CN116257812A - 一种酒驾行为识别方法、装置、设备及存储介质 - Google Patents

一种酒驾行为识别方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116257812A
CN116257812A CN202111466664.3A CN202111466664A CN116257812A CN 116257812 A CN116257812 A CN 116257812A CN 202111466664 A CN202111466664 A CN 202111466664A CN 116257812 A CN116257812 A CN 116257812A
Authority
CN
China
Prior art keywords
drunk driving
vehicle
probability
driver
added value
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
CN202111466664.3A
Other languages
English (en)
Inventor
任磊
苏义超
常俊杰
贾朴
曾勇
刘明竹
牟楠楠
王康
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.)
Beijing CHJ Automobile Technology Co Ltd
Original Assignee
Beijing CHJ Automobile 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 Beijing CHJ Automobile Technology Co Ltd filed Critical Beijing CHJ Automobile Technology Co Ltd
Priority to CN202111466664.3A priority Critical patent/CN116257812A/zh
Publication of CN116257812A publication Critical patent/CN116257812A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
    • A61B5/441—Skin evaluation, e.g. for skin disorder diagnosis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Tourism & Hospitality (AREA)
  • Surgery (AREA)
  • Cardiology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Educational Administration (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Dermatology (AREA)
  • Computing Systems (AREA)
  • Remote Sensing (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Physiology (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)

Abstract

本申请实施例提供一种酒驾行为识别方法、装置、设备及存储介质。在酒驾行为识别方法中，可获取停车后车辆在酒驾兴趣点设定距离范围内停留的时间信息，并根据停留的时间信息计算第一酒驾概率；获取开车前车辆的驾驶员的生理特征数据，并根据生理特征信息计算第二酒驾概率；对所述第一酒驾概率以及所述第二酒驾概率进行融合计算，得到最终酒驾概率。通过这种实施方式，可基于多维度的数据、从多个角度对驾驶员的酒驾行为进行识别，一方面不易被驾驶员规避，另一方面，多维度的数据可以相互弥补、融合，可提升酒驾行为识别结果的准确性。

Description

一种酒驾行为识别方法、装置、设备及存储介质
技术领域
本发明涉及汽车驾驶安全技术领域，尤其涉及一种酒驾行为识别方法、装置、设备及存储介质。
背景技术
随着机动车驾驶员数量的不断增长，酒后驾驶导致的事故频发已然成为了当下社会面临的一大难题。在现有技术中，通常采用车载的酒精检测装置对酒驾行为进行检测。该装置需要驾驶员在开车前，通过呼气的方式，进行酒精浓度检测。然而，这种方式容易被驾驶员规避，准确性较低。因此，一种解决方案亟待提出。
发明内容
本申请实施例提供一种酒驾行为识别方法、装置、设备及存储介质，用以较为准确地识别驾驶员的酒驾行为。
本申请实施例提供一种酒驾行为识别方法，包括：获取停车后车辆在酒驾兴趣点设定距离范围内停留的时间信息，并根据所述停留的时间信息计算第一酒驾概率；获取开车前所述车辆的驾驶员的生理特征数据，并根据所述生理特征信息计算第二酒驾概率；对所述第一酒驾概率以及所述第二酒驾概率进行融合计算，得到最终酒驾概率。
进一步可选地，所述获取停车后车辆在酒驾兴趣点设定距离范围内停留的时间信息，包括：获取所述车辆在酒驾兴趣点设定范围内停留的时长以及时间段，和/或，所述车辆的所述驾驶员的用户终端在酒驾兴趣点设定范围内停留的时长以及时间段。
进一步可选地，在获取所述车辆在酒驾兴趣点设定范围内停留的时长以及时间段之前，还包括：通过所述车辆上的定位装置，获取所述车辆的停车位置；计算所述车辆的停车位置与地图中的酒驾兴趣点的距离值；若所述距离值小于预设的距离阈值，则确定所述车辆位于所述酒驾兴趣点设定范围内。
进一步可选地，所述根据所述停留的时间信息计算第一酒驾概率，包括：若所述车辆以及所述用户终端在酒驾兴趣点设定范围内停留的时间段为酒驾高发时间段，则确定酒驾概率的第一增加值；若所述车辆以及所述用户终端在酒驾兴趣点设定范围内停留的时长大于设定时长阈值，则确定酒驾概率的第二增加值；若所述用户终端在酒驾兴趣点的位移小于设定位移范围，则确定酒驾概率的第三增加值；根据所述第一增加值、所述第二增加值以及所述第三增加值中的至少一种，确定所述驾驶员的所述第一酒驾概率。
