一种基于人车和环境的驾驶行为分析方法及系统与流程

1.本发明涉及车联网技术领域，具体为一种基于人车和环境的驾驶行为分析方法及系统。


背景技术：

2.目前市面上大部分的驾驶行为都是基于采集车辆相关数据，例如急加速、急减速、急转弯、急变道，超速，疲劳驾驶数据来对司机的驾驶行为进行分析。但是每个人在驾驶过程中环境因素、身体状态、个人习惯总是不尽相同。
3.这种基于车辆数据的分析无法客观的反应驾驶员状态，环境因素对驾驶安全带来的影响，例如开车打电话，抽烟，打瞌睡，恶劣天气，行驶的道路类型，是否是之前行驶过的熟路。


技术实现要素：

4.(一)解决的技术问题
5.针对现有技术的不足，本发明提供了一种基于人车和环境的驾驶行为分析方法及系统，解决了车辆数据分析无法客观反映驾驶员状态和环境因素对驾驶安全带来的影响的问题。
6.(二)技术方案
7.为实现以上目的，本发明通过以下技术方案予以实现：一种基于人车和环境的驾驶行为分析系统，包括车载单元、远程服务器和客户端，所述车载单元包括有adas智能车载终端、前向摄像头、人脸摄像头、车运行信息采集模块、车内声音预警、4g通信模块和gps模块，所述adas智能车载终端连接有前向摄像头、人脸摄像头、车运行信息采集模块、车内声音预警、gps模块和4g通信模块；
8.所述远程服务器包括有风险评估模块、云平台和在线传输模块，所述风险评估模块连接有云平台，所述云平台连接有在线传输模块；
9.所述客户端包括有移动端、pc端和服务监控平台；
10.所述adas智能车载终端能够获取车辆运行中的原始数据，数据类型如下：超速驾驶、车距过近、碰撞报警、疲劳驾驶、抽烟、打电话、天气、路况信息、驾驶路线、道路级、开车时间，所述adas智能车载终端能够通过前向摄像头和人脸摄像头采集的信息及时通过车内声音预警提醒司机谨慎驾车；
11.所述前向摄像头用于检测车辆前方车辆、行人和车道；
12.所述人脸摄像头用于检测司机异常的面部状态、闭眼、打哈欠、姿态异常、抽烟、打电话、主驾驶有无司机；
13.所述车运行信息采集模块用于通过车辆can总线提取车辆运行中车辆的运行状态参数信息；
14.所述车内声音预警用于提醒司机车辆运行状态和提醒司机驾车状态；
15.所述gps模块用于提供车辆的位置信息，所述4g通信模块用于将adas 智能车载终端收集到的原始数据传输至远程服务器的风险评估模块中；
16.所述风险评估模块通过spark演算法建模将从adas智能车载终端收集到的信息进行大数据建模分析；
17.所述云平台用于将数据进行储存、传输和计算；云平台系统能够获得天气、路况信息、驾驶路线、道路级、开车时间信息，
18.所述在线传输模块能够将收集的分析后的大数据信息通过客户端发送给移动端、pc端和服务监控平台。
19.优选的，所述4g通信模块通过卫星信号连接有风险评估模块。
20.优选的，所述在线传输模块通过http通信协议连接有客户端。
21.优选的，一种基于人车和环境的驾驶行为分析方法，包括以下步骤：
22.s1.通过adas智能车载终端采集车辆运行的所有数据，其中，adas智能车载终端通过前向摄像头采集车辆前方车辆、行人和车道，adas智能车载终端通过人脸摄像头采集司机异常的面部状态、闭眼、打哈欠、姿态异常、抽烟、打电话、主驾驶有无司机，adas智能车载终端通过车运行信息采集模块提取车辆运行中车辆的运行状态参数信息，adas智能车载终端通过gps模块确定车辆的位置信息；
23.adas智能车载终端内部含有智能芯片，通过对采集的所有原始数据进行初步分析，如果车辆行驶中遇到问题，adas智能车载终端会通过车内声音预警对司机进行提醒；
24.s2.adas智能车载终端将数据通过4g通信模块传输给风险评估模块；
25.s3.风险评估模块将收集到的数据使用算法进行建模分析获得车辆运行状况，当所有的原始数据传输给风险评估模块之后，风险评估模块中包含的 spark演算法建模能够将原始数据进行建模评估，评估之后能够得到车辆运行中的运行状况，其中车辆运行状况包括有驾驶员驾驶状态和车辆驾驶状态；
26.s4.风险评估模块将车辆运行状况信息发送给云平台，s3中的驾驶员状态和车辆驾驶状态能够被传输给云平台；
27.s5.云平台将车辆信息发送给客户端，云平台将驾驶员状态和车辆驾驶状态信息传输给移动端、pc端和服务监控平台，移动端可以是驾驶员自己的移动客户端，及时了解驾驶状态和车辆状态,pc端是驾驶员或者平台可以便捷了解的状态，服务监控平台通过结果对驾驶员和车辆进行监控和管理。
28.(三)有益效果
29.本发明提供了一种基于人车和环境的驾驶行为分析方法及系统。具备以下有益效果：
