CN115862268A - 基于多源网联数据的危险驾驶行为分级预警方法 - Google Patents

Abstract

本发明公开了一种基于多源网联数据的危险驾驶行为分级预警方法，该方法包括步骤：实时获取车辆的定位数据信息，解析得到当前速度、连续行驶时间与位置信息；基于当前速度与所在道路限速信息，进行超速行为研判；充分融合定位与视频数据，实现车道级定位，基于此实现频繁变道行为研判；实时采集驾驶员面部图像，运用机器视觉算法检测驾驶员疲劳状态，结合连续行驶时间进行疲劳驾驶行为研判；基于层次分析法确定上述三类危险驾驶行为的指标权重，进行危险程度评级，实现分级预警。本发明能够基于多源网联数据，实现超速、频繁变道、疲劳驾驶三类危险驾驶行为的准确识别，并按危险程度评级，实时动态分级预警，从而有效规范驾驶行为，保证交通安全。

Description

基于多源网联数据的危险驾驶行为分级预警方法

技术领域

本发明属于交通安全领域，具体是一种基于多源网联数据的危险驾驶行为分级预警方法。

背景技术

近年来，我国交通运输行业迅猛发展，道路基础设施不断完善，与此同时，交通安全问题也日益严峻，交通事故频次逐年升高。其中，因驾驶人员的危险驾驶行为而引发的交通事故占据了很大一部分比例。对危险驾驶行为进行实时检测，并及时给驾驶人员发布有效预警，可有效减少因危险驾驶行为而引发的交通事故，保障交通安全。

现有的一些专利和论文都为实现危险驾驶行为的实时检测与及时有效预警提出了各自的理论解决方案。专利名称：一种基于模糊层次分析法的车辆驾驶行为评估方法(专利号：CN202210300077.5)公开了一种基于模糊层次分析法的车辆驾驶行为评估方法，其主要是基于车载定位设备收集到的定位数据解析出时间戳、经纬度、车速和方向角数据，并基于此计算出六种危险驾驶行为的安全度分值：超速行为、急转弯行为、急加速行为和急减速行为、夜间驾驶行为和疲劳驾驶行为，随后应用模糊层次分析法将上述六种危险驾驶行为的安全度转化为一种综合危险驾驶行为安全度分值，进行车辆驾驶行为的优劣评估。该方法驾驶行为评估结果基于定位数据实现，最终可得出定量的评估指标，具有成本低、技术成熟等优点，但仍存在许多问题：

1)首先，该方法的数据来源只是单一的定位数据，评估结果受定位精度影响较大；

2)其次，疲劳驾驶行为的相关研判工作仅根据连续行驶时间长度来衡量，忽略了驾驶人员本身的疲劳状态情况；

3)最后，在获得驾驶行为的评估指标后，没有进一步考虑危险驾驶行为的针对性预警工作。

发明内容

本发明的目的在于提供一种基于多源网联数据的危险驾驶行为分级预警方法。

实现本发明目的的技术方案为：一种基于多源网联数据的危险驾驶行为分级预警方法，包括：

步骤1、实时获取当前网联车辆的定位数据信息，解析得到车辆速度信息、连续行驶时间信息以及车辆位置信息；

步骤2、基于当前车辆行驶速度与车辆所在道路限速信息，进行超速行为研判，获得超速行为危险度参数；

步骤3、基于车辆位置信息以及车外摄像头检测车辆左右两端车道线数目，实现车道级定位，基于车道级定位实现车辆频繁变道行为研判，获得频繁变道危险度参数；

步骤4、通过车内摄像头实时采集驾驶员面部图像，运用机器视觉算法检测驾驶员疲劳状态，结合连续行驶时间进行疲劳驾驶行为研判，获得疲劳驾驶行为危险度参数；

步骤5、基于层次分析法确定上述三类危险驾驶行为的指标权重，进行车辆行驶危险程度评级，实现分级预警。

优选地，步骤1中采用基于多模GNSS的RTK定位模块，实现车辆的厘米级定位。

优选地，步骤2中基于当前车辆行驶速度与车辆所在道路限速信息，进行超速行为研判的具体规则为：

d₁为超速行为危险度参数，V为汽车实时速度，V_m为汽车最大行驶速度阈值。

优选地，最大行驶速度阈值V_m具体为：

V_m＝道路限速×(1-5％)

