本發明涉及自動駕駛中駕駛員注視區域劃分領域，具體是一種駕駛員注視區域劃分方法、設備及存儲介質。
背景技術：
1、在自動駕駛領域，駕駛員作為自動駕駛系統的最終監控者，其注視區域對駕駛任務的執行及安全性具有重要影響。相關學者對于駕駛員的注視區域估計進行了一系列研究，但相關研究中對駕駛員注視區域劃分的依據不能夠很好考慮實際交通情況，注視區域劃分相對固化。
2、例如在常規駕駛任務下，如圖1所示，現有技術對駕駛員注視區域劃分僅限于左后視鏡、右后視鏡、車內后視鏡、前方路況、儀表盤和中控臺這些常規相關區域。而在容易導致交通事故的交通突發情況（如突發行人穿越、交通標識未被注意等）發生時，需要駕駛員的注視區域處于常規相關區域之外，但現有技術由于設定的注視區域固化，因此無法適配于交通突發情況。
3、因此，現有技術自動駕駛中駕駛員注視區域劃分方法由于劃分固化，存在難以適用于交通突發情況的問題，并且還存在注視區域劃分依據缺乏統一標準的問題。
技術實現思路
1、本發明提供了一種駕駛員注視區域劃分方法、設備及存儲介質，以解決現有技術自動駕駛中駕駛員注視區域劃分方法存在的難以適用于交通突發情況、劃分依據缺乏統一標準的問題。
2、為了達到上述目的，本發明所采用的技術方案為：
3、一種駕駛員注視區域劃分方法，過程如下：
4、步驟1、獲取歷史上的n條交通事故記錄信息；
5、設定多個交通事故屬性，每個交通事故屬性下均具有多個屬性分類；
6、確定步驟1獲取的每條交通事故記錄在每個交通事故屬性下的屬性分類，并統計每個交通事故屬性下每個屬性分類中的交通事故記錄的數量；
7、步驟2、對每個交通事故屬性下的各個屬性分類分別進行離散化編碼；
8、根據每條交通事故記錄在每個交通事故屬性下所屬的屬性分類，得到每條交通事故記錄信息在每個交通事故屬性下的屬性分類編碼；
9、將每條交通事故記錄表征為由各個交通事故屬性的屬性分類編碼組成的向量，并由n條交通事故記錄的向量組成數據矩陣；
10、步驟3、采用聚類算法對步驟2得到的數據矩陣進行聚類處理，以將n條交通事故記錄信息劃分為最優簇數的多個簇；
11、步驟4、根據最優簇數下每個簇中，交通事故屬性下屬性分類中的交通事故記錄數量的占比，確定每個簇對應的駕駛員注視區域。
12、進一步的，步驟1中，設定的交通事故屬性共有11個，分別為：場景屬性、事故類型屬性、道路類型屬性、交叉路口類型屬性、事故對象類型屬性、交通管制情況屬性、光照條件屬性、路面干濕情況屬性、事故嚴重程度屬性、第一撞擊點屬性、機動狀態屬性。
13、進一步的，步驟1中，所述場景屬性下的屬性分類有兩個，分別為城市屬性分類、農村屬性分類；
14、所述事故類型屬性下的屬性分類有兩個，分別為多車事故屬性分類、單車事故屬性分類；
15、所述道路類型屬性下的屬性分類有四個，分別為多車道屬性分類、雙車道屬性分類、單車道屬性分類、單行道屬性分類；
16、所述交叉路口類型屬性下的屬性分類有五個，分別為非標準化交叉路口屬性分類、十字路口屬性分類、丁型或y型路口屬性分類、使用私家車道或入口屬性分類、多岔路口屬性分類；
17、所述事故對象類型屬性下的屬性分類有四個，分別轎車屬性分類、騎行者屬性分類、貨車屬性分類、行人屬性分類；
18、所述交通管制情況屬性下的屬性分類有四個，分別為無信號燈無指示牌屬性分類、無信號燈有指示牌屬性分類、有信號燈有指示牌屬性分類、有信號燈無指示牌屬性分類；
19、所述光照條件屬性下的屬性分類有四個，分別為白天無路燈屬性分類、黑夜有路燈屬性分類、黑夜無路燈屬性分類、白天有路燈屬性分類；
20、所述路面干濕情況屬性下的屬性分類有四個，分別為干燥地面屬性分類、潮濕地面屬性分類、冰雪覆蓋地面屬性分類、被水淹沒地面屬性分類；
21、所述事故嚴重程度屬性下的屬性分類有四個，分別為未受傷屬性分類、輕微屬性分類、嚴重屬性分類、致命屬性分類；
