CN114190928B - 险态工况下驾驶行为的识别方法、装置和计算机设备 - Google Patents
险态工况下驾驶行为的识别方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN114190928B CN114190928B CN202111608792.7A CN202111608792A CN114190928B CN 114190928 B CN114190928 B CN 114190928B CN 202111608792 A CN202111608792 A CN 202111608792A CN 114190928 B CN114190928 B CN 114190928B
- Authority
- CN
- China
- Prior art keywords
- information
- position information
- body surface
- joint point
- stress reaction
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1116—Determining posture transitions
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/18—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state for vehicle drivers or machine operators
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/20—Workers
- A61B2503/22—Motor vehicles operators, e.g. drivers, pilots, captains
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Physics & Mathematics (AREA)
- Physiology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请涉及一种险态工况下驾驶行为的识别方法、装置和计算机设备。方法包括：通过多个传感器获取目标对象在各应激反应时刻的目标数据信息，目标数据信息包括目标对象的体表空间位置信息、目标对象的骨骼空间位置信息、以及目标对象的生理状态信息；根据各体表空间位置信息，确定各关节点在各应激反应时刻的初始空间位置信息，并根据各关节点的初始空间位置信息和各骨骼空间位置信息，确定各关节点的空间位置信息；针对目标对象的各部位，确定与部位对应的生理状态信息，以及部位对应的关节点的空间位置信息；根据各部位的生理状态信息，以及各部位的关节点的空间位置信息，确定目标对象的主动应激行为。本方法提高了识别的主动应激行为的精确度。
Description
技术领域
本申请涉及道路交通安全领域，特别是涉及一种险态工况下驾驶行为的识别方法、装置和计算机设备。
背景技术
随着道路交通安全领域的发展，出现了驾驶行为的识别技术，传统驾驶行为的识别技术通过单一传感器获取到样本对象的姿态信息，并对该姿态信息进行识别得到样本对象的驾驶行为。
然而传统驾驶驾驶行为的识别技术只是通过单一传感器识别，在面对险态工况(紧急碰撞发生的情况)下，样本对象姿态变化较大，导致所识别的主动应激行为与实际驾驶行为存在较大误差。
发明内容
基于此，有必要针对上述技术问题，提供一种险态工况下驾驶行为的识别方法、装置和计算机设备。
第一方面，本申请提供了一种险态工况下驾驶行为的识别方法。所述方法包括：
通过多个传感器获取目标对象在各应激反应时刻的目标数据信息，所述目标数据信息包括所述目标对象的体表空间位置信息、所述目标对象的骨骼空间位置信息、以及所述目标对象的生理状态信息；
根据各所述体表空间位置信息，确定各关节点在各应激反应时刻的初始空间位置信息，并根据各所述关节点的初始空间位置信息和各所述骨骼空间位置信息，确定各所述关节点的空间位置信息；
针对所述目标对象的各部位，确定与所述部位对应的生理状态信息，以及所述部位对应的关节点的空间位置信息；
根据所述各部位的生理状态信息，以及所述各部位的关节点的空间位置信息，确定所述目标对象的主动应激行为。
可选的，所述根据各所述体表空间位置信息，确定各关节点在各应激反应时刻的初始空间位置信息，包括：
在各所述体表空间位置信息中，确定各所述关节点在各应激反应时刻对应的体表空间位置信息；
根据所述关节点在各应激反应时刻的体表空间位置信息，确定各所述关节点在各应激反应时刻的体表周长信息；
针对每个关节点，将所述关节点在各应激反应时刻的体表空间位置信息与相邻关节点在各应激反应时刻的体表空间位置信息相连接，得到所述关节点在各应激反应时刻的体表向量信息；
根据所述关节点在各应激反应时刻的体表向量信息和夹角确定模型，确定所述关节点在各应激反应时刻的体表夹角信息；
根据所述关节点在各应激反应时刻的体表周长信息、所述关节点在各应激反应时刻的体表夹角信息和融合模型，确定所述关节点在各应激反应时刻的初始空间位置信息。
可选的，所述根据所述各部位的生理状态信息，以及所述各部位的关节点的空间位置信息，确定所述目标对象的主动应激行为，包括：
针对目标对象的各部位，根据所述部位的关节点的空间位置信息，确定所述部位对应的各关节点的运动信息；
根据所述部位的各关节点的运动信息，确定所述部位的姿态变化信息；
根据所述部位在各应激反应时刻对应的生理状态信息，确定所述部位对应的生理状态变化信息；
根据所述部位的姿态变化信息和所述部位的生理状态变化信息，确定所述部位对应的主动应激行为；
根据各所述部位对应的主动应激行为，确定所述目标对象的主动应激行为。
可选的，所述针对所述目标对象的各部位，确定与所述部位对应的生理状态信息，以及所述部位对应的关节点的空间位置信息，包括：
在预设的所述部位与所述生理状态信息的对应关系中，分别确定各所述部位对应的生理状态信息；
在预设的所述部位包含的关节点中，分别确定各所述部位包含的各关节点的空间位置信息。
可选的，所述方法还包括：
获取样本对象空间数据集，所述样本对象空间数据集包括样本对象在各应激反应时刻的关节点的体表空间位置信息和所述样本对象在各应激反应时刻的关节点的样本体表夹角信息；
根据各所述关节点在各应激反应时刻的体表空间位置信息，确定各所述关节点在各应激反应时刻的体表周长信息；
针对每个样本对象的关节点，将所述关节点在各应激反应时刻的体表空间位置信息与相邻关节点在各应激反应时刻的体表空间位置信息相连接，得到所述关节点在各应激反应时刻的体表向量信息；
根据各所述样本对象的关节点在各应激反应时刻的体表向量信息、各所述样本对象的关节点在各应激反应时刻的样本体表夹角信息输入初始夹角确定模型，对所述初始夹角确定模型进行训练，得到夹角确定模型。
可选的，所述方法还包括：
获取样本对象的关节点在各应激反应时刻的样本空间位置信息和所述样本对象的关节点在各应激反应时刻的体表空间位置信息；
根据各所述关节点在各应激反应时刻的体表空间位置信息，确定各关节点在各应激反应时刻的体表周长信息；
针对每个样本对象的关节点，将所述关节点在各应激反应时刻的体表空间位置信息与相邻关节点在各应激反应时刻的体表空间位置信息相连接，得到所述关节点在各应激反应时刻的体表向量信息；
