CN103818327B - 一种分析驾驶行为的方法和装置 - Google Patents

Abstract

本发明公开了一种分析驾驶行为的方法和装置，以简单有效、成本低廉的方式实现对当前驾驶员的驾驶行为进行精确分析。所述方法包括：对通过手机获取的当前驾驶员所驾车辆的运动状态数据进行预处理，得到当前驾驶员所驾车辆的运动状态校正数据；在时域上和/或频域上提取当前驾驶员所驾车辆的运动状态校正数据的特征；对在时域上和/或频域上提取的当前驾驶员所驾车辆的运动状态校正数据的特征进行分析，得到当前驾驶员的驾驶行为。一方面，本发明避免使用大型昂贵器材，使得实施起来成本较低，也降低了能耗；另一方面，对数据进行预处理为驾驶行为的精确分析提供了前提，从时域和频域不同维度上提取数据的特征，也提高了本发明的鲁棒性。

Description

一种分析驾驶行为的方法和装置

技术领域

本发明涉及汽车安全领域，具体涉及一种分析驾驶行为的方法和装置。

背景技术

据报道，交通事故致死人数在我国已达每年10万人以上，世界卫生组织统计数据也表明：就交通事故死亡人数这一项指标来看，中国已经数年居全球第一。另一方面，我们发现这些报道中有很多起交通事故属于连环事故，因一人的违规操作造成了众多牵连车辆的伤亡。交通安全问题、尤其是机动车辆行驶安全问题是我国一个亟待解决的问题，加强交通安全刻不容缓。

鉴于判断驾驶行为是否危险对于车辆安全、交通安全都具有极其重要的意义，目前国内外已有学者对此进行了研究。现有的一项研究成果提出的分析驾驶行为的方法是：根据驾驶员的生理认知能力、生理反应能力、驾驶适应性等来判断驾驶行为。在这种方法中，除了结合某些特定的生理特征，例如，眼部活动、肢体动作、身体姿势、面部表情和心电图等之外，还使用数量众多的传感器设备，例如摄像机、心电监测仪、超声测试仪等特殊的外部设备来获取数据。

上述现有的分析驾驶行为方法的缺点在于：一方面，对驾驶行为的判断需要使用大型传感设备（例如高清摄像机、雷达测速仪、心电监测仪等），而这些传感设备体型庞大不易携带，并且十分昂贵，对普通用户而言使用成本过高；另一方面，这些设备一般都需要耗费较多能源，例如，心电监测仪需要持续不间断供电，否则无法工作，而且耗电大，有悖于当前所提倡的节能减排和安全环保的社会风尚。

发明内容

本发明实施例提供一种分析驾驶行为的方法和装置，以简单有效、成本低廉的方式实现对当前驾驶员的驾驶行为进行精确分析。

本发明实施例提供一种分析驾驶行为的方法，所述方法包括：

对通过手机获取的当前驾驶员所驾车辆的运动状态数据进行预处理，得到当前驾驶员所驾车辆的运动状态校正数据，所述手机含有加速度传感器；

在时域上和/或频域上提取所述当前驾驶员所驾车辆的运动状态校正数据的特征；

对所述在时域上和/或频域上提取的当前驾驶员所驾车辆的运动状态校正数据的特征进行分析，得到所述当前驾驶员的驾驶行为。

本发明另一实施例提供一种分析驾驶行为的装置，所述装置包括：

预处理模块，用于对通过手机获取的当前驾驶员所驾车辆的运动状态数据进行预处理，得到当前驾驶员所驾车辆的运动状态校正数据，所述手机含有加速度传感器；

特征提取模块，用于在时域上和/或频域上提取所述当前驾驶员所驾车辆的运动状态校正数据的特征；

行为分类模块，用于对所述在时域上和/或频域上提取的当前驾驶员所驾车辆的运动状态校正数据的特征进行分析，得到所述当前驾驶员的驾驶行为。

从上述本发明实施例可知，一方面，由于只是使用了已经比较普及的手机中的加速度传感器获取当前驾驶员所驾车辆的运动状态数据，因此，与现有技术相比，本发明实施例提供的方法避免使用大型昂贵器材，使得实施起来成本较低，也降低了能耗；另一方面，对数据进行预处理为驾驶行为的精确分析提供了前提，而且，针对不同驾驶员、不同道路、不同时间段的产生的数据，从时域和/或频域两个不同维度上提取数据的特征，也提高了本发明实施例提供的方法的鲁棒性。

