CN115081545A

CN115081545A - 司机轮换识别方法以及识别模型构建方法

Info

Publication number: CN115081545A
Application number: CN202210865123.6A
Authority: CN
Inventors: 徐显杰; 金彪; 潘明; 李正宾; 胡敏智; 徐建波
Original assignee: Suoto Hangzhou Automotive Intelligent Equipment Co Ltd; Tianjin Soterea Automotive Technology Co Ltd
Current assignee: Suoto Hangzhou Automotive Intelligent Equipment Co Ltd; Tianjin Soterea Automotive Technology Co Ltd
Priority date: 2022-07-22
Filing date: 2022-07-22
Publication date: 2022-09-20
Anticipated expiration: 2042-07-22
Also published as: CN115081545B

Abstract

本发明实施例公开了一种司机轮换识别方法以及识别模型构建方法。其中，识别方法包括：根据车辆行驶途中每次停留的时长，确定包括具备司机轮换可能性的待识别时段；基于所述待识别时段的行车数据，构建用于反映司机驾驶风格的特征数据；将所述特征数据输入至预先训练好的司机轮换识别模型，识别所述待识别时段是否发生了司机轮换；其中，所述司机轮换识别模型对一时段的所述特征数据进行识别，输出是否发生司机轮换的识别结果。本实施例通过行车数据识别是否发生司机轮换。

Description

司机轮换识别方法以及识别模型构建方法

技术领域

本发明实施例涉及车辆技术领域，尤其涉及一种司机轮换识别方法以及识别模型构建方法。

背景技术

在商用车行驶途中，司机疲劳驾驶是主要的安全风险之一。为了便于轮换休息，每次运输中车内通常不止一位司机。准确识别行驶途中的司机轮换时段，是避免疲劳驾驶的关键。

现有技术中，通过车载摄像头拍摄的视频数据识别是否发生司机轮换。但对于未安装摄像头或因摄像头故障无法获取视频数据的车辆，则无法识别司机轮换。

发明内容

本发明实施例提供一种司机轮换识别方法以及识别模型构建方法，通过行车数据识别是否发生司机轮换。

第一方面，本发明实施例提供了一种司机轮换识别方法，包括：

根据车辆行驶途中每次停留的时长，确定包括具备司机轮换可能性的待识别时段；

基于所述待识别时段的行车数据，构建用于反映司机驾驶风格的特征数据；

将所述特征数据输入至预先训练好的司机轮换识别模型，识别所述待识别时段是否发生了司机轮换；

其中，所述司机轮换识别模型对一时段的所述特征数据进行识别，输出是否发生司机轮换的识别结果。

第二方面，本发明实施例提供了一种司机轮换识别模型构建方法，包括：

获取车辆行驶途中的行车数据；

根据司机轮换时段的所述行车数据，构建所述司机轮换时段的特征数据作为正样本；

根据非司机轮换时段的所述行车数据，构建所述非司机轮换时段的特征数据作为负样本；

通过所述正样本和所述负样本，训练基于深度学习的司机轮换识别模型；

其中，所述特征数据用于反映司机驾驶风格，所述司机轮换识别模型用于对一时段的所述特征数据进行识别，输出是否发生司机轮换的识别结果。

第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现任一实施例所述的司机轮换识别方法或司机轮换模型构建方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一实施例所述的司机轮换识别方法或司机轮换模型构建方法。

本实施例根据车辆行驶途中的停留时长，识别具备司机轮换可能性的待识别时段，实现了对司机轮换时段的初步筛选。初步筛选后，通过该时段的行车数据构建特征数据来反映司机驾驶风格，并通过预先训练好的司机轮换识别模型，将所述特征数据中的司机驾驶风格信息转化为分类结果，识别该时段内是否发生了司机轮换。整个方法通过最易获取的行车数据，判断停留前后的司机驾驶风格是否发生了显著变化，从而定位司机轮换的时间范围，无需借助车载摄像头的视频数据，尤其适用于未安装摄像头或因摄像头故障无法获取视频数据的车辆。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种司机轮换识别方法的流程图。

