CN113525391A - 基于人工智能的违规驾驶识别方法及*** - Google Patents

基于人工智能的违规驾驶识别方法及*** Download PDF

Info

Publication number
CN113525391A
CN113525391A CN202111088570.7A CN202111088570A CN113525391A CN 113525391 A CN113525391 A CN 113525391A CN 202111088570 A CN202111088570 A CN 202111088570A CN 113525391 A CN113525391 A CN 113525391A
Authority
CN
China
Prior art keywords
vehicle
information
time
speed
road
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.)
Granted
Application number
CN202111088570.7A
Other languages
English (en)
Other versions
CN113525391B (zh
Inventor
吴亚斌
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.)
Jiangsu Juheng Intelligent Technology Co ltd
Original Assignee
Jiangsu Juheng Intelligent 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 Jiangsu Juheng Intelligent Technology Co ltd filed Critical Jiangsu Juheng Intelligent Technology Co ltd
Priority to CN202111088570.7A priority Critical patent/CN113525391B/zh
Publication of CN113525391A publication Critical patent/CN113525391A/zh
Application granted granted Critical
Publication of CN113525391B publication Critical patent/CN113525391B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/12—Lateral speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/30—Road curve radius
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B60W2554/4041—Position
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B60W2554/4042—Longitudinal speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B60W2554/4043—Lateral speed

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于人工智能的违规驾驶识别方法及***，包括：获得当前时刻当前路段内自身及周围车辆的速度、位置信息及车型信息，并通过边缘处理获得道路的曲率信息；利用当前时刻自身及周围车辆的速度信息、位置信息、车型信息及道路的曲率信息，得到当前时刻环境影响值；预测下一时刻自身及周围车辆的速度信息、位置信息以及道路的曲率信息，并得到下一时刻环境影响值；计算下一时刻与当前时刻环境影响值的变化量，确定注意力分散比率阈值；将司机实际注意力分散比率与注意力分散比率阈值进行比较,得到司机违规行为判断结果。考虑周围车辆及道路情况对所需注意力的影响，使对司机注意力违规检测标准更为合理，并及时做出违规记录和警告。

