置，根据各个粒子的初始位置计算对应的适应度，根据粒子的适应度更新粒子的最佳位置及全局最佳位置，根据粒子的最佳位置及全局最佳位置，通过公式V[] = v[] + [clXrandO X (pbest[]-present[])+c2X rand ()X (gbest[]-present[])]XExperience+Random 更新粒子的速度，根据粒子的速度，通过公式present [] = persent [] +v [] +Random更新粒子的位置，根据更新后的位置再次计算各个粒子的适应度，重复这一过程，直至迭代次数达到预设值或者全局最佳位置的波动范围小于预设的最小界限，获得第一粒子群的最优值及最终全局最佳位置，其中第一粒子群的最优值为第一事故概率，最终全局最佳位置为第一事故概率对应的最佳第一行驶数据，所述V []为粒子速度，Cl及c2为学习因子，rand O为O至I之间的随机数，pbest []为粒子最佳位置，gbest []为全局最佳位置，present []为粒子当前位置，Experience为经验值，Random为随机参数。
[0055]例如，通过网络收集到一个交通事故发生时的20组第一行驶数据，每一组第一行驶数据包括距离、相对速度及运动方向三个参数，以这20组第一行驶数据作为粒子，组成包括20个粒子的第一粒子群，以每一个粒子包括的三个参数作为该粒子的初始位置，进行粒子群优化计算，每一次迭代后更新各个粒子的最佳位置和全局最佳位置，直至全局最佳位置的波动范围位于设置的最小界限之内后，停止迭代计算，此时各个粒子的适应度趋于同一个值，该值即为第一粒子群的最优值，该最优值对应的粒子的位置即为最终全局最佳位置，第一粒子群的最优值即为第一事故概率，最终全局最佳位置为第一事故概率对应的最佳第一行驶数据。
[0056]步骤202:创建包括各个交通事故对应的第一行驶数据、最佳第一行驶数据及第一事故概率的经验数据库。
[0057]在本发明一个实施例中，通过步骤201后，得到每一个交通事故对应的第一行驶数据、最佳第一行驶数据及第一事故概率后，由各个交通事故对应的第一行驶数据、最佳第一行驶数据及第一事故概率组成经验数据库。其中，经验数据库是一个缺省的数据库，在收集到新的交通事故案例之后，通过计算获得新交通事故对应的第一行驶数据、最佳第一行驶数据及第一事故概率后，将新交通事故对应的第一行驶数据、最佳第一行驶数据及第一事故概率也加入到该经验数据库中，实现对经验数据库的不断完善和补充。例如，共收集到1000个交通事故案例，通过计算分别获得这1000个交通事故对应的第一行驶数据、最佳第一行驶数据及第一事故概率，由这1000个交通事故对应的第一行驶数据、最佳第一行驶数据及第一事故概率组成经验数据库。
[0058]步骤203:在至少两个采集位置上，每隔设定时间，从每个采集位置连续采集至少两张载体汽车的行驶状态图片。
[0059]在本发明一个实施例中，在载体汽车上不同的位置至少安装两个采集装置，每个设定时间，各个采集装置连续采集至少两张载体汽车的行驶状态图片。例如，在载体汽车的四周共布置了 30个高速摄像机，设定间隔时间为5秒，每经过5秒钟，每个高速摄像机连续拍摄两张行驶状态图片，共采集到60张行驶状态图片。
[0060]步骤204:通过每个采集位置对应的至少两张行驶状态图片进行分析，获取每个采集位置对应的第二行驶数据。
[0061]在本发明一个实施例中，针对于同一采集位置采集的至少两张行驶状态图片，选取至少一个关键点，通过每张图片上通过关键点灰度值的对比，获取载体汽车相对于障碍物的距离、相对速度及运动方向等参数，由这些参数组成载体汽车的第二行驶数据，每个采集位置对应一个第二行驶数据。例如，针对于每一个高速摄像机拍摄的两张行驶状态图片，选取障碍物上的一个特征作为关键点，通过两张图片上相同关键点灰度值的对比，获取载体汽车相对于该障碍物的距离、相对速度及运行方向三个参数，由这三个参数组成第二行驶数据，每个高速摄像机对应一个第二行驶数据，共获得30个第二行驶数据。
[0062]步骤205:以各个第二行驶数据为粒子，形成第二粒子群，以经验数据库为学习范围，计算第二粒子群的最优值。