图2是本发明实施例提供的一种司机轮换识别模型构建的流程图。

图3为本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行清楚、完整的描述。显然，所描述的实施例仅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的前提下所得到的所有其它实施例，都属于本发明所保护的范围。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

图1是本发明实施例提供的一种司机轮换识别方法的流程图。该方法适用于对商用车行驶途中是否发生司机轮换进行识别的情况，由电子设备执行。如图1所示，该方法具体包括：

S110、根据车辆行驶途中每次停留的时长，确定包括具备司机轮换可能性的待识别时段。

车辆停留可能是发生司机轮换，也可能是司机中途休息。本实施例根据停留时长，判断某一时段是否具备司机轮换可能性。可选的，首先，获取停留时长的第一阈值和第二阈值，其中，所述第一阈值代表执行司机轮换需要的最小停留时长，即两名司机停车、交换座位到继续行驶的过程需要的时间，所述第二阈值代表司机休息需要的最小停留时长。例如，所述第一阈值取2分钟，所述第二阈值取1小时。

获取第一阈值和第二阈值后，将每次停留的时长与第一阈值和第二阈值比较，确定每次停留是否具备司机轮换可能性。具体的，每次停留的时长通过特定的行车数据反映，例如车速、车辆位置等，如果某一时间区间内车速为零且车辆位置不变，则该时间区间对应一次停留。如果所述一次停留的时长超过所述第一阈值且小于所述第二阈值，确定所述一次停留具备司机轮换可能性。

由于轮换前后司机的驾驶风格特征应具有明显差异，因此以所述一次停留为中心确定一时段，作为待识别时段。可选地，在所述一次停留对应时间区间之前取第一行车时段，在所述时间区间之后取第二行车时段，由所述第一行车时段、所述时间区间，以及所述第二行车时段共同构成一个待识别时段。

S120、基于所述待识别时段的行车数据，构建用于反映司机驾驶风格的特征数据。

行车数据指行车过程中的各种车辆参数，包括车速、跟车距离、是否踩刹车、航向角，以及ADAS （Advanced Driving Assistance System高级驾驶辅助系统）预警次数等，其中，ADAS预警包括车道偏离预警、跟车过近预警、行人碰撞预警、车速过快预警等。本实施例选取的行车数据均与司机的驾驶行为相关，或多或少反映了司机的驾驶风格，如快慢风格、跟车风格等。特别的，航向角反映车头抖动、车辆姿态等过程，也能够体现驾驶风格。

所述特征数据基于所述行车数据生成，包括平均车速、车速标准差、踩刹车频率、航向角标准差、平均跟车距离和ADAS预警次数。对待识别时段内的行车数据进行一定统计运算，例如分段求均值、标准差，统计频率等，既能去除行车数据中的噪音，又能提取数据的局部特征或全局特征，使得到的特征数据更好的反映该时段内的驾驶风格。

可选的，根据所述第一行车时段的行车数据，构建用于反映停留前司机驾驶风格的第一特征数据；根据所述第二行车时段的行车数据，构建用于反映停留后司机驾驶风格的第二特征数据；根据所述第一特征数据和所述第二特征数据，合成用于反映所述待识别时段内司机驾驶风格的特征数据。具体的合成方式有多种，例如将第一特征数据和第二特征数据按照固定维度直接拼接等。在一具体实施方式中，第一行车时段与第二行车时段的时长相等（例如均为半小时），以便对停留前和停留后的司机驾驶风格进行相同程度的反映。

S130、将所述特征数据输入至预先训练好的司机轮换识别模型，识别所述待识别时段是否发生了司机轮换。

所述司机轮换识别模型对一时段的所述特征数据进行识别，输出是否发生司机轮换的识别结果。可选的，所述识别模型为逻辑回归模型，具体形式为：

Y = k₁x₁+k₂x₂+…+k_nx_n+k₀（1）

其中，Y 表示是否发生司机轮换的识别结果；x₁,x₂,x₃,…,x_n表示输入的多种特征数据，例如车速均值、车速标准差等；k₀,k₁,k₂,k₃,…,k_n分别表示各种特征数据对应的系数，用于反映每种特征数据对Y的重要程度。k₀,k₁,k₂,k₃,…,k_n的值在模型训练中确定。

