一种不良驾驶行为识别方法、装置、设备及介质与流程

1.本发明实施例涉及行为识别技术，尤其涉及一种不良驾驶行为识别方法、装置、设备及介质。


背景技术：

2.随着技术的发展和进步，购车成本越来越低，同时随着人们生活水平的整体提高，为了生活的更加便利，越来越多的人选择购买私家车。在道路上有越来越多车辆的情况下，不良的驾驶行为一方面易导致交通堵塞，另一方面会增加交通事故的发生几率，因此，需要对不良驾驶行为进行识别。
3.由于人-车-环境属于一个闭环，环境的变化会引起人和车的变化，而现有技术中往往仅对驾驶员的驾驶图像进行识别，降低了不良驾驶行为识别的准确性。


技术实现要素：

4.本发明实施例提供一种不良驾驶行为识别方法、装置、设备及介质，以实现提高不良驾驶行为识别的准确性和效率。
5.第一方面，本发明实施例提供了一种不良驾驶行为识别方法，该方法包括：
6.获取当前驾驶相关数据，并通过预设驾驶行为识别算法，基于所述当前驾驶相关数据确定当前驾驶行为的当前驾驶行为类别；
7.根据所述当前驾驶行为类别和预先训练的不良驾驶行为识别模型确定所述当前驾驶行为所属的驾驶环境分组，以及与所述驾驶环境分组对应的不良驾驶行为阈值；
8.获取所述当前驾驶行为对应的当前驾驶行为特征，并根据所述当前驾驶行为特征和所述不良驾驶行为阈值判断所述当前驾驶行为是否为不良驾驶行为。
9.第二方面，本发明实施例还提供了一种不良驾驶行为识别装置，该装置包括：
10.当前行为类别确定模块，用于获取当前驾驶相关数据，并通过预设驾驶行为识别算法，基于所述当前驾驶相关数据确定当前驾驶行为的当前驾驶行为类别；
11.分组阈值确定模块，用于根据所述当前驾驶行为类别和预先训练的不良驾驶行为识别模型确定所述当前驾驶行为所属的驾驶环境分组，以及与所述驾驶环境分组对应的不良驾驶行为阈值；
12.不良驾驶行为判断模块，用于获取所述当前驾驶行为对应的当前驾驶行为特征，并根据所述当前驾驶行为特征和所述不良驾驶行为阈值判断所述当前驾驶行为是否为不良驾驶行为。
13.第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：
14.一个或多个处理器；
15.存储装置，用于存储一个或多个程序，
16.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的不良驾驶行为识别方法。
17.第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的不良驾驶行为识别方法。
18.本发明实施例通过获取当前驾驶相关数据，并通过预设驾驶行为识别算法，基于当前驾驶相关数据确定当前驾驶行为的当前驾驶行为类别；根据当前驾驶行为类别和预先训练的不良驾驶行为识别模型确定当前驾驶行为所属的驾驶环境分组，以及与驾驶环境分组对应的不良驾驶行为阈值；根据不良驾驶行为识别模型确定当前驾驶行为对应的当前驾驶行为特征，并根据当前驾驶行为特征和不良驾驶行为阈值判断当前驾驶行为是否为不良驾驶行为。解决环境的变化会引起人和车的变化，而现有技术中往往仅对驾驶员的驾驶图像进行识别，降低了不良驾驶行为识别的准确性的问题，实现提高不良驾驶行为识别的准确性和效率的效果。
附图说明
19.图1为本发明实施例一提供的一种不良驾驶行为识别方法的流程图；
20.图2为本发明实施例二提供的一种不良驾驶行为识别模型训练过程的流程图；
21.图3为本发明实施例三提供的一种不良驾驶行为识别装置的结构示意图；
22.图4为本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
23.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
24.实施例一
25.图1为本发明实施例一提供的一种不良驾驶行为识别方法的流程图，本实施例可适用于判断当前驾驶行为是否为不良驾驶行为的情况，该方法可以由本发明实施例所提供的不良驾驶行为识别装置来执行，该装置可以由软件和/或硬件的方式实现。参见图1，本实施例提供的不良驾驶行为识别方法，包括：
