一种基于数据库的参数结果预测方法及系统与流程

1.本发明涉及无人驾驶技术领域，具体涉及一种基于数据库的参数结果预测方法及系统。


背景技术：

2.汽车行业正处在一个变革时期，在智能交通日益重要的今天，汽车领域的自动化驾驶方向被认为是最具潜力的应用方向，主要包含汽车的数字化、智能化发展。
3.目前一般通过利用传感器实时感知车辆及周围环境的情况，然后通过智能化系统进行规划决策。目前也存在着采集周围环境的参数，对参数进行分析后，根据分析结果对道路信息做出判断，来提高智能化预测的准确度。
4.现有技术中由于道路中人车混行的情况比较严重，随机性大，无法依据数据库准确的对路人、周围车辆的行为信息进行准确判断，会出现依据预测结果进行驾驶与路人、周围车辆发生碰撞，造成交通事故的情况，存在着基于数据库参数结果预测不准确，无法提供可靠的预判结果，准确预测轨迹信息，进而导致车辆数据库预测结果与实际情况不匹配的技术问题。


技术实现要素：

5.本技术提供了一种基于数据库的参数结果预测方法及系统，用于针对解决现有技术中基于数据库参数结果预测不准确，无法准确预测轨迹信息，车辆数据库预测结果与实际情况不匹配的技术问题。
6.鉴于上述问题，本技术提供了一种基于数据库的参数结果预测方法及系统。
7.本技术的第一个方面，提供了基于数据库的参数结果预测方法，所述方法包括搭建行为预测分析数据库，其中，所述行为预测分析数据库嵌入有多视角预测分析模型；基于目标车辆的图像采集装置，对所述目标车辆在预设周径范围内的图像进行多角度采集，获得多角度图像集合；对所述多角度图像集合进行关键要素提取，获得关键要素图像集合；将所述关键要素图像集合作为输入信息，上传至所述多视角预测分析模型进行不同视角的解读分析，获得多视角要素分析结果；将所述多视角要素分析结果上传至概率分级轨迹匹配模型进行数据处理，生成预设行为轨迹参数序列；获得所述目标车辆的预驾驶行为参数；对所述预设行为轨迹参数序列和所述预驾驶行为参数进行参数关联度匹配，生成第一目标参数集合对应的第一目标行为参数；将所述第一目标行为参数发送至所述目标车辆的智能驾驶端，对所述目标车辆进行驾驶监测。
8.本技术的第二个方面，提供了一种基于数据库的参数结果预测系统，所述系统包括：第一搭建单元，所述第一搭建单元用于搭建行为预测分析数据库，其中，所述行为预测分析数据库嵌入有多视角预测分析模型；第一获得单元，所述第一获得单元用于基于目标车辆的图像采集装置，对所述目标车辆在预设周径范围内的图像进行多角度采集，获得多角度图像集合；第二获得单元，所述第二获得单元用于对所述多角度图像集合进行关键要
素提取，获得关键要素图像集合；第三获得单元，所述第三获得单元用于将所述关键要素图像集合作为输入信息，上传至所述多视角预测分析模型进行不同视角的解读分析，获得多视角要素分析结果；第一生成单元，所述第一生成单元用于将所述多视角要素分析结果上传至概率分级轨迹匹配模型进行数据处理，生成预设行为轨迹参数序列；第四获得单元，所述第四获得单元用于获得所述目标车辆的预驾驶行为参数；第一匹配单元，所述第一匹配单元用于对所述预设行为轨迹参数序列和所述预驾驶行为参数进行参数关联度匹配，生成第一目标参数集合对应的第一目标行为参数；第一监测单元，所述第一监测单元用于将所述第一目标行为参数发送至所述目标车辆的智能驾驶端，对所述目标车辆进行驾驶监测。
9.本技术的第三个方面，提供了一种基于数据库的参数结果预测设备，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使系统以执行如第一方面所述方法的步骤。
10.本技术的第四个方面，提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述方法的步骤。
11.本技术中提供的一个或多个技术方案，至少具有如下技术效果或优点：本技术实施例提供的方法提供了基于数据库的参数结果预测方法，所述方法包括搭建行为预测分析数据库，其中，所述行为预测分析数据库嵌入有多视角预测分析模型；基于目标车辆的图像采集装置，对所述目标车辆在预设周径范围内的图像进行多角度采集，获得多角度图像集合；对所述多角度图像集合进行关键要素提取，获得关键要素图像集合；将所述关键要素图像集合作为输入信息，上传至所述多视角预测分析模型进行不同视角的解读分析，获得多视角要素分析结果；将所述多视角要素分析结果上传至概率分级轨迹匹配模型进行数据处理，生成预设行为轨迹参数序列；获得所述目标车辆的预驾驶行为参数；对所述预设行为轨迹参数序列和所述预驾驶行为参数进行参数关联度匹配，生成第一目标参数集合对应的第一目标行为参数；将所述第一目标行为参数发送至所述目标车辆的智能驾驶端，对所述目标车辆进行驾驶监测。实现了提高基于数据库的参数结果预测准确性，为驾驶提供可靠的驾驶环境预测，提高预测周围行人或周围车辆的轨迹准确性，提升车辆数据库预测结果与实际情况的匹配度的技术效果。
