基于机器学习的用户高风险行为识别方法及系统技术方案

本发明专利技术涉及风险识别技术领域，尤其涉及基于机器学习的用户高风险行为识别方法及系统，方法通过显著度公式整合目标置信度、类别风险权重、相对速度及距离衰减因子，形成动态风险排序，相比传统算法更符合实际驾驶风险逻辑，实现对复杂交通场景中目标的优先级管理；通过相机内参与坐标变换矩阵，将驾驶员视线精确投影到前视图像平面，使专注度评估与实际道路风险直接关联；采用时间滑动窗口平滑视线波动，当检测到近距离高速目标且驾驶员未注视时，立即触发接管，无需等待固定时间。

【技术实现步骤摘要】

所属的技术人员知道，本专利技术可以实现为系统、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件（包括固件、驻留软件、微代码等），还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“系统”。此外，在一些实施例中，本专利技术还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是一一但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)，只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令本文档来自技高网...

【技术保护点】

1.基于机器学习的用户高风险行为识别方法，其特征在于：包括以下具体步骤：

2.根据权利要求1所述的基于机器学习的用户高风险行为识别方法，其特征在于：所述S1的具体内容为：预设图像采集时间间隔，在车辆行驶过程中通过相机每隔所述图像采集时间间隔获取一次车辆前方的环境图像，得到环境图像流，每获取一帧环境图像，就与前一帧环境图像组成时序数据对，同步获取驾驶员在车辆坐标系下的视线方向向量。

3.根据权利要求2所述的基于机器学习的用户高风险行为识别方法，其特征在于：所述S2包括以下具体步骤：

4.根据权利要求3所述的基于机器学习的用户高风险行为识别方法，其特征在于...

【技术特征摘要】

1.基于机器学习的用户高风险行为识别方法，其特征在于：包括以下具体步骤：

2.根据权利要求1所述的基于机器学习的用户高风险行为识别方法，其特征在于：所述s1的具体内容为：预设图像采集时间间隔，在车辆行驶过程中通过相机每隔所述图像采集时间间隔获取一次车辆前方的环境图像，得到环境图像流，每获取一帧环境图像，就与前一帧环境图像组成时序数据对，同步获取驾驶员在车辆坐标系下的视线方向向量。

3.根据权利要求2所述的基于机器学习的用户高风险行为识别方法，其特征在于：所述s2包括以下具体步骤：

4.根据权利要求3所述的基于机器学习的用户高风险行为识别方法，其特征在于：所述s3包括以下具体步骤：

【专利技术属性】
技术研发人员：阮宝江，刘晶，王飞，刘睿，
申请(专利权)人：南京博晟宇网络科技有限公司，
类型：发明
国别省市：

全部详细技术资料下载 我是这个专利的主人