一种基于智能设备的驾驶员危险驾驶行为识别方法及系统与流程

本发明涉及交通安全技术领域，特别涉及一种基于智能设备的驾驶员危险驾驶行为识别方法及系统。

背景技术：

随着我国城市汽车数量的不断增长，频发的交通事故引发了全社会对交通安全的高度关注与重视。根据国内外对于交通事故的统计分析指出，引发交通事故的主要原因来自于驾驶者本人，而由车辆自身或者周围环境造成的比例较小。但是对于在路的驾驶员来说，具有危险驾驶行为的驾驶人员很少能够意识到自己的危险驾驶行为，例如急打方向盘、频繁揉眼睛和使用手机等，存在较大的交通安全隐患。同时，研究表明当驾驶者处于监督状态时其驾驶行为往往更具安全性。因此，很有必要对驾驶员的驾驶行为进行实时检测并在出现危险驾驶行为时对其进行实时预警提醒。

现有研究中比较成熟的驾驶员危险驾驶行为识别方法主要是通过视频图像处理的非接触式识别，但是这种方法通常容易受到外界光照等因素的影响，而且识别算法非常复杂。而其他一些驾驶员危险驾驶行为识别方法则需要在车内和驾驶员身上安装一些传感器设备，这样会对驾驶员的正常驾驶产生一定的干扰，而且安装额外的传感器设备也会增加成本，其工程实用性受到了很大的限制。所以需要寻求一种不影响驾驶员正常驾驶、不易受到外界干扰、成本低、使用方便且识别准确的驾驶员危险驾驶行为识别方法。

技术实现要素：

本发明的目的之一是提出一种基于智能设备的驾驶员危险驾驶行为识别方法，主要针对包括急打方向盘、频繁揉眼睛和使用手机在内的危险驾驶行为，利用智能设备内部的加速度传感器、重力传感器和陀螺仪传感器数据实现对驾驶员危险驾驶行为的识别，以提高识别的实用性和准确性。本发明的目的之二是提供一种基于智能设备的驾驶员危险驾驶行为识别系统。

本发明的目的之一是通过以下技术方案实现的：

该种基于智能设备的驾驶员危险驾驶行为识别方法，所述方法包括以下步骤：

步骤s1：通过设置在驾驶员手腕上的智能设备采集驾驶员驾驶行为模拟数据，所述数据包括但不限于加速度传感器数据(ax,ay,az)、重力传感器数据(gx,gy,gz)、陀螺仪传感器数据(rx,ry,rz)以及数据采集时刻的时间t，其中下标x、y、z分别表示各传感器的x、y、z轴；

步骤s2：：根据采集到的各传感器数据提取驾驶员危险驾驶行为特征指标，包括但不限于加速度均值(x/y/z轴)、加速度极大值(x/y/z轴)、急加速频数(x/y/z轴)、较小加速频数(x/y/z轴)、重力加速度均值(x/y/z轴)、角速度均值(x/y/z轴)、角速度极大值(x/y/z轴)；

步骤s3：优化步骤s2提取的驾驶员危险驾驶行为特征指标，建立基于支持向量机的驾驶员危险驾驶行为识别模型；

步骤s4：利用步骤s3得到的驾驶员危险驾驶行为识别模型对实时采集到的驾驶行为数据进行识别，当识别出具有危险驾驶行为时对驾驶员进行预警提示。

特别地，所述步骤s1中，按照50hz的频率分别采集驾驶员驾驶过程中的数据。

特别地，所述步骤s1中，每次采集将形成一个数据序列，该数据序列中每一行数据形式为{ax、ay、az,gx、gy、gz,rx、ry、rz,ti}(i＝1,2,3…)，其中ti为采样时刻，将数据序列存储到一个数据文件中。

特别地，所述步骤s2包括以下子步骤：

步骤s21：将步骤1中的数据序列按照设定的时间周期为一个数据单元依次划分成多个数据单元；

步骤s22：分别从步骤s21中的数据单元提取各特征指标值；

步骤s23：将步骤s22得到的特征值数据进行归一化处理，统一各个特征指标的量纲。

特别地，所述步骤s3包括以下子步骤：

步骤s31：从步骤s2中归一化后的特征值中随机选择总样本中90％的样本作为训练集，其余的样本则作为测试集；

步骤s32：建立驾驶员危险驾驶行为特征指标的准则函数：

maxj(p)＝np/np,s.t.,p∈q；

其中，q表示危险驾驶行为识别指标全集，p是q的非空子集，j(p)是特征指标的优化目标函数，即使得危险驾驶行为的识别准确率最大，np表示测试的样本数，np表示测试样本中危险驾驶行为识别准确的样本数；

步骤s33：利用sffs特征选择算法从危险驾驶行为指标全集q中搜索出非空子集p，将非空子集p作为输入，并利用训练集数据基于svm建立驾驶员危险驾驶行为识别模型，再利用测试集数据测试识别模型的分类性能，得到准则函数j(p)的值，其中使得j(p)的值最大的非空子集p就是准则函数的最优解，可以使得建立的基于svm的危险驾驶行为识别模型的识别准确率最高；