12.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
13.图1为本技术提供的一种基于数据库的参数结果预测方法流程示意图；图2为本技术提供的一种基于数据库的参数结果预测方法中对所述多角度图像集合进行关键要素提取的流程示意图；图3为本技术提供的一种基于数据库的参数结果预测方法中获得多视角要素分析结果的流程示意图；图4为本技术提供了一种基于数据库的参数结果预测系统结构示意图；图5为本技术示例性电子设备的结构示意图；附图标记说明：第一搭建单元11，第一获得单元12，第二获得单元13，第三获得单
元14，第一生成单元15，第四获得单元16，第一匹配单元17，第一监测单元18，电子设备300，存储器301，处理器302，通信接口303，总线架构304。
具体实施方式
14.本技术通过提供了一种基于数据库的参数结果预测方法及系统，用于针对解决现有技术中基于数据库参数结果预测不准确，无法准确预测轨迹信息，车辆数据库预测结果与实际情况不匹配的技术问题。
15.申请概述对着我国经济和科技的快速发展，各个领域都在进行快速变革，在智能交通日益重要的今天，汽车领域的自动化驾驶方向被认为是最具潜力的应用方向，主要包含汽车的数字化、智能化发展。目前一般通过利用传感器实时感知车辆及周围环境的情况，然后通过智能化系统进行规划决策。目前也存在着采集周围环境的参数，对参数进行分析后，根据分析结果对道路信息做出判断，来提高智能化预测的准确度。
16.现有技术中由于道路中人车混行的情况比较严重，随机性大，无法依据数据库准确的对路人、周围车辆的行为信息进行准确判断，会出现依据预测结果进行驾驶与路人、周围车辆发生碰撞，造成交通事故的情况，存在着基于数据库参数结果预测不准确，无法提供可靠的预判结果，准确预测轨迹信息，进而导致车辆数据库预测结果与实际情况不匹配的技术问题。
17.针对上述技术问题，本技术提供的技术方案总体思路如下：本技术实施例提供的方法搭建行为预测分析数据库，其中，所述行为预测分析数据库嵌入有多视角预测分析模型；基于目标车辆的图像采集装置，对所述目标车辆在预设周径范围内的图像进行多角度采集，获得多角度图像集合；对所述多角度图像集合进行关键要素提取，获得关键要素图像集合；将所述关键要素图像集合作为输入信息，上传至所述多视角预测分析模型进行不同视角的解读分析，获得多视角要素分析结果；将所述多视角要素分析结果上传至概率分级轨迹匹配模型进行数据处理，生成预设行为轨迹参数序列；获得所述目标车辆的预驾驶行为参数；对所述预设行为轨迹参数序列和所述预驾驶行为参数进行参数关联度匹配，生成第一目标参数集合对应的第一目标行为参数；将所述第一目标行为参数发送至所述目标车辆的智能驾驶端，对所述目标车辆进行驾驶监测。
18.在介绍了本技术基本原理后，下面，将参考附图对本技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。基于本技术的实施例，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，都属于本技术保护的范围。另外还需要说明的是，为了便于描述，附图中仅示出了与本技术相关的部分而非全部。
19.实施例一如图1所示，本技术提供了一种基于数据库的参数结果预测方法，所述方法包括：步骤s100：搭建行为预测分析数据库，其中，所述行为预测分析数据库嵌入有多视角预测分析模型；具体而言，所述搭建行为预测分析数据库，是建立一个包含有目标车辆周围的移动对象的行动轨迹分析的数据库，其中，所述行为分析数据库嵌有多视角预测分析模型，所
述多视角预测分析模型用来对目标车辆的周围环境从多个角度进行分析，通过对不同的对象的行为进行分析，得出不同对象的运动状态，实现了为目标车辆的驾驶提供准确的运动状态信息，提高基于数据库的参数结果预测准确度的技术效果。
