一种识别驾驶状态、驾驶人的方法及装置制造方法

一种识别驾驶状态、驾驶人的方法及装置制造方法
【专利摘要】本发明实施例公开了一种识别驾驶状态、驾驶人的方法及装置，涉及驾驶【技术领域】，用于解决由于手机利用单一的速度阈值判断自身是否处于驾驶状态的方案的识别精确度不高，和，手机利用单一的速度阈值判断手机处于驾驶状态后，无法确定手机所属的用户是否为驾驶人的问题。该方法包括：待识别客户端设备获取自身的多组待识别运动数据；其中，多组待识别运动数据包括驾驶数据或非驾驶数据；利用多组待识别运动数据和驾驶状态检测模型参数确定自身所处的状态为驾驶状态或非驾驶状态；其中，驾驶状态检测模型参数为利用多组待训练运动数据和每组待训练运动数据对应的真实行为标识训练得到的模型参数，多组待训练运动数据包括驾驶数据和非驾驶数据。
【专利说明】一种识别驾驶状态、驾驶人的方法及装置

【技术领域】
[0001] 本发明涉及驾驶【技术领域】，尤其涉及一种识别驾驶状态、驾驶人的方法及装置。

【背景技术】
[0002] 安全驾驶是公共安全的重要组成部分，驾驶人处在驾驶状态时使用手机会对公共 安全造成严重威胁。目前，一般需要首先判断手机是否处于驾驶状态后，再采取进一步的措 施。
[0003] 较常见的确定手机是否处于驾驶状态的方案为：手机利用内置的速度传感器实时 检测自身的运动速度，当自身的运动速度大于或等于一速度阈值时，确定自身处于驾驶状 态；当手机的运动速度小于该速度阈值时，确定自身处于非驾驶状态。
[0004] 手机采用上述方案判断自身是否处于驾驶状态的过程中，至少在两种情况下，该 方案的判断结果是错误的。情况1、手机内部设置的速度阈值较大，当手机处于驾驶状态，而 车辆的行驶速度未达到速度阈值时，手机利用上述方法确定的自身的状态为非驾驶状态； 情况2、手机内部设置的速度阈值较小，当手机处于非驾驶状态（例如，跑步状态），而手机 的运动速度达到速度阈值时，手机利用上述方法确定的自身的状态为驾驶状态。可见，手机 利用单一的速度阈值判断自身是否处于驾驶状态的方案的识别精确度不高；并且，手机利 用单一的速度阈值判断手机处于驾驶状态后，无法确定手机所属的用户是否为驾驶人。


【发明内容】

[0005] 本发明实施例提供一种识别驾驶状态、驾驶人的方法及装置，用于解决由于手机 利用单一的速度阈值判断自身是否处于驾驶状态的方案的识别精确度不高，和，手机利用 单一的速度阈值判断手机处于驾驶状态后，无法确定手机所属的用户是否为驾驶人的问 题。
[0006] 为达到上述目的，本发明的实施例采用如下技术方案：
[0007] 第一方面，提供一种识别驾驶状态的方法，包括：
[0008] 待识别客户端设备获取自身的多组待识别运动数据；其中，所述多组待识别运动 数据包括驾驶数据或非驾驶数据；
[0009] 利用所述多组待识别运动数据和驾驶状态检测模型参数确定自身所处的状态为 驾驶状态或非驾驶状态；
[0010] 其中，所述驾驶状态检测模型参数为利用多组待训练运动数据和所述每组待训练 运动数据对应的真实行为标识训练得到的模型参数，所述多组待训练运动数据包括驾驶数 据和非驾驶数据。
[0011] 结合第一方面，在第一种可能的实现方式中，所述利用所述多组待识别运动数据 和驾驶状态检测模型参数确定自身所处的状态为驾驶状态或非驾驶状态，包括：
[0012] 从所述多组待识别运动数据提取多个目标特征向量序列；其中，每组待识别运动 数据对应一个目标特征向量序列；所述目标特征向量序列对应的特征与训练驾驶状态检测 模型过程中使用的目标特征向量序列对应的特征相同；
[0013] 利用所述多个目标特征向量序列和驾驶状态检测模型参数确定自身所处的状态 为驾驶状态或非驾驶状态。
[0014] 结合第一方面或第一方面的第一种可能的实现方式，在第二种可能的实现方式 中，所述多组待训练运动数据包括动态行为数据和静态行为数据，所述静态行为数据包括 驾驶数据；所述驾驶状态检测模型参数包括：分类器模型参数和矫正器模型参数；所述分 类器模型为利用所述动态行为数据和所述静态行为数据训练得到的参数模型，用于区分动 态行为和静态行为；所述矫正器模型为利用所述分类器模型识别出的多组待测试运动数据 对应的行为标识和所述多组待测试运动数据对应的真实行为标识训练得到的参数模型，用 于矫正所述分类器模型识别出的行为标识；
[0015] 所述利用所述多组待识别运动数据和驾驶状态检测模型参数确定自身所处的状 态为驾驶状态或非驾驶状态，包括：
[0016] 利用所述多组待识别运动数据对应的多个目标特征向量序列和所述分类器模型 参数对所述多组待识别运动数据进行识别，得到所述分类器模型识别出的行为标识；
[0017] 利用所述分类器模型识别出的行为标识和所述矫正器模型参数，得到所述矫正器 模型矫正的行为标识；