根据各所述关节点在各应激反应时刻的体表向量信息和所述夹角确定模型，确定各关节点在各应激反应时刻的体表夹角信息；
根据各所述样本对象的关节点在各应激反应时刻的体表夹角信息、各所述样本对象的关节点在各应激反应时刻的体表周长信息和各所述样本对象的关节点在各应激反应时刻的样本空间位置信息输入初始融合模型，对所述初始融合模型进行训练，得到融合模型。
第二方面，本申请提供了一种险态工况下驾驶行为的识别装置。所述装置包括：
第一获取模块，用于通过多个传感器获取目标对象在各应激反应时刻的目标数据信息，所述目标数据信息包括所述目标对象的体表空间位置信息、所述目标对象的骨骼空间位置信息、以及所述目标对象的生理状态信息；
第一确定模块，用于根据各所述体表空间位置信息，确定各关节点在各应激反应时刻的初始空间位置信息，并根据各所述关节点的初始空间位置信息和各所述骨骼空间位置信息，确定各所述关节点的空间位置信息；
第二确定模块，用于针对所述目标对象的各部位，确定与所述部位对应的生理状态信息，以及所述部位对应的关节点的空间位置信息；
第三确定模块，用于根据所述各部位的生理状态信息，以及所述各部位的关节点的空间位置信息，确定所述目标对象的主动应激行为。
可选的，所述第一确定模块，具体用于：
在各所述体表空间位置信息中，确定各所述关节点在各应激反应时刻对应的体表空间位置信息；
根据所述关节点在各应激反应时刻的体表空间位置信息，确定各所述关节点在各应激反应时刻的体表周长信息；
针对每个关节点，将所述关节点在各应激反应时刻的体表空间位置信息与相邻关节点在各应激反应时刻的体表空间位置信息相连接，得到所述关节点在各应激反应时刻的体表向量信息；
根据所述关节点在各应激反应时刻的体表向量信息和夹角确定模型，确定所述关节点在各应激反应时刻的体表夹角信息；
根据所述关节点在各应激反应时刻的体表周长信息、所述关节点在各应激反应时刻的体表夹角信息和融合模型，确定所述关节点在各应激反应时刻的初始空间位置信息。
可选的，所述第三确定模块，具体用于：
针对目标对象的各部位，根据所述部位的关节点的空间位置信息，确定所述部位对应的各关节点的运动信息；
根据所述部位的各关节点的运动信息，确定所述部位的姿态变化信息；
根据所述部位在各应激反应时刻对应的生理状态信息，确定所述部位对应的生理状态变化信息；
根据所述部位的姿态变化信息和所述部位的生理状态变化信息，确定所述部位对应的主动应激行为；
根据各所述部位对应的主动应激行为，确定所述目标对象的主动应激行为。
可选的，所述第二确定模块，具体用于：
在预设的所述部位与所述生理状态信息的对应关系中，分别确定各所述部位对应的生理状态信息；
在预设的所述部位包含的关节点中，分别确定各所述部位包含的各关节点的空间位置信息。
可选的，所述装置还包括：
第二获取模块，用于获取样本对象空间数据集，所述样本对象空间数据集包括样本对象在各应激反应时刻的关节点的体表空间位置信息和所述样本对象在各应激反应时刻的关节点的样本体表夹角信息；
第四确定模块，用于根据各所述关节点在各应激反应时刻的体表空间位置信息，确定各所述关节点在各应激反应时刻的体表周长信息；
第五确定模块，用于针对每个样本对象的关节点，将所述关节点在各应激反应时刻的体表空间位置信息与相邻关节点在各应激反应时刻的体表空间位置信息相连接，得到所述关节点在各应激反应时刻的体表向量信息；
第六确定模块，用于根据各所述样本对象的关节点在各应激反应时刻的体表向量信息、各所述样本对象的关节点在各应激反应时刻的样本体表夹角信息输入初始夹角确定模型，对所述初始夹角确定模型进行训练，得到夹角确定模型。
可选的，所述装置还包括：
第三获取模块，用于获取样本对象的关节点在各应激反应时刻的样本空间位置信息和所述样本对象的关节点在各应激反应时刻的体表空间位置信息；
第七确定模块，用于根据各所述关节点在各应激反应时刻的体表空间位置信息，确定各关节点在各应激反应时刻的体表周长信息；
第八确定模块，用于针对每个样本对象的关节点，将所述关节点在各应激反应时刻的体表空间位置信息与相邻关节点在各应激反应时刻的体表空间位置信息相连接，得到所述关节点在各应激反应时刻的体表向量信息；
第九确定模块，用于根据各所述关节点在各应激反应时刻的体表向量信息和所述夹角确定模型，确定各关节点在各应激反应时刻的体表夹角信息；
第十确定模块，用于根据各所述样本对象的关节点在各应激反应时刻的体表夹角信息、各所述样本对象的关节点在各应激反应时刻的体表周长信息和各所述样本对象的关节点在各应激反应时刻的样本空间位置信息输入初始融合模型，对所述初始融合模型进行训练，得到融合模型。
第三方面，本申请提供了一种计算机设备。所述计算机设备：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第一方面中任一项所述的方法的步骤。
第四方面，本申请提供了一种计算机可读存储介质。所述存储介质包括：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第一方面中任一项所述的方法的步骤。
第五方面，本申请提供了一种计算机程序产品。所述计算机程序产品包括：计算机程序，其特征在于，该计算机程序被处理器执行时实现第一方面中任一项所述的方法的步骤。
上述险态工况下驾驶行为的识别方法、装置和计算机设备，包括：通过多个传感器获取目标对象在各应激反应时刻的目标数据信息，所述目标数据信息包括所述目标对象的体表空间位置信息、所述目标对象的骨骼空间位置信息、以及所述目标对象的生理状态信息；根据各所述体表空间位置信息，确定各关节点在各应激反应时刻的初始空间位置信息，并根据各所述关节点的初始空间位置信息和各所述骨骼空间位置信息，确定各所述关节点的空间位置信息；针对所述目标对象的各部位，确定与所述部位对应的生理状态信息，以及所述部位对应的关节点的空间位置信息；根据所述各部位的生理状态信息，以及所述各部位的关节点的空间位置信息，确定所述目标对象的主动应激行为。通过对多个传感器获取的数据进行融合处理，并对样本对象的各部位的行为姿态进行识别，确定主动应激行为，提高了所识别的主动应激行为的精确度。
附图说明
图1为一个实施例中险态工况下驾驶行为的识别方法的流程示意图；
图2为一个实施例中确定关节点的初始空间位置信息步骤的流程示意图；
图3为一个实施例中确定主动应激行为步骤的流程示意图；
图4为一个实施例中夹角确定模型的训练方法的流程示意图；
图5为一个实施例中融合模型的训练方法的流程示意图；
图6为另一个实施例中险态工况下驾驶行为的识别方法的流程示意图；
图7为一个实施例中险态工况下驾驶行为的识别装置的结构框图；
图8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。
本申请实施例提供的险态工况下驾驶行为的识别方法，可以应用于终端，也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。其中，终端可以包括但不限于是各种个人计算机、笔记本电脑、平板电脑、物联网设备等。该终端用于获取多个传感器采集的样本对象在各应激反应时刻的目标数据信息，并对目标数据信息进行处理，确定样本对象各部位对应的主动应激行为，从而确定样本对象的主动应激行为。
在一个实施例中，如图1所示，提供了一种险态工况下驾驶行为的识别方法，以该方法应用于终端为例进行说明，包括以下步骤：
步骤S101，通过多个传感器获取目标对象在各应激反应时刻的目标数据信息。
