一种驾驶行为检测方法和设备与流程

本发明涉及计算机应用技术，特别是涉及一种驾驶行为检测方法和设备。
背景技术：
：目前，驾驶行为数据主要通过车载dms系统进行采集，并对采集数据进行分析，但是随着车载传感器种类和数量的增多，各类车载传感器可以实时采集车辆的环境信息、车辆状态信息和驾驶员状态信息等，这些数据都可以作为驾驶行为数据，通过融合、分析驾驶行为数据，为驾驶员提供有效的指导信息。驾驶行为数据来源复杂，数据类型多样，基于多源数据融合的实时驾驶行为识别技术成为发展趋势。目前大多数驾驶行为识别评判方法都是基于单一数据源或同类型数据进行融合分析，数据分析角度不全面，没有充分利用越来越丰富的感知数据资源，从而无法对驾驶员的危险驾驶进行准确识别。技术实现要素：有鉴于此，本发明的主要目的在于提供一种驾驶行为检测方法和设备，可以提高对危险驾驶进行识别并报警的准确度。为了达到上述目的，本发明提出的技术方案为：一种驾驶行为检测方法，包括：获取当前的道路交通状态信息、车辆状态信息和驾驶员状态信息；并对所述道路交通状态信息、车辆状态信息和驾驶员状态信息分别进行危险等级标准化处理，得到相应的道路交通状态向量、车辆状态向量和驾驶员状态向量；利用所述道路交通状态向量和预设的道路交通状态危险驾驶判断矩阵，确定当前的道路交通状态危险驾驶指数；利用所述车辆状态向量和预设的车辆状态危险驾驶判断矩阵，确定当前的车辆状态危险驾驶指数；利用所述驾驶员状态向量和预设的驾驶员状态危险驾驶判断矩阵，确定当前的驾驶员状态危险驾驶指数；利用所述道路交通状态危险驾驶指数、所述车辆状态危险驾驶指数、所述驾驶员状态危险驾驶指数和预设的危险驾驶综合判断矩阵，确定当前的危险驾驶综合指数；根据所述危险驾驶综合指数和预设的预警阈值，判断当前是否需要报警，并在需要时执行相应的报警过程。较佳地，级标准化处理包括：利用预设的危险驾驶等级映射关系，确定所述道路交通状态信息、车辆状态信息和驾驶员状态信息中的每个属性对应的危险等级；其中，所述危险驾驶等级映射关系包括道路交通状态信息、车辆状态信息和驾驶员状态信息中的每个属性包含的每个属性值对应的危险等级；对于当前的所述道路交通状态信息，将其中每个属性对应的危险等级作为向量元素，生成该道路交通状态信息对应的道路交通状态向量；对于当前的所述车辆状态信息，将其中每个属性对应的危险等级作为向量元素，生成该车辆状态信息对应的车辆状态向量；对于当前的所述驾驶员状态信息，将其中每个属性对应的危险等级作为向量元素，生成该驾驶员状态信息对应的驾驶员状态向量。较佳地，所述道路交通状态信息的属性包括：道路类型、道路状态和天气状态；所述车辆状态信息的属性包括：车辆超速、前后车距、是否空挡滑行、转弯打转向灯和交通信号灯；所述驾驶员状态信息的属性包括：是否系安全带、是否正确握方向盘、打哈欠次数、闭眼时长、驾驶过程中是否使用其他设备别和车辆行驶中驾驶员视线是否保持注视前方。较佳地，所述道路类型的取值范围包括：乡镇道路、城市道路、高速公路、山区公路和其他道路类型；所述道路状态的取值范围包括：通畅、轻微拥堵、严重有拥堵和发生交通事故；所述天气状态的取值范围包括：正常天气、沙尘天气、雨天、雪天和大雾天气，其中，所述正常天气包括晴天和阴天；所述车辆超速的取值范围包括：未超速、超速小于10％、超速10％至30％、超速30％至50％和超速大于50％；所述前后车距的取值范围包括：大于100米、大于80米且小于等于100米、大于60米且小于等于80米、大于50米且小于等于60米和小于等于50米；所述是否空挡滑行的取值范围包括：空挡滑行和没有空挡滑行；所述转弯打转向灯的取值范围包括：正确使用转向灯、不打转向灯和打错转向灯；所述交通信号灯的取值范围包括：绿灯行驶、黄灯行驶和红灯行驶；所述是否系安全带的取值范围包括：系安全带和没有系安全带；所述是否正确握住方向盘的取值范围包括：双手握方向盘、单手握方向盘和没有握住方向盘；所述打哈欠次数的取值范围包括：5分钟内打哈欠次数小于等于2次、5分钟内打哈欠次数大于3次小于等于5次、5分钟内打哈欠次数大于5次小于等于7次、以及5分钟内打哈欠次数大于7次；所述闭眼时长的取值范围包括：小于0.5秒、1秒、3秒和5秒；所述驾驶过程中是否使用其他设备的取值范围包括：使用其他设备和没有使用其他设备；所述车辆行驶中驾驶员视线是否保持注视前方的取值范围包括：保持注视前方和没有保持注视前方。