轨迹片段的数量；
确定所述至少一个轨迹片段的总数量；
根据所述异常的轨迹片段的数量及所述总数量确定所述车辆行驶轨迹数据是否异常，得到轨迹信息。
其中，所述预设时间段可以自定义配置，如前一个月等。
通过上述实施方式，将判断车辆行驶轨迹是否异常的问题转换成基于路口序列信息的异常路段统计问题，提升了车辆行驶轨迹这类核心特征的质量，从而提高了酒驾识别的准确率。
具体地，所述根据所述历史轨迹数据计算每个路口的目标概率包括：
确定与每个路口相邻的上一路口；
将每个上一路口与每个路口构成的轨迹片段确定为每个目标轨迹片段；
获取在所述历史轨迹数据中包括每个目标轨迹片段的第一轨迹数，及获取在所述历史轨迹数据中包括每个路口的第二轨迹数；
计算每个第一轨迹数与每个第二轨迹数的商作为每个路口的目标概率。
在本发明的至少一个实施例中，采用下述公式，根据每个路口的目标概率计算每个轨迹片段的经过概率包括：
P(Li)＝P(Li-1)*P(Si)＝P(S1)*P(S2)*…*P(Si)
其中，Si表示第i个路口，i为正整数；P(Si)表示第i个路口的目标概率，Li表示从S1到Si的轨迹片段，P(Li)表示从S1到Si的轨迹片段的经过概率，P(Li-1)表示从S1到Si-1的轨迹片段的经过概率。
进一步地，所述根据每个轨迹片段的经过概率判断每个轨迹片段是否异常包括：
当P(Li-1)大于第一阈值，且P(Li)小于所述第一阈值时，确定从Si-1到Si的轨迹片段异常。
其中，所述第一阈值是0-1间的数值，具体取值可根据实际需要自定义配置。
更进一步地，所述确定单元113根据所述异常的轨迹片段的数量及所述总数量确定所述车辆行驶轨迹数据是否异常，得到轨迹信息包括：
计算所述异常的轨迹片段的数量与所述总数量的商，得到异常轨迹概率；
对比所述异常轨迹概率与第二阈值；
当所述异常轨迹概率大于所述第二阈值时，确定所述轨迹信息为所述车辆行驶轨迹异常；或者
当所述异常轨迹概率小于或者等于所述第二阈值时，确定所述轨迹信息为所述车辆行驶轨迹正常。
其中，所述第二阈值是0.5-1间的数值，具体取值可根据实际需要自定义配置。
所述获取单元111从所述车辆信息中获取所述车辆的过车时间及所述车辆所属的查处辖区。
其中，所述过车时间包括经过的年、月、日。
所述查处辖区是指所属的区域，如南山区等。
处理单元114对所述车辆画像执行第一特征处理，得到第一特征，对所述车主画像执行第一特征处理，得到第二特征，对所述过车时间执行第一特征处理，得到第三特征，对所述查处辖区执行第二特征处理，得到第四特征，及对所述轨迹信息执行第二特征处理，得到第五特征。
为了便于机器分析处理，需要将上述各个信息进行特征处理，以便将上述信息转化为机器能够识别的语言。
具体地，所述处理单元114对所述车辆画像执行第一特征处理，得到第一特征，对所述车主画像执行第一特征处理，得到第二特征，对所述过车时间执行第一特征处理，得到第三特征，对所述查处辖区执行第二特征处理，得到第四特征，及对所述轨迹信息执行第二特征处理，得到第五特征包括：
对所述车辆画像、所述车主画像及所述过车时间进行离散化，并对离散化后的车辆画像、车主画像及过车时间进行编码处理；
对所述查处辖区、所述轨迹信息进行编码处理。
例如：对所述车辆画像离散化处理后，可以将所述车辆画像离散为车辆类型、车辆品牌及车辆属地。
进一步地，对离散化后得到的车辆类型进行编码处理，当所述车辆类型为大型汽车时，编码为1，当所述车辆类型为小型汽车时，编码为2。
拼接单元115拼接所述第一特征、所述第二特征、所述第三特征、所述第四特征及所述第五特征，得到目标特征。
具体地，可以直接将所述第一特征、所述第二特征、所述第三特征、所述第四特征及所述第五特征拼接成多维向量。
通过上述实施方式，将现有技术中相对单调的车辆画像、车主画像2类特征扩展为更加丰富的车辆画像、车主画像、查处辖区、过车时间、车辆行驶轨迹多类特征，大幅提升了酒驾识别的召回率。
输入单元116将所述目标特征输入至LightGBM模型，输出酒驾概率。
LightGBM是目前最前沿的一种基于Boosting框架的由多棵决策树构成的集成算法，相对于其他算法(如：逻辑回归、决策树、朴素贝叶斯等)具有以下优势：训练速度快、内存消耗低、准确率高、支持分布式。
另外，为了提升系统的安全性及隐私性，所述LightGBM模型可以部署于区块链上。
在本实施例中，可以配置一个阈值，当所述酒驾概率大于所述阈值时，确定发生酒驾，当所述酒驾概率低于或者等于所述阈值时，确定未发生酒驾。
由以上技术方案可以看出，本发明能够连接采集设备，利用所述采集设备采集当前所经过车辆的车辆信息，从所述车辆信息中获取车牌号信息，调用配置数据库，根据所述车牌号信息从所述配置数据库中调取车辆画像、车主画像及车辆行驶轨迹数据，利用异常轨迹检测算法确定所述车辆行驶轨迹数据是否异常，得到轨迹信息，将判断车辆行驶轨迹是否异常的问题转换成基于路口序列信息的异常路段统计问题，提升了车辆行驶轨迹这类核心特征的质量，从而提高了酒驾识别的准确率，从所述车辆信息中获取所述车辆的过车时间及所述车辆所属的查处辖区，对所述车辆画像执行第一特征处理，得到第一特征，对所述车主画像执行第一特征处理，得到第二特征，对所述过车时间执行第一特征处理，得到第三特征，对所述查处辖区执行第二特征处理，得到第四特征，及对所述轨迹信息执行第二特征处理，得到第五特征，拼接所述第一特征、所述第二特征、所述第三特征、所述第四特征及所述第五特征，得到目标特征，采用多类特征进行酒驾的判断，大幅提升了酒驾识别的召回率，将所述目标特征输入至LightGBM模型，输出酒驾概率，进而通过人工智能手段实现对酒驾的自动判断，高效且准确。