Description

基于人工智能的违规驾驶识别方法及***
技术领域
本申请涉及人工智能领域，具体涉及一种基于人工智能的违规驾驶识别方法及***。
背景技术
在车辆驾驶过程中，车辆司机容易因为外界因素而造成注意力不集中，这给行车安全及司乘人员人身安全带来了极大的安全隐患，通过对司机注意力进行检测，并在司机注意力不集中时对其进行提醒，能够有效地降低事故发生率，最大程度保证行车安全和司乘人员人身安全。
现有针对司机的注意力检测方法大多采用固定的注意力违规判断标准，没有考虑实时道路状况及周围其他车辆对行车注意力需求的影响，造成检测结果不能与道路状况及周围车辆等环境相适应。
发明内容
针对上述技术问题，本发明提出了一种基于人工智能的违规驾驶识别方法及***。
第一方面，本文提出了一种基于人工智能的违规驾驶识别方法，包括：
获得当前时刻
Figure 100002_DEST_PATH_IMAGE002
当前路段内自身及周围车辆的速度、位置信息及车型信息，并通过边缘处理获得道路的曲率信息；
利用获取的当前时刻
Figure 828743DEST_PATH_IMAGE002
自身及周围车辆的速度信息、位置信息、车型信息及道路的曲率信息，得到当前时刻
Figure 994145DEST_PATH_IMAGE002
环境影响值；
根据当前时刻
Figure 763518DEST_PATH_IMAGE002
自身及周围车辆的速度信息、位置信息、车型信息及道路的曲率信息预测出下一时刻
Figure 100002_DEST_PATH_IMAGE004
自身及周围车辆的速度信息、位置信息以及道路的曲率信息，并根据预测出的信息得到下一时刻
Figure 330765DEST_PATH_IMAGE004
环境影响值；
根据下一时刻
Figure 19236DEST_PATH_IMAGE004
环境影响值和当前时刻
Figure 671934DEST_PATH_IMAGE002
环境影响值获取在所述
Figure 100002_DEST_PATH_IMAGE006
时间段内环境影响值的变化量，确定出不同变化量对应的时注意力分散比率阈值；
获取司机在
Figure 244998DEST_PATH_IMAGE006
时间段内实际的注意力分散比率，将该实际的注意力分散比率与注意力分散比率阈值进行对比,根据对比的结果对司机是否违规进行判断。
进一步地，环境影响值的影响因素包括：周围其他车辆面积占道比；自身车辆与周围其他车辆的距离；周围其他车辆的方位权值。
进一步地，所述环境影响值计算方法为：
Figure 100002_DEST_PATH_IMAGE008
其中对于第
Figure 100002_DEST_PATH_IMAGE010
辆车，
Figure 100002_DEST_PATH_IMAGE012
为其行驶速度，
Figure 100002_DEST_PATH_IMAGE014
为其面积占道比，
Figure 100002_DEST_PATH_IMAGE016
为其方位影响权重，
Figure 100002_DEST_PATH_IMAGE018
为其与所述自身车辆距离,
Figure 100002_DEST_PATH_IMAGE020
为当前路段曲率数据，
Figure 100002_DEST_PATH_IMAGE022
为当前区段车辆数。
进一步地，所述下一时刻
Figure 260227DEST_PATH_IMAGE004
自身及周围车辆的速度及位置信息获取方法为：
车辆在
Figure 57282DEST_PATH_IMAGE006
时间范围内平均速度偏差范围为
Figure 100002_DEST_PATH_IMAGE024
，则周围
Figure 259593DEST_PATH_IMAGE022
辆车平均速度取值为
Figure 100002_DEST_PATH_IMAGE026
,其中的
Figure 100002_DEST_PATH_IMAGE028
，
Figure 901927DEST_PATH_IMAGE006
期间路程为
Figure 100002_DEST_PATH_IMAGE030
，其中
Figure 100002_DEST_PATH_IMAGE032
为当前时刻第
Figure 506084DEST_PATH_IMAGE010
辆车速度；
平移道路中心线至当前时刻各车辆所在位置，并在该平移后的曲线上截取长度为
Figure 100002_DEST_PATH_IMAGE034
的弧长，该节点处即为下一时刻第
Figure 942881DEST_PATH_IMAGE010
辆车的位置
Figure 100002_DEST_PATH_IMAGE036
，进而得到周围
Figure 632489DEST_PATH_IMAGE022
辆车的位置
Figure 100002_DEST_PATH_IMAGE038
；
对于所述自身车辆
Figure 100002_DEST_PATH_IMAGE040
，行驶路程为
Figure 100002_DEST_PATH_IMAGE042
，结合当前时刻
Figure 78513DEST_PATH_IMAGE002
自身车辆位置可确定自身车辆在
Figure 943701DEST_PATH_IMAGE004
时刻的位置
Figure 100002_DEST_PATH_IMAGE044
。
进一步地，由于车辆在
Figure 673104DEST_PATH_IMAGE006
时间范围内平均速度偏差范围为
