CN114913398A - 一种客运驾驶员实时行车风险辨识及风险等级判定的方法 - Google Patents

一种客运驾驶员实时行车风险辨识及风险等级判定的方法 Download PDF

Info

Publication number
CN114913398A
CN114913398A CN202210508046.9A CN202210508046A CN114913398A CN 114913398 A CN114913398 A CN 114913398A CN 202210508046 A CN202210508046 A CN 202210508046A CN 114913398 A CN114913398 A CN 114913398A
Authority
CN
China
Prior art keywords
risk
grade
identifying
driving
recording
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210508046.9A
Other languages
English (en)
Inventor
田明亮
凌冠昌
桑梓勤
蒋敏志
佟维刚
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.)
Wuhan Yangtze Communications Zhilian Technology Co ltd
Original Assignee
Wuhan Yangtze Communications Zhilian Technology Co ltd
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 Wuhan Yangtze Communications Zhilian Technology Co ltd filed Critical Wuhan Yangtze Communications Zhilian Technology Co ltd
Priority to CN202210508046.9A priority Critical patent/CN114913398A/zh
Publication of CN114913398A publication Critical patent/CN114913398A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
    • G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明提供了一种客运驾驶员实时行车风险辨识及风险等级判定的方法，其方法为应用风险规则表进行风险辨识及风险分级，其中风险规则表包括异常驾驶行为描述、风险类型识别、风险等级判定三部分。首先平台接收车载监控设备上传的视频流、车辆定位信息；其次对相应信息进行结构化处理，形成驾驶员动态行为特征集合；再次根据风险类型识别对驾驶员动态行为特征集合进行风险类型辨识，形成风险类型信息记录；然后根据风险等级判定规则对风险类型信息实时进行风险等级判定，记录风险等级信息；最后根据风险等级信息对驾驶员驾驶行为进行实时的干预措施。本发明的方法可以为企业对驾驶员驾驶行为提供实时干预的手段。

