基于智能移動終端的異常駕駛行為監(jiān)測和識別方法及系統(tǒng)的制作方法
【專利摘要】一種用于移動智能設(shè)備的異常駕駛行為監(jiān)測和識別方法和系統(tǒng)，通過從傳感器收集數(shù)據(jù)并提取出特征值數(shù)據(jù)，然后利用機(jī)器學(xué)習(xí)方法訓(xùn)練特征值，建立分類器模型并在實(shí)時監(jiān)測時截取駕駛行為模式并判斷六種異常駕駛行為。本發(fā)明使用智能手機(jī)的傳感器可以快速檢測出異常駕駛行為中的蛇行駕駛、急速變向、側(cè)滑、急速U型轉(zhuǎn)彎、急轉(zhuǎn)彎、急剎車。實(shí)驗(yàn)結(jié)果表明，系統(tǒng)識別異常駕駛行為的具體類型的平均總精度為96.20％。
【專利說明】基于智能移動終端的異常駕駛行為監(jiān)測和識別方法及系統(tǒng)

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及的一種汽車自動控制領(lǐng)域的技術(shù)，具體涉及一種基于智能移動終端的 異常駕駛行為監(jiān)測和識別方法及系統(tǒng)。

【背景技術(shù)】
[0002] 21世紀(jì)后半葉以來，濃縮著人類文明的汽車工業(yè)得到了迅速發(fā)展。作為現(xiàn)代主要 交通工具的汽車，給人們的工作和生活帶來了方便。然而，隨著機(jī)動車輛保有量的增加，交 通事故發(fā)生量有不斷增加的趨勢。據(jù)世界衛(wèi)生組織統(tǒng)計，交通事故已成為世界上導(dǎo)致死亡 十大主要原因之一。
[0003] 研究表明，大多數(shù)的交通事故都是人為因素造成的。因此，監(jiān)測司機(jī)的異常駕駛行 為并提醒司機(jī)或報告交通局記錄司機(jī)的駕駛行為是很有必要的。
[0004] 目前，針對這一問題，解決的方法主要是基于預(yù)先部署的基礎(chǔ)設(shè)施，如酒精傳感 器，紅外傳感器和攝像機(jī)來監(jiān)測駕駛員的狀態(tài)。這會產(chǎn)生較高的安裝成本。此外，這些額外 的硬件受晝夜差異、惡劣天氣的影響，維護(hù)成本高。
[0005] 另外，隨著智能手機(jī)的廣泛應(yīng)用，智能交通系統(tǒng)和駕駛行為分析成為基于車輛應(yīng) 用的智能手機(jī)的流行方向。然而，關(guān)于使用智能手機(jī)監(jiān)測駕駛行為，現(xiàn)有的解決方案只能提 供一個粗粒度的結(jié)果，即判斷駕駛行為是否異常，不能識別異常駕駛行為的具體類型。而本 發(fā)明主要考慮一個細(xì)粒度的異常駕駛行為監(jiān)測的方法，它使用智能手機(jī)傳感器不僅可以監(jiān) 測異常駕駛行為還可以識別異常駕駛行為的具體類型，而無需任何額外的硬件。
[0006] 經(jīng)過對現(xiàn)有技術(shù)的檢索發(fā)現(xiàn)，中國專利文獻(xiàn)號CN201374086公開（公告）日 2009. 12. 30,公開了一種新型駕駛行為智能分析儀，它包括基于汽車動力學(xué)原理構(gòu)建的可 獲得車輛狀態(tài)信息的駕駛行為數(shù)據(jù)采集裝置、可記錄車輛狀態(tài)信息的存儲器、駕駛行為數(shù) 據(jù)分析模塊、(PU及連接于車載信息終端的串口。將該分析儀連接于車載信息終端，通過車 載信息終端進(jìn)行GPRS無線通信。該分析儀可以采集車輛的各種行駛狀態(tài)信息，并進(jìn)行分 析，然后將分析后的數(shù)據(jù)實(shí)時上傳到中心管理系統(tǒng)，中心管理系統(tǒng)對駕駛員的駕駛行為和 駕駛狀態(tài)進(jìn)行綜合分析和智能評估，當(dāng)發(fā)生異常駕駛行為時（超速、碰撞、側(cè)翻），向系統(tǒng)或 指定手機(jī)進(jìn)行異常駕駛行為報警。但該技術(shù)的缺陷和不足在于：可識別的異常駕駛行為只 有三種，而且需要額外安裝設(shè)備。
