基于智能移动终端的异常驾驶行为监测和识别方法及系统的制作方法
【专利摘要】一种用于移动智能设备的异常驾驶行为监测和识别方法和系统，通过从传感器收集数据并提取出特征值数据，然后利用机器学习方法训练特征值，建立分类器模型并在实时监测时截取驾驶行为模式并判断六种异常驾驶行为。本发明使用智能手机的传感器可以快速检测出异常驾驶行为中的蛇行驾驶、急速变向、侧滑、急速U型转弯、急转弯、急刹车。实验结果表明，系统识别异常驾驶行为的具体类型的平均总精度为96.20％。
【专利说明】基于智能移动终端的异常驾驶行为监测和识别方法及系统
【技术领域】
[0001] 本发明涉及的一种汽车自动控制领域的技术，具体涉及一种基于智能移动终端的 异常驾驶行为监测和识别方法及系统。
【背景技术】
[0002] 21世纪后半叶以来，浓缩着人类文明的汽车工业得到了迅速发展。作为现代主要 交通工具的汽车，给人们的工作和生活带来了方便。然而，随着机动车辆保有量的增加，交 通事故发生量有不断增加的趋势。据世界卫生组织统计，交通事故已成为世界上导致死亡 十大主要原因之一。
[0003] 研究表明，大多数的交通事故都是人为因素造成的。因此，监测司机的异常驾驶行 为并提醒司机或报告交通局记录司机的驾驶行为是很有必要的。
[0004] 目前，针对这一问题，解决的方法主要是基于预先部署的基础设施，如酒精传感 器，红外传感器和摄像机来监测驾驶员的状态。这会产生较高的安装成本。此外，这些额外 的硬件受昼夜差异、恶劣天气的影响，维护成本高。
[0005] 另外，随着智能手机的广泛应用，智能交通系统和驾驶行为分析成为基于车辆应 用的智能手机的流行方向。然而，关于使用智能手机监测驾驶行为，现有的解决方案只能提 供一个粗粒度的结果，即判断驾驶行为是否异常，不能识别异常驾驶行为的具体类型。而本 发明主要考虑一个细粒度的异常驾驶行为监测的方法，它使用智能手机传感器不仅可以监 测异常驾驶行为还可以识别异常驾驶行为的具体类型，而无需任何额外的硬件。
[0006] 经过对现有技术的检索发现，中国专利文献号CN201374086公开（公告）日 2009. 12. 30,公开了一种新型驾驶行为智能分析仪，它包括基于汽车动力学原理构建的可 获得车辆状态信息的驾驶行为数据采集装置、可记录车辆状态信息的存储器、驾驶行为数 据分析模块、(PU及连接于车载信息终端的串口。将该分析仪连接于车载信息终端，通过车 载信息终端进行GPRS无线通信。该分析仪可以采集车辆的各种行驶状态信息，并进行分 析，然后将分析后的数据实时上传到中心管理系统，中心管理系统对驾驶员的驾驶行为和 驾驶状态进行综合分析和智能评估，当发生异常驾驶行为时（超速、碰撞、侧翻），向系统或 指定手机进行异常驾驶行为报警。但该技术的缺陷和不足在于：可识别的异常驾驶行为只 有三种，而且需要额外安装设备。
[0007] 中国专利文献号CN102567743A公开（公告）日2012.07. 11，公开了一种基于视频 图像的驾驶员姿态自动识别方法，通过安装在驾驶室侧方的CCD摄像机采集驾驶员操作方 向盘、操作档位、吃东西和打电话等驾驶姿态图像，然后通过同态滤波处理、皮肤区域分割 和Curvelet小波变换提取驾驶姿态特征向量来表征不同类的驾驶姿态，最后，采用支持向 量机SVM对提取的驾驶姿态特征向量进行分类，从而实现操作方向盘、操作档位、吃东西和 打电话等驾驶姿态的自动识别。该技术方法在不干扰驾驶员正常驾驶活动的前提下，可有 效地检测驾驶员的不良驾驶行为，从而提高交通行车安全。但该技术的缺陷和不足在于：通 过视频监控驾驶员的不良驾驶行为，监控范围有限，并且需要预先安装额外设备。
