CN114926824A - 一种不良驾驶行为判别方法 - Google Patents
一种不良驾驶行为判别方法 Download PDFInfo
- Publication number
- CN114926824A CN114926824A CN202210531574.6A CN202210531574A CN114926824A CN 114926824 A CN114926824 A CN 114926824A CN 202210531574 A CN202210531574 A CN 202210531574A CN 114926824 A CN114926824 A CN 114926824A
- Authority
- CN
- China
- Prior art keywords
- driver
- driving
- information
- road
- behavior
- 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
Links
Images
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
- G06V20/59—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
-
- 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供一种不良驾驶行为判别方法,包括:司机信息系统构建和司机身份识别,具体包括:司机信息采集,司机个人信息隐私保护,系统自动识别司机身份;监测司机在驾驶途中的行为,具体包括:建立司机驾驶行为识别模型,自动识别司机在驾驶中的行为习惯;识别司机在不同天气条件下的驾驶习惯;识别司机在不同路况条件下的驾驶习惯,具体包括:建立路况识别模型,识别司机在不同路况条件下的驾驶习惯;识别司机在不同人流条件下的驾驶习惯,具体包括:基于多列卷积神经网络构建人群计数模型,识别司机在不同人流条件下的驾驶习惯;判断司机的不良驾驶习惯;根据当前环境情况安排司机排班。
Description
【技术领域】
本发明涉及信息技术领域,尤其涉及一种不良驾驶行为判别方法。
【背景技术】
货车长距离行驶运送货物,为了货物能正常快速到达至少需要两个司机轮流驾驶,日夜兼程。而在长途运输的路程中,充满各种各样的变化多端的交通事故风险,其中最重要的影响因素就是司机本身,尤其是长途货运,多个司机进行排班,每人开车几小时,但是简单的根据时间轮流,普通的这种排班方式并不是最佳的方式。在长途运输中,司机由于不良驾驶习惯、疲劳驾驶和经验不足是货车交通事故的主要原因,但是本发明要解决的问题并不是解决如何识别司机不良的驾驶行为,而是多个司机的有不同的个人行驶行为特征喜好的前提下,进行正确排班的问题。因为一辆货车每次执行运输任务的时候经常是搭档多个司机,不同司机之间的驾驶习惯和驾驶经验的差异以及驾驶排班情况,都是不同的,在不合适的路段,让不合适的人开车,会增加了控制交通事故风险的复杂度。每个汽车司机对不同天气、人群和路况有自己喜欢的开车习惯,如何在货运过程中针对司机驾驶习惯和连续驾驶时间合理排班、根据路况天气更换有经验的司机驾驶,减少因司机疲惫驾驶,不良驾驶习惯和经验不足引起的交通事故是一个亟需解决的问题。
【发明内容】
本发明提供了一种不良驾驶行为判别方法,主要包括:
司机信息系统构建和司机身份识别;监测司机在驾驶途中的行为;识别司机在不同天气条件下的驾驶习惯;识别司机在不同路况条件下的驾驶习惯;识别司机在不同人流条件下的驾驶习惯;判断司机的不良驾驶习惯;根据当前环境情况安排司机排班;
进一步可选地,所述司机信息系统构建和司机身份识别包括:
构建司机信息系统,在用户授权同意的情况下,通过司机本人或者所在单位采集司机的个人信息和驾驶证信息,通过公安系统认证接口核验其真实性;使用同态加密对司机的个人身份信息和驾驶途中车内各种设备记录的司机行为数据进行隐私保护;当司机和跟车人员进入货车驾驶舱时,装载在车内的司机信息系统的用户端将自动调用车载摄像头采集司机和跟车人员的人脸图像传输至后台,通过人脸识别发现其中的所有司机并且载入其相关信息;包括:司机信息采集;司机个人信息隐私保护;系统自动识别司机身份;
所述司机信息采集,具体包括:
司机个人或者所在单位在将司机身份证照片数据、驾驶证照片、人脸数据录入司机信息系统,司机信息系统将司机的身份证和驾驶证照片进行AI图片识别,提取身份证和驾驶证的文本信息。调用公安认证接口对身份证和驾驶证的文本信息进行核验,确认司机身份和驾驶资格的真实性;并且通过将人脸数据与公安系统中司机本人的人脸图像进行匹配,确认当前司机是其本人。公安认证接口将核验结果发送给司机信息系统,当结果是核验通过则开始驾驶并记录司机驾驶行为,当结果是核验不通过则重新要求司机个人或者所在单位进行信息上传。
所述司机个人信息隐私保护,具体包括:
司机的个人身份信息和驾驶途中车内各种设备记录的司机行为数据属于个人隐私信息,需要防止信息采集、传输、核验以及后期使用时的隐私泄露问题。使用同态加密方法对司机的隐私信息进行加密,在不对加密后的隐私信息进行解密的前提进行数据运算,运算结果再经过解密算法,得到跟明文运算一样的结果。
所述系统自动识别司机身份,具体包括:
当司机和跟车人员进入货车驾驶舱时,司机信息系统将通过摄像头捕捉所有人的人脸图像。司机信息系统对司机和跟车人员进行人脸自动识别,识别其中的所有司机,并且判断司机的身份和人数。当所有司机身份确认通过后,系统将根据当前驾驶车辆司机的信息在行驶过程中提供智能协助,对司机不良驾驶行为进行警告避免,提升人车协作效率和路途安全。
