外周视野驾驶员危险感知能力预测方法、装置及电子设备

1.本发明涉及交通安全技术领域，具体地涉及一种基于外周视野下驾驶员危险感知能力预测方法，装置及电子设备。


背景技术：

2.随着社会不断发展，汽车需求量和使用的逐渐增多，随之交通事故的发生量也逐年增加，研究表明国内90％以上的交通事故都是人为因素造成的，危险驾驶和驾驶人交通违法是造成交通事故的主要原因。驾驶人行为之所以导致交通事故，往往是由于脑海中没有正确的内部模式，从而导致了错误的驾驶行为，最终引发了交通事故。
3.在国外，很多国家都将危险知觉测试作为驾照考试的必经环节，以排除那些对潜在的交通危险缺乏预判能力的考生。在国内驾驶人的培训仅仅停留在理论法规和基本的车辆操作技能方面，而对于驾驶人危险感知技能方面的培训几乎没有。并且现有技术中对驾驶员危险感知能力的判断方法一类是通过研究不同驾驶员间各项驾驶数据的不同之处，通过人为划分、询问、问卷等方式对不同驾驶员的危险感知能力进行区分，使得预测结果过于主观，导致预测准确率不高、耗费大量人力物力且效率不高；另一类是通过各项指标来表征驾驶员的危险感知能力，这会使得出的驾驶员感知能力具有不可解释性，无法表征判断驾驶员危险感知能力的机理，所以无法有效提升驾驶员危险感知能力。
4.综上，如何提高判断驾驶员危险感知能力的准确性，并提升驾驶员危险感知能力，降低由于驾驶员缺乏危险感知能力而导致的交通事故的发生率，是亟待解决的问题。


技术实现要素：

5.有鉴于此，有必要提供一种基于外周视野下驾驶员危险感知能力预测方法、装置及电子设备，用以解决现有技术中对驾驶员危险感知能力预测的准确率低、效率低且无法有效提升驾驶员危险感知能力的技术问题。
6.一方面，为了解决上述技术问题，本发明提供了一种基于外周视野下驾驶员危险感知能力预测方法，包括：
7.获取外周视野下驾驶员危险感知能力等级以及驾驶员感知能力生理指标；
8.将所述驾驶员感知能力生理指标作为输入，所述驾驶员危险感知能力等级作为输出，基于初始危险感知能力预测模型对所述驾驶员感知能力生理指标与驾驶员危险感知能力等级进行匹配训练，得到目标危险感知能力预测模型；
9.获取实时的驾驶员生理指标，基于所述目标危险感知能力预测模型对驾驶员的危险感知能力进行预测。
10.在一些可能实现的方式中，所述一种基于外周视野下驾驶员危险感知能力预测方法还包括：
11.对所述驾驶员危险感知能力等级进行分类，具体包括：
12.基于驾驶模拟器建立不同危险源刺激下的多个典型危险场景模型；
13.获取所述多个典型危险场景模型下的感知参数，所述感知参数包括危险源出现时刻、应急刹车时刻以及车速变化状态；
14.根据所述危险源出现时刻、应急刹车时刻以及车速变化状态对所述驾驶员危险感知能力等级进行分类。
15.在一些可能实现的方式中，所述根据所述危险源出现时刻、应急刹车时刻以及车速变化状态对所述驾驶员危险感知能力等级进行分类，包括：
16.根据所述危险源出现时刻和应急刹车时刻的时间差确定驾驶员反应时间；
17.根据所述驾驶员反应时间的时长进行分类，得到第一危险感知能力分类等级；
18.根据所述车速变化状态确定驾驶员对车速的控制能力，并根据所述对车速的控制能力的强弱确定第二危险感知能力分类等级；
19.根据所述第一危险感知能力分类等级、第二危险感知能力分类等级以及所述第一危险感知能力分类等级和第二危险感知能力分类等级分别对应的权重系数，确定所述驾驶员危险感知能力等级的类别。
20.在一些可能实现的方式中，所述获取驾驶员感知能力生理指标，包括：
21.获取所述多个典型危险场景模型下驾驶员的生理指标数据；
22.利用方差分析所述生理指标数据，筛选出影响所述驾驶员危险感知能力的生理指标；
23.将所述影响所述驾驶员危险感知能力的生理指标作为驾驶员感知能力生理指标。
24.在一些可能实现的方式中，所述基于初始危险感知能力预测模型对所述驾驶员生理指标与驾驶员危险感知能力等级进行匹配训练，得到目标危险感知能力预测模型，包括：
25.创建所述初始危险感知能力预测模型；
26.获取驾驶员感知能力生理指标的n组数据样本集，并将所述n组数据样本集两两组合得到m组分类数据集，其中m和n为大于1的整数，且m＝n(n-1)/2；
27.根据所述危险感知能力等级与感知参数的对应关系、感知参数与所述感知能力生理指标的对应关系确定所述危险感知能力等级与所述感知能力生理指标的对应关系；
