车辆警告方法、装置以及电子设备与流程

1.本技术涉及车辆控制技术领域，更具体地，涉及一种车辆警告方法、装置以及电子设备。


背景技术：

2.交通出行是人们日常活动的基础需求，随着科技的进步以及人们生活水平的提高，车辆的需求越来越大。然而，在车辆行驶过程中，可能会遇到危险路段以及不良天气条件等，导致发生交通事故。
3.目前，可以通过车辆的传感器获取车辆的传感器信息，并通过传感器信息确定是否存在危险路段以及具体的天气条件，然后再通过是否存在危险路段以及具体的天气条件，确定行车过程的危险程度，并根据危险程度确定是否对车辆发出警告。
4.然而，采用现有的方式，难以准确的确定行车过程的危险程度，导致对车辆发出警告不及时。


技术实现要素：

5.有鉴于此，本技术提出了一种车辆警告方法、装置以及电子设备，以解决上述问题。
6.第一方面，本技术实施例提供了一种车辆警告方法，方法包括：获取车辆在行车过程中的行车数据以及驾驶员的驾驶数据；根据行车数据，确定第一结果值，第一结果值表征车辆在行车过程中的行车环境的危险程度；根据驾驶数据，确定第二结果值，第二结果值表征车辆在行车过程中驾驶员的驾驶行为的危险程度；
7.根据第一结果值以及第二结果值，得到目标值；
8.在目标值高于预设阈值时，控制车辆输出警告。
9.第二方面，本技术实施例提供了一种车辆警告装置，装置包括：获取模块，用于获取车辆在行车过程中的行车数据以及驾驶员的驾驶数据；第一确定模块，用于根据行车数据，确定第一结果值，第一结果值表征车辆在行车过程中的行车环境的危险程度；第二确定模块，用于根据驾驶数据，确定第二结果值，第二结果值表征车辆在行车过程中驾驶员的驾驶行为的危险程度；目标值确定模块，用于根据第一结果值以及第二结果值，得到目标值；警告模块，用于在目标值高于预设阈值时，控制车辆输出警告。
10.第三方面，本技术实施例提供了一种电子设备，电子设备包括：
11.一个或多个处理器；
12.存储器；
13.一个或多个应用程序，其中一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序配置用于执行上述第一方面的方法。
14.本技术实施例提供一种电子设备警告方法、装置以及电子设备，根据行车数据，确定表征车辆在行车过程中的行车环境的危险程度的第一结果值，并根据驾驶数据，确定表
征车辆在行车过程中驾驶员的驾驶行为的危险程度的第二结果值，再根据第一结果值以及第二结果值，得到目标值，目标值结合了行车环境的危险程度以及驾驶行为的危险程度，使得目标值可以准确的反映行车过程的危险程度，从而使得可以准确的确定行车过程的危险程度，提高了车辆发出警告的及时性。
15.本技术的这些方面或其他方面在以下实施例的描述中会更加简明易懂。
附图说明
16.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例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本技术的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
17.图1示出了根据本技术实施例所适用的应用场景的示意图。
18.图2示出了根据本技术一个实施例提出的一种车辆警告方法流程图。
19.图3示出了根据本技术又一个实施例提出的一种车辆警告方法的流程图。
20.图4示出了本技术实施例中驾驶行为分析模型的一种训练方法的流程图。
21.图5示出了本技术实施例中一种车辆警告流程的示意图。
22.图6示出了本技术一个实施例提出的一种车辆警告装置的结构框图。
23.图7示出了本技术实施例提供的一种电子设备的结构框图。
24.图8示出了本技术实施例提供的一种计算机可读存储介质的结构框图。
具体实施方式
25.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。基于本技术中的实施例，本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，都属于本技术保护的范围。
