CN115578665A - 一种基于车辆行驶数据的资源处理方法及系统 - Google Patents

Abstract

本发明提供的一种基于车辆行驶数据的资源处理方法及系统，涉及数据处理技术领域。在本发明中，对目标车辆进行行驶数据资源的提取处理，以得到对应的初始行驶数据资源，初始行驶数据资源包括初始行驶记录视频资源，初始行驶记录视频资源中具有目标车辆的行驶路况的路况信息。对初始行驶记录视频资源进行视频帧的筛选处理，以形成对应的目标行驶记录视频资源。利用预先训练形成的车辆性能识别神经网络，对目标行驶记录视频资源进行识别处理，以输出目标车辆对应的目标车辆性能识别结果。基于上述方法，可以可靠地通过行驶路况对车辆性能进行分析。

Description

一种基于车辆行驶数据的资源处理方法及系统

技术领域

本发明涉及数据处理技术领域，具体而言，涉及一种基于车辆行驶数据的资源处理方法及系统。

背景技术

汽车作为一种资源，汽车的性能评估一般直接影响着汽车的价值，而汽车的价值评估的应用场景较多，如汽车质押、事故赔偿等。因此，需要对汽车的性能进行全面的评估，但是，在现有技术中，一般是基于汽车的维修情况、行驶里程等方面进行简单的评估，因而，还不能对汽车的性能进行较为全面的评估，例如，汽车的行驶路况对汽车的性能也会产生影响，也就是说，要进行较为全面的评估，可能还需要从汽车的行驶路况对汽车的性能进行评估，但是，目标还没有对行驶路况进行分析的技术方案，因此，亟需提供一种能够对行驶路径进行分析的技术方案。

发明内容

有鉴于此，本发明的目的在于提供一种基于车辆行驶数据的资源处理方法及系统，以可靠地通过行驶路况对车辆性能进行分析。

为实现上述目的，本发明实施例采用如下技术方案：

一种基于车辆行驶数据的资源处理方法，应用于数据处理服务器，所述基于车辆行驶数据的资源处理方法包括：

对目标车辆进行行驶数据资源的提取处理，以得到所述目标车辆对应的初始行驶数据资源，所述初始行驶数据资源包括初始行驶记录视频资源，所述初始行驶记录视频资源中具有所述目标车辆的行驶路况的路况信息；

对所述初始行驶记录视频资源进行视频帧的筛选处理，以形成所述初始行驶记录视频资源对应的目标行驶记录视频资源；

利用预先训练形成的车辆性能识别神经网络，对所述目标行驶记录视频资源进行识别处理，以输出所述目标车辆对应的目标车辆性能识别结果，所述目标车辆性能识别结果用于所述目标车辆对应的反映车辆性能。

在一些优选的实施例中，在上述基于车辆行驶数据的资源处理方法中，所述对目标车辆进行行驶数据资源的提取处理，以得到所述目标车辆对应的初始行驶数据资源的步骤，包括：

在接收到对目标车辆进行性能识别的请求时，向所述目标车辆下发资源提取指令，所述目标车辆用于在接收到所述资源提取指令时，将存储的初始行驶数据资源上报给所述数据处理服务器；

对所述目标车辆依据所述资源提取指令上报的行驶数据资源进行接收，以得到所述目标车辆对应的初始行驶数据资源。

在一些优选的实施例中，在上述基于车辆行驶数据的资源处理方法中，所述对所述初始行驶记录视频资源进行视频帧的筛选处理，以形成所述初始行驶记录视频资源对应的目标行驶记录视频资源的步骤，包括：

分别对所述初始行驶记录视频资源包括的每一帧初始行驶记录视频帧进行路况信息检测处理，以输出每一帧初始行驶记录视频帧对应的路况信息检测结果，所述路况信息检测结果用于反映是否具有路况信息；

对于所述初始行驶记录视频资源包括的每一帧初始行驶记录视频帧，倘若该初始行驶记录视频帧对应的路况信息检测结果反映出该初始行驶记录视频帧中具有路况信息，则将该初始行驶记录视频帧标记为目标行驶记录视频帧，再将标记出的每一帧目标行驶记录视频帧组合形成所述初始行驶记录视频资源对应的目标行驶记录视频资源。

在一些优选的实施例中，在上述基于车辆行驶数据的资源处理方法中，所述利用预先训练形成的车辆性能识别神经网络，对所述目标行驶记录视频资源进行识别处理，以输出所述目标车辆对应的目标车辆性能识别结果的步骤，包括：

将所述目标行驶记录视频资源加载到预先训练形成的车辆性能识别神经网络包括的视频帧有效性检测子神经网络中，以利用所述视频帧有效性检测子神经网络进行有效视频帧检测，以输出所述目标行驶记录视频资源包括的有效目标行驶记录视频帧；

将所述目标行驶记录视频资源和所述有效目标行驶记录视频帧加载到所述车辆性能识别神经网络包括的车辆性能识别子神经网络中，以利用所述车辆性能识别子神经网络进行车辆性能识别处理，以输出所述目标行驶记录视频资源对应的每一个初始车辆性能识别结果；

依据每一个所述初始车辆性能识别结果，分析输出所述目标行驶记录视频资源对应的第一初始车辆性能识别结果；

将所述目标行驶记录视频资源对应第一初始车辆性能识别结果，标记为所述目标车辆对应的目标车辆性能识别结果。

在一些优选的实施例中，在上述基于车辆行驶数据的资源处理方法中，所述将所述目标行驶记录视频资源加载到预先训练形成的车辆性能识别神经网络包括的视频帧有效性检测子神经网络中，以利用所述视频帧有效性检测子神经网络进行有效视频帧检测，以输出所述目标行驶记录视频资源包括的有效目标行驶记录视频帧的步骤，包括：