[0018] 当所述矫正器模型矫正的行为标识代表驾驶行为时，确定自身所处的状态为驾驶 状态；当所述矫正器模型矫正的行为标识代表非驾驶行为时，确定自身所处的状态为非驾 驶状态。
[0019] 结合第一方面的第二种可能的实现方式，在第三种可能的实现方式中，所述分类 器模型参数包括二分类器模型参数、静态行为分类器模型参数和动态行为分类器模型参 数；其中，所述二分类器模型为利用所述动态行为数据和所述静态行为数据训练得到的参 数模型，用于区分动态行为和静态行为；所述动态分类器模型为利用所述动态行为数据训 练得到的参数模型，用于区分不同的动态行为；所述静态行为分类器模型为利用所述静态 行为数据训练得到的参数模型，用于区分不同的静态行为。
[0020] 第二方面，提供一种识别驾驶人的方法，包括：
[0021] 待识别客户端设备获取自身的多组待识别驾驶数据；
[0022] 利用所述多组待识别驾驶数据和所述待识别客户端设备的驾驶人识别模型参数 确定自身所属的用户为驾驶人或乘客；其中，所述驾驶人识别模型参数为将所述待识别客 户端设备的预设驾驶数据作为正例、其他客户端设备的预设驾驶数据作为反例，训练得到 的模型参数。
[0023] 结合第二方面，在第一种可能的实现方式中，所述利用所述多组待识别驾驶数据 和所述待识别客户端设备的驾驶人识别模型参数确定自身所属的用户为驾驶人或乘客，包 括：
[0024] 从所述多组待识别驾驶数据提取多个第一目标特征向量序列；其中，每组待识别 驾驶数据对应一个第一目标特征向量序列；所述第一目标特征向量序列对应的特征与训练 驾驶人识别模型过程中使用的目标特征向量序列对应的特征相同；
[0025] 利用所述多个第一目标特征向量序列和驾驶人识别模型参数确定自身所属的用 户为驾驶人或乘客。
[0026] 结合第二方面的第一种可能的实现方式，在第二种可能的实现方式中，所述驾驶 人识别模型参数包括决策阈值模型参数；其中，所述决策阈值模型参数为利用多个第二目 标特征向量序列对应的正例标识在邻域中所占比例，和所述多个第二目标特征向量序列对 应的正/反例标识训练得到的模型参数；所述第二目标特征向量序列为所述预设驾驶数据 对应的目标特征向量序列；
[0027] 所述利用所述多个第一目标特征向量序列和驾驶人识别模型参数确定自身所属 的用户为驾驶人或乘客，包括：
[0028] 根据所述多个第一目标特征向量序列获取所述多个第一目标特征向量序列对应 的正例标识在邻域中所占比例；
[0029] 当所述多个第一目标特征向量序列对应的正例标识在邻域中所占比例大于或等 于所述决策阈值模型参数时，确定自身所属的用户为驾驶人；当所述多个第一目标特征向 量序列对应的正例标识在邻域中所占比例小于所述决策阈值模型参数时，确定自身所属的 用户为乘客。
[0030] 结合第二方面的第二种可能的实现方式，在第三种可能的实现方式中，所述驾驶 人识别模型参数还包括最邻近结点算法KNN模型参数；其中，所述KNN模型参数为利用所述 多个第二目标特征向量序列训练KNN得到的模型参数；
[0031] 所述根据所述多个第一目标特征向量序列获取所述多个第一目标特征向量序列 对应的正例标识在邻域中所占比例，包括：
[0032] 根据所述KNN模型参数对所述多个第一目标特征向量序列进行识别，得到所述多 个第一目标特征向量序列对应的正例标识在邻域中所占比例。
[0033] 第三方面，提供一种待识别客户端设备，包括：
[0034] 获取单元，用于获取自身的多组待识别运动数据；其中，所述多组待识别运动数据 包括驾驶数据或非驾驶数据；
[0035] 确定单元，用于利用所述多组待识别运动数据和驾驶状态检测模型参数确定自身 所处的状态为驾驶状态或非驾驶状态；
[0036] 其中，所述驾驶状态检测模型参数为利用多组待训练运动数据和所述每组待训练 运动数据对应的真实行为标识训练得到的模型参数，所述多组待训练运动数据包括驾驶数 据和非驾驶数据。
[0037] 结合第三方面，在第一种可能的实现方式中，所述待识别客户端设备包括：
[0038] 提取单元，用于从所述多组待识别运动数据提取多个目标特征向量序列；其中，每 组待识别运动数据对应一个目标特征向量序列；所述目标特征向量序列对应的特征与训练 驾驶状态检测模型过程中使用的目标特征向量序列对应的特征相同；
[0039] 所述确定单元，还用于利用所述多个目标特征向量序列和驾驶状态检测模型参数 确定自身所处的状态为驾驶状态或非驾驶状态。
