一种驾驶员手部相对静止状态下脱离方向盘检测方法与流程

本发明属交通安全技术领域，特别涉及一种驾驶员手部相对静止状态下脱离方向盘检测方法。

背景技术：

在车辆行驶过程中，驾驶员的驾驶行为对道路安全起着决定性的作用，驾驶员在驾驶过程中应该在9点钟和3点钟位置用双手握紧方向盘，以防在发生意外情况时不能及时做出反应。然而，由于长时间驾驶后的无聊和疲劳或仅仅是不良的驾驶习惯，驾驶员可能并不总是遵守这一规定，并且大多数驾驶员在开车时并没有意识到自己处于分心状态。当驾驶员有意或无意出现长时间单手离开方向盘、双手放在方向盘下端或者双手同时离开方向盘等现象，极其容易造成严重的交通事故。因此，可以准确检测到驾驶员的危险驾驶行为并警告驾驶员的系统不仅可以唤起驾驶员的警觉性，还可以使驾驶员能够自我提高驾驶技能，帮助促进更安全的驾驶以及减少交通事故并有助于社会安全。

目前基于计算机视觉的驾驶员手部位置识别方法容易引起隐私问题和对驾驶员造成心理干扰，且易受到外部光照等因素的影响，而在方向盘上安装其他传感器又形成了额外的成本问题，不利于推广。所以需要寻求一种不易受到外界干扰、成本低、对驾驶员不会产生干扰且检测准确的驾驶员手脱离方向盘检测方法。

驾驶员在车内的手部状态相对于车辆可分为相对静止状态和运动状态，本发明针对驾驶员的手部在相对静止状态下时，基于异常检测方法，提出了驾驶员手部相对静止状态下的手脱离方向盘检测模型。

技术实现要素：

有鉴于此，本发明的目的是提供一种驾驶员手部相对静止状态下脱离方向盘检测方法。

本发明的目的是通过以下技术方案来实现的：

一种驾驶员手部相对静止状态下脱离方向盘检测方法，包括以下步骤：

步骤一：在车辆行驶过程中，利用传感器按固定频率采集驾驶员手部加速度和车辆加速度，并将传感器坐标系转换到世界坐标系下，记录每次驾驶员手部加速度和车辆加速度采集的时刻t，形成数据序列；

步骤二：对驾驶员手部加速度数据集dw和车辆加速度数据集dp进行滑动窗口处理，得到数据片段d＝{d1，d2，d3…dn}，dn的表达式如下式：

式中：dn为第n个数据片段，为该数据片段内第一个时刻驾驶员手部加速度和车辆加速度绝对值之差，为窗口中时间点为ti时的数据值，且的表达式如下：

式中：表示驾驶员手部加速度，表示车辆加速度；

然后计算滑动窗口内所有数据的平均值，得到各个数据片段dn中数据的平均值di，mean，其计算公式如下式所示：

式中：di，mean为第i个滑动窗口的数据平均值，表示该窗口中第i个数据，l表示一个滑动窗口的长度。

利用下式确定驾驶员的手在每个窗口内是否移动。当di，mean不大于阈值ε时，便将其视为驾驶员手部在该窗口内处于相对静止状态：

步骤三：对步骤二中驾驶员手部处于相对静止状态的窗口数据，根据车辆加速度和驾驶员手部加速度信息提取能区分驾驶员手握方向盘与驾驶员手离开方向盘的特征向量；

步骤四：构建确定最佳阈值ε的算法，具体过程如下：

将步骤三处理后的数据随机分为三部分：第一部分为训练数据集，第二部分为交叉验证集，第三部分为测试集；采用异常检测算法检测驾驶员收部是否离开方向盘，利用训练数据集估计异常检测算法的参数值，接着在交叉验证集上尝试用不同的阈值ε识别数据是否异常，根据测试结果选择最佳的阈值ε，最后在测试集上对检测模型进行测试，直到检测模型的检测准确率到达实际应用要求。