Description

一种客运驾驶员实时行车风险辨识及风险等级判定的方法
技术领域
本发明涉及道路客运运输企业领域，尤其涉及一种客运驾驶员实时行车风险辨识及风险等级判定的方法。
背景技术
车辆行驶过程中，针对驾驶员的驾驶行为的危险辨识，现有技术的方法一般是通过在车辆中安装视频装置，安全管理人员通过软件平台，采用实时轮询随机抽检的方式对驾驶员行车风险进行管理。其做法是通过在线实时查看视频的形式人工核验判断驾驶员是否存在危险驾驶行为，再进行人工进行风险等级判定。
本申请发明人在实施本发明的过程中，发现现有的方法至少存在如下问题：
安全员仅能对单台车辆进行风险辨识，导致面对多车安全风险管理无法做到实时有效的风险管理。采用视频轮询查阅导致安全员工作强度大，辨识风险局限性大。
由此可知，现有的方法存在人工风险辨识不全面，风险等级判定依靠人工经验判定效果不佳，风险干预不及时的问题。
发明内容
本发明提供一种客运驾驶员实时行车风险辨识及风险等级判定的方法，用以解决或者至少部分解决现有技术中存在的辨识效果不佳技术问题。
为了解决上述技术问题，本发明提供了一种客运驾驶员实时行车风险辨识及风险等级判定的方法，包括：
根据风险规则表进行风险辨识及风险等级判定，其中，风险规则表包括异常驾驶行为描述、风险类型识别、风险等级判定三部分。异常驾驶行为：用于确定驾驶员异常驾驶行为类型。风险类型识别用于平台对风险类型的识别，并记录风险类型信息。风险等级判定根据当日车辆风险类型发生的次数进行风险等级的判定。
首先平台接收车载监控设备上传的视频流、车辆定位信息；其次平台对相应信息进行结构化处理，形成驾驶员动态行为特征集合；再次根据风险类型识别对驾驶员动态行为特征集合进行风险类型识别，形成风险类型信息记录；然后根据风险等级判定对风险类型信息实时进行风险等级判定，记录风险等级信息；最后根据风险等级信息对驾驶员驾驶行为进行实时的干预措施。
在一种实施方式中，平台接收车载监控设备上传的视频流、车辆定位信息，包括：
通过JT/T 1078-2016《道路运输车辆卫星定位系统视频通信协议》对道路运输企业车辆的车载设备上传的视频进行解析，获取视频信息包含：报警标志、开始时间、结束时间、文件大小、经度、纬度、报警持续时长，其中报警标志包含疲劳驾驶、接打电话、抽烟，开始时间格式为YY-MM-DD-hh-mm-ss，结束时间格式为YY-MM-DD-hh-mm-ss。
JT/T 808-2019《道路运输车辆卫星定位系统终端通讯协议及数据格式》对道路运输企业车辆的车载设备上传的位置信息及报警进行解析，获取信息包含：时间、状态、经度、纬度、瞬时速度、报警标志、报警持续时长，其中报警标志包含超速报警、疲劳驾驶报警、危险驾驶行为报警、超时驾驶报警。
在一种实施方式中，车载设备数据结构化处理，形成驾驶员动态行为特征集合，包括：
平台将接收到的视频流、车辆定位信息进行整合，形成驾驶员动态行为特征集合，其向量包含：报警信息(T_AM)、报警位置信息详情(T_AD)、异常驾驶行为(T_ADB)。报警信息(T_AM)记录车载设备上传的报警信息，包含字段：报警标志(T_AM_A)、起始时间(T_AM_t)、结束时间(T_AM_s)、报警时长(T_AM_o)。报警位置信息详情(T_AD)记录报警信息发生的时间段内的位置详情，包含字段为：报警标志(T_AD_o)、时间(T_AD_t)、经度(T_AD_l)、纬度(T_AD_la)、瞬时速度(T_AD_iv)。
在一种实施方式中，根据风险类型识别对驾驶员动态行为特征集合进行车辆风险类型识别，形成风险类型信息记录(T_RTI)，风险类型信息记录包含：风险类型(T_RTI_rt)、开始时间(T_RTI_t)、结束时间(T_RTI_s)、风险发生时长(T_RTI_o)，包括：
根据风险规则表中OD的风险类型识别规则对驾驶员动态行为特征集合中的T_AM进行实时识别，当T_AM_A＝OD，T_AM_o>30秒，则在T_AD中，取T_AM_t<T_AD_t<T_AM_s时间段内,每一个瞬时速度与超速阈值进行比较，若瞬时速度均大于超速阈值，则识别出驾驶超速风险并记录到风险类型信息。
根据风险规则表中DT的风险类型识别规则对驾驶员动态行为特征集合中T_AM进行实时识别，当T_AM_A为DT，T_AM_o>14400秒，则识别出驾驶超时风险并记录到风险类型信息。
根据风险规则表中CU的风险类型识别规则对驾驶员动态行为特征集合中的T_AM进行实时识别，当T_AM_A为CU，T_AM_o>30秒，则识别出接打电话风险并记录到风险类型信息。
根据风险规则表中DS的风险类型识别规则对驾驶员动态行为特征集合中的T_AM进行实时识别，当T_AM_A为DS，T_AM_o>60秒，则识别出抽烟风险并记录到风险类型信息。
