一种安全监测方法及装置与流程

本申请涉及交通安全领域，尤其涉及一种安全监测方法及装置。

背景技术：

共享租车、共享单车等作为一种新型的共享经济，由于其方便受到人们的青睐。但是用户在驾驶或骑行过程中的安全问题并没有得到足够的重视。例如，用户在骑行单车过程中发生摔倒和碰撞的可能性非常大，从而对对用户的人身安全带来重大的威胁和隐患。

技术实现要素：

有鉴于此，本申请实施例提供一种安全监测方法及装置，能够实时获取用户的驾驶或骑行的相关数据，判断用户是否处于或者即将处于危险状态，及时发出安全提醒的信息或提供相应的帮助，提高了用户驾驶或骑行的安全性，进而提高了安全保证的全面性。

本申请的实施例提供了一种安全监测方法及装置。具体包括以下几个方面：

第一方面，本申请披露了一种安全监测方法。该方法包括：

获取车辆的车辆状态信息；

基于所述车辆状态信息，判断驾驶或者骑行车辆的用户是否处于危险状态；

在确定用户处于危险状态的情况下，触发报警机制。

在一些实施例中，若所述方法应用于平台服务器或者移动终端，在确定用户处于危险状态的情况下，触发报警机制，包括：在确定用户处于危险状态的情况下，向云端报警中心发送报警信息。

在一些实施例中，若所述方法应用于平台服务器，在确定用户处于危险状态的情况下，触发报警机制，包括：在确定用户处于危险状态的情况下，向移动终端发送预设的帮助信息。

在一些实施例中，所述车辆状态信息至少包括以下一种：

速度变化信息；加速度变化信息；重心变化信息。

在一些实施例中，根据所述车辆状态信息，判断驾驶或者骑行车辆的用户是否处于危险状态，包括：

根据所述车辆状态信息，在发生以下状况中的一种或多种时，确定所述用户处于危险状态：

所述车辆的重心变化量大于预设的重心变化阈值；

所述车辆的加速度变化量大于预设的加速度变化阈值；

所述车辆的速度变化量大于预设的速度变化阈值。

在一些实施例中，所述根据所述车辆状态信息，判断驾驶或者骑行车辆的用户是否处于危险状态包括：

根据当前采集的所述车辆状态信息、当前在多个车辆状态影响特征下的特征值、前一次采集的车辆状态信息、以及前一次采集车辆状态信息时，在多个车辆状态影响特征下的特征值，构建特征向量；

将所述特征向量输入至预先训练的危险状态检测模型中，获取驾驶或者骑行车辆的用户的在当前时刻的危险状态检测结果。

在一些实施例中，采用下述步骤训练所述危险状态检测模型：

针对多个样本用户中的每个样本用户，获取该样本用户在连续两个采样时刻分别对应的车辆状态信息以及在多个所述车辆状态影响特征下的特征值，以及所述样本用户对应的实际危险状态信息；

根据该样本用户在连续两个采样时刻分别对应的车辆状态信息以及在多个所述车辆状态影响特征下的特征值，构建该样本用户的特征向量；

将所述特征向量输入至预先构建的基础检测模型中，获得与该样本用户对应的危险状态检测结果；

根据各个所述样本用户的危险状态检测结果以及对应的实际危险状态信息，对所述基础检测模型进行训练，得到所述危险状态训练模型。

在一些实施例中，所述根据该样本用户在连续两个采样时刻分别对应的车辆状态信息以及在多个所述车辆状态影响特征下的特征值，构建该样本用户的特征向量，具体包括：

根据该样本用户分别在连续两个所述采样时刻分别对应的车辆状态信息以及在多个所述车辆状态影响特征下的特征值，构建两个所述采样时刻分别对应的中间特征向量；

将两个所述采样时刻分别对应的中间特征向量进行加权求和，生成该样本用户的特征向量；

或者，

将两个所述采样时刻分别对应的中间特征向量进行拼接，生成该样本用户的特征向量。

在一些实施例中，所述基础监测模型包括神经网络和分类器；将所述特征向量输入至预先构建的基础检测模型中，获得与样本用户对应的危险状态检测结果，包括：

将所述特征向量输入至所述神经网络中，获取目标特征向量；

将所述目标特征向量输入至分类器，获取所述危险状态检测结果。

在一些实施例中，所述根据各个所述样本用户的危险状态检测结果以及对应的实际危险状态信息，对所述基础检测模型进行训练，包括：

根据各个所述样本用户的危险状态检测结果以及对应的实际危险状态信息，对所述基础检测模型进行一轮训练后，调整基础检测模型的训练参数并进入下一轮训练，将经过多轮训练后的基础检测模型确定为所述危险状态检测模型。

在一些实施例中，采用下述步骤对所述基础检测模型进行本轮训练：

将本轮还未完成训练的所述样本用户中的任意一个样本用户确定为目标样本用户，根据该目标样本用户的危险状态检测结果，以及对应的实际危险状态信息，确定所述目标样本用户在本轮的交叉熵损失；

根据所述目标样本用户在本轮的交叉熵损失，调整所述基础检测模型的训练参数；

将所述目标样本用户作为本轮完成训练的样本用户，并将本轮还未完成训练的样本用户中任意一个样本用户确定为新的目标样本用户；

使用调整了参数后的所述基础检测模型，获取该新的目标样本用户的危险状态检测结果，并重新返回根据该目标样本用户的危险状态检测结果，以及对应的实际危险状态信息，确定所述目标样本用户在本轮的交叉熵损失的步骤；