步骤s34:将步骤s33得到的最优特征指标子集作为识别模型的输入，建立基于svm的驾驶员危险驾驶行为识别模型。其中svm的核函数选用径向基核函数，惩罚因子c和核参数σ选用网格搜索法(gridsearch)搜寻最优变量组合(c,σ)，保证危险驾驶行为识别模型的识别准确率和泛化能力最好，即：

s.t.,c＝2^-5,2^-4,…,2¹⁵

σ²＝2^-10,2^-9,…,2¹⁵；

其中，j(p)表示驾驶员危险驾驶行为识别模型的识别准确率，c是惩罚因子，σ是核参数，np表示测试的样本数，np表示测试样本中危险驾驶行为识别准确的样本数。

特别地，所述步骤s4中，所述危险驾驶行为包括但不限于急打方向盘、频繁揉眼睛和使用手机三种危险驾驶行为。

本发明的目的之二是通过以下技术方案实现的：

该种基于智能设备的驾驶员危险驾驶行为识别系统，包括智能设备、数据处理单元、驾驶行为检测单元和预警提示单元；

所述智能设备用于采集驾驶员手部运动过程中的加速度传感器、重力传感器和陀螺仪传感器数据并发送到数据处理单元，在识别过程中需要将智能设备佩戴在驾驶员手上；

所述数据处理单元用于接收智能设备的加速度传感器、重力传感器和陀螺仪传感器数据，提取各危险驾驶行为特征指标并将特征提取结果发送到驾驶行为检测单元；

所述驾驶行为检测单元是已经建立的基于svm的驾驶员危险驾驶行为识别模型，将提取的各特征指标输入识别模型得到驾驶行为识别结果，如果当前驾驶行为判定为危险驾驶行为，则控制预警提示单元对驾驶员发出相应的预警提示信息。

本发明的有益效果是：

1、本发明提出的基于智能设备的驾驶员驾驶行为识别方法，仅利用智能设备就能实现对驾驶员危险驾驶行为的实时识别，不再需要额外购买昂贵的设备，有效降低了驾驶员危险驾驶行为检测成本。

2、本发明的识别方法避开了使用容易受到外界干扰的视频图像处理的危险驾驶行为识别方法，并且不会对驾驶员正常驾驶产生干扰，可以有效提升驾驶员危险驾驶行为识别的实用性。

3、本发明的识别方法使用了智能设备的加速度传感器、重力传感器和陀螺仪传感器数据，并从中提取了多个危险驾驶行为特征指标，提高了驾驶员危险驾驶行为识别的准确率。

4、本发明的识别方法能够对驾驶员的危险驾驶行为进行实时识别，当驾驶员产生危险驾驶行为时进行预警提示，能够有效地避免发生因危险驾驶行为所导致的交通事故。

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和权利要求书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

图1为本发明实施例中的方法流程框图；

图2为佩戴智能手表时的智能手表坐标系示意图；

图3为危险驾驶行为特征指标优化sffs算法流程图。

图4为本实施例提供的基于智能手表的驾驶员危险驾驶行为识别系统原理框图。

具体实施方式

以下将参照附图，对本发明的优选实施例进行详细的描述。

本发明提出的一种基于智能设备的驾驶员危险驾驶行为识别方法及系统，包括：通过智能设备获取驾驶的运动状态数据，所述的智能设备含有加速度传感器、重力传感器和陀螺仪传感器；在时域上提取正常驾驶和危险驾驶行为的数据特征；使用这些数据特征值训练得到驾驶员危险驾驶行为的识别模型并对驾驶员驾驶行为进行实时判断。下面结合驾驶员危险驾驶行为识别流程框图及具体实施例进行详细的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本实施例提供的基于智能设备的驾驶员危险驾驶行为识别方法，包括以下步骤：

步骤s1：采集驾驶员驾驶行为模拟数据；

本发明主要针对急速运用手部或单手或双手脱离方向盘的危险驾驶行为的预警提示，包括但不限于急打方向盘、频繁揉眼睛和手持使用手机。首先需要将智能设备佩戴在驾驶员手腕上，如图2所示，本实施例中，按照50hz的频率分别采集驾驶员驾驶过程中的手表加速度传感器数据(ax,ay,az)、重力传感器数据(gx,gy,gz)、陀螺仪传感器数据(rx,ry,rz)以及数据采集时刻的时间t，其中下标x、y、z分别表示各传感器的x、y、z轴。每次采集将形成一个数据序列，该数据序列中每一行数据形式为{ax、ay、az,gx、gy、gz,rx、ry、rz,ti}(i＝1,2,3…)，其中ti为采样时刻，将数据序列存储到一个数据文件中；

