一种驾驶风险监控及报警方法、装置、设备及存储介质与流程

1.本发明涉及数据处理技术领域，具体涉及一种驾驶风险监控及报警方法、装置、设备及存储介质。


背景技术：

2.随着社会的发展，汽车已经逐渐成为了每个居民必备的交通工具，但随之而来的道路交通安全问题也与日俱增，因此越来越多的车辆安全辅助功能被开发出来，几乎每一辆车上都会安装一个安全装置。但是据统计数据显示,在我国交通事故发生的原因中95.3％来自人的因素，其余为车辆或道路因素。而现有的驾驶辅助装置(adas)并不能很好的适应每一个驾驶人的特点，导致驾驶员的适应性和安全性出现很大的问题。
3.现有的驾驶风险监控算法有很多，例如，有的方法通过测量汽车轨迹的有序性来判断是否出现危险驾驶状态，其主要是针对酒后驾驶或者是疲劳驾驶的情况，但此方法具有一定的局限性；有的方法是通过kinect以及红外摄像头来捕捉驾驶员人体切面图像，来对人体关节点位置的识别，并根据关节识别的结果分析驾驶员的头部、脊椎和手臂等部位的动作，从而判断驾驶员是否有危险驾驶行为，但此方法是将驾驶员的整体动作拆分为人体多个部位各自的动作，但是人体的危险驾驶行为往往是多个部位同时联动来体现，所以该装置的分析不具有完整性，因此，评估驾驶风险的准确性不高；还有的方法采用车载历史影像信息来对驾驶员危险驾驶行为的识别，但是由于只是采集了人体骨骼特征信息，而危险驾驶并不仅仅只是由人体骨骼的动作信息来表现，还有驾驶员生理变化以及车辆行驶的车载信息变化也是驾驶风险的判断准则，因此，该方法评估驾驶风险的准确性不高。


技术实现要素：

4.为解决现有技术中存在的问题，本发明提供一种驾驶风险监控及报警方法、装置、设备及存储介质，能够提高判断驾驶风险等级的准确性。
5.为达到上述目的，本发明的技术方案是这样实现的：
6.第一方面，本发明提供了一种驾驶风险监控及报警方法，包括步骤：
7.获取车辆行车信息和生理状态信息；
8.根据所述车辆行车信息和所述生理状态信息，选取最佳风险等级分类；
9.对所述车辆行车信息和所述生理状态信息进行特征选取，获得车辆行车特征和生理状态特征；
10.基于所述最佳风险等级分类，使用多分类支持向量机对所述车辆行车特征和所述生理状态特征进行训练，获得训练好的多分类支持向量机模型；
11.使用训练好的所述多分类支持向量机模型，对实时获取的车辆行车信息和生理状态信息进行风险等级识别，获得风险等级识别结果；
12.基于所述风险等级识别结果，发送相应的警报处理信息进行提示。
13.与现有技术相比，本发明第一方面具有以下有益效果：
14.本方法基于车辆行车信息和生理状态信息一起进行风险等级分类判断，对车辆行车信息和生理状态信息进行特征选取，获得车辆行车特征和生理状态特征，使用多分类支持向量机对车辆行车特征和生理状态特征进行训练，获得训练好的多分类支持向量机模型，该模型具有很好的泛化能力，能够提高判断风险等级的准确性。
15.进一步，所述根据所述车辆行车信息和所述生理状态信息，选取最佳风险等级分类，包括：
16.根据所述车辆行车信息和所述生理状态信息，预设多种风险等级分类；
17.使用所述潜在剖面分析对所述多种风险等级分类进行评估，获得每种所述风险等级分类的评估结果；
18.根据所述评估结果，选择最佳风险等级分类。
19.进一步，所述对所述车辆行车信息和所述生理状态信息进行特征选取，包括：
20.步骤1、将所述车辆行车特征和所述生理状态特征作为样本集；
21.步骤2、采用bootstrap sample方法有放回的抽取n次，形成n个样本，根据选择的n个样本训练决策树；
22.步骤3、随机从每个样本的m个特征中选取出m个特征，其中，m《《m；采用信息增益从m个特征中选择一个最具有分类能力的特征进行节点分裂；
23.步骤4、按照步骤2至步骤3建立多颗决策树，构成随机森林；
24.步骤5、使用随机森林的变量重要性度量对特征进行排序，采用序列后向搜索方法选取所述车辆行车特征和所述生理状态特征。
25.进一步，所述基于所述最佳风险等级分类，使用多分类支持向量机对所述车辆行车特征和所述生理状态特征进行训练，获得训练好的多分类支持向量机模型，包括：
26.步骤1、获取样本数据集，每个样本中包括所述车辆行车特征和所述生理状态特征；
27.步骤2、将所述样本数据集分为训练样本集和测试样本集；
28.步骤3、根据获取的所述最佳风险等级分类，从所述最佳风险等级分类中任意选取两类训练样本构造一个二分类决策函数，以此构建多个二分类器，构造二分类决策函数的原始最优化问题：