26.步骤110、获取当前驾驶相关数据，并通过预设驾驶行为识别算法，基于所述当前驾驶相关数据确定当前驾驶行为的当前驾驶行为类别。
27.其中，当前驾驶相关数据为与驾驶相关的多源数据，例如为当前天气数据、当前交通数据、当前驾驶行为数据等。
28.预设驾驶行为识别算法可以为基于大数据的行为识别算法，本实施例对此不进行限制。通过预设驾驶行为识别算法计算当前驾驶相关数据，确定当前驾驶行为的当前驾驶行为类别，其中当前驾驶行为类别可以为加速、减速、自动紧急制动、转向、弯道制动、前向碰撞预警、车道偏离预警、车身电子稳定控制、驾驶预判、怠速等中的至少一种。
29.步骤120、根据所述当前驾驶行为类别和预先训练的不良驾驶行为识别模型确定所述当前驾驶行为所属的驾驶环境分组，以及与所述驾驶环境分组对应的不良驾驶行为阈值。
30.根据当前驾驶行为类别，将当前驾驶行为进行分组，例如若当前驾驶行为类别可以为减速，则将当前驾驶行为分至与减速相关的分组中。
31.其中，减速相关的分组可以为多组，可以根据当前驾驶相关数据中具体数据进行分组，示例性的，减速行为分组1为天气晴、交通状况拥堵、驾驶道路为城市道路、驾驶车速为0-20km/h，减速行为分组2为天气晴、交通状况拥堵、驾驶道路为乡村道路、驾驶车速为0-20km/h。当前驾驶相关数据为天气晴、交通状况拥堵、驾驶道路为乡村道路、驾驶车速为11km/h，则当前驾驶行为的分组为分组2。
32.其中，每个驾驶环境分组对应相应的预先确定的不良驾驶行为阈值，因此在当前驾驶行为确定所属的驾驶环境分组时，即确定相应不良驾驶行为阈值。
33.步骤130、获取所述当前驾驶行为对应的当前驾驶行为特征，并根据所述当前驾驶行为特征和所述不良驾驶行为阈值判断所述当前驾驶行为是否为不良驾驶行为。
34.其中，当前驾驶行为特征为当前驾驶行为中具有代表性的特征，例如若当前驾驶行为为加速，则当前驾驶行为特征可以为加速过程中的最大加速度；若当前驾驶行为为转向，则当前驾驶行为特征可以为转向过程中最大方向盘转速。
35.将当前驾驶行为特征与不良驾驶行为阈值作比较，若满足阈值比较要求，例如大于不良驾驶行为阈值，则确定当前驾驶行为为不良驾驶行为。
36.本实施例所提供的技术方案，通过当前驾驶行为类别和预先训练的不良驾驶行为识别模型确定当前驾驶行为所属的驾驶环境分组，并根据当前驾驶行为特征和驾驶环境分组对应的不良驾驶行为阈值判断当前驾驶行为是否为不良驾驶行为。在不同道路交通等驾驶环境下确定不同的不良驾驶行为阈值，避免所有驾驶环境中均为统一的行为判断标准，降低驾驶环境对不良驾驶行为判断的影响，提高不良驾驶行为判断的准确性。并且不良驾驶行为识别模型可以提前建立模型并训练，在提高不良驾驶行为识别准确性的同时，提高不良驾驶行为识别的效率。
37.实施例二
38.图2为本发明实施例二提供的一种不良驾驶行为识别模型训练过程的流程图，本技术方案是针对不良驾驶行为识别模型的训练过程进行补充说明的。与上述方案相比，本方案具体优化为，所述不良驾驶行为识别模型的训练过程，包括：
39.获取历史驾驶相关数据，并通过所述预设驾驶行为识别算法，基于所述历史驾驶相关数据确定各历史驾驶行为的历史驾驶行为类别；
40.基于所述历史驾驶行为类别确定各所述历史驾驶行为所属的第一驾驶环境分组，并获取各所述第一驾驶环境分组对应的分组特征；
41.确定所述历史驾驶行为的候选影响因素，并根据所述分组特征从所述候选影响因素中确定目标影响因素；
42.基于所述历史驾驶行为和所述目标影响因素确定各所述历史驾驶行为所属的第二驾驶环境分组，并根据各所述第二驾驶环境分组中的成员确定所述第二驾驶环境分组对应的不良驾驶行为阈值。具体的，不良驾驶行为识别模型训练过程的流程图如图2所示：
43.步骤210、获取历史驾驶相关数据，并通过所述预设驾驶行为识别算法，基于所述历史驾驶相关数据确定各历史驾驶行为的历史驾驶行为类别。