附图说明

图1是本发明实施例提供的分析驾驶行为的方法的基本流程示意图；

图2是本发明实施例提供的所驾车辆X轴正方向、Y轴正方向和Z轴正方向示意图；

图3是本发明实施例提供的手机的三维坐标系示意图；

图4是未对加速度数据进行预处理和本发明实施例提供的对加速度数据进行预处理后判别驾驶行为的正确率示意图；

图5是本发明实施例提供的激进驾驶行为、保守驾驶行为和安全驾驶行为被错误分类的示意图；

图6是本发明实施例提供的激进驾驶行为、保守驾驶行为和安全驾驶行为被如何错误分类的示意图;

图7是本发明实施例提供的测试结果鲁棒性示意图；

图8是本发明实施例提供的安全驾驶行为和保守驾驶行为的分类结果示意图；

图9是本发明实施例提供的保守驾驶行为和激进驾驶行为的分类结果示意图；

图10是本发明实施例提供的安全驾驶行为和激进驾驶行为的分类结果示意图；

图11是本发明实施例提供的分析驾驶行为的装置逻辑结构示意图；

图12是本发明另一实施例提供的分析驾驶行为的装置逻辑结构示意图；

图13是本发明另一实施例提供的分析驾驶行为的装置逻辑结构示意图；

图14是本发明另一实施例提供的分析驾驶行为的装置逻辑结构示意图。

具体实施方式

本发明实施例提供一种分析驾驶行为的方法，包括：对通过手机获取的当前驾驶员所驾车辆的运动状态数据进行预处理，得到当前驾驶员所驾车辆的运动状态校正数据，所述手机含有加速度传感器；在时域上和/或频域上提取所述当前驾驶员所驾车辆的运动状态校正数据的特征；对所述在时域上和/或频域上提取的当前驾驶员所驾车辆的运动状态校正数据的特征进行分析，得到所述当前驾驶员的驾驶行为。本发明实施例还提供相应的分析驾驶行为的装置。以下分别进行详细说明。

本发明实施例的分析驾驶行为的方法的基本流程可参考图1，主要包括如下步骤S101至步骤S103：

S101，对通过手机获取的当前驾驶员所驾车辆的运动状态数据进行预处理，得到当前驾驶员所驾车辆的运动状态校正数据。

在本发明实施例中，手机是内部集成有加速度传感器的手机，当然，也可以使用价格、尺寸与该手机相当其他集成有加速度传感器的装置代理本发明实施例提供的手机；在实施本发明提供的方法时，手机可以摆放在驾驶员所驾车辆的任何位置。

由于在实际驾驶过程中，不同的驾驶行为表现出所驾车辆的不同运动状态，不同的驾驶行为对道路的安全性影响也不同，因此，可以使用手机上的加速度传感器来捕获车辆的运动状态数据，进而分析驾驶员是何种驾驶行为以及该驾驶行为对道路安全的影响。在本发明实施例中，通过手机获取的当前驾驶员所驾车辆的运动状态数据可以是通过手机的加速度传感器获取的当前驾驶员所驾车辆的三维加速度数据，即所驾车辆X轴正方向、Y轴正方向和Z轴正方向的加速度数据，其中，所驾车辆X轴正方向定义为所驾车辆的驾驶座和副驾驶座连线并指向副驾驶座的方向，所驾车辆Y轴正方向定义为所驾车辆沿车体并指向车头的方向，所驾车辆Z轴正方向定义为垂直于所驾车辆车底盘并通过X轴和Y轴交点而且指向天空的方向；所驾车辆X轴正方向、Y轴正方向和Z轴正方向示意图如附图2所示。

需要说明的是，由于一些客观因素的影响，例如，手机的坐标系和车辆的坐标系不一致、所采集的数据截取时长度不一以及数据还有噪声等等，通过手机获取的当前驾驶员所驾车辆的运动状态数据不宜直接进行分析，需要对其进行预处理，包括：先对通过手机获取的当前驾驶员所驾车辆的三维加速度数据校正三维坐标，再对所述校正三维坐标后的当前驾驶员所驾车辆的三维加速度数据统一长度，最后对所述统一长度后的当前驾驶员所驾车辆的三维加速度数据除去噪声，或者，先对通过手机获取的当前驾驶员所驾车辆的三维加速度数据统一长度，再对所述统一长度后的当前驾驶员所驾车辆的三维加速度数据除去噪声，最后对所述除去噪声后的当前驾驶员所驾车辆的三维加速度数据校正三维坐标。