[0029][0030]
s.t.(w
i,j
)
t
φ(x
t
) b
i,j
≥1-ξ
i,j
,if y
t
＝i
[0031]
(w
i,j
)
t
φ(x
t
) b
i,j
≤1-ξ
i,j
,if y
t
＝j
[0032][0033]
其中，所述x表示输入的训练样本，所述w和所述b为超平面wx b＝0中的参数，所述c表示惩罚因子，上标表示i类和j类之间的binary svm参数，下标t表示并集中样本是索引，所述φ表示输入空间到特征空间的非线性映射，所述ξ表示松弛变量；
[0034]
步骤4、采用投票规则构造多分类决策函数，其中，所述投票规则包括：
[0035]
若二分类决策函数f
i,j
(x)＝sgn((w
i,j
)
t
φ(x
t
) b
i,j
)判定输入的训练样本x为第i类，则第i类得到一票；若二分类决策函数f
i,j
(x)＝sgn((w
i,j
)
t
φ(x
t
) b
i,j
)判定输入的训练样本x为第j类，则第j类得到一票；当所有二分类决策函数都判断完后，若第i类得票最多，
则判定所述训练样本x为i类；若第j类得票最多，则判定所述训练样本x为j类；
[0036]
步骤5、通过步骤3至步骤4获得训练好的多分类支持向量机模型；
[0037]
步骤6、通过所述测试样本集对训练好的多分类支持向量机模型进行效果检测。
[0038]
进一步，所述车辆行车信息包括车速、车辆加速度、航向角、俯仰角、倾斜角、前转轮转角、前转轮角加速度和车身x轴、y轴和z轴的加速度。
[0039]
进一步，所述生理状态信息包括心率、呼吸频率、体表温度和肌电信号。
[0040]
第二方面，本发明提供了一种驾驶风险监控及报警装置，包括：
[0041]
信息获取单元，用于获取多种车况下的车辆行车信息和生理状态信息；
[0042]
最佳风险等级分类获取单元，用于根据所述车辆行车信息和所述生理状态信息，获得最佳风险等级分类；
[0043]
特征数据获取单元，用于对所述车辆行车信息和所述生理状态信息进行特征选取，获得车辆行车特征和生理状态特征；
[0044]
模型训练单元，用于基于所述最佳风险等级分类，使用多分类支持向量机对所述车辆行车特征和所述生理状态特征进行训练，获得训练好的多分类支持向量机模型；
[0045]
风险等级识别单元，用于使用训练好的所述多分类支持向量机模型，对实时获取的车辆行车信息和生理状态信息进行风险等级识别，获得风险等级识别结果；
[0046]
警报信息提示单元，用于基于所述风险等级识别结果，发送相应的警报处理信息进行提示。
[0047]
与现有技术相比，本发明第二方面具有以下有益效果：
[0048]
本装置通过最佳风险等级分类获取单元，基于车辆行车信息和生理状态信息一起进行风险等级分类判断，对车辆行车信息和生理状态信息进行特征选取，获得车辆行车特征和生理状态特征，使用多分类支持向量机对车辆行车特征和生理状态特征进行训练，获得训练好的多分类支持向量机模型，该模型具有很好的泛化能力，能够提高判断风险等级的准确性。
[0049]
第三方面，一种驾驶风险监控及报警设备，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如上所述的一种驾驶风险监控及警报方法。
[0050]
第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上所述的一种驾驶风险监控及警报方法。
附图说明
[0051]
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
[0052]
图1为本发明一个实施例提供的一种驾驶风险监控及报警方法的流程图；
[0053]
图2为本发明另一个实施例提供的一种驾驶风险监控及报警装置的结构图。
具体实施方式
[0054]
下面将结合附图，对本公开实施例的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开的实施例，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，都属于本公开保护的范围。需要说明的是，在不冲突的情况下，本公开实施例及实施例中的特征可以相互组合。另外，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本公开的每个技术特征和整体技术方案，但其不能理解为对本公开保护范围的限制。
