驾驶员驾驶类型识别方法、装置、存储介质及终端设备与流程

本发明涉及驾驶员驾驶类型识别技术领域，尤其涉及一种驾驶员驾驶类型识别方法、装置、计算机可读存储介质及终端设备。

背景技术：

现有技术提供的驾驶员的驾驶类型识别方法使用较多的是基于车辆信号的识别方法和基于特定工况的操作行为的识别方法。其中，基于车辆信号的识别方法采用较少的车辆信号来识别驾驶员的驾驶类型，需要获取的参数简单，对处理器的硬件要求不高，但难以获得准确度较高的识别结果；基于特定工况的操作行为的识别方法加入了驾驶员的操作输入作为判断条件之一，需要设定识别工况，并且只有特定工况被触发时，才能根据相应的操作行为对驾驶员的驾驶类型进行识别，难以获得较好的实时性。

技术实现要素：

本发明实施例所要解决的技术问题在于，提供一种驾驶员驾驶类型识别方法、装置、计算机可读存储介质及终端设备，能够提高驾驶员驾驶类型识别的准确性和实时性。

为了解决上述技术问题，本发明实施例提供了一种驾驶员驾驶类型识别方法，包括：

获取驾驶员的驾驶类型识别的初始数据；其中，所述初始数据包括与所述驾驶员对应的历史记录的驾驶类型识别结果和驾驶行为数据；

根据预设的第一识别方案、第二识别方案、第三识别方案和第四识别方案中的至少两种识别方案获取所述驾驶员的初始驾驶类型识别结果；其中，所述第一识别方案为根据车辆的动态信息识别驾驶类型，所述第二识别方案为根据预设工况下驾驶员的操作信息识别驾驶类型，所述第三识别方案为根据预先训练的机器学习网络识别驾驶类型，所述第四识别方案为根据预先训练的深度学习网络识别驾驶类型；

根据所述初始数据和所述初始驾驶类型识别结果获取所述驾驶员的当前驾驶类型。

进一步地，在所述获取驾驶员的驾驶类型识别的初始数据之前，所述方法还包括：

识别所述驾驶员的身份；

则所述获取驾驶员的驾驶类型识别的初始数据，具体包括：

根据预先设置的驾驶行为数据库获取与所述驾驶员的身份相对应的驾驶类型识别的初始数据。

进一步地，所述根据预设的第一识别方案、第二识别方案、第三识别方案和第四识别方案中的至少一种识别方案获取所述驾驶员的初始驾驶类型识别结果，具体包括：

当满足第一预设条件时，根据所述第一识别方案和所述第二识别方案获取所述驾驶员的所述初始驾驶类型识别结果；

当满足第二预设条件时，根据所述第一识别方案、所述第二识别方案和所述第三识别方案获取所述驾驶员的所述初始驾驶类型识别结果；

当满足第三预设条件时，根据所述第一识别方案、所述第二识别方案、所述第三识别方案和所述第四识别方案获取所述驾驶员的所述初始驾驶类型识别结果。

进一步地，所述方法通过以下步骤根据所述第一识别方案和所述第二识别方案获取所述驾驶员的所述初始驾驶类型识别结果：

根据车辆的动态信息获取所述驾驶员的第一驾驶类型；其中，所述动态信息包括纵向加速度信息；

根据预设工况下所述驾驶员对车辆的操作信息和车辆相应产生的动态响应信息获取所述驾驶员的第二驾驶类型；

将所述第一驾驶类型和所述第二驾驶类型作为所述初始驾驶类型识别结果；

则所述根据所述初始数据和所述初始驾驶类型识别结果获取所述驾驶员的当前驾驶类型，具体包括：

根据所述初始数据分别对所述第一驾驶类型和所述第二驾驶类型进行修正；

根据修正后的第一驾驶类型和修正后的第二驾驶类型获取所述驾驶员的当前驾驶类型。

进一步地，所述根据所述初始数据分别对所述第一驾驶类型和所述第二驾驶类型进行修正，具体包括：

根据公式对所述第一驾驶类型进行修正；

根据公式对所述第二驾驶类型进行修正；

其中，y1表示所述修正后的第一驾驶类型，y1(k1)表示所述第一驾驶类型，y1(0)、y1(1)、···、y1(k1-1)根据所述初始数据对应获得，k1为所述第一识别方案对应的识别次数，p1为所述第一识别方案对应的权值系数，0<p1<1；y2表示所述修正后的第二驾驶类型，y2(k2)表示所述第二驾驶类型，y2(0)、y2(1)、···、y2(k2-1)根据所述初始数据对应获得，k2为所述第二识别方案对应的识别次数，p2为所述第二识别方案对应的权值系数，0<p2<1；

则所述根据修正后的第一驾驶类型和修正后的第二驾驶类型获取所述驾驶员的当前驾驶类型，具体包括：

根据公式y＝y1·q1+y2·q2获取所述驾驶员的当前驾驶类型；其中，y表示所述驾驶员的当前驾驶类型，q1为所述第一识别方案对应的综合权值系数，q2为所述第二识别方案对应的综合权值系数。

进一步地，其中，b表示所述预设工况的触发次数；l表示车辆的当前行驶里程。

进一步地，所述方法通过以下步骤根据所述第一识别方案、所述第二识别方案和所述第三识别方案获取所述驾驶员的所述初始驾驶类型识别结果：

根据车辆的动态信息获取所述驾驶员的第一驾驶类型；其中，所述动态信息包括纵向加速度信息；

根据预设工况下所述驾驶员对车辆的操作信息和车辆相应产生的动态响应信息获取所述驾驶员的第二驾驶类型；

基于预先训练的机器学习网络，根据第一预设时间段或第一预设行驶里程内所述驾驶员对车辆的第一操作信息和车辆相应产生的第一动态响应信息获取所述驾驶员的第三驾驶类型；

将所述第一驾驶类型、所述第二驾驶类型和所述第三驾驶类型作为所述初始驾驶类型识别结果；

则所述根据所述初始数据和所述初始驾驶类型识别结果获取所述驾驶员的当前驾驶类型，具体包括：

根据所述初始数据分别对所述第一驾驶类型、所述第二驾驶类型和所述第三驾驶类型进行修正；

根据修正后的第一驾驶类型、修正后的第二驾驶类型和修正后的第三驾驶类型获取所述驾驶员的当前驾驶类型。

进一步地，所述根据修正后的第一驾驶类型、修正后的第二驾驶类型和修正后的第三驾驶类型获取所述驾驶员的当前驾驶类型，具体包括：

根据公式y＝y1·q1+y2·q2+y3·q3获取所述驾驶员的当前驾驶类型；其中，y表示所述驾驶员的当前驾驶类型，y1表示所述修正后的第一驾驶类型，y2表示所述修正后的第二驾驶类型，y3表示所述修正后的第三驾驶类型，q1为所述第一识别方案对应的综合权值系数，q2为所述第二识别方案对应的综合权值系数，q3为所述第三识别方案对应的综合权值系数。

