CN109523652B - 基于驾驶行为的保险的处理方法、装置、设备及存储介质 - Google Patents

基于驾驶行为的保险的处理方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN109523652B
CN109523652B CN201811149959.6A CN201811149959A CN109523652B CN 109523652 B CN109523652 B CN 109523652B CN 201811149959 A CN201811149959 A CN 201811149959A CN 109523652 B CN109523652 B CN 109523652B
Authority
CN
China
Prior art keywords
driver
driving
violation
behavior
insurance
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.)
Active
Application number
CN201811149959.6A
Other languages
English (en)
Other versions
CN109523652A (zh
Inventor
商兴奇
贺诚
李宏言
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.)
Apollo Zhilian Beijing Technology Co Ltd
Original Assignee
Apollo Zhilian Beijing 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 Apollo Zhilian Beijing Technology Co Ltd filed Critical Apollo Zhilian Beijing Technology Co Ltd
Priority to CN201811149959.6A priority Critical patent/CN109523652B/zh
Publication of CN109523652A publication Critical patent/CN109523652A/zh
Application granted granted Critical
Publication of CN109523652B publication Critical patent/CN109523652B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请实施例提供一种基于驾驶行为的保险的处理方法、装置、设备及存储介质。本发明的基于驾驶行为的保险的处理方法，包括：获取驾驶员驾车图像和车辆状态信息，对所述驾驶员驾车图像和所述车辆状态信息进行分析，确定驾驶员的驾驶行为是否属于违规类型，若属于，则向云服务器发送所述驾驶员的驾驶行为对应的违规数据，以使所述云服务器基于所述违规数据构建车险精算模型，所述车险精算模型用于基于驾驶行为的保险的费用确定。本申请实施例可以提升车险精算模型的准确性。