26.如图1所示，本技术实施例所适用的应用场景包括车辆10和云端20，车辆10和云端20通过有线网络或者无线网络通信连接。车辆10可以是轿车、suv、公交车以及货车等。
27.云端20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(content delivery network，内容分发网络)、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。云端20可以用于为车辆10运行的应用提供服务。
28.其中，车辆10可以向云端20发送车辆10在行车过程中的行车数据以及驾驶员的驾驶数据，可以由云端20根据该用行车数据以及驾驶数据，确定目标值，当目标值高于预设阈值时，云端20得到警告，然后云端20将警告发送至车辆10，车辆10输出警告。
29.在另一实施方式中，车辆10可以获取在行车过程中的行车数据以及驾驶员的驾驶数据，由车辆10自身根据该用行车数据以及驾驶数据，确定目标值，当目标值高于预设阈值时，车辆直接10输出警告。
30.为了方便表述，下述各个实施例中，以车辆警告由电子设备执行为例进行说明。
31.参照图2，图2示出了根据本技术一个实施例提出的一种车辆警告方法流程图，方
法可以用于电子设备，电子设备可以是图1中的车辆10或云端20，方法包括：
32.s110、获取车辆在行车过程中的行车数据以及驾驶员的驾驶数据。
33.车辆在行车过程中，可以由车辆的控制器(例如车辆的控制中心或mcu)控制车辆的各个传感器获取行车数据，行车数据可以包括驾驶员的个人信息、车辆当前位置的经纬度信息、外部道路信息、外部环境信息(包括温度、湿度以及天气等)等数据，行车数据也可以称为埋点数据。
34.车辆可以设置采样周期，在每个采样周期达到时，车辆自动获取行车数据。
35.在电子设备为车辆时，车辆获取到行车数据之后，将行车数据发送至车辆的控制器，由车辆的控制器进行数据分析；在电子设备为云端时，车辆获取到行车数据之后，可以将行车数据发送至云端的kafka，云端利用flink的实时处理优势，对kafka中的行车数据进行加载，以对行车数据进行分析。
36.车辆驾驶数据可以是指车辆形式过程中的驾驶图像，车辆在行车过程中，可以通过车辆内置的摄像头(例如行车记录仪)获取车辆在行车过程中的驾驶视频信息；然后对驾驶视频信息进行切帧转换处理，得到驾驶图像，并将驾驶图像作为驾驶数据。
37.在电子设备为车辆时，可以由车辆对驾驶视频信息进行切帧转换处理，得到驾驶图像；在电子设备为云端时，可以由车辆将驾驶视频信息发送至云端，再由云端对驾驶视频信息进行切帧转换处理，得到驾驶图像。
38.s120、根据行车数据，确定第一结果值，第一结果值表征车辆在行车过程中的行车环境的危险程度。
39.得到行车数据之后，可以对行车数据进行分析，得到第一结果值，以根据第一结果值确定车辆在行车过程中的行车环境的危险程度。
40.需要说明的时，在对行车数据进行分析之前，还可以对行车数据进行etl(抽取(extract)、转换(transform)以及加载(load))处理，得到处理后的行车数据，再对处理后的行车数据进行分析，得到第一结果值。
41.其中，抽取可以是指抽出有效的数据，例如抽取出有效的温度、湿度以及天气等数据，转换可以是指将抽取的数据转换为统一格式，并进行数据清晰，出去无用数据，以便于数据分析，加载可以是指对转换的数据进行加载，以在加载数据后，对加载的数据进行分析。
42.作为一种实施方式，s120可以包括：在规则引擎中获取对应行车数据中各个环境信息的危险系数；计算各个环境信息的危险系数之和，作为第一结果值。
43.行车数据可以包括多个环境信息，环境信息可以是指道路信息、事故发生路段信息或天气信息。规则引擎可以设置多种环境信息的危险系数，例如，规则引擎可以包括不同道路的危险系数(例如弯道的危险系数和坡道的危险系数)、事故发生路段的危险系数以及不同天气的危险系数；对于相同类型道路，道路具体信息不同，危险系数可以不同，例如弯道角度大的危险系数低，弯道角度小的危险系数高；对于事故发生路段，事故发生次数不同，对应的危险系数可以不同，例如事故发生次数多的路段的危险系数高；对于同一类型的天气，天气具体情况不同，危险系数不同，例如小雨天气危险系数较低，大雨天气危险系数较高。
