CN107833312A - 基于多模态信息的驾驶危险系数评估方法和装置 - Google Patents

基于多模态信息的驾驶危险系数评估方法和装置 Download PDF

Info

Publication number
CN107833312A
CN107833312A CN201711060253.8A CN201711060253A CN107833312A CN 107833312 A CN107833312 A CN 107833312A CN 201711060253 A CN201711060253 A CN 201711060253A CN 107833312 A CN107833312 A CN 107833312A
Authority
CN
China
Prior art keywords
driving
information
vehicle
coefficient
driver
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
CN201711060253.8A
Other languages
English (en)
Inventor
聂藤
李深
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.)
Intelligent Information Technology (beijing) Co Ltd
Original Assignee
Intelligent Information Technology (beijing) 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 Intelligent Information Technology (beijing) Co Ltd filed Critical Intelligent Information Technology (beijing) Co Ltd
Publication of CN107833312A publication Critical patent/CN107833312A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data
    • G07C5/085—Registering performance data using electronic data carriers
    • G07C5/0866—Registering performance data using electronic data carriers the electronic data carrier being a digital video recorder in combination with video camera

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开基于多模态信息的驾驶危险系数评估方法和装置，涉及汽车领域，能够解决评估驾驶危险系数效率和准确率低的问题。方法包括：通过采集并分析车辆在行驶过程中的状态信息，计算基于车辆的机械物理信息的驾驶危险系数；通过采集并分析驾驶员的驾驶行为信息，计算基于驾驶员行为举止的驾驶危险系数；通过采集并分析单位时间内的交通标识以及交通标识对应的驾驶行为信息，计算基于交通规则的驾驶危险系数；通过采集并分析单位时间内车辆与周围对象的相对关系以及相对关系对应的驾驶行为信息，计算基于周围对象的驾驶危险系数；对上述四种驾驶危险系数进行加权处理，获得综合的驾驶危险系数。主要适用于需要获取驾驶员驾驶行为的风险的场景中。