Description

基于驾驶行为的保险的处理方法、装置、设备及存储介质
技术领域
本申请实施例涉及计算机技术领域，尤其涉及一种基于驾驶行为的保险的处理方法、装置、设备及存储介质。
背景技术
车联网是以车内网、车际网和车载移动互联网为基础，按照约定的通信协议和数据交互标准，在车-X(X：车、路、行人及互联网等)之间，进行无线通讯和信息交换的大***网络，是能够实现智能化交通管理、智能动态信息服务和车辆智能化控制的一体化网络，是物联网技术在交通***领域的典型应用。
车联网的一项重要应用是基于驾驶行为的保险(Usage Based Insurance，UBI)，其应用车载诊断***(On-Board Diagnostic，OBD)设备、全球定位***(GlobalPositioning System，GPS)设备完成车辆自身状态和环境信息数据的采集，如四急、行驶里程、最大瞬时速度和出行的时间等，并进行数据处理，用以构建车险精算模型，该车险精算模块用于参保车辆的保险费用的确定。
然而，OBD设备和GPS设备所收集到的数据并不能反映驾驶员的真实驾驶习惯，基于此所构建的车险精算模型准确性不高。
发明内容
本申请实施例提供一种基于驾驶行为的保险的处理方法、装置、设备及存储介质，以车险精算模型的准确性。
第一方面，本申请实施例提供一种基于驾驶行为的保险的处理方法，包括：获取驾驶员驾车图像和车辆状态信息；对所述驾驶员驾车图像和所述车辆状态信息进行分析；确定驾驶员的驾驶行为是否属于违规类型；若属于，则向云服务器发送所述驾驶员的驾驶行为对应的违规数据，以使所述云服务器基于所述违规数据构建车险精算模型，所述车险精算模型用于基于驾驶行为的保险的费用确定。
结合第一方面，在第一方面的一种可能的实现方式中，所述对所述驾驶员驾车图像和所述车辆状态信息进行分析，包括：使用深度学习网络对所述驾驶员驾车图像和所述车辆状态信息进行分析。
结合第一方面或第一方面的一种可能的实现方式，在第一方面的另一种可能的实现方式中，所述使用深度学习网络对所述驾驶员驾车图像和所述车辆状态信息进行分析，包括：使用基于深度学习的目标检测算法对所述驾驶员驾车图像中的目标对象进行检测，确定所述目标对象的位置；根据所述目标对象的位置和所述车辆状态信息，使用神经网络模型对所述驾驶员驾车图像进行多标签分类，确定所述驾驶员的行为状态。
结合第一方面或第一方面的任一种可能的实现方式，在第一方面的另一种可能的实现方式中，所述确定驾驶员的驾驶行为是否属于违规行为，包括：根据预设时间段内的所述驾驶员的至少一个行为状态，确定驾驶员的驾驶行为是否属于违规类型；其中，违规类型的驾驶行为包括任意一种非安全驾驶的行为。
结合第一方面或第一方面的任一种可能的实现方式，在第一方面的另一种可能的实现方式中，所述方法还包括：根据所述驾驶员的违规行为，生成告警指令；向交互设备发送所述告警指令，所述告警指令用于触发所述交互设备向用户反馈提示信息。
结合第一方面或第一方面的任一种可能的实现方式，在第一方面的另一种可能的实现方式中，所述违规数据包括所述驾驶员的标识信息、违规行为的视频数据和违规行为信息。
第二方面，本申请实施例提供一种基于驾驶行为的保险的处理方法，包括：接收驾驶员的驾驶行为对应的违规数据；根据所述违规数据更新所述驾驶员的驾驶能力描述信息；根据所述驾驶员的驾驶能力描述信息构建车险精算模型，所述车险精算模型用于基于驾驶行为的保险的费用确定。
结合第二方面，在第二方面的一种可能的实现方式中，所述违规数据包括所述驾驶员的标识信息、违规行为的视频数据和违规行为信息，所述方法还包括：以所述驾驶员的标识信息为主键，将所述违规行为的视频数据和违规行为信息存入数据库。
结合第二方面或第二方面的一种可能的实现方式，在第二方面的另一种可能的实现方式中，所述标识信息包括人脸标识信息。
第三方面，本申请实施例提供一种基于驾驶行为的保险的处理装置，包括：获取模块，用于获取驾驶员驾车图像和车辆状态信息；分析模块，用于对所述驾驶员驾车图像和所述车辆状态信息进行分析；判断模块，用于确定驾驶员的驾驶行为是否属于违规类型；发送模块，用于若驾驶员的驾驶行为属于违规类型，向云服务器发送所述驾驶员的驾驶行为对应的违规数据，以使所述云服务器基于所述违规数据构建车险精算模型，所述车险精算模型用于基于驾驶行为的保险的费用确定。
结合第三方面，在第三方面的一种可能的实现方式中，所述分析模块用于：使用深度学习网络对所述驾驶员驾车图像和所述车辆状态信息进行分析。
结合第三方面或第三方面的一种可能的实现方式，在第三方面的另一种可能的实现方式中，所述分析模块用于：使用基于深度学习的目标检测算法对所述驾驶员驾车图像中的目标对象进行检测，确定所述目标对象的位置；根据所述目标对象的位置和所述车辆状态信息，使用神经网络模型对所述驾驶员驾车图像进行多标签分类，确定所述驾驶员的行为状态。
结合第三方面或第三方面的任一种可能的实现方式，在第三方面的另一种可能的实现方式中，所述判断模块，用于：根据预设时间段内的所述驾驶员的至少一个行为状态，确定驾驶员的驾驶行为是否属于违规类型；其中，违规类型的驾驶行为包括任意一种非安全驾驶的行为。
结合第三方面或第三方面的任一种可能的实现方式，在第三方面的另一种可能的实现方式中，所述装置还包括：生成模块；所述生成模块用于根据所述驾驶员的违规行为，生成告警指令；所述发送模块还用于向交互设备发送所述告警指令，所述告警指令用于触发所述交互设备向用户反馈提示信息。
结合第三方面或第三方面的任一种可能的实现方式，在第三方面的另一种可能的实现方式中，所述违规数据包括所述驾驶员的标识信息、违规行为的视频数据和违规行为信息。
第四方面，本申请实施例提供一种基于驾驶行为的保险的处理装置，包括：接收模块，用于接收驾驶员的驾驶行为对应的违规数据；处理模块，用于根据所述违规数据更新所述驾驶员的驾驶能力描述信息；所述处理模块，还用于根据所述驾驶员的驾驶能力描述信息构建车险精算模型，所述车险精算模型用于基于驾驶行为的保险的费用确定。