其中，目标数据信息包括目标对象的体表空间位置信息、目标对象的骨骼空间位置信息、以及目标对象的生理状态信息。
本实施例中，传感器可以至少包括光学动作捕捉与测量传感器、眼动视觉注释信息传感器、脑电信息传感器、体表肌肉电信号传感器、座椅靠背压力传感器、三轴加速度传感器、深度相机传感器和彩色相机传感器的一种或多种。应激反应时刻可以是在险态工况情况下，目标对象从发现紧急情况时刻开始到零碰撞时刻之间的各时刻(如采样时刻)。终端通过光学动作捕捉与测量传感器和/或体表肌肉电信号传感器采集目标对象体表的三维坐标信息，并将目标对象体表的三维坐标信息作为体表空间位置信息；终端通过深度相机传感器和彩色相机传感器所采集样本对象的骨骼关节的三维坐标信息，并将样本对象的骨骼关节的三维坐标信息作为骨骼空间位置信息；体表空间位置信息和骨骼空间位置信息可以基于同一大地坐标系或车辆坐标系中。终端通过脑电信息传感器采集目标对象的脑区电信号的电压生理状态信息、通过座椅靠背压力传感器采集目标对象的靠背和坐垫的压力分布信息、通过眼动视觉注释信息传感器采集目标对象的视觉注释信息，并将上述电压生理状态信息、压力分布信息和视觉注释信息作为生理状态信息。终端通过多个传感器获取到目标对象在各应激反应时刻的目标数据信息。
例如，通过光学动作捕捉与测量传感器采集到目标对象在各应激反应时刻的体表空间位置信息可以表示为
通过体表肌肉电信号传感器采集到目标对象在各应激反应时刻的体表空间位置信息可以表示为
通过深度相机传感器采集到目标对象在各应激反应时刻的骨骼空间位置信息可以表示为
通过彩色相机传感器采集到目标对象在各应激反应时刻的骨骼空间位置信息可以表示为
上式中，i为各个应激反应时刻，j为不同体表采样点，l为不同骨骼关节采样点，A代表光学动作捕捉与测量传感器，D代表体表肌肉电信号传感器，F代表深度相机传感器，G代表彩色相机传感器。
步骤S102，根据各体表空间位置信息，确定各关节点在各应激反应时刻的初始空间位置信息，并根据各关节点的初始空间位置信息和各骨骼空间位置信息，确定各关节点的空间位置信息。
本实施例中，终端将传感器采集到目标对象在各应激反应时刻的体表空间位置信息，通过整合算法得到目标对象在各应激反应时刻的关节点对应的初始空间位置信息，该整合算法可通过MATLAB或python条件下实现。针对每个关节点，根据该关节点的初始空间位置信息和该关节点对应的骨骼空间位置信息，通过求和平均关系式，得到各关节点的空间位置信息。求和平均关系式如下：
上式中，
为各关节点的空间位置信息，
为通过光学动作捕捉与测量传感器采集到的体表空间位置信息通过算法得到的初始关节点的初始空间位置信息，
为通过肌肉电信号传感器采集到的体表空间位置信息通过算法得到的初始关节点的初始空间位置信息。
步骤S103，针对目标对象的各部位，确定与部位对应的生理状态信息，以及部位对应的关节点的空间位置信息。
本实施例中，目标对象可以按照预设的划分规则，将目标对象划分出多个部位，比如头部、颈部、上肢部、躯干部和下肢部。针对各部位，终端可以选取该部位对应的传感器(用于获取生理状态信息)，并获取通过该传感器采集到的生理状态信息；终端可以预先存储有部位和关节点的对应关系，终端在对应关系中查找该部位对应的关节点，并根据该关节点的空间位置信息，确定为该部位对应的关节点的空间位置信息。
步骤S104，根据各部位的生理状态信息，以及各部位的关节点的空间位置信息，确定目标对象的主动应激行为。
本实施例中，主动应激行为包括主动行为、以及与主动行为对应的应激行为。通过将主动行为与应激行为通过一对一或者一对多的方式，组合成各种主动应激行为。主动行为可以包括转动方向盘、脚踩制动、转动方向盘同时脚踩制动和无决策行为，应激反应行为可以包括身体躯干后倾、双臂撑紧方向盘、伸展下肢脚踩车辆底板和无应激行为。终端通过将各部位的生理状态信息，以及各部位的关节点的空间位置信息进行识别，得到目标对象的主动应激行为。
基于上述发明，通过对多个传感器获取的数据进行融合处理，并对样本对象的各部位的行为姿态进行识别，确定主动应激行为，提高了所识别的主动应激行为的精确度。
可选的，如图2所示，根据各体表空间位置信息，确定各关节点在各应激反应时刻的初始空间位置信息，包括：
步骤S201，在各体表空间位置信息中，确定各关节点在各应激反应时刻对应的体表空间位置信息。
本实施例中，终端可以预先存储样本对象的关节点和样本对象身高的比例对应关系，终端根据获取到的样本对象在各应激反应时刻的体表空间位置信息，查找样本对象身高和样本对象的关节点的比例对应关系，确定样本对象的关节点所对应的体表空间位置信息作为样本对象的关节点在各应激反应时刻对应的体表空间位置信息。
步骤S202，根据关节点在各应激反应时刻的体表空间位置信息，确定各关节点在各应激反应时刻的体表周长信息。
本实施例中，同一关节点的体表空间位置信息有多个。例如，膝关节点的体表空间位置信息包含膝关节点上方体表空间位置信息、膝关节点下方体表空间位置信息、膝关节点左侧体表空间位置信息和膝关节点右侧体表空间位置信息。终端针对关节点在各应激反应时刻的各体表空间位置信息，根据关节点在该应激反应时刻的各体表空间位置信息所对应的三维坐标点，确定各三维坐标点之间的中间点；终端根据该中间点到各三维坐标点的距离，确定体表周长半径。终端以该中间点为圆心，根据该体表周长半径，确定各三维坐标点所构成的圆周长，并将该圆周长确定为关节点在该应激反应时刻的体表周长信息。在一个实施例中，终端根据膝关节点在零碰撞时刻的膝关节点上侧体表空间位置信息所对应的三维坐标点、膝关节点下侧体表空间位置信息所对应的三维坐标点、膝关节点左侧体表空间位置信息所对应的三维坐标点、膝关节点右侧体表空间位置信息所对应的三维坐标点，确定四个三维坐标点的膝关节中间点；终端将膝关节中间点到四个三维坐标点之间的最远距离作为膝关节体表周长半径，并以膝关节中间点为圆心，根据膝关节体表周长半径，得到四个坐标点所构成的圆周长，并将该圆周长确定为膝关节点在零碰撞时刻的体表周长信息。
同样的，通过上述步骤，针对每个关节点，得到各关节点在各应激反应时刻的体表周长信息，该体表周长信息包括关节点的体表周长范围信息，以及该体表周长范围的中心点信息。
步骤是203，针对每个关节点，将关节点在各应激反应时刻的体表空间位置信息与相邻关节点在各应激反应时刻的体表空间位置信息相连接，得到关节点在各应激反应时刻的体表向量信息。
本实施例中，终端针对关节点在各应激反应时刻的各体表空间位置信息，以及与该关节点相邻的关节点在各应激反应时刻的各体表空间位置信息，通过将关节点在该应激反应时刻的体表空间位置信息与该关节点相邻的关节点在该应激反应时刻的体表空间位置信息之间一一对应连接。例如，在膝关节点与脚腕关节点之间，膝关节点上方体表空间位置信息与脚腕关节点上方体表空间位置信息对应连接、膝关节点下方体表空间位置信息只与脚腕关节点下方体表空间位置信息对应连接。终端通过上述方法，得到关节点在该应激反应时刻的体表向量信息，同样的，通过上述步骤，针对每个关节点，得到各关节点在各应激反应时刻的体表向量信息。
步骤S204，根据关节点在各应激反应时刻的体表向量信息和夹角确定模型，确定关节点在各应激反应时刻的体表夹角信息。
本实施例中，终端针对关节点在各应激反应时刻的体表向量信息，将该应激反应时刻的体表向量信息输入夹角确定模型，得到该应激反应时刻的关节点的体表夹角信息。同样的，通过上述步骤，针对每个关节点，得到各关节点在各应激反应时刻的体表夹角信息。