进一步可选地,所述监测司机在驾驶途中的行为包括:
基于机器学习的有监督模式识别方法建立驾驶行为识别模型;通过行车记录仪和车内摄像头,实时采集司机在驾驶途中的图像,输入驾驶行为识别模型识别出司机在驾驶途中的各类行为;基于统计司机在驾驶途中的各类行为的数量或频率自动识别司机在驾驶中的行为习惯;包括:建立司机驾驶行为识别模型;自动识别司机在驾驶中的行为习惯;
所述建立司机驾驶行为识别模型,具体包括:
基于机器学习的有监督模式识别方法建立驾驶行为识别模型,利用车内摄像头采集大量货车司机驾驶途中的行为图像作为训练集和测试集。司机在车内的所有动作可分为驾驶行为和非驾驶行为,驾驶行为定义为一切货车驾驶和调整动作,包括:启动、踩刹车、打方向盘、减速、转弯、打开雨刷、鸣笛、忘记松开手刹、不系安全带;非驾驶行为定义为与货车驾驶无关的行为,包括:收听电台、穿拖鞋或者高跟鞋、开车打电话、抽烟、喝酒、吃东西、走神、讲话、戴耳机、回头看、吐痰、手伸出窗外。首先,对训练集进行预处理和特征提取,减少图像中的干扰和无用数据并且提取人像和物品轮廓;然后,将这些样本进行预先分类,赋予这些特征各种驾驶行为和非驾驶行为的标签;然后将具有标签的样本输入分类器进行模式学习,样本带有分类标签,预测分类器学习带有某个标签的样本具有哪些共同特征,建立起分类决策规则;最后将测试集经过预处理和特征提取输入分类器,按照分类器建立的分类决策规则进行分类测试,评估分类的结果准确性,根据测试结果调整模型参数。
所述自动识别司机在驾驶中的行为习惯,具体包括:
系统通过行车记录仪和车内摄像头,实时采集司机在驾驶途中的举动。当司机做出某个行为被驾驶行为识别模型识别出的时候,系统将这一次行为写入该司机的行为记录中。当司机在做出某个非驾驶行为行为超过一定次数,就认定其具有某个非驾驶行为习惯。当司机在短时间内做出某个驾驶行为的频率超出设定值,并且超出设定值的次数达到一定的数量,就认定其具有某个驾驶行为习惯。
进一步可选地,所述识别司机在不同天气条件下的驾驶习惯包括:
在货车上搭载温度、湿度、和光照传感器,实时采集货车当前所处地点的光照、温度和相对湿度数据;然后结合当前的地点、季节和时间,以这六个因素作为自变量,以及对应的天气情况作为因变量,基于多元线性回归训练天气识别模型;获取司机驾驶行为识别模型的输出数据,统计司机在面对不同天气情况下的各类驾驶行为数量,基于统计结果分析司机的针对不同天气的驾驶习惯。
进一步可选地,所述识别司机在不同路况条件下的驾驶习惯包括:
基于目标检测方法建立路况识别神经网络模型,通过车载摄像头实时采集货车周围环境的图像,输入路况识别神经网络模型识别出当前道路的各种物体,得到具体的路况信息;获取司机驾驶行为识别模型的输出数据,统计司机在面对不同路况条件下的各类驾驶行为数量,基于统计结果分析司机的针对路况的驾驶习惯;包括:建立路况识别模型;识别司机在不同路况条件下的驾驶习惯;
所述建立路况识别模型,具体包括:
基于目标检测方法建立路况识别神经网络模型。货车驾驶的路况信息包括道路设施信息和道路交通信息。道路的设施信息主要包括公路类型、公路弯道坡道、交通信号灯、道路指示牌、路面凹凸、减速带、围蔽维修、路面积雪积水,道路交通信息包括交通拥堵信息、交通事故信息、施工围蔽信息和险情信息。第一步,通过车载摄像头采集大量的货车视角下的道路图像作为训练集和测试集,然后对其进行图像预处理和特征提取,得到图片中各类道路设施物体的候选框。第二步,对训练集中提取的候选框进行手工标注,将候选框中物体类别作为标签。第三步,将候选框输入分类器进行训练,分类器学习各类标签的样本特征,建立起分类决策规则;最后将测试集输入分类器,按照分类器建立的分类决策规则进行分类测试,评估分类的结果准确性,根据测试结果调整模型参数。
所述识别司机在不同路况条件下的驾驶习惯,具体包括:
通过车载摄像头实时采集货车所处的环境图像,输入路况识别模型检测出图像中的各类道路设施和交通状况,实时获取当前的路况信息。然后,获取司机驾驶行为识别模型的输出数据,统计司机在面对不同路况信息下的各类驾驶行为数量。基于统计结果分析司机的各类驾驶行为和非驾驶行为与路况信息的相关性;计算在某个路况条件下,司机做出某个行为的概率;当司机在某个等级的路况条件下,司机做出某个行为的概率超过预先设定的阈值,即判定司机在该路况条件下,具有某个行为习惯。
进一步可选地,所述识别司机在不同人流条件下的驾驶习惯包括:
构建基于多列卷积神经网络的人群计数模型,通过车载摄像头实时采集货车左右方向和前方的图像,输入人群计数模型分别计算三个方向的人群数量,得到当前道路的人流条件;获取司机驾驶行为识别模型的输出数据,统计司机在面对不同人流条件下的各类驾驶行为数量,基于统计结果分析司机的针对人群的驾驶习惯;包括:基于多列卷积神经网络构建人群计数模型;识别司机在不同人流条件下的驾驶习惯;
所述基于多列卷积神经网络构建人群计数模型,具体包括:
基于多列卷积神经网络构建人群计数模型。第一步,获取训练数据集和测试集,采集各类基于车载摄像头视角下的人群图像,并且将数据进行灰度化处理。第二步,将训练集输入卷积神经网络提取人的头部特征,生成人群密度图;通过人群图像标注公式将图中人头的像素位置坐标进行标注,得到人群图像标注,然后将人群图像标注通过高斯核函数转换为人群密度图。第三步,通过对人群密度图与图像尺寸进行积分计算,得到图中人群的数量。最后通过测试集对人群计数模型进行测试并且调整参数,不断训练,提高模型的精确度。
所述识别司机在不同人流条件下的驾驶习惯,具体包括:
通过车载摄像头实时采集货车左右方向和前方的图像,输入人群计数模型分别计算三个方向的人群数量,实时获取当前道路的人流条件。将人流条件根据人流数量划分为五个等级。获取司机驾驶行为识别模型的输出数据,统计司机在面对不同等级的人流条件下的各类驾驶行为数量。基于统计结果分析司机的各类驾驶行为和非驾驶行为与人流数量的相关性;计算在某个等级的人流条件下,司机做出某个行为的概率;当司机在某个等级的人流条件下,司机做出某个行为的概率超过预先设定的阈值,即判定司机在该人流条件下,具有某个行为习惯。
进一步可选地,所述判断司机的不良驾驶习惯包括:
不良驾驶习惯如开车抽烟、穿拖鞋高跟鞋、打电话、低头玩手机、疲劳驾驶、随意变道、乱按喇叭、猛轰油门、双手离开方向盘、随意急刹车、闯黄灯;建立货车司机不良驾驶习惯标准库,收录各类货车行驶过程中的不良行为,作为司机不良驾驶习惯的判断标准;将系统识别出的司机在不同天气、人流和路况条件下的驾驶行为习惯数据与不良驾驶习惯标准库的中与天气、人流和路况条件相关的条目进行比对,筛选出其中的不良驾驶习惯。
一种不良驾驶行为判别方法其特征在于,所述系统包括:
根据当前的天气、人流和路况,结合当前司机的连续驾驶时间和司机驾驶习惯排班,根据路况天气人流情况推荐更换司机驾驶;当处在某个路况、天气或者人流情况,而当前司机具有与之相关的不良驾驶习惯时,系统推荐其他没有该情况下的不良习惯,并且当前不处于休息状态、连续驾驶时间不超过4小时的司机来顶替当前的驾驶任务。
本发明实施例提供的技术方案可以包括以下有益效果:
能够实时识别驾驶途中天气、人群和路况变化,进而识别出汽车司机对不同天气、人群和路况的不良驾驶习惯;根据当前的天气、人流和路况,结合当前司机的连续驾驶时间和司机驾驶习惯排班,推荐更换司机驾驶;当处在某个路况、天气或者人流情况,而当前司机具有与之相关的不良驾驶习惯时,系统推荐其他没有该情况下的不良习惯,并且当前不处于休息状态的司机来顶替,减少因司机疲惫驾驶,不良驾驶习惯和经验不足引起的交通事故。
【附图说明】
图1为本发明的一种不良驾驶行为判别方法的流程图。
图2为本发明的一种不良驾驶行为判别方法的实施流程图。
【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。
图1为本发明的一种不良驾驶行为判别方法流程图。如图1所示,本实施例一种不良驾驶行为判别方法具体可以包括:
步骤101,司机信息系统构建和司机身份识别。
构建司机信息系统,在用户授权同意的情况下,通过司机本人或者所在单位采集司机的个人信息和驾驶证信息,通过公安系统认证接口核验其真实性。使用同态加密对司机的个人身份信息和驾驶途中车内各种设备记录的司机行为数据进行隐私保护。当司机和跟车人员进入货车驾驶舱时,装载在车内的司机信息系统的用户端将自动调用车载摄像头采集司机和跟车人员的人脸图像传输至后台,通过人脸识别发现其中的所有司机并且载入其相关信息。
司机信息采集。
司机个人或者所在单位在将司机身份证照片数据、驾驶证照片、人脸数据录入司机信息系统,司机信息系统将司机的身份证和驾驶证照片进行AI图片识别,提取身份证和驾驶证的文本信息。调用公安认证接口对身份证和驾驶证的文本信息进行核验,确认司机身份和驾驶资格的真实性;并且通过将人脸数据与公安系统中司机本人的人脸图像进行匹配,确认当前司机是其本人。公安认证接口将核验结果发送给司机信息系统,当结果是核验通过则开始驾驶并记录司机驾驶行为,当结果是核验不通过则重新要求司机个人或者所在单位进行信息上传。
司机个人信息隐私保护。
司机的个人身份信息和驾驶途中车内各种设备记录的司机行为数据属于个人隐私信息,需要防止信息采集、传输、核验以及后期使用时的隐私泄露问题。使用同态加密方法对司机的隐私信息进行加密,在不对加密后的隐私信息进行解密的前提进行数据运算,运算结果再经过解密算法,得到跟明文运算一样的结果。
系统自动识别司机身份。
当司机和跟车人员进入货车驾驶舱时,司机信息系统将通过摄像头捕捉所有人的人脸图像。司机信息系统对司机和跟车人员进行人脸自动识别,识别其中的所有司机,并且判断司机的身份和人数。当所有司机身份确认通过后,系统将根据当前驾驶车辆司机的信息在行驶过程中提供智能协助,对司机不良驾驶行为进行警告避免,提升人车协作效率和路途安全。
步骤102,监测司机在驾驶途中的行为。
基于机器学习的有监督模式识别方法建立驾驶行为识别模型;通过行车记录仪和车内摄像头,实时采集司机在驾驶途中的图像,输入驾驶行为识别模型识别出司机在驾驶途中的各类行为。基于统计司机在驾驶途中的各类行为的数量或频率自动识别司机在驾驶中的行为习惯。例如:同态加密方法的核心在于直接使用加密后的数据做运算,运算结果再经过解密算法,就能得到跟直接使用未加密数据做运算一样的结果。假如存在同态加密函数F、明文M,对M进行加密得到密文F(M)=m,密文m从发送方被传输到接收方,那么接收方不需要对密文m进行解密,而是直接在使用密文m进行运算C,得到运算结果C(m)=n,然后对n进行解密计算f,得到结果N=f(n)。而直接用明文M进行运算C,同样也能得到结果N,即C(M)=N,因此在该运算中,f(C(F(M)))=C(M),即F(C(M))=C(F(M))所以接收方不知道明文内容也能正常计算数据得到正确结果。
建立司机驾驶行为识别模型。
