车辆预警方法、装置、存储介质和处理器与流程 专利技术说明

车辆装置的制造及其改造技术1.本发明涉及交通安全管理技术领域，具体而言，涉及一种车辆预警方法、装置、存储介质和处理器。背景技术：2.车辆盲区主要指驾驶员在正常驾驶中的视觉死角，车辆行驶在任何路段都存在一定的盲区，由于驾驶员无法观测到盲区内的道路对象，极易导致交通事故的发生。3.目前，为了预防车辆盲区所导致的交通事故，通常在车辆上安装雷达和摄像头等检测装置，对盲区内的道路对象进行监测，但由于雷达和摄像头通常只能对进入盲区的道路对象进行监测，无法对盲区的危险性进行预测，当盲区内出现道路对象时，再对车辆进行控制，很可能会因为控制不及时，导致交通事故的发生。4.针对上述无法对盲区危险性进行预测的问题，目前尚未提出有效的解决方案。技术实现要素：5.本发明实施例提供了一种车辆预警方法、装置、存储介质和处理器，以至少解决相关技术中无法对盲区危险性进行预测的技术问题。6.根据本发明实施例的一个方面，提供了一种车辆预警方法，该方法包括：获取车辆所行驶在的交通道路的路况数据；基于路况数据确定车辆的至少一影响因素，其中，影响因素为对车辆的安全驾驶进行影响的因素；基于影响因素的权重，确定车辆的盲区危险系数，其中，权重用于表示影响因素对车辆安全驾驶的重要程度，盲区危险系数用于表征车辆的盲区引发安全事故的概率；基于盲区危险系数，向车辆发送预警信息，其中，预警信息用于表示车辆的盲区存在碰撞风险。7.根据本发明实施例的另一方面，提供了一种车辆预警装置，该装置包括：获取单元，用于获取车辆所行驶在的交通道路的路况数据；第一确定单元，用于基于路况数据确定车辆的至少一影响因素，其中，影响因素为对车辆的安全驾驶进行影响的因素；第二确定单元，用于基于影响因素的权重，确定车辆的盲区危险系数，其中，权重用于表示影响因素对车辆安全驾驶的重要程度，盲区危险系数用于表征车辆的盲区引发安全事故的概率；发送单元，用于基于盲区危险系数，向车辆发送预警信息，其中，预警信息用于表示车辆的盲区存在碰撞风险。8.根据本发明实施例的另一方面，还提供了一种计算机可读存储介质。该计算机可读存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质所在设备执行本发明实施例的车辆预警方法。9.根据本发明实施例的另一方面，还提供了一种处理器。该处理器用于运行程序，其中，程序运行时执行本发明实施例的车辆预警方法。10.在本发明实施例中，获取车辆所行驶在的交通道路的路况数据；基于路况数据确定车辆的至少一影响因素，其中，影响因素为对车辆的安全驾驶进行影响的因素；基于影响因素的权重，确定车辆的盲区危险系数，其中，权重用于表示影响因素对车辆安全驾驶的重要程度，盲区危险系数用于表征车辆的盲区引发安全事故的概率；基于盲区危险系数，向车辆发送预警信息，其中，预警信息用于表示车辆的盲区存在碰撞风险。也就是说，在本发明实施例中，可以通过车辆所行驶的交通道路的路况数据来确定车辆的影响因素，由于路况数据中可以记载车辆所行驶交通道路上各个道路对象的行驶状态，因此，基于路况数据获取出的对车辆安全驾驶进行影响的因素更加全面，基于获取到的车辆的影响因素的权重，确定出的车辆的盲区危险系数，可以准确的反应车辆盲区的危险性，基于盲区危险系数对车辆进行告警，可以达到及时提醒用户对车辆进行控制，以提升车辆驾驶安全性的目的，实现了在车辆行驶过程中实时预测车辆盲区危险性的技术效果，进而解决了相关技术中无法对盲区危险性进行预测的技术问题。附图说明11.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：12.图1是根据本发明实施例的一种车辆预警方法的流程图；13.图2是根据本发明实施例的一种影响因素的层级结构模型示意图；14.图3是根据本发明实施例的一种车辆预警系统的示意图；15.图4是根据本发明实施例的一种车辆盲区危险系数的计算方法的流程图；16.图5是根据本发明实施例的一种基于神经网络模型预测车辆盲区危险性的方法流程图；17.图6是根据本技术实施例的一种车辆盲区危险预测方法的应用场景示意图；18.图7是根据本发明实施例的一种车辆预警装置的示意图。具体实施方式19.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。