44.其中，历史驾驶相关数据为与驾驶相关的多源数据，例如为历史天气数据、历史交通数据、历史驾驶行为数据等。
45.预设驾驶行为识别算法可以为基于大数据的行为识别算法，本实施例对此不进行
限制。通过预设驾驶行为识别算法计算历史驾驶相关数据，确定历史驾驶行为的历史驾驶行为类别，其中历史驾驶行为类别可以为加速、减速、自动紧急制动、转向、弯道制动、前向碰撞预警、车道偏离预警、车身电子稳定控制、驾驶预判、怠速等中的至少一种。
46.本实施例中，可选的，在基于所述历史驾驶相关数据确定各所述历史驾驶行为所属的第一驾驶环境分组之前，还包括：
47.根据所述历史驾驶行为类别确定预设筛选条件，并根据所述预设筛选条件对所述历史驾驶行为进行筛选。
48.对确定了历史驾驶行为类别的历史驾驶行为按照预设筛选条件进行筛选。不同历史驾驶行为类别对应的预设筛选条件可能不同。示例性的，若历史驾驶行为类别为加速，则预设筛选条件可以为将加速过程最大加速度大于0且加速过程持续时间大于1s且加速过程车速变化大于5km/h的历史驾驶行为保留。从而增强训练数据的针对性，提高后续模型训练的准确性。
49.步骤220、基于所述历史驾驶行为类别确定各所述历史驾驶行为所属的第一驾驶环境分组，并获取各所述第一驾驶环境分组对应的分组特征。
50.根据历史驾驶行为类别，将历史驾驶行为进行分组，例如若历史驾驶行为类别为加速，则将历史驾驶行为分至与加速相关的第一驾驶环境分组中。
51.其中，加速相关的第一驾驶环境分组可以为多组，可以根据历史驾驶相关数据中历史驾驶相关数据进行分组，示例性的，加速行为的历史驾驶相关数据可以为加速过程的道路交通环境信息、加速过程最大加速度及对应车速和车辆信息等，基于历史驾驶相关数据中的一种或多种确定各历史驾驶行为所属的第一驾驶环境分组。
52.示例性的，加速行为分组1为天气晴、交通状况拥堵、驾驶道路为城市道路、驾驶车速为0-20km/h，加速行为分组2为天气晴、交通状况畅通、驾驶道路为城市道路、驾驶车速为0-20km/h。历史驾驶相关数据为天气晴、交通状况畅通、驾驶道路为城市道路、驾驶车速为11km/h，则历史驾驶行为的分组为分组2。
53.将各历史驾驶行为分组完成后，确定该各第一驾驶环境分组对应的分组特征。其中，分组特征为第一驾驶环境分组的代表特征，例如分组特征可以为该第一驾驶环境分组中各加速行为的加速过程中最大加速度的中位数。
54.本实施例中，可选的，获取各所述第一驾驶环境分组对应的分组特征，包括：
55.根据所述第一驾驶环境分组对应的历史驾驶行为类别，确定对应的历史驾驶行为特征和历史统计特征；
56.根据所述历史驾驶行为特征和所述历史统计特征获取所述分组特征。
57.分组特征根据历史驾驶行为类别对应的历史驾驶行为特征和历史统计特征确定，其中，历史驾驶行为特征为历史驾驶行为中具有代表性的特征，历史统计特征为对各驾驶环境分组中所有驾驶行为特征的统计特征。
58.示例性的，当历史驾驶行为类别为加速时，历史驾驶行为特征为加速过程中最大加速度，历史统计特征为中位数，则分组特征可以为该第一驾驶环境分组中各历史驾驶行为的加速过程中最大加速度的中位数。
59.其中，各驾驶行为类别对应的驾驶行为特征和统计特征如下表1所示：
[0060][0061][0062]
根据表1中的内容，可以统计并确定各第一驾驶环境分组对应的分组特征，从而提高分组特征确定的针对性以及分组特征对第一驾驶环境分组的代表性。
[0063]
步骤230、确定所述历史驾驶行为的候选影响因素，并根据所述分组特征从所述候选影响因素中确定目标影响因素。
[0064]
其中，历史驾驶行为的候选影响因素可以为全部可能的影响因素，也可以为根据历史驾驶行为类别进行初步筛选后的影响因素，本实施例对此不进行限制。示例性的，候选影响因素为车速范围、道路类型、交通状态和天气状态。
[0065]
通过分析分组特征与候选影响因素的关联关系，将相关程度较大的候选影响因素确定为目标影响因素。
[0066]
本实施例中，可选的，确定所述历史驾驶行为的候选影响因素，并根据所述分组特征从所述候选影响因素中确定目标影响因素，包括：