根据风险规则表中FD的风险类型识别规则对驾驶员动态行为特征集合中的T_AM进行实时识别，当T_AM_A为FD，T_AM_o>40秒，则识别出疲劳驾驶风险并记录到风险类型信息。
在一种实施方式中，根据风险等级判断规则对T_RTI实时进行风险等级判定，并记录风险等级信息：包含：
根据风险规则表中OD的风险等级判定规则对T_RTI_rt中当日的OD进行实时计数，获取当日OD的次数:count(OD)。当1≤count(OD)<5，则记录OD为轻微风险，对应等级为四级；当5≤count(OD)＜10，则记录超速为一般风险，对应等级为三级；当10≤count(OD)＜15，则记录超速为较大风险，对应等级为二级；当count(OD)≥15，则记录超速为重大风险，对应等级为一级。
根据构建的风险规则表中DT的风险等级判定规则对T_RTI_rt中当日的DT进行实时计数，获取当日DT的次数：count(DT)。当count(DT)＝1，则记录为超时为较大风险，对应等级为二级；当count(DT)≥2,则记录超时为重大风险，对应等级为一级。
根据构建的风险规则表中CU的风险等级判定规则对T_RTI_rt中当日的CU进行实时计数，获取当日CU的次数：count(CU)，若count(CU)＝1，则记录接打电话为一般风险，对应等级为三级；若2≤count(CU)≤3；则记录接打电话为较大风险，对应等级为二级；若count(CU)>3,则记录接打电话为重大风险，对应等级为一级。
根据构建的风险规则表中DS的风险等级判定规则对T_RTI_rt中当日的CU进行实时计数，获取当日DS的次数：count(DS)，若count(DS)＝1，则记录抽烟为一般风险，对应等级为三级；若2≤count(DS)≤3；则记录抽烟为较大风险，对应等级为二级；若count(DS)>3,则记录抽烟为重大风险，对应等级为一级。
根据构建的风险规则表中FD的风险等级判定规则对T_RTI_rt中当日的CU进行实时计数，获取当日FD的次数：count(FD)，若count(FD)＝1则记录疲劳驾驶为较大风险，对应等级为二级；若count(FD)>1；则记录疲劳驾驶为重大风险，对应等级为一级。
在一种实施方式中，安全员根据风险等级信息对驾驶员驾驶行为进行实时的干预，包括：
当风险类型等级达到一般风险时，则通过平台进行远程语音提醒；当风险类型等级达到较大风险等级时上报公司领导并进行重点监控防范风险升级；当风险类型等级达到重大风险时，上报公司领导，并让驾驶员在安全可停车地带停车进行远程心理疏导。
本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：
本发明提供了一种客运驾驶员实时行车风险辨识及风险等级判定的方法，根据风险规则表进行风险辨识，其中，风险规则表包括异常驾驶行为描述、风险类型识别、风险等级判定三部分。异常驾驶行为：用于确定驾驶员异常驾驶行为类型。风险类型识别用于进行平台对风险类型的识别。风险等级判定根据风险类型发生的次数进行风险等级的判定。首先接收车载监控设备上传的视频流、车辆定位信息；其次对相应信息进行结构化处理，形成驾驶员动态行为特征集合；再次根据风险类型识别对驾驶员动态行为特征集合进行车辆风险类型识别，形成风险类型信息记录；然后根据风险等级判定对风险类型信息记录实时进行风险等级判定，记录风险等级信息；最后根据风险等级信息对驾驶员驾驶行为进行实时的干预措施。
该方法对车辆行驶过程中存在的风险行为建立科学的风险辨识规则及风险等级判定规则，通过车载设备对驾驶员行为异常驾驶行为上传至平台，通过对视频流、位置信息的解析处理得出相应行为特征，然后与风险规则表进行匹配，识别各种危险驾驶行为，解决了依靠安全员主观经验进行风险辨识的问题，改善了风险识别的效果。此外将风险产生过程记录留存，可以解决日常安全员通过平台逐一查看视频去人工辨识风险的问题，大大提高了辨识效率。改变以往安全员只能单台车辆安全风险巡视，通过风险分级信息，安全员可以实时动态了解所有车辆发生的风险，根据风险等级的不同，可有针对性的进行及时提醒，全面实时的对车辆风险行为进行预警。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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例，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为本发明实施例中基于视频的应用于道路客运运输企业的实时行车风险辨识及风险等级判定的方法的流程图。
具体实施方式