对所述目标行驶记录视频资源包括的多个目标行驶记录视频帧进行视频帧组合，以形成所述多个目标行驶记录视频帧对应的每一个行驶记录视频帧组合，每一个所述行驶记录视频帧组合包括至少一个目标行驶记录视频帧，对于包括多个目标行驶记录视频帧的每一个行驶记录视频帧组合，该多个目标行驶记录视频帧在视频帧时序上具有连续的关系；

将每一个所述行驶记录视频帧组合加载到预先训练形成的车辆性能识别神经网络包括的视频帧有效性检测子神经网络中进行有效视频帧检测，以输出所述目标行驶记录视频资源包括的有效目标行驶记录视频帧。

在一些优选的实施例中，在上述基于车辆行驶数据的资源处理方法中，所述视频帧有效性检测子神经网络包括初始视频帧有效性检测模型和中间视频帧有效性检测模型，所述将每一个所述行驶记录视频帧组合加载到预先训练形成的车辆性能识别神经网络包括的视频帧有效性检测子神经网络中进行有效视频帧检测，以输出所述目标行驶记录视频资源包括的有效目标行驶记录视频帧的步骤，包括：

分析确定出每一个所述行驶记录视频帧组合在所述目标行驶记录视频资源中的视频帧时序的先后关系，以得到第一先后关系；

依据所述第一先后关系，将每一个所述行驶记录视频帧组合加载到所述视频帧有效性检测子神经网络包括的初始视频帧有效性检测模型中，以利用所述初始视频帧有效性检测模型进行信息挖掘处理，以输出全部的行驶记录视频帧组合对应的正向视频帧信息特征分布；

依据与所述第一先后关系相反的第二先后关系，将每一个所述行驶记录视频帧组合加载到所述视频帧有效性检测子神经网络包括的中间视频帧有效性检测模型中，以利用所述中间视频帧有效性检测模型进行信息挖掘处理，以输出全部的行驶记录视频帧组合对应的反向视频帧信息特征分布；

融合所述正向视频帧信息特征分布和所述反向视频帧信息特征分布，以形成对应的融合视频帧信息特征分布；

基于所述融合视频帧信息特征分布，分析输出每一个所述行驶记录视频帧组合对应的视频帧组合有效性检测结果；

依据每一个所述行驶记录视频帧组合对应的视频帧组合有效性检测结果，分析输出所述目标行驶记录视频资源包括的有效目标行驶记录视频帧。

在一些优选的实施例中，在上述基于车辆行驶数据的资源处理方法中，所述将所述目标行驶记录视频资源和所述有效目标行驶记录视频帧加载到所述车辆性能识别神经网络包括的车辆性能识别子神经网络中，以利用所述车辆性能识别子神经网络进行车辆性能识别处理，以输出所述目标行驶记录视频资源对应的每一个初始车辆性能识别结果的步骤，包括：

对所述目标行驶记录视频资源包括的每一个目标行驶记录视频帧进行视频帧信息编码，以输出每一个目标行驶记录视频帧对应的视频帧编码特征分布，再对每一个有效目标行驶记录视频帧进行视频帧信息编码，以输出每一个有效目标行驶记录视频帧对应的有效视频帧编码特征分布；

融合所述视频帧编码特征分布和所述有效视频帧编码特征分布，以输出对应的融合视频帧编码特征分布；

将所述融合视频帧编码特征分布加载到所述车辆性能识别神经网络包括的视频帧信息提取子神经网络中，以利用所述视频帧信息提取子神经网络对所述融合视频帧编码特征分布进行视频信息挖掘，以输出所述目标行驶记录视频资源对应的视频信息特征分布；

将所述视频信息特征分布加载到所述车辆性能识别神经网络包括的车辆性能识别子神经网络中，以利用所述车辆性能识别子神经网络对所述视频信息特征分布进行车辆性能识别处理，以输出所述目标行驶记录视频资源对应的每一个初始车辆性能识别结果。

在一些优选的实施例中，在上述基于车辆行驶数据的资源处理方法中，所述视频帧信息提取子神经网络包括感知网络模块和单向神经网络模块，所述将所述融合视频帧编码特征分布加载到所述车辆性能识别神经网络包括的视频帧信息提取子神经网络中，以利用所述视频帧信息提取子神经网络对所述视频信息特征分布进行视频信息挖掘，以输出所述目标行驶记录视频资源对应的视频信息特征分布的步骤，包括：

将所述融合视频帧编码特征分布加载到所述视频帧信息提取子神经网络包括的感知网络模块中，以利用所述感知网络模块进行信息挖掘处理，以输出对应的视频帧感知特征分布；

融合所述视频帧感知特征分布和所述融合视频帧编码特征分布，以输出对应的融合视频帧感知特征分布；

将所述融合视频帧感知特征分布加载到所述视频帧信息提取子神经网络包括的单向神经网络模块，以利用所述单向神经网络模块进行信息挖掘处理，以输出所述目标行驶记录视频资源对应的视频信息特征分布。

在一些优选的实施例中，在上述基于车辆行驶数据的资源处理方法中，所述依据每一个所述初始车辆性能识别结果，分析输出所述目标行驶记录视频资源对应的第一初始车辆性能识别结果的步骤，包括：

从每一个所述初始车辆性能识别结果中，筛选出具有最大值的一个所述初始车辆性能识别结果，以标记为所述目标行驶记录视频资源对应的第一初始车辆性能识别结果；或者

从每一个所述初始车辆性能识别结果中，筛选出具有最小值的一个所述初始车辆性能识别结果，以标记为所述目标行驶记录视频资源对应的第一初始车辆性能识别结果；或者

依据每一个所述初始车辆性能识别结果进行均值计算，以输出所述目标行驶记录视频资源对应的第一初始车辆性能识别结果。

本发明实施例还提供一种基于车辆行驶数据的资源处理系统，应用于数据处理服务器，所述基于车辆行驶数据的资源处理系统包括：

行驶数据资源提取模块，用于对目标车辆进行行驶数据资源的提取处理，以得到所述目标车辆对应的初始行驶数据资源，所述初始行驶数据资源包括初始行驶记录视频资源，所述初始行驶记录视频资源中具有所述目标车辆的行驶路况的路况信息；