【发明内容】
[0008] 本发明针对现有技术存在的上述不足，提出一种基于智能移动终端的异常驾驶行 为监测和识别方法及系统，采用智能手机传感器与机器学习技术，通过对从智能手机传感 器提取的特征数据的分析和建模，实现细粒度异常驾驶行为监测，从而达到监测和识别异 常驾驶行为的目的。本发明易于实现，在实现监测和识别六种异常驾驶行为（蛇行驾驶、急 速变向、侧滑、急速U型转弯、急转弯、急刹车）的同时并不显著增加系统的功耗。
[0009] 本发明是通过以下技术方案实现的：
[0010] 本发明涉及一种用于移动智能设备的异常驾驶行为监测和识别方法，通过从传感 器收集数据并提取出特征值数据，然后利用机器学习方法训练特征值，建立分类器模型并 在实时监测时截取驾驶行为模式并判断六种异常驾驶行为。
[0011] 所述的特征值数据是指：将来自三轴加速度传感器和三轴方向传感器的模拟信号 经过低通滤波后得到三轴加速度传感器以及三轴方向传感器的X轴数据和Y轴数据。
[0012] 所述的训练特征值是指：通过机器学习技术，将每一个驾驶行为的特征元输入多 类支持向量机，构建一个异常驾驶行为分类器模型。
[0013] 所述的截取驾驶行为模式，即确定异常驾驶行为的开始点和结束点，具体为：通过 分类器模型监测和识别驾驶行为，根据预设的驾驶行为模式的特征值与实时数据的标准偏 差以及平均值进行比较以确定异常驾驶行为的开始，并进一步通过继续检查实时数据的标 准偏差的平均值确定异常驾驶行为的结束。
[0014] 本发明涉及一种异常驾驶行为监测和识别系统，包括：与智能终端相连的离线驾 驶行为建模模块和在线驾驶行为监测模块，该离线驾驶行为建模模块包括：特征提取单元、 训练单元和模型生成单元，其中：特征提取单元从智能终端上的传感器获取汽车行驶信息， 提取出汽车行驶信息中的有效特征值并输出至训练单元，训练单元分析输入的有效特征 值，通过在训练集中的数据表现出来的特性，为每一个类找到一种准确的模型，形成的模型 生成单元对未来的测试数据进行分类，并输出至在线驾驶行为监测模块；在线驾驶行为监 测模块包括：数据感知单元、坐标系重定向单元、模式片段切割单元、识别单元和警报单元， 其中：数据感知单元通过智能终端上的传感器获取汽车行驶信息，坐标系重定向单元将相 对于手机坐标系的传感器信息转换为相对于车辆坐标系的信息，模式片段切割单元用来确 定驾驶行为的开始和结束，识别单元判断驾驶行为是否异常，并在异常时通过警报单元发 送警告消息。 技术效果
[0015] 与现有技术相比，本发明主要应用于智能移动设备，优势在于不仅可以监测异常 驾驶行为还可以识别异常驾驶行为的具体类型（蛇行驾驶、急速变向、侧滑、急速U型转弯、 急转弯、急刹车）。本发明通过分析智能手机传感器获取的汽车行驶的特征，提取有效特征 方案，建立异常驾驶行为分类器模型。
【专利附图】
【附图说明】
[0016] 图1为六种异常驾驶行为示意图。
[0017] 图2为本发明结构示意图。
[0018] 图3为识别正常和异常驾驶行为的有效特征值及识别迂回与其他异常驾驶行为 示意图。
[0019] 图4为一分钟驾驶行为的加速度计和方向传感器模式示意图。
[0020] 图5为不同训练样本规模的精确度示意图。
[0021] 图6为使用不同采样率时误判率的累积分布函数示意图。
[0022] 图7为交通状况和道路类型对识别异常驾驶行为准确性的影响示意图。
[0023] 图8为智能手机在不同位置时误判率的累积分布函数示意图。
[0024] 图9为5种机型手机在运行和未运行系统的能耗示意图。
