于如果所述第二粒子群的最优值与任意一个最佳第一行驶数据的差值均大于所述第一预设值时，将所述第二粒子群的最优值与所述经验数据库中的各个所述第一行驶数据对比，如果所述第二粒子群的最优值与任意一个当前第一行驶数据的差值小于第二预设值，则将所述当前第一行驶数据对应的第一事故概率作为所述第二事故概率。
[0034]本发明实施例提供了一种计算事故概率的方法及装置，预先收集各类交通事故发生时的第一行驶数据，根据每一个交通事故对应的第一行驶数据，创建经验数据库，在载体汽车上设置至少两个采集位置，每隔设定时间，在每一个采集位置连续至少采集两张行驶状态图片，根据每个采集位置对应的至少两张行驶状态图片，获取对应的第二行驶数据，根据各个第二行驶数据及经验数据库，计算载体汽车发生交通事故的第二事故概率，这样，通过多组第二行驶数据，以与经验数据库中的经典事故案例进行比对的方式，获得载体汽车发生交通事故的第二事故概率，相对于直接通过行驶数据判断汽车是否会发生交通事故的方法，提高了事故预判的准确性。
【附图说明】
[0035]图1是本发明一个实施例提供的一种计算事故概率的方法流程图；
[0036]图2是本发明另一个实施例提供的一种计算事故概率的方法流程图
[0037]图3是本发明一个实施例提供的一种计算事故概率的装置示意图。
【具体实施方式】
[0038]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，本领域普通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。
[0039]如图1所示，本发明一个实施例提供了一种计算事故概率的方法，包括:
[0040]步骤101:收集各类交通事故发生时的第一行驶数据，根据所述第一行驶数据创建经验数据库；
[0041]步骤102:每隔设定时间，在载体汽车的至少两个采集位置上，分别采集所述载体汽车的行驶状态图片，其中每个采集位置至少连续采集两张所述行驶状态图片；
[0042]步骤103:根据每个采集位置对应的所述行驶状态图片，获取对应的第二行驶数据；
[0043]步骤104:根据各个所述第二行驶数据及所述经验数据库，计算所述载体汽车发生交通事故的第二事故概率。
[0044]本发明一个实施例提供了一种计算事故概率的方法，预先收集各类交通事故发生时的第一行驶数据，根据每一个交通事故对应的第一行驶数据，创建经验数据库，在载体汽车上设置至少两个采集位置，每隔设定时间，在每一个采集位置连续至少采集两张行驶状态图片，根据每个采集位置对应的至少两张行驶状态图片，获取对应的第二行驶数据，根据各个第二行驶数据及经验数据库，计算载体汽车发生交通事故的第二事故概率，这样，通过多组第二行驶数据，以与经验数据库中的经典事故案例进行比对的方式，获得载体汽车发生交通事故的第二事故概率，相对于直接通过行驶数据判断汽车是否会发生交通事故的方法，提高了事故预判的准确性。
[0045]在本发明一个实施例中，在同一个采集位置上，连续采集至少两张行驶状态图片，选择至少一个关键点，通过分析对比每张行驶状态图片上对应相同关键点的灰度值，判断载体汽车与障碍物之间的运动关系，计算出相对运动速度，从而获得各个采集点对应的第二行驶数据，在行驶状态图片上只选取几个关键点进行分析对比，这样可以节省图像分析时间，提高事故预判的速度。
[0046]在本发明一个实施例中，收集各类交通事故发生时的第一行驶数据，针对于每一个交通事故，以该交通事故对应的各个第一行驶数据作为粒子，形成第一粒子群，以每一个第一行驶数据包括的各个参数作为该粒子的初始位置，根据各个粒子的初始位置计算对应的适应度，根据适应度更新各个粒子的最佳位置及全局最佳位置，根据各个粒子的最佳位置及全局最佳位置，更新所述各个粒子的速度，根据所述各个粒子的速度，更新所述各个粒子的位置，根据更新后的位置再次计算各个粒子的适应度，重复这一过程，进行迭代计算，直至迭代次数达到预设值或全局最佳位置位于预设的最小界限之内，获得第一粒子群的最优值及最终全局最佳位置，其中最优值为第一事故概率，最终全局最佳位置为第一事故概率对应的最佳第一行驶数据，计算出每一个交通事故对应的第一行驶数据、最佳第一行驶数据及第一事故概率，由各个交通事故对应的第一行驶数据、最佳第一行驶数据及第一事故概率组成经验数据库，这样，通过已发生交通事故的行驶数据，通过粒子群优化算法计算对应的事故概率及最佳行驶数据，作为载体汽车事故预判的依据，为事故预判提供准确的标准。
