本发明涉及一种利用深度学习算法确定驾驶员的驾驶危险度的方法及其装置，更具体地，涉及一种利用图像识别深度学习算法和强化学习算法分析驾驶员驾驶风险图像和与时间点相关的信息来确定驾驶员的驾驶危险度的方法及其装置。
背景技术：
1、近来，随着自动驾驶车辆的数量整体增加，自动驾驶车辆相关事故也在增加。特别是，与这种自动驾驶车辆相关的很多事故往往是由于仅依靠预定的规则驾驶而没有准确地理解驾驶员的驾驶意图而造成的局限性。
2、为了应对与此类自动驾驶相关的事故，与驾驶员和车辆相关的保险公司也在开发比传统方法更准确的方法来确定驾驶员的驾驶危险度。
3、通常，与驾驶员和车辆相关的保险公司基于与车辆运行相关的简单信息来确定驾驶员的驾驶危险度。然而，由于自动驾驶车辆的迅速普及和第四次工业革命导致的人工智能(ai)技术的扩散，这些信息需要转化为更高级的信息。
4、因此，利用人工智能技术更准确地确定驾驶员的驾驶危险度，并且通过此与驾驶员和车辆相关的保险公司需要提供更准确的保险产品相关信息，并且通过这些信息，也能够提供驾驶员自己的驾驶习惯和驾驶信息的创新的技术开发和构思。
5、上述背景技术是发明人为了推导本发明而拥有的，或者是在推导本发明的过程中获得的技术信息，不一定是在提交本发明之前为公众所知的技术。
技术实现思路
1、发明要解决的问题
2、通过本发明的一些实施例要解决的问题是提供一种计算并提供驾驶车辆的驾驶员的驾驶危险度的方法和装置。
3、通过本发明的一些实施例要解决的问题是提供一种利用作为利用两种深度学习算法更准确地计算驾驶危险度的基础的信息的方法及其装置。
4、本发明的一些实施例要解决的另一问题是提供一种可以利用作为两种深度学习算法之一的强化学习算法来分析用于捕获驾驶员的驾驶危险情况的时间点以更有效地运行深度学习算法的方法及其装置。
5、用于解决问题的手段
6、为了解决所述技术问题，本发明涉及一种利用深度学习算法确定驾驶员的驾驶危险度的装置，其中，包括：处理器；网络接口；存储器；以及计算机程序，加载到所述存储器中并且由所述处理器执行。所述处理器配置成：接收通过搭载在车辆的激光雷达传感器或摄像头传感器在所述车辆行驶中获取到的图像数据和控制器局域网(controller areanetwork，can)数据；将获取到的所述图像数据和can数据输入到第一深度学习算法中，所述第一深度学习算法通过预存储的图像数据来学习以便输出与驾驶所述车辆的驾驶员的驾驶危险度相关的图像特征；从第一深度学习算法输出与驾驶员的驾驶危险度相关的图像特征；以及捕获与输出的图像特征对应的第一图像并发送到连接程序。
7、在一个实施例中，第一深度学习算法是卷积神经网络(convolutional neuralnetwork，cnn)的一种，并且可以包括卷积层(convolutional layer)、全连接层(fullyconnected layer)和激活函数层(activated function layer)中的至少一者。
8、在一个实施例中，图像特征可以是从包括在所述卷积神经网络中的至少一个滤波器提取的图像特征。
9、在一个实施例中，当捕获与输出的图像特征对应的第一图像并发送到连接程序时，所述连接程序可以发送与驾驶员危险情况相关的信息。
10、在一个实施例中，处理器可以配置成：基于所述第一图像计算驾驶员安全度，并将所述驾驶员安全度和与所述驾驶员危险情况相关的信息一起发送。
11、在一个实施例中，所述处理器可以配置成：计算获取与输出的图像特征对应的第一图像的第一时间点的信息；将所述第一图像和所述第一时间点的信息输入到第二深度学习算法，所述第二深度学习算法进行学习，以便关于驾驶所述车辆的驾驶员的驾驶危险度输出获取预存储的图像的时间点的特征；从所述第二深度学习算法输出捕获图像的第二时间点的信息。