优选地，基于车道级定位实现车辆频繁变道行为研判的具体规则为：

式中，N_change为当前时刻前一分钟内车辆车道的变换次数，d₂为频繁变道危险度参数。

优选地，步骤4中对于疲劳驾驶的研判包括疲劳驾驶行为与疲劳状态两部分，其中疲劳驾驶行为通过比较当前记录的连续行驶时长T是否达到最大允许连续行驶时间T_max进行判断，疲劳状态则是基于车内摄像头采集驾驶人员面部图像，通过机器视觉算法识别检测疲劳特征行为，判断驾驶人员是否处于疲劳状态。

优选地，步骤4中获得疲劳驾驶行为危险度参数的具体方法为：

根据车联网数据记录的车辆当前连续行驶时长T与最大允许连续行驶时间T_max的比较结果，得到疲劳驾驶行为危险度参数d₃为：

优选地，步骤5中通过层次分析法计算得出三种危险驾驶行为影响车辆行驶危险等级的权重，并由此计算出当前驾驶行为危险度，具体步骤为：

1)构建判断矩阵

根据专家意见，对上述三类危险驾驶行为进行两两比较，确定相对危险程度标度，填入判断矩阵相应位置，以此构建判断矩阵M如下：

2)判断矩阵一致性检验

求得判断矩阵最大特征值为λ_max＝3.0037，计算一致性指标CI：

当判断矩阵阶数为3时，平均随机一致性指标为RI＝0.52，可得一致性比例CR为：

故判断矩阵M满足一致性条件；

3)特征值法求危险驾驶行为权重

求取判断矩阵M的最大特征值λ_max对应的特征向量为：

[-0.4629,-0.1639,-0.8711]^T

对特征向量归一化，得到三种危险驾驶行为各自的危险程度权重：

[0.3090,0.1095,0.5815]^T

4)计算当前驾驶行为危险度指标D

D＝0.3090d₁+0.1095d₂+0.5815d₃。

优选地，步骤5根据危险度指标划分危险驾驶行为等级，确定相对应的分级预警方式，具体为：

当前驾驶行为危险度指标D∈[0,1)时，预警等级为第一级，此时，车载预警***不进行报警，仅将采集到的行车数据以及相关危险度指标数据实时传回后台记录；

当前驾驶行为危险度指标D∈[1,2)时，预警等级为第二级，此时，车载预警***采取语言提醒方式进行报警，并将相关数据传回后台记录；

当前驾驶行为危险度指标D∈[2,4)时，预警等级为第三级，此时，车载报警***由蜂鸣器发布频率低于设定阈值的报警声，并将相关数据传回后台记录；

当前驾驶行为危险度指标D∈[4,6)时，预警等级为第四级，此时，车载报警***由蜂鸣器发布频率高于设定阈值的报警声，报警灯低频闪烁，并将相关数据传回后台记录；

当前驾驶行为危险度指标D∈[6,10]或者检测出驾驶员明显的疲劳状态时，预警等级为最高的第五级，此时，车载报警***由蜂鸣器发布频率高于设定阈值、音量高于设定阈值的报警声，报警灯高频闪烁，驾驶权限由自动驾驶***接管，修正当前危险驾驶行为，并将相关数据传回后台记录。

本发明与现有技术相比，其显著优点为：

(1)本发明创新地将厘米级高精度定位技术与机器视觉技术相结合，充分融合厘米级定位数据与行车视频数据，实现了高鲁棒性的车道级定位；

(2)本发明基于车载定位设备与内外双向视频监控设备采集到的行车数据，可全程实时准确识别三种典型的危险驾驶行为：超速、频繁变道、疲劳驾驶，与现有技术相比，本发明所提出的方法更全面、更精确、更可靠。