[0007] 中國專利文獻(xiàn)號CN102567743A公開（公告）日2012.07. 11，公開了一種基于視頻 圖像的駕駛員姿態(tài)自動識別方法，通過安裝在駕駛室側(cè)方的CCD攝像機(jī)采集駕駛員操作方 向盤、操作檔位、吃東西和打電話等駕駛姿態(tài)圖像，然后通過同態(tài)濾波處理、皮膚區(qū)域分割 和Curvelet小波變換提取駕駛姿態(tài)特征向量來表征不同類的駕駛姿態(tài)，最后，采用支持向 量機(jī)SVM對提取的駕駛姿態(tài)特征向量進(jìn)行分類，從而實(shí)現(xiàn)操作方向盤、操作檔位、吃東西和 打電話等駕駛姿態(tài)的自動識別。該技術(shù)方法在不干擾駕駛員正常駕駛活動的前提下，可有 效地檢測駕駛員的不良駕駛行為，從而提高交通行車安全。但該技術(shù)的缺陷和不足在于：通 過視頻監(jiān)控駕駛員的不良駕駛行為，監(jiān)控范圍有限，并且需要預(yù)先安裝額外設(shè)備。


【發(fā)明內(nèi)容】

[0008] 本發(fā)明針對現(xiàn)有技術(shù)存在的上述不足，提出一種基于智能移動終端的異常駕駛行 為監(jiān)測和識別方法及系統(tǒng)，采用智能手機(jī)傳感器與機(jī)器學(xué)習(xí)技術(shù)，通過對從智能手機(jī)傳感 器提取的特征數(shù)據(jù)的分析和建模，實(shí)現(xiàn)細(xì)粒度異常駕駛行為監(jiān)測，從而達(dá)到監(jiān)測和識別異 常駕駛行為的目的。本發(fā)明易于實(shí)現(xiàn)，在實(shí)現(xiàn)監(jiān)測和識別六種異常駕駛行為（蛇行駕駛、急 速變向、側(cè)滑、急速U型轉(zhuǎn)彎、急轉(zhuǎn)彎、急剎車）的同時并不顯著增加系統(tǒng)的功耗。
[0009] 本發(fā)明是通過以下技術(shù)方案實(shí)現(xiàn)的：
[0010] 本發(fā)明涉及一種用于移動智能設(shè)備的異常駕駛行為監(jiān)測和識別方法，通過從傳感 器收集數(shù)據(jù)并提取出特征值數(shù)據(jù)，然后利用機(jī)器學(xué)習(xí)方法訓(xùn)練特征值，建立分類器模型并 在實(shí)時監(jiān)測時截取駕駛行為模式并判斷六種異常駕駛行為。
[0011] 所述的特征值數(shù)據(jù)是指：將來自三軸加速度傳感器和三軸方向傳感器的模擬信號 經(jīng)過低通濾波后得到三軸加速度傳感器以及三軸方向傳感器的X軸數(shù)據(jù)和Y軸數(shù)據(jù)。
[0012] 所述的訓(xùn)練特征值是指：通過機(jī)器學(xué)習(xí)技術(shù)，將每一個駕駛行為的特征元輸入多 類支持向量機(jī)，構(gòu)建一個異常駕駛行為分類器模型。
[0013] 所述的截取駕駛行為模式，即確定異常駕駛行為的開始點(diǎn)和結(jié)束點(diǎn)，具體為：通過 分類器模型監(jiān)測和識別駕駛行為，根據(jù)預(yù)設(shè)的駕駛行為模式的特征值與實(shí)時數(shù)據(jù)的標(biāo)準(zhǔn)偏 差以及平均值進(jìn)行比較以確定異常駕駛行為的開始，并進(jìn)一步通過繼續(xù)檢查實(shí)時數(shù)據(jù)的標(biāo) 準(zhǔn)偏差的平均值確定異常駕駛行為的結(jié)束。