[0040] 结合第三方面或第三方面的第一种可能的实现方式，在第二种可能的实现方式 中，所述多组待训练运动数据包括动态行为数据和静态行为数据，所述静态行为数据包括 驾驶数据；所述驾驶状态检测模型参数包括：分类器模型参数和矫正器模型参数；所述分 类器模型为利用所述动态行为数据和所述静态行为数据训练得到的参数模型，用于区分动 态行为和静态行为；所述矫正器模型为利用所述分类器模型识别出的多组待测试运动数据 对应的行为标识和所述多组待测试运动数据对应的真实行为标识训练得到的参数模型，用 于矫正所述分类器模型识别出的行为标识；
[0041] 所述确定单元包括：
[0042] 识别单元，用于利用所述多组待识别运动数据对应的多个目标特征向量序列和所 述分类器模型参数对所述多组待识别运动数据进行识别，得到所述分类器模型识别出的行 为标识；
[0043] 矫正单元，用于利用所述分类器模型识别出的行为标识和所述矫正器模型参数， 得到所述矫正器模型矫正的行为标识；
[0044] 所述确定单元，具体用于当所述矫正器模型矫正的行为标识代表驾驶行为时，确 定自身所处的状态为驾驶状态；当所述矫正器模型矫正的行为标识代表非驾驶行为时，确 定自身所处的状态为非驾驶状态。
[0045] 结合第三方面的第二种可能的实现方式，在第三种可能的实现方式中，所述分类 器模型参数包括二分类器模型参数、静态行为分类器模型参数和动态行为分类器模型参 数；其中，所述二分类器模型为利用所述动态行为数据和所述静态行为数据训练得到的参 数模型，用于区分动态行为和静态行为；所述动态分类器模型为利用所述动态行为数据训 练得到的参数模型，用于区分不同的动态行为；所述静态行为分类器模型为利用所述静态 行为数据训练得到的参数模型，用于区分不同的静态行为。
[0046] 第四方面，提供一种待识别客户端设备，包括：
[0047] 获取单元，用于获取自身的多组待识别驾驶数据；
[0048] 确定单元，用于利用所述多组待识别驾驶数据和所述待识别客户端设备的驾驶人 识别模型参数确定自身所属的用户为驾驶人或乘客；其中，所述驾驶人识别模型参数为将 所述待识别客户端设备的预设驾驶数据作为正例、其他客户端设备的预设驾驶数据作为反 例，训练得到的模型参数。
[0049] 结合第四方面，在第一种可能的实现方式中，所述确定单元包括：
[0050] 提取单元，用于从所述多组待识别驾驶数据提取多个第一目标特征向量序列；其 中，每组待识别驾驶数据对应一个第一目标特征向量序列；所述第一目标特征向量序列对 应的特征与训练驾驶人识别模型过程中使用的目标特征向量序列对应的特征相同；
[0051] 所述确定单元，还用于利用所述多个第一目标特征向量序列和驾驶人识别模型参 数确定自身所属的用户为驾驶人或乘客。
[0052] 结合第四方面的第一种可能的实现方式，在第二种可能的实现方式中，所述驾驶 人识别模型参数包括决策阈值模型参数；其中，所述决策阈值模型参数为利用多个第二目 标特征向量序列对应的正例标识在邻域中所占比例，和所述多个第二目标特征向量序列对 应的正/反例标识训练得到的模型参数；所述第二目标特征向量序列为所述预设驾驶数据 对应的目标特征向量序列；
[0053] 所述获取单元，还用于根据所述多个第一目标特征向量序列获取所述多个第一目 标特征向量序列对应的正例标识在邻域中所占比例；
[0054] 所述确定单元，具体用于当所述多个第一目标特征向量序列对应的正例标识在邻 域中所占比例大于或等于所述决策阈值模型参数时，确定自身所属的用户为驾驶人；当所 述多个第一目标特征向量序列对应的正例标识在邻域中所占比例小于所述决策阈值模型 参数时，确定自身所属的用户为乘客。
[0055] 结合第四方面的第二种可能的实现方式，在第三种可能的实现方式中，所述驾驶 人识别模型参数还包括最邻近结点算法KNN模型参数；其中，所述KNN模型参数为利用所述 多个第二目标特征向量序列训练KNN得到的模型参数；
[0056] 所述获取单元包括：
[0057] 识别单元，用于根据所述KNN模型参数对所述多个第一目标特征向量序列进行识 另IJ，得到所述多个第一目标特征向量序列对应的正例标识在邻域中所占比例。
[0058] 本发明实施例提供的识别驾驶状态、驾驶人的方法及装置，待识别客户端设备利 用驾驶状态检测模型参数确定自身所处的状态是否为驾驶状态。当利用多组待训练运动数 据训练驾驶状态检测模型，该多组待训练运动数据中包含客户端设备所对应的车辆在多种 行驶速度场景下的数据时，若待识别客户端设备（例如，手机）的某一运动速度为该多种行 驶速度中的值，则待识别客户端设备利用本发明实施例提供的识别驾驶状态的方法能够有 效识别出自身所处的状态是否为驾驶状态。与现有技术相比，能够提高识别精确度。当待 识别客户端设备确定自身处于驾驶状态时，待识别客户端设备可以利用驾驶人识别模型参 数确定自身所属的用户是否为驾驶人。因此，可以解决现有技术中的手机利用单一的速度 阈值判断手机处于驾驶状态后，无法确定手机所属的用户是否为驾驶人的问题。

