一种综合人-车-路多源信息的行车异常检测系统及方法与流程

本发明属于车辆安全与驾驶预警分析技术领域，具体涉及一种综合人-车-路多源信息的行车异常检测系统及方法。

背景技术：

随着经济的发展，机动车的数量不断增加，交通事故也出现了相应增长，给人民的生命和财产安全带来了严重的威胁。采用各种车载传感器，结合车辆异常行为检测算法，可以在检测到行车异常时给出相应的驾驶警告，在一定程度上提高交通安全。

专利“一种融合心率和驾驶动作的疲劳驾驶预警手环及预警方法”(申请号为：201610279971.3)公开了一种融合心率和驾驶动作的疲劳驾驶预警手环，对手环检测到的心率信号和动作信号进行融合分析，从而实现疲劳驾驶的判断和预警。

专利“一种车辆异常驾驶事件的识别方法及系统”(申请号为：201710157939.2)公开了一种车辆异常驾驶事件的识别方法和系统，发明将采集到的行车数据进行分析与计算，以得到当前的驾驶场景和事件。

专利“一种眼电与脑电综合判定的疲劳驾驶脑电监测方法”(申请号：201610136838.2)公开了一种眼电与脑电综合判定的疲劳驾驶脑电监测方法，对驾驶员的疲劳驾驶状态进行准确监测。

然而，上述车辆行驶监测技术和方法并未综合考虑人、车、路的多维度信息的采集、融合。车辆在行驶过程中，实际上受到来自于道路条件、车辆运行状态、驾驶员生理条件等多源因素的影响，那么对行车异常的监测和预警也应综合人-车-路多源信息。

技术实现要素：

为了解决上述问题，本发明提供了一种综合人-车-路多源信息的行车异常检测系统及方法，能够全方位采集行车环境、驾驶员状态与车辆行驶状况的信息，对检测到的人、车、路多维信息进行融合分析，判断出异常车辆行为并给出提示或警告。

为达到上述目的，本发明所述一种综合人-车-路多源信息的行车异常检测系统包括驾驶员信息采集模块、车辆信息采集模块、道路行车条件采集模块和嵌入式compactrio平台和报警模块，驾驶员信息采集模块、车辆信息采集模块、道路行车条件采集模块用于分别用于采集驾驶员信息、车辆信息和道路行车条件，并将采集到的信息传递至嵌入式compactrio平台，嵌入式compactrio平台用于接收车辆信息采集模块、道路行车条件采集模块和驾驶员信息采集模块传递的采集到的信号，并根据收集到的信息判断当前行车处于正常还是异常状态。

进一步的，还包括led灯和/或蜂鸣器，嵌入式compactrio平台的输出端与led灯和/或蜂鸣器连接。

进一步的，驾驶员信息采集模块包括心率监测传感器、脑波检测模块和肌电信号采集系统，心率监测传感器、脑波检测模块和肌电信号采集系统的输出端均通过信号线与嵌入式compactrio平台的输入端连接；车辆信息采集模块包括gps模块、obd模块和加速度传感器，gps模块、obd数据采集模块和加速度传感器的输出端均通过信号线与嵌入式compactrio平台的输入端连接；道路行车条件采集模块包括三轴数字陀螺仪、可见光传感器和动态摩擦系数测试仪，三轴数字陀螺仪、可见光传感器和动态摩擦系数测试仪的输出端均通过信号线与嵌入式compactrio平台的输入端连接。

进一步的，心率监测传感器用于采集心率值，脑波检测模块用于采集驾驶员的脑波频率，肌电信号采集系统用于进行肌电信号的采集；gps模块用于获取车辆位置信息，obd模块用于采集车辆当前行驶速度，加速度传感器用于采集车辆加速度；三轴数字陀螺仪用于采集车辆的角速度，可见光传感器用于采集行车道路的光照条件，输出为光强值，动态摩擦系数测试仪用于采集路面摩擦系数。

进一步的，三轴数字陀螺仪设置在车辆的质心位置。

进一步的，可见光传感器设置在车身外侧前方。

一种行车异常检测方法，其特征在于，包括以下步骤：

步骤1、将采集或计算得到的若干个多源数据xj进行聚类分析，将若干个多源数据xj分为一个为正常簇和一个异常簇，并确定正常簇和异常簇的质心，其中，多源数据xj包括某一时刻驾驶员心率波动值hvj(t)，脑波类型编号brj(t)，驾驶员的肌电电压信号elj(t)，车辆速度波动率vfj(t)，车辆加速度波动值acj(t)，行车环境光强值ij(t),车辆俯仰角θj(t)和道路摩擦系数μj(t)；