如图3所示，是本发明实现基于人工智能的酒驾识别方法的较佳实施例的电子设备的结构示意图。
所述电子设备1可以包括存储器12、处理器13和总线，还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如基于人工智能的酒驾识别程序。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，所述电子设备1既可以是总线型结构，也可以是星形结构，所述电子设备1还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置，例如所述电子设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是，所述电子设备1仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。
其中，存储器12至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地，存储器12还可以既包括电子设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于人工智能的酒驾识别程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是所述电子设备1的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备1的各个部件，通过运行或执行存储在所述存储器12内的程序或者模块(例如执行基于人工智能的酒驾识别程序等)，以及调用存储在所述存储器12内的数据，以执行电子设备1的各种功能和处理数据。
所述处理器13执行所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个基于人工智能的酒驾识别方法实施例中的步骤，例如图1所示的步骤。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述电子设备1中的执行过程。例如，所述计算机程序可以被分割成采集单元110、获取单元111、调取单元112、确定单元113、处理单元114、拼接单元115、输入单元116。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块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、计算机设备，或者网络设备等)或处理器(processor)执行本发明各个实施例所述基于人工智能的酒驾识别方法的部分。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指示相关的硬件设备来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)等。
进一步地，计算机可读存储介质可主要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、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，在图3中仅用一根箭头表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器13逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
图3仅示出了具有组件12-13的电子设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
结合图1，所述电子设备1中的所述存储器12存储多个指令以实现一种基于人工智能的酒驾识别方法，所述处理器13可执行所述多个指令从而实现：
连接采集设备，利用所述采集设备采集当前所经过车辆的车辆信息；
从所述车辆信息中获取车牌号信息；
调用配置数据库，根据所述车牌号信息从所述配置数据库中调取车辆画像、车主画像及车辆行驶轨迹数据；
利用异常轨迹检测算法确定所述车辆行驶轨迹数据是否异常，得到轨迹信息；
从所述车辆信息中获取所述车辆的过车时间及所述车辆所属的查处辖区；
对所述车辆画像执行第一特征处理，得到第一特征，对所述车主画像执行第一特征处理，得到第二特征，对所述过车时间执行第一特征处理，得到第三特征，对所述查处辖区执行第二特征处理，得到第四特征，及对所述轨迹信息执行第二特征处理，得到第五特征；
拼接所述第一特征、所述第二特征、所述第三特征、所述第四特征及所述第五特征，得到目标特征；
将所述目标特征输入至LightGBM模型，输出酒驾概率。