Description

基于多模态信息的驾驶危险系数评估方法和装置
技术领域
本发明涉及汽车技术领域，特别是涉及一种基于多模态信息的驾驶危险系数评估方法和装置。
背景技术
随着人们生活水平的提高和生活节奏的加快，车辆越来越普及，交通运输的压力也因此空前增大，汽车驾驶的安全问题逐渐成为人们关注的焦点。为了方便交通部门对车辆的监管，保险公司对保险风险的预测以及公司对网约车和出租车的监督，需要对驾驶员的驾驶危险系数进行合理正确地评估。而现有的车内监控***和车外监控***是无法自动检测出驾驶员在驾驶汽车过程中的驾驶危险系数的，只能依靠人工查看车内监控录像对驾驶员在车内的行为举止进行分析、人工查看车外监控录像对驾驶员开车过程中的违规行为进行分析，粗略地评估驾驶员的驾驶危险系数，从而导致获取驾驶员危险系数的效率和准确率都很低。
发明内容
有鉴于此，本发明提供的基于多模态信息的驾驶危险系数评估方法和装置，能够解决现有技术评估驾驶员危险系数效率和准确率低的问题。
本发明的目的是采用以下技术方案来实现的：
第一方面，本发明提供了一种基于多模态信息的驾驶危险系数评估方法，该方法包括以下步骤：
通过安装于车外的摄像头获取驾驶过程中的路况信息；
通过安装于车内的摄像头获取驾驶过程中的驾驶行为信息；
通过传感器获取车辆状态信息；
通过采集分析驾驶员驾驶过程中车辆的状态信息，来评估驾驶员的第一驾驶危险系数；
通过检测驾驶员在驾驶过程中的驾驶行行为信息，来评估驾驶员的第二驾驶危险系数；
通过采集单位时间的路况信息，并结合采集到的驾驶员的行为信息。计算单位实际内检测到的各种交通规则违反的数目，得到基于交通规则的危险系数；
通过采集单位时间内的路况信息，并结合采集到的驾驶员的行为信息，计算单位时间内检测到的各种危险警报的数目，得到基于行车特征的危险系数；
根据上述四个驾驶危险系数，通过加权将四个不同危险系数映射成一个综合的危险系数。
第二方面，本发明提供了一种基于多模态信息的驾驶危险系数评估装置，该装置包括：
路况信息获取模块，用于通过安装于车外的摄像头获取驾驶过程中的路况信息；
驾驶行为信息获取模块，用于通过安装于车内的摄像头获取驾驶过程中的驾驶行为信息；
车辆状态信息获取模块，用于通过传感器获取车辆状态信息；
评估模块，用于通过采集分析驾驶员驾驶过程中车辆的状态信息，来评估驾驶员的第一驾驶危险系数；
所述评估模块还用于通过检测驾驶员在驾驶过程中的驾驶行行为信息，来评估驾驶员的第二驾驶危险系数；
所述评估模块还用于通过采集单位时间的路况信息，并结合采集到的驾驶员的行为信息；计算单位实际内检测到的各种交通规则违反的数目，得到基于交通规则的危险系数；
所述评估模块还用于通过采集单位时间内的路况信息，并结合采集到的驾驶员的行为信息，计算单位时间内检测到的各种危险警报的数目，得到基于行车特征的危险系数；
加权处理模块，用于根据上述四个驾驶危险系数，通过加权将四个不同危险系数映射成一个综合的危险系数。
第三方面，本发明提供了一种基于多模态信息的驾驶危险系数评估方法，所述方法包括：
通过采集并分析车辆在行驶过程中的状态信息，计算基于车辆的机械物理信息的驾驶危险系数；
通过采集并分析驾驶员在驾驶车辆过程中的驾驶行为信息，计算基于驾驶员行为举止的驾驶危险系数；
通过采集并分析单位时间内的交通标识以及所述交通标识对应的驾驶行为信息，计算基于交通规则的驾驶危险系数；
通过采集并分析单位时间内所述车辆与周围对象的相对关系以及所述相对关系对应的驾驶行为信息，计算基于周围对象的驾驶危险系数；
对所述基于车辆的机械物理信息的驾驶危险系数、所述基于驾驶员行为的驾驶危险系数、所述基于交通规则的驾驶危险系数以及所述基于周围对象的驾驶危险系数进行加权处理，获得综合的驾驶危险系数。
第四方面，本发明提供了一种基于多模态信息的驾驶危险系数评估装置，所述装置包括：
第一计算单元，用于通过采集并分析车辆在行驶过程中的状态信息，计算基于车辆的机械物理信息的驾驶危险系数；
第二计算单元，用于通过采集并分析驾驶员在驾驶车辆过程中的驾驶行为信息，计算基于驾驶员行为举止的驾驶危险系数；
第三计算单元，用于通过采集并分析单位时间内的交通标识以及所述交通标识对应的驾驶行为信息，计算基于交通规则的驾驶危险系数；
第四计算单元，用于通过采集并分析单位时间内所述车辆与周围对象的相对关系以及所述相对关系对应的驾驶行为信息，计算基于周围对象的驾驶危险系数；
加权单元，用于对所述基于车辆的机械物理信息的驾驶危险系数、所述基于驾驶员行为的驾驶危险系数、所述基于交通规则的驾驶危险系数以及所述基于周围对象的驾驶危险系数进行加权处理，获得综合的驾驶危险系数。
第五方面，本发明提供了一种存储介质，所述存储介质存储有多条指令，所述指令适用于由处理器加载并执行如第一方面或第三方面所述的基于多模态信息的驾驶危险系数评估方法。
第六方面，本发明提供了一种基于多模态信息的驾驶危险系数评估装置，所述装置包括存储介质和处理器；
所述处理器，适于实现各指令；
所述存储介质，适于存储多条指令；
所述指令适于由所述处理器加载并执行如第一方面或第三方面所述的基于多模态信息的驾驶危险系数评估方法。
第七方面，本发明提供了一种基于多模态信息的驾驶危险系数评估装置，所述装置包括车辆行驶信息传感器、驾驶员监测相机、交通标识检测相机、道路行人车辆检测相机以及嵌入式车机***；其中，
所述嵌入式车机***，用于通过所述车辆行驶信息传感器采集车辆在行驶过程中的状态信息，并根据所述状态信息计算基于车辆的机械物理信息的驾驶危险系数；
通过所述驾驶员监测相机采集驾驶员在驾驶车辆过程中的驾驶行为信息，并根据所述驾驶行为信息计算基于驾驶员行为举止的驾驶危险系数；
通过所述交通标识检测相机采集单位时间内的交通标识以及通过所述车辆行驶信息传感器采集所述交通标识对应的驾驶行为信息，并根据所述交通标识和所述交通标识对应的驾驶行为信息，计算基于交通规则的驾驶危险系数；
通过所述道路行人车辆检测相机采集单位时间内所述车辆与周围对象的相对关系以及通过所述车辆行驶信息传感器采集所述相对关系对应的驾驶行为信息，并根据所述车辆与周围对象的相对关系以及所述相对关系对应的驾驶行为信息，计算基于周围对象的驾驶危险系数；
对所述基于车辆的机械物理信息的驾驶危险系数、所述基于驾驶员行为的驾驶危险系数、所述基于交通规则的驾驶危险系数以及所述基于周围对象的驾驶危险系数进行加权处理，获得综合的驾驶危险系数。
借由上述技术方案，本发明提供的基于多模态信息的驾驶危险系数评估方法和装置，能够由嵌入式车机***自动化地分别通过采集并分析车辆在行驶过程中的状态信息，计算得到基于车辆的机械物理信息的驾驶危险系数，通过采集并分析驾驶员在驾驶车辆过程中的驾驶行为信息，计算得到基于驾驶员行为举止的驾驶危险系数，通过采集并分析单位时间内的交通标识以及该交通标识对应的驾驶行为信息，计算得到基于交通规则的驾驶危险系数，通过采集并分析单位时间内所述车辆与周围对象的相对关系以及该相对关系对应的驾驶行为信息，计算得到基于周围对象的驾驶危险系数，然后对这四个驾驶危险系数进行加权处理，从而得到综合的驾驶危险系数，进而不仅不需要人工分析监控录像，而且还可以从驾驶员驾驶车辆过程中的各个方面综合分析该驾驶员的驾驶危险系数，相比于人工分析的准确率大大提高。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的一种基于多模态信息的驾驶危险系数评估方法的软件***框图；
图2示出了本发明实施例提供的一种基于多模态信息的驾驶危险系数评估方法的硬件***框图。
图3示出了本发明实施例提供的一种基于多模态信息的驾驶危险系数评估方法的流程图；
图4示出了本发明实施例提供的一种获取基于车辆的机械物理信息的驾驶危险系数的流程图；
图5示出了本发明实施例提供的一种获取驾驶员行为举止的驾驶危险系数的流程图；
图6示出了本发明实施例提供的一种获取基于交通规则的驾驶危险系数的流程图；
图7示出了本发明实施例提供的一种获取基于周围对象的驾驶危险系数的流程图；
图8示出了本发明实施例提供的一种基于多模态信息的驾驶危险系数评估装置的组成框图；
图9示出了本发明实施例提供的另一种基于多模态信息的驾驶危险系数评估装置的组成框图；
图10示出了本发明实施例提供的又一种基于多模态信息的驾驶危险系数评估装置的组成框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
下面结合附图对本发明作进一步详细描述。
图1为本发明一个实施例的基于多模态信息的驾驶危险系数评估方法的软件***框图。
根据本实施例的方法包括：
步骤S1，通过安装于车外的摄像头获取驾驶过程中的路况信息；
步骤S2，通过安装于车内的摄像头获取驾驶过程中的驾驶行为信息；
步骤S3，通过传感器获取车辆状态信息；
步骤S4，通过采集分析驾驶员驾驶过程中车辆的状态信息，来评估驾驶员的第一驾驶危险系数；
所述通过采集分析驾驶员驾驶过程中车辆的状态信息，来评估驾驶员的第一驾驶危险系数的步骤包括：
通过车辆行驶传感器采集的信号包括车速，油门和刹车信息；
使用映射函数将这三个方面的信息，映射成第一驾驶危险系数。
通过采集分析驾驶员驾驶过程中车辆的状态信息，来评估驾驶员的驾驶危险系数。通过车辆行驶传感器采取的信号包括但不局限于车速，油门和刹车等方面的信息。在通过车辆的行驶信息来考量驾驶员的驾驶危险系数时，不安全的驾驶员有如下特征：
车辆速度急剧变化，通常对于熟练的驾驶员来说，保持平稳的速度是很必要的；
油门量急剧变化；
刹车数目在单位时间内频繁发生；
本发明将使用映射函数将这三个方面的信息，映射成一个分数A＝fa(a1，a2，a3...)。
步骤S5，通过检测驾驶员在驾驶过程中的驾驶行行为信息，来评估驾驶员的第二驾驶危险系数；
所述通过检测驾驶员在驾驶过程中的驾驶行行为信息，来评估驾驶员的第二驾驶危险系数的步骤包括：
通过检测驾驶员在驾驶过程中出现的注意力不集中、使用手机和饮食行为信息；
基于单位时间内检测到的各种情况的数目，使用映射函数，得到基于驾驶员行为举止的第二驾驶危险系数。
通过检测驾驶员在驾驶过程中出现注意力不集中、使用手机和有饮食行为等情况，来评估驾驶员的驾驶危险系数。在检测到用户出现眼睛长时间没有注视前方、使用手机和有饮食行为等情况后，本模块将基于单位时间内检测到的各种情况的数目，使用映射函数，给出基于驾驶员行为举止的危险系数B＝fb(b1，b2，b3...)。
步骤S6，通过采集单位时间的路况信息，并结合采集到的驾驶员的行为信息。计算单位实际内检测到的各种交通规则违反的数目，得到基于交通规则的危险系数；
所述通过采集单位时间的路况信息，并结合采集到的驾驶员的行为信息。计算单位实际内检测到的各种交通规则违反的数目，得到基于交通规则的危险系数的步骤包括：
通过检测单位时间内驾驶过程中出现的交通标识，并结合采集到的驾驶员的采取的措施；
判断驾驶员是否存在在拐弯时减速、遵守红绿灯规则和公路超速行为；
基于单位时间内检测到的各种交通规则违反的数目，使用映射函数，得到基于交通规则的危险系数。
通过检测单位时间内驾驶过程中出现的交通标识，并结合采集到的驾驶员的采取的措施(加速，减速，停车等)，判断驾驶员是否在拐弯的时候减速、遵守红绿灯规则和公路超速等情况。基于单位实际内检测到的各种交通规则违反的数目，使用映射函数，给出基于交通规则的危险系数C＝fc(c1，c2，c3...)。
步骤S7，通过采集单位时间内的路况信息，并结合采集到的驾驶员的行为信息，计算单位时间内检测到的各种危险警报的数目，得到基于行车特征的危险系数；
所述通过采集单位时间内的路况信息，并结合采集到的驾驶员的行为信息，计算单位时间内检测到的各种危险警报的数目，得到基于行车特征的危险系数的步骤包括：
通过检测单位时间内驾驶过程中出现的行人、车辆和车道的位置，并结合采集到的驾驶员的采取的措施；
判断驾驶员是否在驾驶过程中与行人过近、距离前车距离到达小于安全距离和随意变更车道的情况；
基于单位时间内检测到的各种危险警报的数目，使用映射函数，得到基于行车特征的危险系数。
通过检测单位时间内驾驶过程中出现的行人、车辆和车道的位置，并结合采集到的驾驶员的采取的措施(加速，减速，停车等)，判断驾驶员是否在驾驶过程中与行人过近、距离前车距离到达小于安全距离和随意变更车道等情况。基于单位实际内检测到的各种危险警报的数目，使用映射函数，给出基于行车特征的危险系数D＝fd(d1，d2，d3...)。
步骤S8，根据上述四个驾驶危险系数，通过加权将四个不同危险系数映射成一个综合的危险系数。