Figure 459795DEST_PATH_IMAGE024
，则周围
Figure 709510DEST_PATH_IMAGE022
辆车存在
Figure 100002_DEST_PATH_IMAGE046
种速度组合，将所有速度组合中环境影响值最大的作为下一时刻环境影响值。
进一步地，所述环境影响值的变化计算方法为：
Figure 288259DEST_PATH_IMAGE006
时段内周围环境的影响值的变化量
Figure 100002_DEST_PATH_IMAGE048
，其中
Figure 100002_DEST_PATH_IMAGE050
为
Figure 66859DEST_PATH_IMAGE004
时刻周围环境影响值，
Figure 100002_DEST_PATH_IMAGE052
为
Figure 731059DEST_PATH_IMAGE002
时刻周围环境影响值，
Figure 100002_DEST_PATH_IMAGE054
为归一化调节参数。
进一步地，获取司机在
Figure 50045DEST_PATH_IMAGE006
时间段内实际的注意力分散比率的方法是：
利用视频监控设备得到
Figure 93087DEST_PATH_IMAGE006
时间段内司机的监控视频图像；获取
Figure 839326DEST_PATH_IMAGE006
时间段内司机脸部朝向前其他方向的时长，利用司机脸部朝向其他方向占
Figure 459663DEST_PATH_IMAGE006
时间段的比例得到
Figure 316761DEST_PATH_IMAGE006
时间段内实际的注意力分散比率；
当实际的注意力分散比率大于环境影响值变化量所对应的注意力分散比率阈值时，判断司机存在注意力分散违规行为。
第二方面，本发明提出了一种基于人工智能的违规驾驶识别***，包括：
信息获取单元，用于获得当前时刻
Figure 276627DEST_PATH_IMAGE002
当前路段内自身及周围车辆的速度、位置信息及车型信息，并通过边缘处理获得道路的曲率信息；
第一计算单元，用于利用获取到的当前时刻
Figure 131450DEST_PATH_IMAGE002
自身及周围车辆的速度信息、位置信息、车型信息及道路的曲率信息，得到当前时刻
Figure 442346DEST_PATH_IMAGE002
环境影响值；
第二计算单元，用于根据当前时刻
Figure 837555DEST_PATH_IMAGE002
自身及周围车辆的速度信息、位置信息、车型信息及道路的曲率信息预测出下一时刻
Figure 714244DEST_PATH_IMAGE004
自身及周围车辆的速度信息、位置信息以及道路的曲率信息，并根据预测出的信息得到下一时刻
Figure 67865DEST_PATH_IMAGE004
环境影响值；
第三计算单元，用于根据下一时刻
Figure 538161DEST_PATH_IMAGE004
环境影响值和当前时刻
Figure 737061DEST_PATH_IMAGE002
环境影响值获取在所述
Figure 405940DEST_PATH_IMAGE006
时间段内环境影响值的变化量，确定出不同变化量对应的时注意力分散比率阈值；
注意力判断单元，用于获取司机在
Figure 992779DEST_PATH_IMAGE006
时间段内实际的注意力分散比率，将该实际的注意力分散比率与注意力分散比率阈值进行对比,根据对比的结果对司机是否违规进行判断。
相较于传统技术方案，本发明的有益效果是：
1.综合考虑周围车辆及道路的影响，给出司机注意力检测的违规判断边界，使得判别标准更具合理性和科学性；
2.可以防止机械性的给出判断条件，避免违规判断标准不符合实际需求的情况发生。
附图说明
在下文中，将参考附图仅作为举例来对本文的实施例进行更加详细的描述，在附图中：
图1是本发明的基于人工智能的违规驾驶识别方法的框图。
图2是本发明的基于人工智能的违规驾驶识别中环境影响值计算步骤的框图。
图3是本发明的基于人工智能的违规驾驶识别***的框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，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，都属于本发明保护的范围。
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征；在本实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
图1是本实施例的基于人工智能的违规驾驶识别方法的框图，如图1所示一种基于人工智能的违规驾驶识别方法包括如下步骤：
步骤S101：获得当前时刻
Figure 12688DEST_PATH_IMAGE002
当前路段内自身及周围车辆的速度、位置信息及车型信息，并通过边缘处理获得道路的曲率信息；
首先通过传感器获得当前时刻自身车辆(自车)的速度V、GPS二维位置定位信息。
其次提取当前时刻周围车辆的位置信息，包含当前路段划分和周围车辆信息提取：
（1）当前路段划分：将中心曲线进行平移至自身车辆所在位置，并在车辆位置前方和后方分别截取
Figure 952962DEST_PATH_IMAGE020
米的曲线段得到节点
Figure 100002_DEST_PATH_IMAGE056
，分别通过节点