步骤2、采集驾驶员生理数据、车辆行驶状态信息和道路条件信息，

采集驾驶员心率值、脑波频率和肌电电压信号，采集车辆当前行驶速度、车辆位置信息和采集车辆加速度，采集车辆角速度值、行车道路的光强值以及当前路面的摩擦系数，然后将上述采集到的信号或信息传递至嵌入式compactrio平台；

步骤3、数据预处理，

计算出心率波动值hv(t)，心率的变化波动率hv(t)计算公式为：hv(t)＝[hr(t)-hr(t-δt)]/hr(t-δt)×100％，式中，hr(t)为t时刻所测得的驾驶员心率值，δt为采样间隔时间，hr(t-δt)为上一采样时刻的心率值；

对α波、β波、θ波、δ波进行编号，将采集到的脑波频率与α波、β波、θ波、δ波的频率进行对比，判断当前驾驶员的健康指标和情绪状况，将与脑波频率对应的波的编号作为输出；

计算车辆速度波动率vf(t)：vf(t)＝ln(v(t)/v(t-δt))，式中，v(t)为步骤2测得的当前车速值，v(t-δt)为上一采样时刻的值；

计算车辆加速度的波动率ac(t)：ac(t)＝ln(a(t)/a(t-δt))，式中，a(t)为步骤2测得的当前车辆加速度值，a(t-δt)为上一采样时刻的加速度值；

计算出车辆的俯仰角度，俯仰角度的计算公式为：

式中，θ(t)为t时刻的俯仰角，ω(t)为t时刻的车辆角速度，t为系统采样周期；

步骤4、行车异常检测，

依据步骤1中的聚类结果，将待测点与簇进行对比检测，计算待测点的多源数据pi(hvi(t),bri(t),eli(t),vfi(t),aci(t),ii(t),θi(t),μi(t))，与正常簇和异常簇之间的欧式距离dis(pi,ci)，其中ci为步骤1已划分完成的簇集，c0表示正常簇，c1表示异常簇，欧式距离计算公式与步骤1中相同，将pi划分至距离最近的簇集中，然后运行此异常检测算法找出pi点所属簇集，并将数据点标记为正常点或异常点，并将异常点所对应的车辆的经纬度存储于嵌入式compactrio平台中；

步骤5、车辆异常警告：

为了排除测量噪声所产生的误报，当某一时间段内连续的行车异常点的个数超过设定的阈值β后，则通过车内led警告灯和蜂鸣器发出提醒或警告，并返回步骤2。

进一步的，步骤1包括：

步骤1.1、随机创建k个点作为初始的质心，这里取k＝2，即将所有采集到的数据分成两组；

步骤1.2、为每一个数据点找距离其最近的质心，并将其分配给该质心所对应的簇，其中，距离采用欧氏距离作为度量，xj代表样本点x向量集上第j个纬度上的值，y为簇的质心，yj代表质点y向量集上第j个维度上的值；

步骤1.3、将每个簇的质心更新为该簇中所有点的平均值，若新计算出的质心与之前质心间的欧式距离小于域值α时，则完成计算，否则返回步骤1.2。

与现有技术相比，本发明至少具有以下有益的技术效果，综合考虑了驾驶员生理特征参数、车辆运行状态信息、车辆行驶的道路环境三方面的信息，克服了先前行车异常检测方法中数据分析维度较少、没有全面考虑人-车-路构成的整体交通系统的缺点，使本行车异常检测方法更符合实际的驾驶情况需求，能够全面准确地分析行车异常情况。同时，通过对所采集的多源信息数据点进行融合分析，充分发挥多源数据相对于单一数据在异常检测中的优势，从而给出更为合理准确的车辆异常行为警告，一旦检测到车辆异常行驶情况，报警蜂鸣器和灯光会对驾驶员做出提醒，避免不安全驾驶行为和交通事故的发生。本发明方法能够为驾驶预警、车辆安全控制系统的设计提供相应策略，从而提高交通安全。

