CN115953858A - 一种基于车载dms的驾驶评分方法、装置及电子设备 - Google Patents
一种基于车载dms的驾驶评分方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115953858A CN115953858A CN202211508764.2A CN202211508764A CN115953858A CN 115953858 A CN115953858 A CN 115953858A CN 202211508764 A CN202211508764 A CN 202211508764A CN 115953858 A CN115953858 A CN 115953858A
- Authority
- CN
- China
- Prior art keywords
- driving
- determining
- image
- improper
- driving 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
- 238000013077 scoring method Methods 0.000 title claims abstract description 11
- 230000006399 behavior Effects 0.000 claims abstract description 219
- 238000000034 method Methods 0.000 claims abstract description 94
- 238000013210 evaluation model Methods 0.000 claims abstract description 70
- 238000011156 evaluation Methods 0.000 claims abstract description 45
- 230000008569 process Effects 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims description 85
- 238000012360 testing method Methods 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 29
- 238000012795 verification Methods 0.000 claims description 29
- 238000003860 storage Methods 0.000 claims description 20
- 238000012502 risk assessment Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 17
- 238000005516 engineering process Methods 0.000 description 12
- 238000012544 monitoring process Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000002372 labelling Methods 0.000 description 9
- 230000009471 action Effects 0.000 description 6
- 238000010295 mobile communication Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000010365 information processing Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241001282135 Poromitra oscitans Species 0.000 description 1
- 206010048232 Yawning Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 210000000744 eyelid Anatomy 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本公开涉及一种基于车载DMS的驾驶评分方法、装置及电子设备，所述方法包括：基于车载DMS，确定驾驶过程中的不当驾驶行为，以及所述不当驾驶行为对应的持续时间；基于驾驶评估模型，对所述不当驾驶行为进行危险评估，确定所述不当驾驶行为对应的危险系数；根据所述不当驾驶行为对应的危险系数，以及所述不当驾驶行为对应的持续时间，确定所述不当驾驶行为对应的驾驶评分。本公开实施例可以评价驾驶员的业务水平，进而辅助驾驶员养成良好的驾驶习惯。
Description
技术领域
本公开涉及安全驾驶技术领域，尤其涉及一种基于车载DMS的驾驶评分方法、装置及电子设备。
背景技术
驾驶员监控系统(Driver Monitor System，DMS)，包括疲劳监测、分心监测和危险行为监测、表情识别和手势识别等功能。当前传统的车载DMS，仅具有实时提醒功能，在驾驶过程中检测到不当驾驶行为时，会产生相应的声音警报、语音警报、仪表警报等提醒，在长期的驾驶习惯养成和驾驶内容反馈等方面，则无法起到有效作用。
发明内容
本公开提出了一种基于车载DMS的驾驶评分方法、装置及电子设备的技术方案。
根据本公开的一方面，提供了一种基于车载DMS的驾驶评分方法，包括：基于车载DMS，确定驾驶过程中的不当驾驶行为，以及所述不当驾驶行为对应的持续时间；基于驾驶评估模型，对所述不当驾驶行为进行危险评估，确定所述不当驾驶行为对应的危险系数；根据所述不当驾驶行为对应的危险系数，以及所述不当驾驶行为对应的持续时间，确定所述不当驾驶行为对应的驾驶评分。
在一种可能的实现方式中，所述基于驾驶评估模型，对所述不当驾驶行为进行危险评估，确定所述不当驾驶行为对应的危险系数，包括：确定所述不当驾驶行为对应的待评估图像；基于所述驾驶评估模型，对所述待评估图像进行危险评估，确定所述不当驾驶行为对应的危险系数。
在一种可能的实现方式中，所述确定所述不当驾驶行为对应的待评估图像，包括：确定所述不当驾驶行为对应的图像，与正常驾驶行为对应的图像之间的偏移值；根据所述偏移值，从所述不当驾驶行为对应的图像中确定所述待评估图像。
