(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111630136.7 (22)申请日 2021.12.28 (71)申请人 清华大学 地址 100084 北京市海淀区清华园 (72)发明人 裴欣　岳云　李东泰　贾邵程　 游晶　翁鹏　 (74)专利代理 机构 北京安信方达知识产权代理 有限公司 1 1262 代理人 和箫　栗若木 (51)Int.Cl. G06V 20/40(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 异常驾驶行为检测方法、 训练方法、 装置及 存储介质 (57)摘要 本公开实施例提供一种异常驾驶行为检测 方法、 训练方法、 装置及存储介质。 该异常驾驶行 为检测方法， 包括： 获得目标车辆的行车视频数 据以及目标道路的道路数据； 基于所述目标车辆 的行车视频数据和所述目标道路的道路数据， 确 定所述目标车辆的行车参数； 基于所述目标车辆 的行车参数和预先训练好的异常驾驶行为检测 模型， 检测所述目标车辆的驾驶员是否存在异常 驾驶行为， 其中， 所述异常驾驶行为检测模型通 过样本车辆的行车参数及其对应的标记数据训 练得到。 权利要求书3页 说明书14页 附图3页 CN 114299433 A 2022.04.08 CN 114299433 A 1.一种异常驾驶行为检测方法， 其特 征在于， 包括： 获得目标 车辆的行 车视频数据以及目标道路的道路数据； 基于所述目标车辆的行车视频数据和所述目标道路的道路数据， 确定所述目标车辆的 行车参数； 基于所述目标车辆的行车参数和预先训练好的异常驾驶行为检测模型， 检测所述目标 车辆的驾驶员是否存在异常驾驶行为， 其中， 所述异常驾驶行为检测模型通过样本车辆的 行车参数及其对应的标记数据训练得到 。 2.根据权利要求1所述的方法， 其特征在于， 所述获得目标车辆的行车视频数据以及目 标道路的道路数据， 包括： 获取所述目标 车辆中的行 车记录仪所采集的所述行 车视频数据； 获取所述目标 车辆中的定位系统所采集的所述目标 车辆的位置信息； 基于所述目标 车辆的位置信息， 从交通路网中获取 所述目标道路的道路数据。 3.根据权利要求1所述的方法， 其特征在于， 所述目标车辆的行车参数包括： 用于表征 所述目标车辆的行驶轨迹与所述目标道路的线形之间的相关程度的第一参数和用于表征 所述目标车辆的转向角度变化与所述目标道路的线形角度变化之间的相关程度的第二参 数， 所述样本车辆的行车参数包括： 用于表征样本车辆的行驶轨迹与样本道路的线形之间 的相关程度的第三参数和用于表征样本车辆的转向角度变化与样本道路的线形角度变化 之间的相关程度的第四参数。 4.根据权利要求3所述的方法， 其特征在于， 所述基于所述目标车辆的行车视频数据和 所述目标道路的道路数据， 确定所述目标 车辆的行 车参数， 包括： 对所述目标车辆的行车视频数据进行预处理， 提取多个目标行车图像序列； 其中， 所述 目标行车图像序列包括： 时间上 连续的至少三帧图像； 通过训练后的姿态估计模型， 对所述多个目标行车图像序列进行处理， 获得所述目标 车辆的运动轨迹数据； 其中， 所述训练后的姿态估计模型通过提取到的样本行车图像序列 对初始的自运动估计网络和初始的深度估计网络进行训练得到； 基于所述目标车辆的运动轨迹数据和所述目标道路的道路数据， 确定所述目标车辆的 行车参数。 5.