进一步地，q2＝0.2×1.01^b，其中，b表示所述预设工况的触发次数；l表示车辆的当前行驶里程。

进一步地，所述方法通过以下步骤根据所述第一识别方案、所述第二识别方案、所述第三识别方案和所述第四识别方案获取所述驾驶员的所述初始驾驶类型识别结果：

根据车辆的动态信息获取所述驾驶员的第一驾驶类型；其中，所述动态信息包括纵向加速度信息；

根据预设工况下所述驾驶员对车辆的操作信息和车辆相应产生的动态响应信息获取所述驾驶员的第二驾驶类型；

基于预先训练的机器学习网络，根据第一预设时间段或第一预设行驶里程内所述驾驶员对车辆的第一操作信息和车辆相应产生的第一动态响应信息获取所述驾驶员的第三驾驶类型；

根据云端服务器获取所述驾驶员的第四驾驶类型；其中，所述云端服务器通过预先训练的深度学习网络根据第二预设时间段或第二预设行驶里程内所述驾驶员对车辆的第二操作信息和车辆相应产生的第二动态响应信息获取所述第四驾驶类型；

将所述第一驾驶类型、所述第二驾驶类型、所述第三驾驶类型和所述第四驾驶类型作为所述初始驾驶类型识别结果；

则所述根据所述初始数据和所述初始驾驶类型识别结果获取所述驾驶员的当前驾驶类型，具体包括：

根据所述初始数据分别对所述第一驾驶类型、所述第二驾驶类型、所述第三驾驶类型和所述第四驾驶类型进行修正；

根据修正后的第一驾驶类型、修正后的第二驾驶类型、修正后的第三驾驶类型和修正后的第四驾驶类型获取所述驾驶员的当前驾驶类型。

进一步地，所述根据修正后的第一驾驶类型、修正后的第二驾驶类型、修正后的第三驾驶类型和修正后的第四驾驶类型获取所述驾驶员的当前驾驶类型，具体包括：

根据公式y＝y2·q2+y3·q3+y4·q4获取所述驾驶员的当前驾驶类型；其中，y表示所述驾驶员的当前驾驶类型，y2表示所述修正后的第二驾驶类型，y3表示所述修正后的第三驾驶类型，y4表示所述修正后的第四驾驶类型，q2为所述第二识别方案对应的综合权值系数，q3为所述第三识别方案对应的综合权值系数，q4为所述第四识别方案对应的综合权值系数；

根据所述修正后的第一驾驶类型对所述驾驶员的当前驾驶类型进行检查。

进一步地，q2＝0.15×1.01^b，q3＝0.5-0.15×1.01^b，q4＝0.5；其中，b表示所述预设工况的触发次数。

进一步地，所述根据所述修正后的第一驾驶类型对所述驾驶员的当前驾驶类型进行检查，具体包括：

将所述修正后的第一驾驶类型与所述驾驶员的当前驾驶类型进行比较；

当所述修正后的第一驾驶类型与所述驾驶员的当前驾驶类型的偏差超过预设阈值时，向所述云端服务器发送故障提醒信息。

为了解决上述技术问题，本发明实施例还提供了一种驾驶员驾驶类型识别装置，包括：

初始数据获取模块，用于获取驾驶员的驾驶类型识别的初始数据；其中，所述初始数据包括与所述驾驶员对应的历史记录的驾驶类型识别结果和驾驶行为数据；

初始驾驶类型识别模块，用于根据预设的第一识别方案、第二识别方案、第三识别方案和第四识别方案中的至少两种识别方案获取所述驾驶员的初始驾驶类型识别结果；其中，所述第一识别方案为根据车辆的动态信息识别驾驶类型，所述第二识别方案为根据预设工况下驾驶员的操作信息识别驾驶类型，所述第三识别方案为根据预先训练的机器学习网络识别驾驶类型，所述第四识别方案为根据预先训练的深度学习网络识别驾驶类型；以及，

当前驾驶类型识别模块，用于根据所述初始数据和所述初始驾驶类型识别结果获取所述驾驶员的当前驾驶类型。

本发明实施例还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包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一项所述的驾驶员驾驶类型识别方法。

本发明实施例还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现上述任一项所述的驾驶员驾驶类型识别方法。

与现有技术相比，本发明实施例提供了一种驾驶员驾驶类型识别方法、装置、计算机可读存储介质及终端设备，通过采用根据车辆的动态信息识别驾驶类型、根据预设工况下驾驶员的操作信息识别驾驶类型、根据预先训练的机器学习网络识别驾驶类型和根据预先训练的深度学习网络识别驾驶类型这四种识别方案中的至少两种获取驾驶员的初始驾驶类型识别结果，并结合获取的驾驶类型识别的初始数据以及初始驾驶类型识别结果识别驾驶员的当前驾驶类型，能够解决现有技术中采用单一识别方案所导致识别结果的准确度较低、实时性较差的问题，提高驾驶员驾驶类型识别的准确性和实时性。

附图说明

图1是本发明提供的一种驾驶员驾驶类型识别方法的一个优选实施例的流程图；

图2是本发明提供的一种驾驶员驾驶类型识别方法的步骤s12的一个优选实施例的具体流程图；

图3是本发明提供的一种驾驶员驾驶类型识别装置的一个优选实施例的结构框图；

图4是本发明提供的一种终端设备的一个优选实施例的结构框图。

具体实施方式

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，本技术领域普通技术人员在没有作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。