[0014] 本發(fā)明涉及一種異常駕駛行為監(jiān)測和識別系統(tǒng)，包括：與智能終端相連的離線駕 駛行為建模模塊和在線駕駛行為監(jiān)測模塊，該離線駕駛行為建模模塊包括：特征提取單元、 訓(xùn)練單元和模型生成單元，其中：特征提取單元從智能終端上的傳感器獲取汽車行駛信息， 提取出汽車行駛信息中的有效特征值并輸出至訓(xùn)練單元，訓(xùn)練單元分析輸入的有效特征 值，通過在訓(xùn)練集中的數(shù)據(jù)表現(xiàn)出來的特性，為每一個類找到一種準(zhǔn)確的模型，形成的模型 生成單元對未來的測試數(shù)據(jù)進(jìn)行分類，并輸出至在線駕駛行為監(jiān)測模塊；在線駕駛行為監(jiān) 測模塊包括：數(shù)據(jù)感知單元、坐標(biāo)系重定向單元、模式片段切割單元、識別單元和警報單元， 其中：數(shù)據(jù)感知單元通過智能終端上的傳感器獲取汽車行駛信息，坐標(biāo)系重定向單元將相 對于手機(jī)坐標(biāo)系的傳感器信息轉(zhuǎn)換為相對于車輛坐標(biāo)系的信息，模式片段切割單元用來確 定駕駛行為的開始和結(jié)束，識別單元判斷駕駛行為是否異常，并在異常時通過警報單元發(fā) 送警告消息。 技術(shù)效果
[0015] 與現(xiàn)有技術(shù)相比，本發(fā)明主要應(yīng)用于智能移動設(shè)備，優(yōu)勢在于不僅可以監(jiān)測異常 駕駛行為還可以識別異常駕駛行為的具體類型（蛇行駕駛、急速變向、側(cè)滑、急速U型轉(zhuǎn)彎、 急轉(zhuǎn)彎、急剎車）。本發(fā)明通過分析智能手機(jī)傳感器獲取的汽車行駛的特征，提取有效特征 方案，建立異常駕駛行為分類器模型。

【專利附圖】

【附圖說明】
[0016] 圖1為六種異常駕駛行為示意圖。
[0017] 圖2為本發(fā)明結(jié)構(gòu)示意圖。
[0018] 圖3為識別正常和異常駕駛行為的有效特征值及識別迂回與其他異常駕駛行為 示意圖。
[0019] 圖4為一分鐘駕駛行為的加速度計和方向傳感器模式示意圖。
[0020] 圖5為不同訓(xùn)練樣本規(guī)模的精確度示意圖。
[0021] 圖6為使用不同采樣率時誤判率的累積分布函數(shù)示意圖。
[0022] 圖7為交通狀況和道路類型對識別異常駕駛行為準(zhǔn)確性的影響示意圖。
[0023] 圖8為智能手機(jī)在不同位置時誤判率的累積分布函數(shù)示意圖。
[0024] 圖9為5種機(jī)型手機(jī)在運(yùn)行和未運(yùn)行系統(tǒng)的能耗示意圖。

【具體實(shí)施方式】
[0025] 下面對本發(fā)明的實(shí)施例作詳細(xì)說明，本實(shí)施例在以本發(fā)明技術(shù)方案為前提下進(jìn)行 實(shí)施，實(shí)施例1
[0026] 本實(shí)施例應(yīng)用場景為：選取5種不同型號的10部智能手機(jī)，包括2部Huawei Honor3C，2 部 ZTE U809, 2 部 SAMSUNG Nexus3, 2 部 SAMSUNG Nexus4 和 2 部 HTC sprint 作 為實(shí)現(xiàn)異常駕駛行為監(jiān)測和識別系統(tǒng)的原型機(jī)。共采集1275份樣本，60天的采集時間。
[0027] 本實(shí)施例通過分析智能手機(jī)傳感器收集的數(shù)據(jù)，提取選擇有效特征值，使用多類 支持向量機(jī)訓(xùn)練分類器模型，進(jìn)而監(jiān)測和識別特定類型的異常駕駛行為，發(fā)出警告。
[0028] 所述的分析智能手機(jī)傳感器收集的數(shù)據(jù)是指：從三軸加速度傳感器和三軸方向傳 感器收集數(shù)據(jù)，采用低通濾波去除數(shù)據(jù)的高頻噪聲。
[0029] 所述的有效特征值是指：各種異常駕駛行為的特征值。經(jīng)過實(shí)驗(yàn)測試，需要16個 有效特征值來識別6種不同類型的異常駕駛行為，得到每一個駕駛行為的特征元組〈16維 特征，標(biāo)簽〉，標(biāo)簽代表駕駛行為的類型。
[0030] 所述的訓(xùn)練特征值是指：通過機(jī)器學(xué)習(xí)技術(shù)，將每一個駕駛行為的特征元輸入多 類支持向量機(jī)，經(jīng)過訓(xùn)練，構(gòu)建一個異常駕駛行為分類器模型。