直至所有样本用户都完成本轮的训练，完成对所述基础检测模型的本轮训练。

在一些实施例中，所述基础检测模型还包括：特征库；

所述方法还包括：

训练完成后，为各个所述样本用户的特征向量提取的目标特征向量之间的相似度；根据所述相似度对所述各个所述目标特征向量进行分类，生成多个类；

根据各个类中所包括的目标特征向量，确定各个类对应的中心特征向量；将所述中心特征向量存储在所述特征库中。

在一些实施例中，将所述特征向量输入至预先训练的危险状态检测模型中，获取驾驶或者骑行车辆的用户的在当前时刻的危险状态检测结果，包括：

将所述特征向量输入至预先训练的危险状态检测模型中，提取目标特征向量；

根据所述目标特征向量以及各个类对应的中心特征向量，获取驾驶或者骑行车辆的用户的在当前时刻的危险状态检测结果。

在一些实施例中，所述根据所述目标特征向量以及所述中心特征向量，获取驾驶或者骑行车辆的用户的在当前时刻的危险状态检测结果，包括：

计算所述目标特征向量与各个类对应的中心特征向量之间的相似度；

根据各个所述相似度以及预设的相似度阈值，获取驾驶或者骑行车辆的用户的在当前时刻的危险状态检测结果。

在一些实施例中，将所述特征向量输入至预先训练的危险状态检测模型中，获取驾驶或者骑行车辆的用户的在当前时刻的危险状态检测结果，包括：

将所述特征向量输入至预先训练的危险状态检测模型的神经网络中，得到目标特征向量，并将所述目标特征向量输入危险状态检测模型的分类器中，输出驾驶或者骑行车辆的用户的在当前时刻的危险状态检测结果；

根据所述目标特征向量、以及各个类对应的中心特征向量，验证输出的所述危险状态检测结果的准确性，并在确定输出的所述危险状态检测结果准确后，将该输出的危险状态检测结果作为获取的所述驾驶或者骑行车辆的用户的在当前时刻的危险状态检测结果。

在一些实施例中，根据所述目标特征向量、以及各个类对应的中心特征向量，验证输出的所述危险状态检测结果的准确性，具体包括：

计算所述目标特征向量与所述各个类对应的中心特征向量之间的相似度；

当其中一个类对应的相似度大于预设的相似度阈值，则所述危险状态检测结果是准确的。

在一些实施例中，所述车辆状态影响特征，包括以下特征中的至少一种：

路况特征、道路特征、天气特征

第二方面，本申请披露了一种安全监测装置。该装置包括：

获取模块，用于获取车辆的车辆状态信息；

判断模块，用于基于所述车辆状态信息，判断驾驶或者骑行车辆的用户是否处于危险状态；

触发模块，用于在确定用户处于危险状态的情况下，触发报警机制。

在一些实施例中，若所述装置应用于平台服务器或者移动终端，所述触发模块，用于采用下述方式在确定用户处于危险状态的情况下，触发报警机制，包括：在确定用户处于危险状态的情况下，向云端报警中心发送报警信息；或者，

在一些实施例中，若所述装置应用于平台服务器，所述触发模块，用于采用下述方式在确定用户处于危险状态的情况下，触发报警机制，包括：在确定用户处于危险状态的情况下，向移动终端发送预设的帮助信息。

在一些实施例中，所述车辆状态信息至少包括以下一种：

速度变化信息；加速度变化信息；重心变化信息。

在一些实施例中，所述判断模块，用于采用下述方式根据所述车辆状态信息，判断驾驶或者骑行车辆的用户是否处于危险状态，包括：

根据所述车辆状态信息，在发生以下状况中的一种或多种时，确定所述用户处于危险状态：

所述车辆的重心变化量大于预设的重心变化阈值；

所述车辆的加速度变化量大于预设的加速度变化阈值；

所述车辆的速度变化量大于预设的速度变化阈值。

在一些实施例中，所述判断模块，用于采用下述方式根据所述车辆状态信息，判断驾驶或者骑行车辆的用户是否处于危险状态包括：

根据当前采集的所述车辆状态信息、当前在多个车辆状态影响特征下的特征值、前一次采集的车辆状态信息、以及前一次采集车辆状态信息时，在多个车辆状态影响特征下的特征值，构建特征向量；

将所述特征向量输入至预先训练的危险状态检测模型中，获取驾驶或者骑行车辆的用户的在当前时刻的危险状态检测结果。

在一些实施例中，所述装置还包括训练模块；

所述训练模块，用于采用下述步骤训练所述危险状态检测模型：

针对多个样本用户中的每个样本用户，获取该样本用户在连续两个采样时刻分别对应的车辆状态信息以及在多个所述车辆状态影响特征下的特征值，以及所述样本用户对应的实际危险状态信息；

根据该样本用户在连续两个采样时刻分别对应的车辆状态信息以及在多个所述车辆状态影响特征下的特征值，构建该样本用户的特征向量；

将所述特征向量输入至预先构建的基础检测模型中，获得与该样本用户对应的危险状态检测结果；

根据各个所述样本用户的危险状态检测结果以及对应的实际危险状态信息，对所述基础检测模型进行训练，得到所述危险状态检测模型。

在一些实施例中，所述训练模块，用于采用下述方式根据该样本用户在连续两个采样时刻分别对应的车辆状态信息以及在多个所述车辆状态影响特征下的特征值，构建该样本用户的特征向量，具体包括：

根据该样本用户分别在连续两个所述采样时刻分别对应的车辆状态信息以及在多个所述车辆状态影响特征下的特征值，构建两个所述采样时刻分别对应的中间特征向量；

将两个所述采样时刻分别对应的中间特征向量进行加权求和，生成该样本用户的特征向量；

或者，

将两个所述采样时刻分别对应的中间特征向量进行拼接，生成该样本用户的特征向量。

在一些实施例中，所述基础监测模型包括神经网络和分类器；所述训练模块，用于采用下述方式将所述特征向量输入至预先构建的基础检测模型中，获得与样本用户对应的危险状态检测结果，包括：

将所述特征向量输入至所述神经网络中，获取目标特征向量；

将所述目标特征向量输入至分类器，获取所述危险状态检测结果。

在一些实施例中，所述训练模块，用于采用下述方式根据各个所述样本用户的危险状态检测结果以及对应的实际危险状态信息，对所述基础检测模型进行训练，包括：

根据各个所述样本用户的危险状态检测结果以及对应的实际危险状态信息，对所述基础检测模型进行一轮训练后，调整基础检测模型的训练参数并进入下一轮训练，将经过多轮训练后的基础检测模型确定为所述危险状态检测模型。

在一些实施例中，所述训练模块，用于采用下述方式对所述基础检测模型进行本轮训练：

将本轮还未完成训练的所述样本用户中的任意一个样本用户确定为目标样本用户，根据该目标样本用户的危险状态检测结果，以及对应的实际危险状态信息，确定所述目标样本用户在本轮的交叉熵损失；

