一種車輛行駛狀態(tài)識別方法及裝置的制造方法
【技術領域】
[0001]本發(fā)明實施例涉及車輛技術領域，具體涉及一種車輛行駛狀態(tài)識別方法及裝置。
【背景技術】
[0002]隨著城市汽車運行數(shù)量的日益龐大，人們越來越關注道路交通安全問題。駕駛員作為汽車的操控者，其駕駛行為很大程度上決定了道路交通系統(tǒng)的安全。對駕駛員的駕駛行為和車輛的行駛狀態(tài)的識別以及及時的提示危險信息，對于預防交通事故的發(fā)生具有重要意義。車輛的行駛狀態(tài)直接影響著交通系統(tǒng)的安全，因此越來越多的研究人員開始關注車輛行駛狀態(tài)的識別。
[0003]目前，已有研究人員對車輛行駛狀態(tài)識別進行了研究，但是僅限于幾種典型車輛行駛狀態(tài)的識別。例如，現(xiàn)有技術已存在基于圖像采集的方法識別車輛是否處于變道狀態(tài)，這種方法需要在道路上配置專門的攝像頭采集圖像數(shù)據(jù)，并且需要存儲、處理圖像數(shù)據(jù)，存在采集數(shù)據(jù)大、處理算法復雜、處理效率低、不便捷的缺陷。此外，現(xiàn)有技術僅能夠識別某一種或者某幾種典型車輛行駛狀態(tài)，并不存在準確、全面地識別車輛行駛狀態(tài)的方法。

【發(fā)明內(nèi)容】

[0004]本發(fā)明實施例提供了一種車輛行駛狀態(tài)識別方法及裝置，可以在一定程度上解決現(xiàn)有技術中無法準確、全面地識別車輛行駛狀態(tài)的缺陷，并能夠提高數(shù)據(jù)采集、處理效率。
[0005]為此，本發(fā)明實施例提供如下技術方案:
[0006]—方面，本發(fā)明提供了一種車輛行駛狀態(tài)識別方法，所述方法包括:
[0007]采集車輛處于不同行駛狀態(tài)下的樣本數(shù)據(jù)；
[0008]確定樣本特征提取時間窗，對所述樣本特征提取時間窗內(nèi)的樣本數(shù)據(jù)進行特征提取，獲得基本特征集；
[0009]對所述基本特征集中的特征進行特征選擇處理，獲得訓練樣本特征集；
[0010]利用分類方法對所述訓練樣本特征集中的特征數(shù)據(jù)進行訓練，獲得車輛行駛狀態(tài)分類模型；
[0011]利用所述車輛行駛狀態(tài)分類模型識別車輛行駛狀態(tài)。
[0012]進一步地，所述樣本數(shù)據(jù)包括下列中的任意一種或結合:加速度數(shù)據(jù)、車輛姿態(tài)數(shù)據(jù)、方向角數(shù)據(jù)、磁場數(shù)據(jù)。
[0013]進一步地，所述對所述樣本特征提取時間窗內(nèi)的樣本數(shù)據(jù)進行特征提取，獲得基本特征集包括:
[0014]提取所述樣本數(shù)據(jù)的時域特征、頻域特征和/或擴展特征，獲得基本特征集。
[0015]進一步地，所述時域特征包括均值、方差、最大值、最小值、第一四分位數(shù)、第三四分位數(shù)、峰度中的一種或多種；
[0016]所述頻域特征包括頻帶寬度和/或譜能量；
[0017]所述擴展特征包括小于第一四分位數(shù)據(jù)所有數(shù)據(jù)平方和、大于第三四分位數(shù)據(jù)所有數(shù)據(jù)平方和、頻譜寬度數(shù)據(jù)中峰值個數(shù)中的一種或多種。
[0018]進一步地，所述對所述基本特征集中的特征進行特征選擇處理，獲得訓練樣本特征集包括:
[0019]比較車輛不同行駛狀態(tài)對應的各基本特征集中的特征，去除所述基本特征集中變化值小于第一預設閾值的特征，獲得第一特征集；
[0020]計算所述第一特征集中的特征與對應的行駛狀態(tài)的相關系數(shù)，根據(jù)所述相關系數(shù)對所述第一特征集中的特征進行去除處理，獲得第二特征集；
[0021]對所述第二特征集中的特征進行降維處理以去除各特征間的相關性，獲得第三特征集，將所述第三特征集作為訓練樣本特征集。
[0022]進一步地，所述利用分類方法對所述訓練樣本特征集中的特征數(shù)據(jù)進行訓練，獲得車輛行駛狀態(tài)分類模型包括:
[0023]利用訓練樣本特征集中的特征數(shù)據(jù)生成訓練樣本集合X，以及，利用所述特征數(shù)據(jù)對應的行駛狀態(tài)生成狀態(tài)集合Y ;
[0024]利用K最鄰近方法訓練所述訓練樣本集合X和狀態(tài)集合Y，獲得車輛行駛狀態(tài)分類豐旲型；
[0025]其中，所述特征數(shù)據(jù)經(jīng)過歸一化處理。
