一种风险驾驶行为的确定方法、装置、设备及存储介质与流程

1.本公开涉及计算机技术领域，尤其涉及智能交通、深度学习等技术领域。


背景技术：

2.统计表明，驾驶员的不良驾驶习惯是导致车祸频发的主要原因之一。纠正不良驾驶习惯对于减少车祸、降低用户驾驶风险具有十分重要的意义。现有的驾驶风险提示技术主要是基于驾驶里程、驾驶时长和驾驶速度等相关信息给出日志报告。该日志报告虽然具有一定的参考价值，但无法全面及时的对驾驶员的不良驾驶习惯提出纠正措施。
3.为此，如何基于行车信息实时生成较为全面的驾驶建议成为需要解决的问题。


技术实现要素：

4.本公开提供了一种风险驾驶行为的确定方法、装置、设备及存储介质。
5.根据本公开的一方面，提供了一种风险驾驶行为的确定方法，包括：
6.利用行车图像确定行为特征；
7.在行为特征为危险行为特征的情况下，基于预设规则确定至少一个与危险行为特征相邻的相邻行为特征；所述相邻行为特征是利用相邻帧行车图像确定的行为特征；
8.利用危险行为特征和相邻行为特征，确定风险驾驶行为。
9.根据本公开的另一方面，提供了一种风险驾驶行为的确定装置，包括：
10.行为特征确定模块，用于利用行车图像确定行为特征；
11.相邻行为特征确定模块，用于在行为特征为危险行为特征的情况下，基于预设规则确定至少一个与危险行为特征相邻的相邻行为特征；所述相邻行为特征是利用相邻帧行车图像确定的行为特征；
12.风险驾驶行为确定模块，用于利用危险行为特征和相邻行为特征，确定风险驾驶行为。
13.根据本公开的另一方面，提供了一种电子设备，包括：
14.至少一个处理器；以及
15.与该至少一个处理器通信连接的存储器；其中，
16.该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任一实施例中的方法。
17.根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行本公开任一实施例中的方法。
18.根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本公开任一实施例中的方法。
19.根据本公开的技术，通过利用行车图像确定行为特征，得到危险行为特征和相邻行为特征，进而确定风险驾驶行为。如此可有效指导用户纠正行车过程中的不良驾驶习惯，减少安全隐患。
20.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
21.附图用于更好地理解本方案，不构成对本公开的限定。其中：
22.图1是根据本公开风险驾驶行为的确定方法流程图；
23.图2是根据本公开行为特征确定方法流程图；
24.图3是根据本公开风险驾驶行为执行方法流程图；
25.图4是根据本公开行车图像确定方法流程图；
26.图5是根据本公开风险驾驶行为的确定装置的结构图；
27.图6是根据本公开行为特征确定模块的结构图；
28.图7是根据本公开风险驾驶行为执行模块的结构图；
29.图8是用来实现本公开实施例的风险驾驶行为确定方法的电子设备的框图。
具体实施方式
30.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
31.如图1所示，本公开涉及一种风险驾驶行为的确定方法，该方法可以包括以下步骤：
32.s101：利用行车图像确定行为特征；
33.s102：在行为特征为危险行为特征的情况下，基于预设规则确定至少一个与危险行为特征相邻的相邻行为特征；相邻行为特征是相邻帧图像中的行为特征；
34.s103：利用危险行为特征和相邻行为特征，确定风险驾驶行为。
35.本实施例可以应用于计算机设备，具体可以包括车载行车电脑或者与车辆进行通信连接的服务器。
36.行车图像可以是基于车载摄像头实时采集得到的图像，其中，行车录像可以包括车道线、临近车辆、行人和红绿灯等信息。
37.行为特征可以包括正常行驶特征和危险行为特征。其中，危险行为特征可以是基于行车图像确定的存在一定风险的行为特征，例如，压线、驶入非机动车道、闯红灯、距离行人过近等，此处不做穷举。
38.利用行车图像确定行为特征，可以是基于确定目标车辆与道路信息的位置关系确定的行为状态特征。
39.在行为特征为危险行为特征的情况下，基于预设规则确定至少一个与危险行为特征相邻的相邻行为特征，具体实现方式可以是先基于预设规则确定至少一个相邻帧图像，然后将相邻帧图像中的行为特征作为相邻行为特征。
40.相邻帧图像可以是与行车视频中当前帧图像具有相邻关系的一个或者多个行车图像。相邻行为特征可以是基于相邻帧图像所确定的行为特征。
41.预设规则包括选取方向规则和选取间隔规则中的至少一个。选取方向规则可以是基于当前帧图像进行前向选取或者后向选取，此处不做限定。
42.选取间隔规则可以是基于预设的间隔时长选取相邻帧视频图像，其中，预设的间隔时长可以是1s，2s，3s等，此处不予限定。选取间隔规则还可以是以当前帧视频图像开始，基于预设的间隔图像数量选取相邻帧视频图像，其中，间隔图像数量可以是1，3，5等，此处不予限定。