步骤五：利用训练完成的异常检测算法对实时采集到的数据进行检测，如果检测结果为驾驶员手部离开方向盘就对驾驶员进行预警提示。

进一步，所述传感器为智能手机和智能手表，所述驾驶员手部加速度为智能手表测得的加速度，所述车辆加速度为智能手机测得的加速度，所述智能手机固定于车厢内，采集车辆行驶过程中的手机加速度传感器数据陀螺仪传感器数据重力加速度线性加速度所述智能手表绑定在驾驶员手腕处，采集手表加速度传感器数据重力加速度线性加速度采用转换矩阵r将智能手机坐标系和智能手表坐标系转换到世界坐标系下，其中r为3x3的数值矩阵；所述数据序列的存储形式为(i＝1,2,3…),其中ti为采集时刻。进一步，所述步骤三的具体过程如下：

首先对驾驶员手部相对静止的智能手表窗口数据提取特征值，通过下式计算智能手表重力加速度三轴均值wgx,mean、wgy,mean、wgz,mean，，其中l为窗口长度。

通过下式计算智能手表所测得的车辆振动信号的垂直分量：

式中：表示智能手表所测得的重力加速度，表示智能手表所测得的线性加速度，av,watch表示智能手表所测得的车辆振动信号的垂直分量。然后通过下式计算智能手机所测得的车辆振动信号的垂直分量：

式中：表示智能手表所测得的重力加速度，表示智能手表所测得的线性加速度，av,phone表示智能手表所测得的车辆振动信号的垂直分量。然后计算上述振动信号垂直分量的方差var(av,watch)和var(av,phone)，以及两者之比最后得到特征向量

进一步，所述步骤四的异常检测算法为基于多元高斯基于多元高斯模型的异常检测算法，

步骤四的具体过程如下：

从步骤三处理后的数据中随机选取60％的手握方向盘的数据用于构建训练数据集，20％的手握方向盘数据和50％的手离开方向盘的数据构成交叉验证集，使用剩下的20％手握方向盘数据和50％的手离开方向盘数据构建测试集。首先，用下式在训练集上估计多元高

斯模型的参数：

式中：x⁽ⁱ⁾表示训练集中的一个样本，m为训练集样本数。当给定一个测试样本时，

通过下式计算其概率密度函数：

式中：x和μ为1×d的向量；。

接着在交叉验证集上尝试用不同的阈值ε识别数据是否异常，根据测试结果的f1值选择最佳的阈值ε，最后在测试集上对检测模型进行测试，直到检测模型的检测准确率到达实际应用要求。

由于采用了上述技术方案，本发明具有如下的有益效果：

本发明利用异常检测算法来判断驾驶员手部是否脱离方向盘，避免了目前通行的基于计算机视觉的检测系统方案受到光照等外界因素影响的问题，提高了检测准确率和稳定性，同时又不会对驾驶员造成心理干扰；采用智能手机和智能手表作为传感器，减少了设备成本，利于推广。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究，对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

本发明的附图说明如下。

图1是驾驶员手部相对静止状态下脱离方向盘检测方法流程示意图；

图2是智能手机标准放置姿态图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

实施例1

如图1-2所示，本实施例提供的一种驾驶员手部相对静止状态下脱离方向盘检测方法，包括以下步骤：

步骤一：在车辆行驶过程中，利用传感器按固定频率采集驾驶员手部加速度和车辆加速度，并将传感器坐标系转换到世界坐标系下，记录每次驾驶员手部加速度和车辆加速度采集的时刻t，形成数据序列；