【具体实施方式】
[0025] 下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行 实施，实施例1
[0026] 本实施例应用场景为：选取5种不同型号的10部智能手机，包括2部Huawei Honor3C，2 部 ZTE U809, 2 部 SAMSUNG Nexus3, 2 部 SAMSUNG Nexus4 和 2 部 HTC sprint 作 为实现异常驾驶行为监测和识别系统的原型机。共采集1275份样本，60天的采集时间。
[0027] 本实施例通过分析智能手机传感器收集的数据，提取选择有效特征值，使用多类 支持向量机训练分类器模型，进而监测和识别特定类型的异常驾驶行为，发出警告。
[0028] 所述的分析智能手机传感器收集的数据是指：从三轴加速度传感器和三轴方向传 感器收集数据，采用低通滤波去除数据的高频噪声。
[0029] 所述的有效特征值是指：各种异常驾驶行为的特征值。经过实验测试，需要16个 有效特征值来识别6种不同类型的异常驾驶行为，得到每一个驾驶行为的特征元组〈16维 特征，标签〉，标签代表驾驶行为的类型。
[0030] 所述的训练特征值是指：通过机器学习技术，将每一个驾驶行为的特征元输入多 类支持向量机，经过训练，构建一个异常驾驶行为分类器模型。
[0031] 如图2所示，本实施例涉及的用于智能手机的异常驾驶行为监测和识别系统，包 括离线驾驶行为建模模块和在线驾驶行为监测模块，其中：离线驾驶行为建模模块通过手 机上的传感器获取汽车行驶中的信息，提取选择信息中的有效特征值，并将此特征值传递 给多类支持向量机，构建分类器模型，并将模型存储到数据库。在线驾驶行为监测模块通过 手机上的传感器获取汽车行驶中的实时信息，截取驾驶行为模式，提取有效特征值，根据模 型数据库识别驾驶行为，并发出警告。
[0032] 上述系统通过以下方式进行工作：
[0033] 步骤一、使用加载了本系统的智能手机记录汽车行驶中的加速度和方向信息。
[0034] 步骤二、采用低通滤波去除数据的高频噪声，检索收集到的信息，然后计算其标准 偏差以及在一个小窗口均值。比较标准偏差平均值与阈值，确定一个异常驾驶行为开始和 结束。
[0035] 步骤三、提取选中信息的有效特征值，得到当前驾驶行为的特征元组〈16维特征， 标签〉，输入分类器模型；如图1和图3所示，为6种异常驾驶行为的特征值，具体如下：
[0036] a)在蛇行驾驶模型中，accx出现剧烈波动，并持续一定时间，而accy保持相对平 稳，acc x的标准偏差变大，accx的平均值趋于0 ;
[0037] b)在急速变向模型中，accx和orix会出现一个较短时间的峰值，accx和ori x的取 值范围和标准偏差均变大，accy和Oriy保持相对平稳；
[0038] c)在侧滑模型中，accy取值急速下降，它的最小值和平均值均为负数，accx的取值 根据侧滑方向偏左偏右分别为负数或正数，因此acc x的平均值不为0,驾驶行为持续时间较 短；
[0039] d)在急速U型转弯模型中，accx的取值根据U型转弯方向或左或右分别为迅速上 升或快速下降，acc x的取值范围变大，平均值偏离0, accy保持相对平稳，Orix的取值根据方 向变化由正数变为负数或由负数变为正数，〇ri x的取值范围和标准偏差均变大，并持续一 定时间，驾驶行为持续时间较长；