20.步骤s200：基于目标车辆的图像采集装置，对所述目标车辆在预设周径范围内的图像进行多角度采集，获得多角度图像集合；具体而言，所述基于目标车辆的图像采集装置是用来对所述目标车辆在预设周径范围内的图像进行实时的多角度采集，其中，所述预设周径范围是指以目标车辆为圆心，以一定的长度为半径的圆内的范围，所述多角度采集是指从驾驶员自身的驾驶状态、所述目标车辆的车外行人移动意图、以及目标车辆的车外其他车辆的驾驶意图等不同的角度对所述目标车辆周围的环境信息进行采集，其中所述多角度图像集合指的是获取到的所述目标车辆、周围行人、周围车辆等的采集时间段内图像信息集合。
21.示例性的，所述预设周径范围可以为50m，具体的可以根据实际情况进行设置，主要是看周围环境中人流量、车流量的密集程度进行设置。
22.步骤s300：对所述多角度图像集合进行关键要素提取，获得关键要素图像集合；具体而言，所述关键要素为影响所述目标车辆的驾驶状态的相关因素，举例而言，所述关键要素为：行人、车辆、行人的头部姿态、车辆中的人等，通过对所述多角度图像集合进行关键要素的提取，获得对目标车辆的驾驶状态相关的参数信息，进一步的，获得所述关键要素图像集合，其中，所述关键要素图像集合将影响目标车辆驾驶状态的信息汇总在一起，可以对目标车辆周围的环境有选择性的分析，为后续对基于数据库的参数结果分析奠定了基础。
23.步骤s400：将所述关键要素图像集合作为输入信息，上传至所述多视角预测分析模型进行不同视角的解读分析，获得多视角要素分析结果；具体而言，所述多视角预测分析模型用来对所述关键要素图像集合进行分析，从多个不同的角度对所述关键要素图像集合中的各个关键要素进行分析，其中，所述多视角要素分析结果为各个关键要素的行动状态。通过模型可以系统的分析出影响所述目标车辆的行动状态的相关因素的状态，从而进一步的分析对所述目标车辆的行动状态的影响程度。
24.步骤s500：将所述多视角要素分析结果上传至概率分级轨迹匹配模型进行数据处理，生成预设行为轨迹参数序列；具体而言，所述概率分级轨迹匹配模型通过对所述多视角要素分析结果进行处理，可以根据要素的实时状态变化，对其下一步的运动状态轨迹进行预测，进一步生成各要素的预设行为轨迹参数序列，其中所述预设行为轨迹参数序列为通过概率分级轨迹匹配模型对各要素的分析结果进行数据处理后，预测的各要素的运动状态产生的轨迹的参数信息。通过获得对所述目标车辆的驾驶状态有影响的要素的预测轨迹参数序列，为进一步找到实际与所述目标车辆的驾驶行动有冲突/影响的参数信息提供了准确的依据，实现了提高基于数据库的而参数结果预测的准确性的技术效果。
25.步骤s600：获得所述目标车辆的预驾驶行为参数；具体而言，所述目标车辆的预驾驶行为参数为表征所述目标车辆的未来行驶状态的相关参数。
26.示例性的，所述预驾驶行为参数可以为：所述目标驾驶参数的行驶目的地，行驶速度等。为后续与对目标车辆的行驶状态有影响的要素的预设行为轨迹相比较，提供数据基础。
27.步骤s700：对所述预设行为轨迹参数序列和所述预驾驶行为参数进行参数关联度匹配，生成第一目标参数集合对应的第一目标行为参数；具体而言，所述对所述预设行为轨迹参数序列和所述预驾驶行为参数进行参数关联度匹配指的是将所述多视角要素的行为轨迹参数序列与所述目标车辆的预驾驶行为参数进行匹配，获得与预驾驶行为参数重合的要素参数，其中，所述第一目标集合为与所述预驾驶行为参数重合的所述预设行为轨迹参数序列对应的参数集合，其中所述第一目标行为参数，为所述第一目标参数集合对应的所述第一目标行为参数，可以得出会对所述目标车辆的预驾驶行为产生影响的参数，可以精准监测这些参数，来实现提高基于数据库的参数结果预测准确度的技术效果。
28.步骤s800：将所述第一目标行为参数发送至所述目标车辆的智能驾驶端，对所述目标车辆进行驾驶监测。
29.具体而言，所述目标车辆的智能驾驶端是与数据库相连的平台，用于对所述目标车辆进行驾驶控制，其中，所述对所述目标车辆进行驾驶监测指的是在获得所述第一目标行为参数后，通过智能驾驶端对所述目标车辆进行驾驶过程中的监测。
30.进一步而言，如图2所示，其中，所述对所述多角度图像集合进行关键要素提取中，本技术实施例步骤s300还包括：步骤s310：对所述多角度图像集合进行多角度拆分，获得第一角度图像、第二角度图像和第三角度图像；步骤s320：基于所述目标车辆的音频采集装置，对所述目标车辆的车内音频信息进行采集，获得第一音频数据；步骤s330：通过对所述第一角度图像和所述第一音频数据进行关键要素提取，生成第一角度要素集合；步骤s340：通过对所述第二角度图像中的目标用户集合的移动轨迹进行提取解析，获得第二角度要素集合；步骤s350：通过对所述第三角度图像中的目标车辆集合的驾驶状态进行提取解析，获得第三角度要素集合。