根据所述目标样本用户在本轮的交叉熵损失，调整所述基础检测模型的训练参数；

将所述目标样本用户作为本轮完成训练的样本用户，并将本轮还未完成训练的样本用户中任意一个样本用户确定为新的目标样本用户；

使用调整了参数后的所述基础检测模型，获取该新的目标样本用户的危险状态检测结果，并重新返回根据该目标样本用户的危险状态检测结果，以及对应的实际危险状态信息，确定所述目标样本用户在本轮的交叉熵损失的步骤；

直至所有样本用户都完成本轮的训练，完成对所述基础检测模型的本轮训练。

在一些实施例中，所述基础检测模型还包括：特征库；

所述训练模块，还用于：

训练完成后，为各个所述样本用户的特征向量提取的目标特征向量之间的相似度；根据所述相似度对所述各个所述目标特征向量进行分类，生成多个类；

根据各个类中所包括的目标特征向量，确定各个类对应的中心特征向量；将所述中心特征向量存储在所述特征库中。

在一些实施例中，所述判断模块，用于采用下述方式将所述特征向量输入至预先训练的危险状态检测模型中，获取驾驶或者骑行车辆的用户的在当前时刻的危险状态检测结果，包括：

将所述特征向量输入至预先训练的危险状态检测模型中，提取目标特征向量；

根据所述目标特征向量以及各个类对应的中心特征向量，获取驾驶或者骑行车辆的用户的在当前时刻的危险状态检测结果。

在一些实施例中，所述判断模块，用于采用下述方式根据所述目标特征向量以及所述中心特征向量，获取驾驶或者骑行车辆的用户的在当前时刻的危险状态检测结果，包括：

计算所述目标特征向量与各个类对应的中心特征向量之间的相似度；

根据各个所述相似度以及预设的相似度阈值，获取驾驶或者骑行车辆的用户的在当前时刻的危险状态检测结果。

在一些实施例中，所述判断模块，用于采用下述方式将所述特征向量输入至预先训练的危险状态检测模型中，获取驾驶或者骑行车辆的用户的在当前时刻的危险状态检测结果，包括：

将所述特征向量输入至预先训练的危险状态检测模型的神经网络中，得到目标特征向量，并将所述目标特征向量输入危险状态检测模型的分类器中，输出驾驶或者骑行车辆的用户的在当前时刻的危险状态检测结果；

根据所述目标特征向量、以及各个类对应的中心特征向量，验证输出的所述危险状态检测结果的准确性，并在确定输出的所述危险状态检测结果准确后，将该输出的危险状态检测结果作为获取的所述驾驶或者骑行车辆的用户的在当前时刻的危险状态检测结果。

在一些实施例中，所述判断模块，用于采用下述方式根据所述目标特征向量、以及各个类对应的中心特征向量，验证输出的所述危险状态检测结果的准确性，具体包括：

计算所述目标特征向量与所述各个类对应的中心特征向量之间的相似度；

当其中一个类对应的相似度大于预设的相似度阈值，则所述危险状态检测结果是准确的。

在一些实施例中，所述车辆状态影响特征，包括以下特征中的至少一种：

路况特征、道路特征、天气特征。

第三方面，本申请披露了一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行第一方面，或第一方面任意一种可能的实施方式中所述的安全监测方法。

第四方面，本申请披露了一种计算机可读存储介质。该计算机可读存储介质上存储计算机程序，当所述计算机程序被处理器运行时执行第一方面，或第一方面任意一种可能的实施方式中所述的安全监测方法的步骤。

本申请实施例提供的一种安全监测方法及装置，通过车辆的车辆状态信息，确认用户是否处于危险状态，并在判断出用户处于危险状态的情况下，触发报警机制，能够实时获取用户的驾驶或骑行的相关数据，判断用户是否处于或者即将处于危险状态，及时发出安全提醒的信息或提供相应的帮助，提高了用户驾驶或骑行的安全性，进而提高了安全保证的全面性。

本申请的一部分附加特性可以在下面的描述中进行说明。通过对以下描述和相应附图的检查或者对实施例的生产或操作的了解，本申请的一部分附加特征对于本领域技术人员是显而易见的。本申请的特性可以通过对以下描述的具体实施例的各种方面的方法、手段和组合的实践或使用得以实现和达到。

附图说明

图1为根据本申请的实施例所示的一种示例性的安全监测方法100的流程图。

图2为根据本申请的实施例所示的基于车辆的速度变化量判断驾驶或者骑行车辆的用户是否处于或者即将处于危险状态的方法200的流程图。

图3为根据本申请的实施例所示的基于车辆的加速度变化量判断驾驶或者骑行车辆的用户是否处于或者即将处于危险状态的方法300的流程图。

图4为根据本申请的实施例所示的基于车辆的重心变化量判断驾驶或者骑行车辆的用户是否处于或者即将处于危险状态的方法400的流程图。

图5为根据本申请的实施例所示的另一种示例性的安全监测方法500的流程图。

图6为根据本申请的实施例所示的另一种示例性的安全监测方法600的流程图。

图7为根据本申请的一些实施例所示的一种安全监测装置700的功能框图。

具体实施方式

为了更清楚地说明本申请的实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。

虽然本申请对根据本申请的实施例的系统中的某些模块或单元做出了各种引用，然而，任何数量的不同模块或单元可以被使用并运行在客户端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。

本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

本申请的实施例可以应用于不同的运输系统，不同的运输系统包括但不限于陆地、海洋、航空、航天等中的一种或几种的组合。例如，出租车、专车、顺风车、巴士、代驾、火车、动车、高铁、无人驾驶的交通工具、收/送快递等应用了管理和/或分配的运输系统。本申请的不同实施例应用场景包括但不限于网页、浏览器插件、客户端、定制系统、企业内部分析系统、人工智能机器人等中的一种或几种的组合。应当理解的是，本申请的系统及方法的应用场景仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其它类似情景。

本申请描述的“乘客端”、“乘客端用户”、“乘客端设备”、“客户端”、“客户端设备”、“客户端用户”、“用户”、“使用者”、“用户端”、“移动终端”等是可以互换的，是指需要或者订购服务的一方，可以是个人，也可以是工具。另外，本申请描述的“用户”可以是需要或者订购服务的一方，也可以是提供服务或者协助提供服务的一方。