步骤S205，根据关节点在各应激反应时刻的体表周长信息、关节点在各应激反应时刻的体表夹角信息和融合模型，确定关节点在各应激反应时刻的初始空间位置信息。
本实施例中，终端针对关节点在各应激反应时刻的体表夹角信息，以及关节点在各应激反应时刻的体表向量信息，将该应激反应时刻的体表夹角信息和该应激反应时刻的体表向量信息输入融合模型，得到该应激反应时刻的关节点的初始空间位置信息。同样的，通过上述步骤，针对每个关节点，得到各关节点在各应激反应时刻的初始空间位置信息。
基于上述方案，通过将关节点在各应激反应时刻的体表空间位置信息整合为关节点在各应激反应时刻的初始空间位置信息，为确定关节点在各应激反应时刻的空间位置信息提供了基础，同时，提高了关节点在各应激反应时刻的空间位置信息的精确度。
可选的，如图3所示，根据各部位的生理状态信息，以及各部位的关节点的空间位置信息，确定目标对象的主动应激行为，包括：
S301，针对目标对象的各部位，根据部位的关节点的空间位置信息，确定部位对应的各关节点的运动信息。
在本实施例中，终端针对每个关节点在各应激反应时刻的空间位置信息，根据该关节点从目标对象发现紧急情况时刻的空间位置信息到零碰撞时刻的空间位置信息，在坐标系中构建的移动轨迹，得到该关节点的运动信息。同样的，通过上述步骤，针对目标对象的各部位，得到各部位对应的各关节点的运动信息。
S302，根据部位的各关节点的运动信息，确定部位的姿态变化信息。
在本实施例中，终端针对各部位的各关节点的运动信息，根据该部位的各关节点的运动信息，得到该部位从目标对象发现紧急情况时刻到该部位在零碰撞时刻的移动轨迹，并通过该部位的移动轨迹，确定该部位从目标对象发现紧急情况时刻到零碰撞时刻的位移信息；终端将该部位的位移信息，确定为该部位的姿态变化信息。
S303，根据部位在各应激反应时刻对应的生理状态信息，确定部位对应的生理状态变化信息。
在本实施例中，终端针对各部位在各应激反应时刻对应的生理状态信息，将该部位从目标对象发现紧急情况时刻到零碰撞时刻的各生理状态信息，汇总成生理状态信息变化序列，并将该生理状态信息变化序列，确定为该部位对应的生理状态变化信息。
S304，根据部位的姿态变化信息和部位的生理状态变化信息，确定部位对应的主动应激行为。根据各部位对应的主动应激行为，确定目标对象的主动应激行为。
在本实施例中，终端可以预先存储有姿态变化信息和生理状态变化信息相结合与主动应激行为的对应关系，终端针对各部位，根据该部位的姿态变化信息和该部位的生理状态变化信息，在对应关系中查找该部位对应的主动应激行为，从而确定该部位对应的主动应激行为。终端根据已确定的各部位对应的主动应激行为，确定目标对象的主动应激行为。
基于上述方案，通过将目标对象各部位拆分，分别寻找对应的姿态变化信息和生理状态变化信息从而确定该部位对应的主动应激行为，再通过各部位对应的主动应激行为确定目标对象的主动应激行为，提高了识别的主动应激行为的准确度。
可选的，针对目标对象的各部位，确定与部位对应的生理状态信息，以及部位对应的关节点的空间位置信息，包括：在预设的部位与生理状态信息的对应关系中，分别确定各部位对应的生理状态信息。在预设的部位包含的关节点中，分别确定各部位包含的各关节点的空间位置信息。
在本实施例中，终端可以预先存储有各部位与生理状态信息类别的对应关系，以及各部位所包含的关节点。终端针对各部位，根据步骤S101获取到的各生理状态信息，通过查找对应关系，确定该部位对应的各生理状态信息。根据步骤S104获取到的各关节点的空间位置信息，通过查找该部位包含的关节点，确定该部位对应的关节点的空间位置信息。以下肢部为例，终端预先存储有下肢部对应的生理状态信息为坐垫压力信息
下肢部包含关节点的空间位置信息为
则可以确定下肢部对应的生理状态信息，以及下肢部对应的关节点的空间位置信息为
上式中，llower为下肢部的关节点，β为坐垫压力信息的标识符号。
基于上述方案，通过将多个传感器获取的生理状态信息以及空间位置信息进行划分，确定各部位的生理状态信息以及空间位置信息，从而分别对不同部位的情况进行研究，为主动应激行为数据集的划分提供了理论依据，从侧面提高了识别的主动应激行为的准确度。
可选的，如图4所示，方法还包括以下步骤：
步骤S401，获取样本对象空间数据集，样本对象空间数据集包括样本对象在各应激反应时刻的关节点的体表空间位置信息和样本对象在各应激反应时刻的关节点的样本体表夹角信息。
本实施例中，终端可以通过虚拟设备获取样本空间数据集，该虚拟设备可以是三自由度底座驾驶模拟器。三自由度底座驾驶模拟器可以根据各种车辆在日常行驶过程中的运动学参数，模拟车辆行驶过程中的实际效果，并配备VR模拟设备。当样本对象在三自由度底座驾驶模拟器中模拟驾驶环境时，样本对象能够最大程度体验到险态工况的真实情况，并能够最大程度采集到样本对象在险态工况下的真实反映。运动学参数可以是速度、加速度、制动器踏板力压力、车辆偏航角，终端通过该虚拟设备获取到样本空间数据集。该步骤的具体处理过程可以参照上述步骤S101的相关解释，此处不再赘述。
步骤S402，根据各关节点在各应激反应时刻的体表空间位置信息，确定各关节点在各应激反应时刻的体表周长信息。
本实施例中，终端根据关节点在该应激反应时刻的各体表空间位置信息所对应的三维坐标点，确定各三维坐标点之间的中间点；终端根据该中间点到各三维坐标点的距离，确定体表周长半径。终端以该中间点为圆心，根据该体表周长半径，确定各三维坐标点所构成的圆周长，并将该圆周长确定为关节点在该应激反应时刻的体表周长信息。该步骤的具体处理过程可以参照上述步骤S202的相关解释，此处不再赘述。
步骤S403，针对每个样本对象的关节点，将关节点在各应激反应时刻的体表空间位置信息与相邻关节点在各应激反应时刻的体表空间位置信息相连接，得到关节点在各应激反应时刻的体表向量信息。
本实施例中，终端针对样本对象的关节点在各应激反应时刻的各体表空间位置信息，以及与该关节点相邻的关节点在各应激反应时刻的各体表空间位置信息，通过将关节点在该应激反应时刻的体表空间位置信息与该关节点相邻的关节点在该应激反应时刻的体表空间位置信息之间一一对应连接。该步骤的具体处理过程可以参照上述步骤S203的相关解释，此处不再赘述。
步骤S404，根据各样本对象的关节点在各应激反应时刻的体表向量信息、各样本对象的关节点在各应激反应时刻的样本体表夹角信息输入初始夹角确定模型，对初始夹角确定模型进行训练，得到夹角确定模型。
本实施例中，终端将样本对象的关节点在各应激反应时刻的样本体表夹角信息，以及样本对象的关节点在各应激反应时刻的体表向量信息，输入初始夹角确定模型，对初始夹角确定模型进行训练，得到夹角确定模型，夹角确定模型可以是任一学习神经网络。
基于上述方案，通过训练初始夹角确定模型，得到夹角确定模型，为之后计算目标对象的关节点在各应激反应时刻的体表夹角信息提供基础。
可选的，如图5所示，方法还包括以下步骤：
终端S501，获取样本对象的关节点在各应激反应时刻的样本空间位置信息和样本对象的关节点在各应激反应时刻的体表空间位置信息。
本实施例中，终端可以通过虚拟设备获取样本空间数据集，该虚拟设备可以是三自由度底座驾驶模拟器。该步骤的具体处理过程可以参照上述步骤S101的相关解释，此处不再赘述。
终端S502，根据各关节点在各应激反应时刻的体表空间位置信息，确定各关节点在各应激反应时刻的体表周长信息。