31.具体而言，所述对所述多角度图像集合进行多角度拆分指的是按照不同的角度将多角度图像集合进行拆分，可以将所述多角度图像集合进行划分，更有针对性的分析。其中，所述第一角度图像是与驾驶人员自身的驾驶意图相关的图像，所述第二角度图像是与所述目标车辆的车外行人移动意图相关的图像，所述第三角度图像是与所述目标车辆的车外其他车辆的驾驶意图相关的图像。
32.示例性的，所述的第一角度图像可以是显示所述目标车辆的行驶目的地，行驶速度，驾驶员的头部姿态等反映出所述目标车辆相关的图像。所述第二角度图像可以是显示所述车外行人的头部姿态，肢体动作，移动轨迹相关的图像。所述第三角度图像可以是显示所述目标车辆的车外其他车辆的驾驶员状态，车辆行进方向，车辆行进速度相关的图像。由此，可以实现对所述多角度图像集合中的图像进行有规则的分类，提高后续分析的效率和
准确的技术效果。
33.进一步的，所述第一音频数据为所述目标车辆的车内有关驾驶状态的相关音频信息，所述第一角度要素集合为综合所述第一角度图像和所述第一音频数据的进行关键要素提取后的集合，可以反映出所述目标车辆的驾驶状态，其中，所述第二角度要素集合指的是对所述第二角度图像中的目标用户集合的移动轨迹进行提取解析后的集合，所述第三角度要素集合为通过对所述第三角度图像中的目标车辆集合的驾驶状态进行提取解析后的集合。
34.进一步而言，如图3所示，其中，所述获得多视角要素分析结果中，本技术实施例步骤s400还包括：步骤s410：所述多视角预测分析模型与所述多角度图像集合一一对应，且所述多视角预测分析模型包括第一视角预测分析模型、第二视角预测分析模型和第三视角预测分析模型；步骤s420：将所述第二角度要素集合上传至所述第二视角预测分析模型，对所述第二角度要素集合中的目标移动方向进行预测分析，获得第一分析结果；步骤s430：对所述第二角度要素集合中的目标移动速度进行预测分析，获得第二分析结果；步骤s440：对所述第一分析结果和所述第二分析结果进行数据求并集处理，生成第二视角要素分析结果。
35.具体而言，所述多视角预测分析模型为对所述多角度图像集合进行分析预测的模型，其中所述第一视角预测分析模型是与所述第一角度图像集合相对应的分析所述目标车辆的驾驶状态的模型，所述第二视角预测分析模型为对所述第二角度图像集合相对应的分析所述车外行人的行动状态相关的模型，所述第三视角预测分析模型是与所述目标车辆外的其他车辆的驾驶状态相关的模型。
36.进一步的，所述第一分析结果为对所述第二角度要素集合中的目标移动方向进行分析的结果，可以预测车外行人的移动方向，所述第二分析结果指的是对所述第二角度要素集合中的目标移动速度进行分析的结果，可以预测车外行人的移动速度。所述对所述第一分析结果和所述第二分析结果进行数据求并集处理指的是综合车外行人的移动方向和移动速度两个方面对数据进行处理，所述第二视角要素分析结果是综合了车外行人的移动方向和移动速度后对车外行人的行动状态的分析结果。由于，在道路上人车混行，行人的运动轨迹改变速度快，通过综合移动方向和移动速度两方面可以实现准确的获取车外行人的行动状态的技术效果。
37.进一步而言，所述多视角要素分析结果包括第一视角要素分析结果、所述第二视角要素分析结果和第三视角要素分析结果，其中，所述生成预设行为轨迹参数序列中，本技术实施例步骤s500还包括：步骤s510：基于所述概率分级轨迹匹配模型，依次对所述第一视角要素分析结果、所述第二视角要素分析结果和第三视角要素分析结果，进行轨迹匹配训练，生成第一轨迹概率值、第二轨迹概率值和第三轨迹概率值；步骤s520：通过对轨迹概率值进行参数转换，获得所述第一轨迹概率值对应的第一预设行为轨迹参数、所述第二轨迹概率值对应的第二预设行为轨迹参数、所述第三轨迹
概率值对应的第三预设行为轨迹参数；步骤s530：根据所述第一预设行为轨迹参数、所述第二预设行为轨迹参数和所述第三预设行为轨迹参数，生成所述预设行为轨迹参数序列。