参见图1所示，是本发明提供的一种驾驶员驾驶类型识别方法的一个优选实施例的流程图，所述方法包括步骤s11至步骤s13：

步骤s11、获取驾驶员的驾驶类型识别的初始数据；其中，所述初始数据包括与所述驾驶员对应的历史记录的驾驶类型识别结果和驾驶行为数据；

步骤s12、根据预设的第一识别方案、第二识别方案、第三识别方案和第四识别方案中的至少两种识别方案获取所述驾驶员的初始驾驶类型识别结果；其中，所述第一识别方案为根据车辆的动态信息识别驾驶类型，所述第二识别方案为根据预设工况下驾驶员的操作信息识别驾驶类型，所述第三识别方案为根据预先训练的机器学习网络识别驾驶类型，所述第四识别方案为根据预先训练的深度学习网络识别驾驶类型；

步骤s13、根据所述初始数据和所述初始驾驶类型识别结果获取所述驾驶员的当前驾驶类型。

具体的，预先设置了四种驾驶类型识别方案，第一识别方案为根据车辆的动态信息识别驾驶类型，第二识别方案为根据预设工况下驾驶员的操作信息识别驾驶类型，第三识别方案为根据预先训练的机器学习网络识别驾驶类型，第四识别方案为根据预先训练的深度学习网络识别驾驶类型，并且驾驶员的每一次驾驶类型识别结果和相应的驾驶行为数据都被记录下来并存储到云端服务器或者车机端；当需要对驾驶员的驾驶类型进行识别时，从云端服务器或者车机端获取驾驶员的驾驶类型识别的初始数据，该初始数据中包括历史记录的驾驶类型识别结果和驾驶行为数据，并采用四种驾驶类型识别方案中的至少两种识别方案获取驾驶员的初始驾驶类型识别结果，从而根据获取到的初始数据和初始驾驶类型识别结果进行综合加权，获得驾驶员的当前驾驶类型。

需要说明的是，驾驶员的驾驶类型可以根据驾驶风格和驾驶能力进行划分，其中，根据驾驶风格可以划分为3种驾驶类型(例如激进、中型和稳健)或5种驾驶类型(例如激进、较激进、中型、较稳健和稳健)，根据驾驶能力可以划分为3种驾驶类型(例如专业、一般和新手)或5种驾驶类型(例如专业、较专业、一般、较新手和新手)，两种分类方法相结合，可以获得3*3或者5*5的驾驶类型矩阵，矩阵中的每一个元素都有相应的驾驶风格属性和驾驶能力属性，如某驾驶员的驾驶类型为较激进的一般驾驶员，或者为稳健的专业驾驶员等。

本发明实施例所提供的一种驾驶员驾驶类型识别方法，通过采用根据车辆的动态信息识别驾驶类型、根据预设工况下驾驶员的操作信息识别驾驶类型、根据预先训练的机器学习网络识别驾驶类型和根据预先训练的深度学习网络识别驾驶类型这四种识别方案中的至少两种获取驾驶员的初始驾驶类型识别结果，并结合获取的驾驶类型识别的初始数据以及初始驾驶类型识别结果进行综合加权处理，识别出驾驶员的当前驾驶类型，能够解决现有技术中采用单一识别方案所导致识别结果的准确度较低、实时性较差的问题，从而提高了驾驶员驾驶类型识别的准确性和实时性。

在另一个优选实施例中，在所述获取驾驶员的驾驶类型识别的初始数据之前，所述方法还包括：

识别所述驾驶员的身份；

则所述获取驾驶员的驾驶类型识别的初始数据，具体包括：

根据预先设置的驾驶行为数据库获取与所述驾驶员的身份相对应的驾驶类型识别的初始数据。

可以理解的，由于驾驶车辆的驾驶员可能有多个，因此在识别驾驶员的驾驶类型时，需要先确认驾驶员的身份，在确认驾驶员的身份后，即可从云端服务器或者车机端预先设置的驾驶行为数据库中获取与该驾驶员的身份相对应的驾驶类型识别的初始数据。

在具体实施时，驾驶员进入车内后，对驾驶员的身份进行确认的方法包括手动选择方法和自动选择方法；其中，手动选择方法由驾驶员在车内通过按键、旋钮、触摸屏等人机交互件选择与驾驶员对应的姓名或编号等信息，从而确认驾驶员的身份；自动选择方法由车内摄像头对驾驶员进行面部捕捉，通过面部特征或虹膜特征等方式识别驾驶员的身份，或者通过采集指纹特征并进行匹配的方式对驾驶员的身份进行确认；识别驾驶员的身份后，从云端或者车机端的驾驶行为数据库中调取最新的驾驶类型识别结果及对应的驾驶行为数据，作为当前驾驶员类型识别的初始数据。

参见图2所示，是本发明提供的一种驾驶员驾驶类型识别方法的步骤s12的一个优选实施例的具体流程图，所述根据预设的第一识别方案、第二识别方案、第三识别方案和第四识别方案中的至少两种识别方案获取所述驾驶员的初始驾驶类型识别结果，具体包括步骤s1201至步骤s1203：

步骤s1201、当满足第一预设条件时，根据所述第一识别方案和所述第二识别方案获取所述驾驶员的所述初始驾驶类型识别结果；

步骤s1202、当满足第二预设条件时，根据所述第一识别方案、所述第二识别方案和所述第三识别方案获取所述驾驶员的所述初始驾驶类型识别结果；

步骤s1203、当满足第三预设条件时，根据所述第一识别方案、所述第二识别方案、所述第三识别方案和所述第四识别方案获取所述驾驶员的所述初始驾驶类型识别结果。

具体的，在选择四种驾驶类型识别方案中的至少两种识别方案获取驾驶员的初始驾驶类型识别结果时，需要根据不同的情况选择不同的识别方案，当满足第一预设条件时，选择第一识别方案和第二识别方案，其中，第一预设条件为没有良好的车机端处理器和存储器；当满足第二预设条件时，选择第一识别方案、第二识别方案和第三识别方案，其中，第二预设条件为有良好的车机端处理器和存储器，但没有云端处理器和存储器；当满足第三预设条件时，选择第一识别方案、第二识别方案、第三识别方案和第四识别方案，其中，第三预设条件为既有良好的车机端处理器和存储器，又有云端处理器和存储器。