Figure 741926DEST_PATH_IMAGE056
向道路边界做垂线即可得到区域分界线；
（2）利用车联网的方式获取当前路段自身车辆周围其他车辆的行驶速度
Figure 100002_DEST_PATH_IMAGE058
、位置
Figure 100002_DEST_PATH_IMAGE060
以及车型信息。
最后获取当前路段的曲率信息，具体实现方法如下：
（1）过当前时刻自身车辆所在位置向道路中心线做垂线得到垂足
Figure 100002_DEST_PATH_IMAGE062
；
（2）用Sober算子处理道路中心线得到道路中心线边缘特征，并用求导法处理道路中心线边缘特征得到垂足点
Figure 968508DEST_PATH_IMAGE062
的曲率数据
Figure DEST_PATH_IMAGE064
。
步骤S102：利用获取的当前时刻
Figure 538030DEST_PATH_IMAGE002
自身及周围车辆的速度信息、位置信息、车型信息及道路的曲率信息，得到当前时刻
Figure 78732DEST_PATH_IMAGE002
环境影响值；
由于车辆在不断移动，因自身车辆周围的环境在实时变化，而注意力检测***不能实时调整检测松紧程度，因此本实施例中利用不同时刻环境影响值的变化情况作为注意力检测***的松紧程度判断阈值。
本实施例中若是下一时刻和当前时刻的差异很大，说明会出现新的情况，当前时刻注意前方的必要性很高，若是一下时刻和当前时刻的差异为零，即是自身车辆和周围车辆在整体抽象为刚体在移动，注意前方的必要性就不会很高。
下面结合附图2对本实施例中当前时刻环境影响值进行计算，图2示出了基于人工智能的违规驾驶识别方法中环境影响值计算步骤的框图，如图2所示环境影响值计算包括如下内容：
步骤S201，计算周围每辆车面积占道比：
利用车联网获取的周围车辆的车型信息即可确定不同车型车身的长宽值数据
Figure DEST_PATH_IMAGE066
，进而周围车辆的包围盒的投影面积为:
Figure DEST_PATH_IMAGE068
，则所有周围所有车辆的面积为
Figure DEST_PATH_IMAGE070
。
计算当前路段的道路面积
Figure DEST_PATH_IMAGE072
：两区域边界线与两道路边界所围成的区域面积即为当前时刻车辆所在路段的面积，记为
Figure DEST_PATH_IMAGE074
，该面积可通过扇形计算公式近似计算得到，因此当前路段中的第
Figure 53029DEST_PATH_IMAGE010
辆车的面积占道比为：
Figure DEST_PATH_IMAGE076
。
进而得到周围每辆车的面积占道比
Figure DEST_PATH_IMAGE078
。
步骤S202，计算自身车辆与周围其他车辆的距离；
假设第
Figure 857037DEST_PATH_IMAGE010
辆车的位置为
Figure DEST_PATH_IMAGE080
，自身车辆的位置信息
Figure DEST_PATH_IMAGE082
,因而这辆车之间的距离为
Figure DEST_PATH_IMAGE084
。
进而得到该路段内自身车辆与周围所有车辆的距离
Figure DEST_PATH_IMAGE086
步骤S203，计算周围每辆车的方位权值：
由于不同方位的车辆其影响效果不同，在车辆正前方的影响较大，后方的影响相对较小，左侧的车辆存在超车可能，因此本实施例对于不同方位的车给定不同方位权值，具体方式为：
首先计算车辆的方位角度：
Figure DEST_PATH_IMAGE088
，然后计算方位权值：
Figure DEST_PATH_IMAGE090
。
步骤S204，计算周围环境影响值：周围车辆的影响值主要受自身车辆与周围车辆的距离，车辆速度、车辆面积占道比和前后车辆权重影响。
首先计算每辆车的影响值
Figure DEST_PATH_IMAGE092
，其中
Figure DEST_PATH_IMAGE094
为当前时刻第
Figure 445013DEST_PATH_IMAGE010
辆车的行驶速度，
Figure DEST_PATH_IMAGE096
为当前时刻第
Figure 789407DEST_PATH_IMAGE010
辆车的面积占道比，
Figure DEST_PATH_IMAGE098
为当前时刻第
Figure 615281DEST_PATH_IMAGE010
辆车的车辆方位影响权重，
Figure DEST_PATH_IMAGE100
为当前时刻第
Figure 590190DEST_PATH_IMAGE010
辆车的距离。
其次计算当前时刻该路段所有车辆的影响值为
Figure DEST_PATH_IMAGE102
，最后考虑道路曲率
Figure 71987DEST_PATH_IMAGE064
的影响，则当前时刻(
Figure 282388DEST_PATH_IMAGE002
时刻)的环境影响值
Figure 900451DEST_PATH_IMAGE052
为：
Figure DEST_PATH_IMAGE104
。
步骤S103：根据当前时刻
Figure 46262DEST_PATH_IMAGE002
自身及周围车辆的速度信息、位置信息、车型信息及道路的曲率信息预测出下一时刻
Figure 749776DEST_PATH_IMAGE004
自身及周围车辆的速度信息、位置信息以及道路的曲率信息，并根据预测出的信息得到下一时刻
