【技術實現步驟摘要】
本專利技術涉及信息，尤其涉及一種基于深度學習的車輛駕駛員危險駕駛行為預警方法。
技術介紹
1、在基于深度學習的車輛駕駛員危險駕駛行為預警中，車燈亮度和角度是影響駕駛員能見度的重要因素。不同的車燈亮度和角度會導致駕駛員能見度的差異，進而影響駕駛員對道路環境的感知和判斷。然而，車燈亮度和角度與駕駛員能見度之間的關聯性分析面臨著數據采集和量化的挑戰。在實際駕駛場景中，車燈亮度和角度是動態變化的，且受到車輛型號、車燈類型、天氣條件等多種因素的影響。如何在復雜多變的駕駛環境中準確采集車燈亮度和角度數據，并將其與駕駛員能見度進行關聯分析，是一個亟待解決的技術難題。此外，駕駛員能見度的評估也面臨著主觀性和個體差異的挑戰。不同駕駛員對光線敏感度和視覺適應能力存在差異，導致在相同車燈亮度和角度下，駕駛員的實際能見度可能有所不同。如何設計一種客觀、量化的駕駛員能見度評估方法，并將其應用于危險駕駛行為預測模型的構建中，是亟需攻克的技術難題。
技術實現思路
1、本專利技術提供了一種基于深度學習的車輛駕駛員危險駕駛行為預警方法，主要包括：
2、獲取車載傳感器采集的車輛行駛過程中的車燈亮度和角度數據；
3、對所述車燈亮度和角度數據進行預處理，得到標準化的車燈亮度和角度數據；
4、根據所述標準化的車燈亮度和角度數據，通過深度學習模型輸出當前駕駛員能見度；
5、結合所述駕駛員能見度以及車輛行駛狀態數據和道路環境條件數據，通過危險駕駛行為預測模型獲得危險駕駛行為預測結
6、根據所述危險駕駛行為預測結果以及車燈亮度和角度數據，判斷是否為危險駕駛；
7、若判斷為危險駕駛，則從預設預警策略庫中匹配預警策略，生成預警措施并模擬執行，評估預警效果，必要時調整預警策略直至符合安全駕駛要求。
8、進一步地，所述對所述車燈亮度和角度數據進行預處理，包括：
9、根據所述車燈亮度和角度數據發送預處理指令至車載計算單元，所述車載計算單元采用小波變換去噪算法對接收到的車燈亮度和角度數據進行預處理；獲取預處理后的車燈亮度和角度數據，對預處理后的車燈亮度和角度數據進行標準化處理。
10、進一步地，所述通過深度學習模型輸出當前駕駛員能見度，包括：
11、將所述標準化的車燈亮度和角度數據輸入至卷積神經網絡中，所述卷積神經網絡包含三個卷積層和兩個池化層；通過所述卷積神經網絡的全連接層輸出當前駕駛員能見度數值；采用滑動窗口法對所述駕駛員能見度數值進行時序分析，計算得到能見度的均值、方差和變化趨勢。
12、進一步地，所述結合所述駕駛員能見度以及車輛行駛狀態數據和道路環境條件數據，通過危險駕駛行為預測模型獲得危險駕駛行為預測結果，包括：
13、獲取車載傳感器采集的車輛行駛狀態數據和道路環境條件數據，所述車輛行駛狀態數據包括車速、加速度和轉向角，所述道路環境條件數據包括道路類型信息和天氣狀況信息；根據所述車輛行駛狀態數據和道路環境條件數據進行預處理，通過去噪、歸一化和時間同步生成標準化的數據集；采用六十秒的滑動窗口，每十秒滑動一次對所述標準化的數據集進行時序特征提取，計算得到統計特征，構建特征向量作為深度學習模型的輸入；利用預先訓練好的長短期記憶網絡模型處理所述特征向量，通過前向傳播計算得到危險駕駛行為的預測概率分布。
14、進一步地，所述根據所述危險駕駛行為預測結果以及車燈亮度和角度數據，判斷是否為危險駕駛，包括：
15、對標準化后的車燈亮度和角度數據采用滑動窗口進行時序分析，計算窗口內的均值、方差和變化率；根據所述均值、方差和變化率與預設的車燈亮度和角度危險閾值進行比較，判斷是否存在超閾值情況；利用加權平均法處理危險駕駛行為評估結果，得到危險駕駛行為的綜合評估得分；采用cart算法構建二叉決策樹模型，將所述車燈亮度、角度數據的超閾值情況和所述危險駕駛行為的綜合評估得分作為輸入特征；根據所述二叉決策樹模型的輸出結果和預設的危險判定權重，計算最終的危險駕駛概率得分；判斷所述危險駕駛概率得分是否超過預設閾值，若超過所述預設閾值，則判定為危險駕駛。