较佳地，所述乡镇道路、城市道路、高速公路、山区公路和其他道路类型各自对应的危险等级分别为：1、2、3、4、2；所述通畅、轻微拥堵、严重有拥堵和发生交通事故各自对应的危险等级分别为：1、2、3、4；所述正常天气、沙尘天气，雨天、雪天和大雾天气各自对应的危险等级分别为：1、2、3、4、5；所述未超速、超速小于10％、超速10％至30％、超速30％至50％和超速大于50％各自对应的危险等级分别为：1、2、3、4、5；所述大于100米、大于80米且小于等于100米、大于60米且小于等于80米、大于50米且小于等于60米、以及小于等于50米各自对应的危险等级分别为：1、2、3、4、5；所述空挡滑行和没有空挡滑行各自对应的危险等级分别为：4、1；所述正确使用转向灯、不打转向灯和打错转向灯各自对应的危险等级分别为：1、3、5；所述绿灯行驶、黄灯行驶和红灯行驶各自对应的危险等级分别为：1、3、5；所述系安全带和没有系安全带各自对应的危险等级分别为：1、5；所述双手握方向盘、单手握方向盘和没有握住方向盘各自对应的危险等级分别为：1、3、5；所述5分钟内打哈欠次数小于等于2次、5分钟内打哈欠次数大于3次小于等于5次、5分钟内打哈欠次数大于5次小于等于7次和5分钟内打哈欠次数大于7次各自对应的危险等级分别为：1、2、3、5；所述小于0.5秒、1秒、3秒和5秒各自对应的危险等级分别为：1、2、3、5；所述使用其他设备和没有使用其他设备各自对应的危险等级分别为：4、1；所述保持注视前方和没有保持注视前方各自对应的危险等级分别为：4、1。较佳地，所述利用所述道路交通状态向量和预设的道路交通状态危险驾驶判断矩阵，确定当前的道路交通状态危险驾驶指数包括：计算所述道路交通状态危险驾驶判断矩阵的特征权值向量w1＝(w11，...，w1n)t，其中n为所述道路交通状态信息包含的属性数量；xij为所述道路交通状态信息的属性j与属性i各自对危险驾驶的影响程度的比值；1≤i≤n；1≤j≤n；计算得到当前的道路交通状态危险驾驶指数p1，其中，v1i为所述道路交通状态向量v1＝(v11，...，v1n)中的第i个元素。较佳地，所述利用所述车辆状态向量和预设的车辆状态危险驾驶判断矩阵，确定当前的车辆状态危险驾驶指数包括：计算所述车辆状态危险驾驶判断矩阵的特征权值向量w2＝(w21，...，w2k)t，其中k为所述车辆状态信息包含的属性数量；yij为所述车辆状态信息的属性j与属性i各自对危险驾驶的影响程度的比值；1≤i≤k；1≤j≤k；计算得到当前的车辆状态危险驾驶指数p2，其中，v2i为所述车辆状态向量v2＝(v21，...，v2k)中的第i个元素。较佳地，所述利用所述驾驶员状态向量和预设的驾驶员状态危险驾驶判断矩阵，确定当前的驾驶员状态危险驾驶指数包括：计算所述驾驶员状态危险驾驶判断矩阵的特征权值向量w3＝(w31，...，w3s)t，其中s为所述驾驶员状态信息包含的属性数量；zij为所述驾驶员状态信息的属性j与属性i各自对危险驾驶的影响程度的比值；1≤i≤s；1≤j≤s；计算得到当前的驾驶员状态危险驾驶指数p3，其中，v3i为所述驾驶员状态向量v3＝(v31，...，v3s)中的第i个元素。较佳地，所述利用所述道路交通状态危险驾驶指数、所述车辆状态危险驾驶指数、所述驾驶员状态危险驾驶指数和预设的危险驾驶综合判断矩阵，确定当前的危险驾驶综合指数包括：计算所述危险驾驶综合判断矩阵的特征权值向量w＝(w1，w2，w3)t，其中w1+w2+w3＝1；计算p＝w1p1+w2p2+w3p3，得到当前的驾驶员状态危险驾驶指数p，其中，p1为所述道路交通状态危险驾驶指数，p2为所述车辆状态危险驾驶指数；p3为所述驾驶员状态危险驾驶指数。较佳地，所述根据所述危险驾驶综合指数和预设的预警阈值，判断当前是否需要报警包括：如果所述危险驾驶综合指数大于预设的预警阈值，则判定需要报警。一种驾驶行为检测设备，包括：处理器，所述处理器用于：获取当前的道路交通状态信息、车辆状态信息和驾驶员状态信息；并对所述道路交通状态信息、车辆状态信息和驾驶员状态信息分别进行危险等级标准化处理，得到相应的道路交通状态向量、车辆状态向量和驾驶员状态向量；利用所述道路交通状态向量和预设的道路交通状态危险驾驶判断矩阵，确定当前的道路交通状态危险驾驶指数；利用所述车辆状态向量和预设的车辆状态危险驾驶判断矩阵，确定当前的车辆状态危险驾驶指数；利用所述驾驶员状态向量和预设的驾驶员状态危险驾驶判断矩阵，确定当前的驾驶员状态危险驾驶指数；利用所述道路交通状态危险驾驶指数、所述车辆状态危险驾驶指数、所述驾驶员状态危险驾驶指数和预设的危险驾驶综合判断矩阵，确定当前的危险驾驶综合指数；根据所述危险驾驶综合指数和预设的预警阈值，判断当前是否需要报警，并在需要时执行相应的报警过程。较佳地，所述处理器具体用于：对所述道路交通状态信息、车辆状态信息和驾驶员状态信息分别进行危险等级标准化处理包括：利用预设的危险驾驶等级映射关系，确定所述道路交通状态信息、车辆状态信息和驾驶员状态信息中的每个属性对应的危险等级；其中，所述危险驾驶等级映射关系包括道路交通状态信息、车辆状态信息和驾驶员状态信息中的每个属性包含的每个属性值对应的危险等级；对于当前的所述道路交通状态信息，将其中每个属性对应的危险等级作为向量元素，生成该道路交通状态信息对应的道路交通状态向量；对于当前的所述车辆状态信息，将其中每个属性对应的危险等级作为向量元素，生成该车辆状态信息对应的车辆状态向量；对于当前的所述驾驶员状态信息，将其中每个属性对应的危险等级作为向量元素，生成该驾驶员状态信息对应的驾驶员状态向量。较佳地，所述道路交通状态信息的属性包括：道路类型、道路状态和天气状态；所述车辆状态信息的属性包括：车辆超速、前后车距、是否空挡滑行、转弯打转向灯和交通信号灯；所述驾驶员状态信息的属性包括：是否系安全带、是否正确握方向盘、打哈欠次数、闭眼时长、驾驶过程中是否使用其他设备别和车辆行驶中驾驶员视线是否保持注视前方。