22、所述第一撞擊點屬性下的屬性分類有四個，分別為車輛正面屬性分類、車輛近側屬性分類、車輛遠側屬性分類、車輛背面屬性分類；
23、所述機動狀態下的屬性分類有五個，分別為直行屬性分類、變道超車屬性分類、左轉屬性分類、右轉屬性分類、其他屬性分類。
24、進一步的，步驟2中離散化編碼時，將場景屬性下的城市屬性分類編碼為0、農村屬性分類編碼為1；
25、將事故類型屬性下的多車事故屬性分類編碼為0、單車事故屬性分類編碼為1；
26、將道路類型屬性下的多車道屬性分類編碼為0、雙車道屬性分類編碼為1、單車道屬性分類編碼為2、單行道屬性分類編碼為3；
27、將交叉路口類型屬性下的非標準化交叉路口屬性分類編碼為0、十字路口屬性分類編碼為1、丁型或y型路口屬性分類編碼為2、使用私家車道或入口屬性分類編碼為3、多岔路口屬性分類編碼為4；
28、將事故對象類型屬性下的轎車屬性分類編碼為0、騎行者屬性分類編碼為1、貨車屬性分類編碼為2、行人屬性分類編碼為3；
29、將交通管制情況屬性下的無信號燈無指示牌屬性分類編碼為0、無信號燈有指示牌屬性分類編碼為1、有信號燈有指示牌屬性分類編碼為2、有信號燈無指示牌屬性分類編碼為3；
30、將光照條件屬性下的白天無路燈屬性分類編碼為0、黑夜有路燈屬性分類編碼為1、黑夜無路燈屬性分類編碼為2、白天有路燈屬性分類編碼為3；
31、將路面干濕情況屬性下的干燥地面屬性分類編碼為0、潮濕地面屬性分類編碼為1、冰雪覆蓋地面屬性分類編碼為2、被水淹沒地面屬性分類編碼為3；
32、將事故嚴重程度屬性下的未受傷屬性分類編碼為0、輕微屬性分類編碼為1、嚴重屬性分類編碼為2、致命屬性分類編碼為3；
33、將第一撞擊點屬性下的車輛正面屬性分類編碼為0、車輛近側屬性分類編碼為1、車輛遠側屬性分類編碼為2、車輛背面屬性分類編碼為3；
34、將機動狀態下的直行屬性分類編碼為0、變道超車屬性分類編碼為1、左轉屬性分類編碼為2、右轉屬性分類編碼為3、其他屬性分類編碼為4。
35、進一步的，步驟3中，采用k-modes聚類算法，對步驟2得到的數據矩陣進行聚類處理。
36、進一步的，步驟3中，采用k-modes聚類算法對步驟2得到的數據矩陣進行聚類處理，得到不同簇數下的分簇結果；
37、然后，采用手肘法量化不同簇數下k-modes聚類算法目標函數的誤差變化趨勢，由此從不同簇數中確定最優簇數。
38、進一步的，步驟4中，針對最優簇數下每個簇，根據交通事故屬性下屬性分類中的交通事故記錄數量的占比，選擇其中若干典型的屬性分類作為典型屬性分類，然后基于典型屬性分類確定每個簇對應的駕駛員注視區域。
39、一種電子設備，包括處理器和存儲器，所述存儲器中程序指令被處理器讀取和運行時，執行上述的駕駛員注視區域劃分方法。
40、一種存儲介質，存儲有程序指令，所述程序指令被讀取和運行時，執行上述的所述的駕駛員注視區域劃分方法。
41、本發明提出了一種基于事故多發場景聚類的駕駛員注視區域預測方法，其核心原理是通過對歷史交通事故數據的多維度特征分析與模式識別，建立交通突發場景與視覺注意力的映射關系。系統首先構建包含事故類型、環境條件、車輛狀態等多維屬性的交通事故特征體系，繼而通過優化聚類算法識別出具有顯著差異的典型事故模式簇，最后基于各簇中的特征屬性分布規律建立風險場景-注視區域的關聯模型。相較于傳統方法，本發明的創新優勢主要體現在三個方面：其一，通過數據驅動的聚類分析客觀識別事故模式，避免了人為預設注視區域的主觀性；其二，建立的多維事故屬性體系為注視區域劃分提供了可解釋的理論依據，尤其適用于復雜多變的交通突發場景；其三，基于實際事故統計的注視區域預測模型顯著提升了自動駕駛系統對潛在風險的感知能力。該方法為智能駕駛系統的視覺注意力分配提供了量化決策支持，對提升行車安全具有重要理論價值和應用意義。