根据权利要求4所述的方法， 其特征在于， 所述基于所述目标车辆的运动轨迹数据和 所述目标道路的道路数据， 确定所述目标 车辆的行 车参数， 包括： 基于所述目标车辆的运动轨迹数据和所述目标道路的道路数据， 计算得到所述第 一参 数； 其中， 所述第一参数包括： 目标车辆的运动轨迹数据与所述目标道路的道路数据之 间的 相关系数、 目标车辆的运动轨迹数据与目标道路的道路数据的距离的L1范数、 以及目标车 辆的运动轨 迹数据与目标道路的道路数据的距离的L2范 数； 分别对所述目标车辆的运动轨迹数据和所述目标道路的道路数据进行微分运算， 获得 所述目标 车辆的转向角度变化数据和所述目标道路的线形角度变化数据； 基于所述目标车辆的转向角度变化数据和所述目标道路的线形角度变化数据， 计算得 到所述第二参数； 其中， 所述第二参数包括： 目标车辆的转向角度变化数据与所述目标道路 的线形角度变化数据之 间的相关系数、 目标车辆的转向角度变化数据与目标道路的线 形角 度变化数据的角度差的L 1范数、 以及目标车辆的转向角度变化数据与目标道路的线 形角度权　利　要　求　书 1/3 页 2 CN 114299433 A 2变化数据的角度差的L2范 数。 6.根据权利要求1所述的方法， 其特征在于， 所述异常驾驶行为检测模型通过样本车辆 的行车参数及其对应的标记数据训练得到， 包括： 获得样本数据集； 其中， 所述样本数据集中的每一个样本数据包括： 样本车辆的行车参 数和标记数据； 基于所述样本数据集进行训练， 获得 所述异常驾驶行为检测模型。 7.根据权利要求6所述的方法， 其特 征在于， 所述获得样本数据集， 包括： 获取样本车辆的行 车视频数据以及对应的样本道路的道路数据； 对所述样本车辆的行车视频数据进行预处理， 提取多个样本行车图像序列； 其中， 所述 样本行车图像序列包括： 时间上 连续的至少三帧图像； 通过训练后的姿态估计模型， 对所述多个样本行车图像序列进行处理， 获得所述样本 车辆的运动轨迹数据； 其中， 所述训练后的姿态估计模型通过提取到的样本行车图像序列 对初始的自运动估计网络和初始的深度估计网络进行训练得到； 基于所述样本车辆的运动轨迹数据和所述样本道路的道路数据， 确定所述样本车辆的 行车参数； 基于所述样本车辆的行 车参数， 获取对应的标记数据。 8.根据权利要求4或7所述的方法， 其特征在于， 所述训练后的姿态估计模型通过提取 到的样本行车图像序列对初始的自运动估计网络和初始的深度估计网络进 行训练得到， 包 括： 获取样本车辆的行 车视频数据； 对所述样本车辆的行车视频数据进行预处理， 提取多个样本行车图像序列； 其中， 所述 样本行车图像序列包括： 时间上 连续的至少三帧图像； 针对每一个样本行 车图像序列， 执 行以下训练操作： 将每一个样本行车图像序列中的中间帧图像确定为目标图像， 并将每一个样本行车图 像序列中除了所述中间帧图像之外的其它帧图像确定为 参考图像； 将所述目标图像和所述参考图像输入初始的自运动估计网络， 获得所述目标图像相对 于所述参考图像的自运动数据； 将所述目标图像输入初始的深度估计网络， 获得 所述目标图像的深度数据； 基于所述自运动数据和所述深度数据进行图像重建， 获得重建的目标图像； 基于所述重建的目标图像和所述目标图像， 采用预设损 失函数， 调整所述初始 的自运 动估计网络的参数和所述初始的深度估计网络的参数； 针对下一个样本行车图像序列进行上述训练操作， 直至所述预设损失函数的值低于预 设阈值， 获得 所述训练后的姿态估计模型。 9.根据权利要求8所述的方法， 其特征在于， 所述初始 的自运动估计网络包括： 多个卷 积块， 其中， 每一个卷积块包括： 卷积层和激活层， 所述多个卷积块中的第一个卷积块的输 入为所述目标图像和所述参考图像， 所述多个卷积块中的最后一个卷积块的输出为所述初 始的自运动估计网络的输出， 所述多个卷积块中的第i个卷积块的输出为所述多个卷积块 中的第i+1个卷积块的输入， i 为正整数。 10.根据权利要求9所述的方法， 其特征在于， 所述多个卷积块包括： 七个卷积块， 其中，权　利　要　求　书 2/3 页 3 CN 114299433 A 3