38.具体而言，所述多视角要素分析结果包括所述第一视角要素分析结果、所述第二视角要素分析结果和所述第三视角要素分析结果，其中，所述第一视角要素分析结果是指通过所述多视角预测分析模型对所述目标车辆的驾驶状态的分析结果，所述第二视角要素分析结果是指通过所述多视角预测分析模型综合车外行人的移动方向和移动速度两个方面对车外行人的行动状态的分析结果，所述第三视角要素分析结果是指通过所述多视角预测分析模型对所述目标车辆的车外其他车辆的驾驶状态的分析结果。在获得所述多视角要素分析结果后，对所述目标车辆、所述车外行人、所述目标车辆外的其他车辆的运动状态有了预测分析结果，进一步的，将得到的结果输入所述概率分级轨迹匹配模型中，分析上述三个视角要素预测的轨迹，得到上述三个视角要素按预测轨迹行动的概率值，更进一步的，对所述轨迹概率值进行参数转换，即得到上述三个视角要素预测行动轨迹的轨迹参数信息，生成所述预设行为轨迹参数序列，对下一步与所述目标车辆的预驾驶行为轨迹的对比奠定了基础，实现了多角度对数据库的参数进行分析预测的技术效果。其中，所述概率分级轨迹匹配模型是以神经网络模型为基础构建的数学逻辑模型，能够利用数学数据不断收敛的特性进行分析，进而基于机器学习输出收敛后的信息，即模拟结果输出轨迹概率值。
39.其中，所述通过对轨迹概率值进行参数转换指的是将预测的行为轨迹按照所述轨迹概率值生成对应的预设行为轨迹参数，将抽象的预测数据信息转化为具体的可视化的参数信息，为之后的所述预设行为轨迹参数序列渲染至所述空间坐标做准备，其中，所述预设行为轨迹参数序列指的是将所述第一预设行为轨迹参数、所述第二预设行为轨迹参数和所述第三预设行为轨迹参数集合在一起，形成的所有会对所述目标车辆的驾驶状态产生影响的轨迹参数序列。实现了提高基于数据库的参数结果预测准确性，为驾驶提供可靠的驾驶环境预测，提高预测周围行人或周围车辆的轨迹准确性，提升车辆数据库预测结果与实际情况的匹配度的技术效果。
40.进一步而言，本技术实施例步骤s510还包括：步骤s511：将所述第一视角要素分析结果作为输入信息，输入至所述概率分级轨迹匹配模型；步骤s512：所述概率分级轨迹匹配模型通过多组训练数据训练所得，所述多组训练数据中的每一组训练数据均包括：所述第一视角要素分析结果和用来标识预设轨迹概率值的标识信息；步骤s513：将所述概率分级轨迹匹配模型训练至收敛状态，且获得输出信息，所述输出信息包括所述第一视角要素分析结果对应的所述第一轨迹概率值。
41.具体而言，所述概率分级轨迹匹配模型为机器学习中的神经网络模型，神经网络是由大量的、简单的处理单元（称为神经元）广泛地互相连接而形成的复杂神经网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络，是对人类大脑系统的一阶特性的一种描述。简单地讲，它是一个数学模型。通过大量训练数据的训练，将所述第一视角要素分析结果输入神经网络模型，则输出所述第一视角要素分析结果对应的所述第一轨迹概
率值。
42.进一步而言，所述训练的过程实质为监督学习的过程，每一组监督数据都包括所述第一视角要素分析结果和用来标识预设轨迹概率值的标识信息，将所述第一视角要素分析结果输入到神经网络模型中，根据用来标识预设轨迹概率值的标识信息，所述模型进行不断的自我修正、调整，直至获得的输出结果与所述标识信息一致，则结束监督学习，进行下一组数据监督学习；当所述神经网络模型的输出信息达到预定的准确率时，则监督学习过程结束。通过对所述模型的监督学习，进而使得所述模型处理所述输入信息更加准确，进而获得更加准确适合的第一轨迹概率值，为提高基于数据库的参数结果预测准确性夯实了基础。
43.进一步而言，所述对所述预设行为轨迹参数序列和所述预驾驶行为参数进行参数关联度匹配中，本技术实施例步骤s700还包括：步骤s710：对所述预驾驶行为参数进行空间坐标的分布式展示，获得预驾驶行为参数曲线；步骤s720：将所述预设行为轨迹参数序列渲染至所述空间坐标，且对所述预驾驶行为参数曲线进行曲线拟合，获得第一曲线拟合结果；步骤s730：根据所述第一曲线拟合结果，获得与所述预驾驶行为参数重合的所述第一目标参数集合；步骤s740：获得所述第一目标参数集合对应的所述第一目标行为参数。
44.具体而言，所述空间坐标是以所述目标车辆的周围环境建立的，将所述预驾驶行为参数在所述空间坐标中进行分布式展示，得到预驾驶行为参数曲线，进一步的，将所述预设行为轨迹参数序列渲染至所述空间坐标，同时对所述预驾驶行为参数曲线进行曲线拟合，获得所述第一曲线拟合结果。其中，所述第一曲线拟合结果指的是在所述空间坐标中所述预设行为轨迹参数序列中与所述预驾驶行为参数曲线相重合的部分，所述第一目标参数集合为重合部分的参数集合，进一步获得所述第一目标参数集合对应的所述第一目标行为参数，其中，所述第一目标行为参数用来发送至所述目标车辆的智能驾驶端，对所述目标车辆进行驾驶监测。由此，找到会影响所述目标车辆驾驶状态的参数，从而准确的有针对性的对所述目标车辆进行驾驶监测。