结合第四方面，在第四方面的一种可能的实现方式中，所述违规数据包括所述驾驶员的标识信息、违规行为的视频数据和违规行为信息，所述处理模块还用于：以所述驾驶员的标识信息为主键，将所述违规行为的视频数据和违规行为信息存入数据库。
结合第四方面或第四方面的一种可能的实现方式，在第四方面的另一种可能的实现方式中，所述标识信息包括人脸标识信息。
第五方面，本申请实施例提供一种智能处理设备，包括：存储器和处理器；所述存储器用于指令，以使所述处理器执行所述指令，以实现如第一方面或第一方面的任一种可能的实现方式所述的基于驾驶行为的保险的处理方法。
第六方面，本申请实施例提供一种云服务器，包括：存储器和处理器；所述存储器用于指令，以使所述处理器执行所述指令，以实现如第二方面或第二方面的任一种可能的实现方式所述的基于驾驶行为的保险的处理方法。
第七方面，本申请实施例提供一种存储介质，其特征在于，包括：所述存储介质包括：指令，所述指令用于实现如第一方面或第一方面的任一种可能的实现方式所述的基于驾驶行为的保险的处理方法，或者，所述指令用于实现如第二方面或第二方面的任一种可能的实现方式所述的基于驾驶行为的保险的处理方法。
本申请实施例的基于驾驶行为的保险的处理方法、装置、设备及存储介质，通过智能处理设备获取驾驶员驾车图像和车辆状态信息，智能处理设备对所述驾驶员驾车图像和所述车辆状态信息进行分析，确定驾驶员的驾驶行为是否属于违规类型，若属于，则智能处理设备向云服务器发送所述驾驶员的驾驶行为对应的违规数据，以使所述云服务器基于所述违规数据构建车险精算模型，所述车险精算模型用于基于驾驶行为的保险的费用确定，从而实现基于该违规数据构建车险精算模型，使得车险精算模型准确性更高，例如，使用该车险精算模型确定保险的费用，可以降低具有良好驾驶习惯的用户的保险的费用，提升较差驾驶能力和/或驾驶习惯的用户的保险的费用。
附图说明
下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍。
图1为本申请一实施例提供的本申请技术方案的一种应用场景图示意图；
图2为本申请一实施例提供的一种基于驾驶行为的保险的处理方法的流程图；
图3为本申请一实施例提供的本申请技术方案的另一种应用场景图示意图；
图4为本申请一实施例提供的另一种基于驾驶行为的保险的处理方法的流程图；
图5为本申请一实施例提供的一种基于驾驶行为的保险的处理装置500的示意图；
图6为本申请一实施例提供的一种智能处理设备600的示意图；
图7为本申请一实施例提供的一种基于驾驶行为的保险的处理装置700的示意图；
图8为本申请一实施例提供的一种云服务器800的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
图1为本申请一实施例提供的本申请技术方案的一种应用场景图示意图，如图1所示，图像采集设备和车辆状态采集设备分别与智能处理设备连接，智能处理设备与云服务器通信连接。图像采集设备采集驾驶员驾驶图像，并提供给本申请实施例的智能处理设备，车辆状态采集设备采集车辆状态信息，该车辆状态信息可以包括行驶里程、平均速度、最大瞬时速度、出行的时间、四急、实时位置信息等。其中，该图像采集设备具体可以是任意设置有摄像头的电子设备，例如，监控摄像头等，该车辆状态采集设备具体可以包括OBD设备、GPS设备等。本申请实施例的智能处理设备可以对驾驶员驾车图像和车辆状态信息进行分析，确定驾驶员的驾驶行为是否属于违规类型，若属于，则向云服务器发送所述驾驶员的驾驶行为对应的违规数据，从而实现基于该违规数据构建车险精算模型，使得车险精算模型准确性更高，例如，使用该车险精算模型确定保险的费用，可以降低具有良好驾驶习惯的用户的保险的费用，提升较差驾驶能力和/或驾驶习惯的用户的保险的费用。
上述通信连接可以包括3G、4G、5G等任一通信技术的连接。
本文所涉及的“驾驶员驾驶图像”用于反映驾驶员的实时驾驶行为。
本文所涉及的“车辆状态信息”用于反映车辆自身状态和车辆所处环境。其具体可以由OBD设备、GPS设备等采集得到。
本文所涉及的“智能处理设备”，也可以称之为人工智能盒子(AI-Box)，该智能处理设备可以是车载电子设备，本申请实施例对其名称不进行具体限定。该智能处理设备可以实时对驾驶员的驾驶行为进行监控。
图2为本申请一实施例提供的一种基于驾驶行为的保险的处理方法的流程图，如图2所示，本实施例的方法可以包括：
步骤101、智能处理设备获取驾驶员驾车图像和车辆状态信息。
图像采集设备采集驾驶员驾驶图像，并提供给本申请实施例的智能处理设备，车辆状态采集设备采集车辆状态信息，并提供给本申请实施例的智能处理设备。
步骤102、智能处理设备对所述驾驶员驾车图像和所述车辆状态信息进行分析，确定驾驶员的驾驶行为是否属于违规类型。
其中，智能处理设备使用该车辆状态信息作为辅助，对该驾驶员驾车图像进行分析，监测该驾驶员的驾驶行为是否属于违规类型。即通过对该驾驶员驾驶图像进行分析，识别驾驶员的驾驶行为，进而确定该驾驶行为是否违规。
违规类型的驾驶行为包括任意一种非安全驾驶的行为，例如，疲劳驾驶、驾车中抽烟、驾车中打电话、驾车中长时间注意力不集中、驾车中不系安全带、驾车中双手离开方向盘等，本实施例不一一举例说明。
智能处理设备可以结合车辆状态信息对每一帧驾驶员驾车图像进行分析。一种可实现方式，智能处理设备可以使用深度学习网络对驾驶员驾车图像和车辆状态信息进行分析。
步骤103、若属于，则智能处理设备向云服务器发送所述驾驶员的驾驶行为对应的违规数据。
当驾驶员的驾驶行为属于违规类型时，智能处理设备向云服务器发送该驾驶员的驾驶行为对应的违规数据。