[0063]在本发明一个实施例中，将各个第二行驶作为粒子，形成第二粒子群，以经验数据中的各个最佳第一行驶数据为目标值，以每一个第二行驶数据包括的距离、相对速度及运行方向等参数作为初始位置，并设置各个粒子对应的速度及第二粒子群的最大迭代次数，根据各个粒子的初始位置计算各个粒子的适应度，根据适应度更新各个粒子的最佳位置及全局最佳位置，根据粒子的最佳位置及全局最佳位置，通过公式V[] = v[] + [clXrand() X(pbest [] -present []) +c2 X rand () X (gbest [] -present []) ] X Experience+Random 更新粒子的速度，根据粒子的速度，通过公式present [] = persent [] +v [] +Random更新粒子的位置，根据更新后的位置再次计算各个粒子的适应度，重复这一过程，直至迭代次数达到最大迭代次数，获得第二粒子群的最优值，其中该最优值为全局最佳位置趋于的位置。例如，以30个第二行驶数据作为粒子，组成包括30个粒子的第二粒子群，以经验数据库中的1000个最佳第一行驶数据为目标值，进行粒子群优化计算，并设定最大迭代次数，在计算过程中不断更新各个粒子的位置，当达到最大迭代次数时停止迭代计算，第二粒子群的全局最佳位置趋于同一个位置，该位置即为第二粒子群的最优值。
[0064]步骤206:将第二粒子群的最优值与经验数据库中的各个最佳第一行驶数据进行对比。
[0065]在本发明一个实施例中，将获取到的第二粒子群的最优值包括的各个参数与经验数据库中的各个最佳第一行驶数据包括的各个参数进行对比。例如，将获取到的第二粒子群的最优值包括的距离、相对速度及运动方向依次与经验数据库中1000个最佳第一行驶数据包括距离、相对速度及运动方向进行对比。
[0066]步骤207:判断是否存在一个当前最佳第一行驶数据与第二粒子群的最优值的差值小于第一预设值，如果是，执行步骤208，否则执行步骤209。
[0067]在本发明一个实施例中，在将第二粒子群的最优值包括的各个参数依次与各个最佳第一行驶数据包括的各个参数进行对比的过程中，如果第二粒子群的最优值包括的各个参数与其中一个当前最佳第一行驶数据包括的各个参数的差值小于第一预设值时，停止继续对比，相应的执行步骤208，如果没有任何一个最佳第一行驶数据包括的各个参数与第二粒子群的最优值包括的各个参数之间的差值均小于第一预设值，相应的执行步骤209。例如，第一预设值包括距离波动、相对速度波动及运动方向波动，设置距离波动为±3m，相对速度波动为±5m/s，运动方向波动为±2°，如果第二粒子群的最优值对应的距离为30m，相对速度为80m/s，运动方向为0°，其中一个当前最佳第一行驶数据对应的距离为28m，相对速度为76m/s，运动方向为0°，由于第二粒子群最优值的各个参数与该当前最佳第一行驶数据的各个参数的差值均小于第一预设值，此时相应的执行步骤208，如果第二粒子群的最优值对应的距离为20m，相对速度为60m/s，运动方向为30°，数据库中没有一个最佳第一行驶数据的各个参数与该第二粒子群的最优值的各个参数的差值小于第一预设值，此时相应的执行步骤209。
[0068]步骤208:将当前最佳第一行驶数据对应的第一事故概率作为载体汽车的第二事故概率，并结束当前流程。
[0069]在本发明一个实施例中，当第二粒子群的最优值与经验数据库中的当前最佳第一行驶数据的差值小于第一预设值时，将当前最佳第一行驶数据对应的第一事故概率作为载体汽车的第二事故概率，根据第二事故概率，对载体汽车采取相应的避险措置。例如，当前最佳第一行驶数据对应的距离为28m，相对速度为76m/s，运动方向为0°，第一事故概率为50%，那么载体汽车的第二事故概率为50%，根据预先设定的事故概率阈值，当第二事故概率为50%时，向载体汽车的驾驶员发出警告提醒。
[0070]步骤209:将第二粒子群的最优值与经验数据库中的各个第一行驶数据进行对比。
[0071 ] 在本发明一个实施例中，当第二粒子群的最优值与经验数据库中的各个最佳第一行驶数据匹配不成功时，将第二粒子群的最优值与经验数据库中的各个第一行驶数据进行对比。例如，第二粒子群的最优值对应的距离为20m，相对速度为60m/s，运动方向为30°，与经验数据库中的各个最佳第一行驶数据匹配失败后，将该第二粒子群的最优值与经验数据库中