20.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。21.实施例122.根据本发明实施例，提供了一种车辆预警方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。23.图1是根据本发明实施例的一种车辆预警方法的流程图，如图1所示，该方法可以包括如下步骤：24.步骤s101，获取车辆所行驶在的交通道路的路况数据。25.在本发明上述步骤s101提供的技术方案中，可以获取交通道路上部署的视频监控系统采集到的车辆所行驶的交通道路的多帧道路图像，该多帧道路图像中可以包括交通道路上行驶的各个道路对象的图像，其中，道路对象可以包括车辆、行人、非机动车、交通信号灯等。之后，可以将获取到的多帧道路图像作为车辆所行驶在的交通道路的路况数据。26.在该实施例中，上述步骤s101可以由云端和/或计算机终端设备来实现，其中，以计算机终端设备为例进行说明，视频监控系统可以与计算机终端设备建立通讯连接，视频监控系统可以将采集到的交通道路的多帧道路图像通过通讯连接发送至计算机终端设备。27.可选地，视频监控系统可以实时向计算机终端设备发送采集到的交通道路的多帧道路图像，或者以固定的时间间隔向计算机终端发送在固定时间间隔所对应的时间段内采集到的多帧道路图像，或者视频监控系统可以在接收到计算机终端发送信息获取指令之后，向计算机终端发送道路图像，其中该信息获取指令用于指示视频监控系统发送目标时间段内采集到的多帧道路图像。28.在该实施例中，计算机终端在获取到多帧道路图像之后，可以将获取到的多帧道路图像作为路况数据，并对路况数据进行智能分析，以确定出车辆的至少一影响因素。29.步骤s102，基于路况数据确定车辆的至少一影响因素，其中，影响因素为对车辆的安全驾驶进行影响的因素。30.在本发明上述步骤s102提供的技术方案中，在得到路况数据之后，可以对路况数据进行智能分析，以确定车辆的至少一影响因素，其中，影响因素为对车辆的安全驾驶进行影响的因素。31.在该实施例中，由于路况数据由多帧道路图像构成，多帧道路图像是对车辆行驶在的交通道路进行采集得到。基于此，可以对路况数据进行智能分析，也即，对多帧道路图像进行智能识别，以识别出多帧道路图像中包括的各个道路对象，其中，道路对象包括交通道路上行驶的车辆、行人、自行车、电动车、红绿灯等。在识别到多帧道路图像中包括的道路对象之后，可以进一步识别各个道路对象对应的状态信息。32.举例而言，当道路对象为车辆时，车辆对应的状态信息中包括车辆盲区面积、车辆轮向倾斜角度、车辆行驶速度；当道路对象为行人时，行人对应的状态信息中包括行人数量、速度、与车辆所处车道之间距离以及人脸表情角度和人脸表情；当道路对象为自行车或电动车等非机动车时，非机动车对应的状态信息包括非机动车的数量、速度、与车辆所处车道之间距离以及非机动车驾驶者的人脸角度、人脸表情以及佩戴头盔状态；当道路对象为红绿灯时，红绿灯的状态信息包括红绿灯状态和红绿灯时长等。33.可选地，在基于多帧道路对象确定各个道路对象的状态信息时，可以根据多帧图像中车辆所处位置，确定出车辆的盲区面积，可以根据多帧图像中车辆的图像，确定出车辆轮向倾斜角度；计算机终端还可以利用人脸识别技术对多帧道路图像中的行人和非机动车的驾驶者的人脸角度、人脸表情，以及佩戴头盔状态等信息进行识别；另外，基于多帧道路图像中行人的图像以及非机动车的图像，可以确定出行人数量以及非机动车的数量；基于多帧道路图像中交通信号灯的图像，也可以确定出交通道路上的红绿灯状态，以及红绿灯时长信息。需要说明的是，多帧道路图像中的每帧图像均对应有采集时间，基于多帧道路图像中每帧视频图像的采集时间，可以确定出多帧道路图像中各个道路对象在每个时间点所处的位置，基于每个时间点道路对象所处位置，可以确定出该道路对象在每一时间点距离车辆所行驶车道的距离。另外，基于每个时间点道路对象所处位置，也可以确定出各个道路对象的行驶速度。其中，以任一道路对象为例，根据任意两个时间点该道路对象所处位置，可以确定出在该两个时间点所对应的时间段内道路对象所行驶的距离，基于该两个时间点道路对象所行驶的距离以及该两个时间点所对应的时间段，可以进一步确定出该道路对象的行驶速度，依据相同的方法，可以确定出每个道路对象的行驶速度信息。34.