本发明提出一种基于视频的应用于道路客运运输企业的行车风险辨识及风险分级的方法，利用预先构建的风险规则表与驾驶员动态行为特征集合中的特征进行匹配，对视频流、位置信息中存在的危险驾驶行为进行自动辨识及风险等级判定，可以解决在车辆行驶途中，安全员对行驶途中车辆安全风险主观辨识问题、安全员风险辨识工作量大的问题，安全员不能实时动态全面辨识所有车辆风险的问题，安全员日常隐患治理工作繁琐的问题。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中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。
本发明实施例提供了一种客运驾驶员实时行车风险辨识及风险等级判定的方法，其包括：
接收车载监控设备上传的视频流、车辆定位信息；
对视频流和车辆定位信息进行结构化处理，形成驾驶员动态行为特征集合；
将形成的驾驶员动态行为特征集合与预先构建的风险规则表进行匹配，其中，风险规则表包括异常驾驶行为描述信息、风险类型识别规则、风险等级判定规则，匹配过程包括：根据风险类型识别规则对驾驶员动态行为特征集合进行风险类型辨识，形成风险类型信息记录；根据风险等级判定规则对风险类型信息实时进行风险等级判定，记录风险等级信息；最后根据风险等级信息对驾驶行为进行实时的干预措施。
其中，风险规则表包括异常驾驶行为描述信息、风险类型识别规则、风险等级判定规则，异常驾驶行为：用于确定驾驶员异常驾驶行为类型。风险类型识别用于进行平台对风险类型的识别。风险等级判定根据风险类型发生的次数进行风险等级的判定。
上述步骤流程由平台通过计算机流程来实现。
具体来说，现有技术中，车辆行驶过程中，针对驾驶员的驾驶行为的危险辨识，一般通过在车辆中安装视频装置，安全管理人员通过软件平台，通过播放视频的形式人工核验判断驾驶员是否存在危险驾驶行为，再进行人工纸质记录。现有技术主要存在如下缺点和技术问题：
1、安全员仅能对单台车辆进行风险辨识，导致面对多车安全风险管理无法做到实时有效的风险管理。
2、采用视频轮询查阅导致安全员工作强度大，辨识风险局限性大。
3、对风险管理无法做到全面检查辨识。
4、安全风险无法实时干预，对企业的安全生产风险管理产生不利影响。
基于此，本发明提出了一种客运驾驶员实时行车风险辨识及风险等级判定的方法，利用风险规则表中对风险类型判定规则对车载设备上传的视频流、位置信息进行处理后的数据进行比对进行危险行为自动辨识，一方面提高了辨识的准确性，一方面也提高了辨识的效率。
在一种实施方式中，风险规则表中的风险类型包括驾驶超速、驾驶超时、行车途中接打电话、行车途中抽烟、疲劳驾驶。
具体来说，与风险类型相对应，风险规则表给出了与风险类型对应的风险类型判断规则。例如对于驾驶超速风险，其风险类型判断规则可以根据超速持续时间来确定，例如，表4中当报警标志为OD，报警时长>30秒且在报警开始时间和报警结束时间内，位置信息中的每个瞬时速度均大于超速阈值时则记录驾驶超速一次。类似地，对于接打电话的风险类型判断规则可以根据接打电话的次数来确定，例如表5接打电话风险等级判定规则。风险等级判定规则根据风险类型发生的次数判断风险等级，例如对于驾驶超速风险，例如单日超速次数再1到5次之间，则为轻微风险，5到10次则为一般风险，10到15则为较大风险等。
具体实施过程中，风险规则表包含三部分：异常驾驶行为描述、风险类型识别、风险等级判断。其中异常驾驶行为描述见表1，风险类型识别见表2，风险等级判定见表3。
表1异常驾驶行为描述
Figure BDA0003636855080000071
表2风险类型识别
Figure BDA0003636855080000072
表3风险等级判定
Figure BDA0003636855080000081
在一种实施方式中，车载设备数据结构化处理，形成驾驶员动态行为特征集合，包括：
平台将接收到的视频流、车辆定位信息进行整合，形成驾驶员动态行为特征集合，其集合包含：报警信息(T_AM)、报警位置信息详情(T_AD)。报警信息(T_AM)记录车载设备上传的报警信息，包含字段：报警标志(T_AM_A)、起始时间(T_AM_t)、结束时间(T_AM_s)、报警时长(T_AM_o)，具体见表4。报警位置信息详情(T_AD)记录报警信息发生的时间段内的位置详情，包含字段为：报警标志(T_AD_o)、时间(T_AD_t)、经度(T_AD_l)、纬度(T_AD_la)、瞬时速度(T_AD_iv)，具体见表5。
表4驾驶员动态行为特征集合-报警信息
字段类型 描述
报警标志 详见表1异常驾驶行为描述
起始时间 格式为YY-MM-DD-hh-mm-ss
结束时间 格式为YY-MM-DD-hh-mm-ss
持续时长 格式为秒