上述对通过手机获取的当前驾驶员所驾车辆的三维加速度数据校正三维坐标或者对除去噪声后的当前驾驶员所驾车辆的三维加速度数据校正三维坐标包括：将通过手机获取的当前驾驶员所驾车辆的三维加速度数据或者除去噪声后的当前驾驶员所驾车辆的三维加速度数据右乘转换矩阵[CBA]。在说明问题之前，先对手机的三维坐标系进行说明。如附图3所示，是手机的三维坐标系示意图，沿手机长边方向，并指向听筒方向的为手机的Y轴正方向，手机搁置在某个物体（例如桌面）上时话筒的一端靠近人的身体，沿手机短边方向，并指向人右侧的方向为手机的X轴正方向，垂直于手机屏幕并指向天空的方向为手机的Z轴正方向。由于所驾车辆X轴正方向、Y轴正方向和Z轴正方向未必与手机的X轴正方向、Y轴正方向和Z轴正方向分别一致，因此，不能直接使用手机获取的数据进行驾驶行为的分析，可以先获得一个转换矩阵T=[CBA]。具体地，在保证所驾车辆和放置在所驾车辆里面的手机没有相对运动的前提下，当所驾车辆静止时，手机在所驾车辆上可以检测出此时所驾车辆的加速度情况并记录，此时获得的加速度数据（向量）就相当于所驾车辆受到大地的重力加速度，将得到的加速度向量归一化得到列向量A，即，A为所述当前驾驶员所驾车辆在静止状态时的加速度进行归一化后得到的列向量。启动汽车，不调整方向盘，保证汽车沿直线前行。记录汽车向前加速的过程，对得到的加速度向量进行归一化，这个步骤相当于得到所驾车辆Y轴正方向的单位向量B，即B为当前驾驶员所驾车辆向前直线加速时沿直线方向的加速度进行归一化后得到的列向量。最后，根据右手法则，可以求出所驾车辆X轴正方向的单位列向量C。由这三个向量所组成的矩阵为转换矩阵T=[CBA]。采取以上步骤后，将通过手机获取的当前驾驶员所驾车辆的三维加速度数据或者除去噪声后的当前驾驶员所驾车辆的三维加速度数据右乘转换矩阵[CBA]，得到的数据便是真实的汽车三维空间里的运动状态数据。

考虑到采集得到的数据经过人工标注后，截取的数据片段大小不一，如此十分不便于数据统计分析，因此，需要将这些数据处理变成相同的长度。经过统计发现，一种驾驶行为到另一种驾驶行为的变化时间一般在1～3秒钟。在很发明实施例中，上述对通过手机获取的当前驾驶员所驾车辆的三维加速度数据或者校正三维坐标后的当前驾驶员所驾车辆的三维加速度数据统一长度，包括：对所述通过手机获取的当前驾驶员所驾车辆的三维加速度数据或者校正三维坐标后的当前驾驶员所驾车辆的三维加速度数据进行截取，循环增加长度直至截取后的数据均达到统一长度，例如，长度为N。值得注意的是，为了避免有用信息被删掉，在系统采样频率为50Hz时，N的值不宜少于150。

由于手机集成的加速度传感器的硬件设计以及周围环境的影响，经统一长度后的数据（前述通过手机获取的当前驾驶员所驾车辆的三维加速度数据或者校正三维坐标后的当前驾驶员所驾车辆的三维加速度数据）仍然存在着噪声和一些错误数据，因此需要减小数据噪声，滤掉错误数据。目前大多数滤除噪声的方法都是采用低通滤波器，但是低通滤波器并不能滤除掉加速度传感器中错误数据。所谓错误数据是非正常的数据，这些数据随机产生，并不反映外界的信息的信号。例如，手机静止平放在水平桌面上，可以看出大多数数据都是相对平稳且微小波动在一个小范围内，但是难免有些比较特例的数据，其明显高于或低于大部分数据。由于我们的手机是静止平放的，正常情况下是不会出现错误数据，错误数据只占真实数据的一小部分。为了尽量提高系统的精度，减少错误数据带来的误判，在本发明实施例中，可以先去除统一长度后的当前驾驶员所驾车辆的三维加速度数据中绝对值较大的若干数据，然后，对所述去除绝对值较大后的三维加速度数据进行平均值滤波。