45.其中，本技术实施例步骤s440，还包括：步骤s441：获得所述第二角度要素集合中的目标用户的头部姿态信息；步骤s442：判断所述头部姿态信息和所述目标移动方向是否保持一致；步骤s443：若所述头部姿态信息和所述目标移动方向不保持一致，基于所述头部姿态信息，确定第一校正参数；步骤s444：根据所述第一校正参数，对所述第二视角要素分析结果进行结果校正。
46.具体而言，在对行人的行动轨迹进行预测的过程中，行人的头部姿态是非常重要的预判因素，所述头部姿态与行人的移动方向不一定会保持一致，当不一致时，头部姿态的方向可能是行人下一步要行走的方向，也可能是行人观察路况的方向，因此，以行人移动方向来预测行人的行动轨迹时，要考虑头部姿态的影响，进一步判断行人的行动轨迹。
47.进一步的，所述头部姿态信息为行人的头部面向方向信息，可以是与行人移动方向相同的方向，也可以是与行人移动方向相反的方向，其中，所述第一校正参数为所述头部
姿态信息与所述目标移动方向不一致时，基于头部姿态信息判断预测行人的行动轨迹信息生成的对所述第二视角要素分析结果进行结果校正的参数。由此，可以克服行人移动的随机性，实现准确的判断行人的行动轨迹的技术效果。
48.通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本技术可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用cpu、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本技术而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本技术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，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘、u盘，移动硬盘、rom、ram、磁碟或者光盘等，包括若干指令用以使得一台计算机设备执行本技术各个实施例所述的方法。
49.综上所述，本技术实施例所提供的一种基于数据库的参数结果预测方法具有如下技术效果：1.由于采用了搭建行为预测分析数据库，其中，所述行为预测分析数据库嵌入有多视角预测分析模型；基于目标车辆的图像采集装置，对所述目标车辆在预设周径范围内的图像进行多角度采集，获得多角度图像集合；然后对所述多角度图像集合进行关键要素提取，获得关键要素图像集合；将所述关键要素图像集合作为输入信息，上传至所述多视角预测分析模型进行不同视角的解读分析，获得多视角要素分析结果；然后将所述多视角要素分析结果上传至概率分级轨迹匹配模型进行数据处理，生成预设行为轨迹参数序列；获得所述目标车辆的预驾驶行为参数；进一步的，对所述预设行为轨迹参数序列和所述预驾驶行为参数进行参数关联度匹配，生成第一目标参数集合对应的第一目标行为参数；将所述第一目标行为参数发送至所述目标车辆的智能驾驶端，对所述目标车辆进行驾驶监测。达到了提高基于数据库的参数结果预测准确性，为驾驶提供可靠的驾驶环境预测，提高预测周围行人或周围车辆的轨迹准确性，提升车辆数据库预测结果与实际情况的匹配度的技术效果。
50.2.通过对所述多角度图像集合进行多角度拆分，按照不同的角度将多角度图像集合进行拆分，可以将所述多角度图像集合进行划分后更有针对性的分析，由此，可以实现对所述多角度图像集合中的图像进行有规则的分类，提高后续分析的效率和准确的技术效果。
51.3.通过对所述第一分析结果和所述第二分析结果进行数据求并集处理，综合移动方向和移动速度两方面考虑，可以实现准确的对车外行人的行动情况进行预测的技术效果。
52.实施例二基于与前述实施例中一种基于数据库的参数结果预测方法相同的发明构思，如图4所示，本技术提供了一种基于数据库的参数结果预测系统，其中，所述系统包括：第一搭建单元11，所述第一搭建单元11用于搭建行为预测分析数据库，其中，所述行为预测分析数据库嵌入有多视角预测分析模型；第一获得单元12，所述第一获得单元12用于基于目标车辆的图像采集装置，对所