视频资源筛选模块，用于对所述初始行驶记录视频资源进行视频帧的筛选处理，以形成初始行驶记录视频资源对应的目标行驶记录视频资源；

视频资源识别模块，用于利用预先训练形成的车辆性能识别神经网络，对所述目标行驶记录视频资源进行识别处理，以输出所述目标车辆对应的目标车辆性能识别结果，所述目标车辆性能识别结果用于所述目标车辆对应的反映车辆性能。

本发明实施例提供的一种基于车辆行驶数据的资源处理方法及系统，可以对目标车辆进行行驶数据资源的提取处理，以得到对应的初始行驶数据资源，初始行驶数据资源包括初始行驶记录视频资源，初始行驶记录视频资源中具有目标车辆的行驶路况的路况信息。对初始行驶记录视频资源进行视频帧的筛选处理，以形成对应的目标行驶记录视频资源。利用预先训练形成的车辆性能识别神经网络，对目标行驶记录视频资源进行识别处理，以输出目标车辆对应的目标车辆性能识别结果。基于此，可以通过神经网络较佳的数据处理能力，对具有路径信息的视频资源进行分析识别，从而实现可靠地通过行驶路况对车辆性能进行分析的目的。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

图1为本发明实施例提供的数据处理服务器的结构框图。

图2为本发明实施例提供的基于车辆行驶数据的资源处理方法包括的各步骤的流程示意图。

图3为本发明实施例提供的基于车辆行驶数据的资源处理系统包括的各模块的示意图。

具体实施方式

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，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

参考图1所示的内容，本发明实施例提供了一种数据处理服务器。其中，所述数据处理服务器可以包括存储器和处理器。

示例性地，在一些实施方式中，所述存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件(firmware)的形式，存在的软件功能模块(计算机程序)。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序，从而实现本发明实施例提供的基于车辆行驶数据的资源处理方法。

示例性地，在一些实施方式中，所述存储器可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-Only Memory，PROM)，可擦除只读存储器(Erasable ProgrammableRead-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable ProgrammableRead-Only Memory，EEPROM)等。

示例性地，在一些实施方式中，所述处理器可以是一种通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)、片上系统(System on Chip，SoC)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

示例性地，在一些实施方式中，图1所示的结构仅为示意，所述数据处理服务器还可包括比图1中所示更多或者更少的组件，或具有与图1所示不同的配置，例如，可以包括用于与其它设备进行信息交互的通信单元。

结合图2，本发明实施例还提供一种基于车辆行驶数据的资源处理方法，可应用于上述数据处理服务器。其中，所述基于车辆行驶数据的资源处理方法有关的流程所定义的方法步骤，可以由所述数据处理服务器实现。

下面将对图2所示的具体流程，进行详细阐述。

步骤S110，对目标车辆进行行驶数据资源的提取处理，以得到所述目标车辆对应的初始行驶数据资源。

在本发明实施例中，所述数据处理服务器可以对目标车辆进行行驶数据资源的提取处理，以得到所述目标车辆对应的初始行驶数据资源。所述初始行驶数据资源包括初始行驶记录视频资源，所述初始行驶记录视频资源中具有所述目标车辆的行驶路况的路况信息。

步骤S120，对所述初始行驶记录视频资源进行视频帧的筛选处理，以形成所述初始行驶记录视频资源对应的目标行驶记录视频资源。

在本发明实施例中，所述数据处理服务器可以对所述初始行驶记录视频资源进行视频帧的筛选处理，以形成所述初始行驶记录视频资源对应的目标行驶记录视频资源。

步骤S130，利用预先训练形成的车辆性能识别神经网络，对所述目标行驶记录视频资源进行识别处理，以输出所述目标车辆对应的目标车辆性能识别结果。

在本发明实施例中，所述数据处理服务器可以利用预先训练形成的车辆性能识别神经网络，对所述目标行驶记录视频资源进行识别处理，以输出所述目标车辆对应的目标车辆性能识别结果。所述目标车辆性能识别结果用于所述目标车辆对应的反映车辆性能(的优异程度)。

基于此，可以通过神经网络较佳的数据处理能力，对具有路径信息的视频资源进行分析，从而实现可靠地通过行驶路况对车辆性能进行分析的目的，进而改善现有技术中不能通过路况信息对车辆性能进行分析的问题。

示例性地，在一些实施方式中，在执行上述的步骤S110时，具体可以执行以下描述的详细子步骤：

在接收到对目标车辆进行性能识别的请求时，向所述目标车辆下发资源提取指令，所述目标车辆用于在接收到所述资源提取指令时，将存储的初始行驶数据资源上报给所述数据处理服务器(也可以是从其它数据服务器中提取所述初始行驶数据资源，即所述目标车辆可以先将所述初始行驶数据资源发送给所述其它数据服务器存储)；

对所述目标车辆依据所述资源提取指令上报的行驶数据资源进行接收，以得到所述目标车辆对应的初始行驶数据资源。

示例性地，在一些实施方式中，在执行上述的步骤S120时，具体可以执行以下描述的详细子步骤：

分别对所述初始行驶记录视频资源包括的每一帧初始行驶记录视频帧进行路况信息检测处理(示例性地，可以通过预先训练形成的神经网络进行图像识别，以确定视频帧中是否具有路面，该神经网络可以是通过具有路面的多个样本视频帧和不具有路面的多个样本视频帧一起训练得到)，以输出每一帧初始行驶记录视频帧对应的路况信息检测结果，所述路况信息检测结果用于反映是否具有路况信息；

