本发明涉及汽车监控技术，具体涉及基于驾驶习惯的驾驶员辨别方法。
背景技术：
目前，随着人们生活水平的提高，各式车辆已广泛应用于人们的日常生活中，比如作为人们步行的代步车，作为日常货物搬运的转运工具；随着车辆越来越普及，随之而来的是车辆盗窃事件的频发。目前市面上常见的车辆防盗装置为一种报警提示装置，在有人靠近车辆时，会发生报警提示音，以提醒车辆的拥有者同时警示小偷，而对于这种防盗装置，经常在有行人经过时乱发出警示音导致市场嘈杂，而这种装置只能起到辅助作用，并不能直接的对偷盗行为产生影响，防盗效果差。
技术实现要素：
针对现有技术中的上述不足，本发明提供的基于驾驶习惯的驾驶员辨别方法能够通过采集驾驶员驾驶过程中车辆产生的行驶数据判断当前车辆是否是经常使用车辆的车主。为了达到上述发明目的，本发明采用的技术方案为：提供一种基于驾驶习惯的驾驶员辨别方法，其包括：读取用户行驶数据参照库中车辆行驶过程中待采集的行驶数据及用户行驶数据参照库中的所有行驶数据的平均值和标准差；当车辆处于启动状态后，每隔设定时间采集车辆的行驶数据；当当前时间为设定间隔时间段的终点时间，对当前时间段内采集的行驶数据做正规化处理：其中，NormalziedX为规范化后的标准值，为读取的行驶数据的平均值，δx为读取的行驶数据的标准差，x为每次采集的行驶数据；计算当前时间段内规范化后的标准值的训练数据，其中训练数据为平均值、标准差、最大值和/或最小值；读取用户行驶数据参照库中根据用户设定时间段内的所有训练数据计算的模型系数；根据计算的训练数据和读取的模型系数，判断当前驾驶员是否为车辆的车主：其中，e为自然底数，β0和β1为模型系数，z为训练数据，y为0或1，0表示非车主，1表示为车主；当计算获得的y为0时，则当前驾驶员非车辆的车主，以短信的形式通知车主并将车辆行驶轨迹发送给车主。本发明的有益效果为：车辆每次启动后，本方案能够按照用户设定的时间对驾驶人员操作车辆时产生的行驶数据进行采集，并通过采集的行驶数据判断当前驾驶员是不是车主，若不是车主，则将车辆可疑移动信息以短信的形式告知车主，并将车辆的行驶轨迹发送给车主。附图说明图1为基于驾驶习惯的驾驶员辨别方法的流程图。具体实施方式下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。参考图1，图1示出了基于驾驶习惯的驾驶员辨别方法的流程图；如图1所述，该方法包括以下步骤：读取用户行驶数据参照库中车辆行驶过程中待采集的行驶数据(此处的行驶数据指的是其类型，比如刹车数据、转向数据、加速度数据、车速和发动机转速)及用户行驶数据参照库中所有行驶数据(此处的行驶数据指采集时得到的具体数据)的平均值和标准差；此处的行驶数据为用户行驶数据参照库中对类型进行更新后的行驶数据。当车辆处于启动状态后，每隔设定时间采集车辆的行驶数据；此处的设定时间可以根据用户的需求进行自行设置，建议选择5分钟这样能够将车辆行驶过程操作车辆时产生的行驶数据尽可能的进行全面的采集，从而增大后面驾驶员判断的准确性。当当前时间为设定间隔时间段的终点时间，对当前时间段内采集的行驶数据做正规化处理：其中，NormalziedX为规范化后的标准值，为读取的行驶数据的平均值，δx为读取的行驶数据的标准差，x为每次采集的行驶数据；其中的行驶数据为刹车数据、转向数据、加速度数据、车速和发动机转速中的至少一种类型，由于上述数据间的单位及取值范围差别较大，为了提高后续判断的准确性，对采集的数据进行正规化处理。其中的设定间隔时间段和当前时间段的取值相等，在计算时，其取值越大计算得到的结果准确性就越高。对于当车辆的运行时间小于等于设定间隔时间段时，直接采用车辆运行时间内采集的所有行驶数据做正规化处理。即对于车辆行驶时间小于设定的间隔时间，则将整个行驶过程视为一个间隔时间段，并进行行驶数据的统计学特征计算。