图1为根据本申请的实施例所示的一种示例性的安全监测方法的流程图。

在一些实施例中，该安全监测方法100可以由平台服务器等具有处理、运算能力的设备执行。在一些实施例中，该安全监测方法100可以由移动终端等具有处理、运算能力的设备执行。移动终端(例如，手机)可以包括一种或多种传感器，用于采集各种信息。例如，传感器可以包括重力传感器、速度传感器、加速度传感器、陀螺仪、温度传感器、湿度传感器等。移动终端可包括平板电脑、笔记本计算机、手机、个人数字助理(pda)、智能手表、销售点(pos)装置、可穿戴装置(例如，智能手环)或类似物或其任意组合。

步骤101，获取车辆的车辆状态信息。

车辆的车辆状态信息可以通过用户的移动终端采集。平台服务器可以通过移动通信网络获取移动终端上传的车辆的车辆状态信息。移动通信网络可以是缆线网络、有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网络(lan)、广域网路(wan)、无线局域网络(wlan)、城域网(man)、公共开关电话网络(pstn)、全球行动通讯系统(gsm)网络、时分同步码分多址网络(td-scdma)、分时长期演进网络(td-lte)、码分多址(cdma)网络、时分多址(tdma)网络、通用分组无线服务(gprs)网络、增强数据速率gsm演进(edge)网络、宽带码分多址接入(wcdma)网络、高速下行分组接入(hsdpa)网络、长期演进(lte)网络、用户数据报协议(udp)网络、传输控制协议/互联网协议(tcp/ip)网络、无线应用协议(wap)网络、超宽带(uwb)网络等。

在一些实施例中，移动终端可以通过不同的内置的传感器采集移动终端的运动数据作为车辆的车辆状态信息。车辆状态信息可以包括车辆的速度变化信息、车辆的加速度变化信息、车辆的重心变化信息，还可以包括车辆的行驶轨迹(或行驶路线)、车辆的位置、行驶的时刻、行驶的时长等。移动终端可以通过内置的速度传感器监测移动终端的移动速度并作为车辆的行驶速度。移动终端可以通过内置的加速度传感器获得移动终端的加速度作为车辆的加速度。移动终端可以通过内置的重力传感器、陀螺仪、三轴传感器、方向传感器等获得移动终端的发生偏转的角度作为车辆的倾斜角度。例如，用户在平稳骑行单车时突然发生摔倒，则移动终端则会发生一定偏转(例如，从竖直方向变为水平方向)，移动终端可以检测出移动终端偏转的角度并作为车辆的倾斜角度。移动终端可以通过内置的gps系统记录车辆的位置并上传给平台服务器。平台服务器从而可以记录车辆的行驶轨迹(或行驶路线)。车辆可以包括单车、自行车、摩托车、电动自行车、电动车、机动车等。

步骤102，基于所述车辆状态信息，判断驾驶或者骑行车辆的用户是否处于危险状态。

平台服务器可以通过比较采集的车辆的车辆状态信息是否满足预设条件，判断驾驶或骑行车辆的用户是否处于危险状态。

在一些实施例中，平台服务器可以基于车辆的行驶速度，判断驾驶或骑行车辆的用户是否处于或者即将处于危险状态。例如，当车辆处于持续加速状态时，且速度将要超过预设的安全速度时，平台服务器可以判断用户即将处于危险状态。当速度超过预设的安全速度时，平台服务器可以判断用户处于危险状态。关于基于车辆的行驶速度判断驾驶或者骑行车辆的用户是否处于或者即将处于危险状态的具体内容可以进一步参见后面的详细描述(例如，图2)。需要注意的是，本文对行驶速度做判断时指对行驶速度的大小(或行驶速率)进行判断。

在一些实施例中，平台服务器可以基于车辆的加速度，判断驾驶或骑行车辆的用户是否处于或者即将处于危险状态。例如，当车辆发生撞击或被追尾时，车辆的加速度会突然增大，并可能超过预设的加速度，平台服务器可以确定此时用户处于危险状态。关于基于车辆的加速度判断驾驶或者骑行车辆的用户是否处于危险状态的具体内容可以进一步参见后面的详细描述(例如，图3)。需要注意的是，本文对加速度做判断时指对加速度的大小进行判断。

在一些实施例中，平台服务器可以基于车辆的倾斜角度，判断驾驶或骑行车辆的用户是否处于或者即将处于危险状态。例如，用户在骑行单车时，移动终端(例如，手机)一直处于竖直状态，当用户突然摔倒时，则移动终端从竖直状态偏转了一定的角度。通过移动终端内置的重力传感器可以监测移动终端的重心的变化，从而确定移动终端发生偏转的角度。当移动终端检测出偏转的角度大于预设的安全角度时，平台服务器则可以确定用户处于危险状态。关于基于车辆的倾斜角度判断驾驶或者骑行车辆的用户是否处于危险状态的具体内容可以进一步参见后面的详细描述(例如，图4)。

在一些实施例中，平台服务器可以基于车辆的行驶状态信息和危险状态判断模型，判断驾驶或者骑行车辆的用户是否处于危险状态。平台服务器可以基于大数据统计对初始的危险状态判断模型进行训练获得经训练的危险状态判断模型。关于基于车辆的行驶状态信息和危险状态判断模型，平台服务器判断驾驶或者骑行车辆的用户是否处于危险状态的具体内容可以进一步参见后面的详细描述(例如，图5)。

在一些实施例中，平台服务器可以基于车辆的行驶轨迹(或行驶路线)，判断驾驶或骑行车辆的用户是否处于或者即将处于危险状态。例如，当用户骑行单车的行驶路径与平台服务器规划的导航路径发生偏离时，则平台服务器可以确定用户处于危险状态。当行驶路径与导航路径偏离的程度越大时，则平台服务器判断用户处于或者即将处于危险状态的概率越大。

在一些实施例中，平台服务器可以基于车辆的速度、车辆的加速度、车辆的倾斜角度、车辆的行驶轨迹等多种参数进行综合判断。例如，当车辆的加速度超过某一阈值和倾斜角度超过某一阈值时，平台服务器可以确定用户处于或者即将处于危险状态。又例如，当车辆的速度超过某一阈值且车辆的加速度超过某一阈值时，平台服务器可以确定用户处于危险状态。