Figure 498289DEST_PATH_IMAGE004
环境影响值，具体包括:
分析下一时刻周围车辆的分布情况，需要根据当前车辆的速度信息预测车辆在
Figure DEST_PATH_IMAGE106
时段内车辆的行驶路程，而车辆在行驶过程中速度在实时变化，为了反映在该时段内车辆的速度变化信息，在进行预测时给车辆的速度变化引入速度变化范围，利用该速度变化范围得到出很多种车辆分布情况，为了最大的保障驾驶安全性，本实施例在所有可能的车辆分布中选择出对驾驶精力要求最高的分布作为确定环境影响值的车辆参数。
本实施例中给出了速度的变化范围，在范围内遍历进行预测，进而预测出和当前时刻相比差异最大的结果，避免司机注意力超过阈值但不提示的情况发生。
首先预测下一时刻（
Figure 236438DEST_PATH_IMAGE004
时刻）车辆位置：利用当前时刻周围车辆的位置信息
Figure 287570DEST_PATH_IMAGE060
和速度
Figure 212801DEST_PATH_IMAGE058
信息,为了尽可能实现注意力检测***的实时性,需将时间间隔尽可能的缩短，即
Figure 702688DEST_PATH_IMAGE106
值尽可能小。如果时间间隔较小车辆速度限定在固定的变化区间，可以根据时间间隔和经验确定速度的范围偏差
Figure 357660DEST_PATH_IMAGE024
，以第
Figure 907591DEST_PATH_IMAGE010
辆车为例，该车辆在
Figure 320117DEST_PATH_IMAGE006
时间范围内的平均速度取值范围为
Figure DEST_PATH_IMAGE108
。
在本实施例中速度及
Figure 551378DEST_PATH_IMAGE024
均取整数，故每辆车在该速度范围内均存在
Figure DEST_PATH_IMAGE110
种速度取值，进而所有车辆总共有
Figure 60857DEST_PATH_IMAGE046
种速度组合。
以一种速度组合为例说明下一时刻车辆影响值的求解方式，假设周围这
Figure 781689DEST_PATH_IMAGE022
辆车的速度取值为
Figure 884774DEST_PATH_IMAGE026
,其中的
Figure DEST_PATH_IMAGE112
.已知速度后即可求得路程为
Figure 716464DEST_PATH_IMAGE030
。
假设所有周围所有车辆行驶轨迹都平行于道路中心线，因而可以通过平移道路中心线至各车辆当前时刻所在位置处，并在该曲线上截取长度为
Figure 89238DEST_PATH_IMAGE034
的弧长，该节点处即为下一时刻第
Figure 980971DEST_PATH_IMAGE010
辆车的位置
Figure 368089DEST_PATH_IMAGE036
。类别该方式求得周围
Figure 675574DEST_PATH_IMAGE022
辆车的位置
Figure 97328DEST_PATH_IMAGE038
。
由于车辆的行驶速度越大所需精力越多，本实施例中自身车辆取速度范围的最大值，即
Figure 222279DEST_PATH_IMAGE040
，因而车辆的行驶路程为
Figure DEST_PATH_IMAGE114
。
确定自身车辆在
Figure 96694DEST_PATH_IMAGE004
时刻的位置
Figure 473449DEST_PATH_IMAGE044
，后进行路段区域划分方式即可得到自身车辆在
Figure 749709DEST_PATH_IMAGE004
时刻所在路段区域
Figure DEST_PATH_IMAGE116
，然后筛选出属于
Figure 311141DEST_PATH_IMAGE116
路段区域的车辆，即
Figure DEST_PATH_IMAGE118
,得到
Figure DEST_PATH_IMAGE120
辆属于该区域的车辆。
然后利用步骤S102所述的方法可求得第
Figure 876114DEST_PATH_IMAGE010
辆车的面积占道比
Figure DEST_PATH_IMAGE122
，距离
Figure DEST_PATH_IMAGE124
,方位权值
Figure DEST_PATH_IMAGE126
，进而得到第
Figure 118877DEST_PATH_IMAGE010
辆车的影响值为
Figure DEST_PATH_IMAGE128
，则所有车辆的影响值为
Figure DEST_PATH_IMAGE130
。
进而得到
Figure 843119DEST_PATH_IMAGE046
种速度组合时的车辆影响值，将所有速度组合中车辆影响值最大值作为下一时刻车辆影响值
Figure DEST_PATH_IMAGE132
，然后利用步骤S101的方法得到当前时刻道路曲率
Figure DEST_PATH_IMAGE134
，最后计算得到
Figure 716397DEST_PATH_IMAGE004
时刻环境影响值
Figure DEST_PATH_IMAGE136
。
步骤S104：根据下一时刻
Figure 627721DEST_PATH_IMAGE004
环境影响值和当前时刻
Figure 143016DEST_PATH_IMAGE002
环境影响值获取在所述
Figure 331552DEST_PATH_IMAGE006
时间段内环境影响值的变化量，确定出不同变化量对应的时注意力分散比率阈值,具体包括：