该违规数据可以包括该驾驶员的标识信息、违规行为的视频数据和违规行为信息。该驾驶员的标识信息可以是任意可以唯一标识该驾驶员的信息，例如，驾驶员的人脸标识、驾驶员的手机号码等。该违规行为的视频数据可以是包括该违规行为发生时刻的预设时间段的视频数据，该预设时间段的时间长度可以根据需求进行灵活设置，例如，30秒。违规行为信息具体指用于描述该属于违规类型的驾驶行为的信息，例如，疲劳驾驶。
步骤104、云服务器根据所述违规数据更新所述驾驶员的驾驶能力描述信息。
具体的，云服务器接收智能处理设备发送的该违规数据，根据违规数据更新所述驾驶员的驾驶能力描述信息。该驾驶能力描述信息可以是结构体，该驾驶能力描述信息可以对该驾驶员的驾驶能力和驾驶习惯进行客观描述，例如，驾车时间段、偏爱的驾驶速度、各种违规行为的概率等。
步骤105、云服务器根据所述驾驶员的驾驶能力描述信息构建车险精算模型。
其中，所述车险精算模型用于基于驾驶行为的保险的费用确定。该车险精算模型是基于该驾驶能力描述信息计算的，由于该驾驶能力描述信息可以反映驾驶员的驾驶能力和驾驶习惯，所以可以提升该车险精算模型的准确性。
本实施例，通过智能处理设备获取驾驶员驾车图像和车辆状态信息，智能处理设备对所述驾驶员驾车图像和所述车辆状态信息进行分析，确定驾驶员的驾驶行为是否属于违规类型，若属于，则智能处理设备向云服务器发送所述驾驶员的驾驶行为对应的违规数据，以使所述云服务器基于所述违规数据构建车险精算模型，所述车险精算模型用于基于驾驶行为的保险的费用确定，从而实现基于该违规数据构建车险精算模型，使得车险精算模型准确性更高，例如，使用该车险精算模型确定保险的费用，可以降低具有良好驾驶习惯的用户的保险的费用，提升较差驾驶能力和/或驾驶习惯的用户的保险的费用。
图3为本申请一实施例提供的本申请技术方案的另一种应用场景图示意图，如图3所示，在图1所示的应用场景的基础上，本实施例的应用场景还可以包括交互设备、数据库和终端。其中，该交互设备与智能处理设备连接，该交互设备可以是车辆上的显示屏、扬声器等输出设备。该终端可以是计算机、手机、平板电脑等电子设备。
在上述实施例的基础上，云服务器还可以以该驾驶员的标识信息为主键，将该违规行为的视频数据和违规行为信息存入如图3所示的数据库中。该标识信息可以是人脸ID。
当参保车辆发生事故时，用户可以通过该终端向云服务器发送数据调取指令，该数据调取指令携带驾驶员的标识信息，例如，驾驶员的人脸ID，云服务器根据该驾驶员的标识信息从数据库中获取相应的视频数据，并发送给该终端，用户可以通过观看视频，鉴定事故发生原因，即确定是否由于驾驶员的违规驾驶行为导致事故发生，从而对保险赔付金额作出判断，以约束驾驶员的违规行为。该用户可以是保险公司的工作人员。
可选的，云服务器还可以根据驾驶员的违规行为，生成告警指令，向交互设备发送告警指令，该告警指令用于触发所述交互设备向用户反馈提示信息。举例而言，云服务器根据上述实施例的实施方式确定驾驶员有疲劳驾驶行为时，可以生成告警指令，该告警指令可以触发扬声器发出提示音，以对违规行为进行告警，避免事故发生。
下面采用一个实施例对上述实施例进行具体解释说明。
图4为本申请一实施例提供的另一种基于驾驶行为的保险的处理方法的流程图，本实施例的执行主体为智能处理设备，如图4所示，本实施例的方法可以包括：
步骤201、获取驾驶员驾车图像和车辆状态信息。
其中，步骤201的解释说明可以参见图2所示实施例的步骤101，此处不再赘述。
步骤202、使用基于深度学习的目标检测算法对所述驾驶员驾车图像中的目标对象进行检测，确定所述目标对象的位置。
其中，该基于深度学习的目标检测算法可以是faster-rcnn、ssd等目标检测算法。该目标对象可以包括驾驶员的脸、手、身体等各个部位。
步骤203、根据所述目标对象的位置和所述车辆状态信息，使用神经网络模型对所述驾驶员驾车图像进行多标签分类，确定所述驾驶员的行为状态。
具体的，该神经网络模型可以是任意神经网络模型，该神经网络模型可以对驾驶员的行为状态进行识别，即确定驾驶员的行为状态，该驾驶员的行为状态包括闭眼、张嘴、驾驶中打电话等。
步骤204、根据预设时间段内的所述驾驶员的至少一个行为状态，确定驾驶员的驾驶行为是否属于违规类型。若属于违规类型，则执行步骤205，若不属于违规类型，则执行步骤201。
具体的，预设时间段内会采集到多帧驾驶员驾驶图像，分别对每一帧驾驶员驾驶图像进行分类，确定每一帧图像对应的驾驶员的行为状态，可以根据一帧图像对应的驾驶员的行为状态确定驾驶员的驾驶行为是否属于违规类型，也可以根据多帧图像对应的驾驶员的行为状态确定驾驶员的驾驶行为是否属于违规类型，以提升识别正确率。
举例而言，一帧图像对应的驾驶员的行为状态为张嘴，下一帧图像对应的驾驶员的行为状态为闭眼，则可以确定该驾驶员打哈欠且闭眼，即该驾驶员的驾驶行为是疲劳驾驶行为，属于违规类型。
步骤205、向云服务器发送所述驾驶员的驾驶行为对应的违规数据。
其中，步骤205的解释说明可以参见图1所示实施例的步骤103，此处不再赘述。
本实施例，通过智能处理设备获取驾驶员驾车图像和车辆状态信息，智能处理设备对所述驾驶员驾车图像和所述车辆状态信息进行分析，确定驾驶员的驾驶行为是否属于违规类型，若属于，则智能处理设备向云服务器发送所述驾驶员的驾驶行为对应的违规数据，以使所述云服务器基于所述违规数据构建车险精算模型，所述车险精算模型用于基于驾驶行为的保险的费用确定，从而实现基于该违规数据构建车险精算模型，使得车险精算模型准确性更高，例如，使用该车险精算模型确定保险的费用，可以降低具有良好驾驶习惯的用户的保险的费用，提升较差驾驶能力和/或驾驶习惯的用户的保险的费用。
根据多帧图像对应的驾驶员的行为状态确定驾驶员的驾驶行为是否属于违规类型，以提升识别正确率。
图5为本申请一实施例提供的一种基于驾驶行为的保险的处理装置500的示意图，如图5所示，该装置包括：
获取模块501，用于获取驾驶员驾车图像和车辆状态信息；
分析模块502，用于对所述驾驶员驾车图像和所述车辆状态信息进行分析；
判断模块503，用于确定驾驶员的驾驶行为是否属于违规类型；