在又一个优选实施例中，所述方法通过以下步骤根据所述第一识别方案和所述第二识别方案获取所述驾驶员的所述初始驾驶类型识别结果：

根据车辆的动态信息获取所述驾驶员的第一驾驶类型；其中，所述动态信息包括纵向加速度信息；

根据预设工况下所述驾驶员对车辆的操作信息和车辆相应产生的动态响应信息获取所述驾驶员的第二驾驶类型；

将所述第一驾驶类型和所述第二驾驶类型作为所述初始驾驶类型识别结果；

则所述根据所述初始数据和所述初始驾驶类型识别结果获取所述驾驶员的当前驾驶类型，具体包括：

根据所述初始数据分别对所述第一驾驶类型和所述第二驾驶类型进行修正；

根据修正后的第一驾驶类型和修正后的第二驾驶类型获取所述驾驶员的当前驾驶类型。

具体的，结合上述实施例，当满足第一预设条件即没有良好的车机端处理器和存储器时，根据采集到的车辆的动态信息获取驾驶员的第一驾驶类型，并根据预设工况下驾驶员对车辆的操作信息和车辆相应产生的动态响应信息获取驾驶员的第二驾驶类型，获得的第一驾驶类型和第二驾驶类型即为相应的初始驾驶类型识别结果；再根据获取的初始数据分别对第一驾驶类型和第二驾驶类型进行修正，从而根据修正后的第一驾驶类型和修正后的第二驾驶类型进行综合加权，获得驾驶员的当前驾驶类型。

在具体实施时，采集车辆的纵向加速度信息，根据车辆的一定行驶里程下的纵向加速度变化率、峰值出现次数、峰值绝对值大小、波峰波谷绝对差等特征信息，进行数理统计分析，获得车辆动态特征的统计参数，如单位里程纵向加速度峰值出现频率、峰值斜率概率分布、纵向加速度方差等，从而根据统计参数取驾驶员的第一驾驶类型。

通常情况下，越是熟练或驾驶风格趋于稳健的驾驶员的操作越平滑，产生的纵向加速度变化较小，对应出现的峰值次数和绝对值也相对较小；而越是新手驾驶员或者驾驶风格趋于激进的驾驶员的操作越激进，产生的纵向加速度变化较大，容易出现纵向加速度峰值，且峰值形状尖锐，绝对值也相对较大。

需要说明的是，车辆的纵向加速度信息可直接由车辆加速度传感器，或通过车速信息微分获得，且识别算法相对简单，对车机端处理器的计算速度和数据存储器的要求不高。

在具体实施时，预设工况包括加速、制动、转向和均速巡航，当识别到车辆已经进入预设工况后，采集驾驶员当前工况下对车辆的操作动作信息，包括方向盘转角、油门踏板开度、制动主缸压力、档位信息等，以及车辆相应产生的动态响应信息，包括纵向加速度、侧向加速度、横摆角速度等，提取其中的特征参数，并在不同的工况下，相应设定车辆动态响应信息变化的多级阈值，将提取到的特征参数与多级阈值逐级比较，找到偏差度最小的阈值点作为驾驶员驾驶类型的识别结果，即获得第二驾驶类型；例如，驾驶员按驾驶风格分类时激进的置信度是从0～100％，可以划分为3个阈值，分别是0～33％，33％～66％，66％～100％，如果当前识别出驾驶员的激进的置信度是56％，则其对应的是第2级，即中型的驾驶员；如果当前识别出驾驶员的激进的置信度是80％，则其对应的是第3级，即激进的驾驶员。

通常情况下，越是熟练或驾驶风格趋于稳健的驾驶员越能较好地控制车辆状态，使其在特定工况下的车辆状态变化平滑，如弯道行驶时，熟练驾驶员的方向盘操作能快速操作到位，并通过油门控制车速以控制不足或过多转向，方向盘的修正较少，由此引起的车辆的纵、侧向加速度的变化均匀，车身的姿态晃动较小；而越是新手驾驶员或者驾驶风格趋于激进的驾驶员控制的车辆状态表现越差，特定工况下的车辆状态变化波动较大，如弯道行驶时，新手驾驶员往往难以控制合适的车速通过弯道，需要利用方向盘操作来修正车辆的偏航角和横摆角速度，由于车速和方向盘操作配合不佳，车辆的纵侧向加速度的变化波动较大，引起车身的姿态晃动较大。

需要说明的是，在加速工况下，油门踏板开度和车辆的纵向加速度是对驾驶员类型识别的主要判断依据，档位信息是辅助判断依据；在制动工况下，制动主缸压力和车辆的纵向加速度是对驾驶员类型识别的主要判断依据，档位信息是辅助判断依据；在转向工况下，方向盘转角、车速、侧向加速度、横摆角速度是对驾驶员类型识别的主要判断依据，油门踏板开度、制动主缸压力和档位信息是辅助判断依据；在匀速巡航工况下，油门踏板开度和车速是对驾驶员类型识别的主要判断依据。

对于在不同工况下设定车速动态响应信号变化的多级阈值，这里以匀速巡航工况的驾驶风格为例进行说明，如设定一个阈值向量[0.8，0.9，1.0，1.1，1.2]共5级阈值，分别对应[稳健，较稳健，中型，较激进，激进]共5种不同的驾驶风格，假设当前车速为83km/h，当前道路限速为80km/h，则车速相对当前道路限速的比例为1.04，与各级阈值比较得到的向量为[0.24，0.14，0.04，-0.06，-0.16]，偏差最小的阈值为第3级阈值，则判断当前时刻驾驶员的驾驶风格类型为“中型”。

作为优选方案，所述根据所述初始数据分别对所述第一驾驶类型和所述第二驾驶类型进行修正，具体包括：

根据公式对所述第一驾驶类型进行修正；

根据公式对所述第二驾驶类型进行修正；

其中，y1表示所述修正后的第一驾驶类型，y1(k1)表示所述第一驾驶类型，y1(0)、y1(1)、···、y1(k1-1)根据所述初始数据对应获得，k1为所述第一识别方案对应的识别次数，p1为所述第一识别方案对应的权值系数，0<p1<1；y2表示所述修正后的第二驾驶类型，y2(k2)表示所述第二驾驶类型，y2(0)、y2(1)、···、y2(k2-1)根据所述初始数据对应获得，k2为所述第二识别方案对应的识别次数，p2为所述第二识别方案对应的权值系数，0<p2<1；