对于所述初始行驶记录视频资源包括的每一帧初始行驶记录视频帧，倘若该初始行驶记录视频帧对应的路况信息检测结果反映出该初始行驶记录视频帧中具有路况信息，则将该初始行驶记录视频帧标记为目标行驶记录视频帧，再将标记出的每一帧目标行驶记录视频帧组合形成所述初始行驶记录视频资源对应的目标行驶记录视频资源。

示例性地，在一些实施方式中，在执行上述的步骤S120时，对于基于前述的两个子步骤得到的目标行驶记录视频资源，还可以进一步进行筛选，以得到最终的目标行驶记录视频资源。其中，筛选的依据可以是相邻两帧目标行驶记录视频帧之间的相似度，即若相邻两帧目标行驶记录视频帧之间的相似度若大于一阈值(如99％等)，可以筛除其中一帧。

示例性地，在一些实施方式中，相邻两帧目标行驶记录视频帧(如第一目标行驶记录视频帧和第二目标行驶记录视频帧)之间的相似度的计算过程，可以包括以下详细的子步骤：

对所述第一目标行驶记录视频帧进行视频帧特征点的识别提取处理(可以参照现有技术中的任意一种特征点识别技术，在此不做具体的限定，根据实际应用需求进行配置即可)，以形成所述第一目标行驶记录视频帧对应的第一视频帧特征点集合，再对所述第二目标行驶记录视频帧进行视频帧特征点的识别提取处理，以形成所述第二目标行驶记录视频帧对应的第二视频帧特征点集合，所述第一视频帧特征点集合包括多个第一视频帧特征点，所述第二视频帧特征点集合包括多个第二视频帧特征点；

对于所述第一视频帧特征点集合中的每一个第一视频帧特征点，对该第一视频帧特征点和该第一视频帧特征点附近区域中的每一个第一视频帧像素点之间的像素值差异度进行分析确定(例如，可以以该第一视频帧特征点为中心，确定出一个指定尺寸的区域，作为附近区域，再计算该第一视频帧特征点和该附近区域中的每一个第一视频帧像素点之间的像素值差值，再对该像素值差值进行求和计算，以得到对应的像素值差异度)，再依据该像素值差异度分析确定出该第一视频帧特征点对应的第一特征重要系数(示例性地，所述第一特征重要系数和所述像素值差异度正相关)；

对于所述第二视频帧特征点集合中的每一个第二视频帧特征点，对该第二视频帧特征点和该第二视频帧特征点附近区域中的每一个第二视频帧像素点之间的像素值差异度进行分析确定，再依据该像素值差异度分析确定出该第二视频帧特征点对应的第二特征重要系数(同上)；

从所述第一视频帧特征点集合中，确定出具有最大值的第一特征重要系数对应的一个第一视频帧特征点，作为目标第一视频帧特征点，再将该目标第一视频帧特征点和与该目标第一视频帧特征点之间的像素位置距离最小的第一视频帧特征点，从该第一视频帧特征点集合中筛除，以形成对应的新的第一视频帧特征点集合，再从所述新的第一视频帧特征点集合中，确定出具有最大值的第一特征重要系数对应的一个第一视频帧特征点，作为新的目标第一视频帧特征点，再将该新的目标第一视频帧特征点和与该新的目标第一视频帧特征点之间的像素位置距离最小的第一视频帧特征点，从该新的第一视频帧特征点集合中筛除，以新的形成对应的新的第一视频帧特征点集合，如此循环，直到最后形成的新的第一视频帧特征点集合中不具有第一视频帧特征点(即形成空集)；

从所述第二视频帧特征点集合中，确定出具有最大值的第二特征重要系数对应的一个第二视频帧特征点，作为目标第二视频帧特征点，再将该目标第二视频帧特征点和与该目标第二视频帧特征点之间的像素位置距离最小的第二视频帧特征点，从该第二视频帧特征点集合中筛除，以形成对应的新的第二视频帧特征点集合，再从所述新的第二视频帧特征点集合中，确定出具有最大值的第二特征重要系数对应的一个第二视频帧特征点，作为新的目标第二视频帧特征点，再将该新的目标第二视频帧特征点和与该新的目标第二视频帧特征点之间的像素位置距离最小的第二视频帧特征点，从该新的第二视频帧特征点集合中筛除，以再次形成对应的新的第二视频帧特征点集合，如此循环，直到最后形成的新的第二视频帧特征点集合中不具有第二视频帧特征点(即形成空集)；

对所述目标第一视频帧特征点和所述目标第二视频帧特征点进行像素分布位置的差异度计算(例如，可以先按照像素位置距离的平均值最小的原则，将所述目标第一视频帧特征点和所述目标第二视频帧特征点进行一一对应处理，再依据该像素位置距离的平均值确定出对应的正相关的像素分布位置差异度)，以输出对应的像素分布位置差异度，再依据所述像素分布位置差异度分析确定出所述第一目标行驶记录视频帧和所述第二目标行驶记录视频帧之间的相似度(示例性地，该相似度与所述像素分布位置差异度之间可以具有负相关的对应关系)。

示例性地，在一些实施方式中，在执行上述的步骤S130时，具体可以执行以下描述的详细子步骤：

将所述目标行驶记录视频资源加载到预先训练形成的车辆性能识别神经网络包括的视频帧有效性检测子神经网络(示例性地，所述视频帧有效性检测子神经网络可以通过大量的样本行驶记录视频资源训练得到，其中，每一个样本行驶记录视频资源中对样本有效目标行驶记录视频帧进行有标注，如此，通过对应的训练，可以使得得到的神经网络具有有效视频帧检测的能力)中，以利用所述视频帧有效性检测子神经网络进行有效视频帧检测，以输出所述目标行驶记录视频资源包括的有效目标行驶记录视频帧；