在确定出上述信息之后，可以基于上述信息确定车辆的至少一影响因素，其中，车辆的影响因素包括一级影响因素和二级影响因素，一级影响因素为对车辆安全驾驶有影响的道路对象，二级影响因素为各个道路对象所对应的状态信息，一级影响因素与二级影响因素之间存在映射关系。35.举例而言，假设一级影响因素为车辆，则二级影响因素为车辆盲区面积、车辆轮向倾斜角度、车辆行驶速度；假设一级影响因素为行人，则二级影响因素为行人数量、速度、与车辆所处车道之间距离以及人脸表情角度和人脸表情；假设一级影响因素为自行车或电动车等非机动车，则二级影响因素为非机动车的数量、速度、与车辆所处车道之间距离以及非机动车驾驶者的人脸角度、人脸表情以及佩戴头盔状态；假设一级影响因素为红绿灯，则二级影响因素为红绿灯状态和红绿灯时长。36.步骤s103，基于影响因素的权重，确定车辆的盲区危险系数，其中，权重用于表示影响因素对车辆安全驾驶的重要程度，盲区危险系数用于表征车辆的盲区引发安全事故的概率。37.在本发明上述步骤s103提供的技术方案中，在确定出车辆的一级影响因素和二级影响因素之后，可以进一步确定影响因素的权重，并基于影响因素的权重，确定车辆的盲区危险系数，其中，权重用于表示影响因素对车辆安全驾驶的重要程度，盲区危险系数用于表征车辆的盲区引发安全事故的概率。38.在该实施例中，在确定影响因素的权重之前，首先可以使用层次分析法(analytic hierarchy process，简称为ahp)构建各个影响因素的层次结构模型，之后，基于层次结构模型构造判断矩阵，并对判断矩阵进行一致性校验，当判断矩阵的一致性较好时，利用判断矩阵确定各个影响因素的权重。39.举例而言，图2是根据本发明实施例的一种影响因素的层级结构模型示意图，如图2所示，各一级影响因素与二级影响因素之间相对应，基于各个二级影响因素可以确定出车辆盲区危险系数。40.可选地，在构造车辆的影响因素的层次结构模型之后，可以基于对车辆盲区危险系数有影响的各二级影响因素构建判断矩阵，其中，判断矩阵中的每个矩阵元素，可以通过对比多个二级影响因素中每两个二级影响因素对车辆安全驾驶的重要性来确定。41.举例而言，表1是根据本发明实施例的二级影响因素重要性对比表。其中，为了方便说明，可以对各个二级影响因素进行编号，例如，车辆盲区面积对应编号1、车辆轮向倾斜角度对应编号2、速度对应编号3、距离对应编号4、数量对应编号5、人脸角度对应编号6、佩戴头盔状态对应编号7、红绿灯状态对应编号8、红绿灯时间对应编号9。将该多个二级影响因素进行两两对比，可得判断矩阵的矩阵元素。42.表1二级影响因素重要性对比表[0043][0044]在确定出判断矩阵的各个矩阵元素之后，可以将各个矩阵元素进行汇总，构建判断矩阵b。[0045][0046]在确定出判断矩阵b之后，可以进一步确定判断矩阵中每个矩阵元素对应的标度，也即，确定每个矩阵元素对应的数值。其中，可以基于每个矩阵元素对应的两个二级影响因素的重要性来确定各个矩阵元素对应标度。[0047]举例而言，表2是根据本发明实施例的一种影响因素的标度确定表，如表2所示，如果某矩阵元素对应的两个二级影响因素相比，具有同样重要性，则该矩阵元素对应的标度为1；如果某矩阵元素对应的两个二级影响因素相比，一个二级影响因素比另一个二级影响因素稍微重要，则该矩阵元素对应的标度为3；如果某矩阵元素对应的两个二级影响因素相比，重要性介于同样重要与稍微重要之间，则该矩阵元素对应的标度为2；如果某矩阵元素对应的两个二级影响因素相比，一个二级影响因素比另一个二级影响因素明显重要，则该矩阵元素对应的标度为5；如果某矩阵元素对应的两个二级影响因素相比，重要性介于稍微重要与明显重要之间，则该矩阵元素对应的标度为4；如果某矩阵元素对应的两个二级影响因素相比，一个二级影响因素比另一个二级影响因素强烈重要，则该矩阵元素对应的标度为7；如果某矩阵元素对应的两个二级影响因素相比，重要性介于明显重要与强烈重要之间，则该矩阵元素对应的标度为6；如果某矩阵元素对应的两个二级影响因素相比，一个二级影响因素比另一个二级影响因素极端重要，则该矩阵元素对应的标度为9；如果某矩阵元素对应的两个二级影响因素相比，重要性介于强烈重要与极端重要之间，则该矩阵元素对应的标度为8。