不同的周围环境的变化对驾驶精力的需求不同，例如周围车辆在一定时段内变的愈发拥挤，因而需要更多的精力去应对环境的变化，同时道路曲率的变化也会对司机的精力需求不同，因此通过比较一定时段内周围环境影响值的变化确定驾驶精力的需求。
计算
Figure 641311DEST_PATH_IMAGE006
时段内周围环境的影响值的变化量
Figure 977614DEST_PATH_IMAGE048
，其中
Figure 358917DEST_PATH_IMAGE050
为
Figure 464276DEST_PATH_IMAGE004
时刻周围环境影响值，
Figure 944936DEST_PATH_IMAGE052
为
Figure 440640DEST_PATH_IMAGE002
时刻周围环境影响值，
Figure 563316DEST_PATH_IMAGE054
为归一化调节参数，该参数是为了将两时刻周围环境影响值在限制
Figure DEST_PATH_IMAGE138
的范围，便于给定合适的阈值来调节司机注意力分散比率。这两个参数需根据两周围环境影响值的取值来适时调整。
确定司机注意力分散比率阈值
Figure DEST_PATH_IMAGE140
Figure DEST_PATH_IMAGE142
，
本实施例中
Figure DEST_PATH_IMAGE144
，
Figure DEST_PATH_IMAGE146
，
Figure DEST_PATH_IMAGE148
与
Figure DEST_PATH_IMAGE150
为经验阈值，并在后续***运行过程中根据采集得到的数据进行适时调整。
步骤S105：获取司机在
Figure 916325DEST_PATH_IMAGE006
时间段内实际的注意力分散比率，将该实际的注意力分散比率与注意力分散比率阈值进行对比,根据对比的结果对司机是否违规进行判断，具体包括如下内容：
首先利用视频监控设备得到自身车辆行驶过程中司机的所在位置的监控视频图像；将采集得到的视频图像作为数据集，并将司机脸部朝向前驾驶窗口图像的标记为1，脸部朝向其他方向的图像标记为0，得到视频图像的标签数据；
将视频图像和标签数据输入到DNN网络中进行训练，该DNN网络为Encoder-FC的结构，Encoder抽取脸部朝向特征，FC输出脸部是否朝向前驾驶窗口，其中训练集占80%，验证集占20%，得到训练完成的网络；训练完成的网络能够得到某一时间段内司机脸部朝向前其他方向的时长，在本实施例中司机脸部朝向其他方向则司机处于注意力分散状态，则该时间段内司机脸部朝向其他方向占该时间段的比例即为注意力分散比率；
当该实际注意力分散比率大于环境影响值变化量所对应的注意力分散比率阈值时，判断司机存在注意力分散违规行为。
下面参考图3来描述本公开实施例的***，图3示出了一种基于人工智能的违规驾驶识别***的框图，如图所示基于人工智能的违规驾驶识别***包括以下内容：
信息获取单元301，用于获得当前时刻
Figure 771148DEST_PATH_IMAGE002
当前路段内自身及周围车辆的速度、位置信息及车型信息，并通过边缘处理获得道路的曲率信息；
第一计算单元302，用于利用获取到的当前时刻
Figure 816465DEST_PATH_IMAGE002
自身及周围车辆的速度信息、位置信息、车型信息及道路的曲率信息，得到当前时刻
Figure 477253DEST_PATH_IMAGE002
环境影响值；
第二计算单元303，用于根据当前时刻
Figure 353942DEST_PATH_IMAGE002
自身及周围车辆的速度信息、位置信息、车型信息及道路的曲率信息预测出下一时刻
Figure 707563DEST_PATH_IMAGE004
自身及周围车辆的速度信息、位置信息以及道路的曲率信息，并根据预测出的信息得到下一时刻
Figure 974597DEST_PATH_IMAGE004
环境影响值；
第三计算单元304，用于根据下一时刻
Figure 111180DEST_PATH_IMAGE004
环境影响值和当前时刻
Figure 45638DEST_PATH_IMAGE002
环境影响值获取在所述
Figure 632477DEST_PATH_IMAGE006
时间段内环境影响值的变化量，确定出不同变化量对应的时注意力分散比率阈值；
注意力判断单元305，获取司机在
Figure 121227DEST_PATH_IMAGE006
时间段内实际的注意力分散比率，将该实际的注意力分散比率与注意力分散比率阈值进行对比,根据对比的结果对司机是否违规进行判断。
综上所述相较于传统技术方案，本发明综合考虑周围车辆及道路的影响，给出司机注意力检测的违规判断边界，使得判别标准更具合理性和科学性；可以防止机械性的给出判断条件，避免违规判断标准不符合实际需求的情况发生。
本发明中涉及诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本发明的方法和***中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
上述实施例仅仅是为清楚地说明所做的举例，并不构成对本发明的保护范围的限制。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无需也无法对所有的实施方式予以穷举。凡是与本发明相同或相似的设计均属于本发明的保护范围之内。