将所述目标行驶记录视频资源和所述有效目标行驶记录视频帧加载到所述车辆性能识别神经网络包括的车辆性能识别子神经网络中(示例性地，所述车辆性能识别子神经网络可以通过大量的样本行驶记录视频资源和对应的样本有效目标行驶记录视频帧训练得到，其中，每一个样本行驶记录视频资源还标注有对应的真实车辆性能识别结果，如此，通过对应的训练，可以使得得到的神经网络具有车辆性能识别的能力)，以利用所述车辆性能识别子神经网络进行车辆性能识别处理，以输出所述目标行驶记录视频资源对应的每一个初始车辆性能识别结果；

依据每一个所述初始车辆性能识别结果，分析输出所述目标行驶记录视频资源对应的第一初始车辆性能识别结果；

将所述目标行驶记录视频资源对应第一初始车辆性能识别结果，标记为所述目标车辆对应的目标车辆性能识别结果。

示例性地，在一些实施方式中，在执行所述将所述目标行驶记录视频资源加载到预先训练形成的车辆性能识别神经网络包括的视频帧有效性检测子神经网络中，以利用所述视频帧有效性检测子神经网络进行有效视频帧检测，以输出所述目标行驶记录视频资源包括的有效目标行驶记录视频帧的步骤时，具体可以执行以下描述的详细子步骤：

对所述目标行驶记录视频资源包括的多个目标行驶记录视频帧进行视频帧组合，以形成所述多个目标行驶记录视频帧对应的每一个行驶记录视频帧组合，每一个所述行驶记录视频帧组合包括至少一个目标行驶记录视频帧，对于包括多个目标行驶记录视频帧的每一个行驶记录视频帧组合，该多个目标行驶记录视频帧在视频帧时序上具有连续的关系(示例性地，倘若第一个目标行驶记录视频帧和第二个目标行驶记录视频帧之间的相似度较大，如大于80％，可以将第一个目标行驶记录视频帧和第二个目标行驶记录视频帧组合形成一个行驶记录视频帧组合；反之，倘若第三个目标行驶记录视频帧和第四个目标行驶记录视频帧之间的相似度较小，如小于80％，可以将第三个目标行驶记录视频帧作为一个行驶记录视频帧组合，并将第四个目标行驶记录视频帧作为一个行驶记录视频帧组合)；

将每一个所述行驶记录视频帧组合加载到预先训练形成的车辆性能识别神经网络包括的视频帧有效性检测子神经网络中进行有效视频帧检测，以输出所述目标行驶记录视频资源包括的有效目标行驶记录视频帧。

示例性地，在一些实施方式中，所述视频帧有效性检测子神经网络包括初始视频帧有效性检测模型和中间视频帧有效性检测模型，在执行所述将每一个所述行驶记录视频帧组合加载到预先训练形成的车辆性能识别神经网络包括的视频帧有效性检测子神经网络中进行有效视频帧检测，以输出所述目标行驶记录视频资源包括的有效目标行驶记录视频帧的步骤时，具体可以执行以下描述的详细子步骤：

分析确定出每一个所述行驶记录视频帧组合在所述目标行驶记录视频资源中的视频帧时序的先后关系，以得到第一先后关系；

依据所述第一先后关系，将每一个所述行驶记录视频帧组合加载到所述视频帧有效性检测子神经网络包括的初始视频帧有效性检测模型中，以利用所述初始视频帧有效性检测模型进行信息挖掘处理，以输出全部的行驶记录视频帧组合对应的正向视频帧信息特征分布；

依据与所述第一先后关系相反的第二先后关系，将每一个所述行驶记录视频帧组合加载到所述视频帧有效性检测子神经网络包括的中间视频帧有效性检测模型中，以利用所述中间视频帧有效性检测模型进行信息挖掘处理，以输出全部的行驶记录视频帧组合对应的反向视频帧信息特征分布(也就是说，所述初始视频帧有效性检测模型和所述中间视频帧有效性检测模型可以构成一个双向的时间递归神经网络)；

融合所述正向视频帧信息特征分布和所述反向视频帧信息特征分布，以形成对应的融合视频帧信息特征分布(示例性地，可以直接对所述正向视频帧信息特征分布和所述反向视频帧信息特征分布进行拼接，如所述正向视频帧信息特征分布在前，所述反向视频帧信息特征分布在后，使得所述融合视频帧信息特征分布的特征尺寸翻倍)；

基于所述融合视频帧信息特征分布，分析输出每一个所述行驶记录视频帧组合对应的视频帧组合有效性检测结果(示例性，可以通过一个分类函数对所述融合视频帧信息特征分布进行分类检测，以输出所述行驶记录视频帧组合是否属于有效视频帧组合的概率，即得到每一个所述行驶记录视频帧组合对应的视频帧组合有效性检测结果)；

依据每一个所述行驶记录视频帧组合对应的视频帧组合有效性检测结果，分析输出所述目标行驶记录视频资源包括的有效目标行驶记录视频(示例性地，倘若一个所述行驶记录视频帧组合对应的视频帧组合有效性检测结果反映的概率大于预先配置的概率参考值，则将所述行驶记录视频帧组合包括的每一个目标行驶记录视频帧都标记为有效目标行驶记录视频)。

示例性地，在一些实施方式中，在执行所述将所述目标行驶记录视频资源和所述有效目标行驶记录视频帧加载到所述车辆性能识别神经网络包括的车辆性能识别子神经网络中，以利用所述车辆性能识别子神经网络进行车辆性能识别处理，以输出所述目标行驶记录视频资源对应的每一个初始车辆性能识别结果的步骤时，具体可以执行以下描述的详细子步骤：