逻辑回归算法是传统的机器学习算法，可用于拟合事件发生的概率，因此，上述因变量Y可理解为发生司机轮换的概率。Y=1，表明发生了司机轮换；Y=0，表明未发生司机轮换。此外，所述司机轮换识别模型还可以为其它基于深度学习的训练模型，如神经网络模型等，本实施例不作具体限制。

可选的，得到识别结果后，为每次停留打上司机轮换标签，用于实施各项安全控制措施，例如识别疲劳驾驶现象，监控司机换班情况；或归纳不同行车时段的驾驶员行为特征，构造更加精确的驾驶员画像等。

在上述实施例和下述实施例的基础上，本实施例对第一阈值和第二阈值的获取过程进行细化。可选的，所述获取停留时长的第一阈值和第二阈值，具体包括如下步骤：

步骤一、获取车辆在历史行车途中多次停留的时长，作为多个历史样本。该车辆与上述实施例中的车辆均为商用车，可以相同，也可以不同，不作具体限制。

步骤二、根据实际情况，将所述多个历史样本标注为“司机轮换”和“司机休息”。可选的，如果该车辆具备历史车载视频数据，则根据视频数据将发生司机轮换的历史样本标注为“司机轮换”，将发生在典型休息场景（如服务区）且未发生司机轮换的历史样本标注“司机休息”。具体来说，视频数据可以识别司机的人脸图像，因此，根据视频数据识别的司机轮换结果认为是真实的。同时，在服务区等典型休息场景中如果没有发生司机轮换，则认为司机是在休息。

步骤三、获取第一阈值和第二阈值的多个取值组合，并根据每个取值组合对所述多个历史样本进行分类。具体的，所述第一阈值代表执行司机轮换需要的最小停留时长，所述第二阈值代表司机休息需要的最小停留时长。因此，将大于所述第一阈值且小于所述第二阈值的历史样本分类为“司机轮换”，将大于所述第二阈值的历史样本分类为“司机休息”。

步骤四、选取划分结果与标注结果一致的历史样本数量最多的取值组合，作为述第一阈值和所述第二阈值最终的取值。

本实施例根据实际情况对历史样本中的“司机轮换”和“司机休息”进行标定，作为真实结果；并通过枚举法将不同取值组合下历史样本分类为“司机轮换”和“司机休息”，作为预测结果；最后，选取预测结果最接近真实结果的取值组合，作为最终的第一阈值和第二阈值。该方法可以与人为经验结合使用，例如通过人为经验确定多个取值组合等，也可以单独使用，避免了单纯依靠人为经验选定阈值的主观性和片面性。同时，由于商用车司机轮换和司机休息需要的停留时长差异不大，因此所述第一阈值和第二阈值适用于所有商用车。

图2是本发明实施例提供的一种司机轮换识别模型构建的流程图。该方法适用于构建基于深度学习的模型，对商用车行驶途中是否发生司机轮换进行识别的情况，由电子设备执行。如图2所示，该方法具体包括：

S210、获取车辆行驶途中的行车数据。

本实施例中的车辆用于构建司机轮换识别模型的样本数据，与上述实施例中的车辆可以相同，也可以不同。本实施例中的行车数据与上述实施例中的行车数据种类一致，包括车速、跟车距离、是否踩刹车、航向角，以及ADAS预警次数等，均与司机的驾驶风格相关。

S220、根据司机轮换时段的所述行车数据，构建所述司机轮换时段的特征数据作为正样本。

所述特征数据上述实施例中的特征数据种类一致，包括平均车速、车速标准差、踩刹车频率、航向角标准差、平均跟车距离和ADAS预警次数，用于反映对应时段内的司机驾驶风格。

司机轮换时段指发生了司机轮换的时段。首先，识别司机轮换时段。可选的，如果所述车辆具有车载视频数据，则根据所述行驶途中的车载视频数据，确定发生司机轮换的多次停留；并确定以每次停留为中心的司机轮换时段。具体的，司机轮换时段与上述实施例中的待识别时段相对应，每个司机轮换时段包括一次停留前的第三行车时段、所述一次停留对应的时间区间，以及所述一次停留后的第四行车时段。