本实施例中，终端根据关节点在该应激反应时刻的各体表空间位置信息所对应的三维坐标点，确定各三维坐标点之间的中间点；终端根据该中间点到各三维坐标点的距离，确定体表周长半径。终端以该中间点为圆心，根据该体表周长半径，确定各三维坐标点所构成的圆周长，并将该圆周长确定为关节点在该应激反应时刻的体表周长信息。该步骤的具体处理过程可以参照上述步骤S202的相关解释，此处不再赘述。
终端S503，针对每个样本对象的关节点，将关节点在各应激反应时刻的体表空间位置信息与相邻关节点在各应激反应时刻的体表空间位置信息相连接，得到关节点在各应激反应时刻的体表向量信息。
本实施例中，终端针对样本对象的关节点在各应激反应时刻的各体表空间位置信息，以及与该关节点相邻的关节点在各应激反应时刻的各体表空间位置信息，通过将关节点在该应激反应时刻的体表空间位置信息与该关节点相邻的关节点在该应激反应时刻的体表空间位置信息之间一一对应连接。该步骤的具体处理过程可以参照上述步骤S203的相关解释，此处不再赘述。
终端S504，根据各关节点在各应激反应时刻的体表向量信息和夹角确定模型，确定各关节点在各应激反应时刻的体表夹角信息。
本实施例中，终端根据各样本对象的关节点在各应激反应时刻的体表向量信息和夹角确定模型，确定各样本对象的关节点在各应激反应时刻的体表夹角信息。该步骤的具体处理过程可以参照上述步骤S204的相关解释，此处不再赘述。
终端S505，根据各样本对象的关节点在各应激反应时刻的体表夹角信息、各样本对象的关节点在各应激反应时刻的体表周长信息和各样本对象的关节点在各应激反应时刻的样本空间位置信息输入初始融合模型，对初始融合模型进行训练，得到融合模型。
本实施例中，终端将各样本对象的关节点在各应激反应时刻的体表夹角信息、各样本对象的关节点在各应激反应时刻的体表周长信息和各样本对象的关节点在各应激反应时刻的样本空间位置信息输入初始融合模型，对初始融合模型进行训练，得到融合模型，融合模型可以是任一学习神经网络。
基于上述方案，通过训练初始融合模型，得到融合模型，为之后计算目标对象的关节点在各应激反应时刻的初始空间位置信息提供基础。
本申请还提供了一种险态工况下驾驶行为的识别示例，如图6所示，具体处理过程包括以下步骤：
步骤S601，通过多个传感器获取目标对象在各应激反应时刻的目标数据信息，目标数据信息包括目标对象的体表空间位置信息、目标对象的骨骼空间位置信息、以及目标对象的生理状态信息。
步骤S602，在各体表空间位置信息中，确定各关节点在各应激反应时刻对应的体表空间位置信息。
步骤S603，根据关节点在各应激反应时刻的体表空间位置信息，确定各关节点在各应激反应时刻的体表周长信息。
步骤S604，针对每个关节点，将关节点在各应激反应时刻的体表空间位置信息与相邻关节点在各应激反应时刻的体表空间位置信息相连接，得到关节点在各应激反应时刻的体表向量信息。
步骤S605，根据关节点在各应激反应时刻的体表向量信息和夹角确定模型，确定关节点在各应激反应时刻的体表夹角信息。
步骤S606，根据关节点在各应激反应时刻的体表周长信息、关节点在各应激反应时刻的体表夹角信息和融合模型，确定关节点在各应激反应时刻的初始空间位置信息。
步骤S607，根据各关节点的初始空间位置信息和各骨骼空间位置信息，确定各关节点的空间位置信息。
步骤S608，针对目标对象的各部位，在预设的部位与生理状态信息的对应关系中，分别确定各部位对应的生理状态信息。
步骤S609，在预设的部位包含的关节点中，分别确定各部位包含的各关节点的空间位置信息。
步骤S610，针对目标对象的各部位，根据部位的关节点的空间位置信息，确定部位对应的各关节点的运动信息。
步骤S611，根据部位的各关节点的运动信息，确定部位的姿态变化信息。
步骤S612，根据部位在各应激反应时刻对应的生理状态信息，确定部位对应的生理状态变化信息。
步骤S613，根据部位的姿态变化信息和部位的生理状态变化信息，确定部位对应的主动应激行为。
步骤S614，根据各部位对应的主动应激行为，确定目标对象的主动应激行为。
应该理解的是，虽然如上所述的各实施例所涉及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，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的险态工况下驾驶行为的识别方法的险态工况下驾驶行为的识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个险态工况下驾驶行为的识别装置实施例中的具体限定可以参见上文中对于险态工况下驾驶行为的识别方法的限定，在此不再赘述。
在一个实施例中，如图7所示，提供了一种险态工况下驾驶行为的识别装置，包括：第一获取模块710、第一确定模块720、第二确定模块730和第三确定模块740，其中：
第一获取模块710，用于通过多个传感器获取目标对象在各应激反应时刻的目标数据信息，目标数据信息包括目标对象的体表空间位置信息、目标对象的骨骼空间位置信息、以及目标对象的生理状态信息；
第一确定模块720，用于根据各体表空间位置信息，确定各关节点在各应激反应时刻的初始空间位置信息，并根据各关节点的初始空间位置信息和各骨骼空间位置信息，确定各关节点的空间位置信息；
第二确定模块730，用于针对目标对象的各部位，确定与部位对应的生理状态信息，以及部位对应的关节点的空间位置信息；
第三确定模块740，用于根据各部位的生理状态信息，以及各部位的关节点的空间位置信息，确定目标对象的主动应激行为。
可选的，第一确定模块720，具体用于：
在各体表空间位置信息中，确定各关节点在各应激反应时刻对应的体表空间位置信息；
根据关节点在各应激反应时刻的体表空间位置信息，确定各关节点在各应激反应时刻的体表周长信息；
针对每个关节点，将关节点在各应激反应时刻的体表空间位置信息与相邻关节点在各应激反应时刻的体表空间位置信息相连接，得到关节点在各应激反应时刻的体表向量信息；
根据关节点在各应激反应时刻的体表向量信息和夹角确定模型，确定关节点在各应激反应时刻的体表夹角信息；
根据关节点在各应激反应时刻的体表周长信息、关节点在各应激反应时刻的体表夹角信息和融合模型，确定关节点在各应激反应时刻的初始空间位置信息。
可选的，第三确定模块740，具体用于：
针对目标对象的各部位，根据部位的关节点的空间位置信息，确定部位对应的各关节点的运动信息；
根据部位的各关节点的运动信息，确定部位的姿态变化信息；
根据部位在各应激反应时刻对应的生理状态信息，确定部位对应的生理状态变化信息；
根据部位的姿态变化信息和部位的生理状态变化信息，确定部位对应的主动应激行为；
根据各部位对应的主动应激行为，确定目标对象的主动应激行为。
可选的，第二确定模块730，具体用于：
在预设的部位与生理状态信息的对应关系中，分别确定各部位对应的生理状态信息；
在预设的部位包含的关节点中，分别确定各部位包含的各关节点的空间位置信息。
可选的，装置还包括：
第二获取模块，用于获取样本对象空间数据集，样本对象空间数据集包括样本对象在各应激反应时刻的关节点的体表空间位置信息和样本对象在各应激反应时刻的关节点的样本体表夹角信息；
第四确定模块，用于根据各关节点在各应激反应时刻的体表空间位置信息，确定各关节点在各应激反应时刻的体表周长信息；
第五确定模块，用于针对每个样本对象的关节点，将关节点在各应激反应时刻的体表空间位置信息与相邻关节点在各应激反应时刻的体表空间位置信息相连接，得到关节点在各应激反应时刻的体表向量信息；