S102，在时域上和/或频域上提取当前驾驶员所驾车辆的运动状态校正数据的特征。

经过上述步骤S101后，所得当前驾驶员所驾车辆的运动状态校正数据是噪声较小，错误数据较少的信号。为了使得在实施本发明实施例提供的方法中，对不同驾驶员、不同道路和不同时间段产生的数据具有较强的鲁棒性，需要对所得当前驾驶员所驾车辆的运动状态校正数据提取区分性大的特征来区别不同的驾驶行为模式。一般地，激进驾驶行为（例如，酒驾、乱变线和不规则急刹车产生等）对应的加速度数据在时域上会有明显的峰值，而保守驾驶行为和安全驾驶行为产生的加速度数据则相对平稳。因此，可以在时域上和/或频域上提取当前驾驶员所驾车辆的运动状态校正数据的特征来描述不同的驾驶行为。

在时域上，根据统计的特性，可以提取整体特征和局部特征来全面地表征数据特点，提取整体特征来描述此信号段的趋势，提取局部特征描述此信号段变化的程度。具体地，在时域上提取当前驾驶员所驾车辆的运动状态校正数据的整体特征包括：对所述运动状态校正数据中待分析数据段整体求取平均值。在时域上提取当前驾驶员所驾车辆的运动状态校正数据的局部特征包括：提取所述当前驾驶员所驾车辆的运动状态校正数据中的2n个信号值，将所述2n个信号值进行排序，取其中较大的n个信号值作为波峰信号，取其中较小的n个信号值作为波谷信号，此处，n为自然数；当前驾驶员所驾车辆的运动状态校正数据的局部特征表示在峰值上和波谷附近数据的平均大小及变化剧烈程度。

上述在时域上提取当前驾驶员所驾车辆的运动状态校正数据的特征，基本反映了不同种类驾驶行为上的特点，然而，一些激进驾驶行为（例如，酒驾、乱变线和不规则急刹车产生等）产生的三维方向上的加速度数据对应的信号与保守驾驶行为、安全驾驶行为产生的加速度数据对应的信号不同，应用时域上的特征进行判别就显得不够充分，并且在精度上也不够高。因为这种激进驾驶行为会在速度的微分上产生较大的变化，而这种变化在频域里有明显的可区分性。为了更全面地描述驾驶行为，可以在频域上提取当前驾驶员所驾车辆的运动状态校正数据的特征，具体地，可以是在频域上提取所述当前驾驶员所驾车辆的运动状态校正数据在各个频点上对应的幅度值以及求取所述幅度值的均值和方差。

需要说明的是，上述在时域上提取当前驾驶员所驾车辆的运动状态校正数据的特征和在频域上提取所述当前驾驶员所驾车辆的运动状态校正数据的特征，可以单独使用，也可以结合起来使用，即，在时域上和/或频域上提取所述当前驾驶员所驾车辆的运动状态校正数据的特征可以包括：在时域上提取所述当前驾驶员所驾车辆的运动状态校正数据的整体特征和局部特征，和/或在频域上提取所述当前驾驶员所驾车辆的运动状态校正数据在各个频点上对应的幅度值以及求取所述幅度值的均值和方差。

S103，对在时域上和/或频域上提取的当前驾驶员所驾车辆的运动状态校正数据的特征进行分析，得到当前驾驶员的驾驶行为。

具体地，可以将所述在时域上和/或频域上提取的当前驾驶员所驾车辆的运动状态校正数据的特征输入支持向量机（SupportVectorMachine，SVM）分类器进行分析，得到当前驾驶员的驾驶行为，包括激进驾驶行为、保守驾驶行为或安全驾驶行为等等。所谓SVM分类器，是一种统计学习分类器，最常用到的是Libsvm工具箱，此工具箱分为训练模型和结果预测两部分。使用时首先将已知分类或已经进行人工分类的待训练集合赋予相应类别标签，将集合和标签一同输入SVM分类器中，得到一个基于此已分类待训练集合的模型，再将测试集输入此模型进行预测，得到相应的判别结果。例如，本发明实施例中，就是使用SUV分类器和已有驾驶行为数据库训练好的模型进行驾驶行为的预测。

从上述本发明实施例提供的分析驾驶行为的方法可知，一方面，由于只是使用了已经比较普及的手机中的加速度传感器获取当前驾驶员所驾车辆的运动状态数据，因此，与现有技术相比，本发明实施例提供的方法避免使用大型昂贵器材，使得实施起来成本较低，也降低了能耗；另一方面，对数据进行预处理为驾驶行为的精确分析提供了前提，而且，针对不同驾驶员、不同道路、不同时间段的产生的数据，从时域和/或频域两个不同维度上提取数据的特征，也提高了本发明实施例提供的方法的鲁棒性。

以下是本发明实施例提供的分析驾驶行为的方法的实验内容和实验结果。在实验中，征招了6个驾驶员，年龄从22到31岁不等，驾龄从半年到6年不等，在某市多条道路上进行数据采集，共收集了1000多条实验数据。