与现有技术相比，本发明具有以下优点：现有技术中评估驾驶危险的方法，采取的信息比较单一，无法对驾驶员的驾驶行为作准确有效的刻画。另外一方面，目前的评估分析的方法大多从驾驶车辆本身出发来分析驾驶危险系数，并没有将驾驶车辆在驾驶过程中与周围的的环境的变化考虑在内。本发明打破了本领域技术人员的上述惯性思维，并能够实现以下效果：利用多模态信息来对驾驶员的驾驶危险系数进行更准确的评估。将驾驶车辆在驾驶过程中与周围的的环境的变化考虑在内。本发明提出将驾驶车辆与前方车辆，行人和车道线的相对关系这一重要信息纳入对驾驶员的驾驶行为的驾驶危险评估***中来，可以有效提高驾驶危险评估***的区分度和有效性。
进一步的，图2为本发明一个实施例的基于多模态信息的驾驶危险系数评估装置的硬件***框图。
该装置包括：
路况信息获取模块10，用于通过安装于车外的摄像头获取驾驶过程中的路况信息；
驾驶行为信息获取模块20，用于通过安装于车内的摄像头获取驾驶过程中的驾驶行为信息；
车辆状态信息获取模块30，用于通过传感器获取车辆状态信息；
评估模块40，用于通过采集分析驾驶员驾驶过程中车辆的状态信息，来评估驾驶员的第一驾驶危险系数；
其中，所述通过采集分析驾驶员驾驶过程中车辆的状态信息，来评估驾驶员的第一驾驶危险系数具体为通过车辆行驶传感器采集的信号包括车速，油门和刹车信息，使用映射函数将这三个方面的信息，映射成第一驾驶危险系数。
通过采集分析驾驶员驾驶过程中车辆的状态信息，来评估驾驶员的驾驶危险系数。通过车辆行驶传感器采取的信号包括但不局限于车速，油门和刹车等方面的信息。在通过车辆的行驶信息来考量驾驶员的驾驶危险系数时，不安全的驾驶员有如下特征：
车辆速度急剧变化，通常对于熟练的驾驶员来说，保持平稳的速度是很必要的；
油门量急剧变化；
刹车数目在单位时间内频繁发生；
本发明将使用映射函数将这三个方面的信息，映射成一个分数A＝fa(a1，a2，a3...)。
所述评估模块40还用于通过检测驾驶员在驾驶过程中的驾驶行行为信息，来评估驾驶员的第二驾驶危险系数；
其中，所述通过检测驾驶员在驾驶过程中的驾驶行行为信息，来评估驾驶员的第二驾驶危险系数具体为通过检测驾驶员在驾驶过程中出现的注意力不集中、使用手机和饮食行为信息，基于单位时间内检测到的各种情况的数目，使用映射函数，得到基于驾驶员行为举止的第二驾驶危险系数。
通过检测驾驶员在驾驶过程中出现注意力不集中、使用手机和有饮食行为等情况，来评估驾驶员的驾驶危险系数。在检测到用户出现眼睛长时间没有注视前方、使用手机和有饮食行为等情况后，本模块将基于单位时间内检测到的各种情况的数目，使用映射函数，给出基于驾驶员行为举止的危险系数B＝fb(b1，b2，b3...)。
所述评估模块40还用于通过采集单位时间的路况信息，并结合采集到的驾驶员的行为信息。计算单位实际内检测到的各种交通规则违反的数目，得到基于交通规则的危险系数；
其中，所述通过采集单位时间的路况信息，并结合采集到的驾驶员的行为信息。计算单位实际内检测到的各种交通规则违反的数目，得到基于交通规则的危险系数具体为通过检测单位时间内驾驶过程中出现的交通标识，并结合采集到的驾驶员的采取的措施，判断驾驶员是否存在在拐弯时减速、遵守红绿灯规则和公路超速行为，基于单位时间内检测到的各种交通规则违反的数目，使用映射函数，得到基于交通规则的危险系数。
通过检测单位时间内驾驶过程中出现的交通标识，并结合采集到的驾驶员的采取的措施(加速，减速，停车等)，判断驾驶员是否在拐弯的时候减速、遵守红绿灯规则和公路超速等情况。基于单位实际内检测到的各种交通规则违反的数目，使用映射函数，给出基于交通规则的危险系数C＝fc(c1，c2，c3...)。
所述评估模块40还用于通过采集单位时间内的路况信息，并结合采集到的驾驶员的行为信息，计算单位时间内检测到的各种危险警报的数目，得到基于行车特征的危险系数；
其中，所述通过采集单位时间内的路况信息，并结合采集到的驾驶员的行为信息，计算单位时间内检测到的各种危险警报的数目，得到基于行车特征的危险系数具体为通过检测单位时间内驾驶过程中出现的行人、车辆和车道的位置，并结合采集到的驾驶员的采取的措施，判断驾驶员是否在驾驶过程中与行人过近、距离前车距离到达小于安全距离和随意变更车道的情况，基于单位时间内检测到的各种危险警报的数目，使用映射函数，得到基于行车特征的危险系数。
通过检测单位时间内驾驶过程中出现的行人、车辆和车道的位置，并结合采集到的驾驶员的采取的措施(加速，减速，停车等)，判断驾驶员是否在驾驶过程中与行人过近、距离前车距离到达小于安全距离和随意变更车道等情况。基于单位实际内检测到的各种危险警报的数目，使用映射函数，给出基于行车特征的危险系数D＝fd(d1，d2，d3...)。
加权处理模块50，用于根据上述四个驾驶危险系数，通过加权将四个不同危险系数映射成一个综合的危险系数。
与现有技术相比，本发明具有以下优点：现有技术中评估驾驶危险的方法，采取的信息比较单一，无法对驾驶员的驾驶行为作准确有效的刻画。另外一方面，目前的评估分析的方法大多从驾驶车辆本身出发来分析驾驶危险系数，并没有将驾驶车辆在驾驶过程中与周围的的环境的变化考虑在内。本发明打破了本领域技术人员的上述惯性思维，并能够实现以下效果：利用多模态信息来对驾驶员的驾驶危险系数进行更准确的评估。将驾驶车辆在驾驶过程中与周围的的环境的变化考虑在内。本发明提出将驾驶车辆与前方车辆，行人和车道线的相对关系这一重要信息纳入对驾驶员的驾驶行为的驾驶危险评估***中来，可以有效提高驾驶危险评估***的区分度和有效性。
需要注意的是，本发明可在软件和/或软件与硬件的组合体中被实施，例如，本发明的各个装置可采用专用集成电路(ASIC)或任何其他类似硬件设备来实现。在一个实施例中，本发明的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本发明的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本发明的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
进一步的，本发明实施例提供了一种基于多模态信息的驾驶危险系数评估方法，如图3所示，所述方法包括：
101、通过采集并分析车辆在行驶过程中的状态信息，计算基于车辆的机械物理信息的驾驶危险系数。
驾驶员在驾驶车辆的过程中，往往会出现改变车速、踩刹车等行为来改变车辆的行驶状态，从而可能导致交通事故，造成人员伤亡。例如，一个刚入门的驾驶员首次开车时，可能会因为紧张而频繁踩刹车，从而很可能会发生撞车、撞树等危险情况。因此，可以针对车辆在行驶过程中的状态信息，来分析驾驶危险程度。
具体的，如图4所示，可以先通过车辆行驶信息传感器采集车速信息、油门信息和刹车信息；然后分别基于采集的车速信息、油门信息以及刹车信息分析出车速的变化、油门量的变化以及刹车的使用频率；最后基于第一映射函数，对所述车速的变化、所述油门量的变化以及所述刹车的使用频率进行计算，得到所述基于车辆的机械物理信息的驾驶危险系数。所述第一映射函数是基于车辆在行驶过程中状态信息的变化情况以及每种变化情况对应的驾驶危险程度评价进行机器自学习而得的回归函数，当基于第一映射函数对所述车速的变化、所述油门量的变化以及所述刹车的使用频率进行计算，得到所述基于车辆的机械物理信息的驾驶危险系数时，需要将所述车速的变化、所述油门量的变化以及所述刹车的使用频率作为第一映射函数的输入，由机器进行自学习，得出驾驶危险系数。例如驾驶员每10分钟踩一次油门，相关技术人员对此进行的驾驶危险程度评价是非常危险。
需要说明的是，本步骤中涉及的车辆的状态信息不仅局限于车速信息、油门信息、刹车信息，还可以包括其他会引起车辆状态发生变化的信息，例如拐弯信息。另外，本步骤中使用的车辆行驶信息传感器包括但不限于车载诊断***(On-Board Diagnostic，OBD)。
102、通过采集并分析驾驶员在驾驶车辆过程中的驾驶行为信息，计算基于驾驶员行为举止的驾驶危险系数。
在驾驶员驾驶车辆的过程中，若驾驶员不认真驾驶车辆，而是频繁玩手机、频繁打瞌睡(即疲劳驾驶，可以通过检测驾驶员眼睛睁眼、闭眼的情况进行判断)，并且还在车内饮食，则也会导致交通事故，造成人员伤亡。因此，可以针对驾驶员在驾驶车辆过程中的驾驶行为信息，来分析驾驶危险程度。
具体的，如图5所示，可以先通过摄像头采集单位时间内所述驾驶员在驾驶过程中出现的各种危险行为举止的数量；然后基于第二映射函数，对所述各种危险行为举止的数量进行计算，得到所述基于驾驶员行为举止的驾驶危险系数。其中，所述危险行为举止包括但不限于：疲劳驾驶、使用手机和饮食行为。本步骤中的摄像头可以为驾驶员监测相机中的摄像头，安装在车内驾驶员前方，用于实时获取驾驶员在驾驶过程中的行为举止视频信息。所述第二映射函数是基于各种危险行为举止的数量和每种危险行为举止的数量对应的驾驶危险程度评价进行机器自学习而得的回归函数。例如疲劳驾驶次数为3次，相关技术人员对其进行的驾驶危险程度评价是较危险。
103、通过采集并分析单位时间内的交通标识以及所述交通标识对应的驾驶行为信息，计算基于交通规则的驾驶危险系数。
交通规则的制定是为了维护交通安全，因此违反交通规则，可能会导致交通事故，造成人员伤亡。因此，可以针对驾驶员违反交通规则的信息，来分析驾驶危险程度。
具体的，如图6所示，可以先通过摄像头采集所述单位时间内出现的交通标识，以及通过车辆行驶信息传感器采集所述交通标识对应的驾驶行为信息；然后基于所述交通标识和所述交通标识对应的驾驶行为信息，获取所述驾驶员违反交通规则的类型和数量；最后基于第三映射函数，对各种违反交通规则的数量进行计算，得到所述基于交通规则的驾驶危险系数。所述第三映射函数是基于各种违反交通规则的数量以及每种违反交通规则的数量对应的驾驶危险程度评价进行机器自学习而得的回归函数。例如，闯红灯的次数是0，相关技术人员对其的驾驶危险程度评价是安全。
其中，本步骤中的摄像头可以为交通标志检测相机中的摄像头，安装在车外且朝向正前方，用于实时获取驾驶员在驾驶过程中遇到的交通标志视频信息。
示例性的，车辆驾驶前方的交通标识是红灯，驾驶员却仍然开车前行，此时可以判断该驾驶员违反了禁止闯红灯的交通规则。
104、通过采集并分析单位时间内所述车辆与周围对象的相对关系以及所述相对关系对应的驾驶行为信息，计算基于周围对象的驾驶危险系数。
驾驶车辆的安全不仅仅涉及驾驶员本身的驾驶行为信息，还涉及当前驾驶车辆与周围对象的关系，例如当有人突然横穿马路的情况下，若驾驶员不立即刹车，则很可能会造成人员伤亡。因此，可以针对驾驶员面对当前车辆周围情况的驾驶信息，来分析驾驶危险程度。
具体的，如图7所示，可以先通过摄像头检测单位时间内驾驶过程中周围行人、周围车辆和车道与当前车辆的距离，以及通过车辆行驶信息传感器采集对应的驾驶员的驾驶行为信息；然后统计单位时间内所述周围行人与所述当前车辆的距离小于第一安全距离的数量、所述周围车辆与所述当前车辆的距离小于第二安全距离的数量以及所述当前车辆对应的非正常变更车道的数量；最后基于第四映射函数，对各种数量进行计算，得到所述基于周围对象的驾驶危险系数。所述第四映射函数是基于所述各种数量和所述各种数量对应的驾驶危险程度评价进行机器自学习而得的回归函数。例如当前车辆与周围车辆距离小于第二安全距离的数量是1次，相关技术人员对其进行的驾驶危险程度评价是较安全。
其中，本步骤中的摄像头可以为道路行人车辆检测相机中的摄像头，安装在车外且朝向正前方，用于实时获取驾驶员在驾驶过程中遇到的前方车道、行人及车辆的视频信息。
105、对所述基于车辆的机械物理信息的驾驶危险系数、所述基于驾驶员行为的驾驶危险系数、所述基于交通规则的驾驶危险系数以及所述基于周围对象的驾驶危险系数进行加权处理，获得综合的驾驶危险系数。
在从各个方面获取到驾驶危险系数后，为了对该驾驶员驾车过程中的危险情况进行综合评估，可以针对不同方面的驾驶危险系数的重要性，为不同的驾驶危险系数分配不同的权重，然后进行加权处理，获得综合的驾驶危险系数。其中，各个权重之和为1，并且权重不是根据一个车辆统计而得的，而是根据大量车辆统计而得的。
本发明实施例提供的基于多模态信息的驾驶危险系数评估方法，能够由嵌入式车机***自动化地分别通过采集并分析车辆在行驶过程中的状态信息，计算得到基于车辆的机械物理信息的驾驶危险系数，通过采集并分析驾驶员在驾驶车辆过程中的驾驶行为信息，计算得到基于驾驶员行为举止的驾驶危险系数，通过采集并分析单位时间内的交通标识以及该交通标识对应的驾驶行为信息，计算得到基于交通规则的驾驶危险系数，通过采集并分析单位时间内所述车辆与周围对象的相对关系以及该相对关系对应的驾驶行为信息，计算得到基于周围对象的驾驶危险系数，然后对这四个驾驶危险系数进行加权处理，从而得到综合的驾驶危险系数，进而不仅不需要人工分析监控录像，而且还可以从驾驶员驾驶车辆过程中的各个方面综合分析该驾驶员的驾驶危险系数，相比于人工分析的准确率大大提高。