步骤103，在确定用户处于危险状态的情况下，触发报警机制。

当平台服务器或者移动终端判断出用户处于危险状态时，可以生成报警信息发送给云端报警系统，其中，报警信息可以是用于指示云端报警系统报警的指令信息，云端系统接收到报警信息后进行报警，来提示后台的工作人员打电话给用户让用户反馈是否确实处于危险状态。

使用移动终端判断用户是否处于危险状态时，可以是移动终端采集到车辆的车辆状态信息后，通过移动终端上安装的应用程序来判断。

当平台服务器判断出用户处于危险状态时，还可以向移动终端发送帮助信息，其中，帮助信息可以是用来确认用户是否真的处于危险状态，以及用户发生危险后的严重程度的信息，且帮助信息还可以包含客服的电话，对于不同危险可以采取的处理方式等，当用户收到帮助信息时，可以根据自身处于危险时的情况，选择帮助信息中包含的处理方式，如向客服打电话，向平台服务器反馈用户自身当前是否真正处于危险状态等，例如，用户接收到帮助信息，但是，用户自身还可以正常的驾驶车辆或者行驶车辆，用户可以通过帮助信息中的回复选项向客服反映用户自身当前的状态，如，回复“1”表示用户当前并未处于危险状态。也可以通过发送语音信息至平台服务器。

在一些实施例中，当监测的行驶速度超过安全阈值时，平台服务器可以通过移动通信网络远程控制车辆的刹车系统适当增加刹力以降低车辆的行驶速度。

仅作为示例说明，图2示出了在一些实施例中，基于所述车辆的速度变化量，判断驾驶或者骑行车辆的用户是否处于危险状态可以包括的步骤。

步骤201，判断车辆的速度变化量是否大于速度变化阈值。

速度变化阈值可以为平台服务器设定的速度值。对于机动车而言，速度变化阈值可以为90km/h、100km/h、110km/h、120km/h等。对于单车而言，第一阈值可以20km/h、30km/h、40kmh等。移动终端关联的用户也可以根据自身的驾驶或骑行习惯设定个性化的阈值。在一实施例中，车辆的速度变化量为相对于车辆的速度为0时的变化量。在又一实施例中，车辆的速度变化量为相对于之前某一时刻(例如，前1秒、5秒、10秒等)的车辆的速度变化量。在又一实施例中，车辆的速度变化量可以为相对于用户历史骑行或驾驶车辆的平均速度的速度变化量。

步骤202，当车辆的速度变化量大于速度变化阈值时，确定用户处于危险状态。

移动终端可以通过内置的速度传感器监测移动终端的移动速度并作为车辆的行驶速度。通过步骤201的判断，当车辆的速度变化量大于速度变化阈值时，平台服务器可以确定用户处于危险状态。例如，当车辆受到撞击时，车辆的速度变化量可能超过速度变化阈值，平台服务器可以确定用户可能发生危险，从而确定用户处于危险状态。又例如，用户可能处于飙车状态中，平台服务器通过获取移动终端监测的车辆的行驶速度，可以判断出用户正处于危险驾驶中。又例如，用户在骑行单车过程中正处于下坡状态，则单车在下坡过程中可以一直处于加速状态中，单车的速度变化量可能超过速度变化阈值。平台服务器可以及时判断出用户处于危险状态，并进一步可以向用户发出处于危险状态的信号。

步骤203，当车辆的速度变化量不大于速度变化阈值时，确定用户处于安全状态。

通过步骤201的判断，当车辆的速度变化量不大于速度变化阈值时，平台服务器可以确定用户处于安全状态。

仅作为示例说明，图3示出了在一些实施例中，基于车辆的加速度变化量，判断驾驶或者骑行车辆的用户是否处于危险状态可以包括的步骤：

步骤301，判断车辆的加速度变化量是否大于加速度变化阈值。

加速度变化阈值可以为平台服务器设定的值，例如，1m/s²、2m/s²、3m/s²、4m/s²、5m/s²、6m/s²等。移动终端关联的用户也可以根据自身的驾驶或骑行习惯设定个性化的阈值。在一实施例中，车辆的加速度变化量为相对于车辆静止或匀速行驶时的加速度的变化量。在又一实施例中，车辆的加速度变化量为相对于之前某一时刻(例如，前1秒、5秒、10秒等)的车辆的加速度变化量。

步骤302，当车辆的加速度变化量大于加速度变化阈值时，确定用户处于危险状态。

移动终端可以通过内置的加速度传感器获得移动终端的加速度作为车辆的加速度。通过步骤301的判断，当车辆的加速度变化量大于加速度变化阈值时，平台服务器可以确定用户处于危险状态。例如，对于机动车而言，当车辆发生撞击或被追尾时，车辆的加速度会突然增大，加速度的变化量可能超过加速度变化阈值(例如，1m/s²、2m/s²、3m/s²、4m/s²、5m/s²、6m/s²等)，平台服务器可以确定此时用户处于危险状态。又例如，用户在骑行单车过程中可能与前方物体发生碰撞，从而发生突然减速，此时的加速度为减加速度。当移动终端监测的加速度变化量大于加速度变化阈值(例如，1m/s²、2m/s²、3m/s²、4m/s²、5m/s²、6m/s²等)时，平台服务器可以确定此时用户处于危险状态，例如，用户可能处于摔倒状态。又例如，用户在骑行单车过程中可能被后方物体撞击，从而发生加速。当移动终端监测的加速度变化量大于加速度变化阈值时，平台服务器可以确定用户处于危险状态，例如，用户可能处于摔倒状态。平台服务器可以通过移动终端监测的车辆的加速度及时判断出用户处于危险状态，并进一步可以向移动终端发出用户处于危险状态的信号。

步骤303，当车辆的加速度的变化量不大于加速度变化阈值时，确定用户处于安全状态。

通过步骤301的判断，当车辆的加速度的变化量不大于加速度变化阈值时，平台服务器可以确定用户处于安全状态。

仅作为示例说明，图4示出了在一些实施例中，基于车辆的行驶状态信息，判断驾驶或者骑行车辆的用户是否处于危险状态可以包括的步骤。

步骤401，判断车辆的重心变化量是否大于重心变化阈值。

重心变化阈值可以为平台服务器设定的值。对于单车而言，

重心变化阈值可以为服务器设定的值。在一些实施例中，通过重心变化量能够得到车辆的倾斜角度，车辆的倾斜角度为车辆相对于竖直方向(与地面垂直)的角度。对于单车而言，用户在骑行过程中，单车一般与地面垂直，当发生倾斜时，重心会发生变化，导致单车相对于竖直方向发生偏转角度。移动终端可以通过内置的重力传感器等获得移动终端的重心。例如，用户在骑行单车时，通过重力传感器可以监测移动终端的重心的变化，从而确定移动终端发生偏转的角度。