28.基于所述危险感知能力等级与所述感知能力生理指标的对应关系，利用所述m组分类数据集分别对所述初始危险感知能力预测模型进行匹配训练，得到m个危险感知能力预测模型；
29.其中，所述m个危险感知能力预测模型共同构成所述目标危险感知能力预测模型。
30.在一些可能实现的方式中，所述初始危险感知能力预测模型为svm模型；所述利用所述m组分类数据集分别对所述初始危险感知能力预测模型进行匹配训练，得到m个危险感知能力预测模型，包括：
31.将所述m组组合数据集分别输入所述svm模型进行二分类训练，分别得到m个危险感知能力预测模型。
32.在一些可能实现的方式中，所述获取实时的驾驶员生理指标，基于所述目标危险感知能力预测模型对驾驶员的危险感知能力进行预测，包括：
33.获取实时的驾驶员生理指标；
34.将所述实时的驾驶员生理指标输入所述目标危险感知能力预测模型，输出得到若干个识别结果；
35.对所述若干个识别结果采取投票统计，票数最多的为最终识别结果，根据最终识别结果得到驾驶员危险感知能力等级。
36.另一方面，本发明还提供了一种基于外周视野下驾驶员危险感知能力预测装置，包括：
37.获取模块，用于获取外周视野下驾驶员危险感知能力等级以及驾驶员感知能力生理指标；
38.模型训练模块，用于将所述驾驶员感知能力生理指标作为输入，驾驶员危险感知能力等级作为输出，基于初始危险感知能力预测模型对所述驾驶员感知能力生理指标与驾驶员危险感知能力等级进行匹配训练，得到目标危险感知能力预测模型；
39.确定模块，用于实时获取驾驶员生理指标，将所述实时获取驾驶员生理指标输入至所述目标危险感知能力预测模型，以得到驾驶员的危险感知能力等级。
40.另一方面，本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，处理器执行程序时，实现根据上述任一种实现方式中的所述的基于外周视野下驾驶员危险感知能力预测方法中的步骤。
41.另一方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，能够实现上述任一种实现方式中的所述的基于外周视野下驾驶员危险感知能力预测方法中的步骤。
42.与现有技术相比，本发明的有益效果包括：本发明提供的基于外周视野下驾驶员危险感知能力预测方法，通过建立驾驶员生理指标与驾驶员危险感知能力之间的联系，使得驾驶员的生理指标能够表征驾驶员的危险感知能力，并通过危险感知能力预测模型对驾驶员生理指标进行识别，使得模型对驾驶员危险感知能力识别的效率和准确率更高。
附图说明
43.为了更清楚地说明本发明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发明的一些实施例，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。
44.图1为本发明提供的基于外周视野下驾驶员危险感知能力预测方法的一实施例流程示意图；
45.图2为本发明提供的对驾驶员危险感知能力等级进行分类的一实施例流程示意图；
46.图3为本发明提供的外围视野和中央视野的一实施例范围示意图；
47.图4为本发明提供的步骤s202和s203的一实施例流程示意图；
48.图5为本发明提供的步骤s101的一实施例流程示意图；
49.图6为本发明提供的步骤s102的一实施例流程示意图；
50.图7为本发明提供的步骤s103的一实施例流程示意图；
51.图8为本发明提供的目标危险感知能力预测模型一实施例算法流程图；
52.图9为本发明提供的基于外周视野下驾驶员危险感知能力预测装置的一实施例结构示意图；
53.图10为本发明提供的电子设备的一实施例结构示意图。
具体实施方式
54.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，本领域技术人员在没有做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。
55.应当理解，示意性的附图并未按实物比例绘制。本发明中使用的流程图示出了根据本发明的一些实施例实现的操作。应当理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本发明内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