在一种可能的实现方式中，所述基于所述驾驶评估模型，对所述待评估图像进行危险评估，确定所述不当驾驶行为对应的危险系数，包括：将所述待评估图像输入所述驾驶评估模型，确定所述待评估图像对应的危险系数；根据所述待评估图像对应的危险系数，确定所述不当驾驶行为对应的危险系数。
在一种可能的实现方式中，所述待评估图像的数目为多个；所述根据所述待评估图像对应的危险系数，确定所述不当驾驶行为对应的危险系数，包括：根据每个所述待评估图像对应的危险系数，确定危险系数平均值；将所述危险系数平均值，确定为所述不当驾驶行为对应的危险系数。
在一种可能的实现方式中，所述方法还包括：确定样本图像集，其中，所述样本图像集中包括多种不同类型的所述不当驾驶行为对应的样本图像，以及每个所述样本图像对应的标注危险系数；按照预设比例，将所述样本图像集划分为第一训练集、验证集和测试集；对所述第一训练集中包括的所述样本图像进行图像增强处理，确定第二训练集。
在一种可能的实现方式中，所述驾驶评估模型的训练方法包括：基于所述驾驶评估模型，对所述第二训练集中包括的所述样本图像进行危险评估，确定所述第二训练集中包括的所述样本图像对应的预测危险系数；根据所述第二训练集中包括的所述样本图像对应的预测危险系数，以及所述第二训练集中包括的所述样本图像对应的标注危险系数，确定第一评估损失；基于所述第一评估损失，利用自适应矩估计算法，训练所述驾驶评估模型。
在一种可能的实现方式中，所述方法还包括：基于所述驾驶评估模型，对所述验证集中包括的所述样本图像进行危险评估，确定所述验证集中包括的所述样本图像对应的预测危险系数；根据所述验证集中包括的所述样本图像对应的预测危险系数，以及所述验证集中包括的所述样本图像对应的标注危险系数，确定第二评估损失；通过最小化所述第二评估损失，训练所述驾驶评估模型。
在一种可能的实现方式中，所述方法还包括：基于所述驾驶评估模型，对所述测试集中包括的所述样本图像进行危险评估，确定所述测试集中包括的所述样本图像对应的预测危险系数；根据所述测试集中包括的所述样本图像对应的预测危险系数，以及所述测试集中包括的所述样本图像对应的标注危险系数，评估所述驾驶评估模型的准确度。
根据本公开的一方面，提供了一种基于车载DMS的驾驶评分装置，包括：获取模块，用于基于车载DMS，确定驾驶过程中的不当驾驶行为，以及所述不当驾驶行为对应的持续时间；危险评估模块，用于基于驾驶评估模型，对所述不当驾驶行为进行危险评估，确定所述不当驾驶行为对应的危险系数；驾驶评分模块，用于根据所述不当驾驶行为对应的危险系数，以及所述不当驾驶行为对应的持续时间，确定所述不当驾驶行为对应的驾驶评分。
根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中，基于车载DMS，可以监测驾驶过程中的不当驾驶行为，以及记录不当驾驶行为对应的持续时间；基于驾驶评估模型，自动高效地对不当驾驶行为进行危险评估，确定不当驾驶行为对应的危险系数；根据不当驾驶行为对应的危险系数，以及不当驾驶行为对应的持续时间，确定不当驾驶行为对应的驾驶评分。由于不当驾驶行为对应的驾驶评分能够反馈驾驶过程中的潜在风险，因此，基于不当驾驶行为对应的驾驶评分，能够评价驾驶员的业务水平，进而辅助驾驶员养成良好的驾驶习惯。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的一种基于车载DMS的驾驶评分方法的流程图；
图2示出根据本公开实施例的一种基于车载DMS的驾驶评分系统的流程图；
图3示出根据本公开实施例的一种驾驶评估模型的训练方法的流程图；
图4示出根据本公开实施例的一种基于车载DMS的驾驶评分装置的框图；
图5示出根据本公开实施例的一种电子设备的框图；
图6示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的一种基于车载DMS的驾驶评分方法的流程图。该方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal DigitalAssistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，该方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可通过服务器执行该方法。如图1所示，该方法包括：
在步骤S11中，基于车载DMS，确定驾驶过程中的不当驾驶行为，以及不当驾驶行为对应的持续时间。
在车辆点火启动之后，可以开启车载DMS，直至车辆熄火关闭车载DMS。在车载DMS工作的时间段内，基于车载DMS监测驾驶过程中的不当驾驶行为，并记录不当驾驶行为的持续时间。
其中，不当驾驶行为，可以是驾驶员在驾驶过程中表现出的、影响驾驶安全性的各种行为或动作。例如，不当驾驶行为可以包括眼皮闭合、打呵欠、视线偏移道路、人脸角度偏移道路、低头玩手机、抽烟、打电话、吃东西、捡东西等，本公开对此不做具体限定。
基于车载DMS，可以实时监测驾驶员的面部特征及身体动作。当车载DMS在驾驶过程中监测到驾驶员出现特定的行为或动作时，确定驾驶员出现不当驾驶行为。车载DMS监测确定不当驾驶行为的具体过程，可以参考相关技术中车载DMS的具体实施方式，本公开对此不做具体限定。
进一步的，对不当驾驶行为进行持续监测，直至监测到本次不当驾驶行为结束，记录本次不当驾驶行为对应的持续时间。示例性的，持续时间的单位可以为秒，每次记录的不当驾驶行为对应的持续时间应大于一秒，如果某次不当驾驶行为对应的持续时间不足一秒，可以将其对应的持续时间记录为一秒。持续时间的单位也可以为其它计时单位，本公开对此不做具体限定。
在步骤S12中，基于驾驶评估模型，对不当驾驶行为进行危险评估，确定不当驾驶行为对应的危险系数。
驾驶评估模型可以是预先训练确定的神经网络模型。例如，驾驶评估模型可以是以人脸特征检测模型为基础训练得到的，也可以是其他网络结构的神经网络模型，本公开对此不做具体限定。
后文会结合本公开可能的实现方式，对训练驾驶评估模型的具体过程进行详细描述，此处不做赘述。
不当驾驶行为对应的危险系数，用于表示不当驾驶行为持续每秒所造成的危害程度。不当驾驶行为可能造成的危害越大，其对应的危险系数越大。不当驾驶行为对应的危险系数的取值范围可以是[0.01-1]，也可以是其他范围，本公开对此不做具体限定。
基于驾驶评估模型，可以确定不当驾驶行为对应的危险系数。不当驾驶行为对应的危险系数表示不当驾驶行为持续每秒所造成的危险程度，用于后续对不当驾驶行为进行评分。
基于驾驶评估模型对不当驾驶行为进行危险评估，确定不当驾驶行为对应的危险系数的具体过程，后文会结合本公开可能的实现方式进行详细描述，此处不做赘述。