[0048]表2影响因素的标度确定表[0049][0050]在确定出矩阵元素的标度之后，可以利用一致性验算法对该判断矩阵进行一致性校验，其中，可以先确定判断矩阵的最大特征根，进而基于下述公式确定该判断矩阵对应的一致性指标。[0051][0052]其中，ci为一致性指标，λmax为判断矩阵的最大特征根，n为二级影响因素的数量。如果一致性指标ci为0，则说明判断矩阵完全一致；如果一致性指标ci接近于0，则说明判断矩阵的一致性较好；如果一致性指标ci越大，则说明判断矩阵越不一致。[0053]可选地，当一致性指标小于一致性指标阈值，则说明判断矩阵的一致性较好，可以进一步基于判断矩阵求解各个二级影响因素的权重。当一致性指标不小于一致性指标阈值时，则需要重复上述步骤，重新构造判断矩阵，直至判断矩阵的一致性指标小于一致性指标阈值。需要说明的是，基于判断矩阵的一列数据可以确定出各个二级影响因素对应的一个初始权重值，由于判断矩阵包含多列数据，因此，基于判断矩阵的多列数据可以确定出各个影响因素的多个权重值，对每个二级影响因素对应的多个权重值求平均即可确定相应二级影响因素的权重值。[0054]举例而言，以利用判断矩阵b的第一列数据为例，可以通过下述公式，计算各个二级影响因素对应的初始权重。[0055][0056]其中，ri1用于指示判断矩阵中的第一列数据中的第i个影响因素。基于该公式可以基于各列数据确定出各个影响因素对应的多个初始权重值。以任一二级影响因素为例，例如，车辆盲区面积，假设车辆盲区面积对应的各个初始权重分别为q1、q2、q3、…q9，利用下述公式对该多个初始权重求平均，则可以获取到该车辆盲区面积的权重，基于上述方法可以确定出各个二级影响因素的权重。[0057][0058]需要说明的是，上述确定影响因素的权重的方法仅为示例性的举例，并不对本技术构成限定，任何基于影响因素确定影响因素的权重值的方法均在本技术的保护范围之内，此处不一一进行列举。[0059]在确定出各个二级影响因素的权重之后，可以将各个二级影响因素输入至神经网络模型，来确定车辆的盲区危险系数，其中，盲区危险系数用于表征车辆的盲区已发安全事故的概率。需要说明的是，该神经网络模型为预先基于样本数据训练好的基于权重值确定盲区危险系数的模型。[0060]步骤s104，基于盲区危险系数，向车辆发送预警信息，其中，预警信息用于表示车辆的盲区存在的碰撞风险。[0061]在本发明上述步骤s104提供的技术方案中，在确定出盲区危险系数之后，可以判断盲区危险系数是否大于告警系数，如果盲区危险系数大于告警系数，则说明车辆盲区存在碰撞风险，则可以向车辆发送告警信息，以提醒驾驶员关注车辆盲区驾驶情况。[0062]可选地，在确定出车辆盲区危险系数之后，可以实时将车辆盲区危险系数发送至车辆的仪表进行显示，以实时提醒驾驶员。其中，当车辆盲区危险系数大于告警系数时，还可以车辆仪表上显示警示图标，同时播报提示音。[0063]在上述步骤s101至步骤s104中，获取车辆所行驶在的交通道路的路况数据；基于路况数据确定车辆的至少一影响因素，其中，影响因素为对车辆的安全驾驶进行影响的因素；基于影响因素的权重，确定车辆的盲区危险系数，其中，权重用于表示影响因素对车辆安全驾驶的重要程度，盲区危险系数用于表征车辆的盲区引发安全事故的概率；基于盲区危险系数，向车辆发送预警信息，其中，预警信息用于表示车辆的盲区存在碰撞风险。也就是说，在本发明实施例中，可以通过车辆所行驶的交通道路的路况数据来确定车辆的影响因素，由于路况数据中可以记载车辆所行驶交通道路上各个道路对象的行驶状态，因此，基于路况数据获取到对车辆的影响因素更加的全面，基于获取到的车辆的影响因素的权重，确定出的车辆的盲区危险系数，可以准确的反应车辆盲区的危险性，基于盲区危险系数对车辆进行告警，可以达到及时提醒用户对车辆进行控制，以提升车辆驾驶安全性的目的，实现了在车辆行驶过程中实时预测车辆盲区危险性的技术效果，进而解决了相关技术中无法对盲区危险性进行预测的技术问题。[0064]下面对该实施例的上述方法进行进一步介绍。[0065]作为一种可选的实施方式，路况数据包括交通道路的多帧图像，步骤s102，基于路况数据确定车辆的至少一影响因素，包括：对多帧道路图像多帧图像进行识别，确定多帧道路图像多帧图像中包含的至少一道路对象；响应于多帧道路图像至少一道路对象处于车辆目标阈值范围内，将多帧道路图像至少一道路对象确定为多帧道路图像车辆的一级影响因素。