可选的，由于随着被统计车辆越来越多，新加入的驾驶员越来越多，所有驾驶员在驾驶车辆过程中产生的危险驾驶行为的数量也会发生改变。由于危险驾驶行为的数量在一定程度上表征了该危险驾驶行为在加权处理中所占的比重，所以此时若依然采用之前设置的权重进行计算，则会导致计算得到的综合的驾驶危险系数不准确。因此，为了提高计算综合的驾驶危险系数的准确性，可以根据不同驾驶员产生不同危险驾驶行为的数量变化，对加权处理中所需的权重进行调整，以使得危险驾驶行为的数量越多，权重越高，所述危险驾驶行为包括与车辆的机械物理信息相关的危险行为、与行为举止相关的危险行为、与交通规则相关的危险行为以及与周围对象相关的危险行为。
进一步的，依据图3所示的方法，本发明的另一个实施例还提供了一种基于多模态信息的驾驶危险系数评估装置，如图8所示，所述装置主要包括：
第一计算单元21，用于通过采集并分析车辆在行驶过程中的状态信息，计算基于车辆的机械物理信息的驾驶危险系数；
第二计算单元22，用于通过采集并分析驾驶员在驾驶车辆过程中的驾驶行为信息，计算基于驾驶员行为举止的驾驶危险系数；
第三计算单元23，用于通过采集并分析单位时间内的交通标识以及所述交通标识对应的驾驶行为信息，计算基于交通规则的驾驶危险系数；
第四计算单元24，用于通过采集并分析单位时间内所述车辆与周围对象的相对关系以及所述相对关系对应的驾驶行为信息，计算基于周围对象的驾驶危险系数；
加权单元25，用于对所述基于车辆的机械物理信息的驾驶危险系数、所述基于驾驶员行为的驾驶危险系数、所述基于交通规则的驾驶危险系数以及所述基于周围对象的驾驶危险系数进行加权处理，获得综合的驾驶危险系数。
进一步的，如图9所示，所述装置还包括：
调整单元26，用于根据不同驾驶员产生不同危险驾驶行为的数量变化，对加权处理中所需的权重进行调整，以使得危险驾驶行为的数量越多，权重越高，所述危险驾驶行为包括与车辆的机械物理信息相关的危险行为、与行为举止相关的危险行为、与交通规则相关的危险行为以及与周围对象相关的危险行为。
进一步的，如图9所示，所述第一计算单元21包括：
第一采集模块211，用于通过车辆行驶信息传感器采集车速信息、油门信息和刹车信息；
分析模块212，用于分别基于采集的车速信息、油门信息以及刹车信息分析出车速的变化、油门量的变化以及刹车的使用频率；
第一计算模块213，用于基于第一映射函数，对所述车速的变化、所述油门量的变化以及所述刹车的使用频率进行计算，得到所述基于车辆的机械物理信息的驾驶危险系数。
所述第一映射函数是基于车辆在行驶过程中状态信息的变化情况以及每种变化情况对应的驾驶危险程度评价进行机器自学习而得的回归函数。
进一步的，如图9所示，所述通第二计算单元221包括：
第二采集模块222，用于通过摄像头采集单位时间内所述驾驶员在驾驶过程中出现的各种危险行为举止的数量；
第二计算模块223，用于基于第二映射函数，对所述各种危险行为举止的数量进行计算，得到所述基于驾驶员行为举止的驾驶危险系数。
进一步的，所述危险行为举止包括：疲劳驾驶、使用手机和饮食行为；
和/或，所述第二映射函数是基于各种危险行为举止的数量和每种危险行为举止的数量对应的驾驶危险程度评价进行机器自学习而得的回归函数。
进一步的，如图9所示，所述第三计算单元23包括：
第三采集模块231，用于通过摄像头采集所述单位时间内出现的交通标识，以及所述交通标识对应的驾驶行为信息；
获取模块232，用于基于所述交通标识和所述交通标识对应的驾驶行为信息，获取所述驾驶员违反交通规则的类型和数量；
第三计算模块233，用于基于第三映射函数，对各种违反交通规则的数量进行计算，得到所述基于交通规则的驾驶危险系数。
所述第三映射函数是基于各种违反交通规则的数量以及每种违反交通规则的数量对应的驾驶危险程度评价进行机器自学习而得的回归函数。
进一步的，如图9所示，第四计算单元24包括：
检测模块241，用于通过摄像头检测单位时间内驾驶过程中周围行人、周围车辆和车道与当前车辆的距离，以及对应的驾驶员的驾驶行为信息；
统计模块242，用于统计单位时间内所述周围行人与所述当前车辆的距离小于第一安全距离的数量、所述周围车辆与所述当前车辆的距离小于第二安全距离的数量以及所述当前车辆对应的非正常变更车道的数量；
第四计算模块243，用于基于第四映射函数，对各种数量进行计算，得到所述基于周围对象的驾驶危险系数。
所述第四映射函数是基于所述各种数量和所述各种数量对应的驾驶危险程度评价进行机器自学习而得的回归函数。
本发明实施例提供的基于多模态信息的驾驶危险系数评估装置，能够由嵌入式车机***自动化地分别通过采集并分析车辆在行驶过程中的状态信息，计算得到基于车辆的机械物理信息的驾驶危险系数，通过采集并分析驾驶员在驾驶车辆过程中的驾驶行为信息，计算得到基于驾驶员行为举止的驾驶危险系数，通过采集并分析单位时间内的交通标识以及该交通标识对应的驾驶行为信息，计算得到基于交通规则的驾驶危险系数，通过采集并分析单位时间内所述车辆与周围对象的相对关系以及该相对关系对应的驾驶行为信息，计算得到基于周围对象的驾驶危险系数，然后对这四个驾驶危险系数进行加权处理，从而得到综合的驾驶危险系数，进而不仅不需要人工分析监控录像，而且还可以从驾驶员驾驶车辆过程中的各个方面综合分析该驾驶员的驾驶危险系数，相比于人工分析的准确率大大提高。
进一步的，依据上述实施例，本发明的另一个实施例还提供了一种存储介质，所述存储介质存储有多条指令，所述指令适用于由处理器加载并执行如上所述的基于多模态信息的驾驶危险系数评估方法。
本发明实施例提供的基于多模态信息的驾驶危险系数评估的存储介质中的指令，能够由嵌入式车机***自动化地分别通过采集并分析车辆在行驶过程中的状态信息，计算得到基于车辆的机械物理信息的驾驶危险系数，通过采集并分析驾驶员在驾驶车辆过程中的驾驶行为信息，计算得到基于驾驶员行为举止的驾驶危险系数，通过采集并分析单位时间内的交通标识以及该交通标识对应的驾驶行为信息，计算得到基于交通规则的驾驶危险系数，通过采集并分析单位时间内所述车辆与周围对象的相对关系以及该相对关系对应的驾驶行为信息，计算得到基于周围对象的驾驶危险系数，然后对这四个驾驶危险系数进行加权处理，从而得到综合的驾驶危险系数，进而不仅不需要人工分析监控录像，而且还可以从驾驶员驾驶车辆过程中的各个方面综合分析该驾驶员的驾驶危险系数，相比于人工分析的准确率大大提高。
进一步的，依据上述实施例，本发明的另一个实施例还提供了一种基于多模态信息的驾驶危险系数评估装置，所述装置包括存储介质和处理器；
所述处理器，适于实现各指令；
所述存储介质，适于存储多条指令；
所述指令适于由所述处理器加载并执行如上所述的基于多模态信息的驾驶危险系数评估方法。
本发明实施例提供的基于多模态信息的驾驶危险系数评估的装置，能够由嵌入式车机***自动化地分别通过采集并分析车辆在行驶过程中的状态信息，计算得到基于车辆的机械物理信息的驾驶危险系数，通过采集并分析驾驶员在驾驶车辆过程中的驾驶行为信息，计算得到基于驾驶员行为举止的驾驶危险系数，通过采集并分析单位时间内的交通标识以及该交通标识对应的驾驶行为信息，计算得到基于交通规则的驾驶危险系数，通过采集并分析单位时间内所述车辆与周围对象的相对关系以及该相对关系对应的驾驶行为信息，计算得到基于周围对象的驾驶危险系数，然后对这四个驾驶危险系数进行加权处理，从而得到综合的驾驶危险系数，进而不仅不需要人工分析监控录像，而且还可以从驾驶员驾驶车辆过程中的各个方面综合分析该驾驶员的驾驶危险系数，相比于人工分析的准确率大大提高。
进一步的，依据上述实施例，本发明的另一个实施例还提供了一种基于多模态信息的驾驶危险系数评估装置，如图10所示，该装置主要包括：车辆行驶信息传感器、驾驶员监测相机、交通标识检测相机、道路行人车辆检测相机以及嵌入式车机***；其中，所述嵌入式车机***中包含有处理器和存储介质；
嵌入式车机***，用于通过车辆行驶信息传感器采集车辆在行驶过程中的状态信息，并根据所述状态信息计算基于车辆的机械物理信息的驾驶危险系数；
通过驾驶员监测相机采集驾驶员在驾驶车辆过程中的驾驶行为信息，并根据所述驾驶行为信息计算基于驾驶员行为举止的驾驶危险系数；
通过交通标识检测相机采集单位时间内的交通标识以及通过所述车辆行驶信息传感器采集所述交通标识对应的驾驶行为信息，并根据所述交通标识和所述交通标识对应的驾驶行为信息，计算基于交通规则的驾驶危险系数；
通过道路行人车辆检测相机采集单位时间内所述车辆与周围对象的相对关系以及通过所述车辆行驶信息传感器采集所述相对关系对应的驾驶行为信息，并根据所述车辆与周围对象的相对关系以及所述相对关系对应的驾驶行为信息，计算基于周围对象的驾驶危险系数；
对所述基于车辆的机械物理信息的驾驶危险系数、所述基于驾驶员行为的驾驶危险系数、所述基于交通规则的驾驶危险系数以及所述基于周围对象的驾驶危险系数进行加权处理，获得综合的驾驶危险系数。
需要说明的是，车辆行驶信息传感器、驾驶员监测相机、交通标识检测相机、道路行人车辆检测相机以及嵌入式车机***可以进行的其他操作，可以参见上述方法实施例，在此不再赘述。
本发明实施例提供的基于多模态信息的驾驶危险系数评估的装置，能够由嵌入式车机***自动化地分别通过车辆行驶信息传感器采集到的车辆在行驶过程中的状态信息，计算得到基于车辆的机械物理信息的驾驶危险系数，通过驾驶员监测相机采集到的驾驶员在驾驶车辆过程中的驾驶行为信息，计算得到基于驾驶员行为举止的驾驶危险系数，通过交通标识检测相机和车辆行驶信息传感器采集到的单位时间内的交通标识以及该交通标识对应的驾驶行为信息，计算得到基于交通规则的驾驶危险系数，通过道路行人车辆检测相机和车辆行驶信息传感器采集到的单位时间内所述车辆与周围对象的相对关系以及该相对关系对应的驾驶行为信息，计算得到基于周围对象的驾驶危险系数，然后对这四个驾驶危险系数进行加权处理，从而得到综合的驾驶危险系数，进而不仅不需要人工分析监控录像，而且还可以从驾驶员驾驶车辆过程中的各个方面综合分析该驾驶员的驾驶危险系数，相比于人工分析的准确率大大提高。
本发明实施例还公开了：
a1、一种基于多模态信息的驾驶危险系数评估的方法，该方法包括以下步骤：
通过安装于车外的摄像头获取驾驶过程中的路况信息；
通过安装于车内的摄像头获取驾驶过程中的驾驶行为信息；
通过传感器获取车辆状态信息；
通过采集分析驾驶员驾驶过程中车辆的状态信息，来评估驾驶员的第一驾驶危险系数；
通过检测驾驶员在驾驶过程中的驾驶行行为信息，来评估驾驶员的第二驾驶危险系数；
通过采集单位时间的路况信息，并结合采集到的驾驶员的行为信息。计算单位实际内检测到的各种交通规则违反的数目，得到基于交通规则的危险系数；
通过采集单位时间内的路况信息，并结合采集到的驾驶员的行为信息，计算单位时间内检测到的各种危险警报的数目，得到基于行车特征的危险系数；
根据上述四个驾驶危险系数，通过加权将四个不同危险系数映射成一个综合的危险系数。
a2、如a1所述的方法，所述通过采集分析驾驶员驾驶过程中车辆的状态信息，来评估驾驶员的第一驾驶危险系数的步骤包括：
通过车辆行驶传感器采集的信号包括车速，油门和刹车信息；
使用映射函数将这三个方面的信息，映射成第一驾驶危险系数。
a3、如a1所述的方法，所述通过检测驾驶员在驾驶过程中的驾驶行行为信息，来评估驾驶员的第二驾驶危险系数的步骤包括：
通过检测驾驶员在驾驶过程中出现的注意力不集中、使用手机和饮食行为信息；
基于单位时间内检测到的各种情况的数目，使用映射函数，得到基于驾驶员行为举止的第二驾驶危险系数。
a4、如a1所述的方法，所述通过采集单位时间的路况信息，并结合采集到的驾驶员的行为信息。计算单位实际内检测到的各种交通规则违反的数目，得到基于交通规则的危险系数的步骤包括：
通过检测单位时间内驾驶过程中出现的交通标识，并结合采集到的驾驶员的采取的措施；
判断驾驶员是否存在在拐弯时减速、遵守红绿灯规则和公路超速行为；
基于单位时间内检测到的各种交通规则违反的数目，使用映射函数，得到基于交通规则的危险系数。
a5、如a1所述的方法，所述通过采集单位时间内的路况信息，并结合采集到的驾驶员的行为信息，计算单位时间内检测到的各种危险警报的数目，得到基于行车特征的危险系数的步骤包括：
通过检测单位时间内驾驶过程中出现的行人、车辆和车道的位置，并结合采集到的驾驶员的采取的措施；
判断驾驶员是否在驾驶过程中与行人过近、距离前车距离到达小于安全距离和随意变更车道的情况；
基于单位时间内检测到的各种危险警报的数目，使用映射函数，得到基于行车特征的危险系数。
b6.一种基于多模态信息的驾驶危险系数评估的装置，该装置包括：
路况信息获取模块，用于通过安装于车外的摄像头获取驾驶过程中的路况信息；