12、在一个实施例中，第二深度学习算法是强化学习算法，所述强化学习算法可以包括利用深度q网络(deep q-network，dqn)、q学习(q-learning)、升序(asc)、遗传(genetic)、状态-动作-奖励-状态-动作(state-action-reward-state-action，sarsa)技术的算法中的至少一者。
13、在一个实施例中，所述第二时间点与所述第一时间点不同，将在所述第二时间点获取的第二图像输入第一深度学习算法中并从第一深度学习算法输出的图像特征与从第一深度学习算法输出的与第一图像相关的图像特征可以不同。
14、在一个实施例中，可以将在所述第二时间点获取的第二图像输入到第一深度学习算法中，并且在第一深度学习算法中学习与第二图像相关的图像特征。
15、在一个实施例中，在所述第一深度学习算法中学习与第二图像相关的图像特征时，设置与特征学习相关的加权值，所述加权值与所述第一深度学习算法在通过预存储的图像数据学习的过程中利用的加权值可以不同。
16、发明效果
17、根据本发明的上述问题解决手段，在驾驶车辆的过程中捕获遇到危险情况时的图像，并基于捕获的图像计算驾驶员的危险度，从而可以更准确地确定驾驶员的危险情况。
18、并且，根据本发明的问题解决手段，至少一个深度学习算法不断地学习来提高随着时间的推移确定驾驶员的驾驶危险度的装置的准确性。
19、并且，根据本发明的问题解决手段，可以通过强化学习算法对捕获图像的时间点进行学习并计算，从而可以提高图像捕获算法的准确性。
1.一种利用深度学习算法确定驾驶员的驾驶危险度的装置，其中，包括：
2.根据权利要求1所述的利用深度学习算法确定驾驶员的驾驶危险度的装置，其中，
3.根据权利要求2所述的利用深度学习算法确定驾驶员的驾驶危险度的装置，其中，
4.根据权利要求1所述的利用深度学习算法确定驾驶员的驾驶危险度的装置，其中，
5.根据权利要求4所述的利用深度学习算法确定驾驶员的驾驶危险度的装置，其中，
6.根据权利要求1所述的利用深度学习算法确定驾驶员的驾驶危险度的装置，其中，
7.根据权利要求6所述的利用深度学习算法确定驾驶员的驾驶危险度的装置，其中，
8.根据权利要求7所述的利用深度学习算法确定驾驶员的驾驶危险度的装置，其中，
9.根据权利要求8所述的利用深度学习算法确定驾驶员的驾驶危险度的装置，其中，
10.根据权利要求9所述的利用深度学习算法确定驾驶员的驾驶危险度的装置，其中，
11.一种车辆，其中，包括：
12.根据权利要求11所述的车辆，其中，
13.根据权利要求12所述的车辆，其中，
14.根据权利要求11所述的车辆，其中，
15.根据权利要求14所述的车辆，其中，
16.根据权利要求11所述的车辆，其中，
17.根据权利要求16所述的车辆，其中，
18.根据权利要求17所述的车辆，其中，
19.根据权利要求18所述的车辆，其中，
20.根据权利要求19所述的车辆，其中，
21.一种利用深度学习算法确定驾驶员的驾驶危险度的方法，由利用深度学习算法确定驾驶员的驾驶危险度的装置执行，其中，
22.根据权利要求21所述的利用深度学习算法确定驾驶员的驾驶危险度的方法，其中，
23.根据权利要求22所述的利用深度学习算法确定驾驶员的驾驶危险度的方法，其中，
24.根据权利要求21所述的利用深度学习算法确定驾驶员的驾驶危险度的方法，其中，
25.根据权利要求24所述的利用深度学习算法确定驾驶员的驾驶危险度的方法，其中，还包括如下步骤：
26.根据权利要求21所述的利用深度学习算法确定驾驶员的驾驶危险度的方法，其中，还包括如下步骤：
27.根据权利要求26所述的利用深度学习算法确定驾驶员的驾驶危险度的方法，其中，
28.根据权利要求27所述的利用深度学习算法确定驾驶员的驾驶危险度的方法，其中，
29.根据权利要求28所述的利用深度学习算法确定驾驶员的驾驶危险度的方法，其中，
30.根据权利要求29所述的利用深度学习算法确定驾驶员的驾驶危险度的方法，其中，