对所述目标行驶记录视频资源包括的每一个目标行驶记录视频帧进行视频帧信息编码(示例性地，可以通过编码网络对所述目标行驶记录视频帧进行编码处理，如将离散的变量映射为或者编码为连续的向量)，以输出每一个目标行驶记录视频帧对应的视频帧编码特征分布，再对每一个有效目标行驶记录视频帧进行视频帧信息编码，以输出每一个有效目标行驶记录视频帧对应的有效视频帧编码特征分布；

融合所述视频帧编码特征分布和所述有效视频帧编码特征分布，以输出对应的融合视频帧编码特征分布(示例性地，可以将所述视频帧编码特征分布和所述有效视频帧编码特征分布进行拼接)；

将所述融合视频帧编码特征分布加载到所述车辆性能识别神经网络包括的视频帧信息提取子神经网络中，以利用所述视频帧信息提取子神经网络对所述融合视频帧编码特征分布进行视频信息挖掘，以输出所述目标行驶记录视频资源对应的视频信息特征分布；

将所述视频信息特征分布加载到所述车辆性能识别神经网络包括的车辆性能识别子神经网络中，以利用所述车辆性能识别子神经网络对所述视频信息特征分布进行车辆性能识别处理，以输出所述目标行驶记录视频资源对应的每一个初始车辆性能识别结果(示例性地，在确定目标行驶记录视频资源对应的视频信息特征分布之后，可以将该视频信息特征分布加载到所述车载性能识别神经网络包括的分类模块中进行分类处理，该视频信息特征分布在该分类模块中经过最后一个全连接层输出后，再输入该分类模块分类函数层，即softmax层中进行处理，从而输出所述目标行驶记录视频资源包括的每一个初始车辆性能识别结果)。

示例性地，在一些实施方式中，所述视频帧信息提取子神经网络包括感知网络模块和单向神经网络模块，在执行所述将所述融合视频帧编码特征分布加载到所述车辆性能识别神经网络包括的视频帧信息提取子神经网络中，以利用所述视频帧信息提取子神经网络对所述视频信息特征分布进行视频信息挖掘，以输出所述目标行驶记录视频资源对应的视频信息特征分布的步骤时，具体可以执行以下描述的详细子步骤：

将所述融合视频帧编码特征分布加载到所述视频帧信息提取子神经网络包括的感知网络模块中，以利用所述感知网络模块进行信息挖掘处理(示例性地，所述所述感知网络模块可以是基于注意力机制对所述融合视频帧编码特征分布进行信息挖掘处理)，以输出对应的视频帧感知特征分布；

融合所述视频帧感知特征分布和所述融合视频帧编码特征分布(示例性地，可以将所述视频帧感知特征分布和所述融合视频帧编码特征分布进行和值计算)，以输出对应的融合视频帧感知特征分布；

将所述融合视频帧感知特征分布加载到所述视频帧信息提取子神经网络包括的单向神经网络模块(示例性地，在所述单向神经网络模块中，各神经元从输入层开始，接收前一级输入，并输入到下一级，直至输出层，即信息单向进行传播)，以利用所述单向神经网络模块进行信息挖掘处理，以输出所述目标行驶记录视频资源对应的视频信息特征分布(示例性地，可以先将所述融合视频帧感知特征分布加载到所述视频帧信息提取子神经网络包括的第一个编码层的单向神经网络模块中进行信息挖掘处理，得到第一个编码层的输出特征分布，再将第一个编码层的输出特征分布加载到第二个编码层中进行信息挖掘处理，得到第二个编码层的输出特征分布，再将第二个编码层的输出特征分布加载到第三个编码层中进行信息挖掘处理，得到第三个编码层的输出特征分布，即将前一个编码层的输出特征分布作为下一个编码层的输入特征分布，最终将最后一个编码层的输出特征分布确定为目标行驶记录视频资源对应的视频信息特征分布；也就是说，所述视频帧信息提取子神经网络包括的多个编码层，并且，每一个编码层都包括有所述单向神经网络模块)。

示例性地，在一些实施方式中，在执行所述依据每一个所述初始车辆性能识别结果，分析输出所述目标行驶记录视频资源对应的第一初始车辆性能识别结果的步骤时，具体可以执行以下描述的详细子步骤：

从每一个所述初始车辆性能识别结果中，筛选出具有最大值的一个所述初始车辆性能识别结果(即最佳性能)，以标记为所述目标行驶记录视频资源对应的第一初始车辆性能识别结果；或者

从每一个所述初始车辆性能识别结果中，筛选出具有最小值的一个所述初始车辆性能识别结果(即最差性能)，以标记为所述目标行驶记录视频资源对应的第一初始车辆性能识别结果；或者

依据每一个所述初始车辆性能识别结果进行均值计算(即平均性能)，以输出所述目标行驶记录视频资源对应的第一初始车辆性能识别结果。

结合图3，本发明实施例还提供一种基于车辆行驶数据的资源处理系统，可应用于上述数据处理服务器。其中，所述基于车辆行驶数据的资源处理系统可以包括行驶数据资源提取模块、视频资源筛选模块和视频资源识别模块，还可以包括其它的模块，在此不做具体限定。

示例性地，在一些实施方式中，所述行驶数据资源提取模块，用于对目标车辆进行行驶数据资源的提取处理，以得到所述目标车辆对应的初始行驶数据资源，所述初始行驶数据资源包括初始行驶记录视频资源，所述初始行驶记录视频资源中具有所述目标车辆的行驶路况的路况信息；所述视频资源筛选模块，用于对所述初始行驶记录视频资源进行视频帧的筛选处理，以形成初始行驶记录视频资源对应的目标行驶记录视频资源；所述视频资源识别模块，用于利用预先训练形成的车辆性能识别神经网络，对所述目标行驶记录视频资源进行识别处理，以输出所述目标车辆对应的目标车辆性能识别结果，所述目标车辆性能识别结果用于所述目标车辆对应的反映车辆性能(可以参照前述的相关描述)。