16、進一步地，所述從預設預警策略庫中匹配預警策略，生成預警措施并模擬執行，評估預警效果，必要時調整預警策略直至符合安全駕駛要求，包括：
17、獲取危險駕駛行為預測結果、評估結果和標準化車燈數據，構建多維特征向量；根據所述多維特征向量，采用基于決策樹的策略匹配算法在預設預警策略庫中查找最適合的預警策略，得到初始最優預警策略；針對所述初始最優預警策略，生成具體的預警措施，所述預警措施包括車燈亮度調整百分比和角度調整度數；采用基于車輛動力學模型的模擬執行算法，根據所述預警措施計算車燈新亮度和新角度；將車燈新亮度和新角度數據輸入駕駛員能見度評估模型，獲取模擬執行后的駕駛員能見度評估結果；判斷所述駕駛員能見度評估結果是否符合預設安全范圍要求，若不符合所述預設安全范圍要求，則采用遺傳算法對預警策略進行優化，通過迭代計算生成新的預警策略和預警措施，重復執行模擬和評估，直至滿足所述預設安全范圍要求或達到最大迭代次數。
18、進一步地，所述方法還包括：
19、獲取車載傳感器網絡采集的駕駛員操作數據、車輛行駛狀態數據及車燈參數數據；根據采集數據生成特征向量，所述特征向量包括駕駛員反應時間、車速變化率、方向盤轉角變化率；采用多元線性回歸模型處理所述特征向量，得到駕駛員響應程度評分及車輛狀態改善程度評分；根據綜合效果得分、駕駛員能見度數據及當前駕駛環境參數，采用模糊控制算法對預警觸發閾值、預警信息呈現方式及車燈控制參數進行調整；將調整后的預警觸發閾值、預警信息呈現方式及車燈控制參數應用于下一次預警過程。
20、本專利技術實施例提供的技術方案可以包括以下有益效果：
21、本專利技術公開了一種基于深度學習的車輛駕駛員危險駕駛行為預警方法。該方法通過實時采集車燈亮度和角度數據，結合深度學習模型評估駕駛員能見度，并分析其與車輛安全行駛的關系。同時，本專利技術融合車輛行駛狀態和道路環境條件，預測危險駕駛行為。當車燈數據超過閾值且存在危險駕駛行為時，本專利技術從預設策略庫中匹配最優預警策略，生成預警措施并進行模擬評估。若評估結果不符合安全范圍，則重新生成預警措施。最終，本專利技術通過人機交互系統向駕駛員發出預警，并自動調節車燈。本專利技術還持續跟蹤駕駛員反應和車輛狀態，動態調整預警策略，從而有效提高了夜間駕駛安全性，減少了交通事故發生的風險。
本文檔來自技高網...【技術保護點】
1.一種基于深度學習的車輛駕駛員危險駕駛行為預警方法，其特征在于，包括：
2.如權利要求1所述的方法，其特征在于，所述對所述車燈亮度和角度數據進行預處理，包括：
3.如權利要求1所述的方法，其特征在于，所述通過深度學習模型輸出當前駕駛員能見度，包括：
4.如權利要求1所述的方法，其特征在于，所述結合所述駕駛員能見度以及車輛行駛狀態數據和道路環境條件數據，通過危險駕駛行為預測模型獲得危險駕駛行為預測結果，包括：
5.如權利要求1所述的方法，其特征在于，所述根據所述危險駕駛行為預測結果以及車燈亮度和角度數據，判斷是否為危險駕駛，包括：
6.如權利要求1所述的方法，其特征在于，所述從預設預警策略庫中匹配預警策略，生成預警措施并模擬執行，評估預警效果，必要時調整預警策略直至符合安全駕駛要求，包括：
7.如權利要求1所述的方法，其特征在于，所述方法還包括：
【技術特征摘要】
1.一種基于深度學習的車輛駕駛員危險駕駛行為預警方法，其特征在于，包括：
2.如權利要求1所述的方法，其特征在于，所述對所述車燈亮度和角度數據進行預處理，包括：
3.如權利要求1所述的方法，其特征在于，所述通過深度學習模型輸出當前駕駛員能見度，包括：
4.如權利要求1所述的方法，其特征在于，所述結合所述駕駛員能見度以及車輛行駛狀態數據和道路環境條件數據，通過危險駕駛行為預測模...
【專利技術屬性】
技術研發人員：時東曉，孟昉，胡擁兵，張良均，劉名軍，張敏，
申請(專利權)人：廣州城市職業學院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。