44.可以是通过道路标识、车辆的传感器以及网络平台，获取到道路信息、事故发生路
段信息或天气信息。
45.在规则引擎中确定与各环境信息对应环境信息作为目标环境信息，将目标环境信息对应的危险系数作为各个环境信息的危险系数。
46.例如，行车数据的环境信息包括弯道角度30
°
、小雨天气以及事故发生次数3次，在规则引擎中确定弯道角度区间[20
°
，40
°
]、事故发生次数小于5以及小雨天气三者作为目标环境信息，并获取弯道角度区间[20
°
，40
°
]对应的危险系数0.2、事故发生次数小于5的危险系数0.2以及小雨天气的危险系数0.1，分别作为弯道角度30
°
的危险系数、事故发生次数3次的危险系数以及小雨天气的危险系数。
[0047]
得到各个环境信息的危险系数之后，将各个环境信息的危险系数求和，得到第一结果值：r1＝c1+
…
+cn，r1为第一结果值，cn为某个环境信息n的危险系数。
[0048]
s130、根据驾驶数据，确定第二结果值，第二结果值表征车辆在行车过程中驾驶员的驾驶行为的危险程度。
[0049]
得到驾驶数据之后，可以对驾驶数据(也就是驾驶图像)进行分析，得到第二结果值，以通过第二结果值确定车辆在行车过程中驾驶员的驾驶行为的危险程度。
[0050]
作为一种实施方式，s130可以包括：将驾驶图像输入驾驶行为分析模型，得到驾驶行为分析模型预测的多个预置驾驶行为各自的预测概率，每个预置驾驶行为的预测概率表征驾驶图像包括该预置驾驶行为的概率；计算多个预置驾驶行为各自的预测概率之和，作为第二结果值。
[0051]
在本技术中，预置驾驶行为可以包括侧方车辆加速超车、紧急并入相同道路以及前方急刹车等。通过驾驶行为分析模型对驾驶图像进行处理，得到多个预置驾驶行为各自的预测概率，并将多个预置驾驶行为各自的预测概率求和，作为第二结果值。其中，可以是对yolo3，yolo5,resnet50等模型进行训练，得到驾驶行为分析模型。
[0052]
s140、根据第一结果值以及第二结果值，得到目标值。
[0053]
得到第一结果值以及第二结果值之后，对第一结果值以及第二结果值进行运算，得到目标值，例如，对第一结果值以及第二结果值进行加权求和，得到目标值，又如，对第一结果值以及第二结果值直接求和，得到目标值。
[0054]
作为一种实施方式，s140可以包括：获取偏移量、针对第一结果值的第一权重以及针对第二结果值的第二权重；根据第一权重以及第二权重，对第一结果值以及第二结果值进行加权求和，得到求和结果；计算求和结果与偏移量的和，作为目标值。
[0055]
其中，偏移量、针对第一结果值的第一权重以及针对第二结果值的第二权重可以是用户基于需求设定的，也可以是对行车数据进行分析得到的，例如，从行车数据以及驾驶数据中获取目标类别的数据，并根据获取到的目标类别的数据，确定第一权重、第二权重以及偏移量。其中，目标类别可以包括车辆视觉数据(例如包括天气的能见度、驾驶员的驾驶行为)、车辆的传感器数据(例如天气、道路信息等)。
[0056]
确定目标值的过程表述为如下公式：f＝w1*r1+w2+r2+b。其中w1为第一权重，w2为第二权重，f为目标值，r1为第一结果值，r2为第二结果值，b为偏移量
[0057]
s150、在目标值高于预设阈值时，控制车辆输出警告。
[0058]
其中，预设阈值可以是基于需求、实际车辆型号以及当前路段的道路类别(道路类别例如可以是高速道路、城市道路等)等信息确定的，当目标值高于预设阈值时，表明行车
过程中发生事故的可能性较高，需要提醒驾驶员注意安全，此时，输出警告。
[0059]
当目标值不高于预设阈值时，表明行车过程中发生事故的可能性较低，可以不提醒驾驶员，此时，可以不输出警告。
[0060]
当电子设备为车辆时，车辆确定目标值高于预设阈值时，车辆直接输出警告；当电子设备为云端时，云端确定目标值高于预设阈值时，获得警告，并将警告发送至车辆，由车辆输出警告。