[0067]
确定与所述第一驾驶环境分组的驾驶行为类别对应的所述历史驾驶行为的候选影响因素；
[0068]
根据偏相关分析法分析各所述候选影响因素与所述分组特征的相关关系；
[0069]
根据所述相关关系从所述候选影响因素中确定所述目标影响因素。
[0070]
其中，不同驾驶行为类别对应的候选影响因素可能相同，也可能不同，若候选影响
因素不同时，对应关系可以由预先初步统计确定，示例性的，影响减速行为的候选影响因素可能为道路类型和交通状态，影响加速行为的候选影响因素可能为车速范围、道路类型、交通状态和天气状态。
[0071]
根据驾驶行为类别确定候选影响因素后，根据偏相关分析法分析各候选影响因素与分组特征的相关关系。
[0072]
偏相关分析通过控制变量法，剔除掉其它变量的影响干扰，研究两个变量之间的相关关系，首先看显著水平是否呈现出显著性，接着通过相关系数的正负分析相关关系的方向，同时还可通过相关系数大小说明关系紧密程度。
[0073]
若候选影响因素与分组特征的相关关系大于预设阈值，则将该候选影响因素确定为目标影响因素。
[0074]
示例性的，当候选影响因素为车速范围、道路类型、交通状态和天气状态，分组特征对应的驾驶行为特征为加速过程最大加速度时的偏相关分析过程为：在分析某一变量的影响过程中，固定其他三个变量的取值，偏相关分析结果包括平均值、标准差，以及二者的偏相关系数及显著性水平。其中，车速范围对加速行为特征的显著水平为p《0.01，偏相关系数为-0.903。也就是说，车速范围对加速行为特征有显著影响，且随着车速增加，加速行为特征变小。
[0075]
道路类型与加速行为特征的偏相关分析结果表明，两者之间无显著的相关关系，即基于历史数据，不同道路类型对加速行为没有显著相关关系。
[0076]
交通状态与加速行为特征的偏相关分析结果表明，两者之间无显著的相关关系，即基于历史数据，不同交通状态对加速行为没有显著相关关系。
[0077]
天气状态与加速行为特征的偏相关分析结果表明，两者之间无显著的相关关系，即基于历史数据，不同天气状态对加速行为没有显著相关关系。
[0078]
综上所述，在控制其他因素不变的情况下，车速范围与加速过程中最大加速度有明显的相关关系，道路类型、交通状态和天气状态的偏相关分析结果为不显著，可确定目标影响因素为车速范围。
[0079]
以候选影响因素为自变量，分组特征为因变量，使用偏相关系数描述其他自变量确定时，某一自变量对历史驾驶行为的影响，解决由于存在多个候选影响因素时，若使用普通相关分析，无法消除其他因素影响的问题，提高目标影响因素确定的准确性。
[0080]
步骤240、基于所述历史驾驶行为和所述目标影响因素确定各所述历史驾驶行为所属的第二驾驶环境分组，并根据各所述第二驾驶环境分组中的成员确定所述第二驾驶环境分组对应的不良驾驶行为阈值。
[0081]
根据历史驾驶行为类别，将历史驾驶行为进行分组，例如历史驾驶行为类别为加速，则将历史驾驶行为分至与加速相关的第二驾驶环境分组中。
[0082]
其中，第二驾驶环境分组中的分类因素为目标影响因素。第二驾驶环境分组可以为多组，示例性的，加速行为分组1为驾驶车速范围为0-20km/h，加速行为分组2驾驶车速为20-40km/h。历史驾驶相关数据为驾驶车速为11km/h，则历史驾驶行为的分组为分组1。
[0083]
可以根据各第二驾驶环境分组中的成员确定第二驾驶环境分组的驾驶行为特征，并根据驾驶行为特征确定第二驾驶环境分组对应的不良驾驶行为阈值，例如驾驶行为特征可以为该第二驾驶环境分组中各加速行为的加速过程中最大加速度。驾驶行为特征可以通
过本实施例中前述的驾驶行为特征的方式获取，此处不再赘述。
[0084]
不良驾驶行为阈值的确定方式可以为根据对多批次数据进行分组得到的同一分组下的多个批次数据，并获得对应的多个驾驶行为特征，以统计驾驶行为特征得到该第二驾驶环境分组对应的不良驾驶行为阈值，本实施例对此不进行限制。
[0085]