(3)本发明采用AHP层次分析法，完善了驾驶行为危险程度分级机制，并实现了不同级别的预警方案，相比于其他技术解决方案具有更高的实用性和完整性。

附图说明

图1是本发明的流程示意图。

具体实施方式

为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。

如附图1所示，一种基于多源网联数据的危险驾驶行为分级预警方法，具体步骤为：

步骤1、通过车载高精度定位设备实时获取当前网联车辆的定位数据信息，解析得到车辆速度信息、连续行驶时间信息以及车辆位置信息。

具体地，在本实施例中，设获取到的实时车速为90km/h；连续行驶时间为6h；

通过基于多模GNSS的RTK定位模块获取精度达厘米级的车辆位置，以保证后续定位相关的危险驾驶行为研判精度，降低误报率。

步骤2、根据道路限速信息，计算汽车最大行驶速度阈值V_m，进行超速行为研判。考虑到GPS的定位精度和速度传感器传输精度等问题，设置了-5％的误差值，最大行驶速度阈值V_m具体为：

V_m＝道路限速×(1-5％)

根据定位数据信息解析获得的汽车实时速度V与汽车最大行驶速度阈值V_m的比较结果，得到超速行为危险度参数d₁：

具体地，在本实施例中，当前车速为90km/h，道路限速为60km/h，最大行驶速度阈值V_m＝57km/h。根据超速行为危险度参数计算公式得d₁＝5.7895。

步骤3、基于车辆定位信息以及车外摄像头检测车辆左右两端车道线数目，实现精确的车道级定位，进行车辆频繁变道行为研判，具体规则为：

式中，N_change为当前时刻前一分钟内车辆车道的变换次数，d₂为频繁变道危险度参数。

具体地，在本实施例中，主要是通过车载高精度定位模块获取厘米级位置信息，并基于定位信息读取道路等级与数据库中的道路等级、车道数。

具体地，在本实施例中，车道线的检测可通过采集图像数据并进行预处理，基于RetinaNet深度学习方法实现。随后，通过计算当前车辆所在位置左右两侧的车道线数量判断所在车道。

具体地，在本实施例中，设行驶车辆在当前时刻前一分钟内变换了3次车道，根据频繁变道行为危险度参数计算公式得d₂＝5。

步骤4、通过车内摄像头实时采集驾驶员面部图像，运用机器视觉算法检测驾驶员疲劳状态，结合连续行驶时间进行疲劳驾驶行为研判。

疲劳驾驶的研判包括疲劳驾驶行为与疲劳状态两部分，其中疲劳驾驶行为通过比较当前记录的连续行驶时长T是否达到最大允许连续行驶时间T_max进行判断，疲劳状态则是基于车内摄像头采集驾驶人员面部图像，通过机器视觉算法识别检测出低头、未看前方、打哈欠、闭眼疲劳特征行为，判断驾驶人员是否处于疲劳状态

具体地，在本实施例中，对于疲劳状态的检测，使用车载摄像头，采用深度学习，结合MTCNN和YOLOv5网络进行驾驶人员的低头、未看前方、打哈欠、闭眼等疲劳特征的检测，实时监督驾驶员的生理状态以检测是否产生疲劳驾驶征兆。

具体地，在本实施例中，根据车联网数据记录的车辆当前连续行驶时长T与最大允许连续行驶时间T_max的比较结果，得到疲劳驾驶行为危险度参数d₃为：

具体地，在本实施例中，设最大允许连续行驶时间T_max为4h。若未检测到驾驶人员的明显疲劳特征，但连续行驶时间已达到6h，根据疲劳驾驶行为危险度参数计算公式得d₃＝5。