较佳地，所述道路类型的取值范围包括：乡镇道路、城市道路、高速公路、山区公路和其他道路类型；所述道路状态的取值范围包括：通畅、轻微拥堵、严重有拥堵和发生交通事故；所述天气状态的取值范围包括：正常天气、沙尘天气、雨天、雪天和大雾天气，其中，所述正常天气包括晴天和阴天；所述车辆超速的取值范围包括：未超速、超速小于10％、超速10％至30％、超速30％至50％和超速大于50％；所述前后车距的取值范围包括：大于100米、大于80米且小于等于100米、大于60米且小于等于80米、大于50米且小于等于60米和小于等于50米；所述是否空挡滑行的取值范围包括：空挡滑行和没有空挡滑行；所述转弯打转向灯的取值范围包括：正确使用转向灯、不打转向灯和打错转向灯；所述交通信号灯的取值范围包括：绿灯行驶、黄灯行驶和红灯行驶；所述是否系安全带的取值范围包括：系安全带和没有系安全带；所述是否正确握住方向盘的取值范围包括：双手握方向盘、单手握方向盘和没有握住方向盘；所述打哈欠次数的取值范围包括：5分钟内打哈欠次数小于等于2次、5分钟内打哈欠次数大于3次小于等于5次、5分钟内打哈欠次数大于5次小于等于7次、以及5分钟内打哈欠次数大于7次；所述闭眼时长的取值范围包括：小于0.5秒、1秒、3秒和5秒；所述驾驶过程中是否使用其他设备的取值范围包括：使用其他设备和没有使用其他设备；所述车辆行驶中驾驶员视线是否保持注视前方的取值范围包括：保持注视前方和没有保持注视前方。较佳地，所述乡镇道路、城市道路、高速公路、山区公路和其他道路类型各自对应的危险等级分别为：1、2、3、4、2；所述通畅、轻微拥堵、严重有拥堵和发生交通事故各自对应的危险等级分别为：1、2、3、4；所述正常天气、沙尘天气，雨天、雪天和大雾天气各自对应的危险等级分别为：1、2、3、4、5；所述未超速、超速小于10％、超速10％至30％、超速30％至50％和超速大于50％各自对应的危险等级分别为：1、2、3、4、5；所述大于100米、大于80米且小于等于100米、大于60米且小于等于80米、大于50米且小于等于60米、以及小于等于50米各自对应的危险等级分别为：1、2、3、4、5；所述空挡滑行和没有空挡滑行各自对应的危险等级分别为：4、1；所述正确使用转向灯、不打转向灯和打错转向灯各自对应的危险等级分别为：1、3、5；所述绿灯行驶、黄灯行驶和红灯行驶各自对应的危险等级分别为：1、3、5；所述系安全带和没有系安全带各自对应的危险等级分别为：1、5；所述双手握方向盘、单手握方向盘和没有握住方向盘各自对应的危险等级分别为：1、3、5；所述5分钟内打哈欠次数小于等于2次、5分钟内打哈欠次数大于3次小于等于5次、5分钟内打哈欠次数大于5次小于等于7次和5分钟内打哈欠次数大于7次各自对应的危险等级分别为：1、2、3、5；所述小于0.5秒、1秒、3秒和5秒各自对应的危险等级分别为：1、2、3、5；所述使用其他设备和没有使用其他设备各自对应的危险等级分别为：4、1；所述保持注视前方和没有保持注视前方各自对应的危险等级分别为：4、1。较佳地，所述处理器具体用于：利用所述道路交通状态向量和预设的道路交通状态危险驾驶判断矩阵，确定当前的道路交通状态危险驾驶指数包括：计算所述道路交通状态危险驾驶判断矩阵的特征权值向量w1＝(w11，...，w1n)t，其中n为所述道路交通状态信息包含的属性数量；xij为所述道路交通状态信息的属性j与属性i各自对危险驾驶的影响程度的比值；1≤i≤n；1≤j≤n；计算得到当前的道路交通状态危险驾驶指数p1，其中，v1i为所述道路交通状态向量v1＝(v11，...，v1n)中的第i个元素。较佳地，所述处理器具体用于：利用所述车辆状态向量和预设的车辆状态危险驾驶判断矩阵，确定当前的车辆状态危险驾驶指数包括：计算所述车辆状态危险驾驶判断矩阵的特征权值向量w2＝(w21，...，w2k)t，其中k为所述车辆状态信息包含的属性数量；yij为所述车辆状态信息的属性j与属性i各自对危险驾驶的影响程度的比值；1≤i≤k；1≤j≤k；计算得到当前的车辆状态危险驾驶指数p2，其中，v2i为所述车辆状态向量v2＝(v21，...，v2k)中的第i个元素。较佳地，所述处理器具体用于：利用所述驾驶员状态向量和预设的驾驶员状态危险驾驶判断矩阵，确定当前的驾驶员状态危险驾驶指数包括：计算所述驾驶员状态危险驾驶判断矩阵的特征权值向量w3＝(w31，...，w3s)t，其中s为所述驾驶员状态信息包含的属性数量；zij为所述驾驶员状态信息的属性j与属性i各自对危险驾驶的影响程度的比值；1≤i≤s；1≤j≤s；计算得到当前的驾驶员状态危险驾驶指数p3，其中，v3i为所述驾驶员状态向量v3＝(v31，...，v3s)中的第i个元素。较佳地，所述处理器具体用于：利用所述道路交通状态危险驾驶指数、所述车辆状态危险驾驶指数、所述驾驶员状态危险驾驶指数和预设的危险驾驶综合判断矩阵，确定当前的危险驾驶综合指数包括：计算所述危险驾驶综合判断矩阵的特征权值向量w＝(w1，w2，w3)t，其中w1+w2+w3＝1；计算p＝w1p1+w2p2+w3p3，得到当前的驾驶员状态危险驾驶指数p，其中，p1为所述道路交通状态危险驾驶指数，p2为所述车辆状态危险驾驶指数；p3为所述驾驶员状态危险驾驶指数。