本实施例中，可选的，根据各所述第二驾驶环境分组中的成员确定各所述第二驾驶环境分组对应的不良驾驶行为阈值，包括：
[0086]
根据客观分析方法和各所述第二驾驶环境分组中的成员确定各所述第二驾驶环境分组对应的所述不良驾驶行为阈值。
[0087]
行为评价阈值的确定客观评价方法可以通过对大量样本的历史驾驶行为特征分析，示例性的，选择98％或其他分位数对应的历史驾驶行为特征值作为不良驾驶行为阈值，当一次加速行为的历史驾驶行为特征值超过其所在第二驾驶环境分组中98％的成员的历史驾驶行为特征值时，确定该加速行为为不良驾驶行为。当样本数量较多时，样本的分布形式趋于稳定，结果可信度较高。
[0088]
解决主观评价法需要专业的评价人员进行大量的实车试验，很难区分0.1m/s2的加速度差异，并且人的主观感受受多种因素的影响，很难达到一个统一且稳定的评价标准的问题。
[0089]
本发明实施例通过历史驾驶行为和目标影响因素确定各历史驾驶行为所属的第二驾驶环境分组，并确定不同第二驾驶环境分组下的不良驾驶行为识别阈值，以训练不良驾驶行为识别模型，便于通过不良驾驶行为识别模型在考虑驾驶环境的前提下更精细化地识别不同驾驶行为类别的不良驾驶行为。
[0090]
实施例三
[0091]
图3为本发明实施例三提供的一种不良驾驶行为识别装置的结构示意图。该装置可以由硬件和/或软件的方式来实现，可执行本发明任意实施例所提供的一种不良驾驶行为识别方法，具备执行方法相应的功能模块和有益效果。如图3所示，该装置包括：
[0092]
当前行为类别确定模块310，用于获取当前驾驶相关数据，并通过预设驾驶行为识别算法，基于所述当前驾驶相关数据确定当前驾驶行为的当前驾驶行为类别；
[0093]
分组阈值确定模块320，用于根据所述当前驾驶行为类别和预先训练的不良驾驶行为识别模型确定所述当前驾驶行为所属的驾驶环境分组，以及与所述驾驶环境分组对应的不良驾驶行为阈值；
[0094]
不良驾驶行为判断模块330，用于获取所述当前驾驶行为对应的当前驾驶行为特征，并根据所述当前驾驶行为特征和所述不良驾驶行为阈值判断所述当前驾驶行为是否为不良驾驶行为。
[0095]
本实施例所提供的技术方案，通过当前驾驶行为类别和预先训练的不良驾驶行为识别模型确定当前驾驶行为所属的驾驶环境分组，并根据当前驾驶行为特征和驾驶环境分组对应的不良驾驶行为阈值判断当前驾驶行为是否为不良驾驶行为。在不同道路交通等驾驶环境下确定不同的不良驾驶行为阈值，避免所有驾驶环境中均为统一的行为判断标准，降低驾驶环境对不良驾驶行为判断的影响，提高不良驾驶行为判断的准确性。并且不良驾驶行为识别模型可以提前建立模型并训练，在提高不良驾驶行为识别准确性的同时，提高不良驾驶行为识别的效率。
[0096]
在上述各技术方案的基础上，可选的，行为识别模型训练模块，包括：
[0097]
历史行为类别确定模块，用于获取历史驾驶相关数据，并通过所述预设驾驶行为识别算法，基于所述历史驾驶相关数据确定各历史驾驶行为的历史驾驶行为类别；
[0098]
分组特征获取模块，用于基于所述历史驾驶行为类别确定各所述历史驾驶行为所属的第一驾驶环境分组，并获取各所述第一驾驶环境分组对应的分组特征；
[0099]
目标影响因素确定模块，用于确定所述历史驾驶行为的候选影响因素，并根据所述分组特征从所述候选影响因素中确定目标影响因素；
[0100]
行为阈值确定模块，基于所述历史驾驶行为和所述目标影响因素确定各所述历史驾驶行为所属的第二驾驶环境分组，并根据各所述第二驾驶环境分组中的成员确定各所述第二驾驶环境分组对应的不良驾驶行为阈值。
[0101]
在上述各技术方案的基础上，可选的，所述装置，还包括：
[0102]
行为筛选模块，用于所述分组特征获取模块之前，根据所述历史驾驶行为类别确定预设筛选条件，并根据所述预设筛选条件对所述历史驾驶行为进行筛选。
[0103]
在上述各技术方案的基础上，可选的，所述分组特征获取模块，包括：
[0104]