[0066]在该实施例中，由前述介绍可知，路况数据中包括多帧图像，基于此，在基于路况数据确定车辆的至少一影响因素时，可以先对路况数据中多帧道路图像进行智能识别，以确定多帧道路图像中包含的道路对象，其中，该道路对象可以为交通道路中的车辆、行人、非机动车、交通信号灯等，在确定出多帧图像中包括的道路对象之后，可以进一步计算多帧图像中各个道路对象与车辆之间的距离，并确定该距离是否小于车辆目标阈值，如果道路对象与车辆之间的距离小于车辆目标阈值，则说明该道路对象可能处于车辆盲区范围内，则将该道路对象确定为影响车辆安全驾驶的一级影响因素。[0067]作为一种可选的实施方式，基于路况数据确定车辆的至少一影响因素，还包括：对路况数据进行分析，确定至少一道路对象的状态信息；将至少一道路对象的状态信息确定为车辆的二级影响因素，其中，一级影响因素与二级影响之间存在映射关系。[0068]在该实施例中，在确定出影响车辆安全驾驶的一级影响因素之后，还可以确定影响车辆安全驾驶的二级影响因素，由前述介绍可知，一级影响因素与二级影响因素之间存在映射关系，二级影响因素可以为一级影响因素对应的状态信息，基于此，在确定出车辆的一级影响因素之后，可以进一步对多帧图像进行识别，确定多帧图像中各个道路对象(一级影响因素)的状态信息，并将确定出的状态信息确定为车辆的二级影响因素。[0069]举例而言，当一级影响因素为车辆时，则二级影响因素为车辆盲区面积、车辆轮向倾斜角度、车辆行驶速度；当一级影响因素为行人，则二级影响因素为行人数量、速度、与车辆所处车道之间距离以及人脸表情角度和人脸表情；当一级影响因素为自行车或电动车等非机动车，则二级影响因素为非机动车的数量、速度、与车辆所处车道之间距离以及非机动车驾驶者的人脸角度、人脸表情以及佩戴头盔状态；当一级影响因素为红绿灯，则二级影响因素为红绿灯状态和红绿灯时长。[0070]作为一种可选的实施方式，在执行步骤s103之前，该方法还包括：基于车辆的影响因素的层级，构建层次结构模型，其中，层次结构模型中包括一级影响因素和二级影响因素；根据层次结构模型中一级影响因素对应的二级影响因素中的每两个二级影响因素对车辆安全驾驶的影响程度，构建影响因素的判断矩阵；对判断矩阵进行一致性校验，得到影响因素的权重。[0071]在该实施例中，在确定出车辆的一级影响因素和二级影响因素之后，可以基于一级影响因素与二级影响因素之间的映射关系，构建层次结构模型，其中，层次结构模型中包括车辆的一级影响因素和车辆的二级影响因素。之后，可以对比每两个二级影响因素对车辆安全驾驶的影响程度，以此得到判断矩阵的各个矩阵元素，将各个矩阵元素进行汇总即可得到判断矩阵。在得到判断矩阵之后，可以利用一致性校验算法，对判断矩阵进行一致性校验，得到各二级影响因素的权重。其中，计算二级影响因素的权重的方法可以参见前述步骤s103的介绍，此处不再赘述。[0072]作为一种可选的实施方式，对判断矩阵进行一致性校验，得到影响因素的权重，包括：基于一致性检验算法，确定判断矩阵对应的一致性指标；将一致性指标与一致性指标阈值进行作商，确定判断矩阵对应的一致性比率；响应于一致性比率小于目标值，确定各个二级影响因素的权重。[0073]在该实施例中，在对判断矩阵进行一致性校验之前，需要确定判断矩阵的最大特征根，进而利用一致性校验算法，对判断矩阵的一致性指标进行校验。例如，可以利用下述公式确定判断矩阵的一致性指标。[0074][0075]其中，ci为一致性指标，λmax为判断矩阵的最大特征根，n为二级影响因素的数量。在确定出判断矩阵的一致性指标之后，可以利用下述公式将一致性指标与预先设置的一致性指标阈值作商，进而得到一致性比率，并基于一致性比率确定判断矩阵的一致性。[0076]cr＝ci/ri[0077]其中，cr用于指示一致性比率，ci用于指示判断矩阵的一致性指标，ri用于指示一致性指标阈值。其中，当该一致性比率小于目标值，则说明判断矩阵的一致性较好，可以基于判断矩阵确定各个二级影响因素的权重。其中，目标值为预先设置的，例如，目标值为0.1，此处不做限定。[0078]当判断矩阵一致性较好时，可以基于判断矩阵的各列数据确定各个二级影响因素的权重，其中，确定各二级影响因素的权重的具体实现过程可以参考前述步骤s103介绍的方法，此处不再赘述。