发送模块504，用于若驾驶员的驾驶行为属于违规类型，向云服务器发送所述驾驶员的驾驶行为对应的违规数据，以使所述云服务器基于所述违规数据构建车险精算模型，所述车险精算模型用于基于驾驶行为的保险的费用确定。
可选的，所述分析模块502用于：使用深度学习网络对所述驾驶员驾车图像和所述车辆状态信息进行分析。
可选的，所述分析模块502用于：使用基于深度学习的目标检测算法对所述驾驶员驾车图像中的目标对象进行检测，确定所述目标对象的位置；根据所述目标对象的位置和所述车辆状态信息，使用神经网络模型对所述驾驶员驾车图像进行多标签分类，确定所述驾驶员的行为状态。
可选的，所述判断模块503，用于：根据预设时间段内的所述驾驶员的至少一个行为状态，确定驾驶员的驾驶行为是否属于违规类型；其中，违规类型的驾驶行为包括任意一种非安全驾驶的行为。
可选的，所述装置还包括：生成模块505；所述生成模块505用于根据所述驾驶员的违规行为，生成告警指令；所述发送模块504还用于向交互设备发送所述告警指令，所述告警指令用于触发所述交互设备向用户反馈提示信息。
可选的，所述违规数据包括所述驾驶员的标识信息、违规行为的视频数据和违规行为信息。
本申请提供的基于驾驶行为的保险的处理装置可以是智能处理设备或智能处理设备的内部芯片，其可以用于执行上述实施例中智能处理设备所涉及的方法步骤，其内容和效果在此不再赘述。
图6为本申请一实施例提供的一种智能处理设备600的示意图，如图6所示，该设备包括：存储器601、处理器602和收发器603。
存储器601用于指令，以使处理器602执行指令，以实现上述的基于驾驶行为的保险的处理方法。
收发器603用于与其他设备之间实现通信。
处理器602可以被一个或多个应用专用集成电路(Application SpecificIntegrated Circuit，ASIC)、数字信号处理器(Digital Signal Processor，DSP)、数字信号处理设备(Digital Signal Processing Device，DSPD)、可编程逻辑器件(ProgrammableLogic Device，PLD)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、控制器、微控制器、微处理器或其他电子元件实现。
存储器601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(Static Random Access Memory，SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)，可编程只读存储器(Programmable read-only memory，PROM)，只读存储器(Read-Only Memory，ROM)，磁存储器，快闪存储器，磁盘或光盘。
本申请提供的智能处理设备可以用于执行上述实施例中智能处理设备所涉及的方法步骤，其内容和效果在此不再赘述。
图7为本申请一实施例提供的一种基于驾驶行为的保险的处理装置700的示意图，如图7所示，该装置包括：
接收模块701，用于接收驾驶员的驾驶行为对应的违规数据；
处理模块702，用于根据所述违规数据更新所述驾驶员的驾驶能力描述信息；
所述处理模块702，还用于根据所述驾驶员的驾驶能力描述信息构建车险精算模型，所述车险精算模型用于基于驾驶行为的保险的费用确定。
可选的，所述违规数据包括所述驾驶员的标识信息、违规行为的视频数据和违规行为信息，所述处理模块702还用于：以所述驾驶员的标识信息为主键，将所述违规行为的视频数据和违规行为信息存入数据库。
可选的，所述标识信息包括人脸标识信息。
本申请提供的基于驾驶行为的保险的处理装置可以是云服务器或云服务器的内部芯片，其可以用于执行上述实施例中云服务器所涉及的方法步骤，其内容和效果在此不再赘述。
图8为本申请一实施例提供的一种云服务器800的示意图，如图8所示，该设备包括：存储器801、处理器802和收发器803。
存储器801用于指令，以使处理器802执行指令，以实现上述的基于驾驶行为的保险的处理方法。
收发器803用于与其他设备之间实现通信。
处理器802可以被一个或多个应用专用集成电路(Application SpecificIntegrated Circuit，ASIC)、数字信号处理器(Digital Signal Processor，DSP)、数字信号处理设备(Digital Signal Processing Device，DSPD)、可编程逻辑器件(ProgrammableLogic Device，PLD)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、控制器、微控制器、微处理器或其他电子元件实现。
存储器801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(Static Random Access Memory，SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)，可编程只读存储器(Programmable read-only memory，PROM)，只读存储器(Read-Only Memory，ROM)，磁存储器，快闪存储器，磁盘或光盘。
本申请提供的云服务器可以用于执行上述实施例中云服务器所涉及的方法步骤，其内容和效果在此不再赘述。
本申请还提供一种存储介质，包括：存储介质包括：指令，指令用于实现上述的基于驾驶行为的保险的处理方法。其内容和效果在此不再赘述。
本申请提供一种计算机程序产品，该计算机程序产品包括指令，该指令用于实现上述的基于驾驶行为的保险的处理方法。其内容和效果在此不再赘述。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (15)