43.利用危险行为特征和相邻行为特征，可以得到时间维度上的多个行为特征，基于时间维度上的多个行为特征可以确定风险驾驶行为。
44.通过以上过程，可基于行为特征确定风险驾驶行为，由此用于指导用户纠正行车过程中的不良驾驶习惯，减少安全隐患。
45.如图2所示，在一种实施方式中，行为特征的确定方法，包括：
46.s201：将行车图像输入语义分割模型，得到第一特征；第一特征用于表示行车图像中的语义信息；
47.s202：将行车图像输入深度识别模型，得到第二特征；第二特征用于表示行车图像的深度信息；
48.s203：利用第一特征和第二特征，得到行为特征。
49.其中，语义分割模型可以是基于统计的语义分割模型、基于几何的语义分割模型或者是基于神经网络的语义分割模型，此处不予限定。
50.优选地，采用基于神经网络的语义分割模型可以自动学习行车图像的特征，从而实现端到端的特征提取。基于神经网络的语义分割模型可以包括多个卷积层、反卷积层和池化层，将车载摄像头采集的2d行车图像输入到卷积神经网络后，经过多次卷积及池化过程得到一系列的行车图像对应的特征图，然后利用反卷积层和池化层对最后一个卷积层的到的特征图进行上采样得到第一特征，使得上采样后的第一特征与原行车图像的大小一致，从而在对每个像素值进行预测的同时，保留与原图像相同的2d位置信息。语义分割模型输出的第一特征可以是包含有2d语义信息的图像特征。
51.语义分割模型可以采用对抗训练方法进行训练。具体地，首先对对抗网络进行预训练，将传统的多类交叉熵损失与对抗网络相结合，然后使用与标注数据之间的对抗性损失来微调分割网络的各个参数。
52.深度识别模型可以是监督学习深度识别模型或者是半监督学习深度识别模型，此处不予限定。例如，可以是深度置信网络(deep belief network,dbn)、深度玻尔兹曼机(deep boltzmann machines,dbm)等。将行车图像输入深度识别模型，得到第二特征；第二特征用于表示行车图像的深度信息。
53.深度识别模型可以采用训练集和验证集进行训练，其中，验证集可以是携带有深度标签的数据集。通过确定训练集和验证集的精度，便于调整深度识别模型的参数。
54.利用第一特征和第二特征得到行为特征，具体实现方式可以是将第一特征和第二特征进行融合处理，得到包含有深度语义信息的图像特征。
55.通过以上过程，可以分别利用语义分割模型和深度识别模型生成2d语义信息和深度信息。如此将大大提升语义识别的速度，从而可以对风险驾驶行为实时进行驾驶提示。
56.如图3所示，在一种实施方式中，步骤s103包括以下子步骤：
57.s301：利用危险行为特征和相邻行为特征构建连续行为特征；
58.s302：在连续行为特征不符合预设的交通行为规则的情况下，将连续行为特征对应的驾驶行为作为风险驾驶行为。
59.其中，连续行为特征用于表征一段时间内的驾驶行为特征。构建连续行为特征的实现方式可以是基于行为特征对应的时间顺序，对危险行为特征和相邻行为特征进行拼接。
60.举例来说，在危险行为特征为压线的情况下，基于该危险行为特征，一段时间内的连续行为特征可以是正常变道、连续变道、长时间压线等。例如，在危险行为特征为压线，且其他相邻行为特征均为位于行车道内的正常行驶状态时，对应的连续行为特征为正常变道。在危险行为特征为压线，且其他相邻行为特征均为压线时，对应的连续行为特征为长时间压线。在危险行为特征与相邻行为特征依次为压线、正常行驶、压线、正常行驶的情况下，对应的连续行为特征为连续变道。
61.危险行为特征还可以包括驶入非机动车道，此时对应的连续行为特征可以包括临时停车，非机动车道长时间驾驶等，此处不做穷举。
62.在连续行为特征不符合预设的交通行为规则的情况下，将连续行为特征对应的驾驶行为作为风险驾驶行为。其中，预设的交通行为规则可以包括：禁止连续变道，禁止长时间压线等，此处不做穷举。
63.在连续行为特征不符合预设的交通行为规则的情况下，将对应的驾驶行为作为风险驾驶行为。
64.通过以上过程，可以基于连续行为特征确定风险驾驶行为，进而可以指导用户纠正行车过程中的不良驾驶习惯，减少安全隐患。
65.在一种实施方式中，还包括：基于风险驾驶行为，生成驾驶提示信息；将驾驶提示信息进行展示。
66.其中，驾驶提示信息可以是文字、声音等形式，此处不做限定。
67.在一种实施方式中，将驾驶提示信息进行展示，包括：
68.获取预设的信息展示方式；
69.基于信息展示方式渲染驾驶提示信息。
70.其中，预设的信息展示方式可以根据提示信息的形式进行设定，例如，文字形式的驾驶提示信息可以通过车载屏幕进行展示，例如高亮、动态提示等。声音形式的驾驶提示信息可以是语音播报或者提示音等，此处均不做限定。
71.如图4所示，在一种实施方式中，行车图像的确定方法，包括：
72.s401：获取行车视频；
73.s402：基于行车视频和预设的图像帧抽取规则，得到行车图像。
