基于车辆传感器校正数据的驾驶员身份识别方法及系统与流程

本发明涉及驾驶员行为分析领域，具体涉及基于车辆传感器校正数据的驾驶员身份识别方法及系统。

背景技术：

目前用于驾驶员身份识别的方式主要有三类：外部设备识别，生物特征识别和人脸识别。

外部设备识别，主要是通过检测驾驶员携带的外部设备来识别身份。此处的外部设备例如接触式ic卡、非接触式ic卡或usb可移动磁盘等，然而这些外部设备很容易丢失和被伪造，难以达到实时地、准确地识别驾驶员的目的，安全性低。

生物特征识别，主要是通过检测人体生物特征如指纹、虹膜等来识别驾驶员身份。这种方式相对于外部设备识别的方式，虽不存在会丢失的问题且安全性和实时性也高，但实施起来不现实，主要是价格昂贵以及识别设备安装操作困难，同时进行识别时对驾驶员要求较苛刻，需要以特定的姿势和合适的位置保持一定时间，难以做到实时采集驾驶员的生物特征；另一方面，由于大多数传感器需要和人体接触并贴入电极，具有很强的干扰性，可能影响驾驶操作，造成行车安全隐患，该种方式并不实用。

人脸识别，即通过扫描人脸并进行一系列的图像数据处理后识别驾驶员身份，中国公开号为cn202130310u的专利文献中使用了这一方法。此种方式同样价格不菲，而且主要应用于道路监控设备采集图像，在车内安装人脸识别系统有一定困难；另一方面，驾驶员的装扮、肤色、环境光线明暗以及车辆摇晃对采集到的图像有较大影响，可直接影响到图像处理结果，从而影响识别的准确度；再者，摄像装置需要对准驾驶员面部，操作起来效率低，也并不实用。

技术实现要素：

为了克服上述现有的识别方式所存在的缺陷，本发明提出一种基于车辆传感器校正数据的驾驶员身份识别方法，能够以较低的成本达到较为精确、隐秘的身份识别，且识别过程不会影响驾驶。

本发明为达上述目的所提出的技术方案如下：

一种基于车辆传感器校正数据的驾驶员身份识别方法，包括以下步骤：

s1、接收驾驶员输入的身份数据并保存；

s2、获取车辆传感器采集到的驾驶员驾驶时的传感器数据，该传感器数据至少包括三轴加速度数据；

s3、根据预先设定的加速度阈值从所述传感器数据中选取车辆水平静止时和车辆在水平地面直线运动时的三轴加速度数据，用来计算车辆运动坐标系与传感器三轴加速度坐标系之间的旋转矩阵；

s4、通过旋转矩阵对步骤s2中获取的传感器数据进行校正，以将所述传感器数据由所述传感器三轴加速度坐标系映射到所述车辆运动坐标系；

s5、对经过步骤s4校正后的传感器数据提取统计特征，得到特征向量；

s6、将步骤s5得到的特征向量作为训练集输入到一神经网络模型中进行训练，待网络参数收敛时得到训练好的身份识别模型；

s7、对身份未知的驾驶员执行步骤s2至s5得到待识别特征向量；

s8、将所述待识别特征向量输入到所述身份识别模型中，输出身份识别结果。

本发明提供的上述方法，基于车辆传感器采集数据而实现，传感器设备首先价格低廉，其次安装隐秘，通过对采集到的传感器数据执行上述各步骤的数据处理后进行身份识别，整个识别过程隐秘而不会影响驾驶过程；另一方面，能够进行实时的识别，不存在现有技术中设备被盗/丢失/伪造的风险。

本发明另还提供一种基于车辆传感器校正数据的驾驶员身份识别系统，包括车辆传感器、处理器、存储器以及人机交互界面；所述存储器上存储有一计算机程序；所述人机交互界面用于供驾驶人员输入信息以操作所述系统；所述处理器执行所述计算机程序时实现前述方法的步骤。

本发明提供的上述驾驶员身份识别系统，基于车辆传感器来实现，通过对实时采集的传感器数据进行一系列数据处理后进行身份识别，系统易于实现和安装且总体成本低，系统在识别过程中不影响驾驶，且能够实时地、较为准确地实现驾驶员身份识别。

附图说明

图1是传感器三轴加速度坐标系与车辆运动坐标系之间的关系图；

图2是数据窗口示意图；

图3是神经网络训练过程的示意图；

图4是身份识别过程的示意图。

具体实施方式

下面结合附图和优选的实施方式对本发明作进一步说明。

本发明的具体实施方式提供了一种基于车辆传感器校正数据的驾驶员身份识别方法，本方法包括两大流程，身份识别模型的训练过程以及实际使用中的身份识别过程。其中模型训练过程的原理是通过驾驶过程中的传感器数据进行统计而得到表征各人驾驶习惯的特征向量，再基于机器学习，用驾驶员输入的身份数据和表征该驾驶员驾驶习惯的特征向量分别作为训练时神经网络的输出和输入，进行神经网络的训练直至网络参数满足收敛条件而得到训练好的可用于对身份未知驾驶员(没有经历过模型训练过程的驾驶员)进行身份识别的神经网络(可称为身份识别模型)。实际使用中的身份识别过程即采集当前驾驶员驾驶车辆所产生的传感器数据并进行与模型训练时同样的数据处理而得到特征向量，再将特征向量输入身份识别模型中，输出身份识别结果。

