基于智能手机步态识别的危险驾驶行为检测方法及系统与流程

本发明涉及特征识别技术领域，主要涉及一种基于智能手机步态识别的危险驾驶行为检测方法及系统。

背景技术：

近年来,随着生物特征识别技术研究的不断深入,步态识别作为一种依据人体走路步态进行身份识别的技术,具有易于采集、远距离识别、难于隐藏等优点,吸引了国内外众多研究机构和高等院校的关注,同时步态识别技术的研究将会对视频监控，打击犯罪分子以及危险行为检测等方面,具有很好的实际意义和应用前景。

传统的步态识别采用非接触的图像采集和对比进行识别，这种方法容易受到衣着等外界因素的影响，而且采集设备的成本较高。随着传感器的智能化，微型化的发展，研究者们采用专用的外置传感器采集数据然后进行建模分析，但是这种方法需要用户购买额外的硬件设备，难以推广。近十年来，智能手机走进千家万户，其内置的十几种传感器(比如指纹传感器，光线传感器，加速度传感器，陀螺仪等等)可以为人们的生产生活带来巨大的便利。结合通信技术多次革命性的进步，智能手机已经可以提供成千上万的服务。

基于智能手机的步态识别是指对人们在运动时智能手机中的数据进行分析处理，这项技术目的旨在利用人们走路时的步态信息，更好的为人们服务。如今智能手机的功能越来越全面，人们对于它的依赖程度越来越高，它的应用范围也越来越广，其中在危险驾驶行为检测方面有这巨大的开发应用空间，可以通过智能手机用户的步态来推断出用户的是否存在危险驾驶行为，步态识别可以实时的检测智能手机用户的驾驶情况，从而给出用户适当的提示，以此避免一些危险驾驶事件引发的灾祸。现有基于智能手机的步态识别主要还是集中在用户身份识别的研究应用上，而在检测用户危险驾驶方面的研究非常少。

因此本发明提出一种用步态识别方法来检测用户的危险驾驶行为，同时设计了一套基于步态识别的危险驾驶行为检测应用系统，集采集数据，危险驾驶行为检测等功能于一体。

技术实现要素：

发明目的：本发明提供了一种基于智能手机步态识别的危险驾驶行为检测方法及系统，综合考虑了危险驾驶行为的情况，对危险驾驶行为进行了详细的分类，可以应对实际中的出现的危险驾驶行为情况，实用性强。

技术方案：为实现上述目的，本发明采用的技术方案为：

1、一种基于智能手机步态识别的危险驾驶行为检测方法，包括以下步骤：

步骤s1、通过用户携带智能手机中的加速度计收集若干用户原始步态数据，所述用户随机抽取，具备存在危险驾驶行为的条件；

步骤s2、将收集到的原始步态数据发送到终端电脑上进行步态数据的预处理；

步骤s3、采用滑动窗口法对原始数据进行分割，以64个样本具有90％重叠的窗口大小来划分，提取特征值；所述特征值包括时域特征值和频域特征值；

步骤s4、采用预设分类算法对提取的特征值进行危险驾驶行为的识别；其中数据集由训练集和测试集构成，训练集占80％，测试集占20％，训练集和测试集文件包含测试者采集到的加速度计x、y、z轴的数据txt文件和相应的危险驾驶行为标签；基于tensorflow框架建立危险驾驶行为识别模型，对模型进行训练和测试；其中建立危险驾驶行为识别分类模型包括如下步骤:

(7)导入模型所需要的库；

(8)数据的导入和预处理；

(9)划分数据集得到训练集和测试集；

(10)定义模型的结构；

(11)训练模型；

(12)预测分类结果；

步骤s5、将所述危险驾驶行为识别模型的终端部署至智能手机终端。

进一步地，所述步骤s2中对原始步态数据的预处理包括如下步骤：

步骤s2.1、当手机处在不同状态下，分别收集加速计数据，使用下式计算n个加速度计读数组的重力校正幅度：

其中x、y、z分别表示加速度计x轴、y轴、z轴的数据，t表示组数；

步骤s2.2、计算10秒窗口大小的加速度计移动平均值。

进一步地，所述步骤s3中提取时域和频域特征值具体步骤如下：

步骤s3.1、计算时域步态特征；在给定的时间间隔内的步数受危险驾驶行为的影响；每个时间窗口的步数可以通过求加速度计信号的重力校正幅度的局部最大值从加速计数据的时间序列中计算得出；