[0079]作为一种可选的实施方式，步骤s103，基于影响因素的权重，确定车辆的盲区危险系数，包括：将影响因素的权重分别输入至神经网络模型的各个隐藏层节点，得到各个隐藏层节点预测的一级盲区危险系数，以及各个一级盲区危险系数对应的权重；基于各个一级盲区危险系数以及各个一级盲区危险系数对应的权重，确定车辆的盲区危险系数。[0080]在该实施例中，在确定出车辆的各个二级影响因素的权重之后，可以将确定出的各个二级影响因素的输入至神经网络模型的各个隐藏层节点，各个隐藏层节点用于对各个二级影响因素的权重进行综合计算，得到以及盲区危险系数以及各个一级盲区危险系数对应的权重，之后，各个隐藏层节点可以将确定出的一级盲区危险系数输入至输出层，输出层可以进一步基于各个一级盲区危险系数以及各个一级盲区危险系数对应的权重，计算车辆盲区危险系数。[0081]作为一种可选的实施方式，基于盲区危险系数，向车辆发送预警信息，包括：响应于盲区危险系数大于告警系数，向车辆发送预警信息。[0082]在该实施例中，在确定出盲区危险系数之后，可以判断盲区危险系数是否大于告警系数，如果盲区危险系数大于告警系数，则说明车辆盲区存在碰撞风险，则可以向车辆发送告警信息，以提醒驾驶员关注车辆盲区驾驶情况。[0083]实施例2[0084]下面结合优先实施方式对本发明实施例的技术方案进行举例说明。[0085]相关技术中，为了预防车辆盲区所导致的交通事故，通常在车辆上安装雷达和摄像头等检测装置，对盲区内的道路对象进行监测，但由于雷达和摄像头通常只能对进入盲区的道路对象进行监测，无法对盲区的危险性进行预测，当盲区内出现道路对象时，再对车辆进行控制，很可能会因为控制不及时，导致交通事故的发生，存在无法对盲区危险性进行预测的技术问题。[0086]然而，在本发明实施例中，可以获取车辆所行驶在的交通道路的路况数据；基于路况数据确定车辆的至少一影响因素，其中，影响因素为对车辆的安全驾驶进行影响的因素；基于影响因素的权重，确定车辆的盲区危险系数，其中，权重用于表示影响因素对车辆安全驾驶的重要程度，盲区危险系数用于表征车辆的盲区引发安全事故的概率；基于盲区危险系数，向车辆发送预警信息，其中，预警信息用于表示车辆的盲区存在碰撞风险。也就是说，在本发明实施例中，可以通过车辆所行驶的交通道路的路况数据来确定车辆的影响因素，由于路况数据中可以记载车辆所行驶交通道路上各个道路对象的行驶状态，因此，基于路况数据获取到对车辆的影响因素更加的全面，基于获取到的车辆的影响因素的权重，确定出的车辆的盲区危险系数，可以准确的反应车辆盲区的危险性，基于盲区危险系数对车辆进行告警，可以达到及时提醒用户对车辆进行控制，以提升车辆驾驶安全性的目的，实现了在车辆行驶过程中实时预测车辆盲区危险性的技术效果，进而解决了相关技术中无法对盲区危险性进行预测的技术问题。[0087]下面对本发明实施例中的车辆预警系统进行进一步介绍。[0088]图3是根据本发明实施例的一种车辆预警系统的示意图，如图3所示，车辆的预警系统包括：视频监控模块301、智能分析模块302和计算模块303，其中，视频监控模块301与智能分析模块302连接，智能分析模块302与计算模块303连接。[0089]视频分析模块用于采集大范围且复杂场景的车辆、行人、非机动车及红绿灯的路况数据。智能分析模块可以基于视频数据分析车辆盲区面积、行驶速度和转向轮倾斜角等，行人的数量、速度、距离s和人脸角度及表情等；非机动车的数量、速度、距离s和驾驶者人脸角度、佩戴头盔状态等；红绿灯的二级影响因素包含红绿灯状态、时间等。计算模块可以使用智能分析数据，基于神经网络预测车辆盲区的危险性。[0090]图4是根据本发明实施例的一种车辆盲区危险系数的计算方法的流程图。如图4所示，该方法可以包括如下步骤：[0091]步骤s401，视频监控系统采集视频数据。[0092]在该实施例中，视频监控系统可以采集视频数据，该视频数据中包括交通道路的多帧图像，在采集到视频数据后，视频监控系统可以将采集到的视频数据发送至智能分析模块。[0093]步骤s402，智能分析模块分析视频数据。[0094]在该实施例中，智能分析模块在接收到视频数据之后，可以对接收到视频数据进行分析，以得到目标数据，进而将目标数据发送至计算模块。[0095]步骤s403，计算模块预测危险值。[0096]在该实施例中，计算模块在接收到目标数据之后，可以基于目标数据预测车辆的危险系数值。