基于WIFI的驾驶状态识别方法及系统与流程

本发明属于模式识别领域，特别涉及一种驾驶状态识别技术。

背景技术：

wifi信号能通过接收信号强度(receivedsignalstrength,rss)、信道状态信息(channelstateinformation,csi)的变化反映无线信号受到目标对象遮挡或反射的情况，从而应用于动作识别，移动性侦测等场景。csi描述了信号在每条通信链路上的衰弱情况，包括信号散射(scattering)，环境衰弱(fading,multipathfading或shadowingfading)，距离衰减(powerdecayofdistance)等信息。基于wifi的动作识别系统设计通常包含三个部分：(1)数据采集；(2)数据分析；(3)结果反馈。

在非露天环境中，wifi发射的无线信号通常不会沿着直线路径到达接收器，实际上，接收到的信息通常是信号经人体以及其他障碍物的反射、衍射和散射形成的多路信号的叠加，即多径效应。物理空间改变了信号的传播，反之，无线信号可以用来感知其所经过的物理环境。通过分析环境及人“调制”的周期性或时变信号，可以对环境进行推断感知。

基于wifi的动作识别应用方向包括粗粒度动作(行走，站立)、细粒度动作(手势，击键)和更细粒度动作(心跳，呼吸，面部情绪)。由于驾驶环境的复杂性，与基于视觉的技术不同，基于wifi的驾驶状态识别通过提取wifi信号的细粒度信道状态信息，结合手势和身体运动来准确判断驾驶员是否处于危险驾驶状态(瞌睡，愤怒，接电话等)。

现有的大多数设计采用了复杂的技术和特殊的系统实现了驾驶状态识别的目标功能，但存在以下缺点：(1)基于传感器的方案需要复杂的设备；(2)基于视觉的方案存在隐私问题；(3)基于粗粒度rss值的射频方案精确度较低。

综上所述，现有的驾驶状态识别的研究及系统存在硬件要求高、缺乏普适性、识别准确率较低等问题。

技术实现要素：

为了解决上述问题，本发明提供一种基于wifi的驾驶状态识别方法及系统，基于wifi的方案通过将驾驶者的活动转化为信道状态信息的变化，从时域、频域和多链路角度提取驾驶状态的多个特征，从而对驾驶状态进行准确判别。

本发明采用的技术方案之一为：一种基于wifi的驾驶状态识别方法，包括：

s1、基于csi捕获驾驶者活动对信号的扰动原始训练数据；

s2、根据步骤s1获取的原始训练数据，基于预定义驾驶状态构建训练数据库；步骤s2具体为：

s21、采用低通滤波器滤除原始训练数据中的高频噪声；

s22、对经步骤s21处理后的数据进行压缩；

s23、对步骤s22压缩后的数据从时域、频域和多链路角度，提取若干特征构成各驾驶状态对应的特征元组；

s24、根据步骤s23得到的各驾驶状态对应的特征元组构成训练数据库。

s3、通过计算得到的训练数据的emd上限阈值与实测数据的emd值，来对实测数据进行驾驶状态分类；

当实测数据的emd值大于训练数据的emd上限阈值，则判定当前实测数据对应的驾驶状态为危险驾驶状态；然后根据最邻近算法对该危险驾驶状态进行分类。

s4、根据预警阈值对步骤s3的驾驶状态分类结果进行预警。

本发明提供的另一技术方案为：一种基于wifi的驾驶状态识别系统，包括：系统输入模块、驾驶状态识别模块、系统输出模块；

系统输入模块用于输入采集到的基于csi捕获驾驶者活动对信号的扰动原始训练数据与预警阈值；

驾驶状态识别模块至少包括训练数据库构建单元、驾驶状态分类单元；训练数据库构建单元根据获取的原始训练数据，基于预定义驾驶状态构建训练数据库；驾驶状态分类单元包括：emd值计算子单元、比较子单元、分类子单元，emd值计算子单元通过计算得到训练数据库中训练数据的emd上限阈值，还包括计算实测数据的emd值；比较子单元用于对实测数据的emd值与训练数据的emd上限阈值进行比较，分类子单元根据比较子单元的结果对驾驶状态进行分类；

训练数据库构建单元至少包括：低通滤波子单元、压缩子单元、特征提取子单元、训练数据库构建子单元；低通滤波子单元用于对原始训练数据依次进行低通滤波处理，滤除原始训练数据中的高频噪声；压缩子单元对经低通滤波子单元处理后的数据进行压缩；特征提取子单元对经压缩后的数据从时域、频域和多链路角度，提取若干特征构成各驾驶状态对应的特征元组；训练数据库构建子单元根据各驾驶状态对应的特征元组构建训练数据库。