驾驶行为信息获取模块，用于通过安装于车内的摄像头获取驾驶过程中的驾驶行为信息；
车辆状态信息获取模块，用于通过传感器获取车辆状态信息；
评估模块，用于通过采集分析驾驶员驾驶过程中车辆的状态信息，来评估驾驶员的第一驾驶危险系数；
所述评估模块还用于通过检测驾驶员在驾驶过程中的驾驶行行为信息，来评估驾驶员的第二驾驶危险系数；
所述评估模块还用于通过采集单位时间的路况信息，并结合采集到的驾驶员的行为信息。计算单位实际内检测到的各种交通规则违反的数目，得到基于交通规则的危险系数；
所述评估模块还用于通过采集单位时间内的路况信息，并结合采集到的驾驶员的行为信息，计算单位时间内检测到的各种危险警报的数目，得到基于行车特征的危险系数；
加权处理模块，用于根据上述四个驾驶危险系数，通过加权将四个不同危险系数映射成一个综合的危险系数。
b7、如b6所述的装置，所述通过采集分析驾驶员驾驶过程中车辆的状态信息，来评估驾驶员的第一驾驶危险系数具体为通过车辆行驶传感器采集的信号包括车速，油门和刹车信息，使用映射函数将这三个方面的信息，映射成第一驾驶危险系数。
b8、如b6所述的装置，所述通过检测驾驶员在驾驶过程中的驾驶行行为信息，来评估驾驶员的第二驾驶危险系数具体为通过检测驾驶员在驾驶过程中出现的注意力不集中、使用手机和饮食行为信息，基于单位时间内检测到的各种情况的数目，使用映射函数，得到基于驾驶员行为举止的第二驾驶危险系数。
b9、如b6所述的装置，所述通过采集单位时间的路况信息，并结合采集到的驾驶员的行为信息。计算单位实际内检测到的各种交通规则违反的数目，得到基于交通规则的危险系数具体为通过检测单位时间内驾驶过程中出现的交通标识，并结合采集到的驾驶员的采取的措施，判断驾驶员是否存在在拐弯时减速、遵守红绿灯规则和公路超速行为，基于单位时间内检测到的各种交通规则违反的数目，使用映射函数，得到基于交通规则的危险系数。
b10、如b6所述的装置，所述通过采集单位时间内的路况信息，并结合采集到的驾驶员的行为信息，计算单位时间内检测到的各种危险警报的数目，得到基于行车特征的危险系数具体为通过检测单位时间内驾驶过程中出现的行人、车辆和车道的位置，并结合采集到的驾驶员的采取的措施，判断驾驶员是否在驾驶过程中与行人过近、距离前车距离到达小于安全距离和随意变更车道的情况，基于单位时间内检测到的各种危险警报的数目，使用映射函数，得到基于行车特征的危险系数。
c11、一种基于多模态信息的驾驶危险系数评估方法，所述方法包括：
通过采集并分析车辆在行驶过程中的状态信息，计算基于车辆的机械物理信息的驾驶危险系数；
通过采集并分析驾驶员在驾驶车辆过程中的驾驶行为信息，计算基于驾驶员行为举止的驾驶危险系数；
通过采集并分析单位时间内的交通标识以及所述交通标识对应的驾驶行为信息，计算基于交通规则的驾驶危险系数；
通过采集并分析单位时间内所述车辆与周围对象的相对关系以及所述相对关系对应的驾驶行为信息，计算基于周围对象的驾驶危险系数；
对所述基于车辆的机械物理信息的驾驶危险系数、所述基于驾驶员行为的驾驶危险系数、所述基于交通规则的驾驶危险系数以及所述基于周围对象的驾驶危险系数进行加权处理，获得综合的驾驶危险系数。
c12、根据c11所述的方法，所述方法还包括：
根据不同驾驶员产生不同危险驾驶行为的数量变化，对加权处理中所需的权重进行调整，以使得危险驾驶行为的数量越多，权重越高，所述危险驾驶行为包括与车辆的机械物理信息相关的危险行为、与行为举止相关的危险行为、与交通规则相关的危险行为以及与周围对象相关的危险行为。
c13、根据c11所述的方法，所述通过采集并分析车辆在行驶过程中的状态信息，计算基于车辆的机械物理信息的驾驶危险系数包括：
通过车辆行驶信息传感器采集车速信息、油门信息和刹车信息；
分别基于采集的车速信息、油门信息以及刹车信息分析出车速的变化、油门量的变化以及刹车的使用频率；
基于第一映射函数，对所述车速的变化、所述油门量的变化以及所述刹车的使用频率进行计算，得到所述基于车辆的机械物理信息的驾驶危险系数。
c14、根据c13所述的方法，所述第一映射函数是基于车辆在行驶过程中状态信息的变化情况以及每种变化情况对应的驾驶危险程度评价进行机器自学习而得的回归函数。
c15、根据c11所述的方法，所述通过采集并分析驾驶员在驾驶车辆过程中的驾驶行为信息，计算基于驾驶员行为举止的驾驶危险系数包括：
通过摄像头采集单位时间内所述驾驶员在驾驶过程中出现的各种危险行为举止的数量；
基于第二映射函数，对所述各种危险行为举止的数量进行计算，得到所述基于驾驶员行为举止的驾驶危险系数。
c16、根据c15所述的方法，所述危险行为举止包括：疲劳驾驶、使用手机和饮食行为；
和/或，所述第二映射函数是基于各种危险行为举止的数量和每种危险行为举止的数量对应的驾驶危险程度评价进行机器自学习而得的回归函数。
c17、根据c11所述的方法，所述通过采集并分析单位时间内的交通标识以及所述交通标识对应的驾驶行为信息，计算基于交通规则的驾驶危险系数包括：
通过摄像头采集所述单位时间内出现的交通标识，以及通过车辆行驶信息传感器采集所述交通标识对应的驾驶行为信息；
基于所述交通标识和所述交通标识对应的驾驶行为信息，获取所述驾驶员违反交通规则的类型和数量；
基于第三映射函数，对各种违反交通规则的数量进行计算，得到所述基于交通规则的驾驶危险系数。
c18、根据c17所述的方法，所述第三映射函数是基于各种违反交通规则的数量以及每种违反交通规则的数量对应的驾驶危险程度评价进行机器自学习而得的回归函数。
c19、根据c11至c18中任一项所述的方法，通过采集并分析单位时间内所述车辆与周围对象的相对关系以及所述相对关系对应的驾驶行为信息，计算基于周围对象的驾驶危险系数包括：
通过摄像头检测单位时间内驾驶过程中周围行人、周围车辆和车道与当前车辆的距离，以及通过车辆行驶信息传感器采集对应的驾驶员的驾驶行为信息；
统计单位时间内所述周围行人与所述当前车辆的距离小于第一安全距离的数量、所述周围车辆与所述当前车辆的距离小于第二安全距离的数量以及所述当前车辆对应的非正常变更车道的数量；
基于第四映射函数，对各种数量进行计算，得到所述基于周围对象的驾驶危险系数。
c20、根据c19所述的方法，所述第四映射函数是基于所述各种数量和所述各种数量对应的驾驶危险程度评价进行机器自学习而得的回归函数。
d21、一种基于多模态信息的驾驶危险系数评估装置，所述装置包括：
第一计算单元，用于通过采集并分析车辆在行驶过程中的状态信息，计算基于车辆的机械物理信息的驾驶危险系数；
第二计算单元，用于通过采集并分析驾驶员在驾驶车辆过程中的驾驶行为信息，计算基于驾驶员行为举止的驾驶危险系数；
第三计算单元，用于通过采集并分析单位时间内的交通标识以及所述交通标识对应的驾驶行为信息，计算基于交通规则的驾驶危险系数；
第四计算单元，用于通过采集并分析单位时间内所述车辆与周围对象的相对关系以及所述相对关系对应的驾驶行为信息，计算基于周围对象的驾驶危险系数；
加权单元，用于对所述基于车辆的机械物理信息的驾驶危险系数、所述基于驾驶员行为的驾驶危险系数、所述基于交通规则的驾驶危险系数以及所述基于周围对象的驾驶危险系数进行加权处理，获得综合的驾驶危险系数。
d22、根据d21所述的装置，所述装置还包括：
调整单元，用于根据不同驾驶员产生不同危险驾驶行为的数量变化，对加权处理中所需的权重进行调整，以使得危险驾驶行为的数量越多，权重越高，所述危险驾驶行为包括与车辆的机械物理信息相关的危险行为、与行为举止相关的危险行为、与交通规则相关的危险行为以及与周围对象相关的危险行为。
d23、根据d21所述的装置，所述第一计算单元包括：
第一采集模块，用于通过车辆行驶信息传感器采集车速信息、油门信息和刹车信息；
分析模块，用于分别基于采集的车速信息、油门信息以及刹车信息分析出车速的变化、油门量的变化以及刹车的使用频率；
第一计算模块，用于基于第一映射函数，对所述车速的变化、所述油门量的变化以及所述刹车的使用频率进行计算，得到所述基于车辆的机械物理信息的驾驶危险系数。
d24、根据d23所述的装置，所述第一映射函数是基于车辆在行驶过程中状态信息的变化情况以及每种变化情况对应的驾驶危险程度评价进行机器自学习而得的回归函数。
d25、根据d21所述的装置，所述通第二计算单元包括：
第二采集模块，用于通过摄像头采集单位时间内所述驾驶员在驾驶过程中出现的各种危险行为举止的数量；
第二计算模块，用于基于第二映射函数，对所述各种危险行为举止的数量进行计算，得到所述基于驾驶员行为举止的驾驶危险系数。
d26、根据d25所述的装置，所述危险行为举止包括：疲劳驾驶、使用手机和饮食行为；
和/或，所述第二映射函数是基于各种危险行为举止的数量和每种危险行为举止的数量对应的驾驶危险程度评价进行机器自学习而得的回归函数。
d27、根据d21所述的装置，所述第三计算单元包括：
第三采集模块，用于通过摄像头采集所述单位时间内出现的交通标识，以及通过车辆行驶信息传感器采集所述交通标识对应的驾驶行为信息；
获取模块，用于基于所述交通标识和所述交通标识对应的驾驶行为信息，获取所述驾驶员违反交通规则的类型和数量；
第三计算模块，用于基于第三映射函数，对各种违反交通规则的数量进行计算，得到所述基于交通规则的驾驶危险系数。
d28、根据d27所述的装置，所述第三映射函数是基于各种违反交通规则的数量以及每种违反交通规则的数量对应的驾驶危险程度评价进行机器自学习而得的回归函数。
d29、根据d21至d28中任一项所述的装置，第四计算单元包括：
检测模块，用于通过摄像头检测单位时间内驾驶过程中周围行人、周围车辆和车道与当前车辆的距离，以及通过车辆行驶信息传感器采集对应的驾驶员的驾驶行为信息；
统计模块，用于统计单位时间内所述周围行人与所述当前车辆的距离小于第一安全距离的数量、所述周围车辆与所述当前车辆的距离小于第二安全距离的数量以及所述当前车辆对应的非正常变更车道的数量；
第四计算模块，用于基于第四映射函数，对各种数量进行计算，得到所述基于周围对象的驾驶危险系数。
d30、根据d29所述的装置，所述第四映射函数是基于所述各种数量和所述各种数量对应的驾驶危险程度评价进行机器自学习而得的回归函数。
e31、一种存储介质，所述存储介质存储有多条指令，所述指令适用于由处理器加载并执行如a1至a5中任一项所述的基于多模态信息的驾驶危险系数评估方法，或者加载并执行如c11至c20中任一项所述的基于多模态信息的驾驶危险系数评估方法。
f32、一种基于多模态信息的驾驶危险系数评估装置，所述装置包括存储介质和处理器；
所述处理器，适于实现各指令；
所述存储介质，适于存储多条指令；
所述指令适用于由所述处理器加载并执行如a1至a5中任一项所述的基于多模态信息的驾驶危险系数评估方法，或者加载并执行如c11至c20中任一项所述的基于多模态信息的驾驶危险系数评估方法。
f33、一种基于多模态信息的驾驶危险系数评估装置，所述装置包括车辆行驶信息传感器、驾驶员监测相机、交通标识检测相机、道路行人车辆检测相机以及嵌入式车机***；其中，
所述嵌入式车机***，用于通过所述车辆行驶信息传感器采集车辆在行驶过程中的状态信息，并根据所述状态信息计算基于车辆的机械物理信息的驾驶危险系数；
通过所述驾驶员监测相机采集驾驶员在驾驶车辆过程中的驾驶行为信息，并根据所述驾驶行为信息计算基于驾驶员行为举止的驾驶危险系数；
通过所述交通标识检测相机采集单位时间内的交通标识以及通过所述车辆行驶信息传感器采集所述交通标识对应的驾驶行为信息，并根据所述交通标识和所述交通标识对应的驾驶行为信息，计算基于交通规则的驾驶危险系数；
通过所述道路行人车辆检测相机采集单位时间内所述车辆与周围对象的相对关系以及通过所述车辆行驶信息传感器采集所述相对关系对应的驾驶行为信息，并根据所述车辆与周围对象的相对关系以及所述相对关系对应的驾驶行为信息，计算基于周围对象的驾驶危险系数；
对所述基于车辆的机械物理信息的驾驶危险系数、所述基于驾驶员行为的驾驶危险系数、所述基于交通规则的驾驶危险系数以及所述基于周围对象的驾驶危险系数进行加权处理，获得综合的驾驶危险系数。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
可以理解的是，上述方法及装置中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述，构造这类***所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的基于多模态信息的驾驶危险系数评估方法和装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (10)