[0026]進一步地，所述利用所述車輛行駛狀態(tài)分類模型識別車輛行駛狀態(tài)包括:
[0027]采集車輛實際行駛數(shù)據(jù)；
[0028]確定識別特征提取時間窗，對所述識別特征提取時間窗內(nèi)的車輛實際行駛數(shù)據(jù)進行特征提取，獲得識別特征集；
[0029]將所述識別特征集中的識別特征輸入所述車輛行駛狀態(tài)分類模型，獲得與所述識別特征對應的車輛行駛狀態(tài)以及所述行駛狀態(tài)對應的概率值；
[0030]當所述概率值大于第二預設閾值時，則確定車輛處于所述行駛狀態(tài)。
[0031]進一步地，所述確定識別特征提取時間窗，對所述識別特征提取時間窗內(nèi)的車輛實際行駛數(shù)據(jù)進行特征提取，獲得識別特征集包括:
[0032]根據(jù)所述樣本特征提取時間窗確定識別特征提取時間窗；所述樣本特征提取時間窗的長度與所述識別特征提取時間窗的長度相同；
[0033]根據(jù)確定的步長移動所述識別特征提取時間窗，獲得多個時間窗內(nèi)的車輛行駛特征；其中，所述步長小于所述識別特征提取時間窗的長度。
[0034]進一步地，所述行駛狀態(tài)包括靜止、勻速直線行駛、加速行駛、減速行駛、轉彎、變道中的一種或者多種。
[0035]另一方面，本發(fā)明實施例提供了一種車輛行駛狀態(tài)識別裝置，所述裝置包括:
[0036]第一采集單元，用于采集車輛處于不同行駛狀態(tài)下的樣本數(shù)據(jù)；
[0037]第一特征提取單元，用于確定樣本特征提取時間窗，對所述樣本特征提取時間窗內(nèi)的樣本數(shù)據(jù)進行特征提取，獲得基本特征集；
[0038]特征選擇單元，用于對所述基本特征集中的特征進行特征選擇處理，獲得訓練樣本特征集；
[0039]分類單元，用于利用分類方法對所述訓練樣本特征集中的特征數(shù)據(jù)進行訓練，獲得車輛行駛狀態(tài)分類模型；
[0040]識別單元，用于利用所述車輛行駛狀態(tài)分類模型識別車輛行駛狀態(tài)。
[0041]進一步地，所述第一特征提取單元具體用于:提取所述樣本數(shù)據(jù)的時域特征、頻域特征和/或擴展特征，獲得基本特征集。
[0042]進一步地，所述第一特征提取單元提取的時域特征包括均值、方差、最大值、最小值、第一四分位數(shù)、第三四分位數(shù)、峰度中的一種或多種；所述第一特征提取單元提取的所述頻域特征包括頻帶寬度和/或譜能量；所述第一特征提取單元提取的所述擴展特征包括小于第一四分位數(shù)據(jù)所有數(shù)據(jù)平方和、大于第三四分位數(shù)據(jù)所有數(shù)據(jù)平方和、頻譜寬度數(shù)據(jù)中峰值個數(shù)中的一種或多種。
[0043]進一步地，所述特征選擇單元包括:
[0044]比較單元，用于比較車輛不同行駛狀態(tài)對應的各基本特征集中的特征，去除所述基本特征集中變化值小于第一預設閾值的特征，獲得第一特征集；
[0045]相關系數(shù)計算單元，用于計算所述第一特征集中的特征與對應的行駛狀態(tài)的相關系數(shù)，根據(jù)所述相關系數(shù)對所述第一特征集中的特征進行去除處理，獲得第二特征集；
[0046]相關性去除單元，用于對所述第二特征集中的特征進行降維處理以去除各特征間的相關性，獲得第三特征集，將所述第三特征集作為訓練樣本特征集。
[0047]進一步地，所述分類單元包括:
[0048]歸一化處理單元，用于對所述訓練樣本特征集中特征數(shù)據(jù)進行歸一化處理；
[0049]生成單元，用于利用訓練樣本特征集中的特征數(shù)據(jù)生成訓練樣本集合X;以及，利用所述特征數(shù)據(jù)對應的行駛狀態(tài)生成狀態(tài)集合Y ;其中，所述特征數(shù)據(jù)經(jīng)過歸一化處理；
[0050]訓練單元，用于利用K最鄰近方法訓練所述訓練樣本集合X和狀態(tài)集合Y，獲得車輛行駛狀態(tài)分類模型。
[0051 ] 進一步地，所述識別單元包括:
[0052]第二采集單元，用于采集車輛實際行駛數(shù)據(jù)；
[0053]第二特征提取單元，用于確定識別特征提取時間窗，對所述識別特征提取時間窗內(nèi)的車輛實際行駛數(shù)據(jù)進行特征提取，獲得識別特征集；
[0054]獲得單元，用于將所述識別特征集中的識別特征輸入所述車輛行駛狀態(tài)分類模型，獲得與所述識別特征對應的車輛行駛狀態(tài)以及所述行駛狀態(tài)對應的概率值；
[0055]確定單元，用于當所述概率值大于第二預設閾值時，則確定車輛處于所