本發(fā)明涉及交通領域，特別涉及一種司機駕駛行為數據的采集方法及裝置。

背景技術：

保險公司、汽車相關的O2O和交通管理等行業(yè)，需要獲得車輛在道路上行駛過程和路況環(huán)境的各種數據；目前存在多種方法獲得環(huán)境信息，比如道路的長度、位置和周圍的固定障礙物等等。保險公司、汽車相關的O2O和交通管理等行業(yè)關心的行駛數據，不但需要車輛本身的物理指標，更為重要的是需要反映司機駕駛能力和風格等的指標。目前存在多種方法獲得行駛過程中車輛本身的機械和電氣等狀況，比如汽車的速度和油耗等等；但是，對于司機在駕駛過程中的動作和行為，目前沒有方法獲得。也就是說，目前只能記錄上傳車輛的機械和電器信息，不能記錄上傳本車周圍的其他車輛和行人等因素相關的信息，比如：本車的百公里變線次數或本車與前車之間的距離等信息。這樣就不能提供全面的動態(tài)信息，不能為保險公司、汽車相關的O2O和交通管理等行業(yè)提供完整的數據，所以不能很好地利用大數據優(yōu)化交通，不能提高安全性。

技術實現要素：

本發(fā)明要解決的技術問題在于，針對現有技術的上述缺陷，提供一種能提供全面的動態(tài)信息、能為保險公司、汽車相關的O2O和交通管理等行業(yè)提供完整的數據、能很好地利用大數據優(yōu)化交通、提高安全性的司機駕駛行為數據的采集方法及裝置。

本發(fā)明解決其技術問題所采用的技術方案是：構造一種司機駕駛行為數據的采集方法，其特征在于，包括如下步驟：

A)采用一個或多個攝像頭采集車內司機或/和車外的圖像，并將采集的圖像信息傳送到圖像處理設備；所述攝像頭安裝在車輛前方的擋風玻璃上；

B)在所述圖像處理設備中對所述圖像信息依次進行灰度處理和二值化處理后形成多幅灰度圖片；

C)在所述圖像處理設備中對所述灰度圖片依次進行傅里葉變換、正交變換和圖像分割操作后，從所述灰度圖片中提取目標信息；

D)在所述圖像處理設備中對所述目標信息采用模糊模式識別和統(tǒng)計模式識別法，根據車輛尾部特征、道路線的特征、行人的特征和標識牌的特征，識別出所述圖像信息中的車輛、道路線、行人和交通標識牌信息；

E)所述圖像處理設備根據設置好的報警級別對所述車輛、道路線、行人和交通標識牌信息進行報警判定，并將分析結果發(fā)送到傳送設備；所述分析結果包括車輛狀態(tài)信息、前方碰撞報警和道路線偏離報警信息；

F)在網絡連接的狀態(tài)下，所述傳送設備將所述分析結果通過網絡傳送到服務器，所述服務器對所述分析結果進行分類和匯總，并把車輛運行狀態(tài)和司機的駕駛行為進行整合，將整合后的信息作為第三方分析司機駕駛行為的依據，或者發(fā)送給司機或保險公司。

在本發(fā)明所述的司機駕駛行為數據的采集方法中，所述步驟E)進一步包括：

E1)當所述車輛的車速達到第一車速閾值時，所述車輛的車速比前車快，根據所述車輛的車速、前車的車速以及所述車輛與前車的距離計算碰撞時間；

E2)判斷所述碰撞時間是否在設定時間內，如是，則啟動前方防碰撞報警；否則，不啟動報警。

在本發(fā)明所述的司機駕駛行為數據的采集方法中，所述步驟E)進一步包括：

E1′)當所述車輛的車速達到第二車速閾值時，判斷所述車輛的橫向偏移車速是否小于設定偏移速度，如是，執(zhí)行步驟E2′)；否則，執(zhí)行步驟E2′)；

E2′)判斷所述車輛的前輪距離車道線是否大于設定距離，如是，不啟動報警；否則，啟動車道偏離報警。

在本發(fā)明所述的司機駕駛行為數據的采集方法中，所述步驟E)進一步包括：

E1〞)通過對司機的眼瞼眼球的幾何特征和動作特征、眼睛的凝視角度和動態(tài)變化以及頭部位置和方向的變化，進行實時檢測和測量，建立所述司機的眼部頭部特征與疲勞狀態(tài)的關系模型；

E1〞)通過檢測所述司機的瞳孔直徑、注目凝視、眼球陜速轉送和眼睛閉合時間，來測量眼睛的閉合程度，根據所述眼睛的閉合程度確定所述司機的疲勞程度，并將分析結果發(fā)送到所述傳送設備。

在本發(fā)明所述的司機駕駛行為數據的采集方法中，所述第一車速閾值為50km/h，所述第二車速閾值為50km/h，所述設定時間為2秒，所述設定偏移速度為5km/h，所述設定距離為100mm，所述圖像處理設備為專用圖像處理裝置或手機，所述傳送設備為專用的傳送裝置或手機。

本發(fā)明還涉及一種實現上述司機駕駛行為數據的采集方法的裝置，包括：

圖像采集傳送單元：用于采用一個或多個攝像頭采集車內司機或/和車外的圖像，并將采集的圖像信息傳送到圖像處理設備；所述攝像頭安裝在車輛前方的擋風玻璃上；

灰度圖片獲取單元：用于在所述圖像處理設備中對所述圖像信息依次進行灰度處理和二值化處理后形成多幅灰度圖片；

目標信息提取單元：用于在所述圖像處理設備中對所述灰度圖片依次進行傅里葉變換、正交變換和圖像分割操作后，從所述灰度圖片中提取目標信息；

識別單元：用于在所述圖像處理設備中對所述目標信息采用模糊模式識別和統(tǒng)計模式識別法，根據車輛尾部特征、道路線的特征、行人的特征和標識牌的特征，識別出所述圖像信息中的車輛、道路線、行人和交通標識牌信息；

報警判定單元：用于使所述圖像處理設備根據設置好的報警級別對所述車輛、道路線、行人和交通標識牌信息進行報警判定，并將分析結果發(fā)送到傳送設備；所述分析結果包括車輛狀態(tài)信息、前方碰撞報警和道路線偏離報警信息；

分析匯總單元：用于在網絡連接的狀態(tài)下，所述傳送設備將所述分析結果通過網絡傳送到服務器，所述服務器對所述分析結果進行分類和匯總，并把車輛運行狀態(tài)和司機的駕駛行為進行整合，將整合后的信息作為第三方分析司機駕駛行為的依據，或者發(fā)送給司機或保險公司。

在本發(fā)明所述的裝置中，所述報警判定單元進一步包括：

碰撞事件計算模塊：用于當所述車輛的車速達到第一車速閾值時，所述車輛的車速比前車快，根據所述車輛的車速、前車的車速以及所述車輛與前車的距離計算碰撞時間；

時間判斷模塊：用于判斷所述碰撞時間是否在設定時間內，如是，則啟動前方防碰撞報警；否則，不啟動報警。

在本發(fā)明所述的裝置中，所述報警判定單元進一步包括：

橫向偏移車速判斷模塊：用于當所述車輛的車速達到第二車速閾值時，判斷所述車輛的橫向偏移車速是否小于設定偏移速度；

距離判斷模塊：用于判斷所述車輛的前輪距離車道線是否大于設定距離，如是，不啟動報警；否則，啟動車道偏離報警。

在本發(fā)明所述的裝置中，所述報警判定單元進一步包括：

模型建立模塊：用于通過對司機的眼瞼眼球的幾何特征和動作特征、眼睛的凝視角度和動態(tài)變化以及頭部位置和方向的變化，進行實時檢測和測量，建立所述司機的眼部頭部特征與疲勞狀態(tài)的關系模型；

疲勞程度檢測模塊：用于通過檢測所述司機的瞳孔直徑、注目凝視、眼球陜速轉送和眼睛閉合時間，來測量眼睛的閉合程度，根據所述眼睛的閉合程度確定所述司機的疲勞程度，并將分析結果發(fā)送到所述傳送設備。

在本發(fā)明所述的裝置中，所述第一車速閾值為50km/h，所述第二車速閾值為50km/h，所述設定時間為2秒，所述設定偏移速度為5km/h，所述設定距離為100mm，所述圖像處理設備為專用圖像處理裝置或手機，所述傳送設備為專用的傳送裝置或手機。

實施本發(fā)明的司機駕駛行為數據的采集方法及裝置，具有以下有益效果：由于采集車內司機或/和車外的圖像，并將采集的圖像信息發(fā)送到圖像處理設備，圖像處理設備將其處理成多幅灰度圖片，并提取目標信息，對目標信息采用模糊模式識別和統(tǒng)計模式識別法，根據車輛尾部特征、道路線的特征、行人的特征和標識牌的特征，識別出所述圖像信息中的車輛、道路線、行人和交通標識牌信息；根據設置好的報警級別進行報警判定，將分析結果最終上傳到服務器進行分類和匯總，這樣就有利于第三方分析司機駕駛行為，其數據就會比較全面，所以能提供全面的動態(tài)信息、能為保險公司、汽車相關的O2O和交通管理等行業(yè)提供完整的數據、能很好地利用大數據優(yōu)化交通、提高安全性。

附圖說明

為了更清楚地說明本發(fā)明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據這些附圖獲得其他的附圖。

圖1為本發(fā)明司機駕駛行為數據的采集方法及裝置一個實施例中方法的流程圖；

圖2為所述實施例中進行前方防碰撞報警判斷的具體流程圖；

圖3為所述實施例中進行車道偏離報警判斷的具體流程圖；

圖4為所述實施例中進行司機疲勞程度檢測的具體流程圖；

圖5為所述實施例中裝置的結構示意圖。

具體實施方式

下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

在本發(fā)明司機駕駛行為數據的采集方法及裝置實施例中，該司機駕駛行為數據的采集方法的流程圖如圖1所示。圖1中，該司機駕駛行為數據的采集方法包括如下步驟：

步驟S01采用一個或多個攝像頭采集車內司機或/和車外的圖像，并將采集的圖像信息傳送到圖像處理設備：本步驟中，采用一個或多個攝像頭采集車內的司機或/和車外的圖像，并將采集的圖像信息傳送到圖像處理設備。攝像頭安裝在車輛前方的擋風玻璃上。

步驟S02在圖像處理設備中對圖像信息依次進行灰度處理和二值化處理后形成多幅灰度圖片：本步驟中，在圖像處理設備中對采集到的道路上的圖像信息依次進行灰度處理賀二值化處理后形成多幅灰度圖片。本實施例中的圖像處理設備可以是專用圖像處理裝置或手機等。

步驟S03在圖像處理設備中對灰度圖片依次進行傅里葉變換、正交變換和圖像分割操作后，從灰度圖片中提取目標信息：本步驟中，在圖像處理設備中對上述灰度圖片依次進行傅里葉變換、正交變換和圖像分割操作后，從灰度圖片中提取目標信息。

步驟S04在圖像處理設備中對目標信息采用模糊模式識別和統(tǒng)計模式識別法，根據車輛尾部特征、道路線的特征、行人的特征和標識牌的特征，識別出圖像信息中的車輛、道路線、行人和交通標識牌信息：本步驟中，對于上述目標信息，在圖像處理設備中采用糊模式識別和統(tǒng)計模式識別法，根據車輛尾部特征、道路線的特征、行人的特征和標識牌的特征(例如：道路線的特征是一條白色線段，也就是說，當圖像中有一段白色線段時，則將該白色線段認為是道路線)，識別出上述圖像信息中的車輛、道路線、行人和交通標識牌信息。值得一提的是，本實施例中，在對上述車輛、道路線、行人和交通標識牌信息進行識別時，其識別的方法是一種帶有一定學習功能的匹配算法。在實際運行時，識別算法會通過多幅圖片，從中選出幾個穩(wěn)定的特征進行相應的匹配。

步驟S05圖像處理設備根據設置好的報警級別對車輛、道路線、行人和交通標識牌信息進行報警判定，并將分析結果發(fā)送到傳送設備：識別出各類目標信息后，本步驟中，圖像處理設備根據設置好的報警級別對車輛、道路線、行人和交通標識牌信息進行報警判定，并將分析結果發(fā)送到傳送設備。上述分析結果包括車輛狀態(tài)信息、前方碰撞報警和道路線偏離報警信息等。傳送設備為專用的傳送裝置或手機等。

步驟S06在網絡連接的狀態(tài)下，傳送設備將分析結果通過網絡傳送到服務器，服務器對分析結果進行分類和匯總，并把車輛運行狀態(tài)和司機的駕駛行為進行整合，將整合后的信息作為第三方分析司機駕駛行為的依據，或者發(fā)送給司機或保險公司：本步驟中，在網絡連接的狀態(tài)下，傳送設備將分析結果通過網絡傳送到服務器，也即將車輛狀態(tài)信息、前方防碰撞報警和道路線偏離報警信息傳送到服務器，服務器對上述分析結果進行分類和匯總，并把車輛運行狀態(tài)和司機的駕駛行為進行整合，將整合后的信息作為第三方分析司機駕駛行為的依據，也可以將整合后的信息和分析結果發(fā)送司機或保險公司等任何第三方。值得一提的是，當沒有連接上網絡時，分析結果可以存儲在圖像處理設備或者傳送設備中，待網絡連接后，再由傳送設備傳送到服務器。本發(fā)明能提供更為全面的動態(tài)信息，從而為保險公司、汽車相關的O2O和交通管理等行業(yè)提供更完整的數據，能很好地利用大數據優(yōu)化交通、提高安全性。

對于本實施例而言，上述步驟S05還可進一步細化，其細化后的流程圖如圖2所示。圖2中，上述步驟S05進一步包括:

步驟S51當車輛的車速達到第一車速閾值時，車輛的車速比前車快，根據車輛的車速、前車的車速以及車輛與前車的距離計算碰撞時間：本步驟中，當車輛的車速達到第一車速閾值時，車輛的車速比前車快，根據車輛的車速、前車的車速以及車輛與前車的距離計算碰撞時間。當車速達到或超過第一車速閾值時，系統(tǒng)才會啟動有關的計算和報警。對于碰撞時間，其計算公式為t＝D/(Vs-Vo)；其中，t是碰撞時間，D是車輛與前車的距離，Vs是車輛的車速，Vp是前車的車速。本實施例中，第一車速閾值為50km/h。當然，在本實施例的一些情況下，可以根據具體需要將第一車速閾值設置為其他值。

步驟S52判斷碰撞時間是否在設定時間內：本步驟中，判斷碰撞時間是否在設定時間內，如果判斷的結果為是，則執(zhí)行步驟S53；否則，執(zhí)行步驟S54。本實施例中，設定時間為2秒。當然，在本實施例的一些情況下，可以根據具體需要將設定時間設置為其他值。

步驟S53則啟動前方防碰撞報警：如果上述步驟S52的判斷結果為是，也就是車輛的車速達到50km/h，且計算出的碰撞時間在2秒內時，也就是練車可能在2秒內撞上時，則執(zhí)行本步驟。本步驟中，則啟動前方防碰撞報警。

步驟S54不啟動報警：如果上述步驟S52的判斷結果為否，則執(zhí)行本步驟。本步驟中，不啟動報警。

本實施例中，當進行車道偏離報警判斷時，其具體流程圖如圖3所示。圖3中，上述步驟S05進一步包括：

步驟S51′當車輛的車速達到第二車速閾值時，判斷車輛的橫向偏移車速是否小于設定偏移速度：本步驟中，當車輛的車速達到第二車速閾值時，判斷車輛的橫向偏移車速是否小于設定偏移速度，如果判斷的結果為是，則執(zhí)行步驟S52′，否則，執(zhí)行步驟S52′。本實施例中，第二車速閾值為50km/h，設定偏移速度為5km/h。當然，在本實施例的一些情況下，可以根據具體需要將第二車速閾值設置為其他值。

步驟S52′判斷車輛的前輪距離車道線是否大于設定距離：本步驟中，判斷車輛的前輪距離車道線是否大于設定距離，如果判斷的結果為是，則執(zhí)行步驟S53′；否則，執(zhí)行步驟S54′。本實施例中，設定距離為100mm。當然，在本實施例的一些情況下，可以根據具體需要將設定距離設置為其他值。

步驟S53′不啟動報警：如果上述步驟S52′的判斷結果為是，則執(zhí)行本步驟。本步驟中，不啟動報警。

步驟S54′啟動車道偏離報警：如果上述步驟S52′的判斷結果為否，即車速達到30km/h，橫向偏移車速小于5km/h，前輪距離車道線100mm，且司機沒有進行相應的轉向操作，則執(zhí)行本步驟。本步驟中，啟動車道偏離報警。

本實施例中，當進行司機疲勞程度檢測時，其具體流程圖如圖4所示。圖4中，上述步驟S05進一步包括：

步驟S51〞通過對司機的眼瞼眼球的幾何特征和動作特征、眼睛的凝視角度和動態(tài)變化以及頭部位置和方向的變化，進行實時檢測和測量，建立司機的眼部頭部特征與疲勞狀態(tài)的關系模型：本步驟中，通過對司機的眼瞼眼球的幾何特征和動作特征、眼睛的凝視角度和動態(tài)變化以及頭部位置和方向的變化等進行檢測和測量，建立司機的眼部頭部特征與疲勞狀態(tài)的關系模型。

步驟S52〞通過檢測司機的瞳孔直徑、注目凝視、眼球陜速轉送和眼睛閉合時間，來測量眼睛的閉合程度，根據眼睛的閉合程度確定司機的疲勞程度，并將分析結果發(fā)送到傳送設備：本步驟中，通過檢測司機的瞳孔直徑、注目凝視、眼球陜速轉送和眼睛閉合時間，來測量眼睛的閉合程度，根據眼睛的閉合程度確定司機的疲勞程度，并將分析結果發(fā)送到傳送設備。

本實施例中，疲勞程度劃分為3級：不疲勞、中度疲勞和嚴重疲勞。由于人種不同，瞳孔大小也不一樣，所以瞳孔直徑是一個相對值，當瞳孔遮蔽為80％時，就認為人眼閉合。人眼閉合程度的公式為c＝1-m1/m2；其中，c為閉合程度，m1為人眼當前睜開的高度，m2為人眼睜開的最大高度。當c大于0.4時，為嚴重疲勞；當c位于0.1-0.4之間時，為中度疲勞；當c為0.1以下時，為不疲勞。對于疲勞檢測，主要是依賴于瞳孔來計算閉合程度，從而決定司機的疲勞程度。注目凝視和眼球陜速轉動都是對瞳孔檢測一個輔助。本發(fā)明通過獲取駕駛過程中司機的行為信息，并加以分析，能夠更好地利用大數據優(yōu)化交通、提高安全。

本實施例還涉及一種實現上述司機駕駛行為數據的采集方法的裝置，其結構示意圖如圖5所示。圖5中，該裝置包括圖像采集傳送單元1、灰度圖片獲取單元2、目標信息提取單元3、識別單元4、報警判定單元5和分析匯總單元6；其中，圖像采集傳送單元1用于采用一個或多個攝像頭采集車內司機或/和車外的圖像，并將采集的圖像信息傳送到圖像處理設備；攝像頭安裝在車輛前方的擋風玻璃上；灰度圖片獲取單元2用于在圖像處理設備中對圖像信息依次進行灰度處理和二值化處理后形成多幅灰度圖片；目標信息提取單元3用于在圖像處理設備中對灰度圖片依次進行傅里葉變換、正交變換和圖像分割操作后，從灰度圖片中提取目標信息；識別單元4用于在圖像處理設備中對目標信息采用模糊模式識別和統(tǒng)計模式識別法，根據車輛尾部特征、道路線的特征、行人的特征和標識牌的特征，識別出圖像信息中的車輛、道路線、行人和交通標識牌信息。上述圖像處理設備為專用圖像處理裝置或手機等。

報警判定單元5用于使圖像處理設備根據設置好的報警級別對車輛、道路線、行人和交通標識牌信息進行報警判定，并將分析結果發(fā)送到傳送設備；上述分析結果包括車輛狀態(tài)信息、前方碰撞報警和道路線偏離報警信息；上述傳送設備為專用的傳送裝置或手機。分析匯總單元6用于在網絡連接的狀態(tài)下，傳送設備將所述分析結果通過網絡傳送到服務器，服務器對上述分析結果進行分類和匯總，并把車輛運行狀態(tài)和司機的駕駛行為進行整合，將整合后的信息作為第三方分析司機駕駛行為的依據，或者發(fā)送給司機或保險公司。本發(fā)明能提供更為全面的動態(tài)信息，從而為保險公司、汽車相關的O2O和交通管理等行業(yè)提供更完整的數據，能很好地利用大數據優(yōu)化交通、提高安全性。

本實施例中，報警判定單元5進一步包括碰撞事件計算模塊51和時間判斷模塊52；其中，碰撞事件計算模塊51用于當車輛的車速達到第一車速閾值時，車輛的車速比前車快，根據車輛的車速、前車的車速以及車輛與前車的距離計算碰撞時間；時間判斷模塊52用于判斷碰撞時間是否在設定時間內，如是，則啟動前方防碰撞報警；否則，不啟動報警。

本實施例中，報警判定單元5進一步包括橫向偏移車速判斷模塊51′和距離判斷模塊52′；其中，橫向偏移車速判斷模塊51′用于當車輛的車速達到第二車速閾值時，判斷車輛的橫向偏移車速是否小于設定偏移速度；距離判斷模塊52′用于判斷車輛的前輪距離車道線是否大于設定距離，如是，不啟動報警；否則，啟動車道偏離報警。

本實施例中，報警判定單元5進一步包括模型建立模塊51〞和疲勞程度檢測模塊52〞；其中，模型建立模塊51〞用于通過對司機的眼瞼眼球的幾何特征和動作特征、眼睛的凝視角度和動態(tài)變化以及頭部位置和方向的變化，進行實時檢測和測量，建立所述司機的眼部頭部特征與疲勞狀態(tài)的關系模型；疲勞程度檢測模塊52〞用于通過檢測所述司機的瞳孔直徑、注目凝視、眼球陜速轉送和眼睛閉合時間，來測量眼睛的閉合程度，根據眼睛的閉合程度確定司機的疲勞程度，并將分析結果發(fā)送到傳送設備。

本實施例的裝置中，上述第一車速閾值為50km/h，第二車速閾值為50km/h，設定時間為2秒，設定偏移速度為5km/h，設定距離為100mm，在本實施例的一些情況下，當然也可以根據具體需求設置為其他值。

總之，本發(fā)明在原有功能(總里程數，車況數據，剩余油量，行駛期間平均速度，急加速時間記錄：時間、地點、速度差、時序時間，停車事件(防止疲勞駕駛)：時間、地點，超速時間記錄：時間、地點、速度、持續(xù)時間)的基礎上，又增加了一些功能，例如：行駛路線上時間、地點、當時速度以及與前車的距離，急剎車時間記錄：時間、地點、速度差、持續(xù)時間、原因編碼和照片，變線時間記錄：時間、地點和速度等。其能獲取駕駛過程中司機的行為信息，并加以分析，能夠更好地利用大數據優(yōu)化交通、提高安全。

以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發(fā)明的保護范圍之內。