56.附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器系统和/或微控制器系统中实现这些功能实体。
57.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
58.本发明实施例提供了一种基于外周视野下驾驶员危险感知能力预测方法、装置、电子设备及储存介质，以下分别进行说明。
59.图1为本发明提供的基于外周视野下驾驶员危险感知能力预测方法的一实施例流程示意图，如图1所示，基于外周视野下驾驶员危险感知能力预测方法包括：
60.s101、获取外周视野下驾驶员危险感知能力等级以及驾驶员感知能力生理指标。
61.s102、将驾驶员感知能力生理指标作为输入，驾驶员危险感知能力等级作为输出，基于初始危险感知能力预测模型对所述驾驶员感知能力生理指标与驾驶员危险感知能力等级进行匹配训练，得到目标危险感知能力预测模型。
62.s103、获取实时的驾驶员生理指标，基于所述目标危险感知能力预测模型对驾驶员的危险感知能力进行预测。
63.与现有技术相比，本发明实施例提供的基于外周视野下驾驶员危险感知能力预测方法，通过建立驾驶员生理指标与驾驶员危险感知能力之间的联系，使得驾驶员的生理指标能够表征驾驶员的危险感知能力，并通过危险感知能力预测模型对驾驶员生理指标进行识别，使得模型对驾驶员危险感知能力识别的效率和准确率更高。
64.在本发明的一些实施例中，基于外周视野下驾驶员危险感知能力预测方法，还包括：
65.对驾驶员危险感知能力等级进行分类，请参阅图2，图2为本发明提供的对驾驶员危险感知能力等级进行分类的一实施例流程示意图，包括：
66.s201、基于驾驶模拟器建立不同危险源刺激下的多个典型危险场景模型。
67.s202、获取多个典型危险场景模型下的感知参数，所述感知参数包括危险源出现
时刻、应急刹车时刻以及车速变化状态。
68.s203、根据危险源出现时刻、应急刹车时刻以及车速变化状态对所述驾驶员危险感知能力等级进行分类。
69.在本发明的一些实施例中，步骤s201包括：基于驾驶模拟器建立的多个典型危险场景：单危险源于驾驶员外周视野左侧或右侧突然出现，双危险源于驾驶员外周视野左侧和/或右侧突然出现多危险源分别于驾驶员外周视野左侧和/或右侧出现、后方车辆超车，其中危险源包括行人、动物和车辆等事物。
70.在本发明的一些实施例中，为了更明确的展示外围视野和中央视野的范围，请参阅图3，图3为本发明实施例提供的外围视野和中央视野的范围示意图。其中，外周视野左侧和右侧的视野角度大小分别为70
°
，中央视野的角度大小为20
°
。其中，在中央视野中，危险源出现时直接落在视网膜中央，信息由视觉皮层来处理，优先获得注意力，而在外周视野中，危险源出现时会引起眼球自动朝向反应，信息由大脑皮层下通道处理，需要更多反应时间，在外周视野中出现的刺激物往往更容易引发交通事故。
71.因此，本发明实施例基于外周视野来设计典型危险场景，使得实验采集的数据能够更准却的反映驾驶员的危险感知能力，也使得驾驶员在面对外周视野中出现的危险物能够建立正确的处理模式，提高驾驶员危险感知能力。
72.进一步地，在本发明的一些实施例中，请参阅图4，图4为本发明提供的步骤s202和s203一实施例流程示意图，步骤s202和s203包括步骤s401至s404：
73.s401、根据危险源出现时刻和应急刹车时刻的时间差确定驾驶员反应时间。
74.s402、根据驾驶员反应时间的时长进行分类，得到第一危险感知能力分类等级。
75.s403、根据驾驶员反应时间的时长进行分类，得到第一危险感知能力分类等级。
76.s404、根据第一危险感知能力分类等级、第二危险感知能力分类等级以及所述第一危险感知能力分类等级和第二危险感知能力分类等级分别对应的权重系数，确定所述驾驶员危险感知能力等级的类别。
77.在具体的实施例中，所有驾驶员在相同危险源场景下于驾驶模拟器进行测试，记录制动踏板压力增加时刻和预设的危险源出现时刻，计算时间间隔，作为驾驶员反应时间，根据驾驶员反应时间的时长进行分类，得到第一危险感知能力分类等级。