基于机器学习的有监督模式识别方法建立驾驶行为识别模型,利用车内摄像头采集大量货车司机驾驶途中的行为图像作为训练集和测试集。司机在车内的所有动作可分为驾驶行为和非驾驶行为,驾驶行为定义为一切货车驾驶和调整动作,包括:启动、踩刹车、打方向盘、减速、转弯、打开雨刷、鸣笛、忘记松开手刹、不系安全带;非驾驶行为定义为与货车驾驶无关的行为,包括:收听电台、穿拖鞋或者高跟鞋、开车打电话、抽烟、喝酒、吃东西、走神、讲话、戴耳机、回头看、吐痰、手伸出窗外。首先,对训练集进行预处理和特征提取,减少图像中的干扰和无用数据并且提取人像和物品轮廓;然后,将这些样本进行预先分类,赋予这些特征各种驾驶行为和非驾驶行为的标签;然后将具有标签的样本输入分类器进行模式学习,样本带有分类标签,预测分类器学习带有某个标签的样本具有哪些共同特征,建立起分类决策规则;最后将测试集经过预处理和特征提取输入分类器,按照分类器建立的分类决策规则进行分类测试,评估分类的结果准确性,根据测试结果调整模型参数。例如:某一趟运输从广州到长沙,共有人员三人,分别为张三、李四、王五;当三人进入车辆时,司机信息系统自动对三人进行人脸识别,识别出司机是张三和李四,而王五不在系统中,表明王五并不是司机而是跟车人员,没有资格驾驶;最终确认司机为张三和李四两人;由于张三首先驾驶,系统载入张三的相关信息,实时为其提供智能协助。
自动识别司机在驾驶中的行为习惯。
系统通过行车记录仪和车内摄像头,实时采集司机在驾驶途中的举动。当司机做出某个行为被驾驶行为识别模型识别出的时候,系统将这一次行为写入该司机的行为记录中。当司机在做出某个非驾驶行为行为超过一定次数,就认定其具有某个非驾驶行为习惯。当司机在短时间内做出某个驾驶行为的频率超出设定值,并且超出设定值的次数达到一定的数量,就认定其具有某个驾驶行为习惯。如果要识别司机的在驾驶中的行为习惯,首先要识别司机在驾驶中的行为举动。然后基于统计在司机的行为记录中识别出司机在驾驶中的行为习惯,行为习惯包括与驾驶直接相关的驾驶行为习惯和与驾驶无关的非驾驶行为习惯。以上为识别通常情况下司机行为习惯的基础方法。当要识别司机在不同天气、路况和人流条件下的习惯,还需要在司机驾驶行为识别模型数据的基础上,结合驾驶途中的天气、路况和人流条件数据进行识别。最后在司机所有被识别出的驾驶行为习惯中进一步判断出其中影响驾驶安全的不良驾驶习惯。
步骤103,识别司机在不同天气条件下的驾驶习惯。
在货车上搭载温度、湿度、和光照传感器,实时采集货车当前所处地点的光照、温度和相对湿度数据。然后结合当前的地点、季节和时间,以这六个因素作为自变量,以及对应的天气情况作为因变量,基于多元线性回归训练天气识别模型。获取司机驾驶行为识别模型的输出数据,统计司机在面对不同天气情况下的各类驾驶行为数量,基于统计结果分析司机的针对不同天气的驾驶习惯。例如:司机在车内的所有动作可分为驾驶行为和非驾驶行为,驾驶行为定义为一切货车驾驶和调整动作,包括:启动、踩刹车、打方向盘、减速、转弯、打开雨刷、鸣笛、忘记松开手刹、不系安全带等等;非驾驶行为定义为与货车驾驶无关的行为,包括:收听电台、穿拖鞋或者高跟鞋、开车打电话、抽烟、喝酒、吃东西、走神、讲话、戴耳机、回头看、吐痰、手伸出窗外等等。通过对司机的行为图像进行特征提取和样本分类,将带有各类驾驶行为标签的样本训练预测分类器,建立起司机行为的分类决策规则,达到准确识别各类驾驶行为和非驾驶行为的目的。
步骤104,识别司机在不同路况条件下的驾驶习惯。
基于目标检测方法建立路况识别神经网络模型,通过车载摄像头实时采集货车周围环境的图像,输入路况识别神经网络模型识别出当前道路的各种物体,得到具体的路况信息。获取司机驾驶行为识别模型的输出数据,统计司机在面对不同路况条件下的各类驾驶行为数量,基于统计结果分析司机的针对路况的驾驶习惯。例如:张三在开车时喜欢抽烟,多次被驾驶行为识别模型捕捉到开车抽烟的行为,由于张三的开车抽烟不良记录超过了10次,于是系统判断张三有开车抽烟的非驾驶行为习惯。张三在开车时喜欢急打方向盘,多次被驾驶行为识别模型捕捉到转动方向盘的动作频率超过5次每秒,由于其转动方向盘的动作频率超过5次每秒的记录多于10次,系统判断张三有猛打方向盘的驾驶行为习惯。
建立路况识别模型。
基于目标检测方法建立路况识别神经网络模型。货车驾驶的路况信息包括道路设施信息和道路交通信息。道路的设施信息主要包括公路类型、公路弯道坡道、交通信号灯、道路指示牌、路面凹凸、减速带、围蔽维修、路面积雪积水,道路交通信息包括交通拥堵信息、交通事故信息、施工围蔽信息和险情信息。第一步,通过车载摄像头采集大量的货车视角下的道路图像作为训练集和测试集,然后对其进行图像预处理和特征提取,得到图片中各类道路设施物体的候选框。第二步,对训练集中提取的候选框进行手工标注,将候选框中物体类别作为标签。第三步,将候选框输入分类器进行训练,分类器学习各类标签的样本特征,建立起分类决策规则;最后将测试集输入分类器,按照分类器建立的分类决策规则进行分类测试,评估分类的结果准确性,根据测试结果调整模型参数。例如:天气情况与当前的温度、湿度、光照、位置、时间和季节强相关。假如当前的温度为35度,相对湿度为80%,光照强度70000lx,当前季节为夏季,时间为7月13日上午12:30,地点为某市环城高速,因此当前天气识别模型得到的天气情况为晴朗炎热。由于系统统计到司机甲在晴朗炎热的天气下行车次数为10次,并且系统检测到司机甲在该天气条件下有9次不带墨镜,因此判断其具有光照强烈时不带墨镜的习惯。
识别司机在不同路况条件下的驾驶习惯。
通过车载摄像头实时采集货车所处的环境图像,输入路况识别模型检测出图像中的各类道路设施和交通状况,实时获取当前的路况信息。然后,获取司机驾驶行为识别模型的输出数据,统计司机在面对不同路况信息下的各类驾驶行为数量。基于统计结果分析司机的各类驾驶行为和非驾驶行为与路况信息的相关性;计算在某个路况条件下,司机做出某个行为的概率;当司机在某个等级的路况条件下,司机做出某个行为的概率超过预先设定的阈值,即判定司机在该路况条件下,具有某个行为习惯。