在步骤S13中，根据不当驾驶行为对应的危险系数，以及不当驾驶行为对应的持续时间，确定不当驾驶行为对应的驾驶评分。
由于不当驾驶行为对应的危险系数可以表示不当驾驶行为持续每秒所造成的危害程度，因此，结合不当驾驶行为对应的危险系数与不当驾驶行为对应的持续时间，可以确定不当驾驶行为对应的驾驶评分。通过不当驾驶行为对应的驾驶评分能够进一步反映本次不当驾驶行为可能造成的危害，为评价驾驶员的业务水平提供依据。
示例性的，基于车载DMS，在驾驶过程中监测到出现了不当驾驶行为A，并确定不当驾驶行为A对应的持续时间为60秒。基于驾驶评估模型，对不当驾驶行为A进行危险评估，确定不当驾驶行为A对应的危险系数为0.5。将不当驾驶行为A对应的危险系数0.5，与不当驾驶行为A对应的持续时间60秒相乘，可以确定不当驾驶行为A对应的驾驶评分为30。
在同一驾驶过程中，可能会多次出现不当驾驶行为，可以分别计算每次不当驾驶行为对应的驾驶评分。根据多次不当驾驶行为对应的驾驶评分，可以确定这一驾驶过程对应的总评分。
示例性的，在一驾驶过程中，共计出现了n次不当驾驶行为。根据上述方法，可以确定第i次不当驾驶行为对应的危险系数为Ai。此时，可以根据下述公式(1)确定驾驶过程对应的总评分S：
其中，ti为第i次不当驾驶行为对应的持续时间。
除了采用上述记载的方法之外，还可以根据实际情况，采用其他方式确定驾驶过程的总评分，本公开对此不做具体限定。
可选地，在驾驶过程结束并确定本次驾驶过程对应的总评分后，可以基于车辆或与车辆连接的移动终端上的显示设备，向驾驶员展示本次驾驶过程对应的总评分，或者，可以基于车辆或与车辆连接的移动终端上的语音播报设备，向驾驶员语音播报本次驾驶过程对应的总评分。从而通过本次驾驶过程对应的总评分，实现客观评价驾驶员本次驾驶过程的业务水平，进而辅助驾驶员养成良好的驾驶习惯。
例如，可以通过车载DMS或车机系统的语音播报设备，语音播报当前驾驶过程对应的总评分，或者，也可以将当前驾驶过程对应的总评分显示在车机系统的显示屏幕上，本公开对此不做具体限定。
可选地，可以统计预设时间段内每次驾驶过程对应的总评分，生成预设时间段对应的驾驶报告，例如，每一周的驾驶周报，或每个月的驾驶月报。进一步地，基于具体的使用需求，可以向驾驶员展示预设时间段对应的驾驶报告，展示方法与上述展示驾驶过程对应的总评分的方法相同，此处不做赘述。也可以将预设时间段对应的驾驶报告发送给第三方评分系统。从而通过预设时间段对应的驾驶报告，实现对驾驶员的业务能力的长期跟踪，并结合第三方系统进一步评价驾驶员的业务能力。
图2示出根据本公开实施例的一种基于车载DMS的驾驶评分系统的流程图。如图2所示，驾驶评分系统基于车载DMS的疲劳驾驶监测、分心驾驶监测及危险动作监测等功能，根据上述驾驶评分方法，确定驾驶员在预设时间段内每次驾驶过程对应的总评分。除了疲劳驾驶监测、分心驾驶监测及危险动作监测之外，还可以进行其它不当驾驶行为监测，图2中不再一一列出。
如图2所示，对于普通车辆，例如，家用车、个人商用车等，可以直接根据预设时间段内每次驾驶过程对应的总评分，生成预设时间段对应的驾驶报告，从而能够辅助驾驶员养成良好的驾驶习惯。
对于营运车辆，例如，公交车、出租车、货运车等，可以统计营运车辆在预设时间段内每次驾驶过程对应的总评分，输出并保存统计结果。进而，通过车载DMS或车机系统的语音播报设备，语音播报统计结果；或者，将在车机系统的显示屏幕上显示统计结果，使运营车辆的驾驶员掌握自己在预设时间段的驾驶状态和业务能力。根据统计结果还可以生成预设时间段对应的驾驶报告，并将该预设时间段对应的驾驶报告发送至对应的营运公司的评分系统中，从而使对应的营运公司，能够对驾驶员在预设时间段对应的驾驶报告进行汇总存档，并结合营运公司的评分系统进一步评价驾驶员的业务能力。
在本公开实施例中，基于车载DMS，可以监测驾驶过程中的不当驾驶行为，以及记录不当驾驶行为对应的持续时间；基于驾驶评估模型，自动高效地对不当驾驶行为进行危险评估，确定不当驾驶行为对应的危险系数；根据不当驾驶行为对应的危险系数，以及不当驾驶行为对应的持续时间，确定不当驾驶行为对应的驾驶评分。由于不当驾驶行为对应的驾驶评分能够反馈驾驶过程中的潜在风险，因此，基于不当驾驶行为对应的驾驶评分，能够评价驾驶员的业务水平，进而辅助驾驶员养成良好的驾驶习惯。
在一种可能的实现方式中，该方法还包括：确定样本图像集，其中，样本图像集中包括多种不同类型的不当驾驶行为对应的样本图像，以及每个样本图像对应的标注危险系数；按照预设比例，将样本图像集划分为第一训练集、验证集和测试集；对第一训练集中包括的样本图像进行图像增强处理，确定第二训练集。
为了确定驾驶评估模型，需要预先构建用于训练驾驶评估模型的样本图像集。样本图像集中可以包括多种不同类型的不当驾驶行为对应的样本图像，以及每个样本图像对应的标注危险系数。其中，样本图像可以是基于车载DMS获取的不当驾驶行为对应的图像，也可以是其他方式获取的不当驾驶行为对应的图像，本公开对此不做具体限定。
样本图像对应的标注危险系数，可以通过专业人员对样本图像进行人工危险评估确定。
示例性的，可以参阅表1，根据不当驾驶行为的类型，对每种类型的不当驾驶行为设置初始危险系数。将具有初始危险系数的样本图像，随机分配给参与人工危险评估的各专业人员。由专业人员根据样本图像的细节，对初始危险系数进行微调，确定每个样本图像的标注危险系数。例如，视线偏移道路这一不当驾驶行为，在驾驶员的视线偏移道路的角度为最大值时，对应的初始危险系数为1，在样本图像A中，驾驶员的视线偏移道路的角度为最大角度的80％，因此，可以确定样本图像A对应的标注危险系数为0.8。
表1
除了采用上述记载的方法之外，还可以根据实际情况，采用其他方式确定样本图像对应的标注危险系数，本公开对此不做具体限定。
确定样本图像集后，可以根据预设比例，将样本图像集划分为第一训练集、验证集和测试集。其中，第一训练集用于训练驾驶评估模型；验证集用于优化基于第一训练集训练完成的驾驶评估模型，将驾驶评估模型的误差损失优化至最小；测试集用于测试驾驶评估模型的准确度。划分样本图像集的预设比例，可以根据实际情况确定。例如，第一训练集、验证集和测试集之间的预设比例可以为8：1：1，也可以为其他比例，本公开对此不做具体限定。
图3示出根据本公开实施例的一种驾驶评估模型的训练方法的流程图。如图3所示，确定样本图像集，并按照预设比例，将样本图像集划分为第一训练集、验证集和测试集。