步骤s3.2、计算频域步态特征值；采用离散傅里叶变换如下：

其中n表示傅里叶变换的点数，xn表示采样的模拟信号，k表示傅里叶变换的第k个频谱，xk表示变换后的数据，j表示虚单位。

进一步地，所述步骤s4中采用的预设分类算法选用朴素贝叶斯网络、j48决策树、支持向量机、随机森林中的任意一种。

进一步地，所述步骤s4中建立危险驾驶行为识别模型具体如下：

进行控制实验，收集受试者饮酒数据，获取准确的标记数据；具体地，让受试者喝不同量的酒精，检测其浓度，然后收集他们相应的步态数据。

将采集到的加速度的一维时间序列转换成二维图像，对图像进行特征提取；运用卷积神经网络架构进行处理，实现对危险驾驶行为的识别，将用于可能存在的危险驾驶行为分为吸毒、饮酒、身体不适三种模式；其中饮酒模式分为3种子状态：

(1)清醒状态：0～20mg/100ml；

(2)微醉状态：20mg/100ml～80mg/100ml；

(3)喝醉状态：≥80mg/100ml。

一种采用上述基于智能手机步态识别的危险驾驶行为检测方法的检测系统，包括数据收集及处理模块、特征值提取模块、危险驾驶行为检测模块和预警模块；所述数据收集与处理模块用于实时采集用户步态数据并对获取的数据进行预处理；所述特征值提取模块用于通过预设的分类算法对所接收的步态数据进行处理以提取步态特征；将提取的步态特征与部署在智能手机终端的危险驾驶行为检测模型进行对比，判断用户危险驾驶行为的类型；所述预警模块用于在移动端显示用户实时的驾驶情况；当用户步态特征与危险驾驶行为检测模型的对比结果显示用户存在危险驾驶行为时，提醒用户禁止驾车。

有益效果：本系统具备以下优点：

(1)本发明通过步态识别的方法识别用户是否具有危险驾驶行为，步态识别作为新兴的技术，具有不显眼、不易隐藏和无需硬性配合等特点。

(2)本发明与传统的通过摄像机或者可穿戴设备进行步态识别的方式不同，我们采用智能手机内置传感器来采集步态数据。如今智能手机在人们生活中扮演者重要角色，已经成为了人们随身携带的工具，因此采用智能手机收集数据具有是实时性。

(3)本发明综合考虑了危险驾驶行为中出现的情况，对危险驾驶行为进行了详细的分类，可以应对实际中可能出现的危险驾驶情况，实用性强。

附图说明

图1为本发明提供的原始数据采集与处理流程图。

图2为本发明提供的危险驾驶行为检测模型示意图。

图3为本发明提供的基于智能手机步态识别的危险驾驶行为检测系统的工作流程图。

图4为本发明提供的基于智能手机步态识别的危险驾驶行为检测方法及系统的总体框架图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

如图1所示，一种基于智能手机步态识别的危险驾驶行为检测方法，包括以下步骤：

步骤s1、通过用户携带智能手机中的加速度计收集若干用户原始步态数据，所述用户随机抽取，具备存在危险驾驶行为的条件。

本发明改进了单一频率采集的模式，为了降低耗电量和保证准确性，采取了动态频率选择，当用户的移动性比较慢时，降低传感器的采集频率，降低手机功耗，当用户移动性比较快时提高传感器的采集频率，保证检测的准确性。

步骤s2、将收集到的原始步态数据发送到终端电脑上进行步态数据的预处理。

为了降低在数据的采集过程带来的噪声和误差的影响，在采集数据之后，运用平滑滤波和简单移动平均线的方法进行数据的预处理，为后续特征值的提取做准备。

对原始步态数据的预处理包括如下步骤：

步骤s2.1、加速度计数据是在手机朝向不同方向或手机被放在不同位置(口袋、手、袋子)时收集的。当手机处在不同状态下，分别收集加速计数据，使用下式计算n个加速度计读数组的重力校正幅度：