综上所述，本发明提供的一种基于车辆行驶数据的资源处理方法及系统，可以对目标车辆进行行驶数据资源的提取处理，以得到对应的初始行驶数据资源，初始行驶数据资源包括初始行驶记录视频资源，初始行驶记录视频资源中具有目标车辆的行驶路况的路况信息。对初始行驶记录视频资源进行视频帧的筛选处理，以形成对应的目标行驶记录视频资源。利用预先训练形成的车辆性能识别神经网络，对目标行驶记录视频资源进行识别处理，以输出目标车辆对应的目标车辆性能识别结果。基于此，可以通过神经网络较佳的数据处理能力，对具有路径信息的视频资源进行分析识别，从而实现可靠地通过行驶路况对车辆性能进行分析的目的。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于车辆行驶数据的资源处理方法，其特征在于，应用于数据处理服务器，所述基于车辆行驶数据的资源处理方法包括：

对目标车辆进行行驶数据资源的提取处理，以得到所述目标车辆对应的初始行驶数据资源，所述初始行驶数据资源包括初始行驶记录视频资源，所述初始行驶记录视频资源中具有所述目标车辆的行驶路况的路况信息；

对所述初始行驶记录视频资源进行视频帧的筛选处理，以形成所述初始行驶记录视频资源对应的目标行驶记录视频资源；

利用预先训练形成的车辆性能识别神经网络，对所述目标行驶记录视频资源进行识别处理，以输出所述目标车辆对应的目标车辆性能识别结果，所述目标车辆性能识别结果用于所述目标车辆对应的反映车辆性能。

2.如权利要求1所述的基于车辆行驶数据的资源处理方法，其特征在于，所述对目标车辆进行行驶数据资源的提取处理，以得到所述目标车辆对应的初始行驶数据资源的步骤，包括：

在接收到对目标车辆进行性能识别的请求时，向所述目标车辆下发资源提取指令，所述目标车辆用于在接收到所述资源提取指令时，将存储的初始行驶数据资源上报给所述数据处理服务器；

对所述目标车辆依据所述资源提取指令上报的行驶数据资源进行接收，以得到所述目标车辆对应的初始行驶数据资源。

3.如权利要求1所述的基于车辆行驶数据的资源处理方法，其特征在于，所述对所述初始行驶记录视频资源进行视频帧的筛选处理，以形成所述初始行驶记录视频资源对应的目标行驶记录视频资源的步骤，包括：

分别对所述初始行驶记录视频资源包括的每一帧初始行驶记录视频帧进行路况信息检测处理，以输出每一帧初始行驶记录视频帧对应的路况信息检测结果，所述路况信息检测结果用于反映是否具有路况信息；

对于所述初始行驶记录视频资源包括的每一帧初始行驶记录视频帧，倘若该初始行驶记录视频帧对应的路况信息检测结果反映出该初始行驶记录视频帧中具有路况信息，则将该初始行驶记录视频帧标记为目标行驶记录视频帧，再将标记出的每一帧目标行驶记录视频帧组合形成所述初始行驶记录视频资源对应的目标行驶记录视频资源。

4.如权利要求1-3任意一项所述的基于车辆行驶数据的资源处理方法，其特征在于，所述利用预先训练形成的车辆性能识别神经网络，对所述目标行驶记录视频资源进行识别处理，以输出所述目标车辆对应的目标车辆性能识别结果的步骤，包括：

将所述目标行驶记录视频资源加载到预先训练形成的车辆性能识别神经网络包括的视频帧有效性检测子神经网络中，以利用所述视频帧有效性检测子神经网络进行有效视频帧检测，以输出所述目标行驶记录视频资源包括的有效目标行驶记录视频帧；

将所述目标行驶记录视频资源和所述有效目标行驶记录视频帧加载到所述车辆性能识别神经网络包括的车辆性能识别子神经网络中，以利用所述车辆性能识别子神经网络进行车辆性能识别处理，以输出所述目标行驶记录视频资源对应的每一个初始车辆性能识别结果；

依据每一个所述初始车辆性能识别结果，分析输出所述目标行驶记录视频资源对应的第一初始车辆性能识别结果；

将所述目标行驶记录视频资源对应第一初始车辆性能识别结果，标记为所述目标车辆对应的目标车辆性能识别结果。

5.如权利要求4所述的基于车辆行驶数据的资源处理方法，其特征在于，所述将所述目标行驶记录视频资源加载到预先训练形成的车辆性能识别神经网络包括的视频帧有效性检测子神经网络中，以利用所述视频帧有效性检测子神经网络进行有效视频帧检测，以输出所述目标行驶记录视频资源包括的有效目标行驶记录视频帧的步骤，包括：

对所述目标行驶记录视频资源包括的多个目标行驶记录视频帧进行视频帧组合，以形成所述多个目标行驶记录视频帧对应的每一个行驶记录视频帧组合，每一个所述行驶记录视频帧组合包括至少一个目标行驶记录视频帧，对于包括多个目标行驶记录视频帧的每一个行驶记录视频帧组合，该多个目标行驶记录视频帧在视频帧时序上具有连续的关系；

将每一个所述行驶记录视频帧组合加载到预先训练形成的车辆性能识别神经网络包括的视频帧有效性检测子神经网络中进行有效视频帧检测，以输出所述目标行驶记录视频资源包括的有效目标行驶记录视频帧。