特征确定单元，用于根据所述第一驾驶环境分组对应的历史驾驶行为类别，确定对应的历史驾驶行为特征和历史统计特征；
[0105]
特征获取单元，用于根据所述历史驾驶行为特征和所述历史统计特征获取所述分组特征。
[0106]
在上述各技术方案的基础上，可选的，所述目标影响因素确定模块，包括：
[0107]
候选影响因素确定单元，用于确定与所述第一驾驶环境分组的驾驶行为类别对应的所述历史驾驶行为的候选影响因素；
[0108]
相关关系分析单元，用于根据偏相关分析法分析各所述候选影响因素与所述分组特征的相关关系；
[0109]
目标影响因素确定单元，用于根据所述相关关系从所述候选影响因素中确定所述目标影响因素。
[0110]
在上述各技术方案的基础上，可选的，所述行为阈值确定模块，包括：
[0111]
行为阈值确定单元，用于根据客观分析方法和各所述第二驾驶环境分组中的成员确定各所述第二驾驶环境分组对应的所述不良驾驶行为阈值。
[0112]
实施例四
[0113]
图4为本发明实施例四提供的一种电子设备的结构示意图，如图4所示，该电子设备包括处理器40、存储器41、输入装置42和输出装置43；电子设备中处理器40的数量可以是一个或多个，图4中以一个处理器40为例；电子设备中的处理器40、存储器41、输入装置42和输出装置43可以通过总线或其他方式连接，图4中以通过总线连接为例。
[0114]
存储器41作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的不良驾驶行为识别方法对应的程序指令/模块。处理器40通过运行存储在存储器41中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述的不良驾驶行为识别方法。
[0115]
存储器41可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此
外，存储器41可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器41可进一步包括相对于处理器40远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。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。
[0116]
实施例五
[0117]
本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种不良驾驶行为识别方法，该方法包括：
[0118]
获取当前驾驶相关数据，并通过预设驾驶行为识别算法，基于所述当前驾驶相关数据确定当前驾驶行为的当前驾驶行为类别；
[0119]
根据所述当前驾驶行为类别和预先训练的不良驾驶行为识别模型确定所述当前驾驶行为所属的驾驶环境分组，以及与所述驾驶环境分组对应的不良驾驶行为阈值；
[0120]
获取所述当前驾驶行为对应的当前驾驶行为特征，并根据所述当前驾驶行为特征和所述不良驾驶行为阈值判断所述当前驾驶行为是否为不良驾驶行为。
[0121]
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的不良驾驶行为识别方法中的相关操作。
[0122]
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(read-only memory,rom)、随机存取存储器(random access memory,ram)、闪存(flash)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0123]
值得注意的是，上述不良驾驶行为识别装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
[0124]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。