Claims (8)

1.一种基于人工智能的违规驾驶识别方法，其特征在于，包括：
获得当前时刻
Figure DEST_PATH_IMAGE002
当前路段内自身及周围车辆的速度、位置信息及车型信息，并通过边缘处理获得道路的曲率信息；
利用获取的当前时刻
Figure 978665DEST_PATH_IMAGE002
自身及周围车辆的速度信息、位置信息、车型信息及道路的曲率信息，得到当前时刻
Figure 36750DEST_PATH_IMAGE002
环境影响值；
根据当前时刻
Figure 82067DEST_PATH_IMAGE002
自身及周围车辆的速度信息、位置信息、车型信息及道路的曲率信息预测出下一时刻
Figure DEST_PATH_IMAGE004
自身及周围车辆的速度信息、位置信息以及道路的曲率信息，并根据预测出的信息得到下一时刻
Figure 742855DEST_PATH_IMAGE004
环境影响值；
根据下一时刻
Figure 822807DEST_PATH_IMAGE004
环境影响值和当前时刻
Figure 645269DEST_PATH_IMAGE002
环境影响值获取在所述
Figure DEST_PATH_IMAGE006
时间段内环境影响值的变化量，确定出不同变化量对应的时注意力分散比率阈值；
获取司机在
Figure 315898DEST_PATH_IMAGE006
时间段内实际的注意力分散比率，将该实际的注意力分散比率与注意力分散比率阈值进行对比,根据对比的结果对司机是否违规进行判断。
2.根据权利要求1所述一种基于人工智能的违规驾驶识别方法，其特征在于，环境影响值的影响因素包括：周围其他车辆面积占道比；自身车辆与周围其他车辆的距离；周围其他车辆的方位权值。
3.根据权利要求2所述一种基于人工智能的违规驾驶识别方法，其特征在于，所述环境影响值计算方法为：
Figure DEST_PATH_IMAGE008
其中对于第
Figure DEST_PATH_IMAGE010
辆车，
Figure DEST_PATH_IMAGE012
为其行驶速度，
Figure DEST_PATH_IMAGE014
为其面积占道比，
Figure DEST_PATH_IMAGE016
为其方位影响权重，
Figure DEST_PATH_IMAGE018
为其与所述自身车辆距离,
Figure DEST_PATH_IMAGE020
为当前路段曲率数据，
Figure DEST_PATH_IMAGE022
为当前区段车辆数。
4.根据权利要求2所述一种基于人工智能的违规驾驶识别方法，其特征在于，所述下一时刻
Figure 124585DEST_PATH_IMAGE004
自身及周围车辆的速度及位置信息获取方法为：
车辆在
Figure 59043DEST_PATH_IMAGE006
时间范围内平均速度偏差范围为
Figure DEST_PATH_IMAGE024
，则周围
Figure 317986DEST_PATH_IMAGE022
辆车平均速度取值为
Figure DEST_PATH_IMAGE026
,其中的
Figure DEST_PATH_IMAGE028
，
Figure 478840DEST_PATH_IMAGE006
期间路程为
Figure DEST_PATH_IMAGE030
，其中
Figure DEST_PATH_IMAGE032
为当前时刻第
Figure 747010DEST_PATH_IMAGE010
辆车速度，
Figure DEST_PATH_IMAGE034
为下一时刻第
Figure 676920DEST_PATH_IMAGE010
辆车速度；
Figure DEST_PATH_IMAGE036
为平均速度偏差值；
平移道路中心线至当前时刻各车辆所在位置，并在该平移后的曲线上截取长度为
Figure DEST_PATH_IMAGE038
的弧长，该节点处即为下一时刻第
Figure 637923DEST_PATH_IMAGE010
辆车的位置
Figure DEST_PATH_IMAGE040
，进而得到周围
Figure 145127DEST_PATH_IMAGE022
辆车的位置
Figure DEST_PATH_IMAGE042
；
对于所述自身车辆
Figure DEST_PATH_IMAGE044
，行驶路程为
Figure DEST_PATH_IMAGE046
，结合当前时刻
Figure 92355DEST_PATH_IMAGE002
自身车辆位置可确定自身车辆在
Figure 1405DEST_PATH_IMAGE004
时刻的位置
Figure DEST_PATH_IMAGE048
，
Figure DEST_PATH_IMAGE050
为当前时刻自身车辆的速度，
Figure DEST_PATH_IMAGE052
为下一时刻的自身车辆的速度。
5.根据权利要求4所述一种基于人工智能的违规驾驶识别方法，其特征在于，由于车辆在
Figure 743096DEST_PATH_IMAGE006
时间范围内平均速度偏差范围为
Figure 737597DEST_PATH_IMAGE024
，则周围
Figure 81990DEST_PATH_IMAGE022
辆车存在
Figure DEST_PATH_IMAGE054
种速度组合，将所有速度组合中环境影响值最大的作为下一时刻环境影响值。
6.根据权利要求1所述一种基于人工智能的违规驾驶识别方法，其特征在于，所述环境影响值的变化计算方法为：
Figure 720913DEST_PATH_IMAGE006
时段内周围环境的影响值的变化量
Figure DEST_PATH_IMAGE056
，其中
Figure DEST_PATH_IMAGE058
为
Figure 23719DEST_PATH_IMAGE004
时刻周围环境影响值，
Figure DEST_PATH_IMAGE060
为
Figure 377952DEST_PATH_IMAGE002
时刻周围环境影响值，
Figure DEST_PATH_IMAGE062
为归一化调节参数。
7.根据权利要求1所述一种基于人工智能的违规驾驶识别方法，其特征在于，获取司机在
Figure 526037DEST_PATH_IMAGE006
时间段内实际的注意力分散比率的方法是：
利用视频监控设备得到
Figure 144100DEST_PATH_IMAGE006
时间段内司机的监控视频图像；获取
Figure 352227DEST_PATH_IMAGE006
时间段内司机脸部朝向其他方向的时长，利用司机脸部朝向其他方向的时长占
Figure 790162DEST_PATH_IMAGE006
时间段的比例得到
Figure 351724DEST_PATH_IMAGE006
时间段内实际的注意力分散比率；
当实际的注意力分散比率大于环境影响值变化量所对应的注意力分散比率阈值时，判断司机存在注意力分散违规行为。
8.一种基于人工智能的违规驾驶识别***，其特征在于，包括：
信息获取单元，用于获得当前时刻
Figure 89873DEST_PATH_IMAGE002
当前路段内自身及周围车辆的速度、位置信息及车型信息，并通过边缘处理获得道路的曲率信息；
第一计算单元，用于利用获取到的当前时刻
Figure 203323DEST_PATH_IMAGE002
自身及周围车辆的速度信息、位置信息、车型信息及道路的曲率信息，得到当前时刻
Figure 394133DEST_PATH_IMAGE002
环境影响值；
第二计算单元，用于根据当前时刻
Figure 884020DEST_PATH_IMAGE002
自身及周围车辆的速度信息、位置信息、车型信息及道路的曲率信息预测出下一时刻
Figure 86462DEST_PATH_IMAGE004
自身及周围车辆的速度信息、位置信息以及道路的曲率信息，并根据预测出的信息得到下一时刻
Figure 370813DEST_PATH_IMAGE004
环境影响值；
第三计算单元，用于根据下一时刻
Figure 48919DEST_PATH_IMAGE004
环境影响值和当前时刻
Figure 342497DEST_PATH_IMAGE002
环境影响值获取在所述
Figure 524080DEST_PATH_IMAGE006
时间段内环境影响值的变化量，确定出不同变化量对应的时注意力分散比率阈值；
注意力判断单元，用于获取司机在
Figure 979332DEST_PATH_IMAGE006
时间段内实际的注意力分散比率，将该实际的注意力分散比率与注意力分散比率阈值进行对比,根据对比的结果对司机是否违规进行判断。
CN202111088570.7A 2021-09-16 2021-09-16 基于人工智能的违规驾驶识别方法及*** Active CN113525391B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111088570.7A CN113525391B (zh) 2021-09-16 2021-09-16 基于人工智能的违规驾驶识别方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111088570.7A CN113525391B (zh) 2021-09-16 2021-09-16 基于人工智能的违规驾驶识别方法及***