为了方便描述，首先设定了如下事件标记，即，IS：输入的数据来自安全驾驶行为产生的数据；OS：系统输出的判别结果为安全驾驶行为；TS：输入为安全驾驶行为的数据，输出被判别为安全驾驶行；FS：输入为安全驾驶行为的数据，输出被判别为保守驾驶行为或激进驾驶行为；类似IC、OC、TC、FC分别对应着保守驾驶行为的输入、输出、正确判断、错误判断；IA、OA、TA、FA分别对应着激进驾驶行为的输入、输出、正确判断、错误判断。FMIN：输入的是事件N产生的数据，这个事实N可以是安全驾驶行为、保守驾驶行为以及激进驾驶行为中的任一种，系统输出的判别结果是M，M是不同N的驾驶行为。也就是存在着FAIS、FAIC、FSIC、FSIA、FCIA、FCIS这六种情况。

实验的正确率判别式子为：

其他错误率判别式子为：

误判率：

分别从搜集到的数据集里随机取102、201、300、402、501、600、700、774条数据，每种驾驶行为每次取等量的条数。将这些数据按照系统设计进行SVM分类，结果的正确率如附图4所示，将没有经过坐标校正的、没有进行去噪处理的、只用了时域特征的以及只用了频域特征的数据进行了实验结果对比，实验结果都在附图4中示出。从附图4可以看出，本发明实施例提供的方法的正确率多在90%以上，而且与其他方法的对比中可以发现，本发明实施例提供的方法的正确率都明显的优于其他方法。至于错误率和误判率，按照附图4示例的方法，计算每种驾驶行为没有被正确分类的概率以及被分类成其他种类驾驶的具体情况，分别在附图5和附图6中体现出来。从附图5可以看出激进驾驶行为被错误分类的概率几乎为0%，相对保守驾驶行为和安全驾驶行为被错误判断的概率稍大。保守驾驶行为被错误判断的概率在2%至3%之间，而安全驾驶行为被错误判断的概率在2%至8%之间。具体被如何错误分类的情况附图6所示，主要是输入安全驾驶行为被误判被保守驾驶行为占3%至10%左右，输入保守驾驶行为被误判为安全驾驶行为占2%至4%，其他的情况下的判别普遍比较准确，存在误判的情况极小。

接下来，检验方案的鲁棒性。将驾驶员其中的五个人产生的数据进行训练，余下一个人的数据作为测试，查看SVM分类正确率效果。然后又将女性驾驶员产生的数据作为训练数据，男性驾驶员产生的数据位作为测试数据，进行分类效果测试。相反地，将男性驾驶员产生的数据作为训练数据，女性驾驶员产生的数据做为测试数据。如此之后，实验结果如附图7所示。按顺序A～F是单独一个人做为测试数据的结果，正确率普遍在70%以上，其中D处和F处正确率较低，是由于训练数据量较少，SVM分类器会产生分类偏差问题，训练出来的模型无法精确模拟大多数情况。G是女性驾驶员产生的数据作为训练数据的结果，G比H偏低，这个由于在大多数人看来，男性驾驶员的驾驶行为一般较女性驾驶员的驾驶行为要稍激进一些，因此H训练的模型阈值高于G，也就是容错能力更优，因此也就具有较高的分类正确率。在实际应用中，最好是同时提取男性驾驶员和女性驾驶员产生的数据一并都进行训练，以达到符合现实需要的要求。

为了具体查看每两类驾驶行为之间的分类判别效果，还做了每两类行为之间的判别，效果如附图8至附图10所示。附图8是安全驾驶行为和保守驾驶行为的分类结果，图中显示这两类的正确分辨率均在80%以上。附图9是保守驾驶行为和激进驾驶行为的分类结果，图中显示这两类的平均正确分辨率达到98%和99%甚至100%。附图10是安全驾驶行为和激进驾驶行为的分类结果，同样地，这两者间的分类效果也接近100%。

根据以上实验及其结果分析，本发明实施例提供的方法确实有效可靠性，并且绝大部分分类判断的准确率超过90%，可以在实际中进行很好的应用。

下面对用于执行上述分析驾驶行为的方法的本发明实施例的分析驾驶行为的装置进行说明，其基本逻辑结构参考附图11。为了便于说明，附图11示例的分析驾驶行为的装置仅仅示出了与本发明实施例相关的部分，主要包括预处理模块1101、特征提取模块1102和行为分类模块1103，各模块详细说明如下：