步骤s2：根据采集到的各传感器数据提取驾驶员危险驾驶行为特征指标，包括：加速度均值(x/y/z轴)、加速度极大值(x/y/z轴)、急加速频数(x/y/z轴)、较小加速频数(x/y/z轴)、重力加速度均值(x/y/z轴)、角速度均值(x/y/z轴)、角速度极大值(x/y/z轴)，本实施例中，包括以下具体步骤：

步骤s21:将步骤1中的数据序列按照每15s为一个数据单元依次划分成多个数据单元；

步骤s22:分别从步骤(2-1)中的数据单元提取特征指标值，特征值分别为：加速度均值(k表示x、y或z，n表示第j个数据单元中ak的个数)，加速度极大值amk(j)＝max{ak(i),i＝1,2…n}(k表示x、y或z，n表示第j个数据单元中ak的个数)，急加速频数slk(j)为第j个数据单元中ak大于4m/s²的个数(k表示x、y或z)，较小加数频数ssk(j)为第j个数据单元中ak在2m/s²与4m/s²之间的个数(k表示x、y或z)，重力加速度均值(k表示x、y或z，n表示第j个数据单元中gk的个数)，角速度均值(k表示x、y或z，n表示第j个数据单元中rk的个数)，角速度极大值rmk(j)＝max{rk(i),i＝1,2…n}(k表示x、y或z，n表示第j个数据单元中rk的个数)；

步骤s23:将步骤s22得到的特征值数据进行归一化处理，统一各个特征指标的量纲，避免出现较大的特征指标值掩盖掉较小的特征指标值的变化。

步骤s3：优化步骤s2提取的驾驶员危险驾驶行为特征指标，建立基于支持向量机(svm)的驾驶员危险驾驶行为识别模型，本实施例中，包括以下具体步骤：

步骤s31:从步骤2中归一化后的特征值中随机选择总样本中90％的样本作为训练集，其余的样本则作为测试集；

步骤s32:建立驾驶员危险驾驶行为特征指标的准则函数：maxj(p)＝np/np,s.t.,p∈q，其中，q表示危险驾驶行为识别指标全集，p是q的非空子集，j(p)是特征指标的优化目标函数，即使得危险驾驶行为的识别准确率最大，np表示测试的样本数，np表示测试样本中危险驾驶行为识别准确的样本数；

步骤s33:利用sffs特征选择算法从危险驾驶行为指标全集q中搜索出非空子集p，如图3所示，将非空子集p作为输入，并利用训练集数据基于svm建立驾驶员危险驾驶行为识别模型，再利用测试集数据测试识别模型的分类性能，得到准则函数j(p)的值，其中使得j(p)的值最大的非空子集p就是准则函数的最优解，可以使得建立的基于svm的危险驾驶行为识别模型的识别准确率最高；

步骤s34:将步骤s33得到的最优特征指标子集作为识别模型的输入，建立基于svm的驾驶员危险驾驶行为识别模型。其中svm的核函数选用径向基核函数，惩罚因子c和核参数σ选用网格搜索法(gridsearch)搜寻最优变量组合(c,σ)，保证危险驾驶行为识别模型的识别准确率和泛化能力最好，即：

s.t.,c＝2^-5,2^-4,…,2¹⁵

σ²＝2^-10,2^-9,…,2¹⁵

其中，j(p)表示驾驶员危险驾驶行为识别模型的识别准确率，c是惩罚因子，σ是核参数，np表示测试的样本数，np表示测试样本中危险驾驶行为识别准确的样本数。

步骤s4：利用步骤s3得到的驾驶员危险驾驶行为识别模型对实时采集到的驾驶行为数据进行识别，当识别出具有危险驾驶行为时对驾驶员进行预警提示。

如图4所示，本实施例还提供了基于智能设备的驾驶员危险驾驶行为识别系统，包括智能设备、数据处理单元、驾驶行为检测单元和预警提示单元；

所述智能设备用于采集驾驶员手部运动过程中的加速度传感器、重力传感器和陀螺仪传感器数据并发送到数据处理单元，在识别过程中需要将智能设备佩戴在驾驶员手上；所述数据处理单元用于提取各危险驾驶行为特征指标并将特征提取结果发送到驾驶行为检测单元；所述驾驶行为检测单元是已经建立的基于svm的驾驶员危险驾驶行为识别模型，将提取的各特征指标输入识别模型得到驾驶行为识别结果，如果当前驾驶行为是急打方向盘、频繁揉眼睛和使用手机三种危险驾驶行为之一则控制预警提示单元对驾驶员发出相应的预警提示信息。

其中数据处理单元和驾驶行为检测单元均为安装在智能设备里的程序软件，数据处理单元能够接收智能设备的加速度传感器、重力传感器和陀螺仪传感器数据。

应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。

此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。

进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、ram、rom等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的动态配置基于城市公共交通出行数据的社交推荐技术时，本发明还包括计算机本身。

计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。

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权利要求范围当中。