Publications (2)

Publication Number Publication Date
CN113525391A true CN113525391A (zh) 2021-10-22
CN113525391B CN113525391B (zh) 2021-12-10

Family

ID=78092797

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111088570.7A Active CN113525391B (zh) 2021-09-16 2021-09-16 基于人工智能的违规驾驶识别方法及***

Country Status (1)

Country Link
CN (1) CN113525391B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103150786A (zh) * 2013-04-09 2013-06-12 北京理工大学 一种非接触式无人驾驶车辆行驶状态测量***及测量方法
CN105823479A (zh) * 2016-03-04 2016-08-03 上海畅星软件有限公司 驾驶行为分析方法
US20170116485A1 (en) * 2015-10-21 2017-04-27 Ford Global Technologies, Llc Perception-Based Speed Limit Estimation And Learning
CN110610326A (zh) * 2019-09-30 2019-12-24 广州大道信息科技有限公司 一种基于驾驶数据的驾驶管理***

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103150786A (zh) * 2013-04-09 2013-06-12 北京理工大学 一种非接触式无人驾驶车辆行驶状态测量***及测量方法
US20170116485A1 (en) * 2015-10-21 2017-04-27 Ford Global Technologies, Llc Perception-Based Speed Limit Estimation And Learning
CN105823479A (zh) * 2016-03-04 2016-08-03 上海畅星软件有限公司 驾驶行为分析方法
CN110610326A (zh) * 2019-09-30 2019-12-24 广州大道信息科技有限公司 一种基于驾驶数据的驾驶管理***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高尚兵 等: "视觉协同的违规驾驶行为分析方法", 《智能***学报》 *

Also Published As

Publication number Publication date
CN113525391B (zh) 2021-12-10

Similar Documents

Publication Publication Date Title
US11990036B2 (en) Driver behavior monitoring
CN109927719B (zh) 一种基于障碍物轨迹预测的辅助驾驶方法和***
CN112712717B (zh) 一种信息融合的方法、装置和设备
JP7499256B2 (ja) ドライバの挙動を分類するためのシステムおよび方法
CN108437986B (zh) 车辆驾驶辅助***及辅助方法
CN112885145B (zh) 路口风险预警的方法和装置
CN110077398B (zh) 一种用于智能驾驶的危险处理方法
EP3403219A1 (en) Driver behavior monitoring
KR20180092101A (ko) Ecu, 상기 ecu를 포함하는 무인 자율 주행 차량, 및 이의 주행 차로 판단 방법
WO2023197408A1 (zh) 车速控制模型训练样本的确定方法及装置
CN112026761A (zh) 一种基于数据共享的汽车辅助驾驶方法
CN114475651B (zh) 基于车路协同的盲区障碍物紧急避让方法和装置
CN113525391B (zh) 基于人工智能的违规驾驶识别方法及***
CN111104824A (zh) 车道偏离的检测方法、电子设备及计算机可读存储介质
CN114655203A (zh) 一种辅助驾驶方法、装置、设备及存储介质
JP5125214B2 (ja) 障害物検出方法および障害物検出装置
WO2023197409A1 (zh) 速度控制模型的生成方法、车辆控制方法及装置
CN114530057B (zh) 一种车辆预警方法、装置、车辆及存储介质
CN106203383B (zh) 基于图像的车辆安全预警方法
KR101985074B1 (ko) 어댑티브 크루즈 컨트롤 장치 및 그 방법
US20220371587A1 (en) Method and Apparatus for Determining Vehicle Speed Control Model Training Sample
Islam Investigating the speed and rear-end collision relationship at urban signalized intersections
US20240290201A1 (en) Driver behavior monitoring
CN112150833B (zh) 调整路段限速的方法、装置、存储介质及电子设备
CN118514696A (zh) 用于辅助驾驶的图像识别方法及***

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
GR01 Patent grant
GR01 Patent grant