具体地，所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种基于人工智能的酒驾识别方法，其特征在于，所述基于人工智能的酒驾识别方法包括：
连接采集设备，利用所述采集设备采集当前所经过车辆的车辆信息；
从所述车辆信息中获取车牌号信息；
调用配置数据库，根据所述车牌号信息从所述配置数据库中调取车辆画像、车主画像及车辆行驶轨迹数据；
利用异常轨迹检测算法确定所述车辆行驶轨迹数据是否异常，得到轨迹信息，包括：从所述车辆行驶轨迹数据中确定经过的路口；根据经过所述路口的顺序，以每两个路口为一组对所述车辆行驶轨迹数据进行拆分，得到至少一个轨迹片段；从所述配置数据库中调取所述车辆在预设时间段内的历史轨迹数据；根据所述历史轨迹数据计算每个路口的目标概率；根据每个路口的目标概率计算每个轨迹片段的经过概率；根据每个轨迹片段的经过概率判断每个轨迹片段是否异常，并确定异常的轨迹片段的数量；确定所述至少一个轨迹片段的总数量；根据所述异常的轨迹片段的数量及所述总数量确定所述车辆行驶轨迹数据是否异常，得到轨迹信息；其中，所述根据所述历史轨迹数据计算每个路口的目标概率包括：确定与每个路口相邻的上一路口；将每个上一路口与每个路口构成的轨迹片段确定为每个目标轨迹片段；获取在所述历史轨迹数据中包括每个目标轨迹片段的第一轨迹数，及获取在所述历史轨迹数据中包括每个路口的第二轨迹数；计算每个第一轨迹数与每个第二轨迹数的商作为每个路口的目标概率；
从所述车辆信息中获取所述车辆的过车时间及所述车辆所属的查处辖区；
对所述车辆画像执行第一特征处理，得到第一特征，对所述车主画像执行第一特征处理，得到第二特征，对所述过车时间执行第一特征处理，得到第三特征，对所述查处辖区执行第二特征处理，得到第四特征，及对所述轨迹信息执行第二特征处理，得到第五特征；
拼接所述第一特征、所述第二特征、所述第三特征、所述第四特征及所述第五特征，得到目标特征；
将所述目标特征输入至LightGBM模型，输出酒驾概率。
2.如权利要求1所述的基于人工智能的酒驾识别方法，其特征在于，采用下述公式，根据每个路口的目标概率计算每个轨迹片段的经过概率包括：
P(Li)＝P(Li-1)*P(Si)＝P(S1)*P(S2)*…*P(Si)
其中，Si表示第i个路口，i为正整数；P(Si)表示第i个路口的目标概率，Li表示从S1到Si的轨迹片段，P(Li)表示从S1到Si的轨迹片段的经过概率，P(Li-1)表示从S1到Si-1的轨迹片段的经过概率。
3.如权利要求2所述的基于人工智能的酒驾识别方法，其特征在于，所述根据每个轨迹片段的经过概率判断每个轨迹片段是否异常包括：
当P(Li-1)大于第一阈值，且P(Li)小于所述第一阈值时，确定从Si-1到Si的轨迹片段异常。
4.如权利要求1所述的基于人工智能的酒驾识别方法，其特征在于，所述根据所述异常的轨迹片段的数量及所述总数量确定所述车辆行驶轨迹数据是否异常，得到轨迹信息包括：
计算所述异常的轨迹片段的数量与所述总数量的商，得到异常轨迹概率；
对比所述异常轨迹概率与第二阈值；
当所述异常轨迹概率大于所述第二阈值时，确定所述轨迹信息为所述车辆行驶轨迹异常；或者
当所述异常轨迹概率小于或者等于所述第二阈值时，确定所述轨迹信息为所述车辆行驶轨迹正常。
5.如权利要求1所述的基于人工智能的酒驾识别方法，其特征在于，所述对所述车辆画像执行第一特征处理，得到第一特征，对所述车主画像执行第一特征处理，得到第二特征，对所述过车时间执行第一特征处理，得到第三特征，对所述查处辖区执行第二特征处理，得到第四特征，及对所述轨迹信息执行第二特征处理，得到第五特征包括：
对所述车辆画像、所述车主画像及所述过车时间进行离散化，并对离散化后的车辆画像、车主画像及过车时间进行编码处理；
对所述查处辖区、所述轨迹信息进行编码处理。
6.一种基于人工智能的酒驾识别装置，其特征在于，所述基于人工智能的酒驾识别装置包括：
采集单元，用于连接采集设备，利用所述采集设备采集当前所经过车辆的车辆信息；
获取单元，用于从所述车辆信息中获取车牌号信息；
调取单元，用于调用配置数据库，根据所述车牌号信息从所述配置数据库中调取车辆画像、车主画像及车辆行驶轨迹数据；
确定单元，用于利用异常轨迹检测算法确定所述车辆行驶轨迹数据是否异常，得到轨迹信息，包括：从所述车辆行驶轨迹数据中确定经过的路口；根据经过所述路口的顺序，以每两个路口为一组对所述车辆行驶轨迹数据进行拆分，得到至少一个轨迹片段；从所述配置数据库中调取所述车辆在预设时间段内的历史轨迹数据；根据所述历史轨迹数据计算每个路口的目标概率；根据每个路口的目标概率计算每个轨迹片段的经过概率；根据每个轨迹片段的经过概率判断每个轨迹片段是否异常，并确定异常的轨迹片段的数量；确定所述至少一个轨迹片段的总数量；根据所述异常的轨迹片段的数量及所述总数量确定所述车辆行驶轨迹数据是否异常，得到轨迹信息；其中，所述根据所述历史轨迹数据计算每个路口的目标概率包括：确定与每个路口相邻的上一路口；将每个上一路口与每个路口构成的轨迹片段确定为每个目标轨迹片段；获取在所述历史轨迹数据中包括每个目标轨迹片段的第一轨迹数，及获取在所述历史轨迹数据中包括每个路口的第二轨迹数；计算每个第一轨迹数与每个第二轨迹数的商作为每个路口的目标概率；
所述获取单元，还用于从所述车辆信息中获取所述车辆的过车时间及所述车辆所属的查处辖区；