表5驾驶员动态行为特征集合-报警详情信息
Figure BDA0003636855080000082
Figure BDA0003636855080000091
在一种实施方式中，根据风险类型识别对驾驶员动态行为特征集合进行车辆风险类型识别，形成风险类型信息记录，风险类型信息记录包含：风险类型、开始时间、结束时间、风险发生时长，包括：
根据表4风险类型识别中驾驶超速的风险类型识别规则实时进行超速辨识，若表1中报警标志为超速报警、报警时长的值大于30秒，则按照表3对报警位置详情记录进行判断，若对应的开始时间和结束时间范围内，瞬时速度均大于风险类别识别驾驶超速的阈值，则识别出驾驶超速风险。
具体来说，通过车载监控设备记录的位置信息，车载设备将位置信息进行上传。在驾驶员动态行为特征集合报警信息中报警标志为超速报警，且报警时长>30秒，则在驾驶员动态行为特征集合报警位置信息详情中查询报警发生的开始时间和结束时间范围内瞬时速度数据，并与风险类别识别中驾驶超速的超速阈值进行比对，若瞬时速度均大于超速阈值，则进行超速风险识别，并记录到风险类别信息中。
在一种实施方式中，利用风险类别识别对驾驶员动态行为特征集合的风险行为进行辨识，包括：
根据表4风险类别识别中驾驶超时的风险类型识别规则进行超时辨识，若表1中报警标志为超时报警、报警时长满足驾驶超时的风险类型判断规则，则识别出驾驶超时风险。
具体来说，通过车载监控设备记录的位置信息，车载设备将位置信息进行上传。在驾驶员动态行为特征集合中的报警信息中报警标志为超时报警，且报警时长>30秒，则进行驾驶超时风险识别，并记录到风险类别信息中。
在一种实施方式中，利用风险类别识别对驾驶员动态行为特征集合的风险行为进行辨识，包括：
根据表4风险类别识别中接打电话的风险类型识别规则进行接打电话辨识，若表1中报警标志为接打电话、报警时长满足接打电话的风险类型判断规则，则识别出接打电话风险。
具体来说，例如在驾驶员动态行为特征集合中的报警信息中报警标志为接打电话报警，报警时长超过30秒，则进行接打电话风险记录，并记录到风险类别信息中。
在一种实施方式中，利用风险类别识别对驾驶员动态行为特征集合的风险行为进行辨识，包括：
根据表4风险类别识别中抽烟的风险类型识别规则进行抽烟辨识，若表1中报警标志为抽烟，报警时长满足抽烟的风险类型判断规则，则识别抽烟风险，并记录到风险类别信息中。
具体来说，在驾驶员动态行为特征集合中的报警信息中报警标志为抽烟时，报警时长是否超过60秒，若超过，则进行抽烟的风险识别，并记录到风险类别信息中。
在一种实施方式中，利用风险类别识别对驾驶员动态行为特征集合的风险行为进行辨识，包括：
根据表4风险类别识别中疲劳驾驶的风险类型识别规则进行疲劳驾驶辨识，若表1中报警标志为疲劳驾驶，报警时长满足疲劳驾驶的风险类型判断规则，则识别疲劳驾驶风险，并记录到风险类别信息中。
具体来说，在驾驶员动态行为特征集合中报警标志为疲劳驾驶时，其报警时长是否超过40秒，若超过，则进行疲劳驾驶的风险识别，并记录到风险类别信息中。
现有技术中有基于驾驶特征群的驾驶员驾驶行为识别分类方法，主要是通过大量驾驶员历史行车轨迹数据进行主要对其驾驶速度进行分析后得出相应的驾驶速度模型从而再推断出驾驶行为。而本发明针对驾驶员危险驾驶行为识别采用的主要方法是基于驾驶员的行为动作进行分析，通过驾驶员行为及持续时长进行驾驶员危险行为的识别。本发明相对于基于驾驶特征群的驾驶员驾驶行为识别分类方法来说，对驾驶行为的识别更为直观，并且对识别出来的危险驾驶行为进行照片拍照、视频录取、位置定位、危险驾驶行为发生时间获取，判定更为精准，从而降低安全管理人员对危险驾驶行为判断的时效，提升危险驾驶行为的精准性。
现有技术中还有危险驾驶行为识别与危险事件预测方法，具体为：采集车辆的当前时刻的动态行驶数据；依据所述动态行驶数据，获取当前时刻的危险驾驶特性值；获取所述车辆在指定的历史时间段内的历史行驶数据；依据所述历史行驶数据，获取驾驶行为特征值；比较所述危险驾驶特性值与所述驾驶行为特征值得出比较值，依据所述比较值与预设阈值比较，确定车辆当前是否处于危险驾驶行为，并预测发生危险事件的概率。该方法存在的弊端，若该车辆历史驾驶行为特征值计算不准确，再获取当前驾驶行为特征值进行比对，会导致危险行为识别非常不精准，且是通过车辆位置数据的速度变化进行推断的出是否为危险驾驶行为，该方式判断危险驾驶行为不够直观，且容易造成误判，后续进行历史倒查也无法知晓真实驾驶情况。本发明相对于这种方法来说，对驾驶行为的识别更为直观，并且对识别出来的危险驾驶行为进行照片拍照、视频录取、位置定位、危险驾驶行为发生时间获取，判定更为精准，从而降低安全管理人员对危险驾驶行为判断的时效，提升危险驾驶行为的精准性。
