一种驾驶行为习惯智能检测及安全驾驶评分的装置和方法与流程

本发明涉及汽车安全驾驶技术领域，特别涉及一种驾驶行为习惯智能检测及安全驾驶评分的装置和方法。

背景技术：

随着汽车的日益普及，开车已成为最重要的出行手段，我国的汽车保有量(包括小汽车和货车)约为3.9亿辆，且每年都在以2000万辆递增，随着汽车的普及，交通事故率也正逐年增加，据权威数据统计，每年交通事故率在每万辆2.23次左右，交通事故导致死亡率在约3万5千人。据权威调查发现，80％的交通事故都是由于开车不规范引起，而这些不规范行车是由于驾驶员的驾驶习惯引起的，比如驾驶过程中注意力不集中、驾驶习惯不规范、驾驶时不遵守交通规则等等。这些不规范行为往往造成较严重的生命、财产损失。

因此，亟需提高汽车安全驾驶。

技术实现要素：

本发明的主要目的是提出一种驾驶行为习惯智能检测及安全驾驶评分的装置和方法，旨在对用户的驾驶行为进行及时检测并提醒和反馈，通过大数据和智能算法分析计算让用户纠正和规范自己的驾驶行为，减少自身驾驶事故的发生，提高驾驶安全。

为实现上述目的，本发明提出的一种驾驶行为习惯智能检测及安全驾驶评分的装置，包括：车内摄像头，用于实时采集驾驶员位置的图像信息；

人脸识别模块，用于识别并处理所述车内摄像头采集的图像信息；

疲劳驾驶行为检测模块，用于接收并检测分析所述人脸识别模块识别处理后的图像信息；

车外摄像头，用于采集车前方的图像信息，

adas检测模块，用于接收并检测所述车外摄像头采集到的图像信息；

核心处理模块，用于用户行为建模和驾驶风险评估；

大数据分析模块，用于和云服务器连接，并将从所述云服务器获取的大数据信息反馈给所述核心处理模块；

其中，所述人脸识别模块与疲劳驾驶行为检测模块连接，所述车外摄像头与所述adas检测模块连接；所述所述核心处理模块分别与所述疲劳驾驶行为检测模块、所述adas检测模块和所述大数据分析模块连接。

优选地，所述车外摄像头为防抖动摄像头，且所述车外摄像头的角度可自动调节±3°。

优选地，所述adas检测模块预先导入车辆数据，所述adas检测模块还与车载obd、gps和g-sensor通讯连接。

优选地，还包括音频输出模块，所述音频输出模块与所述核心处理模块连接，用于播放危险驾驶语音提醒播放。

还提出了一种驾驶行为习惯智能检测及安全驾驶评分的方法，其步骤如下：

s1，所述车内摄像头采集驾驶位图像信息并传送给所述人脸识别模块，所述车外摄像头采集车前方的图像信息并传送给所述adas检测模块；

s2，所述人脸识别模块将识别处理后的图像信息传送给所述疲劳驾驶检测模块检测，所述adas检测模块对所述车外摄像头采集的图像信息进行检测；

s3，所述疲劳驾驶检测模块和所述adas检测模块均将检测结果传送给所述核心处理模块；

s4，所述核心处理模块结合所述大数据模块反馈的大数据信息、所述adas检测模块的检测信息和所述疲劳驾驶模的检测结果进行分析处理，并对用户行为建模和驾驶风险评估。

优选地，所述疲劳驾驶检测模块通过深度神经网络识别算法及边沿检测算法进行检测识别。

与现有技术相比，本发明的有益效果是：

1.实时对用户的驾驶行为习惯进行及时提醒和反馈，通过大数据和智能算法分析计算让用户纠正和规范自己的驾驶行为，减少自身驾驶事故的发生，提高驾驶安全。

2.可作为相关行业的驾驶征信，比如驾校教练、运营车队驾驶员、特种车辆驾驶员等，另外保险机构亦可根据系统完善的个人驾驶行为库及客观智能的驾驶行为画像(驾驶评分、驾驶风险系数)作为车险评估的参考，降低保险行业的理赔率；