【专利附图】

【附图说明】
[0059] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以 根据这些附图获得其他的附图。
[0060] 图1为本发明实施例一提供的一种识别驾驶状态的方法的流程图；
[0061] 图2为本发明实施例1提供的一种训练驾驶状态检测模型的方法的流程图；
[0062] 图3为本发明实施例2提供的一种识别驾驶状态的方法的流程图；
[0063] 图4为本发明实施例二提供的一种识别驾驶人的方法的流程图；
[0064] 图5为本发明实施例3提供的一种训练驾驶人识别模型的方法的流程图；
[0065] 图6为本发明实施例4提供的一种识别驾驶人的方法的流程图；
[0066] 图7为本发明实施例三提供的一种待识别客户端设备的结构示意图；
[0067] 图8为本发明实施例三提供的又一种待识别客户端设备的结构示意图；
[0068] 图9为本发明实施例四提供的一种待识别客户端设备的结构示意图；
[0069] 图10为本发明实施例五提供的一种待识别客户端设备的结构示意图；
[0070] 图11为本发明实施例五提供的又一种待识别客户端设备的结构示意图；
[0071] 图12为本发明实施例六提供的一种待识别客户端设备的结构示意图。

【具体实施方式】
[0072] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完 整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于 本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他 实施例，都属于本发明保护的范围。
[0073] 本发明实施例提供的识别驾驶状态的方法可以应用在驾驶【技术领域】中，例如：智 能驾驶领域、辅助驾驶领域等。
[0074] 实施例一
[0075] 本发明实施例提供一种识别驾驶状态的方法，如图1所示，包括：
[0076] 101、待识别客户端设备获取自身的多组待识别运动数据；其中，所述多组待识别 运动数据包括驾驶数据或非驾驶数据。
[0077] 步骤101具体实现时可以为：待识别客户端设备实时获取多组待识别运动数据。 其中，多组待识别运动数据可以包括线速度、角速度、加速度等，待识别客户端设备可以通 过获取内置的速度传感器、加速度传感器、磁通传感器等运动传感器的读数的方式获取自 身的多组待识别运动数据。需要说明的是，客户端设备的运动状态与其所属的用户的运动 状态相同，因此本发明实施例中将用户的运动数据也称为客户端设备的运动数据。
[0078] 102、利用所述多组待识别运动数据和驾驶状态检测模型参数确定自身所处的状 态为驾驶状态或非驾驶状态；其中，所述驾驶状态检测模型参数为利用多组待训练运动数 据和所述每组待训练运动数据对应的真实行为标识训练得到的模型参数，所述多组待训练 运动数据包括驾驶数据和非驾驶数据。
[0079] 具体的，"驾驶状态检测模型"是指用于检测客户端设备是否处于驾驶状态的模 型。驾驶状态检测模型可以通过服务端设备训练得到，也可以通过客户端设备训练得到，训 练驾驶状态检测模型的方法可以参见实施例1。示例性的，当驾驶状态检测模型通过服务端 设备训练得到时，在步骤102之前，所述方法还可以包括：待识别客户端设备接收服务端设 备发送的驾驶状态检测模型参数。
[0080] 其中，"多组待训练运动数据"可以为同一用户的多组待训练运动数据，也可以为 不同用户的多组待训练运动数据；具体的，驾驶行为对应的待训练运动数据为驾驶数据，非 驾驶行为对应的待训练运动数据为非驾驶数据。优选的，该多组待训练运动数据的数量越 多，多组待训练运动数据对应的运动行为越多，多组待训练运动数据对应的用户越多，客户 端设备利用该驾驶状态检测模型参数确定的自身是否处于驾驶状态的结果越准确。
[0081] "每组待训练运动数据"具体可以包括线速度、角速度、加速度等。服务端设备获取 待训练运动数据的方式可以有多种，本发明实施例并不对其进行限制；例如，服务端设备可 以接收来自不同客户端设备主动发送的待训练运动数据，也可以预先获取不同客户端设备 的待训练运动数据。
[0082] "多组待测试运动数据"可以为上述多组待训练运动数据，也可以为服务端设备重 新获取的多组待测试运动数据。
[0083] "运动数据对应的真实行为"可以为走路、跑步、跳跃、静止坐、静止站和驾驶等行 为；其中，走路、跑步、跳跃等行为属于动态行为，静止坐、静止站和驾驶等行为属于静态行 为。不同的行为对应不同的行为标识，该行为标识可以为行为编号，例如：行为编号1代表 的行为可以为走路，行为编号2代表的行为可以为跑步等；行为标识也可以为其他用于区 别不同行为的标识，本发明实施例不对行为标识的表示方法进行限制。