1.一种基于驾驶行为的保险的处理方法，其特征在于，包括：
获取驾驶员驾车图像和车辆状态信息；
使用基于深度学习的目标检测算法对所述驾驶员驾车图像中的目标对象进行检测，确定所述目标对象的位置；
根据所述目标对象的位置和所述车辆状态信息，使用神经网络模型对所述驾驶员驾车图像进行多标签分类，确定所述驾驶员的行为状态；
根据预设时间段内的所述驾驶员的至少一个行为状态，确定驾驶员的驾驶行为是否属于违规类型；所述违规类型的驾驶行为包括任意一种非安全驾驶的行为；
若属于，则向云服务器发送所述驾驶员的驾驶行为对应的违规数据，以使所述云服务器基于所述违规数据构建车险精算模型，所述车险精算模型用于基于驾驶行为的保险的费用确定。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述驾驶员的违规行为，生成告警指令；
向交互设备发送所述告警指令，所述告警指令用于触发所述交互设备向用户反馈提示信息。
3.根据权利要求1或2所述的方法，其特征在于，所述违规数据包括所述驾驶员的标识信息、违规行为的视频数据和违规行为信息。
4.一种基于驾驶行为的保险的处理方法，其特征在于，包括：
接收驾驶员的驾驶行为对应的违规数据；所述违规数据为智能处理设备根据预设时间段内的所述驾驶员的至少一个行为状态确定所述驾驶员的驾驶行为属于违规类型后，发送的所述驾驶员的驾驶行为对应的违规数据；所述违规类型的驾驶行为包括任意一种非安全驾驶的行为；所述驾驶员的行为状态是智能处理设备使用基于深度学习的目标检测算法对所述驾驶员驾车图像中的目标对象进行检测，根据确定的所述目标对象的位置和车辆状态信息，使用神经网络模型对所述驾驶员驾车图像进行多标签分类所确定；
根据所述违规数据更新所述驾驶员的驾驶能力描述信息；
根据所述驾驶员的驾驶能力描述信息构建车险精算模型，所述车险精算模型用于基于驾驶行为的保险的费用确定。
5.根据权利要求4所述的方法，其特征在于，所述违规数据包括所述驾驶员的标识信息、违规行为的视频数据和违规行为信息，所述方法还包括：
以所述驾驶员的标识信息为主键，将所述违规行为的视频数据和违规行为信息存入数据库。
6.根据权利要求5所述的方法，其特征在于，所述标识信息包括人脸标识信息。
7.一种基于驾驶行为的保险的处理装置，其特征在于，包括：
获取模块，用于获取驾驶员驾车图像和车辆状态信息；
分析模块，使用基于深度学习的目标检测算法对所述驾驶员驾车图像中的目标对象进行检测，确定所述目标对象的位置；
根据所述目标对象的位置和所述车辆状态信息，使用神经网络模型对所述驾驶员驾车图像进行多标签分类，确定所述驾驶员的行为状态；
判断模块，根据预设时间段内的所述驾驶员的至少一个行为状态，确定驾驶员的驾驶行为是否属于违规类型；所述违规类型的驾驶行为包括任意一种非安全驾驶的行为；
发送模块，用于若驾驶员的驾驶行为属于违规类型，向云服务器发送所述驾驶员的驾驶行为对应的违规数据，以使所述云服务器基于所述违规数据构建车险精算模型，所述车险精算模型用于基于驾驶行为的保险的费用确定。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：生成模块；
所述生成模块用于根据所述驾驶员的违规行为，生成告警指令；
所述发送模块还用于向交互设备发送所述告警指令，所述告警指令用于触发所述交互设备向用户反馈提示信息。
9.根据权利要求7或8所述的装置，其特征在于，所述违规数据包括所述驾驶员的标识信息、违规行为的视频数据和违规行为信息。
10.一种基于驾驶行为的保险的处理装置，其特征在于，包括：
接收模块，用于接收驾驶员的驾驶行为对应的违规数据；所述违规数据为智能处理设备根据预设时间段内的所述驾驶员的至少一个行为状态确定所述驾驶员的驾驶行为属于违规类型后，发送的所述驾驶员的驾驶行为对应的违规数据；所述违规类型的驾驶行为包括任意一种非安全驾驶的行为；所述驾驶员的行为状态是智能处理设备使用基于深度学习的目标检测算法对所述驾驶员驾车图像中的目标对象进行检测，根据所确定的所述目标对象的位置和车辆状态信息，使用神经网络模型对所述驾驶员驾车图像进行多标签分类所确定；
处理模块，用于根据所述违规数据更新所述驾驶员的驾驶能力描述信息；
所述处理模块，还用于根据所述驾驶员的驾驶能力描述信息构建车险精算模型，所述车险精算模型用于基于驾驶行为的保险的费用确定。
11.根据权利要求10所述的装置，其特征在于，所述违规数据包括所述驾驶员的标识信息、违规行为的视频数据和违规行为信息，所述处理模块还用于：
以所述驾驶员的标识信息为主键，将所述违规行为的视频数据和违规行为信息存入数据库。
12.根据权利要求11所述的装置，其特征在于，所述标识信息包括人脸标识信息。
13.一种智能处理设备，其特征在于，包括：
存储器和处理器；
所述存储器用于指令，以使所述处理器执行所述指令，以实现如权利要求1~3任一项所述的基于驾驶行为的保险的处理方法。
14.一种云服务器，其特征在于，包括：
存储器和处理器；
所述存储器用于指令，以使所述处理器执行所述指令，以实现如权利要求4~6任一项所述的基于驾驶行为的保险的处理方法。
15.一种存储介质，其特征在于，包括：所述存储介质包括：指令，所述指令用于实现如权利要求1~6任一项所述的基于驾驶行为的保险的处理方法。
CN201811149959.6A 2018-09-29 2018-09-29 基于驾驶行为的保险的处理方法、装置、设备及存储介质 Active CN109523652B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811149959.6A CN109523652B (zh) 2018-09-29 2018-09-29 基于驾驶行为的保险的处理方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811149959.6A CN109523652B (zh) 2018-09-29 2018-09-29 基于驾驶行为的保险的处理方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN109523652A CN109523652A (zh) 2019-03-26
CN109523652B true CN109523652B (zh) 2022-03-22