3.对于政府及社会机构，也可以利用本发明的驾驶评分系统作为交通知识定向培训对象，能较有针对性的进行交通普法，降低交通事故的发生率。

附图说明

为了更清楚地说明发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。

图1为发明装置的模块示意图；

图2为发明装置的电路示意图；

图3为gbdt(全梯度下降树)机器学习算法示意图；

图4为gbdt(全梯度下降树)机器学习算法的训练过程示意图；

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

本发明实施例提出的一种驾驶行为习惯智能检测及安全驾驶评分的装置，如图1所示，包括：车内摄像头，用于实时采集驾驶员位置的图像信息；

人脸识别模块，用于识别并处理车内摄像头采集的图像信息；

疲劳驾驶行为检测模块，用于接收并检测分析人脸识别模块识别处理后的图像信息；

车外摄像头，用于采集车前方的图像信息，

adas检测模块，用于接收并检测车外摄像头采集到的图像信息；

核心处理模块，用于用户行为建模和驾驶风险评估；

大数据分析模块，用于和云服务器连接，并将从云服务器获取的大数据信息反馈给核心处理模块；

其中，人脸识别模块与疲劳驾驶行为检测模块连接，车外摄像头与adas检测模块连接；核心处理模块分别与疲劳驾驶行为检测模块、adas检测模块和大数据分析模块连接。

在本发明实施例中，车外摄像头为防抖动摄像头，且车外摄像头的角度可自动调节±3°。

在本发明实施例中，adas检测模块预先导入车辆数据，adas检测模块还与车载obd、gps和g-sensor通讯连接。

在本发明实施例中，还包括音频输出模块，音频输出模块与核心处理模块连接，用于播放危险驾驶语音提醒播放。

还提出了一种驾驶行为习惯智能检测及安全驾驶评分的方法，其步骤如下：

s1，车内摄像头采集驾驶位图像信息并传送给人脸识别模块，车外摄像头采集车前方的图像信息并传送给adas检测模块；

s2，人脸识别模块将识别处理后的图像信息传送给疲劳驾驶检测模块检测，adas检测模块对车外摄像头采集的图像信息进行检测；

s3，疲劳驾驶检测模块和adas检测模块均将检测结果传送给核心处理模块；

s4，核心处理模块结合大数据模块反馈的大数据信息、adas检测模块的检测信息和疲劳驾驶模的检测结果进行分析处理，并对用户行为建模和驾驶风险评估。

优选地，疲劳驾驶检测模块通过深度神经网络识别算法及边沿检测算法进行检测识别。

具体的，本发明装置通过车内摄像头实时采集车内驾驶员位置的图像信息，通过对图像进行滤波、去燥、增强等预处理，去除白噪声、逆光等对图像质量的影响，将预处理后得到的信噪比较好的图像送入人脸识别模块，在识别到人脸后开启疲劳驾驶行为检测模块检测异常驾驶行为，如未识别到人脸后继续采集图像进行人脸捕捉。检测到人脸打开疲劳驾驶行为检测模块，通过深度神经网络识别算法及边沿检测算法识别和提取人脸眉、眼皮、鼻子、嘴巴(上、下嘴皮)、下巴等轮廓线，综合物体特征检测来识别检测疲劳预警(瞌睡闭眼)、注意力预警(左顾右盼)、接打电话、抽烟提醒预警。

同时，通过车外摄像头采集车外图像，需要调整摄像头角度，需将摄像头的u轴上的尺度因子、v轴上的尺度因子、u轴上的主点坐标、v轴上的主点坐标、径向畸变系数及切向畸变系数，将adas摄像头校准到合适的位置，调整好摄像头位置后为防止摄像头抖动，增加内部自校正，调整摄像头内部数据，使其在±3°范围内能自动调整。校准完后进行adas各检测模块的配置，预置车辆数据，如车宽、轴距、后车位置、摄像头水平位置、高度等。配置成功后，可通过obd、gps、g-sensor等进行位置速度计算，开启adas检测模块，用于识别车道线、车辆(客车、货车、半挂车)检测等综合识别前车碰撞(fcw)、车距保持(hmw)、车道线偏离(ldw)、前车起步(fsva)等。

