一种基于影像系统实现风险行为预判断的方法及系统与流程

1.本发明涉及数据处理技术领域，特别涉及一种基于影像系统实现风险行为预判断的方法及系统。


背景技术：

2.在日常车辆驾驶过程中，会存在来自外部的行驶风险，比如，外部车辆、外部行人等，但是，目前常见的方案是当发现外部存在异常状态时，人为采取规避错失，并且由于记录仪只有前置记录，导致部分角度的关键信息缺失，无法准备的判断风险行为的责任方。
3.因此，本发明提出一种基于影像系统实现风险行为预判断的方法及系统。


技术实现要素：

4.本发明提供一种基于影像系统实现风险行为预判断的方法及系统，用以通过影像系统对车辆四周进行拍摄，实现车辆的智能避让，且通过对避让过程进行记录，便于实现行为责任的有效认定。
5.本发明提供一种基于影像系统实现风险行为预判断的方法，包括：
6.步骤1：当车辆系统进入运行状态时，调用车辆周身的全部影像系统采集所述车辆的四周图像；
7.步骤2：对所述四周图像进行分析，当分析出所述车辆的周围存在风险时，激活所述车辆的避让系统；
8.步骤3：基于所述避让系统控制所述车辆进行智能避让操作，并基于所述车辆周身的影像系统，记录智能避让操作过程中所述车辆周围存在的风险行为以及所述车辆的避让行为；
9.步骤4：当避让结束后，停止所述影像系统的影像采集，并将记录结果传输到判断端。
10.优选的，对所述四周图像进行分析，包括：
11.基于预设风险分析模型，对所述四周图像进行预分析；
12.基于预分析结果确定所述四周图像中是否存在风险行为。
13.优选的，基于所述避让系统控制所述车辆进行智能避让操作，包括：
14.基于所述车辆的自动驾驶系统，获取所述车辆的当前状态以及所述车辆四周的当前信息；
15.对所述当前状态以及所述当前信息进行动态分析，得到避让方案；
16.基于所述避让系统来控制所述车辆按照所述避让方案进行智能避让操作。
17.优选的，基于所述避让系统来控制所述车辆按照所述避让方案进行智能避让操作的过程中，还包括：
18.在智能避让过程中，实时监测所述车辆与四周目标物体的第一距离；
19.当所述第一距离大于安全距离时按照所述避让方案进行智能避让操作；
20.否则，对所述车辆进行智能距离提醒。
21.优选的，所述智能避让操作包括：控制车速、控制加减速度、控制车辆变道、控制车辆转弯角度中的任一种或多种操作的组合。
22.优选的，所述风险行为包括：具备风险的行人、非机动车或者机动车。
23.优选的，所述影像系统包括：相机、激光雷达、超声波雷达、红外传感器中的任一种或多种设备的组合。
24.本发明一种基于影像系统实现风险行为预判断的系统，包括：
25.影像系统，用于当车辆系统进入运行状态时，采集所述车辆的四周图像；
26.车载中控电脑，用于对所述四周图像进行分析，当分析出所述车辆的周围存在风险时，激活所述车辆的避让系统；
27.所述避让系统，用于控制所述车辆进行智能避让操作；
28.所述影像系统，还用于记录智能避让操作过程中所述车辆周围存在的风险行为以及所述车辆的避让行为；
29.所述车载中控电脑，还用于当避让结束后，停止全方位的影像采集，并将记录结果传输到判断端。
30.本发明提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行任一项所述方法的步骤。
31.本发明提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行任一项所述方法的步骤。
32.与现有技术相比，本技术的有益效果是：
33.通过影像系统对车辆四周进行拍摄，实现车辆的智能避让，且通过对避让过程进行记录，便于实现行为责任的有效认定。
34.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、以及附图中所特别指出的结构来实现和获得。
35.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
36.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
37.图1为本发明实施例中一种基于影像系统实现风险行为预判断的方法的流程图；