[0031] 如圖2所示，本實(shí)施例涉及的用于智能手機(jī)的異常駕駛行為監(jiān)測和識別系統(tǒng)，包 括離線駕駛行為建模模塊和在線駕駛行為監(jiān)測模塊，其中：離線駕駛行為建模模塊通過手 機(jī)上的傳感器獲取汽車行駛中的信息，提取選擇信息中的有效特征值，并將此特征值傳遞 給多類支持向量機(jī)，構(gòu)建分類器模型，并將模型存儲到數(shù)據(jù)庫。在線駕駛行為監(jiān)測模塊通過 手機(jī)上的傳感器獲取汽車行駛中的實(shí)時信息，截取駕駛行為模式，提取有效特征值，根據(jù)模 型數(shù)據(jù)庫識別駕駛行為，并發(fā)出警告。
[0032] 上述系統(tǒng)通過以下方式進(jìn)行工作：
[0033] 步驟一、使用加載了本系統(tǒng)的智能手機(jī)記錄汽車行駛中的加速度和方向信息。
[0034] 步驟二、采用低通濾波去除數(shù)據(jù)的高頻噪聲，檢索收集到的信息，然后計算其標(biāo)準(zhǔn) 偏差以及在一個小窗口均值。比較標(biāo)準(zhǔn)偏差平均值與閾值，確定一個異常駕駛行為開始和 結(jié)束。
[0035] 步驟三、提取選中信息的有效特征值，得到當(dāng)前駕駛行為的特征元組〈16維特征， 標(biāo)簽〉，輸入分類器模型；如圖1和圖3所示，為6種異常駕駛行為的特征值，具體如下：
[0036] a)在蛇行駕駛模型中，accx出現(xiàn)劇烈波動，并持續(xù)一定時間，而accy保持相對平 穩(wěn)，acc x的標(biāo)準(zhǔn)偏差變大，accx的平均值趨于0 ;
[0037] b)在急速變向模型中，accx和orix會出現(xiàn)一個較短時間的峰值，accx和ori x的取 值范圍和標(biāo)準(zhǔn)偏差均變大，accy和Oriy保持相對平穩(wěn)；
[0038] c)在側(cè)滑模型中，accy取值急速下降，它的最小值和平均值均為負(fù)數(shù)，accx的取值 根據(jù)側(cè)滑方向偏左偏右分別為負(fù)數(shù)或正數(shù)，因此acc x的平均值不為0,駕駛行為持續(xù)時間較 短；
[0039] d)在急速U型轉(zhuǎn)彎模型中，accx的取值根據(jù)U型轉(zhuǎn)彎方向或左或右分別為迅速上 升或快速下降，acc x的取值范圍變大，平均值偏離0, accy保持相對平穩(wěn)，Orix的取值根據(jù)方 向變化由正數(shù)變?yōu)樨?fù)數(shù)或由負(fù)數(shù)變?yōu)檎龜?shù)，〇ri x的取值范圍和標(biāo)準(zhǔn)偏差均變大，并持續(xù)一 定時間，駕駛行為持續(xù)時間較長；
[0040] e)在急轉(zhuǎn)彎模型中，accx在一定時間內(nèi)保持較高值，accy取值趨于0, orix出現(xiàn)波 動，取值范圍變大，〇riy保持相對平穩(wěn)，駕駛行為持續(xù)時間較長；在急剎車模型中，acc y的取 值急速下降，并在一定時間內(nèi)取負(fù)數(shù)，而accx保持相對平穩(wěn)，因此accy的取值范圍和標(biāo)準(zhǔn)偏 差均變大，acc x的取值范圍和標(biāo)準(zhǔn)偏差都很小，Oriy沒有明顯變化，駕駛行為持續(xù)時 間較短。
[0041] f)在正常駕駛行為中，以上特征值均接近于0。
[0042] 基于以上分析，發(fā)現(xiàn)每個駕駛行為都有其獨(dú)特的特點(diǎn)。判斷一種駕駛行為是正常 或異常駕駛行為，并識別此駕駛行為區(qū)別于其他五種異常駕駛行為，需要使用16個異常駕 駛行為的特征元組。
[0043] 所述的異常駕駛行為的特征元組〈16維特征，標(biāo)簽〉，標(biāo)簽代表駕駛行為的類型。 如下表所示：