[0061]
在本实施例中，根据行车数据，确定表征车辆在行车过程中的行车环境的危险程度的第一结果值，并根据驾驶数据，确定表征车辆在行车过程中驾驶员的驾驶行为的危险程度的第二结果值，再根据第一结果值以及第二结果值，得到目标值，目标值结合了行车环境的危险程度以及驾驶行为的危险程度，使得目标值可以准确的反映行车过程的危险程度，从而使得可以准确的确定行车过程的危险程度，提高了车辆发出警告的及时性。
[0062]
请参阅图3，图3示出了根据本技术又一个实施例提出的一种车辆警告方法流程图，方法可以用于电子设备，电子设备可以是图1中的车辆10或云端20，方法包括：
[0063]
s210、获取车辆在行车过程中的行车数据以及驾驶员的驾驶数据；根据行车数据，确定第一结果值；根据驾驶数据，确定第二结果值。
[0064]
其中，s210的描述参照上文s110-s130的描述，此处不再赘述。
[0065]
s220、从行车数据以及驾驶数据中获取目标类别的数据，作为第一目标数据；根据第一目标数据，确定对应第一权重的第一初始权重、对应第二权重的第二初始权重以及对应偏移量的初始偏移量。
[0066]
得到行车数据以及驾驶数据之后，从行车数据和驾驶数据中获取目标类别的数据(也即上文陈述的车辆视觉数据以及车辆的传感器数据)，作为第一目标数据。然后根据获取到的第一目标数据确定对应第一权重的第一初始权重、对应第二权重的第二初始权重以及对应偏移量的初始偏移量。
[0067]
s230、获取误差值；根据误差值，对初始偏移量、第一初始权重以及第二初始权重进行调整，得到偏移量、第一权重以及第二权重。
[0068]
得到对应第一权重的第一初始权重、对应第二权重的第二初始权重以及对应偏移量的初始偏移量之后，获取误差值，误差值可以包括先验误差值和后验误差值；然后根据误差值，对初始偏移量、第一初始权重以及第二初始权重进行调整，得到偏移量、第一权重以及第二权重。
[0069]
在本技术中，误差值的获取方法可以包括：从历史行车数据以及历史驾驶数据中获取目标类别的数据，作为第二目标数据，历史行车数据以及历史驾驶数据是目标时刻的前一时刻的数据；根据第二目标数据，对目标时刻的数据进行预测，得到预测目标数据；根据预测目标数据以及第一目标数据，得到误差值。
[0070]
从历史行车数据以及历史驾驶数据中获取目标类别的数据，作为第二目标数据，然后根据第二目标数据，对目标时刻的数据进行预测，得到预测目标数据，预测目标数据为目标类别的数据。
[0071]
得到预测目标数据以及第一目标数据之后，根据预测目标数据以及第一目标数据，确定误差值。
[0072]
可以理解的是，针对每个当前时刻，将当前时刻作为目标时刻，获取当前时刻的行
车数据和驾驶数据，根据当前时刻的行车数据和驾驶数据，确定第一目标数据，再根据第一目标数据，确定当前时刻的第一初始权重、第二初始权重以及初始偏移量；之后，根据目标时刻的上一时刻的历史行车数据以及历史驾驶数据，得到第二目标数据，并根据第二目标数据预测预测目标数据；然后根据预测目标数据和第一目标数据，对第一初始权重、第一初始权重以及初始偏移量调整，得到当前时刻的偏移量、第一权重以及第二权重。
[0073]
可以理解的是，在本技术中，上述对第一初始权重、第一初始权重以及初始偏移量调整的过程，实质是利用卡尔曼滤波法，对第一初始权重、第一初始权重以及初始偏移量进行实时更新的过程，以使得更新后的偏移量、第一权重以及第二权重准确率较高。
[0074]
s240、根据第一权重以及第二权重，对第一结果值以及第二结果值进行加权求和，得到求和结果；计算求和结果与偏移量的和，作为目标值；在目标值高于预设阈值时，控制车辆输出警告。
[0075]
其中，s240的描述参照上文s140-s150的描述，此处不再赘述。
[0076]
在本实施例中，针对每个当前时刻，对初始偏移量、第一初始权重以及第二初始权重进行调整，得到调整后的偏移量、第一权重以及第二权重，使得偏移量、第一权重以及第二权重的准确率较高，从而使得确定的目标值的准确率较高，提高了警告的及时性。
[0077]