38.图2为本发明实施例中一种基于影像系统实现风险行为预判断的系统的结构图。
具体实施方式
39.下面将参考若干示例性实施方式来描述本公开的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本公开，而并非以任何方式限制本公开的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
40.本发明提供一种基于影像系统实现风险行为预判断的方法，在本文中，需要理解
的是，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。
41.针对本发明一种基于影像系统实现风险行为预判断的方法的应用场景包括终端设备101、服务器102、和数据存储系统103。其中，终端设备101、服务器102以及数据存储系统103之间均可通过有线或无线的通信网络连接。终端设备101包括但不限于桌面计算机、移动电话、移动电脑、平板电脑、媒体播放器、智能可穿戴设备视、个人数字助理或其它能够实现上述功能的电子设备等。服务器102和数据存储系统103均可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn、以及大数据和人工智能平台等基础云计算服务的云服务器。
42.需要注意的是，上述应用场景仅是为了便于理解本公开的精神和原理而示出，本公开的实施方式在此方面不受任何限制。相反，本公开的实施方式可以应用于适用的任何场景。
43.在一个实施例中，本发明提供一种基于影像系统实现风险行为预判断的方法，如图1所示，包括：
44.步骤1：当车辆系统进入运行状态时，调用车辆周身的全部影像系统采集所述车辆的四周图像；
45.针对步骤1：
46.步骤01：确定车辆周身存在的影像系统的第一个数以及每个影像系统的设置位置；
47.步骤02：当车辆进入运行状态之后，调用全部影像系统采集四周图像，且在采集四周图像之前，还包括：
48.获取每个影像系统采集的数据，并将采集的数据进行显示，当显示结果为视频画面时，判定对应的影像系统可以正常使用；
49.当显示结果为黑色画面时，判定对应的影像系统不可以正常使用，当判定对应的影像系统不能正常使用时；
50.车载电脑接收输入指令，将车载画面滑到与每个影像系统相关的控制显示界面进行显示；
51.控制控制显示界面上显示结果为黑色画面的显示标识组进行显著性显示，并通过点击该显著性显示的显示标识组，对对应的影像系统进行重置，并在2秒之后，重新开启该影像系统进行继续采集工作，如果仍为黑色画面，基于控制显示界面，输入控制指令来控制对应的影像系统关闭，且控制剩余正常的摄像系统进行继续采集工作。
52.其中，控制显示界面包括：控制影像系统的系统标识以及系统方位标识，且系统标识以及方位标识为一组显示标识，根据显示第一个数个显示标识组；
53.其中，每组显示标识都具备唯一性。
54.该实施例中，采集车辆的四周图像包括：
55.分别控制正常工作的摄像系统分别在同时刻采集对应的画面信息，并通过画面信息的组合，得到车身周围的图像，且组合过程，具体包括：
56.步骤11：确定每个摄像系统的第一采集信息，并确定第一采集信息的边界信息，构
建第一边界；
57.步骤12：确定相邻采集系统的第二边界，且确定第一边界中与第二边界相邻的第一边、以及与第二边界中与第一边界相邻的第二边；
58.步骤13：向第一边设置位置坐标，以及向第二边设置位置坐标；
59.步骤14：确定第一边与第二边的同坐标，进行同坐标拼接处理，来将第一边与第二边拼接到一起，通过步骤11-14，来将剩余边界中的每个边界的边分别与相邻边界的边进行同坐标拼接处理，得到完整的图像。
60.通过对不同系统采集的图像进行同坐标拼接处理，便于获取车辆在不同时刻的周身完整状况，便于进行碰瓷的有效分析。
61.该实施例中，同坐标拼接处理，比如，第一边的某个坐标为(0，1)，第二边的某个坐标为(0，1)，此时，将坐标为(0，1)的两个坐标点连接到一块，以此类推，实现边拼接。
62.步骤2：对所述四周图像进行分析，当分析出所述车辆的周围存在风险时，激活所述车辆的避让系统；