则所述根据修正后的第一驾驶类型和修正后的第二驾驶类型获取所述驾驶员的当前驾驶类型，具体包括：

根据公式y＝y1·q1+y2·q2获取所述驾驶员的当前驾驶类型；其中，y表示所述驾驶员的当前驾驶类型，q1为所述第一识别方案对应的综合权值系数，q2为所述第二识别方案对应的综合权值系数。

具体的，在获得第一驾驶类型和第二驾驶类型之后，需要进一步根据第一识别方案对应的该驾驶员的历史记录的驾驶类型识别结果和驾驶行为数据对第一驾驶类型进行修正和更新，根据第二识别方案对应的该驾驶员的历史记录的驾驶类型识别结果和驾驶行为数据对第二驾驶类型进行修正和更新，将修正后的第一驾驶类型作为当前识别出的第一驾驶类型(并对应保存至云端服务器或者车机端的驾驶行为数据库中)，将修正后的第二驾驶类型作为当前识别出的第二驾驶类型(并对应保存至云端服务器或者车机端的驾驶行为数据库中)，从而根据公式y＝y1·q1+y2·q2进行加权综合，获得驾驶员的当前驾驶类型。

在具体实施时，以对第一驾驶类型进行修正进行说明，假设当前为采用第一识别方案进行第k1次驾驶类型识别，历史记录的相应的驾驶类型识别结果包括y1(0)、y1(1)、···、y1(k1-1)，其中，y1(0)为根据预先设置的初始数据获得的基准驾驶类型识别结果，y1(1)、···、y1(k1-1)都是对应的每一次获得的修正后的第一驾驶类型，第k1次驾驶类型识别的识别结果需要以基准驾驶类型识别结果y1(0)以及所有的k1次驾驶类型识别结果y1(1)、···、y1(k1)作为参数，并且每一个参数都被分配了相应的权值系数(p1值在初始化时可进行适当的设置和调整，之后保持不变)，最终得到的修正后的第一驾驶类型为第二驾驶类型的修正同理，这里不再赘述。

需要说明的是，由于不同的识别方案对应的驾驶类型识别的更新周期差异较大，在同一次的驾驶类型识别中，不同的识别方案对应的识别次数可能不同。

另外，修正的驾驶类型识别结果是基于基准驾驶类型识别结果，以及当前所有获得的驾驶类型识别结果加权获得，越接近最新的驾驶类型结果被分配的权值越高，越远离最新的驾驶类型结果被分配的权值越低，由此可以减小驾驶类型识别结果可能出现的震荡，并逐渐消除历史驾驶类型识别结果的影响，尽量以最新的驾驶类型识别结果为准。

作为优选方案，其中，b表示所述预设工况的触发次数；l表示车辆的当前行驶里程。

需要说明的是，当时，取第二识别方案对应的综合权值系数为1，第一识别方案对应的综合权值系数为0。

在又一个优选实施例中，所述方法通过以下步骤根据所述第一识别方案、所述第二识别方案和所述第三识别方案获取所述驾驶员的所述初始驾驶类型识别结果：

根据车辆的动态信息获取所述驾驶员的第一驾驶类型；其中，所述动态信息包括纵向加速度信息；

根据预设工况下所述驾驶员对车辆的操作信息和车辆相应产生的动态响应信息获取所述驾驶员的第二驾驶类型；

基于预先训练的机器学习网络，根据第一预设时间段或第一预设行驶里程内所述驾驶员对车辆的第一操作信息和车辆相应产生的第一动态响应信息获取所述驾驶员的第三驾驶类型；

将所述第一驾驶类型、所述第二驾驶类型和所述第三驾驶类型作为所述初始驾驶类型识别结果；

则所述根据所述初始数据和所述初始驾驶类型识别结果获取所述驾驶员的当前驾驶类型，具体包括：

根据所述初始数据分别对所述第一驾驶类型、所述第二驾驶类型和所述第三驾驶类型进行修正；

根据修正后的第一驾驶类型、修正后的第二驾驶类型和修正后的第三驾驶类型获取所述驾驶员的当前驾驶类型。

具体的，本实施中分别根据第一识别方案和第二识别方案获取驾驶员的第一驾驶类型和第二驾驶类型的方法与上述实施例相同，这里不再赘述；对于根据第三识别方案获取驾驶员的第三驾驶类型，采集第一预设时间段或第一预设行驶里程内驾驶员对车辆的第一操作信息和车辆相应产生的第一动态响应信息，包括方向盘转角、加速踏板开度，制动主缸压力、车速、纵向加速度、侧向加速度以及横摆角速度等特征参数，将采集到的特征参数输入到预先训练的机器学习网络中，获得驾驶员的第三驾驶类型；再根据获取的初始数据分别对第一驾驶类型、第二驾驶类型和第三驾驶类型进行修正，从而根据修正后的第一驾驶类型、修正后的第二驾驶类型和修正后的第三驾驶类型进行综合加权，获得驾驶员的当前驾驶类型。

需要说明的是，驾驶员驾驶车辆时，车机端的控制器收集驾驶员操作信息和车辆动态响应信息，并按里程和时间对数据进行分段，每一段数据提取统计特征参数后，作为初始训练样本，输入到车机内的数个机器学习网络中同时进行前向计算，输入端的结果即为当前输入下各个机器学习网络匹配的置信度，输入值越高，即置信度越高的情况下，说明当前驾驶员的驾驶类型与该机器学习网络训练的初始训练样本的驾驶类型越接近，即识别出当前驾驶员的驾驶类型与该机器学习网络对应的初始训练样本提供的驾驶类型越一致。

作为优选方案，所述根据修正后的第一驾驶类型、修正后的第二驾驶类型和修正后的第三驾驶类型获取所述驾驶员的当前驾驶类型，具体包括：

根据公式y＝y1·q1+y2·q2+y3·q3获取所述驾驶员的当前驾驶类型；其中，y表示所述驾驶员的当前驾驶类型，y1表示所述修正后的第一驾驶类型，y2表示所述修正后的第二驾驶类型，y3表示所述修正后的第三驾驶类型，q1为所述第一识别方案对应的综合权值系数，q2为所述第二识别方案对应的综合权值系数，q3为所述第三识别方案对应的综合权值系数。