第六确定模块，用于根据各样本对象的关节点在各应激反应时刻的体表向量信息、各样本对象的关节点在各应激反应时刻的样本体表夹角信息输入初始夹角确定模型，对初始夹角确定模型进行训练，得到夹角确定模型。
可选的，装置还包括：
第三获取模块，用于获取样本对象的关节点在各应激反应时刻的样本空间位置信息和样本对象的关节点在各应激反应时刻的体表空间位置信息；
第七确定模块，用于根据各关节点在各应激反应时刻的体表空间位置信息，确定各关节点在各应激反应时刻的体表周长信息；
第八确定模块，用于针对每个样本对象的关节点，将关节点在各应激反应时刻的体表空间位置信息与相邻关节点在各应激反应时刻的体表空间位置信息相连接，得到关节点在各应激反应时刻的体表向量信息；
第九确定模块，用于根据各关节点在各应激反应时刻的体表向量信息和夹角确定模型，确定各关节点在各应激反应时刻的体表夹角信息；
第十确定模块，用于根据各样本对象的关节点在各应激反应时刻的体表夹角信息、各样本对象的关节点在各应激反应时刻的体表周长信息和各样本对象的关节点在各应激反应时刻的样本空间位置信息输入初始融合模型，对初始融合模型进行训练，得到融合模型。
上述险态工况下驾驶行为的识别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终端，其内部结构图可以如图8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、通信接口、显示屏和输入装置。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和计算机程序。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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种险态工况下驾驶行为的识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8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。
在实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
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、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(MagnetoresistiveRandomAccessMemory，MRAM)、铁电存储器(FerroelectricRandomAccessMemory，FRAM)、相变存储器(PhaseChangeMemory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(RandomAccessMemory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(StaticRandomAccessMemory，SRAM)或动态随机存取存储器(DynamicRandomAccessMemory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
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本申请专利范围的限制。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，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种险态工况下驾驶行为的识别方法，其特征在于，所述方法包括：
通过多个传感器获取目标对象在各应激反应时刻的目标数据信息，所述目标数据信息包括所述目标对象的体表空间位置信息、所述目标对象的骨骼空间位置信息、以及所述目标对象的生理状态信息；
根据各所述体表空间位置信息，确定各关节点在各应激反应时刻的初始空间位置信息，并根据各所述关节点的初始空间位置信息和各所述骨骼空间位置信息，确定各所述关节点的空间位置信息；
针对所述目标对象的各部位，确定与所述部位对应的生理状态信息，以及所述部位对应的关节点的空间位置信息；
根据所述各部位的生理状态信息，以及所述各部位的关节点的空间位置信息，确定所述目标对象的主动应激行为。
2.根据权利要求1所述的方法，其特征在于，所述根据各所述体表空间位置信息，确定各关节点在各应激反应时刻的初始空间位置信息，包括：
在各所述体表空间位置信息中，确定各所述关节点在各应激反应时刻对应的体表空间位置信息；
根据所述关节点在各应激反应时刻的体表空间位置信息，确定各所述关节点在各应激反应时刻的体表周长信息；
针对每个关节点，将所述关节点在各应激反应时刻的体表空间位置信息与相邻关节点在各应激反应时刻的体表空间位置信息相连接，得到所述关节点在各应激反应时刻的体表向量信息；
根据所述关节点在各应激反应时刻的体表向量信息和夹角确定模型，确定所述关节点在各应激反应时刻的体表夹角信息；
根据所述关节点在各应激反应时刻的体表周长信息、所述关节点在各应激反应时刻的体表夹角信息和融合模型，确定所述关节点在各应激反应时刻的初始空间位置信息。
3.根据权利要求1所述的方法，其特征在于，所述根据所述各部位的生理状态信息，以及所述各部位的关节点的空间位置信息，确定所述目标对象的主动应激行为，包括：
针对目标对象的各部位，根据所述部位的关节点的空间位置信息，确定所述部位对应的各关节点的运动信息；
根据所述部位的各关节点的运动信息，确定所述部位的姿态变化信息；
根据所述部位在各应激反应时刻对应的生理状态信息，确定所述部位对应的生理状态变化信息；
根据所述部位的姿态变化信息和所述部位的生理状态变化信息，确定所述部位对应的主动应激行为；
根据各所述部位对应的主动应激行为，确定所述目标对象的主动应激行为。
4.根据权利要求1所述的方法，其特征在于，所述针对所述目标对象的各部位，确定与所述部位对应的生理状态信息，以及所述部位对应的关节点的空间位置信息，包括：
在预设的所述部位与所述生理状态信息的对应关系中，分别确定各所述部位对应的生理状态信息；
在预设的所述部位包含的关节点中，分别确定各所述部位包含的各关节点的空间位置信息。
5.根据权利要求2所述的方法，其特征在于，所述方法还包括：
获取样本对象空间数据集，所述样本对象空间数据集包括样本对象在各应激反应时刻的关节点的体表空间位置信息和所述样本对象在各应激反应时刻的关节点的样本体表夹角信息；
根据各所述关节点在各应激反应时刻的体表空间位置信息，确定各所述关节点在各应激反应时刻的体表周长信息；
针对每个样本对象的关节点，将所述关节点在各应激反应时刻的体表空间位置信息与相邻关节点在各应激反应时刻的体表空间位置信息相连接，得到所述关节点在各应激反应时刻的体表向量信息；
根据各所述样本对象的关节点在各应激反应时刻的体表向量信息、各所述样本对象的关节点在各应激反应时刻的样本体表夹角信息输入初始夹角确定模型，对所述初始夹角确定模型进行训练，得到夹角确定模型。
6.根据权利要求2所述的方法，其特征在于，所述方法还包括：
获取样本对象的关节点在各应激反应时刻的样本空间位置信息和所述样本对象的关节点在各应激反应时刻的体表空间位置信息；