附图说明

图1为本发明的数据采集和异常报警系统示意图；

图2为行车异常检测方法总体工作流程框图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

参照图1，一种综合人-车-路多源信息的行车异常检测系统包括驾驶员信息采集模块、车辆信息采集模块、道路行车条件采集模块、嵌入式compactrio平台和报警模块，驾驶员信息采集模块、车辆信息采集模块、道路行车条件采集模块用于分别用于采集驾驶员信息、车辆信息和道路行车条件，并将采集到的信息传递至嵌入式compactrio平台。

其中，驾驶员信息采集模块包括心率监测传感器、脑波检测模块和肌电信号采集系统，心率监测传感器、脑波检测模块和肌电信号采集系统的输出端均通过信号线与嵌入式compactrio平台的输入端连接；

车辆信息采集模块包括gps模块、obd模块和加速度传感器，gps模块、obd数据采集模块和加速度传感器的输出端均通过信号线与嵌入式compactrio平台的输入端连接；

道路行车条件采集模块包括三轴数字陀螺仪、可见光传感器和动态摩擦系数测试仪，三轴数字陀螺仪、可见光传感器和动态摩擦系数测试仪的输出端均通过信号线与嵌入式compactrio平台的输入端连接。

嵌入式compactrio平台的输出端与led灯和/或蜂鸣器连接，嵌入式compactrio平台用于接收车辆信息采集模块、道路行车条件采集模块和驾驶员信息采集模块传递的采集到的信号，并进行分析，根据收集到的信息判断当前行车处于正常还是异常状态。

心率监测传感器用于采集心率值，并将采集到的心率值传递至嵌入式compactrio平台，心率监测传感器为maxim公司推出的专为可穿戴设备设计开发的心率监测传感器max30102采集模块；脑波检测模块用于采集驾驶员的脑波频率，并将采集到的脑波频率传递至嵌入式compactrio平台，选用tgam脑波检测模块；肌电信号采集系统用于进行肌电信号的采集，并将采集到的脑波频率传递至嵌入式compactrio平台，选用zje-ii肌电信号采集系统zje-ii肌电信号采集系统集成放大、滤波、隔离、工频陷波等信号调理电路，可直接用于肌电信号检测系统。

gps模块用于获取车辆位置信息，选用skg09blgps模块，obd模块用于采集车辆当前行驶速度，利用est527模块通过obd(on-boarddiagnostic，车载诊断系统)接口，加速度传感器用于采集车辆加速度，选用mma7361加速度传感器。

三轴数字陀螺仪(型号为qfn24)用于采集车辆的角速度，装在车辆的质心位置，其输出的角速度值可在一定程度上反映出车辆处于上坡、下坡还是平坦道路上；可见光传感器用于采集行车道路的光照条件，输出为光强值，选用pt5e550bc可见光传感器，设置在车身外侧前方位置；用动态摩擦系数测试仪(dft)用于采集路面摩擦系数。

参照图2，一种综合人-车-路多源信息的行车异常检测方法包括以下步骤：

步骤1、将历史数据或实验数据构成的多维数据进行聚类分析。

将采集或计算得到的10万-150万个多源数据xi进行聚类分析，多源数据xj包括某一时刻驾驶员心率波动值hvj(t)，脑波类型编号brj(t)，驾驶员的肌电电压信号elj(t)，车辆速度波动率vfj(t)，车辆加速度波动值acj(t)，行车环境光强值ij(t),车辆俯仰角θj(t)和道路摩擦系数μj(t)，将上述数据分组，具体步骤如下：

步骤1.1、随机创建k个点作为初始的质心，这里取k＝2，即将所有采集到的数据分成两组，一组为正常簇，一组为异常簇。

步骤1.2、为每一个数据点找距离其最近的质心，并将其分配给该质心所对应的簇。其中，距离采用欧氏距离作为度量。xj代表样本点x向量集上第j个纬度上的值。y为簇的质心，yj代表质点y向量集上第j个维度上的值。

步骤1.3、将每个簇的质心更新为该簇中所有点的平均值，若新计算出的质心与之前质心间的欧式距离小于域值α(此处设置为1)时，则完成计算，否则返回步骤1.2。

步骤2、采集驾驶员生理数据、车辆行驶状态信息和道路条件信息

1)驾驶员生理数据采集：

用心率监测传感器采集驾驶员心率值，并将采集到的心率值传递至嵌入式compactrio平台；用脑波检测模块采集驾驶员的脑波频率，并将采集到的脑波频率传递至嵌入式compactrio平台；用zje-ii肌电信号采集系统进行肌电电压信号的采集，并将采集到的脑波频率传递至嵌入式compactrio平台；