在一种实施方式中，所述方法还包括：
驾驶超速的风险等级判定规则：若1≤单日超速次数<5，则判定超速为轻微风险，对应等级为四级；若5≤单日超速次数＜10，则判定超速为一般风险，对应等级为三级；若10≤单日超速次数＜15,则判定超速为较大风险，对应等级为二级；若单日超速次数≥15,则判定超速为重大风险，对应等级为一级。
驾驶超时的风险等级判定规则：若单日超时驾驶次数＝1，则判定超时为较大风险，对应等级为二级；若单日超速次数≥2,则判定超时为重大风险，对应等级为一级。
行车途中接打电话的风险等级判定规则：若单日行车途中打电话次数＝1，则行车途中接打电话为一般风险，对应等级为三级；若2≤单日行车途中接打电话次数≤3；则判定行车途中接打电话为较大风险，对应等级为二级；若单日行车途中接打电话次数>3,则判定超速为重大风险，对应等级为一级。
行车途中抽烟的风险等级判定规则：若单日行车途中抽烟次数＝1，则行车途中抽烟为一般风险，对应等级为三级；若2≤单日行车途中抽烟次数≤3；则判定行车途中抽烟为较大风险，对应等级为二级；若单日行车途中抽烟次数>3,则判定超速为重大风险，对应等级为一级。
疲劳驾驶的风险等级判定规则：若单日疲劳驾驶次数＝1则判定疲劳驾驶为较大风险，对应等级为二级；若单日疲劳驾驶次数>1；则判定超速为重大风险，对应等级为一级。
在一种实施方式中，所述方法还包括：
根据风险等级信息，实时获取当前时间段内车辆所产生的风险类型及风险类型的最新等级，当风险类型等级达到一般风险时则通过平台进行远程语音提醒；当风险类型等级达到较大风险等级时上报公司领导并进行重点监控防范风险升级；当风险类型等级达到重大风险时，上报公司领导，并让驾驶员在安全可停车地带停车进行远程心理疏导。
具体实施过程中，通过形成的风险等级信息数据，安全员可根据风险等级信息查阅风险发生的时间、地点、风险类型、风险等级信息。改变以往安全员只能单台车辆安全风险巡视，通过风险等级信息，安全员可以实时动态了解所有车辆发生的风险，根据风险等级的不同，可有针对性的进行及时提醒，全面实时的对车辆风险行为进行预警。
总体来说，本发明的优点和有益技术效果如下：
1、风险规则表的应用：对车辆行驶途中的风险行为建立风险库及对应风险等级，其中包含驾驶员动态行为特征集合、风险类型识别、风险等级判定。解决以往依靠安全人员人为判断风险，导致风险辨识不精准，事实不充分的问题。
2、对车辆行驶过程中驾驶员的危险行为自动识别：通过接收车辆内部的车载设备上传的视频流、位置信息，对视频流、位置信息进行结构化处理，再形成驾驶员动态行为特征集合，识别各种危险驾驶行为，改变以往安全员风险辨识通过手工录制视频获取风险行为。
3、自动生成风险等级信息：通过风险等级判定规则对风险类型识别信息进行风险等级自动识别，自动生成不同等级不同风险的风险等级信息，解决安全员视频轮询查找风险行为的问题。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种客运驾驶员实时行车风险辨识及风险等级判定的方法，其特征在于，包括：
接收车载监控设备上传的视频流、车辆定位信息；
对视频流和车辆定位信息进行结构化处理，形成驾驶员动态行为特征集合；
将形成的驾驶员动态行为特征集合与预先构建的风险规则表进行匹配，其中，风险规则表包括异常驾驶行为描述信息、风险类型识别规则、风险等级判定规则，匹配过程包括：根据风险类型识别规则对驾驶员动态行为特征集合进行风险类型辨识，形成风险类型信息记录；根据风险等级判定规则对风险类型信息实时进行风险等级判定，记录风险等级信息；最后根据风险等级信息对驾驶行为进行实时的干预措施。
2.如权利要求1所述的客运驾驶员实时行车风险辨识及风险等级判定的方法，其特征在于，对视频流和车辆定位信息进行结构化处理，形成驾驶员动态行为特征集合，包括：
将接收到的视频流、车辆定位信息进行整合，形成驾驶员动态行为特征集合，其中，驾驶员动态行为特征集合中包含：T_AM和T_AD，T_AM为报警信息，T_AD为报警位置信息详情，T_AM用以记录车载设备上传的报警信息，包含字段：T_AM_A、T_AM_t、T_AM_s和T_AM_o，T_AM_A为报警标志，T_AM_t为起始时间，T_AM_s为结束时间，T_AM_o为报警时长；报警位置信息详情用以记录报警信息发生的时间段内的位置详情，包含字段：T_AD_o、T_AD_t、T_AD_l、T_AD_la和T_AD_iv，T_AD_o为位置报警标志，T_AD_t为时间，T_AD_l为经度，T_AD_la为纬度，T_AD_iv为瞬时速度。