[0047]在本发明一个实施例中，以采集到的各个第二行驶数据作为粒子，形成第二粒子群，以经验数据库中的各个最佳第一行驶数据为目标值，以每一个第二行驶数据包括的各个参数作为该粒子的初始位置，并设置各个粒子对应的速度及所述第二粒子群的最大迭代次数，根据初始位置计算各个粒子的适应度，根据适应度更新各个粒子的最佳位置及全局最佳位置，根据各个粒子的最佳位置及全局最佳位置，更新所述各个粒子的速度，根据所述各个粒子的速度，更新所述各个粒子的位置，根据更新后的位置再次计算各个粒子的适应度，重复这一过程，进行迭代计算，直至迭代次数达到最大迭代次数，获得第二粒子群的最优值，其中该最优值为全局最佳位置收敛的位置，将该最优值与经验数据库中的各个最佳第一行驶数据进行对比，当该最优值与其中一个最佳第一行驶数据的差值小于第一预设值时，将该最佳第一行驶数据对应的第一事故概率作为第二事故概率，以第二行驶数据作为粒子，以数据库中的各个最佳第一行驶数据作为目标，通过粒子群优化算法，计算第二粒子群的最优值，将最优值与各个最佳第一行驶数据进行比对，当与其中一个最佳第一行驶数据的差距小于预设值时，说明载体汽车的行驶状态与该最佳第一行驶数据对应的行驶状态很相似，以该最佳第一行驶数据对应的事故概率作为载体汽车的事故概率，通过这种与已发生事故案例对比的方式，提高事故预判的准确性，另外，设定最大迭代次数，可以减少粒子群计算的时间，尽早对载体汽车做出事故预判。
[0048]在本发明一个实施例中，当第二粒子群的最优值与经验数据中的各个最佳第一行驶数据的差值都大于第一预设值时，将第二粒子群的最优值与经验数据库中的各个第一行驶数据进行对比，如果第二粒子群的最优值与其中一个第一行驶数据的差值小于第二预设值，则将该第一行驶数据对应的第一事故概率作为第二事故概率，这样，可以在载体汽车行驶数据的最优值与数据库中的最佳行驶数据不匹配时，进行进一步的匹配，避免事故识别不到位，导致事故预判不全面的情况出现。
[0049]在本发明一个实施例中，粒子群优化算法中，速度更新通过公式V[] = v[] + [clXrand () X (pbest [] -present []) +c2 X rand () X (gbest []-present []) ] X Experience+Random完成，位置更新通过公式present [] = persent []+v []+Random完成，其中所述v []为粒子速度，Cl及c2为学习因子，rand O为O至I之间的随机数，pbest []为粒子最佳位置，gbest []为全局最佳位置，present []为粒子当前位置，Experience为经验值，Random为随机参数，相对于传统的粒子群算法，对每个粒子添加了随机参数Random和经验值Experience，使得每个粒子有了记忆功能，这样会降低收敛的迭代次数，经验值是达到最优的粒子在运行过程中产生的，可以共享给离它最近的粒子，从而保证粒子群在最少的迭代次数下计算出对应的最优值，提高事故概率预定的速度。
[0050]为使本发明的目的、技术方案和优点更加清楚，下面结合附图及具体实施例对本发明作进一步地详细描述。
[0051]如图2所示，本发明一个实施例提供了一种计算事故概率的方法，包括:
[0052]步骤201:收集各类交通事故发生时的第一行驶数据，通过每一个交通事故对应的各个第一行驶数据，计算各个交通事故对应的最佳第一行驶数据及第一事故概率。
[0053]在本发明一个实施例中，通过网络等途径，收集各类已经发生的交通事故在发生时事故车辆与障碍物之间的距离、相对速度及运动方向等行驶数据，由这些行驶数据组成第一行驶数据，由于事故车辆周围包括多个障碍物，所以每个交通事故对应多个第一行驶数据；
[0054]针对于每一个交通事故，以该交通事故对应的各个第一行驶数据为粒子，形成第一粒子群，以每个第一行驶数据包括的距离、相对速度及运动方向等参数作为粒子的初始位