识别出司机轮换时段后，构建该时段的特征数据。具体的，司机轮换时段的特征数据与待识别时段的特征数相对应。首先，根据所述第三行车时段的行车数据，构建用于反映轮换前司机驾驶风格的第三特征数据；根据所述第四行车时段的行车数据，构建用于反映轮换后司机驾驶风格的第四特征数据；然后，根据所述第三特征数据和所述第四特征数据，合成所述司机轮换时段的特征数据，用于反映所述司机轮换时段内的司机驾驶风格。在一具体实施方式中，第三行车时段与第四行车时段的时长相等（例如均为半小时），以便对轮换前和轮换后的司机驾驶风格进行相同程度的反映。

得到司机轮换时段的特征数据后，将该特征数据作为模型训练的正样本，标注为“发生了司机轮换”，例如标注为1。

S230、根据非司机轮换时段的所述行车数据，构建所述非司机轮换时段的特征数据作为负样本。

非司机轮换时段指没有发生司机轮换的时段，例如连续驾驶时段。可选的，确定发生司机轮换的多次停留后，选取不包括任何时间区间的连续行驶时段，作为非司机轮换时段。

得到非司机轮换时段后，构建该时段的特征数据作为负样本。为了保证样本数据的一致性，非司机轮换时段的特征数据也应与待识别时段的特征数相对应。可选的，非司机轮换时段包括第五行车时段和第六行车时段，根据所述第五行车时段的行车数据，构建用于反映第五行车时段内司机驾驶风格的第五特征数据；根据所述第六行车时段的行车数据，构建用于反映第六行车时段内司机驾驶风格的第六特征数据；根据所述第五特征数据和所述第六特征数据，合成所述非司机轮换时段的特征数据，用于反映所述非司机轮换时段内的司机驾驶风格；将该特征数据作为模型训练的负样本，标注为“未发生司机轮换”，例如标注为0。在一具体实施方式中，第五行车时段与第六行车时段的时长相等（例如均为半小时），以便对中间时间点前和中间时间点后的司机驾驶风格进行相同程度的反映。

进一步的，在一可选实施方式中，第一行车时段、第二行车时段、第三行车时段、第四行车时段、第五行车时段和第六行车时段均相等（例如均为半小时），充分保证训练样本的数据格式与待识别时段的特征数据一致，提高识别模型对数据的适配性。

S240、通过所述正样本和所述负样本，训练基于深度学习的司机轮换识别模型。所述司机轮换识别模型用于对一时段的所述特征数据进行识别，输出是否发生司机轮换的识别结果。

以公式（1）所述的逻辑回归模型为例，训练前各系数k₀,k₁,k₂,k₃,…,k_n待定。由正样本和负样本构成样本集，将样本集中的每个样本代入公式（1），根据模型输出不断更新各系数k₀,k₁,k₂,k₃,…,k_n，使模型输出不断逼近每个样本的标注结果（Y=1或Y=0）。

可选的，训练完毕后，保留模型中系数k_n大于特定值（例如0.6）的特征数据，其余系数置为0。在一具体实施方式中，最终保留的特征数据包括平均跟车距离、ADAS预警次数、踩刹车频率和航向角标准差，表明这四种特征数据对司机轮换的识别结果影响最大。

本实施例通过真实轮换情况构建样本集，对基于深度学习的司机轮换识别模型进行训练，并且每个样本的数据格式与上述实施例中的待识别时段的特征数据保持一致。其中，正样本中包括分别表征轮换前和轮换后司机驾驶风格的两组特征数据，能够体现轮换前后的驾驶风格变化；负样本中也包括两组特征数据，尽管两组特征数据反映的驾驶风格无显著变化，但保持相同的数据格式，能够充分保证模型训练的可收敛性，以及最终的模型识别精度。

在上述实施例和下述实施例的基础上，本实施例对所述行车数据的获取过程进行细化。所述行车数据均为与司机驾驶风格相关的数据，在无法确定与驾驶风格相关的数据种类时，通常先获取种类较为全面的行车数据，再从中筛选出与驾驶风格关联性较强的几种行车数据。可选的，所述获取车辆行驶途中的行车数据，包括如下步骤：