述目标车辆在预设周径范围内的图像进行多角度采集，获得多角度图像集合；第二获得单元13，所述第二获得单元13用于对所述多角度图像集合进行关键要素提取，获得关键要素图像集合；第三获得单元14，所述第三获得单元14用于将所述关键要素图像集合作为输入信息，上传至所述多视角预测分析模型进行不同视角的解读分析，获得多视角要素分析结果；第一生成单元15，所述第一生成单元15用于将所述多视角要素分析结果上传至概率分级轨迹匹配模型进行数据处理，生成预设行为轨迹参数序列；第四获得单元16，所述第四获得单元16用于获得所述目标车辆的预驾驶行为参数；第一匹配单元17，所述第一匹配单元17用于对所述预设行为轨迹参数序列和所述预驾驶行为参数进行参数关联度匹配，生成第一目标参数集合对应的第一目标行为参数；第一监测单元18，所述第一监测单元18用于将所述第一目标行为参数发送至所述目标车辆的智能驾驶端，对所述目标车辆进行驾驶监测。
53.进一步的，所述系统还包括：第五获得单元，所述第五获得单元用于对所述多角度图像集合进行多角度拆分，获得第一角度图像、第二角度图像和第三角度图像；第六获得单元，所述第六获得单元用于基于所述目标车辆的音频采集装置，对所述目标车辆的车内音频信息进行采集，获得第一音频数据；第二生成单元，所述第二生成单元用于通过对所述第一角度图像和所述第一音频数据进行关键要素提取，生成第一角度要素集合；第七获得单元，所述第七获得单元用于通过对所述第二角度图像中的目标用户集合的移动轨迹进行提取解析，获得第二角度要素集合；第八获得单元，所述第八获得单元用于通过对所述第三角度图像中的目标车辆集合的驾驶状态进行提取解析，获得第三角度要素集合。
54.进一步的，所述系统还包括：第九获得单元，所述第九获得单元用于所述多视角预测分析模型与所述多角度图像集合一一对应，且所述多视角预测分析模型包括第一视角预测分析模型、第二视角预测分析模型和第三视角预测分析模型；将所述第二角度要素集合上传至所述第二视角预测分析模型，对所述第二角度要素集合中的目标移动方向进行预测分析，获得第一分析结果；第十获得单元，所述第十获得单元用于对所述第二角度要素集合中的目标移动速度进行预测分析，获得第二分析结果；第三生成单元，所述第三生成单元用于对所述第一分析结果和所述第二分析结果进行数据求并集处理，生成第二视角要素分析结果。
55.进一步的，所述系统还包括：第一训练单元，所述第一训练单元用于基于所述概率分级轨迹匹配模型，依次对所述第一视角要素分析结果、所述第二视角要素分析结果和第三视角要素分析结果，进行轨迹匹配训练，生成第一轨迹概率值、第二轨迹概率值和第三轨迹概率值；第十一获得单元，所述第十一获得单元用于通过对轨迹概率值进行参数转换，获得所述第一轨迹概率值对应的第一预设行为轨迹参数、所述第二轨迹概率值对应的第二预
设行为轨迹参数、所述第三轨迹概率值对应的第三预设行为轨迹参数；第四生成单元，所述第四生成单元用于根据所述第一预设行为轨迹参数、所述第二预设行为轨迹参数和所述第三预设行为轨迹参数，生成所述预设行为轨迹参数序列。
56.进一步的，所述系统还包括：第一输入单元，所述第一输入单元用于将所述第一视角要素分析结果作为输入信息，输入至所述概率分级轨迹匹配模型；第十二获得单元，所述第十二获得单元用于所述概率分级轨迹匹配模型通过多组训练数据训练所得，所述多组训练数据中的每一组训练数据均包括：所述第一视角要素分析结果和用来标识预设轨迹概率值的标识信息；将所述概率分级轨迹匹配模型训练至收敛状态，且获得输出信息，所述输出信息包括所述第一视角要素分析结果对应的所述第一轨迹概率值。
57.进一步的，所述系统还包括：第十三获得单元，所述第十三获得单元用于对所述预驾驶行为参数进行空间坐标的分布式展示，获得预驾驶行为参数曲线；第十四获得单元，所述第十四获得单元用于将所述预设行为轨迹参数序列渲染至所述空间坐标，且对所述预驾驶行为参数曲线进行曲线拟合，获得第一曲线拟合结果；第十五获得单元，所述第十五获得单元用于根据所述第一曲线拟合结果，获得与所述预驾驶行为参数重合的所述第一目标参数集合；第十六获得单元，所述第十六获得单元用于获得所述第一目标参数集合对应的所述第一目标行为参数。
58.进一步的，所述系统还包括：第十七获得单元，所述第十七说的单元用于获得所述第二角度要素集合中的目标用户的头部姿态信息；第一判断单元，所述第一判断单元用于判断所述头部姿态信息和所述目标移动方向是否保持一致；第一确定单元，所述第一确定单元用于若所述头部姿态信息和所述目标移动方向不保持一致，基于所述头部姿态信息，确定第一校正参数；第一校正单元，所述第一校正单元用于根据所述第一校正参数，对所述第二视角要素分析结果进行结果校正。