较佳地，所述处理器具体用于：根据所述危险驾驶综合指数和预设的预警阈值，判断当前是否需要报警包括：如果所述危险驾驶综合指数大于预设的预警阈值，则判定需要报警。本申请还公开了一种非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储指令，所述指令在由处理器执行时使得所述处理器执行如前所述的驾驶行为的预警检测方法的步骤。本申请还公开了一种电子设备，包括如前所述的非易失性计算机可读存储介质、以及可访问所述非易失性计算机可读存储介质的所述处理器。由上述技术方案可见，本发明提出的驾驶行为检测方法和设备，基于当前的道路交通状态信息、车辆状态信息和驾驶员状态信息，先统一对这些信息进行危险等级标准化处理，将它们转化为道路交通状态向量、车辆状态向量和驾驶员状态向量，之后再利用预设的道路交通状态危险驾驶判断矩阵、车辆状态危险驾驶判断矩阵和驾驶员状态危险驾驶判断矩阵分别对这些状态向量进行危险驾驶分析，得到三种危险驾驶指数，然后再利用预设的危险驾驶综合判断矩阵和这三种危险驾驶指数，得到当前的危险驾驶综合指数，最后基于该当前的危险驾驶综合指数和预设的预警阈值，判断当前是否需要报警。如此，通过全方位分析驾驶行为数据，充分利用多源感知数据对驾驶行为危险等级进行判定，可以有效提高对危险驾驶进行识别并报警的准确度。附图说明图1为本发明实施例的方法流程示意图。具体实施方式为使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明作进一步地详细描述。图1为本发明实施例的流程示意图，如图1所示，该实施例实现的驾驶行为检测方法主要包括：步骤101、获取当前的道路交通状态信息、车辆状态信息和驾驶员状态信息；并对所述道路交通状态信息、车辆状态信息和驾驶员状态信息分别进行危险等级标准化处理，得到相应的道路交通状态向量、车辆状态向量和驾驶员状态向量。本步骤中，将根据预设的危险等级标准，对当前的道路交通状态信息、车辆状态信息和驾驶员状态信息进行危险等级标准化处理，即将当前这些信息中的各个属性值转换为上述危险等级标准中的危险等级，再由这些信息中各个属性值对应的危险等级，构建出相应的道路交通状态向量、车辆状态向量和驾驶员状态向量。如此，通过统一对这些信息进行危险等级标准化处理，有利于在后续步骤中基于这些道路交通状态向量、车辆状态向量和驾驶员状态向量，进行综合处理，最终得到一个危险驾驶综合指数，从而可以实现对危险驾驶的准确识别和报警。在实际应用中，当前的道路交通状态信息可以从第三方应用中获取、当前的车辆状态信息可以由车载传感器采集得到、当前的驾驶员状态信息可以由车载驾驶员监控系统(dms)采集得到，这些信息的具体获取方法为本领域技术人员所掌握，在此不再赘述。较佳地，可以采用下述方法对所述道路交通状态信息、车辆状态信息和驾驶员状态信息分别进行危险等级标准化处理：步骤x1、利用预设的危险驾驶等级映射关系，确定所述道路交通状态信息、车辆状态信息和驾驶员状态信息中的每个属性对应的危险等级。其中，所述危险驾驶等级映射关系包括道路交通状态信息、车辆状态信息和驾驶员状态信息中的每个属性包含的每个属性值对应的危险等级，这样，基于该危险驾驶等级映射关系，即可获知当前道路交通状态信息、车辆状态信息和驾驶员状态信息中的每个属性值所对应的危险等级。具体地，本领域技术人员可以根据实际情况设置所述危险驾驶等级映射关系。步骤x2、对于当前的所述道路交通状态信息，将其中每个属性对应的危险等级作为向量元素，生成该道路交通状态信息对应的道路交通状态向量；对于当前的所述车辆状态信息，将其中每个属性对应的危险等级作为向量元素，生成该车辆状态信息对应的车辆状态向量；对于当前的所述驾驶员状态信息，将其中每个属性对应的危险等级作为向量元素，生成该驾驶员状态信息对应的驾驶员状态向量。在实际应用中，本领域技术人员可根据实际需要设置道路交通状态信息、车辆状态信息和驾驶员状态信息各自包含的属性。例如，较佳地，这些信息具体可以包括下述属性，但不限于此。所述道路交通状态信息的属性包括：道路类型、道路状态和天气状态。所述车辆状态信息的属性包括：车辆超速、前后车距、是否空挡滑行、转弯打转向灯和交通信号灯。所述驾驶员状态信息的属性包括：是否系安全带、是否正确握方向盘、打哈欠次数、闭眼时长、驾驶过程中是否使用其他设备别和车辆行驶中驾驶员视线是否保持注视前方。进一步地，在实际应用中，本领域技术人员可根据实际行车场景设置道路交通状态信息、车辆状态信息和驾驶员状态信息各自包含的每个属性的取值范围。例如，较佳地，当这些信息分别包含上述属性时，具体每个属性的取值范围可以限定如下，但不限于此。