确定第一训练集后，为了扩大训练样本的数据量，增强训练样本的多样性，以提高训练确定的驾驶评估模型的准确性，可以对第一训练集中包括的各样本图像进行图像增强处理，得到数据量更大、多样性更强的第二训练集。其中，第二训练集中包括的各样本图像对应的标注危险系数，与对应的进行图像增强处理前的样本图像的标注危险系数相同。
以上述图3为例，如图3所示，对第一训练集中包括的样本图像进行图像增强处理，得到第二训练集。
图像增强处理的方法可以包括改变样本图像的对比度、明度、饱和度等参数，随机裁剪样本图像，对样本图像进行上下采样，随机扭曲样本图像等处理，本公开对此不做具体限定。
在一种可能的实现方式中，该驾驶评估模型的训练方法包括：基于驾驶评估模型，对第二训练集中包括的样本图像进行危险评估，确定第二训练集中包括的样本图像对应的预测危险系数；根据第二训练集中包括的样本图像对应的预测危险系数，以及第二训练集中包括的样本图像对应的标注危险系数，确定第一评估损失；基于第一评估损失，利用自适应矩估计算法，训练驾驶评估模型。
将第二训练集中包括的样本图像，输入驾驶评估模型，可以确定第二训练集中包括的样本图像对应的预测危险系数。根据第二训练集中包括的样本图像对应的预测危险系数，与第二训练集中包括的样本图像对应的标注危险系数，可以确定第一评估损失，第一评估损失，能够反映驾驶评估模型对样本图像进行危险评估的误差。
示例性的，可以基于预设损失函数，确定第一评估损失。预设损失函数可以是基于均方差(MSE)确定的L2损失函数，即可以根据下述公式(2)确定第一评估损失MSE：
其中，Yi为第二训练集中包括的第i个样本图像对应的预测危险系数，
为第二训练集中包括的第i个样本图像对应的标注危险系数。
在确定第一评估损失之后，可以利用自适应矩估计算法(Adam)，调整驾驶评估模型的网络参数。
通过迭代执行上述步骤，实现利用第二训练集对驾驶评估模型的迭代训练，直至达到预设的训练条件后，结束训练。
以上述图3为例，如图3所示，基于第二训练集对驾驶评估模型进行训练，得到基于第二训练集训练好的驾驶评估模型。
在一种可能的实现方式中，该方法还包括：基于驾驶评估模型，对验证集中包括的样本图像进行危险评估，确定验证集中包括的样本图像对应的预测危险系数；根据验证集中包括的样本图像对应的预测危险系数，以及验证集中包括的样本图像对应的标注危险系数，确定第二评估损失；通过最小化第二评估损失，训练驾驶评估模型。
为了进一步优化驾驶评估模型的评估性能，在得到基于第二训练集训练好的驾驶评估模型之后，可以综合验证集对驾驶评估模型再次进行迭代训练。
将验证集中包括的样本图像，输入基于第二训练集训练好的驾驶评估模型，可以确定验证集中包括的样本图像对应的预测危险系数。根据验证集中包括的样本图像对应的预测危险系数，与验证集中包括的样本图像对应的标注危险系数，可以确定第二评估损失。第二评估损失的确定方法与前述第一评估损失的确定方法相同，此处不做赘述。通过最小化第二评估损失，综合利用第二训练集和验证集反复迭代训练驾驶评估模型，可以优化驾驶评估模型的评估性能。
以上述图3为例，如图3所示，基于验证集确定第二评估损失，判断第二评估损失是否小于预设值。若第二评估损失不小于预设值，则再次基于第二训练集重新训练驾驶评估模型；若第二评估损失小于预设值，则结束训练，得到训练后的驾驶评估模型。
在一种可能的实现方式中，该方法还包括：基于驾驶评估模型，对测试集中包括的样本图像进行危险评估，确定测试集中包括的样本图像对应的预测危险系数；根据测试集中包括的样本图像对应的预测危险系数，以及测试集中包括的样本图像对应的标注危险系数，评估驾驶评估模型的准确度。
在联合第二训练集和验证集完成对驾驶评估模型的训练之后，将测试集中包括的样本图像，输入训练好的驾驶评估模型，可以确定测试集中包括的样本图像对应的预测危险系数。根据测试集中包括的样本图像对应的预测危险系数，与测试集中包括的样本图像对应的标注危险系数进行比较，可以确定驾驶评估模型的准确度。基于驾驶评估模型的准确度，可以判断经过前述迭代训练确定的训练好的驾驶评估模型是否可以应用于对不当驾驶行为的危险评估。
以上述图3为例，如图3所示，利用测试集，对训练好的驾驶评估模型进行测试，确定评估驾驶评估模型的准确度。
示例性的，当测试集中包括的样本图像对应的预测危险系数，与测试集中包括的样本图像对应的标注危险系数之间的误差较小时，可以确定驾驶评估模型确定的该样本图像对应的预测危险系数较准确。此时，可以确定联合第二训练集和验证集完成对驾驶评估模型的训练之后可以应用于对不当驾驶行为的危险评估。
当测试集中包括的样本图像对应的预测危险系数，与测试集中包括的样本图像对应的标注危险系数之间的误差较大时，可以确定驾驶评估模型确定的该样本图像对应的预测危险系数不准确。此时，需要继续对驾驶评估模型进行训练，直至其准确度达标。
除了采用上述记载的方法之外，还可以根据实际情况，采用其他方式确定驾驶评估模型的准确度，本公开对此不做具体限定。
在得到准确度达标的驾驶评估模型之后，可以将其应用于对驾驶过程中的不当驾驶行为进行危险评估。
在一种可能的实现方式中，基于驾驶评估模型，对不当驾驶行为进行危险评估，确定不当驾驶行为对应的危险系数，包括：确定不当驾驶行为对应的待评估图像；基于驾驶评估模型，对待评估图像进行危险评估，确定不当驾驶行为对应的危险系数。
由于不当驾驶行为具有时间持续性，因此，车载DMS监测到出现不当驾驶行为之后，可以持续采集不当驾驶行为对应的图像，进而从不当驾驶行为对应的图像中确定待评估图像。将不当驾驶行为对应的待评估图像输入驾驶评估模型，以使得驶评估模型对待评估图像进行危险评估，确定不当驾驶行为对应的危险系数。
在一种可能的实现方式中，确定不当驾驶行为对应的待评估图像，包括：确定不当驾驶行为对应的图像，与正常驾驶行为对应的图像之间的偏移值；根据偏移值，从不当驾驶行为对应的图像中确定待评估图像。
针对车载DMS监测到出现不当驾驶行为之后采集的任意一个图像，与正常驾驶行为对应的图像进行对比，可以确定不当驾驶行为对应的图像与正常驾驶行为对应的图像之间的相似度，进而基于不当驾驶行为对应的图像与正常驾驶行为对应的图像之间的相似度，确定不当驾驶行为对应的图像与正常驾驶行为对应的图像之间的偏移值。
不当驾驶行为对应的图像与正常驾驶行为对应的图像之间的相似度越大，不当驾驶行为对应的图像与正常驾驶行为对应的图像之间的偏移值越小；不当驾驶行为对应的图像与正常驾驶行为对应的图像之间的相似度越小，不当驾驶行为对应的图像与正常驾驶行为对应的图像之间的偏移值越大。
根据不当驾驶行为对应的图像与正常驾驶行为对应的图像之间的偏移值，可以从不当驾驶行为对应的图像中，确定待评估图像。