请参阅图4，图4示出了本技术实施例中驾驶行为分析模型的一种训练方法的流程图，方法可以用于电子设备，电子设备可以是图1中的车辆10或云端20，方法包括：
[0078]
s310、获取训练样本以及测试样本，训练样本包括每个预置驾驶行为下的训练图像以及每个训练图像的标签，测试样本包括每个预置驾驶行为下的测试图像以及每个测试图像的标签。
[0079]
可以对各个车辆在历史时刻的驾驶图像进行分析，以确定历史时刻的驾驶图像的预置驾驶行为，并对历史时刻的驾驶图像添加与预置驾驶行为对应的标签，将打标签后的驾驶图像划分为训练样本以及测试样本。各个车辆在历史时刻的驾驶图像可以是存储于云端中的nas盘，并从云端中的nas盘获取历史时刻的驾驶图像，然后对历史时刻的驾驶图像分析，得到训练样本以及测试样本。
[0080]
可以确定训练样本的训练轮数(epochs)、每批数据大小(batch-size)、非极大值抑制等参数，通过设置好的训练轮数(epochs)、每批数据大小(batch-size)、非极大值抑制等参数，配置初始模型，初始模型可以是yolo3，yolo5,resnet50等深度模型。
[0081]
s320、通过每个训练图像以及该训练图像的标签，对初始模型进行训练，得到训练后的模型。
[0082]
对初始模型配置后，可以将每个预置驾驶行为下的每个训练图像输入初始模型，得到初始模型输出的每个预置驾驶行为下的每个训练图像包括该预置驾驶行为的概率，并根据每个预置驾驶行为下的每个训练图像包括该预置驾驶行为的概率以及该预置驾驶行为的标签，确定损失值，通过损失值对初始模型进行训练，得到训练后的模型。
[0083]
s330、将每个预置驾驶行为下的每个测试图像输入训练后的模型，得到训练后的模型预测的每个预置驾驶行为下的每个测试图像包括该预置驾驶行为的概率；根据每个预置驾驶行为下的每个测试图像包括该预置驾驶行为的概率以及该预置驾驶行为的标签，确定训练后的模型的评估结果。
[0084]
得到训练后的模型之后，获取测试样本，将测试样本中每个预置驾驶行为下的每
个测试图像输入训练后的模型，得到训练后的模型预测的每个预置驾驶行为下的每个测试图像包括该预置驾驶行为的概率，并根据每个预置驾驶行为下的每个测试图像包括该预置驾驶行为的概率以及该预置驾驶行为的标签，确定训练后的模型的评估结果，训练后的模型的评估结果用于表征训练后的模型的效果。
[0085]
评估结果越高，表明训练后的模型的效果越好，评估结果越低，表明训练后的模型的效果越差。评估结果可以包括auc(roc曲线下与坐标轴围成的面积)等指标
[0086]
s340、在评估结果满足预设条件时，获取训练后的模型作为驾驶行为分析模型。
[0087]
在本技术中，预设条件可以是评估结果达到预定的评估阈值，在评估结果满足预设条件时，训练后的模型效果较好，将其作为驾驶行为分析模型，在评估结果不满足预设条件时，训练后的模型效果较差，继续上述s320的训练过程，直到评估结果满足预设条件，获取训练后的模型作为驾驶行为分析模型。
[0088]
在本技术中，对初始模型进行训练，得到训练后的模型，并在训练后的模型的评估结果满足预设条件时，将其作为驾驶行为分析模型，驾驶驾驶行为分析模型的效果较好，使得根据驾驶行为分析模型得到的第二结果值更加准确，进而提高了目标值的准确性以及车辆警告的及时性。
[0089]
为了更清楚的解释本技术的方案，下面结合一示例性场景对本技术的车辆警告方法进行解释。其中，道路为弯道、天气为小雨以及事故发生次数为6次。
[0090]
如图5所示，车辆的传感器采集行车数据，同时，车辆的行车记录仪获取驾驶视频信息，然后由车辆将行车数据以及驾驶视频信息发送至云端。
[0091]
云端接收到行车数据后，对行车数据进行分析，确定出行车数据的各环境信息对应的危险系数，其中，弯道的危险系数为0.2、天气为小雨的危险系数为0.2以及事故发生次数为6次的危险系数为0.4，根据各环境信息的危险系数，确定第一结果值为0.8，从而实现云端规则引擎判定。
[0092]