较佳地，所述道路类型的取值范围包括：乡镇道路、城市道路、高速公路、山区公路和其他道路类型；所述道路状态的取值范围包括：通畅、轻微拥堵、严重有拥堵和发生交通事故；所述天气状态的取值范围包括：正常天气、沙尘天气、雨天、雪天和大雾天气，其中，所述正常天气包括晴天和阴天；所述车辆超速的取值范围包括：未超速、超速小于10％、超速10％至30％、超速30％至50％和超速大于50％；所述前后车距的取值范围包括：大于100米、大于80米且小于等于100米、大于60米且小于等于80米、大于50米且小于等于60米和小于等于50米；所述是否空挡滑行的取值范围包括：空挡滑行和没有空挡滑行；所述转弯打转向灯的取值范围包括：正确使用转向灯、不打转向灯和打错转向灯；所述交通信号灯的取值范围包括：绿灯行驶、黄灯行驶和红灯行驶；所述是否系安全带的取值范围包括：系安全带和没有系安全带；所述是否正确握住方向盘的取值范围包括：双手握方向盘、单手握方向盘和没有握住方向盘；所述打哈欠次数的取值范围包括：5分钟内打哈欠次数小于等于2次、5分钟内打哈欠次数大于3次小于等于5次、5分钟内打哈欠次数大于5次小于等于7次、以及5分钟内打哈欠次数大于7次；所述闭眼时长的取值范围包括：小于0.5秒、1秒、3秒和5秒；所述驾驶过程中是否使用其他设备的取值范围包括：使用其他设备和没有使用其他设备；所述车辆行驶中驾驶员视线是否保持注视前方的取值范围包括：保持注视前方和没有保持注视前方。在实际应用中，危险等级标准可由本领域技术人员根据实际需要设置，例如，较佳地，可以设置为下述5个等级{1,2,3,4,5}，但不限于此。1：正常道路行驶状况；2：对于道路交通安全有轻微影响；3：对于道路交通安全有影响；4：对于道路交通安全有较大影响；5：对于道路交通安全有严重影响。进一步地，在上述道路交通状态信息、车辆状态信息和驾驶员状态信息示例，以及危险等级标准的基础上，较佳地，可以将相应的危险驾驶等级映射关系设置如下，但不限于此：较佳地，所述乡镇道路、城市道路、高速公路、山区公路和其他道路类型各自对应的危险等级分别为：1、2、3、4、2；所述通畅、轻微拥堵、严重有拥堵和发生交通事故各自对应的危险等级分别为：1、2、3、4；所述正常天气、沙尘天气，雨天、雪天和大雾天气各自对应的危险等级分别为：1、2、3、4、5；所述未超速、超速小于10％、超速10％至30％、超速30％至50％和超速大于50％各自对应的危险等级分别为：1、2、3、4、5；所述大于100米、大于80米且小于等于100米、大于60米且小于等于80米、大于50米且小于等于60米、以及小于等于50米各自对应的危险等级分别为：1、2、3、4、5；所述空挡滑行和没有空挡滑行各自对应的危险等级分别为：4、1；所述正确使用转向灯、不打转向灯和打错转向灯各自对应的危险等级分别为：1、3、5；所述绿灯行驶、黄灯行驶和红灯行驶各自对应的危险等级分别为：1、3、5；所述系安全带和没有系安全带各自对应的危险等级分别为：1、5；所述双手握方向盘、单手握方向盘和没有握住方向盘各自对应的危险等级分别为：1、3、5；所述5分钟内打哈欠次数小于等于2次、5分钟内打哈欠次数大于3次小于等于5次、5分钟内打哈欠次数大于5次小于等于7次和5分钟内打哈欠次数大于7次各自对应的危险等级分别为：1、2、3、5；所述小于0.5秒、1秒、3秒和5秒各自对应的危险等级分别为：1、2、3、5；所述使用其他设备和没有使用其他设备各自对应的危险等级分别为：4、1；所述保持注视前方和没有保持注视前方各自对应的危险等级分别为：4、1。需要说明的是，上述示例中危险等级数据越大，对应的危险程度越高，例如，空挡滑行的危险等级为4，而没有空挡滑行时的危险等级则为1。步骤102、利用所述道路交通状态向量和预设的道路交通状态危险驾驶判断矩阵，确定当前的道路交通状态危险驾驶指数；利用所述车辆状态向量和预设的车辆状态危险驾驶判断矩阵，确定当前的车辆状态危险驾驶指数；利用所述驾驶员状态向量和预设的驾驶员状态危险驾驶判断矩阵，确定当前的驾驶员状态危险驾驶指数。较佳地，可以采用下述方法利用所述道路交通状态向量和预设的道路交通状态危险驾驶判断矩阵，确定当前的道路交通状态危险驾驶指数：计算所述道路交通状态危险驾驶判断矩阵的特征权值向量w1＝(w11，...，w1n)t，其中n为所述道路交通状态信息包含的属性数量；xij为所述道路交通状态信息的属性j与属性i各自对危险驾驶的影响程度的比值；1≤i≤n；1≤j≤n；计算得到当前的道路交通状态危险驾驶指数p1，其中，v1i为所述道路交通状态向量v1＝(v11，...，v1n)中的第i个元素。上述方法中，道路交通状态危险驾驶判断矩阵可由本领域技术人员结合实际交通应用场景，利用分层分析法中的方法构造得到。较佳地，可以采用下述方法利用所述车辆状态向量和预设的车辆状态危险驾驶判断矩阵，确定当前的车辆状态危险驾驶指数：计算所述车辆状态危险驾驶判断矩阵的特征权值向量w2＝(w21，...，w2k)t，其中k为所述车辆状态信息包含的属性数量；yij为所述车辆状态信息的属性j与属性i各自对危险驾驶的影响程度的比值；1≤i≤k；1≤j≤k；计算得到当前的车辆状态危险驾驶指数p2，其中，v2i为所述车辆状态向量v2＝(v21，...，v2k)中的第i个元素。