【權(quán)利要求】
1. 一種用于移動智能設(shè)備的異常駕駛行為監(jiān)測和識別方法，其特征在于，通過從傳感 器收集數(shù)據(jù)并提取出特征值數(shù)據(jù)，然后利用機(jī)器學(xué)習(xí)方法訓(xùn)練特征值，建立分類器模型并 在實(shí)時監(jiān)測時截取駕駛行為模式并判斷六種異常駕駛行為； 所述的特征值數(shù)據(jù)是指：將來自H軸加速度傳感器和H軸方向傳感器的模擬信號經(jīng)過 低通濾波后得到H軸加速度傳感器W及H軸方向傳感器的X軸數(shù)據(jù)和Y軸數(shù)據(jù)。
2. 根據(jù)權(quán)利要求1所述的方法，其特征是，所述的提取是指；軸加速度傳感器的X 軸數(shù)據(jù)和Y軸數(shù)據(jù)作為acc,和acCy、H軸方向傳感器的X軸數(shù)據(jù)和Y軸數(shù)據(jù)作為ori,、oriy， 分別提取出： 1. acCy、acCy、oriy、oriy的標(biāo)準(zhǔn)偏差、平均值； 2. acCx、acCy的取值范圍； 3. acc,的前半段均值和后半段均值； 4. orix、o;riy 的最大值； 5. acCy的最小值； 6) 駕駛行為從開始到結(jié)束之間的時間t ; 共16個有效特征值。
3. 根據(jù)權(quán)利要求1所述的方法，其特征是，所述的訓(xùn)練特征值是指；通過機(jī)器學(xué)習(xí)技 術(shù)，將每一個駕駛行為的特征元輸入多類支持向量機(jī)，構(gòu)建一個異常駕駛行為分類器模型。
4. 根據(jù)權(quán)利要求3所述的系統(tǒng)，其特征是，所述的截取駕駛行為模式，即確定異常駕駛 行為的開始點(diǎn)和結(jié)束點(diǎn)，具體為：通過分類器模型監(jiān)測和識別駕駛行為，根據(jù)預(yù)設(shè)的駕駛行 為模式的特征值與實(shí)時數(shù)據(jù)的標(biāo)準(zhǔn)偏差W及平均值進(jìn)行比較W確定異常駕駛行為的開始， 并進(jìn)一步通過繼續(xù)檢查實(shí)時數(shù)據(jù)的標(biāo)準(zhǔn)偏差的平均值確定異常駕駛行為的結(jié)束。
5. -種實(shí)現(xiàn)上述任一權(quán)利要求所述方法的異常駕駛行為監(jiān)測和識別系統(tǒng)，其特征在 于，包括：與智能終端相連的離線駕駛行為建模模塊和在線駕駛行為監(jiān)測模塊，其中： 離線駕駛行為建模模塊包括；特征提取單元、訓(xùn)練單元和模型生成單元，其中；特征提 取單元從智能終端上的傳感器獲取汽車行駛信息，提取出汽車行駛信息中的有效特征值并 輸出至訓(xùn)練單元，訓(xùn)練單元分析輸入的有效特征值，通過在訓(xùn)練集中的數(shù)據(jù)表現(xiàn)出來的特 性，為每一個類找到一種準(zhǔn)確的模型，形成的模型生成單元對未來的測試數(shù)據(jù)進(jìn)行分類，并 輸出至在線駕駛行為監(jiān)測模塊； 在線駕駛行為監(jiān)測模塊包括：數(shù)據(jù)感知單元、坐標(biāo)系重定向單元、模式片段切割單元、 識別單元和警報單元，其中：數(shù)據(jù)感知單元通過智能終端上的傳感器獲取汽車行駛信息，坐 標(biāo)系重定向單元將相對于手機(jī)坐標(biāo)系的傳感器信息轉(zhuǎn)換為相對于車輛坐標(biāo)系的信息，模式 片段切割單元用來確定駕駛行為的開始和結(jié)束，識別單元判斷駕駛行為是否異常，并在異 常時通過警報單元發(fā)送警告消息。
【文檔編號】G06K9/66GK104463244SQ201410729090
【公開日】2015年3月25日 申請日期:2014年12月4日 優(yōu)先權(quán)日:2014年12月4日
【發(fā)明者】俞嘉地, 陳中陽, 喬治, 朱燕民 申請人:上海交通大學(xué)