其中x、y、z分别表示加速度计x轴、y轴、z轴的数据，t表示第几组加速度计数据。

步骤s2.2、智能手机加速度计数据对物理运动敏感，且含有大量噪声。为了得到更稳定的信号，计算10秒窗口大小(约2000个加速度计观测值)的移动平均值。

步骤s3、采用滑动窗口法对原始数据进行分割，我们以64个样本具有90％重叠的窗口大小来划分，提取特征值；所述特征值包括时域特征值和频域特征值。

其中提取时域和频域特征值具体步骤如下：

步骤s3.1、计算时域步态特征；在给定的时间间隔内的步数受危险驾驶行为的影响。每个时间窗口的步数可以通过求加速度计信号的重力校正幅度的局部最大值从加速计数据的时间序列中计算得出。

步骤s3.2、计算频域步态特征值；采用离散傅里叶变换如下：

其中n表示傅里叶变换的点数，xn表示采样的模拟信号，k表示傅里叶变换的第k个频谱，xk表示dft变换后的数据，j表示虚单位。

步骤s4、采用预设分类算法对提取的特征值进行危险驾驶行为的识别；其中数据集由训练集和测试集构成，训练集占80％，测试集占20％，训练集和测试集文件包含测试者采集到的加速度计x、y、z轴的数据txt文件和相应的危险驾驶行为标签。基于tensorflow框架建立危险驾驶行为识别模型，对模型进行训练和测试。其中建立危险驾驶行为识别分类模型包括如下步骤:

(1)导入模型所需要的库。

(2)数据的导入和预处理。

(3)划分数据集得到训练集和测试集。

(4)定义模型的结构。

(5)训练模型。

(6)预测分类结果。

其中采用的预设分类算法选用朴素贝叶斯网络、j48决策树、支持向量机、随机森林中的任意一种。

下面详细阐述步骤s4中建立危险驾驶行为识别模型的方法，如图2所示：

利用智能手机感知用户步态，以识别用户危险驾驶行为。我们通过手机内置传感器采集若干可能存在危险驾驶行为人群的步态特征数据(如步态周期、步长、步频、步态速度和节奏、步幅、步宽、姿态相位、摇摆幅度和摇摆面积等多种特征)构成一组步态特征变量，对数据进行预处理并形成训练集。再利用深度学习中的卷积神经网络训练一个分类器。在利用深度神经网络进行模型训练时，我们拟定将采集到的加速度信号的一维时间序列转换成二维图像，对图像进行特征提取，再运用卷积神经网络架构进行处理，实现对危险驾驶行为步态的识别，判别用户是否存在危险驾驶行为。

将用于可能存在的危险驾驶行为分为吸毒、饮酒、身体不适三种模式；其中饮酒模式分为3种子状态：

(1)清醒状态：0～20mg/100ml；

(2)微醉状态：20mg/100ml～80mg/100ml；

(3)喝醉状态：≥80mg/100ml；

其中在收集受试者饮酒数据的时候我们进行控制实验，获取准确的标记数据(标有饮用酒精数量的受试者步态数据)，让受试者喝不同量的酒精，检测其浓度，然后收集他们相应的步态数据。

如图3所示的基于智能手机步态识别的危险驾驶行为检测系统，包括数据收集及处理模块、特征值提取模块、危险驾驶行为检测模块和预警模块；所述数据收集与处理模块用于实时采集用户步态数据并对获取的数据进行预处理；所述特征值提取模块用于通过预设的分类算法对所接收的步态数据进行处理以提取步态特征；将提取的步态特征与部署在智能手机终端的危险驾驶行为检测模型进行对比，判断用户危险驾驶行为的类型；所述预警模块用于在移动端显示用户实时的驾驶情况；当用户步态特征与危险驾驶行为检测模型的对比结果显示用户存在危险驾驶行为时，提醒用户禁止驾车。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。