始时间和终止时间，按照2秒采样数据的倍数，截取 从Tai(i = 1，2,3...)到TaJ(j = l，2,3...)、Tdi(i = 1，2,3...)到Tdi(j = 1，2,3...)、!\力 =1，2, 3. ? ?)到 Tu (j = 1，2, 3. ? ?)和 Tri (i = 1，2, 3. ? ?)到 Tri (j = 1，2, 3. ? ?)时间段内 的手机三轴加速度数据accx, accy, accz和三轴角速度数据gyr x, gyry, gyrz; (3-2)将步骤（3-1)截取的手机三轴加速度数据aCCx，aCCy，a CCz和三轴角速度数据 gyrx, gyry, gyrz，按照每两秒作为一个单元，进行单元划分； (3-3)分别从步骤（3-2)的每个单元中提取特征值，特征值分别为：单元中每 列数据的平均值：
单元中每列数据的方差：
， 单元中每列数据的最大值：maxZ/ = maxim_(X/)，单元中每列数据的最小值
云中每列数据的幅度= max Y，-min ，单元中每列 数据的平均交叉率
，单元中每列数据的 均方彳
/2、单元中每列数据的偏度
，单 元中每列数据的峰度系数
^单元中各列数据间的相关系 数
，b] = {[1，2]，[1，3]，[2,3]，[4,5]，[4 ，6]，[5, 6]}，单元中加速度数据的平均幅度面积1，2, 3, 4, 5, 6表示数据单元的列序号
1，2, 3表示数据单元的列序号，单元中角速度数据的平均 CN104802737A 个乂不U安水十> 2/3页 幅度面f
4, 5, 6表示数据单元的列序号，单元中加速度数 据的平均能量消_
，2, 3表示数据单元的列序号，以及单 元中角速度数据的平均能量消耗
t，5, 6表示数据单元的列 序号，将每个单元的特征值组成一个特征向量，其中Y表示数据单元中第i列数据的每个 数据值，1表示数据单元的行数； (3-4)重复步骤（3-3)得到所有数据单元的特征向量； (4) 建立一个车辆异常驾驶行为的识别模型：分别将上述步骤（3-4)的所有数据单元 中的每种特征向量，按比例4:1划分为训练集和测试集，利用支持向量机的机器学习方法 对训练集进行训练，得到一个车辆异常驾驶行为的识别模型，并利用支持向量机的机器学 习方法，根据测试集对得到的识别模型的识别准确率进行测试，得到识别准确率，设定一个 识别准确率的阈值a，若识别准确率小于阈值a，则继续采集车辆驾驶行为模拟数据，并返 回步骤（1)，若识别准确率大于或等于阈值a，则将该车辆异常驾驶行为的识别模型作为标 准模型，并进行步骤（5); (5) 用手机实时识别车辆异常驾驶行为，包括以下步骤： (5-1)若手机处于手机沿X轴的方向与车辆直行时的前轮轴平行，沿Y轴方向为非水 平的空间搁置状态，则根据上述步骤（1)手机的三轴加速度数据3(^!￡，&(3(^ &(3(^和三轴环 境磁场数据magx, magy，magz (由手机磁场传感器得到），利用融合三轴加速度数据和三轴环 境磁场数据的方法，计算得到手机沿X轴方向与水平面的夹角a和沿Y轴方向与水平面 的夹角0，再利用空间三维坐标旋转方法，将手机的上述步骤（1)的三轴加速度数据A = [accx, accy, accj和角速度数据G = [gyrx, gyry, gyrj变换为水平面的三轴加速度数据为 A' =[accY'，accv' ,acc7.']和三轴加速度数据 G' =[gyrY'，gyry' ,gyrz']，
其中，加速度旋转矩阵:X,和角速度旋转矩阵丨\表示如下：
(5-2)按照每秒100次的频率读取（5-1)中的三轴加速度数据A ^ = [accx'，accy'，accz']和三轴加速度数据 G' =[gyrx'，gyr/，gyrz']，并将读取数 据中每2秒的实时加速度和角速度数据作为一个数据单元，按步骤（3-3)的方法提取该数 据单元的特征值，将多个特征值组成一个特征向量； (5-3)设定一个识别时段[tuh.]和该时段内的变道次数阈值ns，利用步骤⑷的标 准模型对上述（5-2)的特征向量进行识别，在时段[tuh.]内识别出的车辆左变道次数为 ￥识别出的车辆右变道次数为IV若 ni+n/j、于或变道次数阈值n s，则判定车辆未出现频繁 变道的危险驾驶行为，若r^+r^大于变道次数阈值n s，则判定车辆出现频繁变道的危险驾驶 行为，手机发出报警； (5-4)设定一个识别时段[tuh.]和该时段内的变速次数阈值ss，利用步骤（4)的标 准模型对上述（5-2)的特征向量进行识别，在时段[、_，t2」内识别出车辆加速次数为sa，识 别出的车辆减速次数为s d，g sa+sd小于或等于该时段内的变速次数阈值s s，则判定车辆为 未出现频繁加减速的危险驾驶行为，若sa+sd大于该时段内的变速次数阈值s s，则判定车辆 出现频繁加减速的危险驾驶行为，手机发出报警； (5-5)设定一个识别时段[tub]，利用步骤（4)的标准模型对上述（5-2)的特征向量 进行识别，若在时段[tu t2』内识未别出车辆发生急刹车，则判定车辆未出现急刹车的危 险驾驶行为，若在时段[tutj内识别出车辆发生急刹车，则判定车辆出现急刹车的危险 驾驶行为，手机发出报警。
【专利摘要】本发明涉及一种基于智能手机的车辆异常驾驶行为检测方法，属于智能交通领域。该方法有四个阶段，第一阶段是实验阶段，通过车辆驾驶行为模拟实验获取大量的车辆各种驾驶行为数据；第二阶段是数据处理阶段，即按照一定规则提取第一阶段的有效数据；第三阶段是数据分析与建模阶段，即分析第二阶段获得的大量有效数据，并通过支持向量机(SVM)的机器学习方法来建立识别各种驾驶行为的模型；第四阶段是实时检测异常驾驶行为阶段，即用车辆异常驾驶行为识别模型实时检测车辆运行状态。本发明检测方法，仅利用现有手机，就能实现实时检测车辆异常驾驶行为状态，不需要额外投入，降低了车辆异常驾驶行为检测成本，提升了对车辆异常驾驶行为的识别准确率。
【IPC分类】B60R16-023
【公开号】CN104802737
【申请号】CN201510132319
【发明人】刘华平, 石红星, 周后飞
【申请人】清华大学, 北京智华通科技有限公司
【公开日】2015年7月29日
【申请日】2015年3月25日