在一种可能的实现方式中，可以根据驾驶行为评估的需求，设置筛选待评估图像的预设阈值。根据不当驾驶行为对应的图像与正常驾驶行为对应的图像之间的偏移值与预设阈值的比较结果，在不当驾驶行为对应的图像中，确定待评估图像。
示例性的，不当驾驶行为B对应的图像包括图像a、图像b、图像c和图像d，将图像a、图像b、图像c和图像d分别与正常驾驶行为对应的图像e进行对比，确定图像a、图像b、图像c和图像d与图像e之间的偏移值。在图像a、图像b与图像e之间的偏移值大于预设阈值，图像c、图像d与图像e之间的偏移值小于预设阈值的情况下，表示图像a、图像b与图像e之间的相似度较低，即图像a、图像b对应时刻的不当驾驶行为偏离正常驾驶行为的程度较大，此时，可以将图像a、图像b确定为待评估图像。
在一种可能的实现方式中，可以从车载DMS对不当驾驶行为持续获取的图像帧序列中，确定与正常驾驶行为对应的图像之间的偏移值最大的图像，进而，选取该图像及其前后对应的预设数目的相邻帧图像，作为待评估图像。
除了采用上述记载的方法之外，还可以根据实际情况，采用其他方式从不当驾驶行为对应的图像中，确定待评估图像，本公开对此不做具体限定。
在一种可能的实现方式中，基于驾驶评估模型，对待评估图像进行危险评估，确定不当驾驶行为对应的危险系数，包括：将待评估图像输入驾驶评估模型，确定待评估图像对应的危险系数；根据待评估图像对应的危险系数，确定不当驾驶行为对应的危险系数。
确定待评估图像后，将待评估图像输入驾驶评估模型，基于驾驶评估模型对待评估图像进行危险评估，可以确定待评估图像对应的危险系数。由于待评估图像能够指示不当驾驶行为，因此，根据待评估图像对应的危险系数，可以确定不当驾驶行为对应的危险系数。
示例性的，待评估图像的数目为一个时，直接将待评估图像对应的危险系数，确定为不当驾驶行为对应的危险系数。
示例性的，不当驾驶行为C对应的待评估图像为图像f。基于驾驶评估模型，确定图像f对应的危险系数为0.6之后，可以确定不当驾驶行为C对应的危险系数为0.6。
在一种可能的实现方式中，待评估图像的数目为多个；根据待评估图像对应的危险系数，确定不当驾驶行为对应的危险系数，包括：根据每个待评估图像对应的危险系数，确定危险系数平均值；将危险系数平均值，确定为不当驾驶行为对应的危险系数。
当待评估图像的数目为多个时，可以分别确定每待评估图像对应的危险系数，进而根据每个待评估图像对应的危险系数，计算危险系数平均值，并将危险系数平均值作为不当驾驶行为对应的危险系数。
示例性的，不当驾驶行为D对应的待评估图像包括图像g、图像h和图像j，基于驾驶评估模型，确定图像g对应的危险系数为0.5，图像h对应的危险系数为0.6，图像j对应的危险系数为0.4之后，进一步确定危险系数平均值为0.5。此时，可以确定不当驾驶行为D对应的危险系数为0.5。
本公开实施例中，基于车载DMS，可以监测驾驶过程中的不当驾驶行为，以及记录不当驾驶行为对应的持续时间；基于驾驶评估模型，自动高效地对不当驾驶行为进行危险评估，确定不当驾驶行为对应的危险系数；根据不当驾驶行为对应的危险系数，以及不当驾驶行为对应的持续时间，确定不当驾驶行为对应的驾驶评分。由于不当驾驶行为对应的驾驶评分能够反馈驾驶过程的潜在风险，因此，基于不当驾驶行为对应的驾驶评分，能够客观评价驾驶员的业务水平，进而辅助驾驶员养成良好的驾驶习惯。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了基于车载DMS的驾驶评分装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种基于车载DMS的驾驶评分方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图4示出根据本公开实施例的一种基于车载DMS的驾驶评分装置的框图。如图4所示，驾驶评分装置400，包括：
获取模块401，用于基于车载DMS，确定驾驶过程中的不当驾驶行为，以及不当驾驶行为对应的持续时间；
危险评估模块402，用于基于驾驶评估模型，对不当驾驶行为进行危险评估，确定不当驾驶行为对应的危险系数；
驾驶评分模块403，用于根据不当驾驶行为对应的危险系数，以及不当驾驶行为对应的持续时间，确定不当驾驶行为对应的驾驶评分。
在一种可能的实现方式中，危险评估模块402，具体用于：确定不当驾驶行为对应的待评估图像；基于驾驶评估模型，对待评估图像进行危险评估，确定不当驾驶行为对应的危险系数。
在一种可能的实现方式中，危险评估模块402，还用于：确定不当驾驶行为对应的图像，与正常驾驶行为对应的图像之间的偏移值；根据偏移值，从不当驾驶行为对应的图像中确定待评估图像。
在一种可能的实现方式中，危险评估模块402，还用于：将待评估图像输入驾驶评估模型，确定待评估图像对应的危险系数；根据待评估图像对应的危险系数，确定不当驾驶行为对应的危险系数。
在一种可能的实现方式中，待评估图像的数目为多个；危险评估模块402，还用于：根据每个待评估图像对应的危险系数，确定危险系数平均值；将危险系数平均值，确定为不当驾驶行为对应的危险系数。
在一种可能的实现方式中，驾驶评分装置400，还包括：驾驶评估模型训练模块，用于：确定样本图像集，其中，样本图像集中包括多种不同类型的不当驾驶行为对应的样本图像，以及每个样本图像对应的标注危险系数；按照预设比例，将样本图像集划分为第一训练集、验证集和测试集；对第一训练集中包括的样本图像进行图像增强处理，确定第二训练集。
在一种可能的实现方式中，驾驶评估模型训练模块，还用于：基于驾驶评估模型，对第二训练集中包括的样本图像进行危险评估，确定第二训练集中包括的样本图像对应的预测危险系数；根据第二训练集中包括的样本图像对应的预测危险系数，以及第二训练集中包括的样本图像对应的标注危险系数，确定第一评估损失；基于第一评估损失，利用自适应矩估计算法，训练驾驶评估模型。
在一种可能的实现方式中，驾驶评估模型训练模块，还用于：基于驾驶评估模型，对验证集中包括的样本图像进行危险评估，确定验证集中包括的样本图像对应的预测危险系数；根据验证集中包括的样本图像对应的预测危险系数，以及验证集中包括的样本图像对应的标注危险系数，确定第二评估损失；通过最小化第二评估损失，训练驾驶评估模型。
在一种可能的实现方式中，驾驶评估模型训练模块，还用于：基于驾驶评估模型，对测试集中包括的样本图像进行危险评估，确定测试集中包括的样本图像对应的预测危险系数；根据测试集中包括的样本图像对应的预测危险系数，以及测试集中包括的样本图像对应的标注危险系数，评估驾驶评估模型的准确度。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图5示出根据本公开实施例的一种电子设备的框图。参照图5，电子设备800可以是用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等终端设备。
