一种基于深度学习的驾驶行为分析方法及系统技术方案

本发明专利技术涉及一种基于深度学习的驾驶行为分析方法，其方法包括：实时获取自身车辆的视觉传感器的视频帧图像，并利用深度学习模型从其中提取自身车辆所在道路的车道线和目标物的坐标，以及记录每个坐标对应的时间；计算自身车辆在同一时刻分别与所述车道线、目标物的相对坐标关系；根据所述自身车辆与所述车道线、目标物的相对坐标关系的变化趋势，判断自身车辆的驾驶行为。本发明专利技术通过深度学习模型中的车道线检测技术和车辆、行人的检测技术，提取车道线位置坐标，以及车辆、行人的坐标，并根据其分析自身车辆或目标车辆的驾驶行为，从而提高了驾驶行为分析的准确性和效率。提高了驾驶行为分析的准确性和效率。提高了驾驶行为分析的准确性和效率。

【技术实现步骤摘要】
一种基于深度学习的驾驶行为分析方法及系统


[0001]本专利技术属于车辆辅助驾驶
，具体涉及一种基于深度学习的驾驶行为分析方法及系统。

技术介绍

[0002]随着自动驾驶技术的不断发展，车辆行驶的安全性和可靠性要求越来越高，车辆行驶过程中需对周边的复杂环境，车辆、行人等行为做出正确预判从而做出正确反应，如目标车辆的变道、切入、切出、超车、加速、减速、稳定跟车、静止、拥堵等，通过引入深度学习的方法对目标车辆的运动行为的判断，及时提醒驾驶员或者自动驾驶系统，从而规避危险，对车辆的安全驾驶和自动驾驶具有极大积极作用。

技术实现思路

[0003]为准确预判驾驶员的各种驾驶行为，提高车辆驾驶的安全性的问题，在本专利技术的第一方面提供了一种基于深度学习的驾驶行为分析方法，包括：实时获取自身车辆的视觉传感器的视频帧图像，并利用深度学习模型从其中提取自身车辆所在道路的车道线和目标物的坐标，以及记录每个坐标对应的时间；计算自身车辆在同一时刻分别与所述车道线、目标物的相对坐标关系；根据所述自身车辆与所述车道线、目标物的相对坐标关系的变化趋势，判断自身车辆的驾驶行为。
[0004]在本专利技术的一些实施例中，所述计算自身车辆在同一时刻分别与所述车道线、目标物的相对坐标关系包括：以视频帧图像的左下角为坐标原点，按照时间先后顺序，取出同一时间的车道线位置坐标和目标车辆的位置坐标；计算相同纵坐标下的目标车辆分别与自身车辆所在车道的左侧车道线和右侧车道线的横向坐标差，以及自身车辆与目标车辆的纵向坐标差。
[0005]在本专利技术的一些实施例中，所述根据所述自身车辆与所述车道线、目标物的相对坐标关系的变化趋势，判断自身车辆的驾驶行为包括：根据自身车辆与目标车辆的相对坐标关系的变化趋势，判断自身车辆的驾驶员的速度控制行为；根据自身车辆分别与车道线、目标车辆的相对坐标关系的变化趋势，判断自身车辆或目标车辆的驾驶员的变道行为；根据自身车辆与车道线的相对坐标关系的变化趋势，判断自身车辆的驾驶员的方向控制行为。
[0006]进一步的，所述根据自身车辆分别与车道线、目标车辆的相对坐标关系的变化趋势，判断自身车辆或目标车辆的驾驶员的变道行为包括：判断目标车辆位于自身车辆所在车道的内外侧关系，并根据其判断目标车辆的驾驶员的变道行为；根据自身车辆与其所在车道的左侧车道线或右侧车道线的相对坐标关系的变化趋势，判断自身车辆的驾驶员的变道行为。
[0007]进一步的，还包括：根据自身车辆与一个或多个目标车辆的相对坐标关系，判断每个目标车辆的驾驶行为，并将其反馈给自身车辆的驾驶员。
[0008]在上述的实施例中，所述实时获取自身车辆的视觉传感器的视频帧图像，并利用深度学习模型从其中提取自身车辆所在道路的车道线和目标物的坐标，以及记录每个坐标对应的时间包括：根据车道线检测模型提取自身车辆所在道路的车道线的坐标，并记录其对应的时间；根据目标识别模型提取目标物的车道线的坐标，并记录其对应的时间。
[0009]本专利技术的第二方面，提供了一种基于深度学习的驾驶行为分析系统，包括：获取模块，用于实时获取自身车辆的视觉传感器的视频帧图像，并利用深度学习模型从其中提取自身车辆所在道路的车道线和目标物的坐标，以及记录每个坐标对应的时间；计算模块，用于计算自身车辆在同一时刻分别与所述车道线、目标物的相对坐标关系；判断模块，用于根据所述自身车辆与所述车道线、目标物的相对坐标关系的变化趋势，判断自身车辆的驾驶行为。
[0010]本专利技术的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本专利技术在第一方面提供的基于深度学习的驾驶行为分析方法。
[0011]本专利技术的第四方面，提供了一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现本专利技术在第一方面提供的基于深度学习的驾驶行为分析方法。
[0012]本专利技术的有益效果是：
[0013]1.本专利技术是一种基于深度学习的驾驶行为分析方法，通过采用深度学习车道线检测技术和车辆、行人的检测技术，对摄像头的视频逐帧检测，得出车道线位置坐标，以及车辆、行人的坐标；
[0014]2.通过分析车道线位置坐标和目标车辆或行人位置坐标随时间的渐变关系以及自车与目标车辆或行人位置坐标随时间的渐变关系，得出自车与目标车或行人的相对关系；
[0015]3.根据目标物坐标随时间变化得出速度距离TTC(Time－To－Collision，碰撞时间)等信息，并最终反馈给驾驶员，对目标物(机动车、非机动车、行人等)的运动状态做出正确的反应。
附图说明
[0016]图1为本专利技术的一些实施例中的基于深度学习的驾驶行为分析方法的基本流程示意图；
[0017]图2为本专利技术的一些实施例中的基于深度学习的驾驶行为分析方法的具体流程示意图；
[0018]图3为本专利技术的一些实施例中的自身车辆与目标车辆、车道线之间的几何关系示意图；
[0019]图4为本专利技术的一些实施例中的基于深度学习的驾驶行为分析系统的结构示意图；
[0020]图5为本专利技术的一些实施例中的电子设备的结构示意图。
具体实施方式
[0021]以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。
[0022]参考图1或图2，在本专利技术的第一方面，提供了一种基于深度学习的驾驶行为分析方法，包括：实时获取自身车辆的视觉传感器的视频帧图像，并利用深度学习模型从其中S100.提取自身车辆所在道路的车道线和目标物的坐标，以及记录每个坐标对应的时间；S200.计算自身车辆在同一时刻分别与所述车道线、目标物的相对坐标关系；S300.根据所述自身车辆与所述车道线、目标物的相对坐标关系的变化趋势，判断自身车辆的驾驶行为。
[0023]可以理解，本专利技术中的视频帧图像，通常是指利用视觉传感器(例如摄像头、行车记录仪、雷达或激光雷达)获取到的一组或多组具有时间连续性的图像序列，每组图像序列包含多帧图像；每帧图像中包括自身车辆(自车)、目标车辆(目标车)以及其他目标物(机动车、非机动车、行人等)。视觉传感器可以安装在车辆的前向、后向或侧向上，以实时提供车辆周围目标的图像。
[0024]示意性地，图3示出了自身车辆与目标车辆、车道线之间的几何关系。例如，图中的自身车辆、目标车辆、左车道线、右车道线的坐标分别为(x1，y1)、(x2，y2)、(x3，y3)、(x4，y4)；为了便于对目标车辆或自身车辆的驾驶行为的分析，这里假设了目标车辆位于自身车辆所在车道线的前向(正前方)上，但实际的目标车辆或自身车辆的驾驶行为根据以上各个坐标的相对位置关系进行判断。
[0025]参考图3，在本专利技术的一些实施例的步骤S200中，所述计算自身车辆在同一时刻分别与所述车道线、目标物的相对坐标关系包括：S201.以视频帧图像的左下角为坐标原点，按照时间先后顺本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的驾驶行为分析方法，其特征在于，包括：实时获取自身车辆的视觉传感器的视频帧图像，并利用深度学习模型从其中提取自身车辆所在道路的车道线和目标物的坐标，以及记录每个坐标对应的时间；计算自身车辆在同一时刻分别与所述车道线、目标物的相对坐标关系；根据所述自身车辆与所述车道线、目标物的相对坐标关系的变化趋势，判断自身车辆的驾驶行为。2.根据权利要求1所述的基于深度学习的驾驶行为分析方法，其特征在于，所述计算自身车辆在同一时刻分别与所述车道线、目标物的相对坐标关系包括：以视频帧图像的左下角为坐标原点，按照时间先后顺序，取出同一时间的车道线位置坐标和目标车辆的位置坐标；计算相同纵坐标下的目标车辆分别与自身车辆所在车道的左侧车道线和右侧车道线的横向坐标差，以及自身车辆与目标车辆的纵向坐标差。3.根据权利要求1所述的基于深度学习的驾驶行为分析方法，其特征在于，所述根据所述自身车辆与所述车道线、目标物的相对坐标关系的变化趋势，判断自身车辆的驾驶行为包括：根据自身车辆与目标车辆的相对坐标关系的变化趋势，判断自身车辆的驾驶员的速度控制行为；根据自身车辆分别与车道线、目标车辆的相对坐标关系的变化趋势，判断自身车辆或目标车辆的驾驶员的变道行为；根据自身车辆与车道线的相对坐标关系的变化趋势，判断自身车辆的驾驶员的方向控制行为。4.根据权利要求3所述的基于深度学习的驾驶行为分析方法，其特征在于，所述根据自身车辆分别与车道线、目标车辆的相对坐标关系的变化趋势，判断自身车辆或目标车辆的驾驶员的变道行为包括：判断目标车辆位于自身车辆所在车道的内外侧关系，并根据其判断目标车辆的驾驶员的变道行为；根据自身车辆与其所在车道的左侧车道线或右侧车道线的相对坐标关系的变化趋势，判断自身车辆的驾驶员的变道行为。5.根据权利要求3所述的基于深度学习的驾驶行为分析方法，其特征在于，还包括：根据自身车辆与一个或多个目标车辆...

【专利技术属性】
技术研发人员：王军德，李诒雯，郝江波，邹元杰，朱光华，
申请(专利权)人：武汉光庭信息技术股份有限公司，
类型：发明
国别省市：