1.一种基于多模态信息的驾驶危险系数评估方法，其特征在于，所述方法包括以下步骤：
通过安装于车外的摄像头获取驾驶过程中的路况信息；
通过安装于车内的摄像头获取驾驶过程中的驾驶行为信息；
通过传感器获取车辆状态信息；
通过采集分析驾驶员驾驶过程中车辆的状态信息，来评估驾驶员的第一驾驶危险系数；
通过检测驾驶员在驾驶过程中的驾驶行行为信息，来评估驾驶员的第二驾驶危险系数；
通过采集单位时间的路况信息，并结合采集到的驾驶员的行为信息。计算单位实际内检测到的各种交通规则违反的数目，得到基于交通规则的危险系数；
通过采集单位时间内的路况信息，并结合采集到的驾驶员的行为信息，计算单位时间内检测到的各种危险警报的数目，得到基于行车特征的危险系数；
根据上述四个驾驶危险系数，通过加权将四个不同危险系数映射成一个综合的危险系数。
2.一种基于多模态信息的驾驶危险系数评估装置，其特征在于，所述装置包括：
路况信息获取模块，用于通过安装于车外的摄像头获取驾驶过程中的路况信息；
驾驶行为信息获取模块，用于通过安装于车内的摄像头获取驾驶过程中的驾驶行为信息；
车辆状态信息获取模块，用于通过传感器获取车辆状态信息；
评估模块，用于通过采集分析驾驶员驾驶过程中车辆的状态信息，来评估驾驶员的第一驾驶危险系数；
所述评估模块还用于通过检测驾驶员在驾驶过程中的驾驶行行为信息，来评估驾驶员的第二驾驶危险系数；
所述评估模块还用于通过采集单位时间的路况信息，并结合采集到的驾驶员的行为信息；计算单位实际内检测到的各种交通规则违反的数目，得到基于交通规则的危险系数；
所述评估模块还用于通过采集单位时间内的路况信息，并结合采集到的驾驶员的行为信息，计算单位时间内检测到的各种危险警报的数目，得到基于行车特征的危险系数；
加权处理模块，用于根据上述四个驾驶危险系数，通过加权将四个不同危险系数映射成一个综合的危险系数。
3.一种基于多模态信息的驾驶危险系数评估方法，其特征在于，所述方法包括：
通过采集并分析车辆在行驶过程中的状态信息，计算基于车辆的机械物理信息的驾驶危险系数；
通过采集并分析驾驶员在驾驶车辆过程中的驾驶行为信息，计算基于驾驶员行为举止的驾驶危险系数；
通过采集并分析单位时间内的交通标识以及所述交通标识对应的驾驶行为信息，计算基于交通规则的驾驶危险系数；
通过采集并分析单位时间内所述车辆与周围对象的相对关系以及所述相对关系对应的驾驶行为信息，计算基于周围对象的驾驶危险系数；
对所述基于车辆的机械物理信息的驾驶危险系数、所述基于驾驶员行为的驾驶危险系数、所述基于交通规则的驾驶危险系数以及所述基于周围对象的驾驶危险系数进行加权处理，获得综合的驾驶危险系数。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
根据不同驾驶员产生不同危险驾驶行为的数量变化，对加权处理中所需的权重进行调整，以使得危险驾驶行为的数量越多，权重越高，所述危险驾驶行为包括与车辆的机械物理信息相关的危险行为、与行为举止相关的危险行为、与交通规则相关的危险行为以及与周围对象相关的危险行为。
5.根据权利要求3所述的方法，其特征在于，所述通过采集并分析车辆在行驶过程中的状态信息，计算基于车辆的机械物理信息的驾驶危险系数包括：
通过车辆行驶信息传感器采集车速信息、油门信息和刹车信息；
分别基于采集的车速信息、油门信息以及刹车信息分析出车速的变化、油门量的变化以及刹车的使用频率；
基于第一映射函数，对所述车速的变化、所述油门量的变化以及所述刹车的使用频率进行计算，得到所述基于车辆的机械物理信息的驾驶危险系数。
6.根据权利要求3所述的方法，其特征在于，所述通过采集并分析驾驶员在驾驶车辆过程中的驾驶行为信息，计算基于驾驶员行为举止的驾驶危险系数包括：
通过摄像头采集单位时间内所述驾驶员在驾驶过程中出现的各种危险行为举止的数量；
基于第二映射函数，对所述各种危险行为举止的数量进行计算，得到所述基于驾驶员行为举止的驾驶危险系数。
7.一种基于多模态信息的驾驶危险系数评估装置，其特征在于，所述装置包括：
第一计算单元，用于通过采集并分析车辆在行驶过程中的状态信息，计算基于车辆的机械物理信息的驾驶危险系数；
第二计算单元，用于通过采集并分析驾驶员在驾驶车辆过程中的驾驶行为信息，计算基于驾驶员行为举止的驾驶危险系数；
第三计算单元，用于通过采集并分析单位时间内的交通标识以及所述交通标识对应的驾驶行为信息，计算基于交通规则的驾驶危险系数；
第四计算单元，用于通过采集并分析单位时间内所述车辆与周围对象的相对关系以及所述相对关系对应的驾驶行为信息，计算基于周围对象的驾驶危险系数；
加权单元，用于对所述基于车辆的机械物理信息的驾驶危险系数、所述基于驾驶员行为的驾驶危险系数、所述基于交通规则的驾驶危险系数以及所述基于周围对象的驾驶危险系数进行加权处理，获得综合的驾驶危险系数。
8.一种存储介质，其特征在于，所述存储介质存储有多条指令，所述指令适用于由处理器加载并执行如权利要求1、3至6中任一项所述的基于多模态信息的驾驶危险系数评估方法。
9.一种基于多模态信息的驾驶危险系数评估装置，其特征在于，所述装置包括存储介质和处理器；
所述处理器，适于实现各指令；
所述存储介质，适于存储多条指令；
所述指令适于由所述处理器加载并执行如权利要求1、3至6中任一项所述的基于多模态信息的驾驶危险系数评估方法。
10.一种基于多模态信息的驾驶危险系数评估装置，其特征在于，所述装置包括车辆行驶信息传感器、驾驶员监测相机、交通标识检测相机、道路行人车辆检测相机以及嵌入式车机***；其中，
所述嵌入式车机***，用于通过所述车辆行驶信息传感器采集车辆在行驶过程中的状态信息，并根据所述状态信息计算基于车辆的机械物理信息的驾驶危险系数；
通过所述驾驶员监测相机采集驾驶员在驾驶车辆过程中的驾驶行为信息，并根据所述驾驶行为信息计算基于驾驶员行为举止的驾驶危险系数；
通过所述交通标识检测相机采集单位时间内的交通标识以及通过所述车辆行驶信息传感器采集所述交通标识对应的驾驶行为信息，并根据所述交通标识和所述交通标识对应的驾驶行为信息，计算基于交通规则的驾驶危险系数；
通过所述道路行人车辆检测相机采集单位时间内所述车辆与周围对象的相对关系以及通过所述车辆行驶信息传感器采集所述相对关系对应的驾驶行为信息，并根据所述车辆与周围对象的相对关系以及所述相对关系对应的驾驶行为信息，计算基于周围对象的驾驶危险系数；
对所述基于车辆的机械物理信息的驾驶危险系数、所述基于驾驶员行为的驾驶危险系数、所述基于交通规则的驾驶危险系数以及所述基于周围对象的驾驶危险系数进行加权处理，获得综合的驾驶危险系数。
CN201711060253.8A 2017-01-25 2017-11-01 基于多模态信息的驾驶危险系数评估方法和装置 Pending CN107833312A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201710063040.4A CN107180219A (zh) 2017-01-25 2017-01-25 基于多模态信息的驾驶危险系数评估方法和装置
CN2017100630404 2017-01-25