进一步可选地，所述获取开车前所述车辆的驾驶员的生理特征数据，包括以下至少一种：获取所述驾驶员的多帧连续图像；获取所述车辆的方向盘上安装的酒精传感器监测到的所述驾驶员的酒精浓度数据；获取所述车辆的方向盘上安装的汗渍传感器数据监测到的所述驾驶员的汗渍数据。
进一步可选地，所述根据所述生理特征信息计算第二酒驾概率，包括：
对所述驾驶员的多帧连续图像进行图像识别，得到所述驾驶员的皮肤颜色特征、眨眼频率特征以及动作特征中的至少一种；若所述皮肤颜色特征、眨眼频率特征以及动作特征中的至少一种满足预设的酒驾行为条件，则确定酒驾概率的第四增加值；若所述驾驶员的酒精浓度数据大于设定的酒精浓度阈值，则确定酒驾概率的第五增加值；若所述驾驶员的汗渍数据大于设定的汗渍容量阈值，则确定酒驾概率的第六增加值；根据所述第四增加值、所述第五增加值以及所述第六增加值中的至少一种，确定所述驾驶员的所述第二酒驾概率。
进一步可选地，所述对所述第一酒驾概率以及所述第二酒驾概率进行融合计算，得到最终酒驾概率，包括：根据所述停车后感知数据以及所述开车前感知数据各自对应的权重，对所述第一酒驾概率和所述第二酒驾概率进行加权计算，得到所述最终酒驾概率。
进一步可选地，在对所述第一酒驾概率以及所述第二酒驾概率进行融合计算，得到最终酒驾概率之后，还包括：若所述最终酒驾概率大于或等于预设的概率阈值，则禁用所述车辆的启动功能；和/或，输出禁止酒驾的提示信息；和/或，向所述驾驶员对应的备用用户输出所述驾驶员存在酒驾行为的提示消息。
本申请实施例提供一种酒驾行为识别装置，包括：第一计算模块，用于获取停车后车辆在酒驾兴趣点设定距离范围内停留的时间信息，并根据所述停留的时间信息计算第一酒驾概率；第二计算模块，用于获取开车前所述车辆的驾驶员的生理特征数据，并根据所述生理特征信息计算第二酒驾概率；融合计算模块，用于对所述第一酒驾概率以及所述第二酒驾概率进行融合计算，得到最终酒驾概率。
进一步可选地，所述第一计算模块，在获取停车后车辆在酒驾兴趣点设定距离范围内停留的时间信息时，具体用于：获取所述车辆在酒驾兴趣点设定范围内停留的时长以及时间段，和/或，所述车辆的所述驾驶员的用户终端在酒驾兴趣点设定范围内停留的时长以及时间段。
进一步可选地，所述第一计算模块，在获取所述车辆在酒驾兴趣点设定范围内停留的时长以及时间段之前，还用于：通过所述车辆上的定位装置，获取所述车辆的停车位置；计算所述车辆的停车位置与地图中的酒驾兴趣点的距离值；若所述距离值小于预设的距离阈值，则确定所述车辆位于所述酒驾兴趣点设定范围内。
进一步可选地，所述第一计算模块，在根据所述停留的时间信息计算第一酒驾概率时，具体用于：若所述车辆以及所述用户终端在酒驾兴趣点设定范围内停留的时间段为酒驾高发时间段，则确定酒驾概率的第一增加值；若所述车辆以及所述用户终端在酒驾兴趣点设定范围内停留的时长大于设定时长阈值，则确定酒驾概率的第二增加值；若所述用户终端在酒驾兴趣点的位移小于设定位移范围，则确定酒驾概率的第三增加值；根据所述第一增加值、所述第二增加值以及所述第三增加值中的至少一种，确定所述驾驶员的所述第一酒驾概率。
本申请实施例还提供一种电子设备，包括：存储器以及处理器；其中，所述存储器用于：存储一条或多条计算机指令；所述处理器用于执行所述一条或多条计算机指令，以用于：执行上述酒驾行为识别方法中的步骤。
本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，计算机程序被执行时能够实现上述酒驾行为识别方法中的步骤。
本申请实施例的提供一种酒驾行为识别方法、装置、设备及存储介质中，可获取停车后车辆在酒驾兴趣点设定距离范围内停留的时间信息，并根据停留的时间信息计算第一酒驾概率；获取开车前所述车辆的驾驶员的生理特征数据，并根据生理特征信息计算第二酒驾概率；对所述第一酒驾概率以及所述第二酒驾概率进行融合计算，得到最终酒驾概率。通过这种实施方式，可基于多维度的数据、从多个角度对驾驶员的酒驾行为进行识别，一方面不易被驾驶员规避，另一方面，多维度的数据可以相互弥补、融合，可提升酒驾行为识别结果的准确性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请一示例性实施例提供的一种酒驾行为识别方法的流程示意图；
图2为本申请一示例性实施例提供的酒驾行为识别系统的架构图；
图3为本申请一示例性实施例提供的方向盘传感器分布图；
图4为本申请一示例性实施例提供的酒驾行为识别装置的结构示意图；
图5为本申请一示例性实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
针对现有技术中，通过车载的酒精检测装置对酒驾行为进行检测的方式，容易被驾驶员规避，准确性较低。针对这一技术问题，在本申请一些实施例中，提供了一种酒驾行为识别方法。
在该酒驾行为识别方法中，可获取停车后车辆在酒驾兴趣点设定距离范围内停留的时间信息，并根据停留的时间信息计算第一酒驾概率；获取开车前车辆的驾驶员的生理特征数据，并根据生理特征信息计算第二酒驾概率；对所述第一酒驾概率以及所述第二酒驾概率进行融合计算，得到最终酒驾概率。以下结合附图，详细说明本申请各实施例提供的技术方案。
图1为本申请一示例性实施例提供的酒驾行为识别方法的流程示意图，如图1所示，该方法包括：
步骤11、获取停车后车辆在酒驾兴趣点设定距离范围内停留的时间信息，并根据所述停留的时间信息计算第一酒驾概率。
步骤12、获取开车前所述车辆的驾驶员的生理特征数据，并根据所述生理特征信息计算第二酒驾概率。
步骤13、对所述第一酒驾概率以及所述第二酒驾概率进行融合计算，得到最终酒驾概率。
本实施例可由云端服务器执行，也可由用户侧的终端设备执行。其中，用户侧的终端设备可包括车载终端设备，该车载终端设备可固定安装在车辆中；除车载终端之外，本实施例也可由智能手机、平板电脑等可移动的终端执行，本实施例不做限制。以下将以执行主体实现为车载终端设备为例进行示例性说明。