同时，云端对驾驶视频信息进行处理，得到驾驶图像，然后通过云端中已部署的驾驶行为分析模型，得到各个预置驾驶行为的预测概率，根据各个预置驾驶行为的预测概率，其中，侧方车辆加速超车的预测概率为0.6以及前方紧急刹车的概率为0.7，根据各个预置驾驶行为的预测概率，得到第二结果值为1.3，从而实现云端算法模型判定。
[0093]
完成上述两个判定过程后，根据规则引擎判定结果(第一结果值)以及算法模型判定结果(第二结果值)，确定目标值：获取第一权重为0.5、第二权重为0.5以及偏移量为0.3，根据第一权重以及第二权重，对第一结果值以及第二结果值加权求和，得到求和结果为1.05，再将求和结果与偏移量求和，得到目标值1.35，。
[0094]
之后，云端判断目标值是否高于预设阈值，当确定目标值1.35高于预设阈值1时，获取警告，警告为“请谨慎驾驶”，云端将警告发送至车辆，车辆输出警告。车辆可以是以语音的方式发出警告。
[0095]
参照图6，图6示出了本技术一个实施例提出的一种车辆警告装置的结构框图。装置600用于电子设备，电子设备可以是图1中的车辆10或云端20，装置600包括：
[0096]
获取模块610，用于获取车辆在行车过程中的行车数据以及驾驶员的驾驶数据；
[0097]
第一确定模块620，用于根据行车数据，确定第一结果值，第一结果值表征车辆在行车过程中的行车环境的危险程度；
[0098]
第二确定模块630，用于根据驾驶数据，确定第二结果值，第二结果值表征车辆在行车过程中驾驶员的驾驶行为的危险程度；
[0099]
目标值确定模块640，用于根据第一结果值以及第二结果值，得到目标值；
[0100]
警告模块650，用于在目标值高于预设阈值时，控制车辆输出警告。
[0101]
可选地，目标值确定模块640，还用于获取偏移量、针对第一结果值的第一权重以及针对第二结果值的第二权重；根据第一权重以及第二权重，对第一结果值以及第二结果值进行加权求和，得到求和结果；计算求和结果与偏移量的和，作为目标值。
[0102]
可选地，目标值确定模块640，还用于从行车数据以及驾驶数据中获取目标类别的数据，作为第一目标数据；根据第一目标数据，确定对应第一权重的第一初始权重、对应第二权重的第二初始权重以及对应偏移量的初始偏移量；获取误差值；根据误差值，对初始偏移量、第一初始权重以及第二初始权重进行调整，得到偏移量、第一权重以及第二权重。
[0103]
可选地，目标值确定模块640，还用于从历史行车数据以及历史驾驶数据中获取目标类别的数据，作为第二目标数据，历史行车数据以及历史驾驶数据是目标时刻的前一时刻的数据；根据第二目标数据，对目标时刻的数据进行预测，得到预测目标数据；根据预测目标数据以及第一目标数据，得到误差值。
[0104]
可选地，第一确定模块620，还用于在规则引擎中获取对应行车数据中各个环境信息的危险系数；计算各个环境信息的危险系数之和，作为第一结果值。
[0105]
可选地，第二确定模块630，还用于将驾驶图像输入驾驶行为分析模型，得到驾驶行为分析模型预测的多个预置驾驶行为各自的预测概率，每个预置驾驶行为的预测概率表征驾驶图像包括该预置驾驶行为的概率；计算多个预置驾驶行为各自的预测概率之和，作为第二结果值。
[0106]
可选地，装置600还包括训练模块，用于获取训练样本以及测试样本，训练样本包括每个预置驾驶行为下的训练图像以及每个训练图像的标签，测试样本包括每个预置驾驶行为下的测试图像以及每个测试图像的标签；通过每个训练图像以及该训练图像的标签，对初始模型进行训练，得到训练后的模型；将每个预置驾驶行为下的每个测试图像输入训练后的模型，得到训练后的模型预测的每个预置驾驶行为下的每个测试图像包括该预置驾驶行为的概率；根据每个预置驾驶行为下的每个测试图像包括该预置驾驶行为的概率以及该预置驾驶行为的标签，确定训练后的模型的评估结果；在评估结果满足预设条件时，获取训练后的模型作为驾驶行为分析模型。
[0107]
可选地，装置600还包括图像获取模块，用于获取车辆在行车过程中的驾驶视频信息；对驾驶视频信息进行切帧转换处理，得到驾驶图像。
[0108]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0109]