步骤一、获取车辆行驶途中的车速和/或跟车距离，以及其它种类的行车数据。根据常规驾驶经验，本实施例默认车速和跟车距离是与驾驶风格关联较强的行驶数据。

步骤二、计算其它种类的行车数据中每种行驶数据的变异系数，并剔除变异系数大于第一设定值的行车数据种类。具体的，变异系数用于衡量数据的离散程度，如果变异系数过大，则认为数据过于离散，无法用于建模。此外，也可以通过每种行车数据的散点图，获取每种行车数据的跨度和离散程度，并剔除离散程度过大的行车数据种类。本实施例对获取数据离散程度的方式不作限制。

步骤三、根据不同的车速和/或跟车距离区间，将剩余的其它种类的行车数据中的每种行车数据划分为多个数据组。每个数据组对应一个车速和/或跟车距离区间。例如，按照车速将每种行车数据分为两组，一组对应车速 >= 80km/h，另一组对应车速 < 80km/h。

步骤四、对每种行车数据的每两个数据组进行T假设检验和/或F假设检验。具体的，T假设检验用于检验两段数据的均值是否存在差异，F假设检验用来检验两段数据的方差是否存在差异。检验结果均为一个概率p值；p值越小，两段数据差异越大。例如，按照车速将ADAS预警次数分为车速 >= 80km/h和车速 < 80km/h两组后，对两组ADAS预警次数数据进行T假设检验，得到一个p值。

步骤五、对同一车速和/或跟车距离区间下的每两种行车数据进行相关性分析。相关性分析用于研究两种行车数据之间是否相互影响，分析结果为相关性系数。相关性系数的绝对值越大，两种行车数据的相互影响作用越大。例如，按照车速将ADAS预警次数和航向角分别划分为车速 >= 80km/h和车速 < 80km/h两组后，对车速 >= 80km/h下的ADAS预警次数和航向角进行相关性分析，得到一个相关性系数；对车速 < 80km/h下的ADAS预警次数和航向角进行相关性分析，得到另一个相关性系数。

步骤六、根据假设检验结果和相关性分析结果，确定最终的行车数据。从所述剩余的其它种类的行车数据中，选取在不同车速和/或跟车距离区间下具有显著差异的数据种类，以及与这些数据种类相互影响显著的数据种类；由所选取的至少一种行车数据，以及车速和/或跟车距离共同构成最终的行车数据。具有显著差异的数据种类，认为能够更好的反映车速和/或跟车距离的区别，从而体现驾驶风格的区别；相互影响显著的数据种类，认为具有无法忽略的相关关系，无法单独分析，因此均予以保留。

可选的，在所述剩余的其它种类的行车数据中，如果一种行车数据每个数据组的p值均大于第二设定值，则剔除该种行车数据。同时，如果本步骤被剔除的行车数据中，有一种行车数据与保留下来的一种行车数据在任一时间区间下的相关性系数绝对值大于第三设定值，则认为这两种行车数据具有无法忽略的相互影响作用，则均予以保留。

可选地，最终保留的所述至少一种行车数据包括：是否踩刹车、航向角和高级驾驶辅助系统ADAS预警次数；这些数据与车速和/或跟车距离共同构成最终的行车数据。

在实际应用中，第一设定值、第二设定值和第三设定值可以根据需要具体设置，如第一设定值=0.15，第二设定值=0.05，第三设定值=0.5等。本实施例对具体取值不作限制。

本实施例将车速和跟车距离默认为与司机驾驶风格关联较强的两种行车数据，根据车速和/或跟车距离下的其它种类的行车数据进行统计分析，筛选出在不同车速和/或跟车距离水平下具有显著差异的数据种类，以及与这些数据种类相互影响显著的数据种类，由筛选出的行车数据与车速和/或跟车距离共同构成反映司机驾驶风格的行车数据。整个过程基于数据分析确定所需的行车数据种类，避免了单纯依靠人为经验的片面性和主观性，特别是发现了航向角这一重要的数据类型，为提高模型识别精度提供了准确的数据支持。