在本实施例中，车载终端设备可获取车辆驾驶员的停车后感知数据以及开车前感知数据。其中，停车后感知数据至少包括：停车后车辆在酒驾兴趣点设定距离范围内停留的时间信息；开车前感知数据至少包括：开车前车辆的驾驶员的生理特征数据。其中，设定范围可为距离酒驾兴趣点0～10m的范围、0～15m的范围或0～18m的范围等等，本实施例不做限制。
在本实施例中，停车后感知数据，可由车辆或者驾驶员的用户终端收集并上传至云端的存储模块进行存储。车载终端可从云端的存储模块中获取上述停车后感知数据并按照设定的计算逻辑计算驾驶员的酒驾概率。车载终端中部署有AI(ArtificialIntelligence)模块，车载终端可通过AI模块按照设定的计算逻辑计算驾驶员的酒驾概率。
其中，酒驾兴趣点指的是容易产生酒驾行为的地点，比如：酒吧、饭馆、酒店等。停车后车辆在酒驾兴趣点设定距离范围内停留的时间信息可包括：车辆在酒驾兴趣点设定范围内停留的时长以及时间段，和/或，车辆的驾驶员的用户终端在酒驾兴趣点设定范围内停留的时长以及时间段。可选地，车辆的驾驶员，指的是车辆在停车后再次实际驾驶车辆的驾驶员。该停车后再次实际驾驶车辆的驾驶员，与停车前的驾驶员可以是同一个驾驶员，也可以不是同一个驾驶员。
在一些实施例中，再次开车前，为获取实际驾驶车辆的驾驶员的用户终端在酒驾兴趣点设定范围内停留的时长以及时间段，可通过车载终端语音提示车辆的驾驶员提供其用户终端在过去一段时间内的行程轨迹。驾驶员可通过语音输入或者文字输入的方式，向车载终端提供该行程轨迹。车载终端获取该行程轨迹后，可根据该行程轨迹获取驾驶员的用户终端在酒驾兴趣点设定范围内停留的时长以及时间段。
在另一些实施例中，车载终端可展示一信息码(例如条形码、二维码等)，该信息码由位置填报网站的地址生成。再次开车前，当驾驶员进入车舱后，可扫描车载终端展示的信息码以访问该位置填报网站，并通过该位置填报网址输入其用户终端的历史行程轨迹；或者，该位置填报网站可在获取驾驶员对位置权限的授权后，自动获取驾驶员的用户终端的在过去一段时间内的行程信息，以获取用户终端在酒驾兴趣点设定范围内停留的时长以及时间段。
示例地，车载终端设备从云端服务器获取到的停车后车辆在酒驾兴趣点设定距离范围内停留的时间信息为：车辆在酒吧设定范围内停留了20min，时间段为19：40-20：00，车辆的驾驶员的用户终端在酒吧停留了18min，时间段为19：41-19：59。
在实际中，酒驾行为高发的时间段，通常与驾驶员的餐饮习惯有关。在上午11:00到下午2：00和下午5：00到凌晨2：00这两个时段，通常是大部分人的饮食时段，这两个时段易发生酒驾行为。若驾驶员在上述时段在酒驾兴趣点的停留时长较长，则可认为驾驶员可能在酒驾兴趣点有饮食、饮酒行为。因此，在本实施例中，可对驾驶员在酒驾兴趣点停留的时长和时间段来识别驾驶员的酒驾概率。
其中，开车前感知数据至少包括：驾驶员的生理特征数据。驾驶员的生理特征数据可包括车载的多种传感器采集到的用于表示驾驶员的生理特征的数据或者驾驶员持有的移动终端、智能手环、智能手表等健康监测设备检测到的驾驶员的生理特征数据。其中，该生理特征数据可包括：驾驶员的心率特征数据、肤色特征数据、呼吸中的酒精含量特征数据、汗渍特征数据等等。示例地，车载终端设备获取到的开车前感知数据为：驾驶员的心率为140次/秒、驾驶员的酒精浓度数据为80mg/100ml、驾驶员的汗渍容量为2ml等。
获取到停车后车辆在酒驾兴趣点设定距离范围内停留的时间信息，可根据该时间信息，计算驾驶员的第一酒驾概率，并根据开车前车辆的驾驶员的生理特征数据，计算驾驶员的第二酒驾概率。其中，采用“第一”、“第二”对酒驾概率进行限定，仅用于对不同数据计算得到的酒驾概率进行区分，并不对被限定的酒驾概率的大小以及计算顺序进行限定。
基于上述实施方式计算得到第一酒驾概率以及第二酒驾概率之后，可根据对第一酒驾概率以及第二酒驾概率进行融合计算，得到最终酒驾概率。其中，融合计算的方式可包括求平均值的方式、直接求和的方式、加权求和的方式或者按照设定计算模型进行数据特征提取并根据提取到的特征计算概率值的方式，本实施例对此不做限制。
在本实施例中，可获取停车后车辆在酒驾兴趣点设定距离范围内停留的时间信息，并根据停留的时间信息计算第一酒驾概率；获取开车前车辆的驾驶员的生理特征数据，并根据生理特征信息计算第二酒驾概率；对所述第一酒驾概率以及所述第二酒驾概率进行融合计算，得到最终酒驾概率。通过这种实施方式，可基于多维度的数据、从多个角度对驾驶员的酒驾行为进行识别，一方面不易被驾驶员规避，另一方面，多维度的数据可以相互弥补、融合，可提升酒驾行为识别结果的准确性。
本申请实施例提供的酒驾行为识别方法，可基于图2所示的酒驾行为识别系统实现。如图2所示，该酒驾行为识别系统可包括：AI模块、融合定位模块、决策模块、时间管理模块、存储模块。
其中，融合定位模块用于通过定位装置对车辆的停车位置位置进行融合定位，并将位置信息上传云端服务器。决策模块用于根据最终酒驾概率进行酒驾行为后处理。时间管理模块用于获取停车后感知数据中的驾驶员在酒驾兴趣点设定范围内停留的时间信息。存储模块用于存储停车后感知数据。AI模块用于根据获取的数据计算酒驾概率。AI模块可位于车载终端上，也可位于云端服务器上，本实施例不做限制。
以下将结合图2，对本申请实施例提供的酒驾行为识别方法进行进一步示例性说明。
在一些可选的实施例中，获取车辆在酒驾兴趣点设定范围内停留的时长以及时间段之前，可预先通过以下步骤确定车辆是否位于酒驾兴趣点设定范围内。
通过车辆上的定位装置，获取车辆的停车位置。其中，如图2中的融合定位模块所示，定位装置可包括外置摄像头、地图模块、GNSS(Global Navigation Satellite System，全球导航卫星系统)和IMU(Inertial Measurement Unit，惯性传感器)。车辆可通过外置摄像头、GNSS和IMU，对车辆位置进行多传感器融合感知定位，并将位置信息上传云端服务器，由云端服务器中的存储模块进行存储。
需要说明的是，可预先在地图上标注酒驾兴趣点，以结合酒驾兴趣点的位置以及车辆的位置，判断驾驶员是否前往并停留在酒驾兴趣点。比如，当车辆在某城市行驶时，可预先在该城市对应的地图上标注酒吧、饭店、酒店等酒驾兴趣点。