具体的，根据公式对第一驾驶类型进行修正，根据公式对第二驾驶类型进行修正，根据公式对第三驾驶类型进行修正，详细的修正更新过程上述实施例理论相同，这里不再赘述；在获得修正后的第一驾驶类型y1、修正后的第二驾驶类型y2和修正后的第三驾驶类型y3(并对应保存至云端服务器或者车机端的驾驶行为数据库中)后，根据公式y＝y1·q1+y2·q2+y3·q3进行加权综合，获取驾驶员的当前驾驶类型。

作为优选方案，q2＝0.2×1.01^b，其中，b表示所述预设工况的触发次数；l表示车辆的当前行驶里程。

需要说明的是，当时，取第一识别方案对应的综合权值系数为0.3，并且不再更新该方案对应的综合权值系数；当q2＝0.2×1.01^b≥0.3时，取第二识别方案对应的综合权值系数为0.3，并且不再更新该方案对应的综合权值系数。

在又一个优选实施例中，所述方法通过以下步骤根据所述第一识别方案、所述第二识别方案、所述第三识别方案和所述第四识别方案获取所述驾驶员的所述初始驾驶类型识别结果：

根据车辆的动态信息获取所述驾驶员的第一驾驶类型；其中，所述动态信息包括纵向加速度信息；

根据预设工况下所述驾驶员对车辆的操作信息和车辆相应产生的动态响应信息获取所述驾驶员的第二驾驶类型；

基于预先训练的机器学习网络，根据第一预设时间段或第一预设行驶里程内所述驾驶员对车辆的第一操作信息和车辆相应产生的第一动态响应信息获取所述驾驶员的第三驾驶类型；

根据云端服务器获取所述驾驶员的第四驾驶类型；其中，所述云端服务器通过预先训练的深度学习网络根据第二预设时间段或第二预设行驶里程内所述驾驶员对车辆的第二操作信息和车辆相应产生的第二动态响应信息获取所述第四驾驶类型；

将所述第一驾驶类型、所述第二驾驶类型、所述第三驾驶类型和所述第四驾驶类型作为所述初始驾驶类型识别结果；

则所述根据所述初始数据和所述初始驾驶类型识别结果获取所述驾驶员的当前驾驶类型，具体包括：

根据所述初始数据分别对所述第一驾驶类型、所述第二驾驶类型、所述第三驾驶类型和所述第四驾驶类型进行修正；

根据修正后的第一驾驶类型、修正后的第二驾驶类型、修正后的第三驾驶类型和修正后的第四驾驶类型获取所述驾驶员的当前驾驶类型。

本实施中分别根据第一识别方案、第二识别方案和第三识别方案对应获取驾驶员的第一驾驶类型、第二驾驶类型和第三驾驶类型的方法与上述实施例相同，这里不再赘述；对于根据第四识别方案获取驾驶员的第四驾驶类型，驾驶员驾驶车辆时，当满足一定行驶里程或时间后，车机端的控制器收集驾驶员的操作信息和车辆动态响应信息，包括方向盘转角、加速踏板开度，制动主缸压力、车速、纵向加速度、侧向加速度以及横摆角速度等数据，并将收集到的数据通过通信网络或其他渠道上传至云端服务器，由云端存储器存储这些数据，利用云端服务器提取这些信息的特征参数，将这些特征参数输入若干个在云端登记的典型或信息数据相对稳定的预先训练的深度学习网络(例如神经网络)，前向计算得到不同类型神经网路的输出结果，即第四驾驶类型，包括驾驶能力和驾驶风格；再根据获取的初始数据分别对第一驾驶类型、第二驾驶类型、第三驾驶类型和第四驾驶类型进行修正，从而根据修正后的第一驾驶类型、修正后的第二驾驶类型、修正后的第三驾驶类型和修正后的第四驾驶类型进行综合加权，获得驾驶员的当前驾驶类型。

作为优选方案，所述根据修正后的第一驾驶类型、修正后的第二驾驶类型、修正后的第三驾驶类型和修正后的第四驾驶类型获取所述驾驶员的当前驾驶类型，具体包括：

根据公式y＝y2·q2+y3·q3+y4·q4获取所述驾驶员的当前驾驶类型；其中，y表示所述驾驶员的当前驾驶类型，y2表示所述修正后的第二驾驶类型，y3表示所述修正后的第三驾驶类型，y4表示所述修正后的第四驾驶类型，q2为所述第二识别方案对应的综合权值系数，q3为所述第三识别方案对应的综合权值系数，q4为所述第四识别方案对应的综合权值系数；

根据所述修正后的第一驾驶类型对所述驾驶员的当前驾驶类型进行检查。

具体的，根据公式对第一驾驶类型进行修正，根据公式对第二驾驶类型进行修正，根据公式对第三驾驶类型进行修正，根据公式对第四驾驶类型进行修正，详细的修正更新过程上述实施例理论相同，这里不再赘述；在获得修正后的第一驾驶类型y1、修正后的第二驾驶类型y2、修正后的第三驾驶类型y3和修正后的第四驾驶类型y4(并对应保存至云端服务器或者车机端的驾驶行为数据库中)后，根据公式y＝y2·q2+y3·q3+y4·q4进行加权综合，获取驾驶员的当前驾驶类型，并根据修正后的第一驾驶类型对获得的驾驶员的当前驾驶类型进行检查。

作为优选方案，q2＝0.15×1.01^b，q3＝0.5-0.15×1.01^b，q4＝0.5；其中，b表示所述预设工况的触发次数。

需要说明的是，当q2＝0.15×1.01^b≥0.3时，取第二识别方案对应的综合权值系数为0.3，第三识别方案对应的综合权值系数为0.2，并且不再更新识别方案对应的综合权值系数。