[0084] 可选的，步骤102具体实现时可以通过以下步骤1)-2)
[0085] 1)从所述多组待识别运动数据提取多个目标特征向量序列；其中，每组待识别运 动数据对应一个目标特征向量序列；所述目标特征向量序列对应的特征与训练驾驶状态检 测模型过程中使用的目标特征向量序列对应的特征相同。
[0086] 2)利用所述多个目标特征向量序列和驾驶状态检测模型参数确定自身所处的状 态为驾驶状态或非驾驶状态。
[0087] 需要说明的是，目标特征向量序列可以是一个矩阵，矩阵的每行对应一个目标特 征向量，也就是说，每个目标特征向量序列由多个目标特征向量组成。
[0088] 示例性的，步骤1)在具体实现时可以为：对多组待识别运动数据进行预处理及特 征提取；具体可以为：对多组待识别运动数据进行重采样；将经重采样后的多组待识别运 动数据（该多组待识别运动数据为手机局部坐标系下的多组待识别运动数据）变换为世 界坐标系下的多组待识别运动数据；为多组待识别运动数据中的每组待识别运动数据加窗 (每组待识别运动数据可以加多个窗口），针对每个窗口提取一个目标特征向量，每组待识 别运动数据得到一个目标特征向量序列。
[0089] 需要说明的是，每个目标特征向量序列都有多个维度，每个维度对应一个特征，利 用多组待训练运动数据和每组待训练运动数据对应的真实行为标识训练驾驶状态检测模 型的过程中，需要对多组待训练运动数据进行预处理、特征提取和特征选择，得到目标特征 向量序列；步骤1)在具体实现时，目标特征向量序列对应的特征与训练驾驶状态检测模型 过程中使用的目标特征向量序列对应的特征相同。
[0090] 其中，对多组待训练运动数据进行特征选择所使用的特征选择算法可以 为 mRMR(Minimum Redundancy Maximum Relevance，最小冗余最大相关）算法、 SFS (Sequential Forward Selection，序列前向选择）算法和 SVM(Support Vector Machine，支持向量机）算法等。通过特征选择算法从特征向量序列中选择特征得到目标特 征向量序列的过程可参考现有技术，在此不再过多阐述。
[0091] 可选的，所述多组待训练运动数据包括动态行为数据和静态行为数据，所述静态 行为数据包括驾驶数据；所述驾驶状态检测模型参数包括：分类器模型参数和矫正器模型 参数；所述分类器模型为利用所述动态行为数据和所述静态行为数据训练得到的参数模 型，用于区分动态行为和静态行为；所述矫正器模型为利用所述分类器模型识别出的多组 待测试运动数据对应的行为标识和所述多组待测试运动数据对应的真实行为标识训练得 到的参数模型，用于矫正所述分类器模型识别出的行为标识；该情况下，步骤102具体实现 时可以通过以下步骤（1)-(3):
[0092] (1)利用所述多组待识别运动数据对应的多个目标特征向量序列和所述分类器模 型参数对所述多组待识别运动数据进行识别，得到所述分类器模型识别出的行为标识；
[0093] (2)利用所述分类器模型识别出的行为标识和所述矫正器模型参数，得到所述矫 正器模型矫正的行为标识；
[0094] (3)当所述矫正器模型矫正的行为标识代表驾驶行为时，确定自身所处的状态为 驾驶状态；当所述矫正器模型矫正的行为标识代表非驾驶行为时，确定自身所处的状态为 非驾驶状态。
[0095] 其中，"动态行为数据"是指动态行为对应的待训练运动数据，例如，走路、跑步或 跳跃等行为对应的待训练运动数据，"静态行为数据"是指静态行为对应的待训练运动数 据，例如，静止坐、静止站或驾驶等行为对应的待训练运动数据。在具体实现时，可以为所有 的动态行为数据对应一个行为标识，为所有的静态行为数据对应另一个行为标识。
[0096] 需要说明的是，由于步骤2中的"分类器模型识别出的行为标识"可能是待识别运 动数据对应的真实行为标识，也可能不是待识别运动数据对应的真实行为标识；也就是说， 分类器模型识别出的行为标识可能不准确；因此，为了提高识别准确率，客户端设备还需要 通过矫正器模型来矫正分类器模型识别出的行为标识。
[0097] 示例性的，矫正器模型可以为HMM模型；具体的，当矫正器模型为HMM模型时，矫正 器模型参数（即HMM模型参数）为初始分布向量、观测分布矩阵和转移矩阵，HMM模型的训 练方法可参见现有技术，在此不再过多阐述。
[0098] 具体的，步骤（2)具体实现时可以为：根据分类器模型识别出的行为标识，使用 Viterbi算法（一种译码算法）求解最优隐含状态序列，将最优隐含状态序列中的最后一个 隐含状态或者最优隐含状态序列中出现次数最多的隐含状态对应的行为标识作为矫正器 模型矫正的行为标识。