在获取到车辆的停车位置后，可基于图2中示意的AI模块，计算车辆的停车位置与地图中的酒驾兴趣点的距离值，若距离值小于预设的距离阈值，则可确定车辆位于酒驾兴趣点设定范围内。其中，距离阈值可为10m、30m、40m等，本实施例不做限制。示例地，假设距离阈值为30m，车辆停车位置与酒吧的距离值为25m，小于预设的距离阈值，则确定车辆位于酒吧这一酒驾兴趣点设定范围内。
进一步可选地，在上述步骤的基础上，可计算车辆在酒驾兴趣点设定范围内停留的时长，并确定车辆在酒驾兴趣点设定范围内停留的时间段。示例地，车辆在某酒驾兴趣点设定范围内停留的时长为1h，在某酒驾兴趣点设定范围内停留的时间段：18:40-19:40。
在一些可选的实施例中，根据停留的时间信息计算第一酒驾概率，可基于以下步骤实现：
可选地，若车辆以及用户终端在酒驾兴趣点设定范围内停留的时间段为酒驾高发时间段，则确定酒驾概率的第一增加值。其中，酒驾高发时间段可为预设值，如前述实施例所述，驾驶员通常在上午11:00到下午2：00和下午5：00到凌晨2：00这两个时段饮食，这两个时段易发生酒驾。因而，可将酒驾高发时间段设置为上午11:00-下午2：00和下午5：00-凌晨2：00。当然，也可根据驾驶员的饮食规律设置其他时间段作为酒驾高发时间段，本实施例不做限制。
其中，酒驾概率的第一增加值，可为5％、6％等，本实施例不做限制。示例地，酒驾高发时间段为：下午5：00-凌晨2：00，车辆和用户终端于下午6:00-下午7：40在某酒驾兴趣点设定范围内停留，此停留时间段在酒驾高发时间段内，所以可确定酒驾概率的第一增加值为6％。
可选地，若车辆以及用户终端在酒驾兴趣点设定范围内停留的时长大于设定时长阈值，则确定酒驾概率的第二增加值。其中，该设定时长阈值，可根据驾驶员的平均就餐时间设置，例如，该设定时长阈值可为1.4h、1.5h或1.6h等，本实施例不做限制。
其中，酒驾概率的第二增加值，可为5％、6％等，本实施例不做限制。继续沿用前述例子，设定时长阈值为1.5h，车辆和用户终端于下午6:00-下午7：40在某酒驾兴趣点设定范围内停留，停留的时长大于1.5h的设定时长阈值，所以确定酒驾概率的第二增加值为5％。
其中，用户终端在酒驾兴趣点设定范围内停留期间，若用户终端在酒驾兴趣点所在的区域发生了明显的位移，则可认为驾驶员在酒驾兴趣点附近散步、逛街等。反之，若用户终端在酒驾兴趣点所在的区域未发生明显的位移，则可认为驾驶员在酒驾兴趣点发生了餐饮行为。
基于上述，可选地，若用户终端在酒驾兴趣点的位移小于设定位移范围，则确定酒驾概率的第三增加值。其中，设定位移范围，可为7m、15m或25m等，本实施例不做限制。酒驾概率的第三增加值，可为5％、6％或7％等，本实施例不做限制。比如，设定位移范围为10m，用户终端在某酒驾兴趣点位移为8m，小于设定位移范围，所以确定酒驾概率的第三增加值为7％。
基于上述，可根据第一增加值、第二增加值以及第三增加值中的至少一种，确定驾驶员的第一酒驾概率。具体地，可以将第一增加值、第二增加值以及第三增加值中的至少一种，根据各自的权重进行加权计算，或者，将第一增加值、第二增加值以及第三增加值中的至少一种相加，得出第一酒驾概率，本实施例不做限制。比如，第一增加值为10％，第二增加值为8％，第三增加值为12％，将三者相加为30％，即为第一酒驾概率。
在一些可选的实施例中，获取开车前车辆的驾驶员的生理特征数据的操作，可通过驾驶舱中的安装的DMS(Driver Monitor System，驾驶员状态监测系统)以及多种传感器获取。在一种实施方式中，如图3所示，可在方向盘上设置酒精传感器、汗渍传感器等传感器和DMS。以下将结合不同的实施方式，分别进行示例性说明。
实施方式一、获取车辆上安装的DMS监测到的驾驶员DMS感知数据。其中，DMS感知数据包括：驾驶员的多帧连续图像。
实施方式二、获取车辆的方向盘上安装的酒精传感器监测到的驾驶员的酒精浓度数据。其中，酒精浓度数据指的是酒精传感器检测到的驾驶员呼出气体的酒精浓度。
实施方式三、获取车辆的方向盘上安装的汗渍传感器数据监测到的所述驾驶员的汗渍数据。其中，汗渍传感器上具有导电材料，可根据监测到的汗渍形成电流信号，车载终端中的AI模块可根据电流的大小，判断驾驶员产生的汗渍的多少。
上述实施方式一、实施方式二以及实施方式三可单独执行，也可人任意组合执行，本实施例不做限制。
在一些可选的实施例中，根据生理特征信息计算第二酒驾概率，可基于以下步骤实现：
可选地，可对驾驶员的多帧连续图像进行图像识别，得到驾驶员的皮肤颜色特征、眨眼频率特征以及动作特征中的至少一种。通常，驾驶员在饮酒后，往往会出现眨眼频率过低，皮肤颜色泛红，动作行为反常(手舞足蹈，动作幅度大)。此步骤旨在通过图像识别采集上述皮肤颜色特征、眨眼频率特征以及动作特征的至少一种，以对酒驾行为进行识别。比如，对驾驶员的100帧连续图像进行图像识别得到眨眼频率为一分钟眨眼5次，动作特征为：手舞足蹈，皮肤特征为：颜色泛红。
基于上述，若皮肤颜色特征、眨眼频率特征以及动作特征中的至少一种满足预设的酒驾行为条件，则确定酒驾概率的第四增加值。其中，预设的酒驾行为条件可为皮肤泛红、动作行为反常或眨眼频率过低等，本实施例不做限制。酒驾概率的第五增加值，可为10％、20％等，本实施例不做限制。比如，预设的酒驾行为条件为一分钟眨眼小于8次，对驾驶员的100帧连续图像进行图像识别得到眨眼频率为一分钟眨眼3次，满足预设的酒驾行为条件，则确定酒驾概率的第四增加值。
可选地，若驾驶员的酒精浓度数据大于设定的酒精浓度阈值，则确定酒驾概率的第五增加值。其中，设定的酒精浓度阈值可为20mg/100ml。酒驾概率的第五增加值，可为10％、20％等，本实施例不做限制。比如，采集的驾驶员的酒精浓度数据为25mg/100ml，超过了20mg/100ml，则确定酒驾概率的第五增加值为10％。
若驾驶员的汗渍数据大于设定的汗渍容量阈值，则确定酒驾概率的第六增加值。其中，设定的汗渍容量阈值可为4ml、5ml或6ml等，本实施例不做限制。酒驾概率的第六增加值，可为10％、20％等，本实施例不做限制。比如，设定的汗渍容量阈值为4ml，采集到的驾驶员的汗渍数据为5ml，大于设定的汗渍容量阈值，则确定酒驾概率的第六增加值为10％。