3.如权利要求2所述的客运驾驶员实时行车风险辨识及风险等级判定的方法，其特征在于，风险规则表中的风险类型识别规则识别的规则类型包括驾驶超速、驾驶超时、接打电话、抽烟、疲劳驾驶，对应的字段为OD、DT、CU、DS、FD。
4.如权利要求3所述的客运驾驶员实时行车风险辨识及风险等级判定的方法，其特征在于，根据风险类型识别规则对对驾驶员动态行为特征集合进行风险类型辨识，包括：
根据风险规则表中OD的风险类型识别规则对驾驶员动态行为特征集合中的T_AM进行实时识别，当T_AM_A＝OD，T_AM_o>30秒，则在T_AD中，取T_AM_t<T_AD_t<T_AM_s时间段内,每一个瞬时速度与超速阈值进行比较，若瞬时速度均大于超速阈值，则识别出驾驶超速风险并记录到风险类型信息；
根据风险规则表中DT的风险类型识别规则对驾驶员动态行为特征集合中T_AM进行实时识别，当T_AM_A为DT，T_AM_o>14400秒，则识别出驾驶超时风险并记录到风险类型信息；
根据风险规则表中CU的风险类型识别规则对驾驶员动态行为特征集合中的T_AM进行实时识别，当T_AM_A为CU，T_AM_o>30秒，则识别出接打电话风险并记录到风险类型信息；
根据风险规则表中DS的风险类型识别规则对驾驶员动态行为特征集合中的T_AM进行实时识别，当T_AM_A为DS，T_AM_o>60秒，则识别出抽烟风险并记录到风险类型信息；
根据风险规则表中FD的风险类型识别规则对驾驶员动态行为特征集合中的T_AM进行实时识别，当T_AM_A为FD，T_AM_o>40秒，则识别出疲劳驾驶风险并记录到风险类型信息。
5.如权利要求1所述的客运驾驶员实时行车风险辨识及风险等级判定的方法，其特征在于，形成的风险类型信息记录为T_RTI，风险类型信息记录包含：T_RTI_rt、T_RTI_t、T_RTI_s和T_RTI_o，T_RTI_rt为风险类型，T_RTI_t为开始时间、T_RTI_s为结束时间，T_RTI_o为风险发生时长。
6.如权利要求5所述的客运驾驶员实时行车风险辨识及风险等级判定的方法，其特征在于，利用风险等级判定规则对风险类型等级进行划分，包括：
根据风险规则表中OD的风险等级判定规则对T_RTI_rt中当日的OD进行实时计数，获取当日OD的次数:count(OD)，当1≤count(OD)<5，则记录OD为轻微风险，对应等级为四级；当5≤count(OD)＜10，则记录超速为一般风险,对应等级为三级；当10≤count(OD)＜15，则记录超速为较大风险，对应等级为二级；当count(OD)≥15，则记录超速为重大风险，对应等级为一级；
根据风险规则表中DT的风险等级判定规则对T_RTI_rt中当日的DT进行实时计数，获取当日DT的次数：count(DT)；当count(DT)＝1，则记录为超时为较大风险，对应等级为二级；当count(DT)≥2,则记录超时为重大风险，对应等级为一级；
根据风险规则表中CU的风险等级判定规则对T_RTI_rt中当日的CU进行实时计数，获取当日CU的次数：count(CU)，若count(CU)＝1，则记录接打电话为一般风险，对应等级为三级；若2≤count(CU)≤3；则记录接打电话为较大风险，对应等级为二级；若count(CU)>3,则记录接打电话为重大风险，对应等级为一级；
根据风险规则表中DS的风险等级判定规则对T_RTI_rt中当日的CU进行实时计数，获取当日DS的次数：count(DS)，若count(DS)＝1，则记录抽烟为一般风险，对应等级为三级；若2≤count(DS)≤3；则记录抽烟为较大风险，对应等级为二级；若count(DS)>3,则记录抽烟为重大风险，对应等级为一级；
根据风险规则表中FD的风险等级判定规则对T_RTI_rt中当日的CU进行实时计数，获取当日FD的次数：count(FD)，若count(FD)＝1则记录疲劳驾驶为较大风险，对应等级为二级；若count(FD)>1；则记录疲劳驾驶为重大风险，对应等级为一级。
CN202210508046.9A 2022-05-10 2022-05-10 一种客运驾驶员实时行车风险辨识及风险等级判定的方法 Pending CN114913398A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210508046.9A CN114913398A (zh) 2022-05-10 2022-05-10 一种客运驾驶员实时行车风险辨识及风险等级判定的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210508046.9A CN114913398A (zh) 2022-05-10 2022-05-10 一种客运驾驶员实时行车风险辨识及风险等级判定的方法