[0099] 另外，若确定待识别客户端设备所处的状态为驾驶状态时，在步骤102之后，所述 方法还可以包括：弹出"是否进入驾驶状态"的窗口，用于使待识别客户端设备所属的用户 选择是否进入驾驶状态，若用户选择"是"，则对待识别客户端设备处在驾驶状态期间的业 务自动回复，并在待识别客户端设备退出驾驶状态后显示该业务。
[0100] 可选的，所述分类器模型参数包括二分类器模型参数、静态行为分类器模型参数 和动态行为分类器模型参数；其中，所述二分类器模型为利用所述动态行为数据和所述静 态行为数据训练得到的参数模型，用于区分动态行为和静态行为；所述动态分类器模型为 利用所述动态行为数据训练得到的参数模型，用于区分不同的动态行为；所述静态行为分 类器模型参数为利用所述静态行为数据训练得到的参数模型，用于区分不同的静态行为。 [0101] 其中，"不同的动态行为"至少包含两种动态行为；例如，动态行为可以为走路、跑 步、跳跃等；"不同的静态行为"包括驾驶行为和其他静态行为；例如，其他静态行为可以为 静止坐、静止站等。
[0102] 具体的，二分类器模型和静态行为分类器模型可以为QDA (quadratic discriminant analysis，二次判别分析）、SVM(Support Vector Machine，支持向量机） 等，动态行为分类器模型可以为AdaBoost(自适应增强，一种分类方法）模型、HMM/GMM混 合模型（HMM，英文全称为Hidden Markov Model，意为隐马尔可夫模型；GMM，英文全称为 Gaussian Mixture Model，意为高斯混合模型）等，这些模型的训练方法可参见现有技术， 在此不再过多阐述。
[0103] 本发明实施例提供的识别驾驶状态的方法，待识别客户端设备利用驾驶状态检测 模型参数确定自身所处的状态是否为驾驶状态。当利用多组待训练运动数据训练驾驶状态 检测模型，该多组待训练运动数据中包含客户端设备所对应的车辆在多种行驶速度场景下 的数据时，若待识别客户端设备（例如，手机）的某一运动速度为该多种行驶速度中的值， 则待识别客户端设备利用本发明实施例提供的识别驾驶状态的方法能够有效识别出自身 所处的状态是否为驾驶状态。与现有技术相比，能够提高识别精确度。
[0104] 实施例1
[0105] 本实施例具体以服务端设备训练驾驶状态检测模型为例对训练驾驶状态检测模 型的过程进行示例性说明，本实施例的相关解释可参见上述实施例，该实施例中的行为标 识为行为编号。如图2所示，该方法主要包括以下步骤：
[0106] 201、服务端设备获取手机的η组待训练运动数据和每组待训练运动数据对应的 真实行为编号作为η组待训练运动数据。
[0107] 需要说明的是，本实施例中的相关解释可参见上述实施例。
[0108] 需要说明的是，服务端设备获取手机的运动数据的前提为：手机与手机所属的用 户的运动状态相同。当手机所属的用户处于运动状态时，服务端设备通过获取手机内置的 加速度传感器、角速度传感器和磁通传感器等运动传感器的读数来获取运动数据，该运动 数据具体可以为速度、加速度和角速度等。
[0109] 具体的，步骤201在具体实现时，可以通过以下方式实现：用户设定自身的行为； 当用户在进行该行为时，使自身的手机与自身所处的状态相同，将该状态下的手机内置的 加速度传感器、角速度传感器和磁通传感器等运动传感器的读数上传给服务端设备，服务 端设备将该读数作为该手机的该行为的运动数据；服务端设备将得到的多个手机的多个行 为的运动数据作为η组待训练运动数据。
[0110] 例如，对于手机A来说，服务端设备获取了手机A的4个行为的运动数据，得到4 组运动数据，将该4组运动数据作为4组待训练运动数据；每组待训练运动数据对应的真实 行为编号及真实行为编号对应的行为如表1所示。
[0111] 表 1
[0112]

【权利要求】
1. 一种识别驾驶状态的方法，其特征在于，包括： 待识别客户端设备获取自身的多组待识别运动数据；其中，所述多组待识别运动数据 包括驾驶数据或非驾驶数据； 利用所述多组待识别运动数据和驾驶状态检测模型参数确定自身所处的状态为驾驶 状态或非驾驶状态； 其中，所述驾驶状态检测模型参数为利用多组待训练运动数据和所述每组待训练运动 数据对应的真实行为标识训练得到的模型参数，所述多组待训练运动数据包括驾驶数据和 非驾驶数据。