[0055]
在本发明的描述中，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。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0056]
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
[0057]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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。
[0058]
现有的驾驶风险监控算法有很多，例如，有的方法通过测量汽车轨迹的有序性来判断是否出现危险驾驶状态，其主要是针对酒后驾驶或者是疲劳驾驶的情况，但此方法具有一定的局限性；有的方法是通过kinect以及红外摄像头来捕捉驾驶员人体切面图像，来对人体关节点位置的识别，并根据关节识别的结果分析驾驶员的头部、脊椎和手臂等部位的动作，从而判断驾驶员是否有危险驾驶行为，但此方法是将驾驶员的整体动作拆分为人体多个部位各自的动作，但是人体的危险驾驶行为往往是多个部位同时联动来体现，所以该装置的分析不具有完整性，因此，评估驾驶风险的准确性不高；还有的方法采用车载历史影像信息来对驾驶员危险驾驶行为的识别，但是由于只是采集了人体骨骼特征信息，而危险驾驶并不仅仅只是由人体骨骼的动作信息来表现，还有驾驶员生理变化以及车辆行驶的车载信息变化也是驾驶风险的判断准则，因此，该方法评估驾驶风险的准确性不高。
[0059]
为解决上述问题，本技术基于车辆行车信息和生理状态信息一起进行风险等级分类判断，对车辆行车信息和生理状态信息进行特征选取，获得车辆行车特征和生理状态特征，使用多分类支持向量机对车辆行车特征和生理状态特征进行训练，获得训练好的多分类支持向量机模型，该模型具有很好的泛化能力，能够提高判断风险等级的准确性。
[0060]
参照图1，本发明实施例提供了一种驾驶风险监控及报警方法，包括步骤：
[0061]
步骤s100、获取车辆行车信息和生理状态信息。
[0062]
具体的，获取到每一种车况下驾驶员的生理状态信息和车辆行车信息。该车辆行车信息包括车速、车辆加速度、航向角、俯仰角、倾斜角、前转轮转角、前转轮角加速度和车身x轴、y轴和z轴的加速度，该生理状态信息包括心率、呼吸频率、体表温度和肌电信号。
[0063]
步骤s200、根据车辆行车信息和生理状态信息，选取最佳风险等级分类。
[0064]
具体的，对获取到的生理状态信息和车辆行车信息建立几种分类模型，这几种分类模型包括分两类的模型2c、分三类的模型3c、分四类的模型4c、分五类的模型5c以及分六类的模型6c，使用潜在剖面分析(latent profile analysis，lpa)里的拟合信息对这几种
分类模型进行分析评估。潜在剖面分析里的拟合信息包括aic、bic、abic、entropy、lmr、blrt。其中，模型中的entropy越高，aic、abic、bic越低，lmr达到95％以上的显著性，则这个模型的拟合程度就越高。
[0065]
本技术使用mplus7.0软件进行分析，将生理状态信息和车辆行车信息作为外显变量，建立潜在剖面分析模型，对几种分类模型进行拟合程度估计，每种分类模型的拟合程度估计结果如表1所示。
[0066][0067]
表1
[0068]
从表1中可以看到，统计指标aic、bic、abic在分类模型为3c后降低速度开始逐渐变缓，即模型的拟合效果随着分类模型分类数的增加，分类的优化程度也在逐渐下降。进一步对比3～6类别的拟合程度指标，本实施例最终选择分类模型3c作为最佳风险等级分类，原因如下：
[0069]
1.该模型的各项拟合指数符合标准，信息熵较高，同时达到显著性；
[0070]
2.模型的可解释性：从表1中的类别概率可以看出，4类别的分类模型中，前三类虽然划分出22.6％存在较小与小风险的驾驶险态，但导致较大风险的类别之间的区分不够明显，5类别与6类别没有达到显著性要求，且对于较大风险的分类过于细致，类别的过于细分不利于对驾驶险态做出更清晰合理的解释。
[0071]