根据各所述关节点在各应激反应时刻的体表空间位置信息，确定各关节点在各应激反应时刻的体表周长信息；
针对每个样本对象的关节点，将所述关节点在各应激反应时刻的体表空间位置信息与相邻关节点在各应激反应时刻的体表空间位置信息相连接，得到所述关节点在各应激反应时刻的体表向量信息；
根据各所述关节点在各应激反应时刻的体表向量信息和所述夹角确定模型，确定各关节点在各应激反应时刻的体表夹角信息；
根据各所述样本对象的关节点在各应激反应时刻的体表夹角信息、各所述样本对象的关节点在各应激反应时刻的体表周长信息和各所述样本对象的关节点在各应激反应时刻的样本空间位置信息输入初始融合模型，对所述初始融合模型进行训练，得到融合模型。
7.一种险态工况下驾驶行为的识别装置，其特征在于，所述装置包括：
第一获取模块，用于通过多个传感器获取目标对象在各应激反应时刻的目标数据信息，所述目标数据信息包括所述目标对象的体表空间位置信息、所述目标对象的骨骼空间位置信息、以及所述目标对象的生理状态信息；
第一确定模块，用于根据各所述体表空间位置信息，确定各关节点在各应激反应时刻的初始空间位置信息，并根据各所述关节点的初始空间位置信息和各所述骨骼空间位置信息，确定各所述关节点的空间位置信息；
第二确定模块，用于针对所述目标对象的各部位，确定与所述部位对应的生理状态信息，以及所述部位对应的关节点的空间位置信息；
第三确定模块，用于根据所述各部位的生理状态信息，以及所述各部位的关节点的空间位置信息，确定所述目标对象的主动应激行为。
8.根据权利要求7所述的装置，其特征在于，所述第二确定模块，具体用于：
在预设的所述部位与所述生理状态信息的对应关系中，分别确定各所述部位对应的生理状态信息；
在预设的所述部位包含的关节点中，分别确定各所述部位包含的各关节点的空间位置信息。
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6中任一项所述的方法的步骤。
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6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111608792.7A CN114190928B (zh) | 2021-12-27 | 2021-12-27 | 险态工况下驾驶行为的识别方法、装置和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111608792.7A CN114190928B (zh) | 2021-12-27 | 2021-12-27 | 险态工况下驾驶行为的识别方法、装置和计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114190928A CN114190928A (zh) | 2022-03-18 |
| CN114190928B true CN114190928B (zh) | 2022-07-08 |
Family
ID=80656553
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111608792.7A Active CN114190928B (zh) | 2021-12-27 | 2021-12-27 | 险态工况下驾驶行为的识别方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114190928B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120058824A1 (en) * | 2010-09-07 | 2012-03-08 | Microsoft Corporation | Scalable real-time motion recognition |
| CN105551182A (zh) * | 2015-11-26 | 2016-05-04 | 吉林大学 | 基于Kinect人体姿势识别的驾驶状态监测系统 |
| CN106599762A (zh) * | 2015-10-15 | 2017-04-26 | 阿里巴巴集团控股有限公司 | 动作信息识别方法和系统 |
| CN108229332A (zh) * | 2017-12-08 | 2018-06-29 | 华为技术有限公司 | 骨骼姿态确定方法、装置及计算机可读存储介质 |
| CN111228655A (zh) * | 2020-01-14 | 2020-06-05 | 于金明 | 基于虚拟智能医疗平台的监控方法、装置及存储介质 |
| US10676083B1 (en) * | 2013-11-13 | 2020-06-09 | Hrl Laboratories, Llc | System and method for prediction of occupant motor response in accidents |
| CN111445500A (zh) * | 2020-04-02 | 2020-07-24 | 中国科学院深圳先进技术研究院 | 实验活体行为的分析方法、装置、设备和存储介质 |
| US20200237291A1 (en) * | 2017-10-11 | 2020-07-30 | Plethy, Inc. | Devices, systems, and methods for adaptive health monitoring using behavioral, psychological, and physiological changes of a body portion |
| US20210016150A1 (en) * | 2019-07-17 | 2021-01-21 | Jae Hoon Jeong | Device and method for recognizing free weight training motion and method thereof |
| WO2021048988A1 (ja) * | 2019-09-12 | 2021-03-18 | 富士通株式会社 | 骨格認識方法、骨格認識プログラムおよび情報処理装置 |
-
2021
- 2021-12-27 CN CN202111608792.7A patent/CN114190928B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120058824A1 (en) * | 2010-09-07 | 2012-03-08 | Microsoft Corporation | Scalable real-time motion recognition |
| US10676083B1 (en) * | 2013-11-13 | 2020-06-09 | Hrl Laboratories, Llc | System and method for prediction of occupant motor response in accidents |
| CN106599762A (zh) * | 2015-10-15 | 2017-04-26 | 阿里巴巴集团控股有限公司 | 动作信息识别方法和系统 |