基于上述的原理而提出的基于车辆传感器校正数据的驾驶员身份识别方法，主要包括如图3所示的模型训练过程和如图4所示的识别过程，对于某一车辆而言，具有最高权限的人员(例如车主)可以启动进入模型训练过程，以供作为车辆驾驶人员的人事先录入自己的身份数据并进行识别模型的训练，训练完成可关闭模型训练功能，则车辆处于可进行身份识别的状态。

如图3所示，模型训练过程包括以下步骤1至6：

步骤1、接收驾驶员输入的身份数据并保存；

步骤2、获取车辆传感器采集到的驾驶员驾驶时的传感器数据并缓存，该传感器数据至少包括x轴、y轴、z轴三轴加速度数据；数据在进行后述的处理之前可先进行预处理以去除在写入过程中可能出现的乱码；

步骤3、根据预先设定的加速度阈值从所述传感器数据中选取车辆水平静止时和车辆在水平地面直线运动时的三轴加速度数据，用来计算车辆运动坐标系与传感器三轴加速度坐标系之间的旋转矩阵；

步骤4、通过旋转矩阵对步骤2中获取的传感器数据进行校正，以将所述传感器数据由所述传感器三轴加速度坐标系映射到所述车辆运动坐标系；

步骤5、对经过步骤4校正后的传感器数据提取统计特征得到特征向量；

步骤6、将步骤5得到的特征向量作为输入、同时将所述身份数据作为输出来对一神经网络模型进行训练，直至参数满足收敛条件时得到可用于进行驾驶员身份识别的神经网络(或称作身份识别模型)。其中，神经网络模型的训练过程利用反向传播算法来最小化模型的交叉熵，运用批量梯度下降法来训练模型参数，直到满足收敛条件。

对于每个被允许驾驶某一车辆的驾驶员，可在开启模型训练的情况下通过上述步骤1至6参与神经网络模型的训练，以使得往后在识别状态下，驾驶时能够通过本发明的身份识别过程识别出自己的身份。

模型训练完成，则具有最高权限的人员(例如车主)即可关闭模型训练功能，关闭后即自动处于可进行驾驶员身份识别的状态，身份识别过程参考图4，包括以下步骤7和步骤8：

步骤7、车辆启动后实时、连续地获取当前身份未知(对于系统而言，身份是未知的)驾驶人员驾驶的传感器数据，并进行前述步骤2至5的处理过程，得到对应的多个特征向量；

步骤8、将经过步骤7得到的特征向量输入到上述已训练好的神经网络中，则神经网络可输出身份识别结果。具体地，特征向量由神经网络的输入层输入，经过隐藏层，最后由输出层的softmax函数得到输出结果，softmax函数的输出是长度为特定维度的向量，向量中每一维度的计算结果表示输入数据来源于该维度所对应的驾驶员的概率，取概率最高的维度作为身份识别结果输出。对于某一车辆而言，如果有n个被允许的驾驶员，则可通过前述模型训练过程生成输出维度为n+1维的神经网络，即该车辆的身份识别模型存有n个不同驾驶员身份数据，可以设置softmax函数的输出维度为n+1维，前n维对应于已有的n个不同的驾驶员。当实际识别过程中，输入数据(传感器数据处理后形成的特征向量)不属于这n个驾驶员时，softmax函数的输出中第n+1维的概率值最高，输出结果为n+1(通常在编码时我们是用[0,0,…,0,1]表示该结果，前面n个均为0，哪个维度为1则代表当前驾驶员属于哪个维度，其他维度的值均为0，可以在输出给用户的时候转换成对应的驾驶员，比如结果为[0,0,…,0,1]时，我们输出给用户“未知驾驶员”，这只是交互方式上的选择问题，不构成对本发明的限制)，表示该输入数据不属于已知的n个驾驶员，则同时系统可以针对目前未知人员驾驶车辆的情况采取一定的措施(例如后述谈及的控制车辆熄火等)。例如：假设经过上述模型训练的车辆a的身份识别模型里已有对应于3个不同身份驾驶员的数据，分别被编码为1000、0100、0010，当车辆a由不属于这3个已存储的驾驶员驾驶时，身份识别模型输出的识别结果为0001，表示当前身份为未知身份。若当前驾驶员的身份无法识别，系统可针对无法识别的情况执行进一步的处理，例如通过发送一指令来使车辆熄火以禁止继续前行，还可同时通过一无线收发模块向车主进行报警。