在本技术所提供的几个实施例中，模块相互之间的耦合可以是电性，机械或其它形式的耦合。
[0110]
另外，在本技术各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
[0111]
请参阅图7，其示出了本技术实施例提供的一种电子设备700的结构框图。本技术
中的电子设备700是图1中的车辆10或云端20。
[0112]
电子设备700可以包括一个或多个如下部件：处理器710、存储器720以及一个或多个应用程序，其中一个或多个应用程序可以被存储在存储器720中并被配置为由一个或多个处理器710执行，一个或多个程序配置用于执行如前述方法实施例所描述的方法。
[0113]
其中，处理器710可以包括一个或者多个处理核。处理器710利用各种接口和线路连接整个车辆700内的各个部分，通过运行或执行存储在存储器720内的指令、程序、代码集或指令集，以及调用存储在存储器720内的数据，执行车辆700的各种功能和处理数据。可选地，处理器710可以采用数字信号处理(digital signal processing，dsp)、现场可编程门阵列(field－programmable gate array，fpga)、可编程逻辑阵列(programmable logic array，pla)中的至少一种硬件形式来实现。处理器710可集成中央处理器(central processing unit，cpu)、图形处理器(graphics processing unit，gpu)和调制解调器等中的一种或几种的组合。其中，cpu主要处理操作系统、用户界面和应用程序等；gpu用于负责待显示内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器710中，单独通过一块通信芯片进行实现。
[0114]
存储器720可以包括随机存储器(random access memory，ram)，也可以包括只读存储器(read-only memory)。存储器720可用于存储指令、程序、代码、代码集或指令集。存储器720可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于实现至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现下述各个方法实施例的指令等。存储数据区还可以存储车辆700在使用中所创建的数据(比如电话本、音视频数据、聊天记录数据)等。
[0115]
参考图8，图8示出了本技术实施例提供的一种计算机可读存储介质的结构框图。该计算机可读存储介质800中存储有程序代码，该程序代码可被处理器调用执行上述方法实施例中所描述的方法。
[0116]
计算机可读存储介质800可以是诸如闪存、eeprom(电可擦除可编程只读存储器)、eprom、硬盘或者rom之类的电子存储器。可选地，计算机可读存储介质800包括非易失性计算机可读存储介质(non-transitory computer-readable storage medium)。计算机可读存储介质800具有执行上述方法中的任何方法步骤的程序代码810的存储空间。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。程序代码810可以例如以适当形式进行压缩。
[0117]
综上所述，本技术提供的一种标定图样生成方法、标定图样配准方法、装置以及车辆，在获取标定场景后，获取与所述标定场景对应的伪随机阵列，基于所述伪随机阵列以及多种图形基元生成标定图样，所述伪随机阵列用于确定所述图形基元在所述标定图样中的位置。通过上述方式使得，可以基于不同标定场景生成不同的伪随机阵列，使得可以基于不同的伪随机阵列生成不同的标定图样，从而提高了不同标定场景下传感器标定的准确性。
[0118]
最后应说明的是：以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不驱使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。