63.针对步骤2：
64.对四周图像进行分析，具体包括：
65.步骤21：通过对该四周图像进行分析，判断环境中与车辆相关妨碍的区域，并确定该区域的静态以及动态的判断条件；
66.针对该步骤中进行静态以及动态判断的过程中，是基于对图像进行预处理、图像标定、特征提取等操作的基础上，来实现的。
67.步骤22：利用判断条件，确定是否利用判断条件判断车辆周围是否存在危险，如果存在，则提示车辆发生危险事故的概率趋向于确定，如果不存在，则分析该车辆可能发生危险的概率；
68.步骤23：根据概率判断结果，提前进行预警发出时间的确定；
69.其中，在确定该车辆可能发生危险概率的过程中包括：
70.确定该车辆周围的危险物体以及危险物体的物体属性，且物体属性与静态属性以及动态属性相关；
71.根据危险物体以及物体属性，来确定基于车辆的位置分布，根据该位置分布，来确定该车辆的危险事故发生概率。
72.其中，根据概率判断结果，提前进行预警发出时间的确定，包括：
73.基于预先构建的概率-预警数据库，来匹配与该概率判断结果相匹配的预警时间；
74.根据该预警时间作为提前预警，且可以采用语音提醒的方式进行提醒。
75.比如：判断的是5s后危险事故发生的概率较大，此时，在1s的时候就进行预警提醒，为人员进行预警提醒，保证该人员的安全驾驶。
76.比如：预先构建的概率-预警数据库中是包括：
77.发生概率较大的危险事故的时间、与该发生概率较大的危险事故的提前预警时间等在内的。
78.针对该实施例中，在基于对图像分析之后，且存在危险事故的情况下，来激活车辆上的避让系统，实行避让操作，且避让操作主要是为了躲避危险事故的发生。
79.步骤3：基于所述避让系统控制所述车辆进行智能避让操作，并基于所述车辆周身
的影像系统，记录智能避让操作过程中所述车辆周围存在的风险行为以及所述车辆的避让行为；
80.针对步骤3：
81.在进行智能避让操作的过程中，主要包括：
82.避让系统根据图像分析结果，来对车辆周身存在的危险情况进行标定，并对每个方位的危险情况进行轨迹预测，也就是基于轨迹预测模型，对每个方位的危险情况的轨迹进行预测，来对所存在的危险情况的危险总轨迹进行确定，进而对车辆本身的行驶路线进行规划，且在进行规划的过程中包括速度规划、变道规划等。
83.比如：存在3个车道，该车辆在车道2，此时，车道1与车道3存在相互夹杂的危险情况，且该车辆的后方也存在危险的情况，此时，得到的危险总轨迹为车道1、车道3以及车道2后方，三者所导致的一个夹杂危险，此时，可以控制该车辆的速度加快，来避免该危险情况，避免被碰瓷。
84.基于所述车辆周身的影像系统，记录智能避让操作过程中所述车辆周围存在的风险行为以及所述车辆的避让行为的过程中：
85.基于影响系统记录车辆周围的风险行为，比如，该风险行为是处于车辆左侧的，此时，就由车辆左侧的影像系统来对该情况进行拍摄，并进行记录。
86.同时，还对该车辆本身的避让行为进行监测，进而实现记录。
87.轨迹预测轨迹预测是指采用对象的历史轨迹数据，对于出租车而言，主要是gps定位数据，基于大量的历史轨迹建立轨迹预测模型，以轨迹的已知部分作为预测模型的输入，通过模型的推演运算，得出轨迹的下一时刻所在道路。
88.针对轨迹预测具体包括：
89.对车辆周围的危险视为的待预测n+1时刻之前合理时间范围内的轨迹数据进行清洗和校正,得到预处理数据,该预处理数据包括多条轨迹数据,任意条轨迹数据中包括多个轨迹点,各轨迹点的坐标为经纬度坐标；
90.将预处理数据中的各轨迹点的经纬度坐标与该车辆所行驶区域的地图数据中的道路对应,得到包含道路信息的轨迹数据集；
91.构建轨迹数据集中每一条轨迹数据的轨迹信息向量和目的地信息向量,构成轨迹数据向量集；
92.构建每一条轨迹数据轨迹信息向量的标签和目的地信息向量的标签,构成标签数据集；
93.利用轨迹数据向量集和标签数据集对上一次训练得到的网络模型进行训练得到轨迹预测模型；
94.初始时，网络模型包括两条通道,分别为轨迹预测通道和下一时刻预测通道,每条通道由依次连接的输入层、嵌入层、隐藏层和输出层构成:隐藏层由依次连接的第一层lstm网络、全连接层、第二层lstm网络构成，且两条通道的隐藏层中的第一层lstm网络的输出拼接后,将得到的拼接数据分别输入两个通道的全连接层,之后依次经各自通道的第二层lstm网络和输出层；