处理单元，用于对所述车辆画像执行第一特征处理，得到第一特征，对所述车主画像执行第一特征处理，得到第二特征，对所述过车时间执行第一特征处理，得到第三特征，对所述查处辖区执行第二特征处理，得到第四特征，及对所述轨迹信息执行第二特征处理，得到第五特征；
拼接单元，用于拼接所述第一特征、所述第二特征、所述第三特征、所述第四特征及所述第五特征，得到目标特征；
输入单元，用于将所述目标特征输入至LightGBM模型，输出酒驾概率。
7.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现如权利要求1至5中任意一项所述的基于人工智能的酒驾识别方法。
8.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现如权利要求1至5中任意一项所述的基于人工智能的酒驾识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011009478.2A CN112115890B (zh) | 2020-09-23 | 2020-09-23 | 基于人工智能的酒驾识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011009478.2A CN112115890B (zh) | 2020-09-23 | 2020-09-23 | 基于人工智能的酒驾识别方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112115890A CN112115890A (zh) | 2020-12-22 |
| CN112115890B true CN112115890B (zh) | 2024-01-23 |
Family
ID=73801117
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011009478.2A Active CN112115890B (zh) | 2020-09-23 | 2020-09-23 | 基于人工智能的酒驾识别方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112115890B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113592903A (zh) * | 2021-06-28 | 2021-11-02 | 北京百度网讯科技有限公司 | 车辆轨迹识别方法、装置、电子设备和存储介质 |
| CN114529871A (zh) * | 2022-02-21 | 2022-05-24 | 创新奇智(上海)科技有限公司 | 一种酒驾识别方法、装置，电子设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104408932A (zh) * | 2014-11-03 | 2015-03-11 | 河海大学常州校区 | 一种基于视频监控的酒驾车辆检测系统 |
| CN106314438A (zh) * | 2016-08-15 | 2017-01-11 | 西北工业大学 | 一种司机驾驶轨迹中异常轨迹的检测方法和系统 |
| CN110275934A (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行驶情况风险分析方法和系统 |
| CN110379193A (zh) * | 2019-07-08 | 2019-10-25 | 华为技术有限公司 | 自动驾驶车辆的行为规划方法及行为规划装置 |
| CN110533912A (zh) * | 2019-09-16 | 2019-12-03 | 腾讯科技（深圳）有限公司 | 基于区块链的驾驶行为检测方法及装置 |
| CN110702622A (zh) * | 2019-10-12 | 2020-01-17 | 北京软通智慧城市科技有限公司 | 酒驾车辆的识别方法、装置、设备、存储介质和系统 |
| CN110758403A (zh) * | 2019-10-30 | 2020-02-07 | 北京百度网讯科技有限公司 | 自动驾驶车辆的控制方法、装置、设备及存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10761535B2 (en) * | 2018-08-21 | 2020-09-01 | GM Global Technology Operations LLC | Intelligent vehicle navigation systems, methods, and control logic for multi-lane separation and trajectory extraction of roadway segments |