Publications (1)

Publication Number Publication Date
CN107833312A true CN107833312A (zh) 2018-03-23

Family

ID=59829996

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201710063040.4A Pending CN107180219A (zh) 2017-01-25 2017-01-25 基于多模态信息的驾驶危险系数评估方法和装置
CN201711060253.8A Pending CN107833312A (zh) 2017-01-25 2017-11-01 基于多模态信息的驾驶危险系数评估方法和装置

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN201710063040.4A Pending CN107180219A (zh) 2017-01-25 2017-01-25 基于多模态信息的驾驶危险系数评估方法和装置

Country Status (1)

Country Link
CN (2) CN107180219A (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108428343A (zh) * 2018-05-17 2018-08-21 长沙理工大学 一种多车驾驶行为分析和危险预警方法及***
CN108549230A (zh) * 2018-04-27 2018-09-18 李德祥 一种基于改进概率神经网络算法的车辆控制***
CN108839614A (zh) * 2018-04-27 2018-11-20 李德祥 一种用于电动车的车辆安全减速***
CN109003425A (zh) * 2018-08-10 2018-12-14 北京车和家信息技术有限公司 一种预警方法及相关设备
CN109263648A (zh) * 2018-11-16 2019-01-25 深圳市元征科技股份有限公司 一种驾驶行为的评价方法、装置及设备
WO2019213981A1 (zh) * 2018-05-08 2019-11-14 清华大学 基于等效力的行车风险实时评估方法及其装置
CN110843769A (zh) * 2018-07-24 2020-02-28 罗伯特·博世有限公司 用于匹配传感器的探测区域的方法、组件和存储介质
CN111292509A (zh) * 2018-12-10 2020-06-16 丰田自动车株式会社 异常检测装置、异常检测***以及记录介质
CN111332289A (zh) * 2020-03-23 2020-06-26 腾讯科技（深圳）有限公司 车辆运行环境数据获取方法、装置和存储介质
CN111508226A (zh) * 2019-01-31 2020-08-07 阿里巴巴集团控股有限公司 一种道路机动车通行秩序的评价方法及装置
CN111815957A (zh) * 2019-04-11 2020-10-23 泰州腾翔信息科技有限公司 交通数据现场检测终端
CN112105537A (zh) * 2018-05-22 2020-12-18 V3 智能科技私人有限公司 驾驶风险计算装置和方法
CN112740295A (zh) * 2020-03-31 2021-04-30 华为技术有限公司 检测车辆行驶场景的复杂度的方法和装置
CN112829751A (zh) * 2019-11-04 2021-05-25 北京地平线机器人技术研发有限公司 一种车辆状态的安全性评价方法及装置
CN113191657A (zh) * 2021-05-14 2021-07-30 宝能(广州)汽车研究院有限公司 一种传感器数据的上传方法和装置
WO2022142064A1 (zh) * 2021-01-04 2022-07-07 广州汽车集团股份有限公司 驾驶评估方法、装置及非暂态计算机可读存储介质