步骤5、基于层次分析法确定上述三类危险驾驶行为的指标权重，进行车辆行驶危险程度评级，实现分级预警。

通过层次分析法计算得出三种危险驾驶行为影响车辆行驶危险等级的权重，并由此计算出当前驾驶行为危险度，具体步骤为：

1)构建判断矩阵

根据专家意见，对上述三类危险驾驶行为进行两两比较，确定相对危险程度标度，填入判断矩阵相应位置，以此构建判断矩阵M如下：

2)判断矩阵一致性检验

求得判断矩阵最大特征值为λ_max＝3.0037，计算一致性指标CI：

当判断矩阵阶数为3时，平均随机一致性指标为RI＝0.52，可得一致性比例CR为：

故判断矩阵M满足一致性条件；

3)特征值法求危险驾驶行为权重

求取判断矩阵M的最大特征值λ_max对应的特征向量为：

[-0.4629,-0.1639,-0.8711]^T

对特征向量归一化，得到三种危险驾驶行为各自的危险程度权重：

[0.3090,0.1095,0.5815]^T

4)计算当前驾驶行为危险度指标D

D＝0.3090d₁+0.1095d₂+0.5815d₃。

5)根据危险度指标划分危险驾驶行为等级，确定相对应的分级预警方式。

当前驾驶行为危险度指标D∈[0,1)时，预警等级为第一级，此时，车载预警***不进行报警，仅将采集到的行车数据以及相关危险度指标数据实时传回后台记录；

当前驾驶行为危险度指标D∈[1,2)时，预警等级为第二级，此时，车载预警***采取语言提醒方式进行报警，并将相关数据传回后台记录；

当前驾驶行为危险度指标D∈[2,4)时，预警等级为第三级，此时，车载报警***由蜂鸣器发布低频报警声，并将相关数据传回后台记录；

当前驾驶行为危险度指标D∈[4,6)时，预警等级为第四级，此时，车载报警***由蜂鸣器发布高频报警声，报警灯低频闪烁，并将相关数据传回后台记录；

当前驾驶行为危险度指标D∈[6,10]或者检测出驾驶员明显的疲劳状态时，预警等级为最高的第五级，此时，车载报警***由蜂鸣器发布高频、高音量报警声，报警灯高频闪烁，驾驶权限由自动驾驶***接管，修正当前危险驾驶行为，并将相关数据传回后台记录。

具体地，在本实施例中，根据层次分析法计算得出的指标权重以及上述的行车数据，该驾驶人员当前驾驶行为的危险度指标为：

D＝0.3090×5.7895+0.1095×5+0.5815×5＝5.2440

此时，预警等级为第四级，车载报警***由蜂鸣器发布尖锐报警声，报警灯低频闪烁，并将相关数据传回后台记录。

本发明在当前智能网联、人工智能、高精度定位技术等新兴技术飞速发展的背景下，提出了一种基于多源网联数据的危险驾驶行为分级预警方法。本发明能够在智能网联环境下，基于人、车、路、环境多源网联信息，实现超速、频繁变道、疲劳驾驶三类危险驾驶行为的准确识别，并按危险程度评级，实现实时动态分级预警，从而有效规范驾驶行为，保证交通安全。

虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (9)

1.一种基于多源网联数据的危险驾驶行为分级预警方法，其特征在于，包括：

步骤1、实时获取当前网联车辆的定位数据信息，解析得到车辆速度信息、连续行驶时间信息以及车辆位置信息；

步骤2、基于当前车辆行驶速度与车辆所在道路限速信息，进行超速行为研判，获得超速行为危险度参数；

步骤3、基于车辆位置信息以及车外摄像头检测车辆左右两端车道线数目，实现车道级定位，基于车道级定位实现车辆频繁变道行为研判，获得频繁变道危险度参数；

步骤4、通过车内摄像头实时采集驾驶员面部图像，运用机器视觉算法检测驾驶员疲劳状态，结合连续行驶时间进行疲劳驾驶行为研判，获得疲劳驾驶行为危险度参数；

步骤5、基于层次分析法确定上述三类危险驾驶行为的指标权重，进行车辆行驶危险程度评级，实现分级预警。

2.根据权利要求1所述的基于多源网联数据的危险驾驶行为分级预警方法，其特征在于，步骤1中采用基于多模GNSS的RTK定位模块，实现车辆的厘米级定位。

3.根据权利要求1所述的基于多源网联数据的危险驾驶行为分级预警方法，其特征在于，步骤2中基于当前车辆行驶速度与车辆所在道路限速信息，进行超速行为研判的具体规则为：

d₁为超速行为危险度参数，V为汽车实时速度，V_m为汽车最大行驶速度阈值。

4.根据权利要求1所述的基于多源网联数据的危险驾驶行为分级预警方法，其特征在于，最大行驶速度阈值V_m具体为：

V_m＝道路限速×(1-5％)