74.在获取行车视频时，可以是基于车载摄像头实时采集得到的视频。然后按照预设的图像帧抽取规则可以将获取的视频分割得到若干帧图像，便于从若干帧图像中抽取行为特征。其中，预设的图像帧抽取规则可以是时间间隔规则或者频率规则。例如，基于行车视频每间隔5s抽取一个行车图像，间隔时间可以根据需要进行设置，此处不做限定。频率规则可以是基于行车视频在单位时间内抽取固定数量的行车图像，例如每分钟抽取20个或者30个行车图像，具体数量不做限定。
75.如图5所示，本公开涉及一种风险驾驶行为的确定装置，该装置可以包括：
76.行为特征确定模块501，用于利用行车图像确定行为特征；
77.相邻行为特征确定模块502，用于在行为特征为危险行为特征的情况下，基于预设规则确定至少一个与危险行为特征相邻的相邻行为特征；相邻行为特征是相邻帧图像中的行为特征；
78.风险驾驶行为确定模块503，用于利用危险行为特征和相邻行为特征，确定风险驾驶行为。
79.如图6所示，在一种实施方式中，行为特征确定模块501，包括：
80.第一特征确定子模块601，用于将行车图像输入语义分割模型，得到第一特征；第一特征用于表示行车图像中的语义信息；
81.第二特征确定子模块602，用于将行车图像输入深度识别模型，得到第二特征；第二特征用于表示行车图像的深度信息；
82.行为特征确定子模块603，用于利用第一特征和第二特征，得到行为特征。
83.如图7所示，在一种实施方式中，风险驾驶行为确定模块503，包括：
84.连续行为特征构建子模块701，用于利用危险行为特征和相邻行为特征构建连续行为特征；
85.风险驾驶行为执行子模块702，用于在连续行为特征不符合预设的交通行为规则的情况下，将连续行为特征对应的驾驶行为作为风险驾驶行为。
86.在一种实施方式中，还包括：
87.提示信息生成子模块，用于基于风险驾驶行为，生成驾驶提示信息；
88.展示子模块，用于将驾驶提示信息进行展示。
89.在一种实施方式中，展示子模块，包括：
90.展示子模块，用于获取预设的信息展示方式；
91.渲染子模块，用于基于信息展示方式渲染驾驶提示信息。
92.在一种实施方式中，行车图像的确定方法，包括：
93.获取行车视频；
94.基于行车视频和预设抽取规则，得到行车图像。
95.本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
96.根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
97.图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
98.如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(rom)802中的计算机程序或者从存储单元808加载到随机访问存储器(ram)803中的计算机程序，来执
行各种适当的动作和处理。在ram 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、rom 802以及ram 803通过总线804彼此相连。输入/输出(i/o)接口805也连接至总线804。
99.设备800中的多个部件连接至i/o接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
100.计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如风险驾驶行为的确定方法。例如，在一些实施例中，风险驾驶行为的确定方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由rom 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到ram 803并由计算单元801执行时，可以执行上文描述的风险驾驶行为的确定方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行风险驾驶行为的确定方法的方法。
101.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
102.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
103.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
104.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
105.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
106.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
107.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
108.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。