Family

ID=65772143

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811149959.6A Active CN109523652B (zh) 2018-09-29 2018-09-29 基于驾驶行为的保险的处理方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN109523652B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111866032A (zh) * 2019-04-11 2020-10-30 阿里巴巴集团控股有限公司 一种数据处理方法、装置以及计算设备
CN110126835A (zh) * 2019-04-12 2019-08-16 中国平安财产保险股份有限公司 驾驶行为的干预方法、装置、计算机设备和存储介质
CN110737688B (zh) * 2019-09-30 2023-04-07 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
CN111062701A (zh) * 2019-12-18 2020-04-24 上海博泰悦臻电子设备制造有限公司 保险管理的方法及相关装置
CN111243236A (zh) * 2020-01-17 2020-06-05 南京邮电大学 一种基于深度学习的疲劳驾驶预警方法及***
CN113139403A (zh) * 2020-01-17 2021-07-20 顺丰科技有限公司 违规行为识别方法、装置、计算机设备和存储介质
CN111818160A (zh) * 2020-07-08 2020-10-23 南京领行科技股份有限公司 一种车机设备
CN112149511A (zh) * 2020-08-27 2020-12-29 深圳市点创科技有限公司 基于神经网络的驾驶员违规行为检测方法、终端、装置
CN114627613A (zh) * 2020-12-11 2022-06-14 深圳酷派技术有限公司 不规范驾驶行为识别方法、装置、存储介质及电子设备
CN113792691B (zh) * 2021-09-22 2024-03-22 平安国际智慧城市科技股份有限公司 一种视频识别方法、***、设备及介质
CN114550147B (zh) * 2022-04-26 2022-08-09 天津大学 一种基于物联网的汽车数据采集分析处理方法及***