基于上述，可根据第四增加值、第五增加值和/或第六增加值，确定驾驶员的第二酒驾概率。具体地，可以将第四增加值、第五增加值以及第六增加值中的至少一种，根据各自的权重进行加权计算，或者将第四增加值、第五增加值以及第六增加值中的至少一种直接相加，得出第二酒驾概率，本实施例不做限制。比如，第四增加值为10％，第五增加值为15％，第六增加值为20％，将三者相加为45％，即为第二酒驾概率。
基于上述各实施例所述的方法，计算得到第一酒驾概率以及第二酒驾概率之后，可对第一酒驾概率以及第二酒驾概率进行融合计算，得到最终酒驾概率。
可选地，可根据停车后车辆在酒驾兴趣点设定距离范围内停留的时间信息以及开车前车辆的驾驶员的生理特征数据各自对应的权重，对第一酒驾概率和第二酒驾概率进行加权计算，得到最终酒驾概率。其中，停留的时间信息以及生理特征数据各自对应的权重可以是停留的时间信息对应的权重为40％，生理特征数据对应的权重为60％，也可以是停留的时间信息的权重为45％，生理特征数据对应的权重为55％，也可为其他值，本实施例不做限制。比如，以停留的时间信息对应的权重为40％，生理特征数据的权重为60％为例，第一酒驾概率为25％，第二酒驾概率为35％，那么，最终酒驾概率为：25％×40％+35％×60％＝31％。
得到最终酒驾概率之后，可将最终酒驾概率和预设的概率阈值进行对比。其中，预设的概率阈值可为30％，40％或50％等，本实施例不做限制。比如，预设的概率阈值为30％，最终酒驾概率为31％，大于预设的概率阈值。
可选地，还可采用基于神经网络模型的融合计算方法对第一酒驾概率和第二酒驾概率进行融合。其中，神经网络模型可分为训练阶段和预测阶段。在训练阶段，可获取停车后感知数据的样本、开车前感知数据的样本以及驾驶员是否酒驾的真实结果。在训练神经网络模型时，可将根据停车后感知数据的样本计算得到的酒驾概率和根据开车前感知数据计算得到的酒驾概率输入神经网络模型，得到最终酒驾概率的预测结果。计算该最终酒驾概率的预测结果和真实结果之间的差值；若该差值大于设定范围，则对神经网络模型的参数进行调整，并对神经网络模型进行迭代训练。若该差值收敛到指定范围内，则输出训练完成的神经网络模型。
在预测阶段，对于任一车辆和驾驶员，在基于前述各实施例获取到其对应的第一酒驾概率和第二酒驾概率后，可将第一酒驾概率和第二酒驾概率输入训练完成的神经网络模型，得到神经网络模型输出的最终酒驾概率，不再赘述。
可选地，若最终酒驾概率大于或等于预设的概率阈值，则通过以下实施方式进行酒驾行为后处理。
实施方式A、通过决策模块发送酒驾后处理指令到VCU(Vehicle Control Unit，整车控制器)车控系统，以控制VCU车控系统禁用车辆的启动功能。
实施方式B、通过决策模块中的车辆的车载多媒体设备输出禁止酒驾的提示信息。其中，提示信息可以是音频信息，也可以是震动提醒，本实施例不做限制。例如，VCU可通过图2示意的HU(Head Unit，终端信息展现单元)，输出禁止酒驾的提示语音。
实施方式C、向驾驶员对应的备用用户输出驾驶员存在酒驾行为的提示消息。当最终酒驾概率大于或等于预设的概率阈值时，车载终端发送指令给云端服务器，以使云端服务器向驾驶员对应的备用用户绑定的移动终端发送指令，将驾驶员的酒驾行为提示给备用用户。
上述实施方式A、实施方式B以及实施方式C可单独执行，也可人任意组合执行，本实施例不做限制。
需要说明的是，上述实施例所提供方法的各步骤的执行主体均可以是同一设备，或者，该方法也由不同设备作为执行主体。比如，步骤11至步骤13的执行主体可以为设备A；又比如，步骤11和12的执行主体可以为设备A，步骤13的执行主体可以为设备B；等等。
另外，在上述实施例及附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如11、12等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。
需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
本申请实施例提供一种酒驾行为识别装置，如图4所示，该酒驾行为识别装置包括：第一计算模块401、第二计算模块402和融合计算模块403。
其中，第一计算模块，用于获取停车后车辆在酒驾兴趣点设定距离范围内停留的时间信息，并根据所述停留的时间信息计算第一酒驾概率；第二计算模块，用于获取开车前车辆的驾驶员的生理特征数据，并根据所述生理特征信息计算第二酒驾概率；融合计算模块，用于对所述第一酒驾概率以及所述第二酒驾概率进行融合计算，得到最终酒驾概率。
进一步可选地，第一计算模块401，在获取停车后车辆在酒驾兴趣点设定距离范围内停留的时间信息时，具体用于：获取所述车辆在酒驾兴趣点设定范围内停留的时长以及时间段，和/或，所述车辆的所述驾驶员的用户终端在酒驾兴趣点设定范围内停留的时长以及时间段。
进一步可选地，第一计算模块401，在获取所述车辆在酒驾兴趣点设定范围内停留的时长以及时间段之前，还用于：通过所述车辆上的定位装置，获取所述车辆的停车位置；计算所述车辆的停车位置与地图中的酒驾兴趣点的距离值；若所述距离值小于预设的距离阈值，则确定所述车辆位于所述酒驾兴趣点设定范围内。
进一步可选地，第一计算模块401在根据所述停留的时间信息计算第一酒驾概率时，具体用于：若所述车辆以及所述用户终端在酒驾兴趣点设定范围内停留的时间段为酒驾高发时间段，则确定酒驾概率的第一增加值；若所述车辆以及所述用户终端在酒驾兴趣点设定范围内停留的时长大于设定时长阈值，则确定酒驾概率的第二增加值；若所述用户终端在酒驾兴趣点的位移小于设定位移范围，则确定酒驾概率的第三增加值；根据所述第一增加值、所述第二增加值以及所述第三增加值中的至少一种，确定所述驾驶员的所述第一酒驾概率。
进一步可选地，第二计算模块402在获取开车前车辆的驾驶员的生理特征数据时，具体用于：获取所述驾驶员的多帧连续图像；获取所述车辆的方向盘上安装的酒精传感器监测到的所述驾驶员的酒精浓度数据；获取所述车辆的方向盘上安装的汗渍传感器数据监测到的所述驾驶员的汗渍数据。