最终选择分类模型3c作为最佳风险等级分类，最佳风险等级分类将获取到的生理状态信息和车辆行车信息分为n1,n2,n3三类，即，最佳风险等级分类分为三个等级，n1为一级，表示非常安全，n2为二级，表示存在一定风险，n3为三级，表示非常危险。该分类方法为采用专家打分评定风险等级的方法，将分类的结果与与专家评定结果相对照，一致则认为分类正确，不一致则分类有误，最终得到该分类模型有95％的正确率，说明分类模型3c的分类结果良好。
[0072]
步骤s300、对车辆行车信息和生理状态信息进行特征选取，获得车辆行车特征和生理状态特征。
[0073]
具体的，对车辆行车特征和生理状态特征，采用随机森林算法进行特征选取，获得车辆行车特征和生理状态特征。该随机森林算法进行特征选取的过程为：
[0074]
步骤1、将车辆行车特征和生理状态特征作为样本集；
[0075]
步骤2、采用bootstrap sample方法有放回的抽取n次，形成n个样本，根据选择的n个样本训练决策树；
[0076]
步骤3、在决策树的每个节点需要分裂时，随机从每个样本的m个特征中选取出m个特征，其中，m《《m；采用信息增益从m个特征中选择一个最具有分类能力的特征进行节点分裂；
[0077]
步骤4、按照步骤2至步骤3建立多颗决策树，构成随机森林；
[0078]
步骤5、使用随机森林的变量重要性度量对特征进行排序，采用序列后向搜索方法选取车辆行车特征和生理状态特征。
[0079]
本实施例通过随机森林的对特征进行选取，能够删除假正特征，为风险等级识别提供合理的关联性特征。
[0080]
步骤s400、基于最佳风险等级分类，使用多分类支持向量机对车辆行车特征和生理状态特征进行训练，获得训练好的多分类支持向量机模型。
[0081]
具体的，基于最佳风险等级分类，使用多分类支持向量机对车辆行车特征和生理状态特征进行训练，获得训练好的多分类支持向量机模型，获得训练好的多分类支持向量机模型的过程为：
[0082]
步骤1、获取样本数据集，该样本数据集包含2692个样本，则设数据集为x＝{x1,x2,...,xi,...,x
2692
}，其中每个样本包含步骤(2)中获得的车辆行车特征和生理状态特征，每个样本对应的风险等级标记为已知，根据步骤s200中获得的最佳风险等级分类，设每个样本的风险等级标记为yi，其中，yi∈{1,2,3}，1表示风险等级为一级，2表示风险等级为二级，3表示风险等级为三级。
[0083]
步骤2、将该样本数据集按7：3的比例分为训练样本集和测试样本集。
[0084]
步骤3、根据步骤s200中获得的最佳风险等级分类可知，需要获得三个风险等级，即将训练样本集分为了三类，在这三类中任意选择两类i,j(i《j)训练样本构造一个二分类决策函数，因此，需要构建三个二分类器，构造二分类决策函数的原始最优化问题为：
[0085][0086]
s.t.(w
i,j
)
t
φ(x
t
) b
i,j
≥1-ξ
i,j
,if y
t
＝i
[0087]
(w
i,j
)
t
φ(x
t
) b
i,j
≤1-ξ
i,j
,if y
t
＝j
[0088][0089]
其中，x表示输入的训练样本，w和b为超平面wx b＝0中的参数，c表示惩罚因子，上标表示i类和j类之间的binary svm参数，下标t表示并集中样本是索引，φ表示输入空间到特征空间的非线性映射，ξ表示松弛变量。
[0090]
步骤4、采用投票规则构造多分类决策函数，其中，投票规则包括：
[0091]
若二分类决策函数f
i,j
(x)＝sgn((w
i,j
)
t
φ(x
t
) b
i,j
)判定输入的训练样本x为第i
类，则第i类得到一票；若二分类决策函数f
i,j
(x)＝sgn((w
i,j
)
t
φ(x
t
) b
i,j
)判定输入的训练样本x为第j类，则第j类得到一票；当所有二分类决策函数都判断完后，若第i类得票最多，则判定所述训练样本x为i类；若第j类得票最多，则判定所述训练样本x为j类。
[0092]
步骤5、通过步骤3至步骤4获得训练好的多分类支持向量机模型。
[0093]
步骤6、将测试样本集输入至训练好的多分类支持向量机模型，用来检测多分类支持向量机模型的效果。
[0094]
本实施例还使用遗传算法对多分类支持向量机模型中的惩罚系数c和rbf核函数的参数δ进行优化，其中，r表示空间中任意一点到核函数中心的距离，δ为函数的宽度参数，使用遗传算法进行参数优化，能够提高风险等级识别的准确率。