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104794856A (zh) * 2014-01-22 2015-07-22 径卫视觉科技（上海）有限公司 驾驶员注意力综合测评***
CN106600427A (zh) * 2016-12-22 2017-04-26 安徽保腾网络科技有限公司 新型车辆保险***

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8090598B2 (en) * 1996-01-29 2012-01-03 Progressive Casualty Insurance Company Monitoring system for determining and communicating a cost of insurance
US6931309B2 (en) * 2003-05-06 2005-08-16 Innosurance, Inc. Motor vehicle operating data collection and analysis
KR101617349B1 (ko) * 2012-08-28 2016-05-03 (주)나노포인트 운전 습관 분석 진단 시스템 및 방법
CN104732208B (zh) * 2015-03-16 2018-05-18 电子科技大学 基于稀疏子空间聚类的视频人体行为识别方法
CN107784251A (zh) * 2016-08-25 2018-03-09 大连楼兰科技股份有限公司 基于图像识别技术对驾驶行为评价的方法
CN106778538A (zh) * 2016-11-28 2017-05-31 上海工程技术大学 基于层次分析法的智能驾驶行为评判方法
CN108416258B (zh) * 2018-01-23 2020-05-08 华侨大学 一种基于人体部位模型的多人体跟踪方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104794856A (zh) * 2014-01-22 2015-07-22 径卫视觉科技（上海）有限公司 驾驶员注意力综合测评***
CN106600427A (zh) * 2016-12-22 2017-04-26 安徽保腾网络科技有限公司 新型车辆保险***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于UBI的车辆个性化保险费率厘定模式研究与应用;王罡;《中国优秀硕士学位论文全文数据库 经济与管理学辑》;20180415;第21-36页，第50-52页 *
王罡.基于UBI的车辆个性化保险费率厘定模式研究与应用.《中国优秀硕士学位论文全文数据库 经济与管理学辑》.2018, *

Also Published As

Publication number Publication date
CN109523652A (zh) 2019-03-26

Similar Documents

Publication Publication Date Title
CN109523652B (zh) 基于驾驶行为的保险的处理方法、装置、设备及存储介质
US20200151479A1 (en) Method and apparatus for providing driver information via audio and video metadata extraction
US11475770B2 (en) Electronic device, warning message providing method therefor, and non-transitory computer-readable recording medium
WO2020042984A1 (zh) 一种车辆行为检测方法及装置
US9583000B2 (en) Vehicle-based abnormal travel event detecting and reporting
CN107895410B (zh) 一种车辆事故上报处理方法、存储设备及车载终端
TWI627084B (zh) 用於感測器驅動車輛遙測應用與服務之開發及部署的運算平台
WO2020024457A1 (zh) 交通事故的定责方法、装置及计算机可读存储介质
US10783360B1 (en) Apparatuses, systems and methods for vehicle operator gesture recognition and transmission of related gesture data
US10101244B2 (en) Self-learning simulation environments
US20100305806A1 (en) Portable Multi-Modal Emergency Situation Anomaly Detection and Response System
CN111210620B (zh) 一种驾驶员画像的生成方法、装置、设备及存储介质
Beauchemin et al. Portable and scalable vision-based vehicular instrumentation for the analysis of driver intentionality
WO2022078077A1 (zh) 驾驶风险的预警方法、装置、计算设备及存储介质
EP3895950B1 (en) Methods and systems for automated driving system monitoring and management
CN107867295B (zh) 基于车辆出险概率的事故预警方法、存储设备及车载终端
US20230351894A1 (en) Accident reporter
US11263837B2 (en) Automatic real-time detection of vehicular incidents
US10198773B2 (en) Cooperative evidence gathering
US11853741B2 (en) Federated learning for connected camera
US20220148319A1 (en) Apparatuses, systems and methods for integrating vehicle operator gesture detection within geographic maps
Yawovi et al. Responsibility Evaluation in Vehicle Collisions From Driving Recorder Videos Using Open Data
CN114220285A (zh) 超速车辆的定位与示警方法、装置、电子设备及可读介质
CN114475623A (zh) 车辆的控制方法、装置、电子设备及存储介质
CN117116000A (zh) 一种行车预警方法、装置及电子设备

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
TA01 Transfer of patent application right

Effective date of registration: 20211021

Address after: 100176 101, floor 1, building 1, yard 7, Ruihe West 2nd Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing

Applicant after: Apollo Zhilian (Beijing) Technology Co.,Ltd.

Address before: 100085 Baidu Building, 10 Shangdi Tenth Street, Haidian District, Beijing

Applicant before: BAIDU ONLINE NETWORK TECHNOLOGY (BEIJING) Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant