CN119389233A 一种基于深度学习的车辆驾驶员危险驾驶行为预警方法 （广州城市职业学院）

一种基于深度学习的车辆驾驶员危险驾驶本申请提供一种基于深度学习的车辆驾驶器采集的车辆行驶过程中的车灯亮度和角度数2获取车载传感器采集的车辆行驶过程中的车灯亮结合所述驾驶员能见度以及车辆行驶状态数据和道路2.如权利要求1所述的方法，其特征在于，所述对所述车灯亮度和角度数据进行预处根据所述车灯亮度和角度数据发送预处理指令至车载计算单元，获取预处理后的车灯亮度和角度数据，对预处理后的车灯亮将所述标准化的车灯亮度和角度数据输入至卷积神经网络中，所通过所述卷积神经网络的全连接层输出当前驾驶员能采用滑动窗口法对所述驾驶员能见度数值进行时序分析，计算得到能获取车载传感器采集的车辆行驶状态数据和道路环境条件数根据所述车辆行驶状态数据和道路环境条件数据进行预处理，通采用六十秒的滑动窗口，每十秒滑动一次对所述标准化的数据集进行时序特征提取，对标准化后的车灯亮度和角度数据采用滑动窗口进行时序分析，计算窗口内的均值、根据所述均值、方差和变化率与预设的车灯亮度和角度危险阈值进3采用CART算法构建二叉决策树模型，将所述车灯亮度、角度数根据所述二叉决策树模型的输出结果和预设的危险判定权重，计算根据所述多维特征向量，采用基于决策树的策略匹配算法在预设预针对所述初始最优预警策略，生成具体的预警措施，所述预警措采用基于车辆动力学模型的模拟执行算法，根据所述预警措施计算车灯新将车灯新亮度和新角度数据输入驾驶员能见度评估模型，获取模拟采用多元线性回归模型处理所述特征向量，得到驾驶员响应程度根据综合效果得分、驾驶员能见度数据及当前驾驶环境参数将调整后的预警触发阈值、预警信息呈现方式及车灯控制参数应用于下一次预警过4[0003]本发明提供了一种基于深度学习的车辆驾驶员危险驾驶行为预警方法，主要包[0008]根据所述危险驾驶行为预测结果以及车灯亮度和角度数据，判断是否为危险驾5[0021]获取车载传感器网络采集的驾驶员操作数据、车辆行驶状态数据及车灯参数数6[0024]图1为本发明的一种基于深度学习的车辆驾驶员危险驾驶行为预警方法的流程[0025]图2为本发明的一种基于深度学习的车辆驾驶员危险驾驶行为预警方法的示意[0026]图3为本发明的一种基于深度学习的车辆驾驶员危险驾驶行为预警方法的又一示[0028]如图1_3，本实施例一种基于深度学习的车辆驾驶员危险驾驶行为预警方法具体车载控制系统根据所述车灯控制指令序列调节车灯的亮度和7原始数据通过5G网络传输至车载计算单元，传输带宽可达1Gbps。车载计算单元接收数据网络结构包含三个卷积层和两个池化层，最后通过全连接层输出当前驾驶员能见度数值。8后通过两个全连接层(节点数分别为128和64)输出9长短期记忆单元和两层全连接层，通过前向传播计算得到危险驾驶行为的预测概率分布；差分法计算5秒短期和30秒长期的移动平均以及一阶差分值，确定车辆状态数据的时间序驶行为评估结果，得到危险驾驶行为的综合评估得分；采用CART算法构建二叉决策树模为评估结果进行交互和互补；根据所述二叉决策树模型的输出结果和预设的危险判定权包含1000条预警策略的库中进行匹配，选出最佳策略：降低车速20增加车灯亮度15%,交叉和变异，产生新一代策略。交叉操作采用单点交叉，变异操作随机调整策略参数±[0056]获取车载传感器网络采集的驾驶员操作数据、车辆行驶状态数据及车灯参数数述预警策略基准对所述预警触发阈值的灵敏度进行高且能见度改善，则略微提高预警阈值"进行推理。输出结果为：将车速预警阈值从超速20％提高到25预警信息呈现方式从语音加视觉改为仅视觉提示，车灯亮度增加幅度从积学习了100次预警经验，预警准确率从