Publications (1)

Publication Number Publication Date
CN114913398A true CN114913398A (zh) 2022-08-16

Family

ID=82766488

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210508046.9A Pending CN114913398A (zh) 2022-05-10 2022-05-10 一种客运驾驶员实时行车风险辨识及风险等级判定的方法

Country Status (1)

Country Link
CN (1) CN114913398A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116740920A (zh) * 2023-03-14 2023-09-12 西安科技大学 一种疲劳驾驶风险路段识别与管控方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116740920A (zh) * 2023-03-14 2023-09-12 西安科技大学 一种疲劳驾驶风险路段识别与管控方法
CN116740920B (zh) * 2023-03-14 2023-11-21 西安科技大学 一种疲劳驾驶风险路段识别与管控方法

Similar Documents

Publication Publication Date Title
CN108399743B (zh) 一种基于gps数据的高速公路车辆异常行为检测方法
CN106971552B (zh) 套牌现象检测方法和系统
US8031084B2 (en) Method and system for infraction detection based on vehicle traffic flow data
CN111127943A (zh) 一种电动车违规禁停管理系统
CN112749630A (zh) 一种道路路况智能视频监控方法及系统
CN114913398A (zh) 一种客运驾驶员实时行车风险辨识及风险等级判定的方法
CN114093143A (zh) 一种车辆驾驶风险感知预警方法及装置
CN112989069B (zh) 一种基于知识图谱与区块链的交通违章分析方法
CN110809137A (zh) 一种校园安全防踩踏监控系统及方法
CN114926824A (zh) 一种不良驾驶行为判别方法
CN111192450A (zh) 一种联网车辆管理方法及系统
CN114462814A (zh) 一种巡检车管理人员绩效考核的方法和系统
CN113822487A (zh) 运营车辆的风险预警方法、装置、存储介质及计算机设备
CN113869220A (zh) 重大交通事故的监测方法及系统
CN110047167B (zh) 车辆急转弯次数等效统计方法
CN102157061A (zh) 一种基于关键字统计的交通事件识别方法
CN110060370B (zh) 车辆急加速急减速次数等效统计方法
CN116913099A (zh) 一种智能交通实时监控系统
CN113408319A (zh) 一种城市道路异常感知处理方法、装置、系统及存储介质
CN115297138A (zh) 一种车辆管理方法及系统
CN112950953A (zh) 一种基于视频分析的特种车辆智能检测方法
CN110909567B (zh) 拦截失驾人员的方法和装置
CN111222587A (zh) 基于特征融合的失证人员危险驾驶行为预测方法及系统
CN114694368A (zh) 车辆的管控系统
CN114863670B (zh) 一种预警出租车聚集状况的方法及装置

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