步骤105,识别司机在不同人流条件下的驾驶习惯。
构建基于多列卷积神经网络的人群计数模型,通过车载摄像头实时采集货车左右方向和前方的图像,输入人群计数模型分别计算三个方向的人群数量,得到当前道路的人流条件。获取司机驾驶行为识别模型的输出数据,统计司机在面对不同人流条件下的各类驾驶行为数量,基于统计结果分析司机的针对人群的驾驶习惯。例如:货车驾驶的路况信息包括道路设施信息和道路交通信息。车内的前置摄像头获取当前的具体路况。道路的设施信息主要包括公路类型、公路弯道坡道、交通信号灯、道路指示牌、路面凹凸、减速带、围蔽维修、路面积雪积水,道路交通信息包括交通拥堵信息、交通事故信息、施工围蔽信息和险情信息。前置摄像头采集货车行驶时周围环境的图片,然后系统将图片输入路况识别模型,识别出当前道路中的各类道路设施和交通情况。
基于多列卷积神经网络构建人群计数模型。
基于多列卷积神经网络构建人群计数模型。第一步,获取训练数据集和测试集,采集各类基于车载摄像头视角下的人群图像,并且将数据进行灰度化处理。第二步,将训练集输入卷积神经网络提取人的头部特征,生成人群密度图;通过人群图像标注公式将图中人头的像素位置坐标进行标注,得到人群图像标注,然后将人群图像标注通过高斯核函数转换为人群密度图。第三步,通过对人群密度图与图像尺寸进行积分计算,得到图中人群的数量。最后通过测试集对人群计数模型进行测试并且调整参数,不断训练,提高模型的精确度。例如:货车司机甲经常在等红灯时低头玩手机,因此系统捕捉到其在玩手机的次数有30次,而其中有15次是在等红灯时进行的,而系统识别出司机甲总共经过的红灯有90次,所以司机甲在等红灯时玩手机的概率为六分之一,超出了系统设置的10%,即判定司机甲有等红灯玩手机的习惯。
识别司机在不同人流条件下的驾驶习惯。
通过车载摄像头实时采集货车左右方向和前方的图像,输入人群计数模型分别计算三个方向的人群数量,实时获取当前道路的人流条件。将人流条件根据人流数量划分为五个等级。获取司机驾驶行为识别模型的输出数据,统计司机在面对不同等级的人流条件下的各类驾驶行为数量。基于统计结果分析司机的各类驾驶行为和非驾驶行为与人流数量的相关性;计算在某个等级的人流条件下,司机做出某个行为的概率;当司机在某个等级的人流条件下,司机做出某个行为的概率超过预先设定的阈值,即判定司机在该人流条件下,具有某个行为习惯。
步骤106,判断司机的不良驾驶习惯。
不良驾驶习惯如开车抽烟、穿拖鞋高跟鞋、打电话、低头玩手机、疲劳驾驶、随意变道、乱按喇叭、猛轰油门、双手离开方向盘、随意急刹车、闯黄灯。建立货车司机不良驾驶习惯标准库,收录各类货车行驶过程中的不良行为,作为司机不良驾驶习惯的判断标准。将系统识别出的司机在不同天气、人流和路况条件下的驾驶行为习惯数据与不良驾驶习惯标准库的中与天气、人流和路况条件相关的条目进行比对,筛选出其中的不良驾驶习惯。人群计数是计算机视觉的一大方向,最主要通过从输入的人群图片中生成人群密度图,并且通过积分统计出密度图中的人数。人群计数的标签为密度图,标注过程为:先通过人群标注公式对人群图片中的各个像素位置的人头进行标记,得到人群图像标注;然后通过高斯核函数将人群图像标注中的人头标记扩散到一定范围,确定人头的像素范围,确定了图像中每一个像素存在人头的概率,得到人群密度图;其中人群密度图中某像素位置的密度值越高,该像素位置表示的人头概率越高。最后通过人群密度图与图像尺寸进行积分得出人群数量。
步骤107,根据当前环境情况安排司机排班。
根据当前的天气、人流和路况,结合当前司机的连续驾驶时间和司机驾驶习惯排班,根据路况天气人流情况推荐更换司机驾驶。当处在某个路况、天气或者人流情况,而当前司机具有与之相关的不良驾驶习惯时,系统推荐其他没有该情况下的不良习惯,并且当前不处于休息状态、连续驾驶时间不超过4小时的司机来顶替当前的驾驶任务。例如:人流条件根据人流数量划分为五个等级:少、较少、中等、多、较多,其中10-20人为少的范围,20-50人为较少范围,50-100为中等范围,100-200人为多的范围,200以上为较多范围。司机甲在路过某个繁忙的十字路口时,经常在等待另一侧的人群过马路时急刹车和鸣笛,然后系统捕捉到大部分情况下该路口的人流都很多,并且司机甲总共经过该路口20次,其中人流条件等级为多的情况有15次,而15次中司机甲有10次被系统捕捉到急刹车行为,概率超过60%,因此判断司机具有在人流大的区域急刹车的习惯。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
用于实现本发明进行信息控制的程序,可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、python、C++,还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。
程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
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,所述单元的划分,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单元可以是或者也可以不是物理上分开的,作为单元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单元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单元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单元的形式实现。