95.训练过程中的损失函数中的损失为两个通道训练过程中损失之和；
96.轨迹预测通道的嵌入层将每条轨迹数据的t’和其标签中的各道路id进行高维向
量表示,生成各轨迹数据的轨迹信息向量的嵌入表达矩阵和该矩阵的标签向量，构成轨迹信息向量的欣入表达矩阵集合和标签向量集合，作为轨迹预测通道内第一层lstm网络的输入和输出；
97.下一时刻预测通道的嵌入层将每条轨迹数据的t”和其标签中的各道路id进行高维向量表示,生成各轨迹数据的下一时刻的位置信息向量的嵌入表达矩阵和该矩阵的标签向量,构成位置向量的嵌入表达矩阵集合和标签向量集合，作为下一时刻预测通道内第一层lstm网络的输入；
98.对上述轨迹预测通道和下一时刻预测通道持续训练，直到得到在对应需要时间内的轨迹预测模型。
99.步骤4：当避让结束后，停止所述影像系统的影像采集，并将记录结果传输到判断端。
100.针对步骤4：
101.在避让结束之后，控制之前开启记录的影像系统进行关闭，并将记录结果传输到判断端。
102.该实施例中，判断端的可实施方式为：手机端、电脑端、笔记本端等任何可以接收到信息的智能端。
103.该实施例中，通过将记录结果传输到判断端，主要是为了将该记录结果进行人为分析，来判定该风险行为的责任认定方。
104.该实施例中，在确认是责任认定方的过程中：
105.对产生风险行为的事物以及受到风险行为影响的事物进行轨迹分析；
106.根据轨迹分析结果，确定存在违规行为的事物，并将存在违规行为的事物视作责任认定方。
107.优选的，所述智能避让操作包括：控制车速、控制加减速度、控制车辆变道、控制车辆转弯角度中的任一种或多种操作的组合。
108.优选的，所述风险行为包括：具备风险的行人、非机动车或者机动车。
109.优选的，所述影像系统包括：相机、激光雷达、超声波雷达、红外传感器中的任一种或多种设备的组合。
110.该实施例中，避让方案通过对四周的车辆、生物的存在及运动轨迹作出分析及预判，从而尽可能的采用更安全的方式控制车辆进行避让。
111.该实施例中，根据记录结果，可以将采集的影像与设备结合进行2d/3d场景建模复原。
112.该实施例中，判断端可以指的是对应的交管部门。
113.该实施例中，完成避让行为后停止全方位的影像采集记录，其中，全方位的记录可以更好地避免部分场景的危险行为行车记录仪的记录缺失，可以提供更有效地证据链。
114.该实施例中，将记录结果传输到判断端，可以是通过车载中控电脑将采集的证据一键报警举报至交管部门，为后续的司法接入提供有利的证据。
115.该实施例中，相机可以实施为普通相机、双目相机、深度相机等。
116.针对步骤1：
117.该实施例中，在确定车辆是否处于运行状态的过程中，首先是采集车辆本身的运
行参数信息，比如，行驶速度，行驶路程等，当获取的各个参数都为无时，判定没有处于运行状态，当有行驶速度以及行驶路程的数据开始出现时，判定处于运行状态，又或者是当车辆处于开启但是并未运行时，也可以视为运行状态，不过是运行状态中的静止状态。
118.上述技术方案的有益效果是：通过影像系统对车辆四周进行拍摄，实现车辆的智能避让，且通过对避让过程进行记录，便于实现行为责任的有效认定。
119.在一个实施例中，对所述四周图像进行分析，包括：
120.基于预设风险分析模型，对所述四周图像进行预分析；
121.基于预分析结果确定所述四周图像中是否存在风险行为。
122.该实施例中，预设风险分析模型是预先训练好的，且是通过对存在不同风险行为的图像进行训练得到的。
123.该实施例中，预设风险分析模型在搭建过程中包括对神经网络的搭建，包括：
124.1.选择一个网络结构；
125.2.构建一个神经网络并随机初始化权重；
126.3.执行前向传播算法，即对神经网络任一个输入x(i)，计算对应的h(x(i))，也就是输出值y得向量；
127.4.通过代码算出损失函数；
128.神经网络的训练依靠反向传播算法：最开始输入层输入特征向量，网络层层计算获得输出，输出层发现输出和正确的类号不一样，