图3为本发明实施例提供的一种电子设备的结构示意图，如图3所示，该设备包括处理器60、存储器61、输入装置62和输出装置63；设备中处理器60的数量可以是一个或多个，图3中以一个处理器60为例；设备中的处理器60、存储器61、输入装置62和输出装置63可以通过总线或其他方式连接，图3中以通过总线连接为例。

存储器61作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的司机轮换识别方法或司机轮换识别模型构建方法对应的程序指令/模块。处理器60通过运行存储在存储器61中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的司机轮换识别方法或司机轮换识别模型构建方法。

存储器61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；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器61可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器61可进一步包括相对于处理器60远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置62可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置63可包括显示屏等显示设备。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一实施例的司机轮换识别方法或司机轮换识别模型构建方法。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器（RAM）、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

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，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、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）。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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。

Claims

1.一种司机轮换识别方法，其特征在于，包括：

2.根据权利要求1所述的识别方法，其特征在于，所述根据车辆行驶途中每次停留的时长，确定包括具备司机轮换可能性的待识别时段，包括：

获取停留时长的第一阈值和第二阈值，其中，所述第一阈值代表执行司机轮换需要的最小停留时长，所述第二阈值代表司机休息需要的最小停留时长；

如果车辆行驶途中一次停留的时长超过所述第一阈值，且小于所述第二阈值，确定所述一次停留具备司机轮换可能性；

以所述一次停留为中心确定一时段，作为具备司机轮换可能性的待识别时段。

3.根据权利要求1所述的方法，其特征在于，所述特征数据包括：平均车速、车速标准差、踩刹车频率、航向角标准差、平均跟车距离和高级辅助驾驶系统预警次数中的至少一种。

4.根据权利要求1所述的识别方法，其特征在于，所述待识别时段包括停留前的第一行车时段，和停留后的第二行车时段；

所述基于所述待识别时段的行车数据，构建用于反映司机驾驶风格的特征数据，包括：

根据所述第一行车时段的行车数据，构建用于反映停留前司机驾驶风格的第一特征数据；

根据所述第二行车时段的行车数据，构建用于反映停留后司机驾驶风格的第二特征数据；

根据所述第一特征数据和所述第二特征数据，合成用于反映所述待识别时段内司机驾驶风格的特征数据。

5.一种司机轮换识别模型构建方法，其特征在于，包括：

获取车辆行驶途中的行车数据；

6.根据权利要求5所述的构建方法，其特征在于，所述获取车辆行驶途中的行车数据，包括：

获取车辆行驶途中的车速和/或跟车距离，以及其它种类的行车数据；

计算所述其它种类的行车数据中每种行驶数据的变异系数，并剔除变异系数大于第一设定值的行车数据种类；

根据不同的车速和/或跟车距离区间，将剩余的其它种类的行车数据中的每种行车数据划分为多个数据组；

对每种行车数据的每两个数据组进行T假设检验和/或F假设检验，同时对同一车速和/或跟车距离区间下的每两种行车数据进行相关性分析；

根据假设检验结果和相关性分析结果，确定最终的行车数据。

7.根据权利要求5所述的构建方法，其特征在于，所述车辆具有车载视频数据；

在所述根据司机轮换时段的所述行车数据，构建所述司机轮换时段的特征数据作为正样本之前，还包括：

根据所述行驶途中的车载视频数据，确定发生司机轮换的多次停留；

确定以每次停留为中心的司机轮换时段，以及不包括任意一次停留的非司机轮换时段。

8.根据权利要求5所述的构建方法，其特征在于，所述司机轮换识别模型为逻辑回归模型，所述逻辑回归模型以一时段的所述特征数据为输入，以发生司机轮换的概率值为输出；

其中，所述正样本的概率值标注为1，所述负样本的概率值标注为0。

9.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4任一所述的司机轮换识别方法，或如权利要求5-8任一所述的司机轮换模型构建方法。

10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-4任一所述的司机轮换识别方法，或如权利要求5-8任一所述的司机轮换模型构建方法。