参照图5，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
输入/输出接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如无线网络(Wi-Fi)、第二代移动通信技术(2G)、第三代移动通信技术(3G)、第四代移动通信技术(4G)、通用移动通信技术的长期演进(LTE)、第五代移动通信技术(5G)或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图6示出根据本公开实施例的一种电子设备的框图。参照图6，电子设备1900可以被提供为一服务器或终端设备。参照图6，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如微软服务器操作系统(Windows ServerTM)，苹果公司推出的基于图形用户界面操作系统(Mac OS XTM)，多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM)，开放原代码的类Unix操作系统(FreeBSDTM)或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、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)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
若本申请技术方案涉及个人信息，应用本申请技术方案的产品在处理个人信息前，已明确告知个人信息处理规则，并取得个人自主同意。若本申请技术方案涉及敏感个人信息，应用本申请技术方案的产品在处理敏感个人信息前，已取得个人单独同意，并且同时满足“明示同意”的要求。例如，在摄像头等个人信息采集装置处，设置明确显著的标识告知已进入个人信息采集范围，将会对个人信息进行采集，若个人自愿进入采集范围即视为同意对其个人信息进行采集；或者在个人信息处理的装置上，利用明显的标识/信息告知个人信息处理规则的情况下，通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权；其中，个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式以及处理的个人信息种类等信息。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (12)
1.一种基于车载DMS的驾驶评分方法，其特征在于，包括：
基于车载DMS，确定驾驶过程中的不当驾驶行为，以及所述不当驾驶行为对应的持续时间；
基于驾驶评估模型，对所述不当驾驶行为进行危险评估，确定所述不当驾驶行为对应的危险系数；
根据所述不当驾驶行为对应的危险系数，以及所述不当驾驶行为对应的持续时间，确定所述不当驾驶行为对应的驾驶评分。
2.根据权利要求1所述的方法，其特征在于，所述基于驾驶评估模型，对所述不当驾驶行为进行危险评估，确定所述不当驾驶行为对应的危险系数，包括：
确定所述不当驾驶行为对应的待评估图像；
基于所述驾驶评估模型，对所述待评估图像进行危险评估，确定所述不当驾驶行为对应的危险系数。
3.根据权利要求2所述的方法，其特征在于，所述确定所述不当驾驶行为对应的待评估图像，包括：
确定所述不当驾驶行为对应的图像，与正常驾驶行为对应的图像之间的偏移值；
根据所述偏移值，从所述不当驾驶行为对应的图像中确定所述待评估图像。
4.根据权利要求2或3所述的方法，其特征在于，所述基于所述驾驶评估模型，对所述待评估图像进行危险评估，确定所述不当驾驶行为对应的危险系数，包括：
将所述待评估图像输入所述驾驶评估模型，确定所述待评估图像对应的危险系数；
根据所述待评估图像对应的危险系数，确定所述不当驾驶行为对应的危险系数。
5.根据权利要求4所述的方法，其特征在于，所述待评估图像的数目为多个；
所述根据所述待评估图像对应的危险系数，确定所述不当驾驶行为对应的危险系数，包括：
根据每个所述待评估图像对应的危险系数，确定危险系数平均值；
将所述危险系数平均值，确定为所述不当驾驶行为对应的危险系数。
6.根据权利要求1至3中任意一项所述的方法，其特征在于，所述方法还包括：
确定样本图像集，其中，所述样本图像集中包括多种不同类型的所述不当驾驶行为对应的样本图像，以及每个所述样本图像对应的标注危险系数；
按照预设比例，将所述样本图像集划分为第一训练集、验证集和测试集；
对所述第一训练集中包括的所述样本图像进行图像增强处理，确定第二训练集。
7.根据权利要求6所述的方法，其特征在于，所述驾驶评估模型的训练方法包括：
基于所述驾驶评估模型，对所述第二训练集中包括的所述样本图像进行危险评估，确定所述第二训练集中包括的所述样本图像对应的预测危险系数；
根据所述第二训练集中包括的所述样本图像对应的预测危险系数，以及所述第二训练集中包括的所述样本图像对应的标注危险系数，确定第一评估损失；
基于所述第一评估损失，利用自适应矩估计算法，训练所述驾驶评估模型。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
基于所述驾驶评估模型，对所述验证集中包括的所述样本图像进行危险评估，确定所述验证集中包括的所述样本图像对应的预测危险系数；
根据所述验证集中包括的所述样本图像对应的预测危险系数，以及所述验证集中包括的所述样本图像对应的标注危险系数，确定第二评估损失；
通过最小化所述第二评估损失，训练所述驾驶评估模型。
9.根据权利要求8所述的方法，其特征在于，所述方法还包括：
基于所述驾驶评估模型，对所述测试集中包括的所述样本图像进行危险评估，确定所述测试集中包括的所述样本图像对应的预测危险系数；
根据所述测试集中包括的所述样本图像对应的预测危险系数，以及所述测试集中包括的所述样本图像对应的标注危险系数，评估所述驾驶评估模型的准确度。
10.一种基于车载DMS的驾驶评分装置，其特征在于，包括：
获取模块，用于基于车载DMS，确定驾驶过程中的不当驾驶行为，以及所述不当驾驶行为对应的持续时间；
危险评估模块，用于基于驾驶评估模型，对所述不当驾驶行为进行危险评估，确定所述不当驾驶行为对应的危险系数；