步骤二：对驾驶员手部加速度数据集dw和车辆加速度数据集dp进行滑动窗口处理，得到数据片段d＝{d1，d2，d3…dn}，dn的表达式如下式：

式中：dn为第n个数据片段，为该数据片段内第一个时刻驾驶员手部加速度和车辆加速度绝对值之差，为窗口中时间点为ti时的数据值，且的表达式如下：

式中：表示驾驶员手部加速度，表示车辆加速度；

然后计算滑动窗口内所有数据的平均值，得到各个数据片段dn中数据的平均值di，mean，其计算公式如下式所示：

式中：di，mean为第i个滑动窗口的数据平均值，表示该窗口中第i个数据，l表示一个滑动窗口的长度。

利用下式确定驾驶员的手在每个窗口内是否移动。当di，mean不大于阈值ε时，便将其视为驾驶员手部在该窗口内处于相对静止状态：

步骤三：对步骤二中驾驶员手部处于相对静止状态的窗口数据，根据车辆加速度和驾驶员手部加速度信息提取能区分驾驶员手握方向盘与驾驶员手离开方向盘的特征向量；

步骤四：构建确定最佳阈值ε的算法，具体过程如下：

将步骤三处理后的数据随机分为三部分：第一部分为训练数据集，第二部分为交叉验证集，第三部分为测试集；采用异常检测算法检测驾驶员收部是否离开方向盘，利用训练数据集估计异常检测算法的参数值，接着在交叉验证集上尝试用不同的阈值ε识别数据是否异常，根据测试结果选择最佳的阈值ε，最后在测试集上对检测模型进行测试，直到检测模型的检测准确率到达实际应用要求。

步骤五：利用训练完成的异常检测算法对实时采集到的数据进行检测，如果检测结果为驾驶员手部离开方向盘就对驾驶员进行预警提示。

本实施例中，所述传感器为智能手机和智能手表，所述驾驶员手部加速度为智能手表测得的加速度，所述车辆加速度为智能手机测得的加速度，所述智能手机固定于车厢内，采集车辆行驶过程中的手机加速度传感器数据陀螺仪传感器数据重力加速度线性加速度所述智能手表绑定在驾驶员手腕处，采集手表加速度传感器数据重力加速度线性加速度采用转换矩阵r将智能手机坐标系和智能手表坐标系转换到世界坐标系下，其中r为3x3的数值矩阵；所述数据序列的存储形式为(i＝1,2,3…),其中ti为采集时刻。

本实施例中，所述步骤三的具体过程如下：

首先对驾驶员手部相对静止的智能手表窗口数据提取特征值，通过下式计算智能手表重力加速度三轴均值wgx,mean、wgy,mean、wgz,mean，，其中l为窗口长度。

通过下式计算智能手表所测得的车辆振动信号的垂直分量：

式中：表示智能手表所测得的重力加速度，表示智能手表所测得的线性加速度，av,watch表示智能手表所测得的车辆振动信号的垂直分量。然后通过下式计算智能手机所测得的车辆振动信号的垂直分量：

式中：表示智能手表所测得的重力加速度，表示智能手表所测得的线性加速度，av,phone表示智能手表所测得的车辆振动信号的垂直分量。然后计算上述振动信号垂直分量的方差var(dv,watch)和var(av,phone)，以及两者之比最后得到特征向量本实施例中，所述步骤四的异常检测算法为基于多元高斯基于多元高斯模型的异常检测算法，步骤四的具体过程如下：

从步骤三处理后的数据中随机选取60％的手握方向盘的数据用于构建训练数据集，20％的手握方向盘数据和50％的手离开方向盘的数据构成交叉验证集，使用剩下的20％手握方向盘数据和50％的手离开方向盘数据构建测试集。首先，用下式在训练集上估计多元高斯模型的参数：

式中：x⁽ⁱ⁾表示训练集中的一个样本，m为训练集样本数。当给定一个测试样本时，通过下式计算其概率密度函数：

式中：x和μ为1×d的向量；。

接着在交叉验证集上尝试用不同的阈值ε识别数据是否异常，根据测试结果的f1值选择最佳的阈值ε，最后在测试集上对检测模型进行测试，直到检测模型的检测准确率到达实际应用要求。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的保护范围当中。