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107180219A (zh) * 2017-01-25 2017-09-19 问众智能信息科技（北京）有限公司 基于多模态信息的驾驶危险系数评估方法和装置
CN107653789B (zh) * 2017-09-22 2020-01-10 长安大学 一种基于人因可靠性的隧道***通标志设置方法
US10677686B2 (en) * 2017-11-14 2020-06-09 GM Global Technology Operations LLC Method and apparatus for autonomous system performance and grading
CN108482385B (zh) * 2018-04-18 2019-10-22 哈尔滨工业大学 一种考虑交通环境复杂度的车载设备操作风险辨识方法
CN109017796B (zh) * 2018-07-25 2020-11-13 深圳市元征科技股份有限公司 一种危险驾驶预警方法、***、设备及计算机存储介质
CN111382883A (zh) * 2018-12-29 2020-07-07 北京嘀嘀无限科技发展有限公司 网约车接单权限控制方法、装置及设备
CN113650710B (zh) * 2021-08-31 2022-09-02 向量传感科技(宁波)有限公司 一种摩托车避碰方法、***、电子设备及存储介质
CN114967648B (zh) * 2022-05-27 2024-07-12 中国人民解放军海军工程大学 一种设备多任务模态下的危险控制评估方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2138987A1 (en) * 2008-06-25 2009-12-30 Ford Global Technologies, LLC Method for determining a property of a driver-vehicle-environment state
US20110241865A1 (en) * 2008-12-11 2011-10-06 Toyota Jidosha Kabushiki Kaisha Driving condition evaluation device and evaluation method
CN102549628A (zh) * 2009-09-18 2012-07-04 丰田自动车株式会社 驾驶评估***、车载机以及信息处理中心
CN103593886A (zh) * 2012-08-14 2014-02-19 福特全球技术公司 用于监控和分析机动车辆驾驶员的驾驶行为的***
CN103871242A (zh) * 2014-04-01 2014-06-18 北京工业大学 一种驾驶行为综合评价***与方法
CN105206052A (zh) * 2015-09-21 2015-12-30 张力 一种驾驶行为分析方法及设备
CN105374211A (zh) * 2015-12-09 2016-03-02 敏驰信息科技（上海）有限公司 基于多源数据计算驾驶风险与辅助车险定价的***及方法
CN105513358A (zh) * 2016-01-04 2016-04-20 烟台中正新技术有限公司 驾驶行为评估和车辆行驶状态监测预警***及方法
CN106228499A (zh) * 2016-07-06 2016-12-14 东南大学 一种基于人‑车‑路‑货多风险源的货运安全评价模型
CN107180219A (zh) * 2017-01-25 2017-09-19 问众智能信息科技（北京）有限公司 基于多模态信息的驾驶危险系数评估方法和装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2138987A1 (en) * 2008-06-25 2009-12-30 Ford Global Technologies, LLC Method for determining a property of a driver-vehicle-environment state
US20110241865A1 (en) * 2008-12-11 2011-10-06 Toyota Jidosha Kabushiki Kaisha Driving condition evaluation device and evaluation method
CN102549628A (zh) * 2009-09-18 2012-07-04 丰田自动车株式会社 驾驶评估***、车载机以及信息处理中心
CN103593886A (zh) * 2012-08-14 2014-02-19 福特全球技术公司 用于监控和分析机动车辆驾驶员的驾驶行为的***
CN103871242A (zh) * 2014-04-01 2014-06-18 北京工业大学 一种驾驶行为综合评价***与方法
CN105206052A (zh) * 2015-09-21 2015-12-30 张力 一种驾驶行为分析方法及设备
CN105374211A (zh) * 2015-12-09 2016-03-02 敏驰信息科技（上海）有限公司 基于多源数据计算驾驶风险与辅助车险定价的***及方法
CN105513358A (zh) * 2016-01-04 2016-04-20 烟台中正新技术有限公司 驾驶行为评估和车辆行驶状态监测预警***及方法
CN106228499A (zh) * 2016-07-06 2016-12-14 东南大学 一种基于人‑车‑路‑货多风险源的货运安全评价模型
CN107180219A (zh) * 2017-01-25 2017-09-19 问众智能信息科技（北京）有限公司 基于多模态信息的驾驶危险系数评估方法和装置

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108549230A (zh) * 2018-04-27 2018-09-18 李德祥 一种基于改进概率神经网络算法的车辆控制***
CN108839614A (zh) * 2018-04-27 2018-11-20 李德祥 一种用于电动车的车辆安全减速***
WO2019213981A1 (zh) * 2018-05-08 2019-11-14 清华大学 基于等效力的行车风险实时评估方法及其装置
CN108428343B (zh) * 2018-05-17 2023-10-24 长沙理工大学 一种多车驾驶行为分析和危险预警方法及***
CN108428343A (zh) * 2018-05-17 2018-08-21 长沙理工大学 一种多车驾驶行为分析和危险预警方法及***
CN112105537A (zh) * 2018-05-22 2020-12-18 V3 智能科技私人有限公司 驾驶风险计算装置和方法
CN110843769A (zh) * 2018-07-24 2020-02-28 罗伯特·博世有限公司 用于匹配传感器的探测区域的方法、组件和存储介质
CN109003425A (zh) * 2018-08-10 2018-12-14 北京车和家信息技术有限公司 一种预警方法及相关设备
CN109263648A (zh) * 2018-11-16 2019-01-25 深圳市元征科技股份有限公司 一种驾驶行为的评价方法、装置及设备
CN111292509A (zh) * 2018-12-10 2020-06-16 丰田自动车株式会社 异常检测装置、异常检测***以及记录介质
US11232313B2 (en) 2018-12-10 2022-01-25 Toyota Jidosha Kabushiki Kaisha Abnormality detection device, abnormality detection system, and abnormality detection program
CN111508226A (zh) * 2019-01-31 2020-08-07 阿里巴巴集团控股有限公司 一种道路机动车通行秩序的评价方法及装置
CN111508226B (zh) * 2019-01-31 2022-03-29 阿里巴巴集团控股有限公司 一种道路机动车通行秩序的评价方法及装置
CN111815957A (zh) * 2019-04-11 2020-10-23 泰州腾翔信息科技有限公司 交通数据现场检测终端
CN112829751A (zh) * 2019-11-04 2021-05-25 北京地平线机器人技术研发有限公司 一种车辆状态的安全性评价方法及装置
CN112829751B (zh) * 2019-11-04 2022-04-29 北京地平线机器人技术研发有限公司 一种车辆状态的安全性评价方法及装置
CN111332289B (zh) * 2020-03-23 2021-05-07 腾讯科技（深圳）有限公司 车辆运行环境数据获取方法、装置和存储介质
CN111332289A (zh) * 2020-03-23 2020-06-26 腾讯科技（深圳）有限公司 车辆运行环境数据获取方法、装置和存储介质
CN112740295A (zh) * 2020-03-31 2021-04-30 华为技术有限公司 检测车辆行驶场景的复杂度的方法和装置
WO2022142064A1 (zh) * 2021-01-04 2022-07-07 广州汽车集团股份有限公司 驾驶评估方法、装置及非暂态计算机可读存储介质
CN113191657A (zh) * 2021-05-14 2021-07-30 宝能(广州)汽车研究院有限公司 一种传感器数据的上传方法和装置

Also Published As

Publication number Publication date
CN107180219A (zh) 2017-09-19

Similar Documents

Publication Publication Date Title
CN107833312A (zh) 基于多模态信息的驾驶危险系数评估方法和装置
Winkle Safety benefits of automated vehicles: Extended findings from accident research for development, validation and testing
US11769356B2 (en) Collision evaluation
KR102158497B1 (ko) 자율주행 평가시스템
US20180268305A1 (en) Retrospective event verification using cognitive reasoning and analysis
CN110660270B (zh) 车辆碰撞风险评价模型的建立方法和碰撞风险评价方法
CN108304861A (zh) 生成自动车辆泄漏探测的训练数据
CN110143202A (zh) 一种危险驾驶识别与预警方法及***
CN110610137B (zh) 检测车辆行驶状态的方法、装置以及电子设备、存储介质
CN113423063B (zh) 基于车载t-box的车辆监控方法、装置、车辆及介质
KR20140058211A (ko) 차량 사고 방지를 위한 경로 추천 장치 및 방법
CN106710027A (zh) 车载设备的配置方法与装置
CN109859085A (zh) 安全预警方法及相关产品
Ambros et al. Proactive assessment of road curve safety using floating car data: An exploratory study
JP2019061498A (ja) 点呼・点検支援装置、点呼・点検支援システム及び点呼・点検支援プログラム
JP5748196B2 (ja) 走行支援装置
Häring et al. Advanced markov modeling and simulation for safety analysis of autonomous driving functions up to sae 5 for development, approval and main inspection
CN116461546A (zh) 车辆预警方法、装置、存储介质和处理器
Laureshyn et al. Exploration of a method to validate surrogate safety measures with a focus on vulnerable road users
Găvrută et al. Software solution for monitoring and analyzing driver behavior
CN113612631A (zh) 车联网威胁建模方法、***及计算机可读存储介质
KR20140117777A (ko) 안전 운행 지원 서비스를 수행하는 방법과 시스템 및 이 방법을 기록한 컴퓨터로 읽을 수 있는 기록 매체
JP2020135887A (ja) 評価方法、トレーニングデータセット、エミュレータ作成方法、分類方法、試験方法、車両制御装置、および車両
Onkhar et al. Towards context-aware road user safety systems: Design explorations using eye-tracking, object detection, and GPT-4V
CN106710270A (zh) 车辆行驶数据的处理方法与装置

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
CB02 Change of applicant information

Address after: Room 3011, Room 3, Building 27, 25 North Third Ring West Road, Haidian District, Beijing

Applicant after: Public Question (Beijing) Information Technology Co., Ltd.

Address before: 100094 Beijing Haidian District Shangzhuang Zhenzhuang Road No. 115 Courtyard Level 522

Applicant before: Intelligent information technology (Beijing) Co., Ltd.

CB02 Change of applicant information
RJ01 Rejection of invention patent application after publication

Application publication date: 20180323

RJ01 Rejection of invention patent application after publication