[0040] e)在急转弯模型中，accx在一定时间内保持较高值，accy取值趋于0, orix出现波 动，取值范围变大，〇riy保持相对平稳，驾驶行为持续时间较长；在急刹车模型中，acc y的取 值急速下降，并在一定时间内取负数，而accx保持相对平稳，因此accy的取值范围和标准偏 差均变大，acc x的取值范围和标准偏差都很小，Oriy没有明显变化，驾驶行为持续时 间较短。
[0041] f)在正常驾驶行为中，以上特征值均接近于0。
[0042] 基于以上分析，发现每个驾驶行为都有其独特的特点。判断一种驾驶行为是正常 或异常驾驶行为，并识别此驾驶行为区别于其他五种异常驾驶行为，需要使用16个异常驾 驶行为的特征元组。
[0043] 所述的异常驾驶行为的特征元组〈16维特征，标签〉，标签代表驾驶行为的类型。 如下表所示：
【权利要求】
1. 一种用于移动智能设备的异常驾驶行为监测和识别方法，其特征在于，通过从传感 器收集数据并提取出特征值数据，然后利用机器学习方法训练特征值，建立分类器模型并 在实时监测时截取驾驶行为模式并判断六种异常驾驶行为； 所述的特征值数据是指：将来自H轴加速度传感器和H轴方向传感器的模拟信号经过 低通滤波后得到H轴加速度传感器W及H轴方向传感器的X轴数据和Y轴数据。
2. 根据权利要求1所述的方法，其特征是，所述的提取是指；轴加速度传感器的X 轴数据和Y轴数据作为acc,和acCy、H轴方向传感器的X轴数据和Y轴数据作为ori,、oriy， 分别提取出： 1. acCy、acCy、oriy、oriy的标准偏差、平均值； 2. acCx、acCy的取值范围； 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) 驾驶行为从开始到结束之间的时间t ; 共16个有效特征值。
3. 根据权利要求1所述的方法，其特征是，所述的训练特征值是指；通过机器学习技 术，将每一个驾驶行为的特征元输入多类支持向量机，构建一个异常驾驶行为分类器模型。
4. 根据权利要求3所述的系统，其特征是，所述的截取驾驶行为模式，即确定异常驾驶 行为的开始点和结束点，具体为：通过分类器模型监测和识别驾驶行为，根据预设的驾驶行 为模式的特征值与实时数据的标准偏差W及平均值进行比较W确定异常驾驶行为的开始， 并进一步通过继续检查实时数据的标准偏差的平均值确定异常驾驶行为的结束。
5. -种实现上述任一权利要求所述方法的异常驾驶行为监测和识别系统，其特征在 于，包括：与智能终端相连的离线驾驶行为建模模块和在线驾驶行为监测模块，其中： 离线驾驶行为建模模块包括；特征提取单元、训练单元和模型生成单元，其中；特征提 取单元从智能终端上的传感器获取汽车行驶信息，提取出汽车行驶信息中的有效特征值并 输出至训练单元，训练单元分析输入的有效特征值，通过在训练集中的数据表现出来的特 性，为每一个类找到一种准确的模型，形成的模型生成单元对未来的测试数据进行分类，并 输出至在线驾驶行为监测模块； 在线驾驶行为监测模块包括：数据感知单元、坐标系重定向单元、模式片段切割单元、 识别单元和警报单元，其中：数据感知单元通过智能终端上的传感器获取汽车行驶信息，坐 标系重定向单元将相对于手机坐标系的传感器信息转换为相对于车辆坐标系的信息，模式 片段切割单元用来确定驾驶行为的开始和结束，识别单元判断驾驶行为是否异常，并在异 常时通过警报单元发送警告消息。
【文档编号】G06K9/66GK104463244SQ201410729090
【公开日】2015年3月25日 申请日期:2014年12月4日 优先权日:2014年12月4日
【发明者】俞嘉地, 陈中阳, 乔治, 朱燕民 申请人:上海交通大学