驾驶评分模块，用于根据所述不当驾驶行为对应的危险系数，以及所述不当驾驶行为对应的持续时间，确定所述不当驾驶行为对应的驾驶评分。
11.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至9中任意一项所述的方法。
12.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至9中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211508764.2A CN115953858A (zh) | 2022-11-29 | 2022-11-29 | 一种基于车载dms的驾驶评分方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211508764.2A CN115953858A (zh) | 2022-11-29 | 2022-11-29 | 一种基于车载dms的驾驶评分方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115953858A true CN115953858A (zh) | 2023-04-11 |
Family
ID=87297346
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211508764.2A Pending CN115953858A (zh) | 2022-11-29 | 2022-11-29 | 一种基于车载dms的驾驶评分方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115953858A (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160046298A1 (en) * | 2014-08-18 | 2016-02-18 | Trimble Navigation Limited | Detection of driver behaviors using in-vehicle systems and methods |
| CN109934189A (zh) * | 2019-03-19 | 2019-06-25 | 何世全 | 一种驾驶预警方法、系统及终端 |
| US10392022B1 (en) * | 2018-02-28 | 2019-08-27 | Calamp Corp. | Systems and methods for driver scoring with machine learning |
| WO2020026318A1 (en) * | 2018-07-30 | 2020-02-06 | Accenture Global Solutions Limited | Distracted driving predictive system |
| US20200074492A1 (en) * | 2018-09-05 | 2020-03-05 | Mastercard International Incorporated | Systems and methods for detecting and scoring driver activity |
| WO2020107894A1 (zh) * | 2018-11-28 | 2020-06-04 | 众安信息技术服务有限公司 | 一种驾驶行为评分方法、装置及计算机可读存储介质 |
| KR20200078274A (ko) * | 2018-12-23 | 2020-07-01 | 주식회사 카로그 | 차량 운행정보 수집장치를 이용한 안전운전지수 평가 방법 및 시스템 |
| US20200242382A1 (en) * | 2019-01-25 | 2020-07-30 | Fujitsu Limited | Deep learning model used for driving behavior recognition and training apparatus and method thereof |
| US10830605B1 (en) * | 2016-10-18 | 2020-11-10 | Allstate Insurance Company | Personalized driving risk modeling and estimation system and methods |
| WO2021063005A1 (zh) * | 2019-09-30 | 2021-04-08 | 上海商汤临港智能科技有限公司 | 驾驶数据分析方法、装置、电子设备和计算机存储介质 |
| US20210106266A1 (en) * | 2019-10-10 | 2021-04-15 | Waymo Llc | Psychomotor vigilance testing for persons tasked with monitoring autonomous vehicles |
| EP3961498A1 (en) * | 2020-06-29 | 2022-03-02 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Dangerous driving behavior recognition method and apparatus, and electronic device and storage medium |
-
2022
- 2022-11-29 CN CN202211508764.2A patent/CN115953858A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160046298A1 (en) * | 2014-08-18 | 2016-02-18 | Trimble Navigation Limited | Detection of driver behaviors using in-vehicle systems and methods |
| US10830605B1 (en) * | 2016-10-18 | 2020-11-10 | Allstate Insurance Company | Personalized driving risk modeling and estimation system and methods |