129.这时它就让最后一层神经元进行参数调整，最后一层神经元不仅自己调整参数，还会勒令连接它的倒数第二层神经元调整，层层往回退着调整。
130.经过调整的网络会在样本上继续测试，如果输出还是老分错，继续来一轮回退。
131.对预设风险分析模型分两步构建：
132.第一步，配置模型的层。神经网络基本的构建块就是层，每个层包含一个或多个ltu，也叫线性阈值单元。ltu是一个人工神经单元，输入和输出都是数字，并且每个输入的连接都有一个对应的权重。ltu会加权求和所有的输入，然后根据求值结果应用一个信号函数。
133.大部分模型都是由一系列的简单的层串联在一起组成的。这些层都有一些参数需要在模型的训练过程中学习和优化，该模型包含三层：
134.第一层是keras.layers.flatten(平坦层)，作用是把输入的数据转换成一个一维数组，flatten，就是使之平坦的意思。这层没有参数需要学习，只是重构数据。这层接受的数据必须是28x28的二维数组。
135.第二和第三是稠密层keras.layers.dense。dense层是一种全连接层，和前边的输入、后边的输出全部连接。这种层往往用于分析输入数据，提取输入数据之间的联系。第一个dense层有128个nodes(神经元neurons)，并且使用修正线性单元(relu)作为激活函数；第二个dense层(也即最后一层)包含10个nodes，每个node将输出一个评估值，显示输入数据应该归为那个类别。
136.第二步，编辑模型(compile model)，在模型开始训练之前，我们要对模型做必要的设置，这就是compile model，设置往往包括如下内容：
137.1、添加损失函数loss。loss用来衡量训练期间模型的精确度。我们要尽可能让这
个函数最小化，从而保证模型向着正确的方向发展。
138.2、添加优化器optimizer。optimizer定义了，根据输入数据和loss，模型该怎样改进和优化。
139.3、度量器metrics。metrics监视训练和测试过程。往往用accuracy精度来描述。
140.最后得到预设风险分析模型。
141.上述技术方案的有益效果是：通过基于模型对图像分析，可以有效分析是否存在风险行为，为后续是否执行避让操作提供基础。
142.在一个实施例中，基于所述避让系统控制所述车辆进行智能避让操作，包括：
143.基于所述车辆的自动驾驶系统，获取所述车辆的当前状态以及所述车辆四周的当前信息；
144.对所述当前状态以及所述当前信息进行动态分析，得到避让方案；
145.基于所述避让系统来控制所述车辆按照所述避让方案进行智能避让操作。
146.该实施例中，当前状态以及当前信息的动态分析，可以是对四周的车辆、生物的存在及运动轨迹作出分析及预判，从而尽可能的采用更安全的方式控制车辆进行避让。
147.该实施例中，避让方案，比如是速度加快到80迈，变道到左车道等。
148.上述技术方案的有益效果是：通过对当前状态以及当前信息进行动态分析，便于获取避让方案，实现智能避让，保证车辆的安全性，且智能避让过程为影像采集提供基础，间接便于后续进行责任有效认定。
149.在一个实施例中，基于所述避让系统来控制所述车辆按照所述避让方案进行智能避让操作的过程中，还包括：
150.在智能避让过程中，实时监测所述车辆与四周目标物体的第一距离；
151.当所述第一距离大于安全距离时按照所述避让方案进行智能避让操作；
152.否则，对所述车辆进行智能距离提醒。
153.该实施例中，避让系统可以实现精准的控制车速、加减速度、变道及转弯角度，通过判断四周的安全距离，从而控制车辆实现更安全的避让操作。
154.该实施例中，安全距离是预先设定好的，比如是50厘米。
155.该实施例中，智能距离提醒可以是声音、文字等方式的组合，进行的提醒，进一步保证车辆的行驶安全。
156.该实施例中，目标物体可以是移动的物体，且进行智能避让的过程中，包括：
157.当检测到该车辆周围同时存在多个目标物体时，分别监测每个目标物体与该车辆的第一距离；
158.分别将每个第一距离与安全距离进行第一比较；