78.可以理解的是，在驾驶员于驾驶模拟器进行测试的过程中，出现危险源场景的次数可以为多次，根据测试得到的驾驶员反应时间可以为多个，根据多次危险源出现时的驾驶员反应时长综合判断分析，对驾驶员第一危险感知能力等级进行分类。
79.在具体的实施例中，所有驾驶员在驾驶模拟器中执行两个操作，分别为将车辆行驶至规定车速，之后将车辆速度调整至该车速的一半，根据误差车速对驾驶员的车速控制能力进行分类，得到第二危险感知能力分类等级。
80.根据所有驾驶员的第一危险感知能力分类等级和第二危险感知能力分类等级以及对应的权重系数计算最终感知能力等级得分进行排名，按照排名依次分为4类人群，按照危险感知能力等级的高低依次为危险感知能力高，危险感知能力较高，危险感知能力较低，危险感知能力低。
81.上述实施例为本发明提供的预实验的一个实施例，通过进行预实验，得到一个客观的危险感知能力等级分类，基于客观的危险感知能力等级分类，为正式实验的各项数据
与驾驶感知能力之间建立可信的联系，避免因为主观的原因而导致最终预测结果的准确率下降。
82.进一步地，在本发明的一些实施例中，步骤s101中获取驾驶员感知能力生理指标，请参阅图5，包括步骤s501至s503：
83.s501、获取多个典型危险场景模型下驾驶员的生理指标数据。
84.s502、利用方差分析生理指标数据，筛选出影响所述驾驶员危险感知能力的生理指标。
85.s503、将影响所述驾驶员危险感知能力的生理指标作为驾驶员感知能力生理指标。
86.在具体的实施例中，获取多个典型危险场景模型下驾驶员的生理指标数据包括：眼动数据和脑电波数据。其中眼动数据包括：前向视频，注视顺序，注视时刻，注视位置，单次注视时间，眼跳频率等。脑电波数据包括：δ波、θ波、α波、β波。
87.方差分析中，观测变量为各项眼动数据以及脑电波数据，根据预实验得到的4个危险感知能力等级分别得到4个危险感知能力等级的四组样本，采用单因素方差分析，先进行正态检验和方差齐性检验，检验通过后，以采集到的眼动数据和脑电数据作为因变量，以各个危险感知能力等级下的感知参数作为因子，使用五次多项式分析，采用邦弗伦尼多重比较，筛选显著性大于0.05的数据作为感知能力生理指标，建立预实验中的感知参数与感知能力生理指标之间的联系。
88.上述实施例为本发明提供的正式实验的一个实施例，通过建立正式实验中感知能力生理指标与预实验中感知参数的联系，让正式实验中的感知能力生理指标与驾驶感知能力之间建立可信的联系，使得实验采集的感知能力生理指标能够表征驾驶员的危险感知能力等级。
89.可以理解的是，正式实验的数据跟随预实验的数据，分析预实验数据后建立客观的危险感知能力分类，随后正式实验的数据也跟随预实验数据进行分类，以建立正式实验中各项实验数据与驾驶感知能力之间的可信联系。
90.进一步地，在本发明的一些实施例中，请参阅图6，图6为本发明提供的步骤s102一实施例的流程示意图，步骤s102包括步骤s601至s605：
91.s601、创建初始危险感知能力预测模型。
92.s602、获取驾驶员感知能力生理指标的n组数据样本集，并将所述n组数据样本集两两组合得到m组分类数据集，其中m和n为大于1的整数，且m＝n(n-1)/2。
93.s603、根据危险感知能力等级与感知参数的对应关系、感知参数与感知能力生理指标的对应关系确定危险感知能力等级与所述感知能力生理指标的对应关系。
94.s604、基于危险感知能力等级与所述感知能力生理指标的对应关系，利用m组分类数据集分别对初始危险感知能力预测模型进行匹配训练，得到m个危险感知能力预测模型。
95.s605、m个危险感知能力预测模型共同构成目标危险感知能力预测模型。
96.在本发明的一些实施例中，初始危险感知能力预测模型采用svm模型进行二分类训练，基于预实验得到的感知参数与危险感知能力等级的对应关系以及正式实验中通过方差分析得到的感知参数与感知能力生理指标之间的联系确定危险感知能力等级与感知能力生理指标的对应关系。
97.将基于4种危险感知能力等级获取的4组感知能力生理指标的数据样本集两两进行组合，得到6组分类数据集，其中每组分类数据集包含有两种危险感知能力对应的感知能力生理指标，将6组分类数据集分别输入初始危险感知能力预测模型，初始危险感知能力预测模型采用svm模型进行二分类训练，得到6个危险感知能力预测模型，6个危险感知能力预测模型共同构成目标危险感知能力预测模型。