在步骤4中对传感器数据进行校正是因为车辆传感器在安装过程中难以避免会存在误差，参考图1，导致车辆运动坐标系xyz和传感器三轴加速度坐标系x’y’z’不重合，存在如图1所示的关系，可通过计算两者之间的旋转矩阵来进行校正。每辆车而言，旋转矩阵只需计算一次，计算出旋转矩阵后，用采集到的传感器数据与旋转矩阵作矩阵乘法运算，即可将传感器数据映射到车辆运动坐标系中，消除传感器安装误差带来的对后期数据处理的影响。

所述旋转矩阵的计算可采用如下的方式：

根据预先设定的加速度阈值，当加速度较长时间小于该阈值时，我们取该数据为水平静止的加速度；当加速度在较短时间小于该阈值，且该较短时间段前后都有明显的加速度变化时，我们设定此时的数据为车辆处于水平直线运动状态下的加速度数据。如图1所示，汽车水平静止状态下，获得三轴加速度传感器数据分别为ax0、ay0、az0。由于静止状态下汽车仅受地球引力作用,重力加速度g满足

记oz‘与oz的夹角为α，oy’与oz的夹角为β，ox‘与oz的夹角为γ，则有

考虑到汽车在静止状态下水平方向加速度为零，因此有

汽车在水平地面直线运动时，汽车仅受到前向的牵引力和重力作用，因此对加速度传感器采集到的加速度数据进行竖直方向和水平方向的分解，易知竖直方向矢量和为重力加速度。水平方向矢量和指向oy方向，此时获得三轴加速度传感器数据分别axt、ayt、azt，有

根据上述两种情况下的数值求解旋转矩阵r，其中r的表达式如下所示。

二者的转换关系为(ax，ay，az)^t＝r^t·(ax′，ay′，az′)^t。其中(ax′，ay′，az′)^t和(ax，ay，az)^t分别为传感器上的数据和校正后的数据。

在优选的实施例中，对校正后的传感器数据进行统计特征的提取具体包括如下的步骤一和二：

步骤一、采集到的很多组传感器数据(每一组包括x、y、z三轴加速度数据acc_x、acc_y、acc_z)，按照时间先后排序(实时地接收并存储数据，因此无需刻意进行排序)的多组传感器数据划分为多个连续的数据窗口，划分方式例如是：相邻两个数据窗口的首尾至少重合一组传感器数据，每个数据窗口均包含相同组数的传感器数据。比如，参考图2，每个数据窗口包括l＝8组数据(此处l的值仅为示例，l为整数且l≥2)，相邻两个数据窗口(例如图中的window1和window2)之间重合有4组数据，即前一个窗口的后4组数据即为相邻后一窗口的前4组数据，依此类推，将当前得到的所有传感器数据进行这样的划分，得到很多个数据窗口。之所以要让相邻窗口的首尾有数据重合，是因为前一个窗口的尾部数据与后一个窗口的头部数据之间可能存在一定关系而具有一定信息，如果不重合，会造成信息丢失。

步骤二、进行上述的窗口划分后，假设当前得到1000个数据窗口，分别对每个窗口执行以下操作：

对每列数据做差分，以图2所示的例子而言，得到含有l-1＝7组差分数据的新窗口，对所述新窗口和所述数据窗口的每列分别求9种统计特征，每列得到9个统计量，所述九种统计特征包括平均值、最小值、25％分位点、中位数、75％分位点、最大值、标准差、峰度和偏度。一般来说，上述这些统计特征几何起来可以较为准确地表征一个人的驾驶习惯。

从而，每个数据窗口得到54个统计量，使得每个数据窗口得到一个含有54个特征的特征向量，从而当前的1000个数据窗口可得到1000个这样的特征向量。假设当前是在进行模型训练的过程中，则这1000个特征向量即可作为训练集输入到待训练的神经网络中。假设是在识别过程中，需要得到多少个特征向量才进行身份识别可以事先通过程序设计而设定的。

本发明的方法可形成一套身份识别系统用于车辆，可实现车辆防盗和个性化定制车辆保险金额，车辆防盗例如前述提到的，当发现身份无法识别时，系统可控制车辆熄火并发出警报。车辆保险的应用我们通过智能终端可以定时记录不同驾驶员各自驾驶同一车辆的时间，根据各个驾驶员的驾龄、违规记录、年龄等信息对于该车辆个性化定制保险金额，对于长时间由驾龄较长、违规记录较少、正值壮年的驾驶员驾驶的车辆可以设置较低的保险金额，反之亦然。该系统应当包括一无线收发模块，用于与车主或主要驾驶人的智能终端之间进行无线通信，以通过智能终端对所述系统进行操控以及将所述系统的身份识别结果反馈到所述智能终端。对系统进行操控包括关闭/打开系统、驾驶时间统计、启动/关闭系统的模型训练功能等。

基于本发明方法的身份识别系统，包括车辆传感器、处理器、存储器以及人机交互界面；所述存储器上存储有一计算机程序；所述人机交互界面用于供驾驶人员输入信息以操作所述系统；所述处理器执行所述计算机程序时即可实现本发明前述的驾驶员身份识别方法的步骤。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。