训练数据库构建单元还包括中值滤波单元，用于对低通滤波处理后的数据进行中值滤波处理，然后将中值滤波处理后的数据输入压缩子单元。

系统输出模块根据预警阈值对驾驶状态分类结果进行预警。

本发明的有益效果：本发明的一种基于wifi的驾驶状态识别方法及系统，通过将驾驶者的活动转化为信道状态信息的变化，尤其降低了对系统硬件条件的要求；通过滤波方法提取有效信息，降维方法降低计算复杂度；通过从时域、频域和多链路多个角度提取信息的特征，提高了驾驶状态分类、识别的准确性；采用两重判断降低误警率，先通过emd值确定是否属于危险驾驶状态，再采用k最近邻方法判断状态类别；本发明的方法及系统能实现准确的危险驾驶状态识别，本发明的方法及系统降低了硬件要求，不需要复杂的传感器设备；与基于视觉的方案相比，避免隐私问题，适用于货车、商务车、私人汽车等多种场景；并且相比于基于射频rss方案具有更高的识别精度。

附图说明

图1为本发明实施例提供的基于wifi的驾驶状态识别方法框图；

图2为本发明实施例提供的基于wifi的驾驶状态识别方法流程图；

图3为本发明实施例提供的基于wifi的驾驶状态识别系统工作流图；

图4为本发明实施例提供的基于wifi的驾驶状态识别系统的执行流程图；

图5为本发明实施例提供的基于wifi的方案与基于射频rss方案识别率对比图。

具体实施方式

为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。

如图1所示为本发明的方法框图，本发明提供一种基于wifi的驾驶状态识别方法，采用商用无线收发设备，提取wifi信号的信道状态信息；通过数据预处理和训练数据标定，构建数据库，训练分类器；根据实测数据的多域特征，计算陆地移动距离(earthmover’sdistance,emd)降低虚警率，分类器判断驾驶状态是否危险；系统判断当前处于危险驾驶状态，则会发出预警，避免事故。

如图2所示为，本发明实施例提供的具体方法流程图；包括：

s1、基于csi捕获驾驶者活动对信号的扰动原始训练数据；具体过程如下：

(1)通过无线信号发射-接收设备将驾驶者的活动信号转化为系统实际处理的输入信号y。

用xp表示第p个数据包的发射信号向量，车内环境对应的窄带平坦衰落信道特性通过hp表示，第p个数据包的接收信号向量yp表示为：

其中，n表示高斯白噪声，n表示接收到的数据包的总数。一对发射-接收天线之间的空间链路通常包含30个子载波，因此csi矩阵h可以表示为：

h＝[h1,h2,,h30](2)

其中，h是复数值，包含了子载波的幅度|h|和相位φ信息，即：

h＝|h|e^jsinφ(3)

(2)驾驶者的活动信号的主成分数：m，表示通过主成分分析法将多个子载波整合成的成分数，特征值越大的主成分集中了越多的信息，考虑计算复杂性，不宜选取成分过多，m通常取值1～3；

(3)预警阈值：pth，当测试活动与数据库中已标记的危险活动相似程度超过pth时，触发预警机制提醒驾驶者。

s2、根据步骤s1获取的原始训练数据，基于预定义驾驶状态构建训练数据库；

训练阶段，本实施例中在系统预定义三种危险的驾驶状态：瞌睡、愤怒、接电话，为了构建训练数据库，在步骤s1中受试者进行特定的活动干扰无线信号，以供采集原始训练数据。原始训练数据通过以下3步进行驾驶状态分析：

(1)噪声抑制

与高频随机噪声相比，驾驶者的活动信息通常包含在信号的低频部分。本发明首先采用二阶巴特沃斯低通滤波器去除高频噪声。低通滤波器的频率特性h(ω)表现为：

其中，ω表示频率，t0表示时延，截止频率ωc＝0.025πrad/s.

为了避免30个子载波方差中的低频尖峰降低检测性能，本发明还采用了中值滤波，输入序列中下标为i的输入值对应的输出z(i)取值为窗口范围内样本的中值，如公式(5)所示：

z(i)＝med{h(i-7),…,h(i),…,h(i+7)}(5)

其中，med{}表示取中值运算。

(2)信息压缩

为了降低计算复杂性，本发明采用主成分分析法(principalcomponentanalysis,pca)整合同一数据包下的多个子载波，提取信息同时降低计算复杂度。主成分数m由用户设定，通常设置m＝3能够捕获到足够的驾驶者活动信息。