上述以软件功能单元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。上述软件功能单元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,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。
而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (8)
1.一种不良驾驶行为判别方法,其特征在于,所述方法包括:
司机信息系统构建和司机身份识别,所述司机信息系统构建和司机身份识别,具体包括:司机信息采集,司机个人信息隐私保护,系统自动识别司机身份;监测司机在驾驶途中的行为,所述监测司机在驾驶途中的行为,具体包括:建立司机驾驶行为识别模型,自动识别司机在驾驶中的行为习惯;识别司机在不同天气条件下的驾驶习惯;识别司机在不同路况条件下的驾驶习惯,所述识别司机在不同路况条件下的驾驶习惯,具体包括:建立路况识别模型,识别司机在不同路况条件下的驾驶习惯;识别司机在不同人流条件下的驾驶习惯,所述识别司机在不同人流条件下的驾驶习惯,具体包括:基于多列卷积神经网络构建人群计数模型,识别司机在不同人流条件下的驾驶习惯;判断司机的不良驾驶习惯;根据当前环境情况安排司机排班。
2.根据权利要求1所述的方法,其中,所述司机信息系统构建和司机身份识别,包括:
构建司机信息系统,在用户授权同意的情况下,通过司机本人或者所在单位采集司机的个人信息和驾驶证信息,通过公安系统认证接口核验其真实性;使用同态加密对司机的个人身份信息和驾驶途中车内各种设备记录的司机行为数据进行隐私保护;当司机和跟车人员进入货车驾驶舱时,装载在车内的司机信息系统的用户端将自动调用车载摄像头采集司机和跟车人员的人脸图像传输至后台,通过人脸识别发现其中的所有司机并且载入其相关信息;包括:司机信息采集;司机个人信息隐私保护;系统自动识别司机身份;
所述司机信息采集,具体包括:
司机个人或者所在单位在将司机身份证照片数据、驾驶证照片、人脸数据录入司机信息系统,司机信息系统将司机的身份证和驾驶证照片进行AI图片识别,提取身份证和驾驶证的文本信息;调用公安认证接口对身份证和驾驶证的文本信息进行核验,确认司机身份和驾驶资格的真实性;并且通过将人脸数据与公安系统中司机本人的人脸图像进行匹配,确认当前司机是其本人;公安认证接口将核验结果发送给司机信息系统,当结果是核验通过则开始驾驶并记录司机驾驶行为,当结果是核验不通过则重新要求司机个人或者所在单位进行信息上传;
所述司机个人信息隐私保护,具体包括:
司机的个人身份信息和驾驶途中车内各种设备记录的司机行为数据属于个人隐私信息,需要防止信息采集、传输、核验以及后期使用时的隐私泄露问题;使用同态加密方法对司机的隐私信息进行加密,在不对加密后的隐私信息进行解密的前提进行数据运算,运算结果再经过解密算法,得到跟明文运算一样的结果;
所述系统自动识别司机身份,具体包括:
当司机和跟车人员进入货车驾驶舱时,司机信息系统将通过摄像头捕捉所有人的人脸图像;司机信息系统对司机和跟车人员进行人脸自动识别,识别其中的所有司机,并且判断司机的身份和人数;当所有司机身份确认通过后,系统将根据当前驾驶车辆司机的信息在行驶过程中提供智能协助,对司机不良驾驶行为进行警告避免,提升人车协作效率和路途安全。
3.根据权利要求1所述的方法,其中,所述监测司机在驾驶途中的行为,包括:
基于机器学习的有监督模式识别方法建立驾驶行为识别模型;通过行车记录仪和车内摄像头,实时采集司机在驾驶途中的图像,输入驾驶行为识别模型识别出司机在驾驶途中的各类行为;基于统计司机在驾驶途中的各类行为的数量或频率自动识别司机在驾驶中的行为习惯;包括:建立司机驾驶行为识别模型;自动识别司机在驾驶中的行为习惯;
所述建立司机驾驶行为识别模型,具体包括:
基于机器学习的有监督模式识别方法建立驾驶行为识别模型,利用车内摄像头采集大量货车司机驾驶途中的行为图像作为训练集和测试集;司机在车内的所有动作可分为驾驶行为和非驾驶行为,驾驶行为定义为一切货车驾驶和调整动作,包括:启动、踩刹车、打方向盘、减速、转弯、打开雨刷、鸣笛、忘记松开手刹、不系安全带;非驾驶行为定义为与货车驾驶无关的行为,包括:收听电台、穿拖鞋或者高跟鞋、开车打电话、抽烟、喝酒、吃东西、走神、讲话、戴耳机、回头看、吐痰、手伸出窗外;首先,对训练集进行预处理和特征提取,减少图像中的干扰和无用数据并且提取人像和物品轮廓;然后,将这些样本进行预先分类,赋予这些特征各种驾驶行为和非驾驶行为的标签;然后将具有标签的样本输入分类器进行模式学习,样本带有分类标签,预测分类器学习带有某个标签的样本具有哪些共同特征,建立起分类决策规则;最后将测试集经过预处理和特征提取输入分类器,按照分类器建立的分类决策规则进行分类测试,评估分类的结果准确性,根据测试结果调整模型参数;
所述自动识别司机在驾驶中的行为习惯,具体包括:
系统通过行车记录仪和车内摄像头,实时采集司机在驾驶途中的举动;当司机做出某个行为被驾驶行为识别模型识别出的时候,系统将这一次行为写入该司机的行为记录中;当司机在做出某个非驾驶行为行为超过一定次数,就认定其具有某个非驾驶行为习惯;当司机在短时间内做出某个驾驶行为的频率超出设定值,并且超出设定值的次数达到一定的数量,就认定其具有某个驾驶行为习惯。
4.根据权利要求1所述的方法,其中,所述识别司机在不同天气条件下的驾驶习惯,包括:
在货车上搭载温度、湿度、和光照传感器,实时采集货车当前所处地点的光照、温度和相对湿度数据;然后结合当前的地点、季节和时间,以这六个因素作为自变量,以及对应的天气情况作为因变量,基于多元线性回归训练天气识别模型;获取司机驾驶行为识别模型的输出数据,统计司机在面对不同天气情况下的各类驾驶行为数量,基于统计结果分析司机的针对不同天气的驾驶习惯。
5.根据权利要求1所述的方法,其中,所述识别司机在不同路况条件下的驾驶习惯,包括:
基于目标检测方法建立路况识别神经网络模型,通过车载摄像头实时采集货车周围环境的图像,输入路况识别神经网络模型识别出当前道路的各种物体,得到具体的路况信息;获取司机驾驶行为识别模型的输出数据,统计司机在面对不同路况条件下的各类驾驶行为数量,基于统计结果分析司机的针对路况的驾驶习惯;包括:建立路况识别模型;识别司机在不同路况条件下的驾驶习惯;
所述建立路况识别模型,具体包括:
基于目标检测方法建立路况识别神经网络模型;货车驾驶的路况信息包括道路设施信息和道路交通信息;道路的设施信息主要包括公路类型、公路弯道坡道、交通信号灯、道路指示牌、路面凹凸、减速带、围蔽维修、路面积雪积水,道路交通信息包括交通拥堵信息、交通事故信息、施工围蔽信息和险情信息;第一步,通过车载摄像头采集大量的货车视角下的道路图像作为训练集和测试集,然后对其进行图像预处理和特征提取,得到图片中各类道路设施物体的候选框;第二步,对训练集中提取的候选框进行手工标注,将候选框中物体类别作为标签;第三步,将候选框输入分类器进行训练,分类器学习各类标签的样本特征,建立起分类决策规则;最后将测试集输入分类器,按照分类器建立的分类决策规则进行分类测试,评估分类的结果准确性,根据测试结果调整模型参数;
所述识别司机在不同路况条件下的驾驶习惯,具体包括:
通过车载摄像头实时采集货车所处的环境图像,输入路况识别模型检测出图像中的各类道路设施和交通状况,实时获取当前的路况信息;然后,获取司机驾驶行为识别模型的输出数据,统计司机在面对不同路况信息下的各类驾驶行为数量;基于统计结果分析司机的各类驾驶行为和非驾驶行为与路况信息的相关性;计算在某个路况条件下,司机做出某个行为的概率;当司机在某个等级的路况条件下,司机做出某个行为的概率超过预先设定的阈值,即判定司机在该路况条件下,具有某个行为习惯。
6.根据权利要求1所述的方法,其中,所述识别司机在不同人流条件下的驾驶习惯,包括:
构建基于多列卷积神经网络的人群计数模型,通过车载摄像头实时采集货车左右方向和前方的图像,输入人群计数模型分别计算三个方向的人群数量,得到当前道路的人流条件;获取司机驾驶行为识别模型的输出数据,统计司机在面对不同人流条件下的各类驾驶行为数量,基于统计结果分析司机的针对人群的驾驶习惯;包括:基于多列卷积神经网络构建人群计数模型;识别司机在不同人流条件下的驾驶习惯;
所述基于多列卷积神经网络构建人群计数模型,具体包括:
基于多列卷积神经网络构建人群计数模型;第一步,获取训练数据集和测试集,采集各类基于车载摄像头视角下的人群图像,并且将数据进行灰度化处理;第二步,将训练集输入卷积神经网络提取人的头部特征,生成人群密度图;通过人群图像标注公式将图中人头的像素位置坐标进行标注,得到人群图像标注,然后将人群图像标注通过高斯核函数转换为人群密度图;第三步,通过对人群密度图与图像尺寸进行积分计算,得到图中人群的数量;最后通过测试集对人群计数模型进行测试并且调整参数,不断训练,提高模型的精确度;
所述识别司机在不同人流条件下的驾驶习惯,具体包括:
通过车载摄像头实时采集货车左右方向和前方的图像,输入人群计数模型分别计算三个方向的人群数量,实时获取当前道路的人流条件;将人流条件根据人流数量划分为五个等级;获取司机驾驶行为识别模型的输出数据,统计司机在面对不同等级的人流条件下的各类驾驶行为数量;基于统计结果分析司机的各类驾驶行为和非驾驶行为与人流数量的相关性;计算在某个等级的人流条件下,司机做出某个行为的概率;当司机在某个等级的人流条件下,司机做出某个行为的概率超过预先设定的阈值,即判定司机在该人流条件下,具有某个行为习惯。
7.根据权利要求1所述的方法,其中,所述判断司机的不良驾驶习惯,包括:
不良驾驶习惯如开车抽烟、穿拖鞋高跟鞋、打电话、低头玩手机、疲劳驾驶、随意变道、乱按喇叭、猛轰油门、双手离开方向盘、随意急刹车、闯黄灯;建立货车司机不良驾驶习惯标准库,收录各类货车行驶过程中的不良行为,作为司机不良驾驶习惯的判断标准;将系统识别出的司机在不同天气、人流和路况条件下的驾驶行为习惯数据与不良驾驶习惯标准库的中与天气、人流和路况条件相关的条目进行比对,筛选出其中的不良驾驶习惯。
8.根据权利要求1所述的方法,其中,所述根据当前环境情况安排司机排班,包括:
根据当前的天气、人流和路况,结合当前司机的连续驾驶时间和司机驾驶习惯排班,根据路况天气人流情况推荐更换司机驾驶;当处在某个路况、天气或者人流情况,而当前司机具有与之相关的不良驾驶习惯时,系统推荐其他没有该情况下的不良习惯,并且当前不处于休息状态、连续驾驶时间不超过4小时的司机来顶替当前的驾驶任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210531574.6A CN114926824A (zh) | 2022-05-17 | 2022-05-17 | 一种不良驾驶行为判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210531574.6A CN114926824A (zh) | 2022-05-17 | 2022-05-17 | 一种不良驾驶行为判别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114926824A true CN114926824A (zh) | 2022-08-19 |