进一步可选地，第二计算模块402在根据所述生理特征信息计算第二酒驾概率时，具体用于：对所述驾驶员的多帧连续图像进行图像识别，得到所述驾驶员的皮肤颜色特征、眨眼频率特征以及动作特征中的至少一种；若所述皮肤颜色特征、眨眼频率特征以及动作特征中的至少一种满足预设的酒驾行为条件，则确定酒驾概率的第四增加值；若所述驾驶员的酒精浓度数据大于设定的酒精浓度阈值，则确定酒驾概率的第五增加值；若所述驾驶员的汗渍数据大于设定的汗渍容量阈值，则确定酒驾概率的第六增加值；根据所述第四增加值、所述第五增加值以及所述第六增加值中的至少一种，确定所述驾驶员的所述第二酒驾概率。
进一步可选地，融合计算模块403在对所述第一酒驾概率以及所述第二酒驾概率进行融合计算，得到最终酒驾概率时，具体用于：根据所述停车后感知数据以及所述开车前感知数据各自对应的权重，对所述第一酒驾概率和所述第二酒驾概率进行加权计算，得到所述最终酒驾概率。
进一步可选地，融合计算模块403在对所述第一酒驾概率以及所述第二酒驾概率进行融合计算，得到最终酒驾概率之后，具体用于：若所述最终酒驾概率大于或等于预设的概率阈值，则禁用所述车辆的启动功能；和/或，输出禁止酒驾的提示信息；和/或，向所述驾驶员对应的备用用户输出所述驾驶员存在酒驾行为的提示消息。
在本实施例中，可获取停车后车辆在酒驾兴趣点设定距离范围内停留的时间信息，并根据停留的时间信息计算第一酒驾概率；获取开车前车辆的驾驶员的生理特征数据，并根据生理特征信息计算第二酒驾概率；对所述第一酒驾概率以及所述第二酒驾概率进行融合计算，得到最终酒驾概率。通过这种实施方式，可基于多维度的数据、从多个角度对驾驶员的酒驾行为进行识别，一方面不易被驾驶员规避，另一方面，多维度的数据可以相互弥补、融合，可提升酒驾行为识别结果的准确性。
图5是本申请一示例性实施例提供的电子设备的结构示意图，如图5所示，该电子设备包括：存储器501以及处理器502。
存储器501，用于存储计算机程序，并可被配置为存储其它各种数据以支持在终端设备上的操作。这些数据的示例包括用于在终端设备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。
其中，存储器501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。
处理器502，与存储器501耦合，用于执行存储器501中的计算机程序，以用于：获取停车后车辆在酒驾兴趣点设定距离范围内停留的时间信息，并根据所述停留的时间信息计算第一酒驾概率；获取开车前车辆的驾驶员的生理特征数据，并根据所述生理特征信息计算第二酒驾概率；对所述第一酒驾概率以及所述第二酒驾概率进行融合计算，得到最终酒驾概率。
进一步可选地，处理器502在获取停车后车辆在酒驾兴趣点设定距离范围内停留的时间信息时，具体用于：获取所述车辆在酒驾兴趣点设定范围内停留的时长以及时间段，以及，所述车辆的所述驾驶员的用户终端在酒驾兴趣点设定范围内停留的时长以及时间段。
进一步可选地，处理器502还用于：通过所述车辆上的定位装置，获取所述车辆的停车位置；计算所述车辆的停车位置与地图中的酒驾兴趣点的距离值；若所述距离值小于预设的距离阈值，则确定所述车辆位于所述酒驾兴趣点设定范围内。
进一步可选地，处理器502在根据所述停留的时间信息计算第一酒驾概率时，具体用于：若所述车辆以及所述用户终端在酒驾兴趣点设定范围内停留的时间段为酒驾高发时间段，则确定酒驾概率的第一增加值；若所述车辆以及所述用户终端在酒驾兴趣点设定范围内停留的时长大于设定时长阈值，则确定酒驾概率的第二增加值；若所述用户终端在酒驾兴趣点的位移小于设定位移范围，则确定酒驾概率的第三增加值；根据所述第一增加值、所述第二增加值以及所述第三增加值中的至少一种，确定所述驾驶员的所述第一酒驾概率。
进一步可选地，处理器502还用于：获取所述驾驶员的多帧连续图像；获取所述车辆的方向盘上安装的酒精传感器监测到的所述驾驶员的酒精浓度数据；获取所述车辆的方向盘上安装的汗渍传感器数据监测到的所述驾驶员的汗渍数据。
进一步可选地，处理器502在根据所述生理特征信息计算第二酒驾概率时，具体用于：对所述驾驶员的多帧连续图像进行图像识别，得到所述驾驶员的皮肤颜色特征、眨眼频率特征以及动作特征中的至少一种；若所述皮肤颜色特征、眨眼频率特征以及动作特征中的至少一种满足预设的酒驾行为条件，则确定酒驾概率的第四增加值；若所述驾驶员的酒精浓度数据大于设定的酒精浓度阈值，则确定酒驾概率的第五增加值；若所述驾驶员的汗渍数据大于设定的汗渍容量阈值，则确定酒驾概率的第六增加值；根据所述第四增加值、所述第五增加值以及所述第六增加值中的至少一种，确定所述驾驶员的所述第二酒驾概率。
进一步可选地，处理器502在对所述第一酒驾概率以及所述第二酒驾概率进行融合计算，得到最终酒驾概率时，具体用于：根据所述停车后感知数据以及所述开车前感知数据各自对应的权重，对所述第一酒驾概率和所述第二酒驾概率进行加权计算，得到所述最终酒驾概率。
进一步可选地，该电子设备还包括：显示器503、音频组件504和通信组件505。处理器502在对所述第一酒驾概率以及所述第二酒驾概率进行融合计算，得到最终酒驾概率之后，还用于：若所述最终酒驾概率大于或等于预设的概率阈值，则禁用所述车辆的启动功能；和/或，通过显示器503和音频组件504，输出禁止酒驾的提示信息；和/或，通过通信组件505向所述驾驶员对应的备用用户输出所述驾驶员存在酒驾行为的提示消息。
上述图5中的存储器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。
上述图5中的显示器503包括屏幕，其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。
进一步，如图5所示，该电子设备还包括：电源组件506等其它组件。图5中仅示意性给出部分组件，并不意味着电子设备只包括图5所示组件。
上述图5中的通信组件505被配置为便于通信组件所在设备和其他设备之间有线或无线方式的通信。通信组件所在设备可以接入基于通信标准的无线网络，如WiFi，2G、3G、4G或5G，或它们的组合。在一个示例性实施例中，通信组件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，通信组件可基于近场通信(NFC)技术、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。