作为优选方案，所述根据所述修正后的第一驾驶类型对所述驾驶员的当前驾驶类型进行检查，具体包括：

将所述修正后的第一驾驶类型与所述驾驶员的当前驾驶类型进行比较；

当所述修正后的第一驾驶类型与所述驾驶员的当前驾驶类型的偏差超过预设阈值时，向所述云端服务器发送故障提醒信息。

需要说明的是，将第一识别方案对应的修正后的第一驾驶类型作为其他识别方案的自检查信号，例如，当车辆的当前行驶里程超过50km时，将修正后的第一驾驶类型与驾驶员的当前驾驶类型进行比较，如果偏差超过预设阈值，则将故障提醒信息发送至云端服务器，用于提示检查车机端的信号接收和传输单元以及云端的数据存储单元是否存在故障，如果识别结果为存在故障，则向后台运营人员发送维修提醒信息；如果识别结果为非故障，则再调取识别结果偏差超过阈值的行驶里程数据，检查路线、天气、交通状况、驾驶员精神疲劳程度等其他信息，与偏差较小的行驶里程数据段进行匹配，提取主要差异项并发送至深度学习网络运营工程师，由工程师决定是否将该差异点作为深度学习网络的输入节点或忽略。

在其他实施例中，根据综合加权方案得到的某驾驶员的驾驶类型识别结果后，对车机端和云端存储的该驾驶员的驾驶类型识别结果进行更新，驾驶过程中持续更新直至车辆完全静止并保持一段时间，下次车辆启动后，读取车机端和云端最新的驾驶类型识别结果作为后续驾驶类型识别更新的参考值。

对于根据车辆的动态信息识别驾驶类型，需要获取的参数简单，对处理器的硬件要求不高，但难以获得准确度较高的识别结果；对于根据预设工况下驾驶员的操作信息识别驾驶类型，难以获得较好的实时性；对于根据预先训练的机器学习网络识别驾驶类型，受处理器运算能力的影响，其机器学习的层级较浅，难以区分不同驾驶类型之间的细微差别；对于根据预先训练的深度学习网络识别驾驶类型，需要海量的数据进行训练，当对应车辆的驾驶员操作里程不够时，往往无法获得较好的识别结果；因此，每一种识别方案单独使用时，都存在一定的局限性；本发明实施例所提供的一种驾驶员驾驶类型识别方法，在不同的条件下采用不同的识别方案相结合，利用综合加权的方式对驾驶员的驾驶类型进行识别，避免了采用单一识别方案所带来的局限性，从而提高了驾驶员驾驶类型识别的准确性和实时性。

本发明实施例还提供了一种驾驶员驾驶类型识别装置，能够实现上述任一实施例所述的驾驶员驾驶类型识别方法的所有流程，装置中的各个模块、单元的作用以及实现的技术效果分别与上述实施例所述的驾驶员驾驶类型识别方法的作用以及实现的技术效果对应相同，这里不再赘述。

参见图3所示，是本发明提供的一种驾驶员驾驶类型识别装置的一个优选实施例的结构框图，所述装置包括：

初始数据获取模块11，用于获取驾驶员的驾驶类型识别的初始数据；其中，所述初始数据包括与所述驾驶员对应的历史记录的驾驶类型识别结果和驾驶行为数据；

初始驾驶类型识别模块12，用于根据预设的第一识别方案、第二识别方案、第三识别方案和第四识别方案中的至少两种识别方案获取所述驾驶员的初始驾驶类型识别结果；其中，所述第一识别方案为根据车辆的动态信息识别驾驶类型，所述第二识别方案为根据预设工况下驾驶员的操作信息识别驾驶类型，所述第三识别方案为根据预先训练的机器学习网络识别驾驶类型，所述第四识别方案为根据预先训练的深度学习网络识别驾驶类型；以及，

当前驾驶类型识别模块13，用于根据所述初始数据和所述初始驾驶类型识别结果获取所述驾驶员的当前驾驶类型。

优选地，所述装置还包括：

身份识别模块，用于识别所述驾驶员的身份；

则所述初始数据获取模块具体包括：

初始数据获取单元，用于根据预先设置的驾驶行为数据库获取与所述驾驶员的身份相对应的驾驶类型识别的初始数据。

优选地，所述初始驾驶类型识别模块具体包括：

第一初始驾驶类型识别单元，用于当满足第一预设条件时，根据所述第一识别方案和所述第二识别方案获取所述驾驶员的所述初始驾驶类型识别结果；

第二初始驾驶类型识别单元，用于当满足第二预设条件时，根据所述第一识别方案、所述第二识别方案和所述第三识别方案获取所述驾驶员的所述初始驾驶类型识别结果；以及，

第三初始驾驶类型识别单元，用于当满足第三预设条件时，根据所述第一识别方案、所述第二识别方案、所述第三识别方案和所述第四识别方案获取所述驾驶员的所述初始驾驶类型识别结果。

优选地，所述第一初始驾驶类型识别单元具体用于：

根据车辆的动态信息获取所述驾驶员的第一驾驶类型；其中，所述动态信息包括纵向加速度信息；

根据预设工况下所述驾驶员对车辆的操作信息和车辆相应产生的动态响应信息获取所述驾驶员的第二驾驶类型；

将所述第一驾驶类型和所述第二驾驶类型作为所述初始驾驶类型识别结果；

则所述当前驾驶类型识别模块具体包括：

第一驾驶类型修正单元，用于根据所述初始数据分别对所述第一驾驶类型和所述第二驾驶类型进行修正；以及，

第一当前驾驶类型识别单元，用于根据修正后的第一驾驶类型和修正后的第二驾驶类型获取所述驾驶员的当前驾驶类型。

优选地，所述第一驾驶类型修正单元具体用于：

根据公式对所述第一驾驶类型进行修正；

根据公式对所述第二驾驶类型进行修正；

其中，y1表示所述修正后的第一驾驶类型，y1(k1)表示所述第一驾驶类型，y1(0)、y1(1)、···、y1(k1-1)根据所述初始数据对应获得，k1为所述第一识别方案对应的识别次数，p1为所述第一识别方案对应的权值系数，0<p1<1；y2表示所述修正后的第二驾驶类型，y2(k2)表示所述第二驾驶类型，y2(0)、y2(1)、···、y2(k2-1)根据所述初始数据对应获得，k2为所述第二识别方案对应的识别次数，p2为所述第二识别方案对应的权值系数，0<p2<1；

则所述第一当前驾驶类型识别单元具体用于：

根据公式y＝y1·q1+y2·q2获取所述驾驶员的当前驾驶类型；其中，y表示所述驾驶员的当前驾驶类型，q1为所述第一识别方案对应的综合权值系数，q2为所述第二识别方案对应的综合权值系数。