5.根据权利要求1所述的基于多源网联数据的危险驾驶行为分级预警方法，其特征在于，基于车道级定位实现车辆频繁变道行为研判的具体规则为：

式中，N_change为当前时刻前一分钟内车辆车道的变换次数，d₂为频繁变道危险度参数。

6.根据权利要求1所述的基于多源网联数据的危险驾驶行为分级预警方法，其特征在于，步骤4中对于疲劳驾驶的研判包括疲劳驾驶行为与疲劳状态两部分，其中疲劳驾驶行为通过比较当前记录的连续行驶时长T是否达到最大允许连续行驶时间T_max进行判断，疲劳状态则是基于车内摄像头采集驾驶人员面部图像，通过机器视觉算法识别检测疲劳特征行为，判断驾驶人员是否处于疲劳状态。

7.根据权利要求1或6所述的基于多源网联数据的危险驾驶行为分级预警方法，其特征在于，步骤4中获得疲劳驾驶行为危险度参数的具体方法为：

根据车联网数据记录的车辆当前连续行驶时长T与最大允许连续行驶时间T_max的比较结果，得到疲劳驾驶行为危险度参数d₃为：

8.根据权利要求1所述的基于多源网联数据的危险驾驶行为分级预警方法，其特征在于，步骤5中通过层次分析法计算得出三种危险驾驶行为影响车辆行驶危险等级的权重，并由此计算出当前驾驶行为危险度，具体步骤为：

1)构建判断矩阵

根据专家意见，对上述三类危险驾驶行为进行两两比较，确定相对危险程度标度，填入判断矩阵相应位置，以此构建判断矩阵M如下：

2)判断矩阵一致性检验

求得判断矩阵最大特征值为λ_max＝3.0037，计算一致性指标CI：

当判断矩阵阶数为3时，平均随机一致性指标为RI＝0.52，可得一致性比例CR为：

故判断矩阵M满足一致性条件；

3)特征值法求危险驾驶行为权重

求取判断矩阵M的最大特征值λ_max对应的特征向量为：

[-0.4629,-0.1639,-0.8711]^T

对特征向量归一化，得到三种危险驾驶行为各自的危险程度权重：

[0.3090,0.1095,0.5815]^T

4)计算当前驾驶行为危险度指标D

D＝0.3090d₁+0.1095d₂+0.5815d₃。

9.根据权利要求8所述的基于多源网联数据的危险驾驶行为分级预警方法，其特征在于，步骤5根据危险度指标划分危险驾驶行为等级，确定相对应的分级预警方式，具体为：

当前驾驶行为危险度指标D∈[0,1)时，预警等级为第一级，此时，车载预警***不进行报警，仅将采集到的行车数据以及相关危险度指标数据实时传回后台记录；

当前驾驶行为危险度指标D∈[1,2)时，预警等级为第二级，此时，车载预警***采取语言提醒方式进行报警，并将相关数据传回后台记录；

当前驾驶行为危险度指标D∈[2,4)时，预警等级为第三级，此时，车载报警***由蜂鸣器发布频率低于设定阈值的报警声，并将相关数据传回后台记录；

当前驾驶行为危险度指标D∈[4,6)时，预警等级为第四级，此时，车载报警***由蜂鸣器发布频率高于设定阈值的报警声，报警灯低频闪烁，并将相关数据传回后台记录；

当前驾驶行为危险度指标D∈[6,10]或者检测出驾驶员明显的疲劳状态时，预警等级为最高的第五级，此时，车载报警***由蜂鸣器发布频率高于设定阈值、音量高于设定阈值的报警声，报警灯高频闪烁，驾驶权限由自动驾驶***接管，修正当前危险驾驶行为，并将相关数据传回后台记录。

Images