预处理模块1101，用于对通过手机获取的当前驾驶员所驾车辆的运动状态数据进行预处理，得到当前驾驶员所驾车辆的运动状态校正数据，所述手机含有加速度传感器；

特征提取模块1102，用于在时域上和/或频域上提取所述当前驾驶员所驾车辆的运动状态校正数据的特征；

行为分类模块1103，用于对所述在时域上和/或频域上提取的当前驾驶员所驾车辆的运动状态校正数据的特征进行分析，得到所述当前驾驶员的驾驶行为。

需要说明的是，以上附图11示例的分析驾驶行为的装置的实施方式中，各功能模块的划分仅是举例说明，实际应用中可以根据需要，例如相应硬件的配置要求或者软件的实现的便利考虑，而将上述功能分配由不同的功能模块完成，即将所述分析驾驶行为的装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。而且，实际应用中，本实施例中的相应的功能模块可以是由相应的硬件实现，也可以由相应的硬件执行相应的软件完成，例如，前述的预处理模块，可以是具有执行前述对通过手机获取的当前驾驶员所驾车辆的运动状态数据进行预处理，得到当前驾驶员所驾车辆的运动状态校正数据的硬件，例如预处理器，也可以是能够执行相应计算机程序从而完成前述功能的一般处理器或者其他硬件设备；再如前述的特征提取模块，可以是具有执行前述在时域上和/或频域上提取所述当前驾驶员所驾车辆的运动状态校正数据的特征功能的硬件，例如特征提取器，也可以是能够执行相应计算机程序从而完成前述功能的一般处理器或者其他硬件设备（本说明书提供的各个实施例都可应用上述描述原则）。

附图11示例的分析驾驶行为的装置中，通过手机获取的当前驾驶员所驾车辆的运动状态数据包括通过手机获取的当前驾驶员所驾车辆的三维加速度数据。预处理模块1101包括校正单元1201、截长单元1202和去噪单元1203，如附图12所示本发明另一实施例提供的分析驾驶行为的装置，其中，校正单元1201、截长单元1202和去噪单元1203的执行顺序为：校正单元1201先对所述通过手机获取的当前驾驶员所驾车辆的三维加速度数据校正三维坐标，截长单元1202再对所述校正三维坐标后的当前驾驶员所驾车辆的三维加速度数据统一长度，去噪单元1203最后对所述统一长度后的当前驾驶员所驾车辆的三维加速度数据除去噪声，或者，截长单元1202先对通过手机获取的当前驾驶员所驾车辆的三维加速度数据统一长度，去噪单元1203再对统一长度后的当前驾驶员所驾车辆的三维加速度数据除去噪声，校正单元1201最后对除去噪声后的当前驾驶员所驾车辆的三维加速度数据校正三维坐标，具体地：

校正单元1201，用于将通过手机获取的当前驾驶员所驾车辆的三维加速度数据或者除去噪声后的当前驾驶员所驾车辆的三维加速度数据右乘转换矩阵[CBA]，所述A为所述当前驾驶员所驾车辆在静止状态时的加速度进行归一化后得到的列向量，所述B为所述当前驾驶员所驾车辆向前直线加速时沿直线方向的加速度进行归一化后得到的列向量，所述C为根据右手法则得到的X轴正方向的单位列向量，所述X轴正方向为所述当前驾驶员所驾车辆的驾驶座和副驾驶座所连直线并指向副驾驶座的方向；

截长单元1202，用于对所述通过手机获取的当前驾驶员所驾车辆的三维加速度数据或者校正三维坐标后的当前驾驶员所驾车辆的三维加速度数据进行截取，循环增加长度直至所述截取后的数据均达到统一长度；

去噪单元1203，用于先去除所述统一长度后的当前驾驶员所驾车辆的三维加速度数据中绝对值较大的若干数据，然后，对所述去除绝对值较大后的三维加速度数据进行平均值滤波。

附图11示例的特征提取模块1102可以包括时域特征提取单元1301和/或频域特征提取单元1302，如附图13所示本发明另一实施例提供的分析驾驶行为的装置，其中：

时域特征提取单元1301，用于在时域上提取当前驾驶员所驾车辆的运动状态校正数据的整体特征和局部特征；

频域特征提取单元1302，用于在频域上提取当前驾驶员所驾车辆的运动状态校正数据在各个频点上对应的幅度值以及求取所述幅度值的均值和方差。

附图11示例的时域特征提取单元1301可以包括整体特征提取单元1401和局部特征提取单元1402，如附图14所示本发明另一实施例提供的分析驾驶行为的装置，其中：

整体特征提取单元1401，用于对所述运动状态校正数据中待分析数据段整体求取平均值；

局部特征提取单元1402，用于提取所述当前驾驶员所驾车辆的运动状态校正数据中的2n个信号值，将所述2n个信号值进行排序，取其中较大的n个信号值作为波峰信号，取其中较小的n个信号值作为波谷信号，所述n为自然数。