30.本发明主要是采用了更多的因子来加入计算规则，通过本发明技术方案解决了普通驾驶行为分析系统无法从驾驶员状态、环境因素对驾驶安全做出正确预测的技术难题，制定了一套基于人、车、环境的驾驶行为分析算法，对于驾驶员的状态或姿态，我们通过采用安装在车辆上面向司机的摄像头进行智能视频分析来对司机的一些驾驶习惯进行提醒，例如开车打电话、抽烟、打瞌睡；通过面向道路的摄像头进行视频分析，对车距太近、碰撞报警做出提示，另外结合天气，道路类型和生熟路因素来对司机的驾驶行为进行全面的分析，从而达到更准确的目的。
附图说明
31.图1为本发明的分析方法流程图；
32.图2为本发明的分析系统框图；
33.图3为本发明的驾驶行为信息传输示意图；
34.图4为本发明的算法建模示意图；
35.图5为本发明的算法模型训练评估示意图；
36.图6为本发明的影响事故的驾驶因子直线拟合示意图；
37.图7为本发明的检验计算过程示意图。
具体实施方式
38.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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。
39.实施例一：
40.如图1-6所示，本发明实施例提供一种基于人车和环境的驾驶行为分析系统，包括车载单元、远程服务器和客户端，车载单元包括有adas智能车载终端、前向摄像头、人脸摄像头、车运行信息采集模块、车内声音预警、4g 通信模块和gps模块，adas智能车载终端连接有前向摄像头、人脸摄像头、车运行信息采集模块、车内声音预警、gps模块和4g通信模块，远程服务器包括有风险评估模块、云平台和在线传输模块，风险评估模块连接有云平台，云平台连接有在线传输模块，客户端包括有移动端、pc端和服务监控平台， adas智能车载终端能够获取车辆运行中的原始数据，数据类型如下：超速驾驶、车距过近、碰撞报警、疲劳驾驶、抽烟、打电话、天气、路况信息、驾驶路线、道路级、开车时间，adas智能车载终端能够通过前向摄像头和人脸摄像头采集的信息及时通过车内声音预警提醒司机谨慎驾车，前向摄像头用于检测车辆前方车辆、行人和车道，人脸摄像头用于检测司机异常的面部状态、闭眼、打哈欠、姿态异常、抽烟、打电话、主驾驶有无司机，车运行信息采集模块用于通过车辆can总线提取车辆运行中车辆的运行状态参数信息，车内声音预警用于提醒司机车辆运行状态和提醒司机驾车状态，gps模块用于提供车辆的位置信息，4g通信模块用于将adas智能车载终端收集到的原始数据传输至远程服务器的风险评估模块中，风险评估模块通过spark演算法建模将从adas智能车载终端收集到的信息进行大数据建模分析，云平台用于将数据进行储存、传输和计算，为了解决普通驾驶行为分析系统无法从驾驶员状态、环境因素对驾驶安全做出正确预测的技术难题，制定了一套基于人、车、环境的驾驶行为分析算法，对于驾驶员的状态或姿态，我们通过采用安装在车辆上面向司机的摄像头进行智能视频分析来对司机的一些驾驶习惯进行提醒，例如开车打电话、抽烟、打瞌睡；通过面向道路的摄像头进行视频分析，对车距太近、碰撞报警做出提示，另外结合天气，道路类型和生熟路因素来对司机的驾驶行为进行全面的分析，从而达到更准确的目的，在线传输模块能够将收集的分析后的大数据信息通过客户端发送给移动端、pc端和服务监控平台，4g通信模块通过卫星信号连接有风险评估模块，在线传输模块通过http通信协议连接有客户端；
41.如图4所示，本发明的算法建模示意图，我们通过不同的分析方式去建立模型，经
过数据训练，效验和评估，最终选出适合分析的多元线性回归方式来作为建模的方法；
42.如图5所示，通过深度学习算法对建立的模型进行训练，优化逐步提升模型对数据的预测准确性；
43.如图6所示，由于影响到事故发生原因的驾驶行为因子较多，因此我们采用多元线性回归方式来建立我们的驾驶行为分析模型；并通过机器学习不断的对模型进行优化完善；
44.a.建立多元线性回归模型：根据驾驶行为因子建立多元线性回归模型，如下：
45.yi＝β0+β1x
1i
+β1x
2i
+...+βnx
ni
+μi46.其中yi(i＝1,2,3....,n)表示发生事故的概率，x
1i
,x
2i
,...,x
ni
是驾驶行为因子，β0,β1,β2,...,βn是回归系数。使用矩阵的方式表示如下：
[0047][0048]
b.拟合优度检验
[0049]
拟合优度(goodnessoffit)是指回归直线对观测值的拟合程度。度量拟合优度的统计量是可决系数(亦称确定系数)r2。r2最大值为1。r2 的值越接近1，说明回归直线对观测值的拟合程度越好；反之，r2的值越小，说明回归直线对观测值的拟合程度越差。