计算当前时间段内规范化后的数据的统计学特征，并将统计学特征作为训练数据，其中统计学特征包括平均值、标准差、最大值和/或最小值；读取用户行驶数据参照库中根据用户设定时间段内的所有训练数据计算的模型系数；根据计算的训练数据和读取的模型系数，判断当前驾驶员是否为车辆的车主：其中，e为自然底数，β0和β1为模型系数，z为训练数据，y为0或1，0表示非车主，1表示为车主；当计算获得的y值等于0时，即当前驾驶员非车辆车主，以短信的形式通知车主并将车辆行驶轨迹发送给车主。在本发明的一个实施例中，用户行驶数据参照库的构建方法为：当车辆处于启动状态后，每隔设定时间(这儿的每隔设定时间与上面提到的每隔设定时间的一样，都可以由用户自行设置)采集车辆所产生的所有行驶数据，为了保证驾驶员判断的准确性，其中行驶数据至少包括刹车数据、转向数据、加速度数据、车速和发动机转速中的任意两种类型。其中，刹车数据包括完成一次刹车所需时间、刹车行程和/或踩刹车力度；所述转向数据包括完成一次转向所需时间和/或方向变化速率；加速度数据包括完成一次加速所需时间和/或完成一次减速所需时间。当当前时间为预设时间段(由于驾驶员在驾驶车辆过程中产生的行驶数据只有经过大量的积累，才具有较强的准确性，所以此处的预设时间段设置成远大于设定间隔时间段。)的终点时间，判断当前预设时间段内采集的两两之间是否相关：其中，ai为一种类型每次采集的行驶数据，bi为另一种类型每次采集的行驶数据，为一种类型所采集的所有行驶数据的平均值，为另一种类型所采集的所有行驶数据的平均值，σA为一种类型所采集的所有行驶数据的标准差，σB为一种类型所采集的所有行驶数据的标准差；若coefficient大于等于设定值，表示行驶数据之间存在强相关关系，删除其中一种类型数据，仅保留相互之间相关性不高的数据用于驾驶员判断。由于车辆行驶过程中产生的数据部分存在相关(比如加速度数据和速度)，若是在计算过程让所有的数据都参与运算，这样势必增加运算量，增大计算开销和运算时间，所以本方案在此处引入了相关性判断，把两种类型数据的相关性系数计算结果大于等于0.8的数据进行整理，去掉其中一种数据。被去掉的数据不再参与后续相关性计算，也不再用于后续驾驶员判断，比如，在相关性判断之前，行驶数据包括刹车数据、转向数据、加速度数据、车速和发动机转速数据，若在进行相关性判断时，发现车速和加速度数据存在强相关关系，则删除这两个数据中的任意一个，此时需采集的数据为刹车数据、转向数据、加速度数据和发动机转速数据。对当前预设时间段内采集的类型进行更新后的行驶数据做正规化处理：其中，NormalziedX为规范化后的标准值，为当前预设时间段内类型进行更新后的行驶数据的平均值，δx为当前预设时间段内类型进行更新后的行驶数据的标准差，x为每次采集的类型进行更新后的行驶数据。此处的规范化处理与上面的驾驶员辨别方法中的规范化处理的目的一样。计算当前时间段内规范化后的标准值的训练数据，其中训练数据为平局值、标准差、最大值和/或最小值；计算模型系数：将计算后的所有训练数据按设定比例划分为两部分；采用其中一部分的训练数据计算模型系数：其中，e为自然底数，β0和β1为模型系数，z为训练数据，y等于1，1表示为车主；采用另一部分的训练数据对计算得到的所有组模型系数进行验证；将其中车主判断准确率最高的一组模型系数作为确定是否为车主对照用的模型系数；之后对类型进行更新后的行驶数据、每种类型的所有行驶数据的平均值和标准差以及作为参考用的模型系数存储至用户行驶数据参照库中。本方案中提到的预设时间段可以为用户设定的固定时间段，若是用户设定的固定时间段，那么在设置时，为了保证进行驾驶员判断时的准确性，这个固定时间段至少大于等于一周。在使用时，本方案中提到的预设时间段也可以是动态更新的，此时需要在每次确定当前驾驶人员为车主时，将当前时间段内采集的所有行驶数据存储至用户行驶数据参照库，并将此次行驶数据增加至之后对类型进行更新后的行驶数据中，采用再次更新后的行驶数据计算每种类型的所有行驶数据的平均值和标准差以及作为参考用的模型系数。综上所述，车辆每次启动后，本方案通过对车辆的行驶数据进行采集就能够判断当前驾驶员是不是车主。