| CN105551182A (zh) * | 2015-11-26 | 2016-05-04 | 吉林大学 | 基于Kinect人体姿势识别的驾驶状态监测系统 |
| US20200237291A1 (en) * | 2017-10-11 | 2020-07-30 | Plethy, Inc. | Devices, systems, and methods for adaptive health monitoring using behavioral, psychological, and physiological changes of a body portion |
| CN108229332A (zh) * | 2017-12-08 | 2018-06-29 | 华为技术有限公司 | 骨骼姿态确定方法、装置及计算机可读存储介质 |
| US20210016150A1 (en) * | 2019-07-17 | 2021-01-21 | Jae Hoon Jeong | Device and method for recognizing free weight training motion and method thereof |
| WO2021048988A1 (ja) * | 2019-09-12 | 2021-03-18 | 富士通株式会社 | 骨格認識方法、骨格認識プログラムおよび情報処理装置 |
| CN111228655A (zh) * | 2020-01-14 | 2020-06-05 | 于金明 | 基于虚拟智能医疗平台的监控方法、装置及存储介质 |
| CN111445500A (zh) * | 2020-04-02 | 2020-07-24 | 中国科学院深圳先进技术研究院 | 实验活体行为的分析方法、装置、设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| Driving Behavior Tracking and Recognition Based on Multisensors Data Fusion;Long Liu等;《IEEE Sensors Journal》;20200915;第10811-10823页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114190928A (zh) | 2022-03-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11772266B2 (en) | Systems, devices, articles, and methods for using trained robots | |
| Shadmehr et al. | Biological learning and control: how the brain builds representations, predicts events, and makes decisions | |
| CN108537326A (zh) | 用于自动驾驶车辆的方法、介质和系统 | |
| Ruddle | The effect of translational and rotational body-based information on navigation | |
| US20220138967A1 (en) | Markerless Motion Capture of Animate Subject with Prediction of Future Motion | |
| JP7426744B2 (ja) | ライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成方法、装置およびコンピュータプログラム | |
| Li et al. | Multi-sensor soft-computing system for driver drowsiness detection | |
| Feigl et al. | Sick moves! motion parameters as indicators of simulator sickness | |
| CN114190928B (zh) | 险态工况下驾驶行为的识别方法、装置和计算机设备 | |
| Wu et al. | An unsupervised real-time framework of human pose tracking from range image sequences | |
| Fang et al. | Wearable technology for robotic manipulation and learning | |
| Zhang et al. | Digital twin-enabled grasp outcomes assessment for unknown objects using visual-tactile fusion perception | |
| CN117352126A (zh) | 肌肉受力可视化方法、装置、计算机设备以及存储介质 | |
| CN117392746A (zh) | 康复训练评估辅助方法、装置、计算机设备和存储介质 | |
| JP2007125670A (ja) | ロボット用表現動作変換システム | |
| CN112212867A (zh) | 一种机器人自定位与导航的方法及系统 | |
| Sung et al. | Motion quaternion-based motion estimation method of MYO using K-means algorithm and Bayesian probability | |
| Mou et al. | Novel-view scene recognition relies on identifying spatial reference directions | |
| EP3916507A1 (en) | Methods and systems for enabling human robot interaction by sharing cognition | |
| CN113377116A (zh) | 机器人的步态规划方法、装置、处理设备及介质 | |
| Rubio et al. | A new approach to the kinematic modeling of a three-dimensional car-like robot with differential drive using computational mechanics | |
| CN114495257A (zh) | 险态工况下融合行为机制的姿态预测方法和装置 | |
| CN107443356A (zh) | 一种可实时显示机器人形态的系统及方法 | |
| CN112949084B (zh) | 一种无力反馈的受力动作捕捉误差修正方法 | |
| DalleMole et al. | A novel topological map of place cells for autonomous robots |
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 |