[0097]图5是根据本发明实施例的一种基于神经网络模型预测车辆盲区危险性的方法流程图。如图5所示，该方法包括以下步骤：[0098]步骤s501，结合车辆数据和视频监控系统采集到的实时路况数据构建影响因素体系。[0099]在该实施例中，计算模块可以基于对车辆行驶中各类数据和视频监控系统所采集到的实时路况数据分析，参考指标体系构建原理，构建适用于计算机仿真的评估体系。[0100]图6是根据本技术实施例的一种车辆盲区危险预测方法的应用场景示意图，如图2所示，车辆盲区危险系数的影响因素可分为车辆、行人、自行车、电动车和红绿灯等一级因素。其中车辆的二级影响因素包含车辆盲区①‑⑥面积、行驶速度和转向轮倾斜角等；行人的二级影响因素包含数量、速度、距离s和人脸角度及表情等；自行车的二级影响因素包含数量、速度、距离s和驾驶者人脸角度、佩戴头盔状态等；电动车的二级影响因素包含数量、速度、距离s、驾驶者人脸角度、佩戴头盔状态等；红绿灯的二级影响因素包含红绿灯状态、时间等。[0101]步骤s502，使用层次分析法确定各影响因素的初始权重。[0102]在该实施例中，可以基于步骤s501所构建的影响因素体系，使用层次分析法确定各级影响因素权重，首先建立层次结构模型，然后构造判断矩阵，并归一化处理其最大特征根λmax的特征向量，最后进行一致性检验。[0103]可选地，可以利用一级影响因素与二级影响因素之间的映射关系，构建层析结构模型，其中，构建好的层次结构模型如图2所示。[0104]可选地，在得到层次结构模型之后，可以基于层次结构模型中的二级影响因素构造判断矩阵。[0105]可选地，在构造完判断矩阵之后，可以对判断矩阵进行一致性校验，其中，可以利用下述公式对判断矩阵进行一致性校验。[0106][0107]其中，ci为一致性指标，λmax为判断矩阵的最大特征根，n为二级影响因素的数量。如果一致性指标ci为0，则说明判断矩阵完全一致；如果一致性指标ci接近于0，则说明判断矩阵的一致性较好；如果一致性指标ci越大，则说明判断矩阵越不一致。为衡量ci的大小，定义随机一致性指标ri，其中，表3是根据本发明实施例的一种随机一致性指标。[0108]表3随机一致性指标[0109]n1234567891011ri000.580.901.121.241.321.411.451.491.51[0110]其中一致性比率定义：cr＝ci/ri，一般cr《0.1，则认为判断矩阵的不一致程度在容许范围之内，并且可使用其归一化特征向量作为权向量，否则不具有一致性，需重新构造成判断矩阵。[0111]步骤s503，基于神经网络模型，确定车辆盲区危险系数。[0112]在该实施例中，可以预先利用样本数据对神经网络模型进行训练，以得到用于确定车辆盲区危险系数的神经网络模型。图6是根据本发明实施例提供的一种神经网络模型图，如图6所示，该神经网络模型包含4个隐藏层神经元节点，一个输出层节点。神经网络的输入层为步骤s501确定出的二级影响因素，其权重计算依据层次分析法确定，输出层为车辆盲区的危险值。[0113]步骤s504，预测车辆盲区危险系数。[0114]在该实施例中，可以采用python和keras实现步骤s503所构建的神经网络结构，其中keras是开源人工神经网络库，加之其模型架构方面的简单性、易用性强，所以在深度学习领域被大量采用，可完成模型训练，并预测车辆盲区危险值。[0115]实施例3[0116]根据本发明实施例，还提供了一种车辆预警装置。需要说明的是，该车辆预警装置可以用于执行实施例1中的车辆预警方法。[0117]图7是根据本发明实施例的一种车辆预警装置的示意图，如图7所示，车辆预警装置700可以包括：获取单元701、第一确定单元702、第二确定单元703、发送单元704。[0118]获取单元701，用于获取车辆所行驶在的交通道路的路况数据；[0119]第一确定单元702，用于基于路况数据确定车辆的至少一影响因素，其中，影响因素为对车辆的安全驾驶进行影响的因素；[0120]第二确定单元703，用于基于影响因素的权重，确定车辆的盲区危险系数，其中，权重用于表示影响因素对车辆安全驾驶的重要程度，盲区危险系数用于表征车辆的盲区引发安全事故的概率；[0121]发送单元704，用于基于盲区危险系数，向车辆发送预警信息，其中，预警信息用于表示车辆的盲区存在碰撞风险。