步骤402，当车辆的重心变化量大于重心变化阈值时，确定用户处于危险状态。

通过移动终端内置的重力传感器获取重心变化量，当重心变化量大于重心变化阈值时，则说明车辆已经发生倾倒，确定用户处于危险状态。

步骤403，当车辆的重心变化量不大于重心变化阈值时，确定用户处于安全状态。

通过步骤401的判断，当车辆的重心变化量不大于重心变化阈值时，移动终端可以确定用户处于安全状态。

在一些实施例中，可以通过将速度变化量、加速度变化量以及重心变化量相结合，综合判断驾驶或者骑行车辆的用户是否处于危险状态，例如，对于单车而言，在单车转弯的时候，车辆的速度变化量可能超过了速度变化阈值，但是，重心变化量并未超过重心变化阈值，在这种情况下，单车会存在并未处于危险状态的情况。

图5为根据本申请的实施例所示的一种示例性的安全监测方法中，根据车辆状态信息，判断驾驶或者骑行车辆的用户是否处于危险状态的流程图。

在一些实施例中，该安全监测方法500可以由平台服务器等具有处理、运算能力的设备执行。在一些实施例中，该安全监测方法500可以由移动终端等具有处理、运算能力的设备执行。

步骤501，根据当前采集的车辆状态信息、当前在多个车辆状态影响特征下的特征值、前一次采集的车辆状态信息、以及前一次采集车辆状态信息时，在多个车辆状态影响特征下的特征值，构建特征向量。

车辆的车辆状态信息可以通过用户的移动终端采集。平台服务器可以通过移动通信网络获取移动终端上传的车辆的车辆状态信息。在一些实施例中，移动终端可以通过不同的内置的传感器采集移动终端的运动数据作为车辆的行驶状态信息。车辆状态信息可以包括车辆的速度变化量、车辆的加速度变化量、车辆的重心变化量、车辆的倾斜角度、车辆的行驶轨迹(或行驶路线)、车辆的位置、行驶的时刻、行驶的时长等。

在一些实施例中，车辆状态影响特征可以包括路况特征、道路特征、以及天气特征中的至少一种，平台服务器可以通过交通部门的流量检测系统，获取路况特征以及道路特征，还可以通过天气部门的天气监测系统来获取天气特征。

由于车辆在行驶过程中每一时刻的车辆状态都会影响下一时刻的车辆状态，因此，在构建特征向量时，需要当前采集到的车辆状态信息，以及当前在多个车辆状态影响特征下的特征值、前一次采集的车辆状态信息、以及前一次采集车辆状态信息时，在多个车辆状态影响特征下的特征值。车辆状态信息以及车辆状态影响特征你都对应有特征值，对于数值特征则直接使用数值特征对应的数值，例如，机动车车辆的速度为60km/h，则速度特征对应的特征值为“60”。对于类别特征，则使用独热(one-hot)的编码方式，例如，路况特征为拥堵，则路况特征对应的特征值为“1”。

在确定了各个特征下的特征值后，使用这些特征值构建特征向量。

步骤502，将特征向量输入至预先训练的危险状态检测模型中，获取驾驶或者骑行车辆的用户在当前时刻的危险状态检测结果。

危险状态检测模型是预先经过训练的，在构建了特征向量后，将特征向量输入至危险状态检测模型中，能够得到驾驶或者骑行车辆的用户的在当前时刻的危险状态检测结果，获得用户处于危险状态的概率，从而判断驾驶或者骑行车辆的用户是否处于危险状态。危险状态检测模型可以是由神经网络、分类器以及预设的特征库构成，也可以是由神经网络以及预设的特征库构成。

在一些实施例中，危险状态检测模型可以包括神经网络以及特征库，将特征向量输入至神经网络中，能够提取出用户的目标特征向量，计算目标特征向量与特征库中各个类对应的中心特征向量之间的相似度，可以是通过相似度以及相似度阈值，获取驾驶或者骑行车辆的用户的在当前时刻的危险状态检测结果，例如，特征库中各个类的中心特征向量是由出于危险状态的用户对应的目标特征向量得到的，目标特征向量与各个类之间的相似度与相似度阈值进行对比后，只存在一个类对应的相似度不大于相似度阈值，则确定用户处于危险状态。

在一些实施例中，危险状态检测模型包括神经网络、分类器以及预设的特征库构成，将特征向量输入至神经网络中，能够得到目标特征向量，将目标特征向量输入至分类器中，输出危险状态检测结果，输出危险状态检测结果后，通过特征库来验证当前输出的危险状态检测结果是否准确，在验证输出的危险状态结果准确后，将输出的危险状态检测结果作为最终的危险状态检测结果，具体地，可以计算神经网络得到的目标特征向量以及特征库中各个类对应的中心特征向量之间的相似度，当其中一个类对应的相似度大于预设的相似度阈值，则输出的危险状态检测结果是准确的。

图6为根据本申请的实施例所示的一种示例性的安全监测方法中，训练危险状态检测模型的流程图。

在一些实施例中，危险状态检测模型的训练过程可以在平台服务器执行。平台服务器训练危险状态检测模型的过程可以包括步骤601至604：

步骤601，针对多个样本用户中的每个样本用户，获取该样本用户在连续两个采样时刻分别对应的车辆状态信息以及在多个车辆状态影响特征下的特征值，以及样本用户对应的实际危险状态信息。

平台服务器可以基于大数据统计获得大量用户的历史数据作为训练样本。平台服务器可以统计不同用户的连续两个时刻的车辆的车辆状态信息和在多个车辆状态影响特征下的特征值，并获取各个样本用户对应的实际危险状态信息。关于车辆状态信息以及在多个车辆状态影响特征的描述可参见步骤501。实际的危险状态信息是指样本用户是否在两个采样时刻中的后一个时刻处于危险状态。