优选地，其中，b表示所述预设工况的触发次数；l表示车辆的当前行驶里程。

优选地，所述第二初始驾驶类型识别单元具体用于：

根据车辆的动态信息获取所述驾驶员的第一驾驶类型；其中，所述动态信息包括纵向加速度信息；

根据预设工况下所述驾驶员对车辆的操作信息和车辆相应产生的动态响应信息获取所述驾驶员的第二驾驶类型；

基于预先训练的机器学习网络，根据第一预设时间段或第一预设行驶里程内所述驾驶员对车辆的第一操作信息和车辆相应产生的第一动态响应信息获取所述驾驶员的第三驾驶类型；

将所述第一驾驶类型、所述第二驾驶类型和所述第三驾驶类型作为所述初始驾驶类型识别结果；

则所述当前驾驶类型识别模块具体包括：

第二驾驶类型修正单元，用于根据所述初始数据分别对所述第一驾驶类型、所述第二驾驶类型和所述第三驾驶类型进行修正；以及，

第二当前驾驶类型识别单元，用于根据修正后的第一驾驶类型、修正后的第二驾驶类型和修正后的第三驾驶类型获取所述驾驶员的当前驾驶类型。

优选地，所述第二当前驾驶类型识别单元具体用于：

根据公式y＝y1·q1+y2·q2+y3·q3获取所述驾驶员的当前驾驶类型；其中，y表示所述驾驶员的当前驾驶类型，y1表示所述修正后的第一驾驶类型，y2表示所述修正后的第二驾驶类型，y3表示所述修正后的第三驾驶类型，q1为所述第一识别方案对应的综合权值系数，q2为所述第二识别方案对应的综合权值系数，q3为所述第三识别方案对应的综合权值系数。

优选地，q2＝0.2×1.01^b，其中，b表示所述预设工况的触发次数；l表示车辆的当前行驶里程。

优选地，所述第三初始驾驶类型识别单元具体用于：

根据车辆的动态信息获取所述驾驶员的第一驾驶类型；其中，所述动态信息包括纵向加速度信息；

根据预设工况下所述驾驶员对车辆的操作信息和车辆相应产生的动态响应信息获取所述驾驶员的第二驾驶类型；

基于预先训练的机器学习网络，根据第一预设时间段或第一预设行驶里程内所述驾驶员对车辆的第一操作信息和车辆相应产生的第一动态响应信息获取所述驾驶员的第三驾驶类型；

根据云端服务器获取所述驾驶员的第四驾驶类型；其中，所述云端服务器通过预先训练的深度学习网络根据第二预设时间段或第二预设行驶里程内所述驾驶员对车辆的第二操作信息和车辆相应产生的第二动态响应信息获取所述第四驾驶类型；

将所述第一驾驶类型、所述第二驾驶类型、所述第三驾驶类型和所述第四驾驶类型作为所述初始驾驶类型识别结果；

则所述当前驾驶类型识别模块具体包括：

第三驾驶类型修订单元，用于根据所述初始数据分别对所述第一驾驶类型、所述第二驾驶类型、所述第三驾驶类型和所述第四驾驶类型进行修正；以及，

第三当前驾驶类型识别单元，用于根据修正后的第一驾驶类型、修正后的第二驾驶类型、修正后的第三驾驶类型和修正后的第四驾驶类型获取所述驾驶员的当前驾驶类型。

优选地，所述第三当前驾驶类型识别单元具体包括：

第三当前驾驶类型识别子单元，用于根据公式y＝y2·q2+y3·q3+y4·q4获取所述驾驶员的当前驾驶类型；其中，y表示所述驾驶员的当前驾驶类型，y2表示所述修正后的第二驾驶类型，y3表示所述修正后的第三驾驶类型，y4表示所述修正后的第四驾驶类型，q2为所述第二识别方案对应的综合权值系数，q3为所述第三识别方案对应的综合权值系数，q4为所述第四识别方案对应的综合权值系数；以及，

当前驾驶类型检查子单元，用于根据所述修正后的第一驾驶类型对所述驾驶员的当前驾驶类型进行检查。

优选地，q2＝0.15×1.01^b，q3＝0.5-0.15×1.01^b，q4＝0.5；其中，b表示所述预设工况的触发次数。

优选地，所述当前驾驶类型检查子单元具体用于：

将所述修正后的第一驾驶类型与所述驾驶员的当前驾驶类型进行比较；

当所述修正后的第一驾驶类型与所述驾驶员的当前驾驶类型的偏差超过预设阈值时，向所述云端服务器发送故障提醒信息。

本发明实施例还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包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一实施例所述的驾驶员驾驶类型识别方法。

本发明实施例还提供了一种终端设备，参见图4所示，是本发明提供的一种终端设备的一个优选实施例的结构框图，所述终端设备包括处理器10、存储器20以及存储在所述存储器20中且被配置为由所述处理器10执行的计算机程序，所述处理器10在执行所述计算机程序时实现上述任一实施例所述的驾驶员驾驶类型识别方法。

优选地，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序1、计算机程序2、······)，所述一个或者多个模块/单元被存储在所述存储器20中，并由所述处理器10执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。

所述处理器10可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器10也可以是任何常规的处理器，所述处理器10是所述终端设备的控制中心，利用各种接口和线路连接所述终端设备的各个部分。

所述存储器20主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器20可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(smartmediacard，smc)、安全数字(securedigital，sd)卡和闪存卡(flashcard)等，或所述存储器20也可以是其他易失性固态存储器件。

需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，图4结构框图仅仅是上述终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。

综上，本发明实施例所提供的一种驾驶员驾驶类型识别方法、装置、计算机可读存储介质及终端设备，通过采用根据车辆的动态信息识别驾驶类型、根据预设工况下驾驶员的操作信息识别驾驶类型、根据预先训练的机器学习网络识别驾驶类型和根据预先训练的深度学习网络识别驾驶类型这四种识别方案中的至少两种获取驾驶员的初始驾驶类型识别结果，并结合获取的驾驶类型识别的初始数据以及初始驾驶类型识别结果进行综合加权处理，识别出驾驶员的当前驾驶类型，能够解决现有技术中采用单一识别方案所导致识别结果的准确度较低、实时性较差的问题，从而提高了驾驶员驾驶类型识别的准确性和实时性。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。