上述方法中，车辆状态危险驾驶判断矩阵可由本领域技术人员结合实际交通应用场景，利用分层分析法中的方法构造得到。较佳地，可以采用下述方法利用所述驾驶员状态向量和预设的驾驶员状态危险驾驶判断矩阵，确定当前的驾驶员状态危险驾驶指数：计算所述驾驶员状态危险驾驶判断矩阵的特征权值向量w3＝(w31，...，w3s)t，其中s为所述驾驶员状态信息包含的属性数量；zij为所述驾驶员状态信息的属性j与属性i各自对危险驾驶的影响程度的比值；1≤i≤s；1≤j≤s；计算得到当前的驾驶员状态危险驾驶指数p3，其中，v3i为所述驾驶员状态向量v3＝(v31，...，v3s)中的第i个元素。上述驾驶员状态危险驾驶判断矩阵可由本领域技术人员结合实际交通应用场景，利用分层分析法中的方法构造得到。步骤103、利用所述道路交通状态危险驾驶指数、所述车辆状态危险驾驶指数、所述驾驶员状态危险驾驶指数和预设的危险驾驶综合判断矩阵，确定当前的危险驾驶综合指数。本步骤中，将综合步骤102中计算出的道路交通状态危险驾驶指数、车辆状态危险驾驶指数、驾驶员状态危险驾驶指数，利用预设的危险驾驶综合判断矩阵，计算出当前的危险驾驶综合指数，如此，通过融合上述三种危险驾驶指数，对当前的危险驾驶情况进行判断，充分利用了多源感知数据对驾驶行为危险等级进行判定，可以有效提高对危险驾驶进行识别并报警的准确度。较佳地，可以采用下述方法利用所述道路交通状态危险驾驶指数、所述车辆状态危险驾驶指数、所述驾驶员状态危险驾驶指数和预设的危险驾驶综合判断矩阵，确定当前的危险驾驶综合指数：计算所述危险驾驶综合判断矩阵的特征权值向量w＝(w1，w2，w3)t，其中w1+w2+w3＝1；计算p＝w1p1+w2p2+w3p3，得到当前的驾驶员状态危险驾驶指数p，其中，p1为所述道路交通状态危险驾驶指数，p2为所述车辆状态危险驾驶指数；p3为所述驾驶员状态危险驾驶指数。步骤104、根据所述危险驾驶综合指数和预设的预警阈值，判断当前是否需要报警，并在需要时执行相应的报警过程。较佳地，可以采用下述方法根据所述危险驾驶综合指数和预设的预警阈值，判断当前是否需要报警：如果所述危险驾驶综合指数大于预设的预警阈值，则判定需要报警。本步骤中，用于判断是否报警的预警阈值可由本领域技术人员根据实际需要进行设置，只要在危险驾驶时能及时触发报警过程的执行即可。在实际应用中，所述报警过程可采用现有方法实现，或者可由本领域技术人员根据实际需要设置合适的报警策略实现，在此不再赘述。下面通过基于上述方法实施例实现的驾驶行为检测方法对本发明作进一步的阐述。本实施例中采用的危险等级标准包括5个等级{1,2,3,4,5}分别为：1：正常道路行驶状况；2：对于道路交通安全有轻微影响；3：对于道路交通安全有影响；4：对于道路交通安全有较大影响；5：对于道路交通安全有严重影响。道路交通状态信息主要由第三方软件提供，包含三个属性的数据a＝{道路类型，道路状态，天气状态}，每个属性对应的标准化分级为：天气＝{正常天气、沙尘天气，雨天、雪天、大雾天气}＝{1,2，3,4，5}，其中正常天气包含晴天，阴天等对车辆驾驶无明显影响的天气状况。道路类型＝{乡镇道路、城市道路、高速公路，山区公路，其他道路类型}＝{1,2,3，4，2}；这里，考虑到，道路状态＝{通畅、轻微拥堵、严重有拥堵、发生交通事故}＝{1,2,3，4}。车辆状态信息主要有车载传感器采集，包含5个属性的数据b＝{车辆超速，车距，是否空挡滑行，转弯打转向灯，交通信号灯}，每个属性对应的标准化分级为：车辆超速＝{未超速，超速小于10％，超速10％-30％，超速30％-50％，超速大于50％}＝{1,2,3,4,5}；前后车距＝{大于100米，80米-100米，60米-80米，50米-60米，小于50米}＝{1,2,3,4，5}；是否空挡滑行＝{否，是}＝{1,4}；转弯打转向灯＝{正确却使用转向灯，不打转向灯，打错转向灯}＝{1,3,4}交通信号灯＝{绿灯行驶、黄灯行驶、红灯行驶}＝{1,3，5}驾驶员状态信息由车载dms采集，包含c＝{是否系安全带，是否正确握方向盘，打哈欠次数、闭眼时长、驾驶过程中是否使用其他设备别(例如手机、平板等)，车辆行驶中驾驶员视线是否保持注视前方}，对应等级如下：是否系安全带＝{系安全带，未系安全带}＝{1,5}；是否正确握住方向盘＝{双手握方向盘，单手握方向盘，没有握住方向盘}＝{1,3,5}；5分钟内打哈欠次数＝{小于等于2次，3次至5次，5次至7次，大于7次}＝{1,2,3,5}；闭眼时长＝{小于0.5秒，1秒，3秒，5秒}＝{1,2,3,5}；驾驶过程中是否使用其他设备别＝{否，是}＝{1,4}；车辆行驶中驾驶员视线是否保持注视前方＝{是，否}＝{1,4}一级数据融合：针对每个数据集构造对应的判定矩阵，计算判定矩阵的最大特征值对应的特征向量，归一化后为数据集的每个属性的权值，最终确定每个数据集的危险指数。具体如下：道路交通状态数据中只包含3维数据，依据分层分析法中的方法构造3行乘以3列的道路交通状态的判断矩阵。