上述附图11至附图14任一示例的分析驾驶行为的装置中，行为分类模块1103具体用于将所述在时域上和/或频域上提取的当前驾驶员所驾车辆的运动状态校正数据的特征输入支持向量机分类器进行分析，得到所述当前驾驶员的驾驶行为。

需要说明的是，上述装置各模块/单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其带来的技术效果与本发明方法实施例相同，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器（ROM，ReadOnlyMemory）、随机存取存储器（RAM，RandomAccessMemory）、磁盘或光盘等。

以上对本发明实施例所提供的一种分析驾驶行为的方法和装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种分析驾驶行为的方法，其特征在于，所述方法包括：

对通过手机获取的当前驾驶员所驾车辆的运动状态数据进行预处理，得到当前驾驶员所驾车辆的运动状态校正数据，所述手机含有加速度传感器；

在时域上和/或频域上提取所述当前驾驶员所驾车辆的运动状态校正数据的特征；

对所述在时域上和/或频域上提取的当前驾驶员所驾车辆的运动状态校正数据的特征进行分析，得到所述当前驾驶员的驾驶行为；

所述在时域上和/或频域上提取所述当前驾驶员所驾车辆的运动状态校正数据的特征，包括：

在时域上提取所述当前驾驶员所驾车辆的运动状态校正数据的整体特征和局部特征；和/或在频域上提取所述当前驾驶员所驾车辆的运动状态校正数据在各个频点上对应的幅度值以及求取所述幅度值的均值和方差；

所述在时域上提取所述当前驾驶员所驾车辆的运动状态校正数据的整体特征，包括：对所述运动状态校正数据中待分析数据段整体求取平均值；

所述在时域上提取所述当前驾驶员所驾车辆的运动状态校正数据的局部特征，包括：提取所述当前驾驶员所驾车辆的运动状态校正数据中的2n个信号值，所述n为自然数；将所述2n个信号值进行排序，取其中较大的n个信号值作为波峰信号，取其中较小的n个信号值作为波谷信号。

2.根据权利要求1所述的方法，其特征在于，所述通过手机获取的当前驾驶员所驾车辆的运动状态数据包括通过手机获取的当前驾驶员所驾车辆的三维加速度数据；

所述对通过手机获取的当前驾驶员所驾车辆的运动状态数据进行预处理，得到当前驾驶员所驾车辆的运动状态校正数据包括：先对所述通过手机获取的当前驾驶员所驾车辆的三维加速度数据校正三维坐标，再对所述校正三维坐标后的当前驾驶员所驾车辆的三维加速度数据统一长度，最后对所述统一长度后的当前驾驶员所驾车辆的三维加速度数据除去噪声，或者，先对所述通过手机获取的当前驾驶员所驾车辆的三维加速度数据统一长度，再对所述统一长度后的当前驾驶员所驾车辆的三维加速度数据除去噪声，最后对所述除去噪声后的当前驾驶员所驾车辆的三维加速度数据校正三维坐标；

所述对通过手机获取的当前驾驶员所驾车辆的三维加速度数据校正三维坐标或者对所述除去噪声后的当前驾驶员所驾车辆的三维加速度数据校正三维坐标，包括：将通过手机获取的当前驾驶员所驾车辆的三维加速度数据或者除去噪声后的当前驾驶员所驾车辆的三维加速度数据右乘转换矩阵[CBA]，所述A为所述当前驾驶员所驾车辆在静止状态时的加速度进行归一化后得到的列向量，所述B为所述当前驾驶员所驾车辆向前直线加速时沿直线方向的加速度进行归一化后得到的列向量，所述C为根据右手法则得到的X轴正方向的单位列向量，所述X轴正方向为所述当前驾驶员所驾车辆的驾驶座和副驾驶座所连直线并指向副驾驶座的方向；

所述对所述通过手机获取的当前驾驶员所驾车辆的三维加速度数据或者校正三维坐标后的当前驾驶员所驾车辆的三维加速度数据统一长度，包括：对所述通过手机获取的当前驾驶员所驾车辆的三维加速度数据或者校正三维坐标后的当前驾驶员所驾车辆的三维加速度数据进行截取，循环增加长度直至所述截取后的数据均达到统一长度；