步骤602，根据该样本用户在连续两个采样时刻分别对应的车辆状态信息以及在多个车辆状态影响特征下的特征值，构建该样本用户的特征向量。

在进行模型训练的过程中，可以是从后台数据库中获取样本用户的车辆状态信息以及在多个车辆状态影响特征，通过确定车辆状态信息中各个特征对应的特征值，以及各个车辆状态影响特征下的特征值，构建样本用户的特征向量。

在一些实施例中，不同采样时刻的特征都对应有特征值，在构建样本用户的特征向量时，分别构建两个采样时刻的中间特征向量，构建两个采样时刻分别对应的中间特征向量后，可以是将两个采样时刻分别对应的中间特征向量进行加权求和，得到该样本用户的特征向量，也可以是将两个采样时刻分别对应的中间特征向量进行拼接得到该样本用户的特征向量。

例如，对于单车而言，第一个采样时刻对应的中间特征向量为x1(n1，n2)，第二个采样时刻对应的中间特征向量为x2(m1，m2)，则拼接后得到用户的特征向量为(n1，n2，m1，m2)。

步骤603，将特征向量输入至预先构建的基础检测模型中，获得与该样本用户对应的危险状态检测结果。

基础检测模型可以是由神经网络构成，也可以是由神经网络和分类器构成，将样本用户对应的特征向量输入至基础检测模型中，能够得到危险状态检测结果。

在一些实施例中，当基础检测模型是由神经网络和分类器构成时，首先，将样本用户的特征向量输入至神经网络中，得到目标特征向量，将目标特征向量输入至分类器中，能够得到样本用户的危险状态检测结果。

在一些实施例中，当基础检测模型是由神经网络构成时，将样本用户的特征向量输入至神经网络中，能够得到目标特征向量，根据目标特征向量以及预先建立的特征库中各个类对应的中心特征向量，得到样本用户的危险状态检测结果。

步骤604，根据各个样本用户的危险状态检测结果以及对应的实际危险状态信息，对基础检测模型进行训练。

根据各个样本用户的危险状态检测结果，以及该样本用户对应的危险状态信息，能够不断调整基础检测模型的训练参数，经过多轮训练，得到危险状态检测模型。

在一些实施例中，选择任意一个样本用户确定为目标样本用户，根据该目标样本用户的危险状态检测结果，以及对应的实际危险状态信息，确定目标样本用户在本轮的交叉熵损失，获得交叉熵损失后，可以通过交叉熵损失以及预设的交叉熵损失阈值进行对比，来调整基础检测模型的训练参数，例如，交叉熵损失大于交叉熵损失阈值，则调整基础检测模型的训练参数，则完成目标样本用户的训练。并将本论中还未完成训练的样本用户中任意一个样本用户确定为新的目标样本用户，使用上述训练过程对调整训练参数后的基础检测模型进行训练，直至所有样本用户都完成训练，则完成对基础检测模型的本轮训练。

在一些实施例中，基础检测模型还包括特征库，对基础检测模型训练完成后，确定各个样本用户通过训练完成的基础检测模型提取目标特征向量，并计算各个样本用户对应的目标特征向量之间的相似度，根据各个目标特征向量之间的相似度，对各个样本用户对应的目标特征向量进行分类，生成多个类，将各类中包含的目标特征向量投射在相应空间维度上，计算投射在相应空间维度上的中心点的中心特征向量。例如，在某类中包含16个目标特征向量，则建立16维度的空间，这16个目标特征向量对应16维度空间的各个点。得到各个类的中心特征向量后，将中心特征向量存储至特征库中。

本实施例的有益效果在于能够实时获取用户的驾驶或骑行的相关数据，判断用户是否处于或者即将处于危险状态，及时发出安全提醒的信息或提供相应的帮助，提高了用户驾驶或骑行的安全性，进而提高了安全保证的全面性。

图7为根据本申请的一些实施例所示的一种安全监测装置的功能框图。

安全监测装置700可以由平台服务器、移动终端等具有处理、运算能力的设备执行。为描述方便，安全监测装置700也可以称为安全监测系统。

安全监测装置700可以包括获取模块710、判断模块720和触发模块730。

获取模块710，用于获取车辆的车辆状态信息；

判断模块720，用于基于车辆状态信息，判断驾驶或者骑行车辆的用户是否处于危险状态；

触发模块730，用于在确定用户处于危险状态的情况下，触发报警机制。

在一些实施例中，若装置应用于平台服务器或者移动终端，触发模块730，用于采用下述方式在确定用户处于危险状态的情况下，触发报警机制，包括：在确定用户处于危险状态的情况下，向云端报警中心发送报警信息；或者，

在一些实施例中，若装置应用于平台服务器，触发模块730，用于采用下述方式在确定用户处于危险状态的情况下，触发报警机制，包括：在确定用户处于危险状态的情况下，向移动终端发送预设的帮助信息。

在一些实施例中，车辆状态信息至少包括以下一种：

速度变化信息；加速度变化信息；重心变化信息。

在一些实施例中，判断模块720，用于采用下述方式根据车辆状态信息，判断驾驶或者骑行车辆的用户是否处于危险状态，包括：

根据车辆状态信息，在发生以下状况中的一种或多种时，确定用户处于危险状态：

车辆的重心变化量大于预设的重心变化阈值；

车辆的加速度变化量大于预设的加速度变化阈值；

车辆的速度变化量大于预设的速度变化阈值。

在一些实施例中，判断模块720，用于采用下述方式根据车辆状态信息，判断驾驶或者骑行车辆的用户是否处于危险状态包括：

根据当前采集的车辆状态信息、当前在多个车辆状态影响特征下的特征值、前一次采集的车辆状态信息、以及前一次采集车辆状态信息时，在多个车辆状态影响特征下的特征值，构建特征向量；

将特征向量输入至预先训练的危险状态检测模型中，获取驾驶或者骑行车辆的用户的在当前时刻的危险状态检测结果。

在一些实施例中，装置还包括训练模块740；

训练模块740，用于采用下述步骤训练危险状态检测模型：

针对多个样本用户中的每个样本用户，获取该样本用户在连续两个采样时刻分别对应的车辆状态信息以及在多个车辆状态影响特征下的特征值，以及样本用户对应的实际危险状态信息；