6.如权利要求5所述的基于车辆行驶数据的资源处理方法，其特征在于，所述视频帧有效性检测子神经网络包括初始视频帧有效性检测模型和中间视频帧有效性检测模型，所述将每一个所述行驶记录视频帧组合加载到预先训练形成的车辆性能识别神经网络包括的视频帧有效性检测子神经网络中进行有效视频帧检测，以输出所述目标行驶记录视频资源包括的有效目标行驶记录视频帧的步骤，包括：

分析确定出每一个所述行驶记录视频帧组合在所述目标行驶记录视频资源中的视频帧时序的先后关系，以得到第一先后关系；

依据所述第一先后关系，将每一个所述行驶记录视频帧组合加载到所述视频帧有效性检测子神经网络包括的初始视频帧有效性检测模型中，以利用所述初始视频帧有效性检测模型进行信息挖掘处理，以输出全部的行驶记录视频帧组合对应的正向视频帧信息特征分布；

依据与所述第一先后关系相反的第二先后关系，将每一个所述行驶记录视频帧组合加载到所述视频帧有效性检测子神经网络包括的中间视频帧有效性检测模型中，以利用所述中间视频帧有效性检测模型进行信息挖掘处理，以输出全部的行驶记录视频帧组合对应的反向视频帧信息特征分布；

融合所述正向视频帧信息特征分布和所述反向视频帧信息特征分布，以形成对应的融合视频帧信息特征分布；

基于所述融合视频帧信息特征分布，分析输出每一个所述行驶记录视频帧组合对应的视频帧组合有效性检测结果；

依据每一个所述行驶记录视频帧组合对应的视频帧组合有效性检测结果，分析输出所述目标行驶记录视频资源包括的有效目标行驶记录视频帧。

7.如权利要求4所述的基于车辆行驶数据的资源处理方法，其特征在于，所述将所述目标行驶记录视频资源和所述有效目标行驶记录视频帧加载到所述车辆性能识别神经网络包括的车辆性能识别子神经网络中，以利用所述车辆性能识别子神经网络进行车辆性能识别处理，以输出所述目标行驶记录视频资源对应的每一个初始车辆性能识别结果的步骤，包括：

对所述目标行驶记录视频资源包括的每一个目标行驶记录视频帧进行视频帧信息编码，以输出每一个目标行驶记录视频帧对应的视频帧编码特征分布，再对每一个有效目标行驶记录视频帧进行视频帧信息编码，以输出每一个有效目标行驶记录视频帧对应的有效视频帧编码特征分布；

融合所述视频帧编码特征分布和所述有效视频帧编码特征分布，以输出对应的融合视频帧编码特征分布；

将所述融合视频帧编码特征分布加载到所述车辆性能识别神经网络包括的视频帧信息提取子神经网络中，以利用所述视频帧信息提取子神经网络对所述融合视频帧编码特征分布进行视频信息挖掘，以输出所述目标行驶记录视频资源对应的视频信息特征分布；

将所述视频信息特征分布加载到所述车辆性能识别神经网络包括的车辆性能识别子神经网络中，以利用所述车辆性能识别子神经网络对所述视频信息特征分布进行车辆性能识别处理，以输出所述目标行驶记录视频资源对应的每一个初始车辆性能识别结果。

8.如权利要求7所述的基于车辆行驶数据的资源处理方法，其特征在于，所述视频帧信息提取子神经网络包括感知网络模块和单向神经网络模块，所述将所述融合视频帧编码特征分布加载到所述车辆性能识别神经网络包括的视频帧信息提取子神经网络中，以利用所述视频帧信息提取子神经网络对所述视频信息特征分布进行视频信息挖掘，以输出所述目标行驶记录视频资源对应的视频信息特征分布的步骤，包括：

将所述融合视频帧编码特征分布加载到所述视频帧信息提取子神经网络包括的感知网络模块中，以利用所述感知网络模块进行信息挖掘处理，以输出对应的视频帧感知特征分布；

融合所述视频帧感知特征分布和所述融合视频帧编码特征分布，以输出对应的融合视频帧感知特征分布；

将所述融合视频帧感知特征分布加载到所述视频帧信息提取子神经网络包括的单向神经网络模块，以利用所述单向神经网络模块进行信息挖掘处理，以输出所述目标行驶记录视频资源对应的视频信息特征分布。

9.如权利要求4所述的基于车辆行驶数据的资源处理方法，其特征在于，所述依据每一个所述初始车辆性能识别结果，分析输出所述目标行驶记录视频资源对应的第一初始车辆性能识别结果的步骤，包括：

从每一个所述初始车辆性能识别结果中，筛选出具有最大值的一个所述初始车辆性能识别结果，以标记为所述目标行驶记录视频资源对应的第一初始车辆性能识别结果；或者

从每一个所述初始车辆性能识别结果中，筛选出具有最小值的一个所述初始车辆性能识别结果，以标记为所述目标行驶记录视频资源对应的第一初始车辆性能识别结果；或者

依据每一个所述初始车辆性能识别结果进行均值计算，以输出所述目标行驶记录视频资源对应的第一初始车辆性能识别结果。

10.一种基于车辆行驶数据的资源处理系统，其特征在于，应用于数据处理服务器，所述基于车辆行驶数据的资源处理系统包括：

行驶数据资源提取模块，用于对目标车辆进行行驶数据资源的提取处理，以得到所述目标车辆对应的初始行驶数据资源，所述初始行驶数据资源包括初始行驶记录视频资源，所述初始行驶记录视频资源中具有所述目标车辆的行驶路况的路况信息；

视频资源筛选模块，用于对所述初始行驶记录视频资源进行视频帧的筛选处理，以形成初始行驶记录视频资源对应的目标行驶记录视频资源；

视频资源识别模块，用于利用预先训练形成的车辆性能识别神经网络，对所述目标行驶记录视频资源进行识别处理，以输出所述目标车辆对应的目标车辆性能识别结果，所述目标车辆性能识别结果用于所述目标车辆对应的反映车辆性能。

Images