首先将csi矩阵z的每一列归一化，去除静态分量，得到zc；计算协方差矩阵c，如公式(6)所示：

应注意这里zc的下标c没有具体的物理含义，仅是用来与处理前的矩阵z作区分；

计算矩阵c的特征值和特征向量，选择最大的3个特征值相应的特征向量组成矩阵k，降维后的主成分p为：

p＝kzc(7)

(3)特征提取

本发明从时域、频域和多链路角度，提取了共13个特征区分不同的驾驶状态，具体包括：时域的6个统计特征：平均值、标准差、第25百分位数、第75百分位数、绝对中位差和最大值；频域的上述6个统计特征；发射和接收天线之间的相位差。一个驾驶状态的特征元组表示如下：

其中，表示训练数据对应特征元组构成的数据库。

s3、通过计算得到的训练数据的emd上限阈值与实测数据的emd值，来对实测数据进行驾驶状态分类；本实施例给出其中一种实现方式，具体过程如下：

在对实际的驾驶状态进行识别时，也涉及到步骤s1-s2的过程：基于csi捕获实际情况中驾驶者活动对信号的扰动数据，并经步骤s2的低通滤波的噪声抑制、中值滤波处理、以及信息压缩处理(主成分分析法整合多个子载波，提取信息同时降低计算复杂度)，进行实际驾驶状态特征提取；为了降低误警率，本发明经以下两步判断后再触发警报：

(1)emd计算

为了避免长时间的噪音尖峰产生的误警，本发明采用陆地移动距离emd作为测量来确定特征是否代表预设的危险驾驶状态。通过步骤s2得到的训练数据库，根据公式(9)确定训练数据的emd的上限阈值，以避免未定义驾驶状态或噪声的误判：

其中，dij表示特征s1的i分量与s2的j分量之间的距离，fij表示dij相应的权重。

(2)状态分类

当计算出的实测数据的emd值大于训练数据的emd上限阈值时，本发明采用基于k最近邻(k-nearestneighbor,knn)算法实现驾驶状态的分类。knn使用邻居的多数投票来预测分类，利用已标记的训练集，实测状态x的分类r(x)由公式(10)确定：

其中，nk(x)表示涵盖k个点的状态x的邻域；δ()是指示函数，当r(xi)＝cj(cj表示本实施例中定义的愤怒状态、瞌睡状态、接电话状态的三种类别)时，即当状态xi的类别是cj时，函数值为1，否则为0。k值的选择需要保证经验风险最小，即公式(11)表示的误分类率最小：

s4、根据预警阈值对步骤s3的驾驶状态分类结果进行预警。如果判断当前处于危险驾驶状态，系统通过警报模块向驾驶员发送警报，如果此状态持续存在，则可通过网络反馈到执法部门，以采取行动避免潜在的事故。

如图3所示为本发明的系统工作流图，本发明的基于wifi的驾驶状态识别系统，包括三个模块：系统输入模块、驾驶状态识别模块、系统输出模块；具体执行如图4所示：

系统输入模块用于输入采集到的基于csi捕获驾驶者活动对信号的扰动原始训练数据与预警阈值；还包括输入信号的主成分数m；

驾驶状态识别模块至少包括训练数据库构建单元、驾驶状态分类单元；训练数据库构建单元根据获取的原始训练数据，基于预定义驾驶状态构建训练数据库；驾驶状态分类单元包括：emd值计算子单元、比较子单元、分类子单元，emd值计算子单元通过计算得到训练数据库中训练数据的emd上限阈值，还包括计算实测数据的emd值；比较子单元用于对实测数据的emd值与训练数据的emd上限阈值进行比较，分类子单元根据比较子单元的结果对驾驶状态进行分类；emd值计算子单元的处理过程参考公式(9)；分类子单元的处理过程参考公式(10)。

训练数据库构建单元至少包括：低通滤波子单元、压缩子单元、特征提取子单元、训练数据库构建子单元；低通滤波子单元用于对原始训练数据依次进行低通滤波处理，滤除原始训练数据中的高频噪声；压缩子单元对经低通滤波子单元处理后的数据进行压缩；特征提取子单元对经压缩后的数据从时域、频域和多链路角度，提取若干特征构成各驾驶状态对应的特征元组；训练数据库构建子单元根据各驾驶状态对应的特征元组构建训练数据库。低通滤波子单元的处理过程可参考公式(4)。

训练数据库构建单元还包括中值滤波单元，用于对低通滤波处理后的数据进行中值滤波处理，然后将中值滤波处理后的数据输入压缩子单元。中值滤波单元的处理过程参考公式(5)；压缩子单元的处理过程参考公式(6)、(7).

系统输出模块根据预警阈值对驾驶状态分类结果进行预警。

如图5所示，本发明的方法及系统与基于射频rss方案相比，具有更高的识别精度。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。