159.在比较的过程中，对第一距离满足安全距离标准的方位的提醒装置进行第一报警操作，且同时，建立执行第一报警操作的提醒装置与车载电脑建立通信连接，在车载电脑上显示不同提醒装置的显示位置。
160.比如：车载电脑对应的提醒装置的显示界面包括：提醒装置1、提醒装置2、提醒装置3以及提醒装置4，此时，执行第一报警操作的为报警装置1以及报警装置3，此时，就在该显示界面上，控制提醒装置1与提醒装置3对应的装置标识进行显著性显示，且控制提醒装置2与提醒装置4对应的装置标识不进行显著性显示，便于为人员提供便利。
161.该实施例中，提醒装置1、提醒装置2、提醒装置3以及提醒装置4，可以实施为不同的声、光、语音等任一种或多种的组合，进而来实现有效提醒。
162.上述技术方案的有益效果是：通过进行距离监测以及判断，保证车辆在避让过程中一定程度上的安全性。
163.在一个实施例中，本发明一种基于影像系统实现风险行为预判断的系统，如图2所示，包括：
164.影像系统，用于当车辆系统进入运行状态时，采集所述车辆的四周图像；
165.车载中控电脑，用于对所述四周图像进行分析，当分析出所述车辆的周围存在风险时，激活所述车辆的避让系统；
166.所述避让系统，用于控制所述车辆进行智能避让操作；
167.所述影像系统，还用于记录智能避让操作过程中所述车辆周围存在的风险行为以及所述车辆的避让行为；
168.所述车载中控电脑，还用于当避让结束后，停止全方位的影像采集，并将记录结果传输到判断端。
169.当分析出存在风险的过程中，还包括：控制佩戴在驾驶员手上的智能手表进行报警提醒，具体包括：智能手表包括微处理模块、微型振动器以及第一通信模块:微处理模块,分别与微型振动器以及第一通信模块电连接；车辆系统包括微处理器、存储模块、图像分析处理模块、语音提醒器以及第二通信模块；具体的,第一通信模块以及第二通信模块均采用蓝牙通信模块:
170.采用摄像系统拍摄到车周身图像，并分析存在危险时，将危险信号传递至微处理器，为处理器控制语音提醒器进行语音提醒,并通过第一通信模块传递危险提醒指令至智能手表，智能手表根据危险提醒指令控制微型振动器振动提醒。
171.上述技术方案的有益效果是：通过影像系统对车辆四周进行拍摄，实现车辆的智能避让，且通过对避让过程进行记录，便于实现行为责任的有效认定。
172.在一个实施例中，提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：
173.步骤1：当车辆系统进入运行状态时，调用车辆周身的全部影像系统采集所述车辆的四周图像；
174.步骤2：对所述四周图像进行分析，当分析出所述车辆的周围存在风险时，激活所述车辆的避让系统；
175.步骤3：基于所述避让系统控制所述车辆进行智能避让操作，并基于所述车辆周身的影像系统，记录智能避让操作过程中所述车辆周围存在的风险行为以及所述车辆的避让行为；
176.步骤4：当避让结束后，停止所述影像系统的影像采集，并将记录结果传输到判断端。
177.在一个实施例中，提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：
178.步骤1：当车辆系统进入运行状态时，调用车辆周身的全部影像系统采集所述车辆的四周图像；
179.步骤2：对所述四周图像进行分析，当分析出所述车辆的周围存在风险时，激活所述车辆的避让系统；
180.步骤3：基于所述避让系统控制所述车辆进行智能避让操作，并基于所述车辆周身的影像系统，记录智能避让操作过程中所述车辆周围存在的风险行为以及所述车辆的避让行为；
181.步骤4：当避让结束后，停止所述影像系统的影像采集，并将记录结果传输到判断端。
182.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
183.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
184.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。
185.显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。