2. 根据权利要求1所述的方法，其特征在于，所述利用所述多组待识别运动数据和驾 驶状态检测模型参数确定自身所处的状态为驾驶状态或非驾驶状态，包括： 从所述多组待识别运动数据提取多个目标特征向量序列；其中，每组待识别运动数据 对应一个目标特征向量序列；所述目标特征向量序列对应的特征与训练驾驶状态检测模型 过程中使用的目标特征向量序列对应的特征相同； 利用所述多个目标特征向量序列和驾驶状态检测模型参数确定自身所处的状态为驾 驶状态或非驾驶状态。
3. 根据权利要求1或2所述的方法，其特征在于，所述多组待训练运动数据包括动态行 为数据和静态行为数据，所述静态行为数据包括驾驶数据；所述驾驶状态检测模型参数包 括：分类器模型参数和矫正器模型参数；所述分类器模型为利用所述动态行为数据和所述 静态行为数据训练得到的参数模型，用于区分动态行为和静态行为；所述矫正器模型为利 用所述分类器模型识别出的多组待测试运动数据对应的行为标识和所述多组待测试运动 数据对应的真实行为标识训练得到的参数模型，用于矫正所述分类器模型识别出的行为标 识； 所述利用所述多组待识别运动数据和驾驶状态检测模型参数确定自身所处的状态为 驾驶状态或非驾驶状态，包括： 利用所述多组待识别运动数据对应的多个目标特征向量序列和所述分类器模型参数 对所述多组待识别运动数据进行识别，得到所述分类器模型识别出的行为标识； 利用所述分类器模型识别出的行为标识和所述矫正器模型参数，得到所述矫正器模型 矫正的行为标识； 当所述矫正器模型矫正的行为标识代表驾驶行为时，确定自身所处的状态为驾驶状 态；当所述矫正器模型矫正的行为标识代表非驾驶行为时，确定自身所处的状态为非驾驶 状态。
4. 根据权利要求3所述的方法，其特征在于，所述分类器模型参数包括二分类器模型 参数、静态行为分类器模型参数和动态行为分类器模型参数；其中，所述二分类器模型为利 用所述动态行为数据和所述静态行为数据训练得到的参数模型，用于区分动态行为和静态 行为；所述动态分类器模型为利用所述动态行为数据训练得到的参数模型，用于区分不同 的动态行为；所述静态行为分类器模型为利用所述静态行为数据训练得到的参数模型，用 于区分不同的静态行为。
5. -种识别驾驶人的方法，其特征在于，包括： 待识别客户端设备获取自身的多组待识别驾驶数据； 利用所述多组待识别驾驶数据和所述待识别客户端设备的驾驶人识别模型参数确定 自身所属的用户为驾驶人或乘客；其中，所述驾驶人识别模型参数为将所述待识别客户端 设备的预设驾驶数据作为正例、其他客户端设备的预设驾驶数据作为反例，训练得到的模 型参数。
6. 根据权利要求5所述的方法，其特征在于，所述利用所述多组待识别驾驶数据和所 述待识别客户端设备的驾驶人识别模型参数确定自身所属的用户为驾驶人或乘客，包括： 从所述多组待识别驾驶数据提取多个第一目标特征向量序列；其中，每组待识别驾驶 数据对应一个第一目标特征向量序列；所述第一目标特征向量序列对应的特征与训练驾驶 人识别模型过程中使用的目标特征向量序列对应的特征相同； 利用所述多个第一目标特征向量序列和驾驶人识别模型参数确定自身所属的用户为 驾驶人或乘客。
7. 根据权利要求6所述的方法，其特征在于，所述驾驶人识别模型参数包括决策阔值 模型参数；其中，所述决策阔值模型参数为利用多个第二目标特征向量序列对应的正例标 识在邻域中所占比例，和所述多个第二目标特征向量序列对应的正/反例标识训练得到的 模型参数；所述第二目标特征向量序列为所述预设驾驶数据对应的目标特征向量序列； 所述利用所述多个第一目标特征向量序列和驾驶人识别模型参数确定自身所属的用 户为驾驶人或乘客，包括： 根据所述多个第一目标特征向量序列获取所述多个第一目标特征向量序列对应的正 例标识在邻域中所占比例； 当所述多个第一目标特征向量序列对应的正例标识在邻域中所占比例大于或等于所 述决策阔值模型参数时，确定自身所属的用户为驾驶人；当所述多个第一目标特征向量序 列对应的正例标识在邻域中所占比例小于所述决策阔值模型参数时，确定自身所属的用户 为乘客。
8. 根据权利要求7所述的方法，其特征在于，所述驾驶人识别模型参数还包括最邻近 结点算法脚W模型参数；其中，所述脚W模型参数为利用所述多个第二目标特征向量序列训 练脚W得到的模型参数； 所述根据所述多个第一目标特征向量序列获取所述多个第一目标特征向量序列对应 的正例标识在邻域中所占比例，包括： 根据所述KNN模型参数对所述多个第一目标特征向量序列进行识别，得到所述多个第 一目标特征向量序列对应的正例标识在邻域中所占比例。
9. 一种待识别客户端设备，其特征在于，包括： 获取单元，用于获取自身的多组待识别运动数据；其中，所述多组待识别运动数据包括 驾驶数据或非驾驶数据； 确定单元，用于利用所述多组待识别运动数据和驾驶状态检测模型参数确定自身所处 的状态为驾驶状态或非驾驶状态； 其中，所述驾驶状态检测模型参数为利用多组待训练运动数据和所述每组待训练运动 数据对应的真实行为标识训练得到的模型参数，所述多组待训练运动数据包括驾驶数据和 非驾驶数据。