[0050]
设y为待拟合数值，其均值为拟合值为
[0051]
tss:totalsumofsquares总离差平方和/总平方和
[0052][0053]
ess:explainedsumofsquares回归平方和/解释平方和
[0054][0055]
rss:residualsumofsquares残差平方和
[0056][0057]
则有tss＝rss+ess
[0058]
确定系数：
[0059][0060]
通过确定系数r2来评估驾驶行为多元线性模型的拟合程度。
[0061]
c.回归模型检验regressionmodeltest：检验回归模型的好坏常用的是 f检验和t检验。f检验验证的是偏回归系数是否不全为0(或全为0)，t检验验证的是单个自变量是否对因变量的影响是显著的(或不显著)。
[0062]
f检验和t检验步骤：
[0063]
·
提出问题的原假设和备择假设；
[0064]
·
在原假设的条件下，构造统计量；
[0065]
·
根据样本信息，计算统计量的值；
[0066]
·
对比统计量的值和理论f分布的值，计算统计量的值超过理论值，则拒绝原假设，否则接受原假设。
[0067]
待检验数据集先构造成向量的模式：
[0068][0069]
可表示成如下形式：
[0070]
y＝β0+β1x1+β2x2+...+βnxn+μ
→
y＝xβ+μ
[0071]
其中β为n
×
1的一维向量。
[0072]
1)假设
[0073]
f检验假设：
[0074][0075]
t检验假设：
[0076][0077]
h0为原假设，h1为备择假设。f检验拒绝原假设的条件为计算的f 检验的值大于查到的理论f值。t检验可以通过p值和拟合优度判断变量的显著性及模型组合的优劣。
[0078]
2)计算过程
[0079]
f检验计算过程：
[0080]
如图7所示为假设其中一个点所在的平面，由以上点计算出ess(误差平方和)，rss(回归离差平方和),tss(总的离差平方和)。
[0081]
其中ess和rss都会随着模型的变化而发生变化(估计值变动)。而 tss衡量的是因变量和均值之间的离差平方和，不会随着模型的变化而变化。
[0082]
由以上公式构造f统计量：
[0083]
由以上可知，本发明实现的算法是通过安装在车上的电子设备收集司机驾驶行为数据，如超速驾驶、车距过近、碰撞报警、疲劳驾驶、抽烟、打电话原始数据，然后再结合天气，路况，驾驶路线(生熟路/道路级)，开车时间(夜间行程占比)数据进行大数据建模分析，建立基础数据模型，再通大量的训练数据，对数据模型持续的进行训练、评估、验证优化，最终形成安全驾驶行为风险级评估预测系统。
[0084]
实施例二：
[0085]
如图1-6所示，本发明实施例提供一种基于人车和环境的驾驶行为分析方法，包括以下步骤：
[0086]
s1.通过adas智能车载终端采集车辆运行的所有数据，其中，adas智能车载终端通过前向摄像头采集车辆前方车辆、行人和车道，adas智能车载终端通过人脸摄像头采集司机异常的面部状态、闭眼、打哈欠、姿态异常、抽烟、打电话、主驾驶有无司机，adas智能车载终端通过车运行信息采集模块提取车辆运行中车辆的运行状态参数信息，adas智能车载终端通过gps模块确定车辆的位置信息；
[0087]
adas智能车载终端内部含有智能芯片，通过对采集的所有原始数据进行初步分析，如果车辆行驶中遇到问题，adas智能车载终端会通过车内声音预警对司机进行提醒；
[0088]
s2.adas智能车载终端将数据通过4g通信模块传输给风险评估模块；
[0089]
s3.风险评估模块将收集到的数据使用算法进行建模分析获得车辆运行状况，当所有的原始数据传输给风险评估模块之后，风险评估模块中包含的 spark演算法建模能够将原始数据进行建模评估，评估之后能够得到车辆运行中的运行状况，其中车辆运行状况包括有驾驶员驾驶状态和车辆驾驶状态；
[0090]
s4.风险评估模块将车辆运行状况信息发送给云平台，s3中的驾驶员状态和车辆驾驶状态能够被传输给云平台；
[0091]
s5.云平台将车辆信息发送给客户端，云平台将驾驶员状态和车辆驾驶状态信息传输给移动端、pc端和服务监控平台，移动端可以是驾驶员自己的移动客户端，及时了解驾驶状态和车辆状态,pc端是驾驶员或者平台可以便捷了解的状态，服务监控平台通过结果对驾驶员和车辆进行监控和管理。
[0092]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其同物限定。