矩阵行列对应如下表：道路类型道路状态天气状态道路类型131/2道路状态1/311/5天气状态251对应的危险驾驶判断矩阵如下：计算x的特征权值向量w1＝(w11，w12，w13)t＝(0.309,0.109,0.582)t，则有p1＝0.309·v11+0.109·v12+0.582·v13，其中v1i为道路交通状态数据标准化后每个属性的取值。对于车辆状态信息数据包含5个属性，通过确定每个属性的权值，确定最终的p2。依据分层分析法中的方法构造5行乘以5列的判断矩阵。矩阵行列对应如下表：对应的危险驾驶判断矩阵如下：计算y的特征权值向量w2＝(w21，w22，w23，w24，w25)t＝(0.392,0.102,0.142,0.083,0.281)t其中则有p2＝0.392·v21+0.102·v22+0.142·v23+0.083·v24+0.281·v25，其中v2i为车辆状态信息数据标准化后每个属性的取值。同样地，对驾驶员状态信息，依据分层分析方法构造6行乘以6列的驾驶员状态信息判断矩阵。矩阵行列对应如下表：对应的危险驾驶判断矩阵如下：确定各个属性的特征权值w3＝(w31，w32，w33，w34，w35，w36)t＝(0.408,0.194,0.061,0.145,0.096,0.096)t，其中p3＝0.408·v31+0.194·v32+0.061·v33+0.145·v34+0.096·v35+0.096·v36，其中v3i为驾驶员状态数据标准化后各个属性的取值。(2)二级融合，计算最终危险驾驶指数。具体如下：完成一级数据融合然后依据一级融合后的结果，进行二级融合，依据分层分析方法构造3行乘以3列的判断矩阵。矩阵行列对应如下表：道路交通状态车辆状态驾驶员状态道路交通状态11/41/3车辆状态412驾驶员状态31/21对应矩阵如下：确定各个属性的特征权值向量w＝(w1，w2，w3)t＝(0.122,0.558,0.320)t，其中w1+w2+w3＝1，得到危险驾驶综合指数p＝0.122·p1+0.558·p2+0.320·p3。基于危险驾驶综合指数p和预设的预警阈值，即可判断出当前是否需要报警，并在需要时执行相应的报警过程。与上述方法实施例相对应，本发明还提出了一种驾驶行为检测设备实施例，该设备包括：处理器，所述处理器用于：获取当前的道路交通状态信息、车辆状态信息和驾驶员状态信息；并对所述道路交通状态信息、车辆状态信息和驾驶员状态信息分别进行危险等级标准化处理，得到相应的道路交通状态向量、车辆状态向量和驾驶员状态向量；利用所述道路交通状态向量和预设的道路交通状态危险驾驶判断矩阵，确定当前的道路交通状态危险驾驶指数；利用所述车辆状态向量和预设的车辆状态危险驾驶判断矩阵，确定当前的车辆状态危险驾驶指数；利用所述驾驶员状态向量和预设的驾驶员状态危险驾驶判断矩阵，确定当前的驾驶员状态危险驾驶指数；利用所述道路交通状态危险驾驶指数、所述车辆状态危险驾驶指数、所述驾驶员状态危险驾驶指数和预设的危险驾驶综合判断矩阵，确定当前的危险驾驶综合指数；根据所述危险驾驶综合指数和预设的预警阈值，判断当前是否需要报警，并在需要时执行相应的报警过程。较佳地，所述处理器具体用于：对所述道路交通状态信息、车辆状态信息和驾驶员状态信息分别进行危险等级标准化处理包括：利用预设的危险驾驶等级映射关系，确定所述道路交通状态信息、车辆状态信息和驾驶员状态信息中的每个属性对应的危险等级；其中，所述危险驾驶等级映射关系包括道路交通状态信息、车辆状态信息和驾驶员状态信息中的每个属性包含的每个属性值对应的危险等级；对于当前的所述道路交通状态信息，将其中每个属性对应的危险等级作为向量元素，生成该道路交通状态信息对应的道路交通状态向量；对于当前的所述车辆状态信息，将其中每个属性对应的危险等级作为向量元素，生成该车辆状态信息对应的车辆状态向量；对于当前的所述驾驶员状态信息，将其中每个属性对应的危险等级作为向量元素，生成该驾驶员状态信息对应的驾驶员状态向量。较佳地，所述道路交通状态信息的属性包括：道路类型、道路状态和天气状态；所述车辆状态信息的属性包括：车辆超速、前后车距、是否空挡滑行、转弯打转向灯和交通信号灯；所述驾驶员状态信息的属性包括：是否系安全带、是否正确握方向盘、打哈欠次数、闭眼时长、驾驶过程中是否使用其他设备别和车辆行驶中驾驶员视线是否保持注视前方。较佳地，所述道路类型的取值范围包括：乡镇道路、城市道路、高速公路、山区公路和其他道路类型；所述道路状态的取值范围包括：通畅、轻微拥堵、严重有拥堵和发生交通事故；所述天气状态的取值范围包括：正常天气、沙尘天气、雨天、雪天和大雾天气，其中，所述正常天气包括晴天和阴天；所述车辆超速的取值范围包括：未超速、超速小于10％、超速10％至30％、超速30％至50％和超速大于50％；所述前后车距的取值范围包括：大于100米、大于80米且小于等于100米、大于60米且小于等于80米、大于50米且小于等于60米和小于等于50米；所述是否空挡滑行的取值范围包括：空挡滑行和没有空挡滑行；所述转弯打转向灯的取值范围包括：正确使用转向灯、不打转向灯和打错转向灯；所述交通信号灯的取值范围包括：绿灯行驶、黄灯行驶和红灯行驶；所述是否系安全带的取值范围包括：系安全带和没有系安全带；所述是否正确握住方向盘的取值范围包括：双手握方向盘、单手握方向盘和没有握住方向盘；所述打哈欠次数的取值范围包括：5分钟内打哈欠次数小于等于2次、5分钟内打哈欠次数大于3次小于等于5次、5分钟内打哈欠次数大于5次小于等于7次、以及5分钟内打哈欠次数大于7次；所述闭眼时长的取值范围包括：小于0.5秒、1秒、3秒和5秒；所述驾驶过程中是否使用其他设备的取值范围包括：使用其他设备和没有使用其他设备；所述车辆行驶中驾驶员视线是否保持注视前方的取值范围包括：保持注视前方和没有保持注视前方。