59.实施例三基于与前述实施例中一种基于数据库的参数结果预测方法相同的发明构思，本技术还提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如实施例一的方法。
60.示例性电子设备下面参考图5来描述本技术的电子设备，基于与前述实施例中一种基于数据库的参数结果预测方法相同的发明构思，本技术还提供了一种基于数据库的参数结果预测系统，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使得系统以执行实施例一所述方法的步骤。
61.该电子设备300包括：处理器302、通信接口303、存储器301。可选的，电子设备300还可以包括总线架构304。其中，通信接口303、处理器302以及存储器301可以通过总线架构304相互连接；总线架构304可以是外设部件互连标(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
62.处理器302可以是一个cpu，微处理器，asic，或一个或多个用于控制本技术方案程序执行的集成电路。
63.通信接口303，使用任何收发器一类的装置，用于与其他设备或通信网络通信，如以太网，无线接入网(radio access network，ran),无线局域网(wireless local area networks，wlan)，有线接入网等。
64.存储器301可以是rom或可存储静态信息和指令的其他类型的静态存储设备，ram或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，eeprom)、只读光盘(compact discread-only memory，cd-rom)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
65.其中，存储器301用于存储执行本技术方案的计算机执行指令，并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令，从而实现本技术上述实施例提供的一种基于数据库的参数结果预测方法。
66.本领域普通技术人员可以理解：本技术中涉及的第一、第二等各种数字编号仅为描述方便进行的区分，并不用来限制本技术的范围，也不表示先后顺序。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a ,b,或c中的至少一项(个、种)，可以表示：a ,b,c,a
ꢀ‑
b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。
67.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括
一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘(solid state disk，ssd))等。
68.本技术中所描述的各种说明性的逻辑单元和电路可以通过通用处理器，数字信号处理器，专用集成电路(asic)，现场可编程门阵列(fpga)或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。
69.本技术中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可移动磁盘、cd-rom或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于asic中，asic可以设置于终端中。可选地，处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
70.尽管结合具体特征及其实施例对本技术进行了描述，显而易见的，在不脱离本技术的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是本技术的示例性说明，且视为已覆盖本技术范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的范围。这样，倘若本技术的这些修改和变型属于本技术及其等同技术的范围之内，则本技术意图包括这些改动和变型在内。