10. 根据权利要求9所述的待识别客户端设备，其特征在于，所述待识别客户端设备包 括： 提取单元，用于从所述多组待识别运动数据提取多个目标特征向量序列；其中，每组待 识别运动数据对应一个目标特征向量序列；所述目标特征向量序列对应的特征与训练驾驶 状态检测模型过程中使用的目标特征向量序列对应的特征相同； 所述确定单元，还用于利用所述多个目标特征向量序列和驾驶状态检测模型参数确定 自身所处的状态为驾驶状态或非驾驶状态。
11. 根据权利要求9或10所述的待识别客户端设备，其特征在于，所述多组待训练运动 数据包括动态行为数据和静态行为数据，所述静态行为数据包括驾驶数据；所述驾驶状态 检测模型参数包括；分类器模型参数和矫正器模型参数；所述分类器模型为利用所述动态 行为数据和所述静态行为数据训练得到的参数模型，用于区分动态行为和静态行为；所述 矫正器模型为利用所述分类器模型识别出的多组待测试运动数据对应的行为标识和所述 多组待测试运动数据对应的真实行为标识训练得到的参数模型，用于矫正所述分类器模型 识别出的行为标识； 所述确定单元包括： 识别单元，用于利用所述多组待识别运动数据对应的多个目标特征向量序列和所述分 类器模型参数对所述多组待识别运动数据进行识别，得到所述分类器模型识别出的行为标 识； 矫正单元，用于利用所述分类器模型识别出的行为标识和所述矫正器模型参数，得到 所述矫正器模型矫正的行为标识； 所述确定单元，具体用于当所述矫正器模型矫正的行为标识代表驾驶行为时，确定自 身所处的状态为驾驶状态；当所述矫正器模型矫正的行为标识代表非驾驶行为时，确定自 身所处的状态为非驾驶状态。
12. 根据权利要求11所述的待识别客户端设备，其特征在于，所述分类器模型参数包 括二分类器模型参数、静态行为分类器模型参数和动态行为分类器模型参数；其中，所述二 分类器模型为利用所述动态行为数据和所述静态行为数据训练得到的参数模型，用于区分 动态行为和静态行为；所述动态分类器模型为利用所述动态行为数据训练得到的参数模 型，用于区分不同的动态行为；所述静态行为分类器模型为利用所述静态行为数据训练得 到的参数模型，用于区分不同的静态行为。
13. -种待识别客户端设备，其特征在于，包括： 获取单元，用于获取自身的多组待识别驾驶数据； 确定单元，用于利用所述多组待识别驾驶数据和所述待识别客户端设备的驾驶人识别 模型参数确定自身所属的用户为驾驶人或乘客；其中，所述驾驶人识别模型参数为将所述 待识别客户端设备的预设驾驶数据作为正例、其他客户端设备的预设驾驶数据作为反例， 训练得到的模型参数。
14. 根据权利要求13所述的待识别客户端设备，其特征在于，所述确定单元包括： 提取单元，用于从所述多组待识别驾驶数据提取多个第一目标特征向量序列；其中，每 组待识别驾驶数据对应一个第一目标特征向量序列；所述第一目标特征向量序列对应的特 征与训练驾驶人识别模型过程中使用的目标特征向量序列对应的特征相同； 所述确定单元，还用于利用所述多个第一目标特征向量序列和驾驶人识别模型参数确 定自身所属的用户为驾驶人或乘客。
15. 根据权利要求14所述的待识别客户端设备，其特征在于，所述驾驶人识别模型参 数包括决策阔值模型参数；其中，所述决策阔值模型参数为利用多个第二目标特征向量序 列对应的正例标识在邻域中所占比例，和所述多个第二目标特征向量序列对应的正/反例 标识训练得到的模型参数；所述第二目标特征向量序列为所述预设驾驶数据对应的目标特 征向量序列； 所述获取单元，还用于根据所述多个第一目标特征向量序列获取所述多个第一目标特 征向量序列对应的正例标识在邻域中所占比例； 所述确定单元，具体用于当所述多个第一目标特征向量序列对应的正例标识在邻域中 所占比例大于或等于所述决策阔值模型参数时，确定自身所属的用户为驾驶人；当所述多 个第一目标特征向量序列对应的正例标识在邻域中所占比例小于所述决策阔值模型参数 时，确定自身所属的用户为乘客。
16. 根据权利要求15所述的待识别客户端设备，其特征在于，所述驾驶人识别模型参 数还包括最邻近结点算法脚W模型参数；其中，所述脚W模型参数为利用所述多个第二目标 特征向量序列训练脚W得到的模型参数； 所述获取单元包括： 识别单元，用于根据所述KNN模型参数对所述多个第一目标特征向量序列进行识别， 得到所述多个第一目标特征向量序列对应的正例标识在邻域中所占比例。
【文档编号】G06K9/62GK104463201SQ201410707459
【公开日】2015年3月25日 申请日期:2014年11月28日 优先权日:2014年11月28日
【发明者】耿卫东 申请人:杭州华为数字技术有限公司