Family
ID=82809521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210531574.6A Pending CN114926824A (zh) | 2022-05-17 | 2022-05-17 | 一种不良驾驶行为判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114926824A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116311952A (zh) * | 2023-05-25 | 2023-06-23 | 广州豪进摩托车股份有限公司 | 基于gps定位分析的摩托车事故预测系统 |
CN117292504A (zh) * | 2023-11-11 | 2023-12-26 | 克伦斯(天津)轨道交通技术有限公司 | 交通安全监控方法、装置、设备及介质 |
-
2022
- 2022-05-17 CN CN202210531574.6A patent/CN114926824A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116311952A (zh) * | 2023-05-25 | 2023-06-23 | 广州豪进摩托车股份有限公司 | 基于gps定位分析的摩托车事故预测系统 |
CN116311952B (zh) * | 2023-05-25 | 2023-08-08 | 广州豪进摩托车股份有限公司 | 基于gps定位分析的摩托车事故预测系统 |
CN117292504A (zh) * | 2023-11-11 | 2023-12-26 | 克伦斯(天津)轨道交通技术有限公司 | 交通安全监控方法、装置、设备及介质 |
CN117292504B (zh) * | 2023-11-11 | 2024-06-11 | 克伦斯(天津)轨道交通技术有限公司 | 交通安全监控方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103871242B (zh) | 一种驾驶行为综合评价系统与方法 | |
WO2019153193A1 (zh) | 一种出租车运营监测方法、设备、存储介质和系统 | |
CN105448103B (zh) | 车辆套牌检测方法与系统 | |
CN101587544B (zh) | 基于计算机视觉的机动车车载反跟踪装置 | |
CN114926824A (zh) | 一种不良驾驶行为判别方法 | |
CN110222596B (zh) | 一种基于视觉的驾驶员行为分析防作弊方法 | |
CN108803623B (zh) | 一种自动驾驶车辆个性化行车的方法和行车合法化的系统 | |
CN110728218A (zh) | 危险驾驶行为的预警方法、装置、电子设备及存储介质 | |
US20070282519A1 (en) | System and method for analyzing traffic disturbances reported by vehicles | |
CN103593977B (zh) | 私家车非法营运的检测方法 | |
KR100948382B1 (ko) | 방범 서비스 방법 및 시스템 | |
CN113283296A (zh) | 安全帽佩戴检测方法、电子装置及存储介质 | |
Gao et al. | Predicting hazardous driving events using multi-modal deep learning based on video motion profile and kinematics data | |
US10607100B2 (en) | Device for recognizing vehicle license plate number and method therefor | |
CN108156406A (zh) | 行车记录仪的信息处理方法和装置 | |
CN113673304A (zh) | 基于场景语义驱动的车载预期功能安全危害分析评估方法 | |
CN109325755A (zh) | 基于汽车轮毂的电子计费系统 | |
CN112598865B (zh) | 一种电缆线路防外力破坏的监控方法及系统 | |
CN117334047A (zh) | 一种危险驾驶行为检测方法及装置 | |
CN113128540A (zh) | 非机动车盗车行为的检测方法、装置及电子设备 | |
CN114882448B (zh) | 一种车辆监控方法和电子设备 | |
CN111241918A (zh) | 一种基于人脸识别的车用防跟踪方法及系统 | |
CN112633163B (zh) | 一种基于机器学习算法实现非法运营车辆检测的检测方法 | |
CN114743140A (zh) | 一种基于人工智能技术的消防通道占用识别方法和装置 | |
CN112200148A (zh) | 一种去中心化的交通诚信评价系统 |
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 |