98.在具体的实施例中，设驾驶员的第i个样本为xi＝(x
i1
,x
i2
,
…
,x
im
)，其中i＝1,2,
…
,m，m为样本容量最大值，x
im
为第i个样本中的某一指标，例如单次注视时长。设置两组分别为1和-1，即yi为1或-1，通过核函数将xi映射到高维线性空间，求最优线性分界面满足则得到判别函数
[0099][0100]
为使用拉格朗日乘数法找到最优分界面，将问题表示如下：
[0101][0102]
其中，w∈rm和b∈r为权重因子，ξi为松弛函数，c为惩罚函数。采用核函数使用训练集进行模型训练，求解最优线性分界面，求解出w
*
和b
*
。
[0103]
需要做预测的驾驶员感知能力样本为x＝(x1,x2,
…
,xm)，计算)，计算若输出1，则判断为设置为1的组，否则，为设置为-1的组。
[0104]
可以理解的是，上述预测驾驶员感知能力的函数输出的判断结果为6组组合数据集其中一组的判断结果，判断结果为该组合数据集中包含的两组感知能力生理指标对应的两种危险感知能力等级的一种。
[0105]
进一步地，在本发明的一些实施例中，请参阅图7，图7为本发明提供的步骤s103一实施例的流程示意图，步骤s103包括步骤s701至s703：
[0106]
s701、获取实时的驾驶员生理指标；
[0107]
s702、将实时的驾驶员生理指标输入目标危险感知能力预测模型，输出得到若干个识别结果；
[0108]
s703、对若干个识别结果采取投票统计，票数最多的为最终识别结果，根据最终识别结果得到驾驶员危险感知能力等级。
[0109]
在具体的实施例中，将实时获取的驾驶员生理指标输入目标危险感知能力预测模型中进行识别，目标危险感知能力预测模型为6个危险感知能力预测模型构成，其中每个危险感知能力预测模型能识别4种危险感知能力等级中的两种，为了便于描述，这里将4种驾
驶感知能力等级按危险感知能力高、危险感知能力较高、危险感知能力较低和危险感知能力低的顺序分别设置为组1、组2、组3和组4，其中6个危险感知能力预测模型分别为组1组2分类模型，组1组3分类模型、组1组4分类模型、组2组3分类模型、组2组4分类模型和组3组4分类模型，各组初始票数均为0，将实时获取的驾驶员生理指标分别导入6个模型，如果判定为其中一方，则该方得票加1，否则，另一方得票加1，导入所有模型后，得到6个结果，对6个识别结果采取投票统计，票数最多的为最终识别结果，根据最终识别结果得到驾驶员危险感知能力等级。
[0110]
为了更加直观的体现入目标危险感知能力预测模型的预测识别过程，请参阅图8，图8为本发明提供的目标危险感知能力预测模型一实施例的算法流程图。
[0111]
可以理解的是，上述实施例中目标危险感知能力预测模型中危险感知能力预测模型的个数可根据样本集中分组的数量进行数量调整，在此不对目标危险感知能力预测模型中危险感知能力预测模型的个数做具体限定。
[0112]
本发明实施例通过预实验与正式实验构建了驾驶员感知参数、生理指标及危险感知能力等级这三者之间的关系，并采用svm模型进行二分类训练，提高了对驾驶员危险感知能力的预测效率和准确率。另一方面，可以通过目标危险感知能力预测模型得到的驾驶员危险感知能力等级对驾驶员危险感知能力进行强化训练，达到提升驾驶员危险感知能力等级，降低由于驾驶员缺乏危险感知能力而导致的交通事故的发生率。
[0113]
为了更好实施本发明实施例中的基于外周视野下驾驶员危险感知能力预测方法，在基于外周视野下驾驶员危险感知能力预测方法基础之上，对应的，本发明实施例还提供了一种基于外周视野下驾驶员危险感知能力预测装置，如图9所示，基于外周视野下驾驶员危险感知能力预测装置900包括：
[0114]
获取模块901，用于获取外周视野下驾驶员危险感知能力等级以及驾驶员感知能力生理指标；
[0115]
训练模块902，用于将所述驾驶员感知能力生理指标作为输入，驾驶员危险感知能力等级作为输出，基于初始危险感知能力预测模型对所述驾驶员感知能力生理指标与驾驶员危险感知能力等级进行匹配训练，得到目标危险感知能力预测模型。
[0116]
确定模块903，用于实时获取驾驶员生理指标，将所述实时获取驾驶员生理指标输入至所述目标危险感知能力预测模型，以得到驾驶员的危险感知能力等级。
[0117]