| SG11201811243UA (en) * | 2018-10-25 | 2020-05-28 | Beijing Didi Infinity Technology & Development Co Ltd | A method and system for determining whether there is target road facility at intersection |
-
2020
- 2020-09-23 CN CN202011009478.2A patent/CN112115890B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104408932A (zh) * | 2014-11-03 | 2015-03-11 | 河海大学常州校区 | 一种基于视频监控的酒驾车辆检测系统 |
| CN106314438A (zh) * | 2016-08-15 | 2017-01-11 | 西北工业大学 | 一种司机驾驶轨迹中异常轨迹的检测方法和系统 |
| CN110275934A (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行驶情况风险分析方法和系统 |
| CN110379193A (zh) * | 2019-07-08 | 2019-10-25 | 华为技术有限公司 | 自动驾驶车辆的行为规划方法及行为规划装置 |
| CN110533912A (zh) * | 2019-09-16 | 2019-12-03 | 腾讯科技（深圳）有限公司 | 基于区块链的驾驶行为检测方法及装置 |
| CN110702622A (zh) * | 2019-10-12 | 2020-01-17 | 北京软通智慧城市科技有限公司 | 酒驾车辆的识别方法、装置、设备、存储介质和系统 |
| CN110758403A (zh) * | 2019-10-30 | 2020-02-07 | 北京百度网讯科技有限公司 | 自动驾驶车辆的控制方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112115890A (zh) | 2020-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112446025A (zh) | 联邦学习防御方法、装置、电子设备及存储介质 | |
| CN111949708B (zh) | 基于时序特征提取的多任务预测方法、装置、设备及介质 | |
| CN111738212B (zh) | 基于人工智能的交通信号灯识别方法、装置、设备及介质 | |
| WO2021115133A1 (zh) | 驾驶行为识别方法、装置、电子设备及存储介质 | |
| CN112115890B (zh) | 基于人工智能的酒驾识别方法、装置、设备及介质 | |
| CN112231586A (zh) | 基于迁移学习的课程推荐方法、装置、设备及介质 | |
| CN112860848B (zh) | 信息检索方法、装置、设备及介质 | |
| CN111950621A (zh) | 基于人工智能的目标数据检测方法、装置、设备及介质 | |
| CN111798123A (zh) | 基于人工智能的合规性评价方法、装置、设备及介质 | |
| CN111931729B (zh) | 基于人工智能的行人检测方法、装置、设备及介质 | |
| CN111770317A (zh) | 用于智慧社区的视频监控方法、装置、设备及介质 | |
| CN111274937A (zh) | 摔倒检测方法、装置、电子设备及计算机可读存储介质 | |
| CN111882873B (zh) | 轨迹异常检测方法、装置、设备及介质 | |
| CN112651782B (zh) | 基于缩放点积注意力的行为预测方法、装置、设备及介质 | |
| CN112396547B (zh) | 基于无监督学习的课程推荐方法、装置、设备及介质 | |
| CN112017763B (zh) | 医疗影像数据传输方法、装置、设备及介质 | |
| CN111985545A (zh) | 基于人工智能的目标数据检测方法、装置、设备及介质 | |
| CN112132037B (zh) | 基于人工智能的人行道检测方法、装置、设备及介质 | |
| CN112069387B (zh) | 互联网事件传播爆发预测方法、装置、电子设备及介质 | |
| CN115239958A (zh) | 基于人工智能的轮毂损伤检测方法及相关设备 | |
| CN114722146A (zh) | 基于人工智能的供应链资产校验方法、装置、设备及介质 | |
| CN114708073A (zh) | 一种围标串标智能检测方法、装置、电子设备及存储介质 | |
| CN111950707B (zh) | 基于行为共现网络的行为预测方法、装置、设备及介质 | |
| CN112132140B (zh) | 基于人工智能的车品牌识别方法、装置、设备及介质 | |
| CN112819593B (zh) | 基于位置信息的数据分析方法、装置、设备及介质 |
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 |