[0122]可选地，路况数据包括交通道路的多帧图像，第一确定单元702，还包括：识别模块，用于对多帧图像进行识别，确定多帧图像中包含的至少一道路对象；第一确定模块，用于响应于至少一道路对象处于车辆目标阈值范围内，将至少一道路对象确定为车辆的一级影响因素。[0123]可选地，第一确定单元702，还包括：第二确定模块，用于对路况数据进行分析，确定至少一道路对象的状态信息；第三确定模块，用于将至少一道路对象的状态信息确定为车辆的二级影响因素，其中，一级影响因素与二级影响之间存在映射关系。[0124]可选地，该装置700还包括：第一构建单元，用于基于车辆的影响因素的层级，构建层次结构模型，其中，层次结构模型中包括一级影响因素和二级影响因素；第二构建单元，用于根据层次结构模型中一级影响因素对应的二级影响因素中的每两个二级影响因素对车辆安全驾驶的影响程度，构建影响因素的判断矩阵；校验单元，用于对判断矩阵进行一致性校验，得到影响因素的权重。[0125]可选地，校验单元，还用于基于一致性检验算法，确定判断矩阵对应的一致性指标；将一致性指标与一致性指标阈值进行作商，确定目标特征值对应的一致性比率；响应于一致性比率小于目标值，将目标特征值确定为影响因素的权重。[0126]可选地，第二确定单元703，包括：输入模块，用于将影响因素的权重分别输入至神经网络模型的各个隐藏层节点，得到各个隐藏层节点预测的一级盲区危险系数，以及各个一级盲区危险系数对应的权重；第四确定模块，用于基于各个一级盲区危险系数以及各个一级盲区危险系数对应的权重，确定车辆的盲区危险系数。[0127]可选地，发送单元704，还用于在响应于盲区危险系数大于告警系数，向车辆发送预警信息。[0128]在该实施例中，获取单元，用于获取车辆所行驶在的交通道路的路况数据；第一确定单元，用于基于路况数据确定车辆的至少一影响因素，其中，影响因素为对车辆的安全驾驶进行影响的因素；第二确定单元，用于基于影响因素的权重，确定车辆的盲区危险系数，其中，权重用于表示影响因素对车辆安全驾驶的重要程度，盲区危险系数用于表征车辆的盲区引发安全事故的概率；发送单元，用于基于盲区危险系数，向车辆发送预警信息，其中，预警信息用于表示车辆的盲区存在碰撞风险。也就是说，在本发明实施例中，可以通过车辆所行驶的交通道路的路况数据来确定车辆的影响因素，由于路况数据中可以记载车辆所行驶交通道路上各个道路对象的行驶状态，因此，基于路况数据获取到对车辆的影响因素更加的全面，基于获取到的车辆的影响因素的权重，确定出的车辆的盲区危险系数，可以准确的反应车辆盲区的危险性，基于盲区危险系数对车辆进行告警，可以达到及时提醒用户对车辆进行控制，以提升车辆驾驶安全性的目的，实现了在车辆行驶过程中实时预测车辆盲区危险性的技术效果，进而解决了相关技术中无法对盲区危险性进行预测的技术问题。[0129]实施例4[0130]根据本发明实施例，还提供了一种计算机可读存储介质，该存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质所在设备执行实施例1中的车辆预警方法。[0131]实施例5[0132]根据本发明实施例，还提供了一种处理器，该处理器用于运行程序，其中，程序运行时执行实施例1中的车辆预警方法。[0133]上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。[0134]在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。[0135]在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如模块的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。[0136]作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。[0137]另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。[0138]集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。[0139]以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!