较佳地，所述乡镇道路、城市道路、高速公路、山区公路和其他道路类型各自对应的危险等级分别为：1、2、3、4、2；所述通畅、轻微拥堵、严重有拥堵和发生交通事故各自对应的危险等级分别为：1、2、3、4；所述正常天气、沙尘天气，雨天、雪天和大雾天气各自对应的危险等级分别为：1、2、3、4、5；所述未超速、超速小于10％、超速10％至30％、超速30％至50％和超速大于50％各自对应的危险等级分别为：1、2、3、4、5；所述大于100米、大于80米且小于等于100米、大于60米且小于等于80米、大于50米且小于等于60米、以及小于等于50米各自对应的危险等级分别为：1、2、3、4、5；所述空挡滑行和没有空挡滑行各自对应的危险等级分别为：4、1；所述正确使用转向灯、不打转向灯和打错转向灯各自对应的危险等级分别为：1、3、5；所述绿灯行驶、黄灯行驶和红灯行驶各自对应的危险等级分别为：1、3、5；所述系安全带和没有系安全带各自对应的危险等级分别为：1、5；所述双手握方向盘、单手握方向盘和没有握住方向盘各自对应的危险等级分别为：1、3、5；所述5分钟内打哈欠次数小于等于2次、5分钟内打哈欠次数大于3次小于等于5次、5分钟内打哈欠次数大于5次小于等于7次和5分钟内打哈欠次数大于7次各自对应的危险等级分别为：1、2、3、5；所述小于0.5秒、1秒、3秒和5秒各自对应的危险等级分别为：1、2、3、5；所述使用其他设备和没有使用其他设备各自对应的危险等级分别为：4、1；所述保持注视前方和没有保持注视前方各自对应的危险等级分别为：4、1。较佳地，所述处理器具体用于：利用所述道路交通状态向量和预设的道路交通状态危险驾驶判断矩阵，确定当前的道路交通状态危险驾驶指数包括：计算所述道路交通状态危险驾驶判断矩阵的特征权值向量w1＝(w11，...，w1n)t，其中n为所述道路交通状态信息包含的属性数量；xij为所述道路交通状态信息的属性j与属性i各自对危险驾驶的影响程度的比值；1≤i≤n；1≤j≤n；计算得到当前的道路交通状态危险驾驶指数p1，其中，v1i为所述道路交通状态向量v1＝(v11，...，v1n)中的第i个元素。较佳地，所述处理器具体用于：利用所述车辆状态向量和预设的车辆状态危险驾驶判断矩阵，确定当前的车辆状态危险驾驶指数包括：计算所述车辆状态危险驾驶判断矩阵的特征权值向量w2＝(w21，...，w2k)t，其中k为所述车辆状态信息包含的属性数量；yij为所述车辆状态信息的属性j与属性i各自对危险驾驶的影响程度的比值；1≤i≤k；1≤j≤k；计算得到当前的车辆状态危险驾驶指数p2，其中，v2i为所述车辆状态向量v2＝(v21，...，v2k)中的第i个元素。较佳地，所述处理器具体用于：利用所述驾驶员状态向量和预设的驾驶员状态危险驾驶判断矩阵，确定当前的驾驶员状态危险驾驶指数包括：计算所述驾驶员状态危险驾驶判断矩阵的特征权值向量w3＝(w31，...，w3s)t，其中s为所述驾驶员状态信息包含的属性数量；zij为所述驾驶员状态信息的属性j与属性i各自对危险驾驶的影响程度的比值；1≤i≤s；1≤j≤s；计算得到当前的驾驶员状态危险驾驶指数p3，其中，v3i为所述驾驶员状态向量v3＝(v31，...，v3s)中的第i个元素。较佳地，所述处理器具体用于：利用所述道路交通状态危险驾驶指数、所述车辆状态危险驾驶指数、所述驾驶员状态危险驾驶指数和预设的危险驾驶综合判断矩阵，确定当前的危险驾驶综合指数包括：计算所述危险驾驶综合判断矩阵的特征权值向量w＝(w1，w2，w3)t，其中w1+w2+w3＝1；计算p＝w1p1+w2p2+w3p3，得到当前的驾驶员状态危险驾驶指数p，其中，p1为所述道路交通状态危险驾驶指数，p2为所述车辆状态危险驾驶指数；p3为所述驾驶员状态危险驾驶指数。较佳地，所述处理器具体用于：根据所述危险驾驶综合指数和预设的预警阈值，判断当前是否需要报警包括：如果所述危险驾驶综合指数大于预设的预警阈值，则判定需要报警。本申请还提供了一种非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储指令，所述指令在由处理器执行时使得所述处理器执行如前所述的驾驶行为的预警检测方法的步骤。本申请还提供了一种电子设备，包括如前所述的非易失性计算机可读存储介质、以及可访问所述非易失性计算机可读存储介质的所述处理器。综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页12