2)车辆行驶状态信息采集

用est527模块通过obd(on-boarddiagnostic，车载诊断系统)接口采集前车速值；由gps模块采集车辆位置信息(经度和纬度)，用加速度传感器采集车辆加速度；

步骤3)道路条件信息采集

利用三轴数字陀螺仪qfn24采集车辆角速度值，用pt5e550bc可见光传感器测得行车道路的光照条件，输出光强值。用动态摩擦系数测试仪(dft)获取路面摩擦系数，将所得车辆角速度值、光强值、摩擦系数输入至嵌入式compactrio平台。

步骤3、数据预处理

1)驾驶员生理数据预处理

通过嵌入式compactrio平台，根据步骤2中获取的心率值，计算出心率波动值hv(t)，心率的变化波动率hv(t)计算公式为：hv(t)＝[hr(t)-hr(t-δt)]/hr(t-δt)×100％，式中，hr(t)为t时刻所测得的驾驶员心率值，δt为采样间隔时间，hr(t-δt)为上一采样时刻的心率值；

通过嵌入式compactrio平台将采集到的脑波频率与α波、β波、θ波、δ波分别进行脑波的频率进行对比，判断当前驾驶员的健康指标和情绪状况。其中，α波为被测试者学习与思考的最佳脑波状态(频率为8hz-13hz)，β波为紧张、压力、脑疲劳时的脑波状态(频率在14hz以上)，θ波为深度放松、无压力的潜意识状态(4hz-8hz)，δ波为深度睡眠脑波状态(频率为0.5hz-3hz)。这里对应不同的波形选取对应的数字编号，这里α波、β波、θ波和δ波分别对应编号1、2、3和4。

2)车辆行驶状态信息预处理：

计算车辆速度波动率vf(t)：vf(t)＝ln(v(t)/v(t-δt))，式中，v(t)为步骤2测得的当前车速值，v(t-δt)为上一采样时刻的值。

计算车辆加速度的波动率ac(t)：ac(t)＝ln(a(t)/a(t-δt))，式中，a(t)为步骤2测得的当前车辆加速度值，a(t-δt)为上一采样时刻的加速度值。

步骤3)道路条件信息预处理：

利用嵌入式compactrio平台采用runge-kutta积分累加计算出车辆的俯仰角度，俯仰角度的计算公式为：式中，θ(t)为t时刻的俯仰角，ω(t)为t时刻的车辆角速度，t为系统采样周期。

步骤4、行车异常检测

依据步骤1中的聚类结果，将待测点与簇进行对比检测。因为在实际交通环境中所采集的大多数行驶数据是正常驾驶行为，所以将数据集合中数据量少的簇归为异常簇。如：某车辆的一实时多源数据pi(hvi(t),bri(t),eli(t),vfi(t),aci(t),ii(t),θi(t),μi(t))，hvi(t)为步骤2中输出的驾驶员心率波动值，bri(t)为步骤3中的脑波类型编号，eli(t)为步骤1中输出的肌电电压信号，vfi(t)为步骤3中输出的车辆速度波动率，aci(t)为步骤3中输出的车辆加速度波动值，ii(t)为步骤2中输出的行车环境光强值,θi(t)为步骤3中输出的车辆俯仰角，μi(t)为步骤2中输出的道路摩擦系数的值。计算待测点pi与正常簇和异常簇之间的欧式距离dis(pi,ci)，其中ci为步骤1已划分完成的簇集，c0表示正常簇，c1表示异常簇，欧式距离计算公式与步骤1中相同，将pi划分至距离最近的簇集中。在ni嵌入式compactrio平台上，运行此异常检测算法找出pi点所属簇集，并将数据点标记为正常点或异常点。并将异常点所对应的车辆位置(经纬度)信息存储于嵌入式compactrio平台中，以便于其它设备获取或传输。

步骤5、车辆异常警告：

为了排除测量噪声所产生的误报，当某一时间段内连续的行车异常点的个数超过设定的阈值β(此处设置为5)后，则通过车内led警告灯和蜂鸣器发出提醒或警告，并返回步骤2。