| US10392022B1 (en) * | 2018-02-28 | 2019-08-27 | Calamp Corp. | Systems and methods for driver scoring with machine learning |
| WO2020026318A1 (en) * | 2018-07-30 | 2020-02-06 | Accenture Global Solutions Limited | Distracted driving predictive system |
| US20200074492A1 (en) * | 2018-09-05 | 2020-03-05 | Mastercard International Incorporated | Systems and methods for detecting and scoring driver activity |
| WO2020107894A1 (zh) * | 2018-11-28 | 2020-06-04 | 众安信息技术服务有限公司 | 一种驾驶行为评分方法、装置及计算机可读存储介质 |
| KR20200078274A (ko) * | 2018-12-23 | 2020-07-01 | 주식회사 카로그 | 차량 운행정보 수집장치를 이용한 안전운전지수 평가 방법 및 시스템 |
| US20200242382A1 (en) * | 2019-01-25 | 2020-07-30 | Fujitsu Limited | Deep learning model used for driving behavior recognition and training apparatus and method thereof |
| CN111488758A (zh) * | 2019-01-25 | 2020-08-04 | 富士通株式会社 | 用于驾驶行为识别的深度学习模型、训练装置及方法 |
| CN109934189A (zh) * | 2019-03-19 | 2019-06-25 | 何世全 | 一种驾驶预警方法、系统及终端 |
| WO2021063005A1 (zh) * | 2019-09-30 | 2021-04-08 | 上海商汤临港智能科技有限公司 | 驾驶数据分析方法、装置、电子设备和计算机存储介质 |
| US20210106266A1 (en) * | 2019-10-10 | 2021-04-15 | Waymo Llc | Psychomotor vigilance testing for persons tasked with monitoring autonomous vehicles |
| EP3961498A1 (en) * | 2020-06-29 | 2022-03-02 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Dangerous driving behavior recognition method and apparatus, and electronic device and storage medium |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210326587A1 (en) | Human face and hand association detecting method and a device, and storage medium | |
| CN112669583B (zh) | 报警阈值调整方法及装置、电子设备和存储介质 | |
| CN107692997B (zh) | 心率检测方法及装置 | |
| CN110837761B (zh) | 多模型知识蒸馏方法及装置、电子设备和存储介质 | |
| CN110009090B (zh) | 神经网络训练与图像处理方法及装置 | |
| CN107025419B (zh) | 指纹模板录入方法及装置 | |
| CN111539443A (zh) | 一种图像识别模型训练方法及装置、存储介质 | |
| CN110781813B (zh) | 图像识别方法及装置、电子设备和存储介质 | |
| CN114240882A (zh) | 缺陷检测方法及装置、电子设备和存储介质 | |
| CN110990801B (zh) | 信息校验方法及装置、电子设备和存储介质 | |
| CN106960014B (zh) | 关联用户推荐方法及装置 | |
| CN109858614B (zh) | 神经网络训练方法及装置、电子设备和存储介质 | |
| CN109165738B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
| CN111210844B (zh) | 语音情感识别模型的确定方法、装置、设备及存储介质 | |
| EP4068119A1 (en) | Model training method and apparatus for information recommendation, electronic device and medium | |
| CN106603381B (zh) | 处理聊天信息的方法及装置 | |
| CN108320208B (zh) | 车辆推荐方法及装置 | |
| CN106534951A (zh) | 视频分割方法和装置 | |
| CN109447258B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
| CN115661619A (zh) | 网络模型训练、超声图像质量评估方法及装置、电子设备 | |
| CN111650554A (zh) | 定位方法及装置、电子设备和存储介质 | |
| CN115953858A (zh) | 一种基于车载dms的驾驶评分方法、装置及电子设备 | |
| CN113190725B (zh) | 对象的推荐及模型训练方法和装置、设备、介质和产品 | |
| CN106446827B (zh) | 虹膜识别功能检测方法和装置 | |
| CN111524505B (zh) | 一种语音处理方法、装置和电子设备 |
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 |