上述实施例提供的基于外周视野下驾驶员危险感知能力预测装置900可实现上述基于外周视野下驾驶员危险感知能力预测方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述基于外周视野下驾驶员危险感知能力预测方法实施例中的相应内容，此处不再赘述。
[0118]
如图10所示，本发明还相应提供了一种电子设备1000。该电子设备1000包括处理器1001、存储器1002及显示器1003。图10仅示出了电子设备1000的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
[0119]
处理器1001在一些实施例中可以是一中央处理器(central processing unit，cpu)，微处理器或其他数据处理芯片，用于运行存储器1002中存储的程序代码或处理数据，例如本发明中的基于外周视野下驾驶员危险感知能力预测方法。
[0120]
在一些实施例中，处理器1001可以是单个服务器或服务器组。服务器组可为集中
式或分布式的。在一些实施例中，处理器1001可为本地的或远程的。在一些实施例中，处理器1001可实施于云平台。在一实施例中，云平台可包括私有云、公共云、混合云、社区云、分布式云、内部间、多重云等，或以上的任意组合。
[0121]
存储器1002在一些实施例中可以是电子设备800的内部存储单元，例如电子设备1000的硬盘或内存。存储器1002在另一些实施例中也可以是电子设备1000的外部存储设备，例如电子设备1000上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。
[0122]
进一步地，存储器1002还可既包括电子设备1000的内部储存单元也包括外部存储设备。存储器1002用于存储安装电子设备1000的应用软件及各类数据。
[0123]
显示器1003在一些实施例中可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。显示器1003用于显示在电子设备1000的信息以及用于显示可视化的用户界面。电子设备1000的部件1001-1003通过系统总线相互通信。
[0124]
在一实施例中，当处理器1001执行存储器1002中的基于外周视野下驾驶员危险感知能力预测程序时，可实现以下步骤：
[0125]
获取外周视野下驾驶员危险感知能力等级以及驾驶员感知能力生理指标；
[0126]
将所述驾驶员感知能力生理指标作为输入，所述驾驶员危险感知能力等级作为输出，基于初始危险感知能力预测模型对所述驾驶员感知能力生理指标与驾驶员危险感知能力等级进行匹配训练，得到目标危险感知能力预测模型；
[0127]
获取实时的驾驶员生理指标，基于所述目标危险感知能力预测模型对驾驶员的危险感知能力进行预测。
[0128]
应当理解的是：处理器1001在执行存储器1002中的基于外周视野下驾驶员危险感知能力预测程序时，除了上面的功能之外，还可实现其它功能，具体可参见前面相应方法实施例的描述。
[0129]
进一步地，本发明实施例对提及的电子设备1000的类型不做具体限定，电子设备1000可以为手机、平板电脑、个人数字助理(personal digitalassistant，pda)、可穿戴设备、膝上型计算机(laptop)等便携式电子设备。便携式电子设备的示例性实施例包括但不限于搭载ios、android、microsoft或者其他操作系统的便携式电子设备。上述便携式电子设备也可以是其他便携式电子设备，诸如具有触敏表面(例如触控面板)的膝上型计算机(laptop)等。还应当理解的是，在本发明其他一些实施例中，电子设备1000也可以不是便携式电子设备，而是具有触敏表面(例如触控面板)的台式计算机。
[0130]
相应地，本技术实施例还提供一种计算机可读存储介质，计算机可读存储介质用于存储计算机可读取的程序或指令，程序或指令被处理器执行时，能够实现上述各方法实施例提供的基于外周视野下驾驶员危险感知能力预测方法中的步骤或功能。
[0131]
以上对本发明所提供的基于外周视野下驾驶员危险感知能力预测方法及装置和电子设备进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。