其中，电源组件506，为电源组件所在设备的各种组件提供电力。电源组件可以包括电源管理系统，一个或多个电源，及其他与为电源组件所在设备生成、管理和分配电力相关联的组件。
本实施例中，可获取停车后车辆在酒驾兴趣点设定距离范围内停留的时间信息，并根据停留的时间信息计算第一酒驾概率；获取开车前车辆的驾驶员的生理特征数据，并根据生理特征信息计算第二酒驾概率；对所述第一酒驾概率以及所述第二酒驾概率进行融合计算，得到最终酒驾概率。通过这种实施方式，可基于多维度的数据、从多个角度对驾驶员的酒驾行为进行识别，一方面不易被驾驶员规避，另一方面，多维度的数据可以相互弥补、融合，可提升酒驾行为识别结果的准确性。
相应地，本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，当计算机程序被处理器执行时，致使处理器实现酒驾行为识别方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (14)

1.一种酒驾行为识别方法，其特征在于，包括：
获取停车后车辆在酒驾兴趣点设定距离范围内停留的时间信息，并根据所述停留的时间信息计算第一酒驾概率；
获取开车前所述车辆的驾驶员的生理特征数据，并根据所述生理特征信息计算第二酒驾概率；
对所述第一酒驾概率以及所述第二酒驾概率进行融合计算，得到最终酒驾概率。
2.根据权利要求1所述的方法，其特征在于，所述获取停车后车辆在酒驾兴趣点设定距离范围内停留的时间信息，包括：
获取所述车辆在酒驾兴趣点设定范围内停留的时长以及时间段，和/或，所述车辆的驾驶员的用户终端在酒驾兴趣点设定范围内停留的时长以及时间段。
3.根据权利要求2所述的方法，其特征在于，在获取所述车辆在酒驾兴趣点设定范围内停留的时长以及时间段之前，还包括：
通过所述车辆上的定位装置，获取所述车辆的停车位置；
计算所述车辆的停车位置与地图中的酒驾兴趣点的距离值；
若所述距离值小于预设的距离阈值，则确定所述车辆位于所述酒驾兴趣点设定范围内。
4.根据权利要求2所述的方法，其特征在于，所述根据所述停留的时间信息计算第一酒驾概率，包括：
若所述车辆以及所述用户终端在酒驾兴趣点设定范围内停留的时间段为酒驾高发时间段，则确定酒驾概率的第一增加值；
若所述车辆以及所述用户终端在酒驾兴趣点设定范围内停留的时长大于设定时长阈值，则确定酒驾概率的第二增加值；
若所述用户终端在酒驾兴趣点的位移小于设定位移范围，则确定酒驾概率的第三增加值；
根据所述第一增加值、所述第二增加值以及所述第三增加值中的至少一种，确定所述驾驶员的所述第一酒驾概率。
5.根据权利要求1所述的方法，其特征在于，所述获取开车前所述车辆的驾驶员的生理特征数据，包括以下至少一种：
获取所述驾驶员的多帧连续图像；
获取所述车辆的方向盘上安装的酒精传感器监测到的所述驾驶员的酒精浓度数据；
获取所述车辆的方向盘上安装的汗渍传感器数据监测到的所述驾驶员的汗渍数据。
6.根据权利要求5所述的方法，其特征在于，所述根据所述生理特征信息计算第二酒驾概率，包括：
对所述驾驶员的多帧连续图像进行图像识别，得到所述驾驶员的皮肤颜色特征、眨眼频率特征以及动作特征中的至少一种；
若所述皮肤颜色特征、眨眼频率特征以及动作特征中的至少一种满足预设的酒驾行为条件，则确定酒驾概率的第四增加值；
若所述驾驶员的酒精浓度数据大于设定的酒精浓度阈值，则确定酒驾概率的第五增加值；
若所述驾驶员的汗渍数据大于设定的汗渍容量阈值，则确定酒驾概率的第六增加值；
根据所述第四增加值、所述第五增加值以及所述第六增加值中的至少一种，确定所述驾驶员的所述第二酒驾概率。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述对所述第一酒驾概率以及所述第二酒驾概率进行融合计算，得到最终酒驾概率，包括：
根据所述停车后感知数据以及所述开车前感知数据各自对应的权重，对所述第一酒驾概率和所述第二酒驾概率进行加权计算，得到所述最终酒驾概率。
8.根据权利要求1-6任一项所述的方法，其特征在于，在对所述第一酒驾概率以及所述第二酒驾概率进行融合计算，得到最终酒驾概率之后，还包括：
若所述最终酒驾概率大于或等于预设的概率阈值，则禁用所述车辆的启动功能；和/或，输出禁止酒驾的提示信息；和/或，向所述驾驶员对应的备用用户输出所述驾驶员存在酒驾行为的提示消息。
9.一种酒驾行为识别装置，其特征在于，包括：
第一计算模块，用于获取停车后车辆在酒驾兴趣点设定距离范围内停留的时间信息，并根据所述停留的时间信息计算第一酒驾概率；
第二计算模块，用于获取开车前所述车辆的驾驶员的生理特征数据，并根据所述生理特征信息计算第二酒驾概率；
融合计算模块，用于对所述第一酒驾概率以及所述第二酒驾概率进行融合计算，得到最终酒驾概率。
10.根据权利要求9所述的装置，其特征在于，所述第一计算模块，在获取停车后车辆在酒驾兴趣点设定距离范围内停留的时间信息时，具体用于：
获取所述车辆在酒驾兴趣点设定范围内停留的时长以及时间段，和/或，所述车辆的所述驾驶员的用户终端在酒驾兴趣点设定范围内停留的时长以及时间段。
11.根据权利要求10所述的装置，其特征在于，所述第一计算模块，在获取所述车辆在酒驾兴趣点设定范围内停留的时长以及时间段之前，还用于：通过所述车辆上的定位装置，获取所述车辆的停车位置；计算所述车辆的停车位置与地图中的酒驾兴趣点的距离值；若所述距离值小于预设的距离阈值，则确定所述车辆位于所述酒驾兴趣点设定范围内。
12.根据权利要求10所述的装置，其特征在于，所述第一计算模块，在根据所述停留的时间信息计算第一酒驾概率时，具体用于：若所述车辆以及所述用户终端在酒驾兴趣点设定范围内停留的时间段为酒驾高发时间段，则确定酒驾概率的第一增加值；若所述车辆以及所述用户终端在酒驾兴趣点设定范围内停留的时长大于设定时长阈值，则确定酒驾概率的第二增加值；若所述用户终端在酒驾兴趣点的位移小于设定位移范围，则确定酒驾概率的第三增加值；根据所述第一增加值、所述第二增加值以及所述第三增加值中的至少一种，确定所述驾驶员的所述第一酒驾概率。