[0095]
步骤s500、使用训练好的多分类支持向量机模型，对实时获取的车辆行车信息和生理状态信息进行风险等级识别，获得风险等级识别结果。
[0096]
具体的，实时获取车辆行车信息和生理状态信息，将实时车辆行车信息和生理状态信息输入至训练好的多分类支持向量机模型，通过训练好的多分类支持向量机模型判断实时车辆行车信息和生理状态信息属于最佳风险等级分类中的哪一等级。该最佳风险等级分类分为三级，一级表示非常安全，二级表示存在一定风险，三级表示非常危险。
[0097]
步骤s600、基于风险等级识别结果，发送相应的警报处理信息进行提示。
[0098]
通过训练好的多分类支持向量机模型判断实时车辆行车信息和生理状态信息属于最佳风险等级分类中的哪一等级后，发送相应的警报处理信息进行提示，根据警报处理信息进行处理。
[0099]
例如，若风险等级为一级，无需发送警报处理信息，无需处理；若所述风险等级为二级，发送“您当前的驾驶状态存在一定风险，需要小心驾驶”的警报信息进行提示，并采取规避操作进行处理；若所述风险等级为三级，发送“您当前的驾驶状态非常危险，需要车辆强制减速方能规避”的警报信息进行提示，并通过车辆强制减速的方式进行处理。
[0100]
当然的，该提示信息和处理方式可根据需要进行变换。
[0101]
参照图2，本发明实施例提供了一种驾驶风险监控及报警装置，包括：
[0102]
信息获取单元，用于获取多种车况下的车辆行车信息和生理状态信息；
[0103]
最佳风险等级分类获取单元，用于根据车辆行车信息和生理状态信息，获得最佳风险等级分类；
[0104]
特征数据获取单元，用于对车辆行车信息和生理状态信息进行特征选取，获得车辆行车特征和生理状态特征；
[0105]
模型训练单元，用于基于最佳风险等级分类，使用多分类支持向量机对车辆行车特征和生理状态特征进行训练，获得训练好的多分类支持向量机模型；
[0106]
风险等级识别单元，用于使用训练好的多分类支持向量机模型，对实时获取的车辆行车信息和生理状态信息进行风险等级识别，获得风险等级识别结果；
[0107]
警报信息提示单元，用于基于风险等级识别结果，发送相应的警报处理信息进行提示。
[0108]
需要说明的是，由于本实施例中的一种驾驶风险监控及警报装置与上述的一种驾驶风险监控及警报方法基于相同的发明构思，因此，方法实施例中的相应内容同样适用于
本装置实施例，此处不再详述。
[0109]
本发明实施例还提供了一种驾驶风险监控及报警设备，包括：至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器。
[0110]
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0111]
实现上述实施例的一种驾驶风险监控及警报方法所需的非暂态软件程序以及指令存储在存储器中，当被处理器执行时，执行上述实施例中的一种驾驶风险监控及警报方法，例如，执行以上描述的图1中的方法步骤s100至步骤s600。
[0112]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0113]
本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器执行，可使得上述一个或多个控制处理器执行上述方法实施例中的一种驾驶风险监控及警报方法，例如，执行以上描述的图1中的方法步骤s100至s600的功能。
[0114]
通过以上的实施方式的描述，本领域技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现。本领域技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(readonly memory,rom)或随机存储记忆体(random access memory,ram)等。
[0115]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0116]
以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的共享条件下还可作出种种等同的变形或替换，这些等同的变形或替换均包括在本发明权利要求所限定的范围内。