如图3所示，核心处理模块对进行用户行为建模、驾驶风险评估：本发明技术可以统计主动驾驶安全、被动驾驶安全、驾驶行为习惯、驾驶统计信息等提醒，通过大数据分析驾驶员的不良驾驶行为习惯，在驾驶过程中在识别到相关行为前做出预警，提醒用户规范驾驶，避免不良驾驶习惯导致车祸发生。具体用户行为模型预测为通过大量样本跟踪，将检测到的用户不良行为习惯、驾驶评分进行年度整理，将这些数据分为实验组和对照组，利用gbdt(全梯度下降树)机器学习算法，该算法对于分类的各因素进行回归拟合，能很好的筛选用户画像特征。

如图4所示，gbdt的核心是通过多轮迭代，每轮迭代都将上述主被动驾驶安全及驾驶行为习惯送入迭代弱分类器，在每个弱分类器上进行上轮残差基础上进行训练，本发明弱分类器采用分类回归树(carttree)，最终总分类器是将每轮训练得到的弱分类器加权求和得到，本发明是根据主被动驾驶安全及驾驶行为习惯进行综合驾驶行为风险画像，通过模型建立进行加权(加法模型)。

模型最终描述为：

模型总共训练n轮，每轮产生一个弱分类器，弱分类器的损失函数为：fm-1(x)为当前模型，gbdt通过极小的风险来确定下个弱分类器的参数，我们可以选择是以平方损失函数还是0-1损失，对数损失等等，这样我们就能尽可能快的沿梯度方向减小，提升树算法中的残差近似值来拟合一个回归树。gbdt算法的核心就是先遍历每个特征点，然后对每个特征遍历所有的可能切分点，找到最优特征m和最优切分点j。由此类推经过n次迭代和自主学习后得到最终预测函数：

y1，y2...yn为权重，i(χεri)

为影响因素。

由此即可得到我们在驾驶时检测到的某种驾驶行为发生交通事故的概率为：

由此可以评估用户的驾驶行为习惯及驾驶风险。

驾驶结束后通过对本次驾驶检测到的主被动驾驶安全提醒及不良驾驶习惯进行驾驶评分，评估该次驾驶的是否规范同时给出风险系数。

则根据大数据拟合得到驾驶评分公式为：

其中f为当天的驾驶评分，f0为常量，α、β、χ、δ、ε、φ为各影响因子的影响系数。

本发明要解决的是利用深度神经网络图像学习算法，结合驾驶行为特征检测算法综合识别驾驶员的主被动驾驶安全，如疲劳驾驶(疲劳预警(瞌睡闭眼)、注意力预警(左顾右盼)、接打电话、抽烟提醒)，驾驶辅助(前车碰撞(fcw)、车距保持(hmw)、车道线偏离(ldw)、前车起步(fsva))，驾驶不良习惯(急加速、急刹车、急转方向、频繁变道等)。通过对这些行为的检测，利用大数据及人工智能算法对用户的驾驶进行评分，另外对用户的驾驶行为进行画像，分析评估该用户的驾驶风险。

本发明的有益效果有：

1.实时对用户的驾驶行为习惯进行及时提醒和反馈，通过大数据和智能算法分析计算让用户纠正和规范自己的驾驶行为，减少自身驾驶事故的发生，提高驾驶安全。

2.可作为相关行业的驾驶征信，比如驾校教练、运营车队驾驶员、特种车辆驾驶员等，

另外保险机构亦可根据系统完善的个人驾驶行为库及客观智能的驾驶行为画像(驾驶评分、驾驶风险系数)作为车险评估的参考，降低保险行业的理赔率；

3.对于政府及社会机构，也可以利用本发明的驾驶评分系统作为交通知识定向培训对象，能较有针对性的进行交通普法，降低交通事故的发生率。

以上仅为发明的优选实施例，并非因此限制发明的专利范围，凡是利用发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在发明的专利保护范围内。