13.一种电子设备，其特征在于，包括：存储器以及处理器；
其中，所述存储器用于：存储一条或多条计算机指令；
所述处理器用于执行所述一条或多条计算机指令，以用于：执行权利要求1-8任一项所述的方法中的步骤。
14.一种存储有计算机程序的计算机可读存储介质，其特征在于，当计算机程序被处理器执行时，致使处理器实现权利要求1-8任一项所述方法中的步骤。
CN202111466664.3A 2021-12-03 2021-12-03 一种酒驾行为识别方法、装置、设备及存储介质 Pending CN116257812A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111466664.3A CN116257812A (zh) 2021-12-03 2021-12-03 一种酒驾行为识别方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111466664.3A CN116257812A (zh) 2021-12-03 2021-12-03 一种酒驾行为识别方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN116257812A true CN116257812A (zh) 2023-06-13

Family

ID=86682993

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111466664.3A Pending CN116257812A (zh) 2021-12-03 2021-12-03 一种酒驾行为识别方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116257812A (zh)

Similar Documents

Publication Publication Date Title
Braunagel et al. Ready for take-over? A new driver assistance system for an automated classification of driver take-over readiness
US10540557B2 (en) Method and apparatus for providing driver information via audio and video metadata extraction
US9990554B1 (en) Apparatuses, systems and methods for determining vehicle operator distractions
KR102215547B1 (ko) 기계 모니터링
JP7324716B2 (ja) 情報処理装置、移動装置、および方法、並びにプログラム
Ahlstrom et al. A gaze-based driver distraction warning system and its effect on visual behavior
CA2848995C (en) A computing platform for development and deployment of sensor-driven vehicle telemetry applications and services
CN104584100B (zh) 车辆周边监视装置、车辆周边监视系统
US9594725B1 (en) Safety score using video data but without video
JP2016110449A (ja) 運転支援システムおよび運転支援方法
EP2892036A1 (en) Alert generation correlating between head mounted imaging data and external device
CN113568509A (zh) 便携式电子设备及其操作方法
US11609565B2 (en) Methods and systems to facilitate monitoring center for ride share and safe testing method based for selfdriving cars to reduce the false call by deuddaction systems based on deep learning machine
US20130131893A1 (en) Vehicle-use information collection system
CN111098863A (zh) 自动驾驶车辆的远程驾驶请求方法、装置及用户终端
WO2019088033A1 (ja) 評価装置、評価システム、車両、およびプログラム
CN112396824A (zh) 车辆监控方法、系统及车辆
CN111445146A (zh) 一种订单监控的方法及装置
CN110254442B (zh) 用于控制车辆显示的方法和装置
JP6996969B2 (ja) 運転支援装置、及び運転支援方法
US20190149777A1 (en) System for recording a scene based on scene content
Kashevnik et al. Context-based driver support system development: Methodology and case study
CN116257812A (zh) 一种酒驾行为识别方法、装置、设备及存储介质
CN115601731A (zh) 一种针对用户的驾驶状态识别方法、设备及介质
EP3945489A1 (en) Ride evaluation in a ride sharing service

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