所述对所述统一长度后的当前驾驶员所驾车辆的三维加速度数据除去噪声，包括：先去除所述统一长度后的当前驾驶员所驾车辆的三维加速度数据中绝对值较大的若干数据，然后，对所述去除绝对值较大后的三维加速度数据进行平均值滤波。

3.根据权利要求1至2任意一项所述的方法，其特征在于，所述对所述在时域上和/或频域上提取的当前驾驶员所驾车辆的运动状态校正数据的特征进行分析，得到所述当前驾驶员的驾驶行为，包括：将所述在时域上和/或频域上提取的当前驾驶员所驾车辆的运动状态校正数据的特征输入支持向量机分类器进行分析，得到所述当前驾驶员的驾驶行为。

4.一种分析驾驶行为的装置，其特征在于，所述装置包括：

预处理模块，用于对通过手机获取的当前驾驶员所驾车辆的运动状态数据进行预处理，得到当前驾驶员所驾车辆的运动状态校正数据，所述手机含有加速度传感器；

特征提取模块，用于在时域上和/或频域上提取所述当前驾驶员所驾车辆的运动状态校正数据的特征；

行为分类模块，用于对所述在时域上和/或频域上提取的当前驾驶员所驾车辆的运动状态校正数据的特征进行分析，得到所述当前驾驶员的驾驶行为；

所述特征提取模块包括：

时域特征提取单元，用于在时域上提取所述当前驾驶员所驾车辆的运动状态校正数据的整体特征和局部特征；和/或

频域特征提取单元，用于在频域上提取所述当前驾驶员所驾车辆的运动状态校正数据在各个频点上对应的幅度值以及求取所述幅度值的均值和方差；

所述时域特征提取单元包括：

整体特征提取单元，用于对所述运动状态校正数据中待分析数据段整体求取平均值；

局部特征提取单元，用于提取所述当前驾驶员所驾车辆的运动状态校正数据中的2n个信号值，将所述2n个信号值进行排序，取其中较大的n个信号值作为波峰信号，取其中较小的n个信号值作为波谷信号，所述n为自然数。

5.根据权利要求4所述的装置，其特征在于，所述通过手机获取的当前驾驶员所驾车辆的运动状态数据包括通过手机获取的当前驾驶员所驾车辆的三维加速度数据；

所述预处理模块包括校正单元、截长单元和去噪单元，所述校正单元、截长单元和去噪单元的执行顺序为：所述校正单元先对所述通过手机获取的当前驾驶员所驾车辆的三维加速度数据校正三维坐标，所述截长单元再对所述校正三维坐标后的当前驾驶员所驾车辆的三维加速度数据统一长度，所述去噪单元最后对所述统一长度后的当前驾驶员所驾车辆的三维加速度数据除去噪声，或者，所述截长单元先对所述通过手机获取的当前驾驶员所驾车辆的三维加速度数据统一长度，所述去噪单元再对所述统一长度后的当前驾驶员所驾车辆的三维加速度数据除去噪声，所述校正单元最后对所述除去噪声后的当前驾驶员所驾车辆的三维加速度数据校正三维坐标；

所述校正单元，用于将通过手机获取的当前驾驶员所驾车辆的三维加速度数据或者除去噪声后的当前驾驶员所驾车辆的三维加速度数据右乘转换矩阵[CBA]，所述A为所述当前驾驶员所驾车辆在静止状态时的加速度进行归一化后得到的列向量，所述B为所述当前驾驶员所驾车辆向前直线加速时沿直线方向的加速度进行归一化后得到的列向量，所述C为根据右手法则得到的X轴正方向的单位列向量，所述X轴正方向为所述当前驾驶员所驾车辆的驾驶座和副驾驶座所连直线并指向副驾驶座的方向；

所述截长单元，用于对所述通过手机获取的当前驾驶员所驾车辆的三维加速度数据或者校正三维坐标后的当前驾驶员所驾车辆的三维加速度数据进行截取，循环增加长度直至所述截取后的数据均达到统一长度；

所述去噪单元，用于先去除所述统一长度后的当前驾驶员所驾车辆的三维加速度数据中绝对值较大的若干数据，然后，对所述去除绝对值较大后的三维加速度数据进行平均值滤波。

6.根据权利要求4至5任意一项所述的装置，其特征在于，所述行为分类模块具体用于将所述在时域上和/或频域上提取的当前驾驶员所驾车辆的运动状态校正数据的特征输入支持向量机分类器进行分析，得到所述当前驾驶员的驾驶行为。