根据该样本用户在连续两个采样时刻分别对应的车辆状态信息以及在多个车辆状态影响特征下的特征值，构建该样本用户的特征向量；

将特征向量输入至预先构建的基础检测模型中，获得与该样本用户对应的危险状态检测结果；

根据各个样本用户的危险状态检测结果以及对应的实际危险状态信息，对基础检测模型进行训练，得到所述危险状态检测模型。

在一些实施例中，训练模块740，用于采用下述方式根据该样本用户在连续两个采样时刻分别对应的车辆状态信息以及在多个车辆状态影响特征下的特征值，构建该样本用户的特征向量，具体包括：

根据该样本用户分别在连续两个采样时刻分别对应的车辆状态信息以及在多个车辆状态影响特征下的特征值，构建两个采样时刻分别对应的中间特征向量；

将两个采样时刻分别对应的中间特征向量进行加权求和，生成该样本用户的特征向量；

或者，

将两个采样时刻分别对应的中间特征向量进行拼接，生成该样本用户的特征向量。

在一些实施例中，基础监测模型包括神经网络和分类器；训练模块740，用于采用下述方式将特征向量输入至预先构建的基础检测模型中，获得与样本用户对应的危险状态检测结果，包括：

将特征向量输入至神经网络中，获取目标特征向量；

将目标特征向量输入至分类器，获取危险状态检测结果。

在一些实施例中，训练模块740，用于采用下述方式根据各个样本用户的危险状态检测结果以及对应的实际危险状态信息，对基础检测模型进行训练，包括：

根据各个样本用户的危险状态检测结果以及对应的实际危险状态信息，对基础检测模型进行一轮训练后，调整基础检测模型的训练参数并进入下一轮训练，将经过多轮训练后的基础检测模型确定为危险状态检测模型。

在一些实施例中，训练模块740，用于采用下述方式对基础检测模型进行本轮训练：

将本轮还未完成训练的样本用户中的任意一个样本用户确定为目标样本用户，根据该目标样本用户的危险状态检测结果，以及对应的实际危险状态信息，确定目标样本用户在本轮的交叉熵损失；

根据目标样本用户在本轮的交叉熵损失，调整基础检测模型的训练参数；

将目标样本用户作为本轮完成训练的样本用户，并将本轮还未完成训练的样本用户中任意一个样本用户确定为新的目标样本用户；

使用调整了参数后的基础检测模型，获取该新的目标样本用户的危险状态检测结果，并重新返回根据该目标样本用户的危险状态检测结果，以及对应的实际危险状态信息，确定目标样本用户在本轮的交叉熵损失的步骤；

直至所有样本用户都完成本轮的训练，完成对基础检测模型的本轮训练。

在一些实施例中，基础检测模型还包括：特征库；

训练模块740，还用于：

训练完成后，为各个样本用户的特征向量提取的目标特征向量之间的相似度；根据相似度对各个目标特征向量进行分类，生成多个类；

根据各个类中所包括的目标特征向量，确定各个类对应的中心特征向量；将中心特征向量存储在特征库中。

在一些实施例中，判断模块720，用于采用下述方式将特征向量输入至预先训练的危险状态检测模型中，获取驾驶或者骑行车辆的用户的在当前时刻的危险状态检测结果，包括：

将特征向量输入至预先训练的危险状态检测模型中，提取目标特征向量；

根据目标特征向量以及各个类对应的中心特征向量，获取驾驶或者骑行车辆的用户的在当前时刻的危险状态检测结果。

在一些实施例中，判断模块720，用于采用下述方式根据目标特征向量以及中心特征向量，获取驾驶或者骑行车辆的用户的在当前时刻的危险状态检测结果，包括：

计算目标特征向量与各个类对应的中心特征向量之间的相似度；

根据各个相似度以及预设的相似度阈值，获取驾驶或者骑行车辆的用户的在当前时刻的危险状态检测结果。

在一些实施例中，判断模块720，用于采用下述方式将特征向量输入至预先训练的危险状态检测模型中，获取驾驶或者骑行车辆的用户的在当前时刻的危险状态检测结果，包括：

将特征向量输入至预先训练的危险状态检测模型的神经网络中，得到目标特征向量，并将目标特征向量输入危险状态检测模型的分类器中，输出驾驶或者骑行车辆的用户的在当前时刻的危险状态检测结果；

根据目标特征向量、以及各个类对应的中心特征向量，验证输出的危险状态检测结果的准确性，并在确定输出的危险状态检测结果准确后，将该输出的危险状态检测结果作为获取的驾驶或者骑行车辆的用户的在当前时刻的危险状态检测结果。

在一些实施例中，判断模块720，用于采用下述方式根据目标特征向量、以及各个类对应的中心特征向量，验证输出的危险状态检测结果的准确性，具体包括：

计算目标特征向量与各个类对应的中心特征向量之间的相似度；

当其中一个类对应的相似度大于预设的相似度阈值，则危险状态检测结果是准确的。

在一些实施例中，车辆状态影响特征，包括以下特征中的至少一种：

路况特征、道路特征、天气特征。

本申请还涉及一种安全监测装置。该装置包括至少一个处理器以及至少一个存储器。所述至少一个存储器用于存储计算机指令。所示至少一个处理器可以用于执行所述计算机指令中的至少部分指令以实现所述安全监测方法。

本申请还涉及一种计算机可读存储介质。所述存储介质存储计算机指令，当所述计算机指令被处理器执行时以实现所述安全监测方法。

本申请实施例可能带来的有益效果包括但不限于：本申请通过实时监测用户的驾驶或骑行状态的数据，可以在用户发生危险(例如，摔倒、碰撞等)等危险情况发生时，及时对用户进行帮助，从而提高了人车互动，使得安全管理更全面体贴。需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。

同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、rf、或类似介质，或任何上述介质的组合。

本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如java、scala、smalltalk、eiffel、jade、emerald、c++、c#、vb.net、python等，常规程序化编程语言如c语言、visualbasic、fortran2003、perl、cobol2002、php、abap，动态编程语言如python、ruby和groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(lan)或广域网(wan)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(saas)。

此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。

最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

以上所述为本申请的基本构思，仅以实施例形式呈现，显而易见地，本领域的技术人员依据本申请作出相应变化、改进或修正。这些变化、改进和修正已被本申请所暗示或间接提出，均包含在本申请实施例的精神或范围之内。