CN104802737A - 一种基于手机的车辆异常驾驶行为检测方法 - Google Patents

Abstract

本发明涉及一种基于智能手机的车辆异常驾驶行为检测方法，属于智能交通领域。该方法有四个阶段，第一阶段是实验阶段，通过车辆驾驶行为模拟实验获取大量的车辆各种驾驶行为数据；第二阶段是数据处理阶段，即按照一定规则提取第一阶段的有效数据；第三阶段是数据分析与建模阶段，即分析第二阶段获得的大量有效数据，并通过支持向量机(SVM)的机器学习方法来建立识别各种驾驶行为的模型；第四阶段是实时检测异常驾驶行为阶段，即用车辆异常驾驶行为识别模型实时检测车辆运行状态。本发明检测方法，仅利用现有手机，就能实现实时检测车辆异常驾驶行为状态，不需要额外投入，降低了车辆异常驾驶行为检测成本，提升了对车辆异常驾驶行为的识别准确率。

Description

一种基于手机的车辆异常驾驶行为检测方法

技术领域

本发明涉及一种基于智能手机的车辆异常驾驶行为检测方法，属于智能交通领域。

背景技术

我国高速公路通车里程居世界前列，高速公路实时在路车辆数量庞大，交通事故频发，安全驾驶已成为人们关注的重大问题。

一方面，从在路驾驶人员来讲，“危险行驶车辆驾驶人员”很少意识到自己的危险驾驶行为，交通安全隐患较大。因此，实时检测驾驶人员的驾驶行为，并在驾驶人员出现危险驾驶行为时作出及时提醒很有必要。

但目前对车辆异常驾驶行为的监测还主要依靠特定的硬件装置，且其内部检测算法仅依靠简单的“车辆运行参数阈值”作为判断标准，因此，识别精度往往不理想。

已有的发明名称为“一种分析驾驶行为的方法和装置”，申请号为201310598366.9的专利申请，公开的方法是采用手机获取驾驶员所驾车辆的运动状态数据并进行预处理，得到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"。但该方法仅基于手机内部的加速度传感器数据，且仅选取了单元数据的均值和方差作为特征值进行驾驶行为的识别，驾驶行为分类不够细化。

发明内容

本发明的目的是提出一种基于手机的车辆异常驾驶行为检测方法，利用手机内部的加速度、角速度和环境磁场数据实现对车辆异常驾驶行为的识别，以提高识别的正确性和实用性。

本发明提出的基于手机的车辆异常驾驶行为检测方法，包括以下步骤：

(1)采集车辆驾驶行为模拟数据：

设驾驶行为包括加速、减速、左变道、右变道、急刹车和正常行驶，用手机按照每秒100次的采样频率，分别采集车辆在加速、减速、左变道、右变道、急刹车和正常行驶情况下的手机三轴加速度数据acc_x,acc_y,acc_z和三轴角速度数据gyr_x,gyr_y,gyr_z，以及数据采集时刻的时间t，加速、减速、左变道、右变道和急刹车情况各采集N次，正常行驶情况采集20分钟,每次采样形成一个数据序列，该数据序列中的每一行数据形式为[acc_x,acc_y,acc_z,gyr_x,gyr_y,gyr_z,t_i](i＝1,2,3...),其中t为采样时刻，将数据序列存储到一个数据文件中；

(2)分别记录车辆的加速起始时间和终止时间T_ai(i＝1,2,3...)和T_aj(j＝1,2,3...)、减速起始时间和终止时间T_di(i＝1,2,3...)和T_di(j＝1,2,3...)、左变道起始时间和终止时间T_li(i＝1,2,3...)和T_lj(j＝1,2,3...)、右变道起始时间和终止时间T_ri(i＝1,2,3...)和T_rj(j＝1,2,3...)，急刹车的起始时间和终止时间T_si(i＝1,2,3...)和T_sj(j＝1,2,3...)；

(3)提取上述步骤(1)采集数据的特征值，包括以下步骤：

(3-1)根据上述步骤(2)记录的起始时间和终止时间，按照2秒采样数据的倍数，截取从T_ai(i＝1,2,3...)到T_aj(j＝1,2,3...)、T_di(i＝1,2,3...)到T_di(j＝1,2,3...)、T_li(i＝1,2,3...)到T_li(j＝1,2,3...)和T_ri(i＝1,2,3...)到T_ri(j＝1,2,3...)时间段内的手机三轴加速度数据acc_x,acc_y,acc_z和三轴角速度数据gyr_x,gyr_y,gyr_z；

(3-2)将步骤(3-1)截取的手机三轴加速度数据acc_x,acc_y,acc_z和三轴角速度数据gyr_x,gyr_y,gyr_z，按照每两秒作为一个单元，进行单元划分；

(3-3)分别从步骤(3-2)的每个单元中提取特征值，特征值分别为：单元中每列数据的平均值： ${\mathrm{\&mu;}}_{X^j}=\frac{1}{l}{\mathrm{\&Sigma;}}_{i=1}^l{X}_i^j,$ 单元中每列数据的方差： ${\mathrm{\&sigma;}}_{X_j}^2=\frac{1}{l}{\mathrm{\&Sigma;}}_{i=1}^l{(X_i^j-\mathrm{\&mu;})}^2,$ 单元中每列数据的最大值： ${\max }_{X_j}=\max \mathrm{imum}\left(X_i^j\right),$ 单元中每列数据的最小值 ${\min }_{X_j}=\min \mathrm{imum}\left(X_i^j\right),$ 单元中每列数据的幅度单元中每列数据的平均交叉率 ${\mathrm{mcr}}_{X_j}=\frac{1}{l-1}{\mathrm{\&Sigma;}}_{i=l}^{N-1}\mathrm{\&gamma;}\{(X_i^j-{\mathrm{\&mu;}}_{X_j})(X_{i+1}^j-{\mathrm{\&mu;}}_{X_j})<0\},$ 单元中每列数据的均方根 ${\mathrm{rms}}_{X_j}=\sqrt{\frac{1}{l}{\mathrm{\&Sigma;}}_{i=1}^l{X}_i^{j2}},$ 单元中每列数据的偏度 ${\mathrm{skew}}_{X^j}=\frac{1}{{{\mathrm{l\&sigma;}}_{X^j}}^3}{\mathrm{\&Sigma;}}_{i=1}^l{(X_i^j-{\mathrm{\&mu;}}_{X^j})}^3,$ 单元中每列数据的峰度系数单元中各列数据间的相关系数 ${\mathrm{corr}}_{X^{\mathrm{ab}}}=\frac{1}{{\mathrm{l\&sigma;}}_{X^a}{\mathrm{\&sigma;}}_{X^b}}{\mathrm{\&Sigma;}}_{i=1}^l(X_i^a-{\mathrm{\&mu;}}_{X^a})(X_i^b-{\mathrm{\&mu;}}_{X^b}),$

[a,b]＝{[1,2],[1,3],[2,3],[4,5],[4,6],[5,6]}，单元中加速度数据的平均幅度面积1,2,3,4,5,6表示数据单元的列序号1,2,3表示数据单元的列序号，单元中角速度数据的平均幅度面积4,5,6表示数据单元的列序号，单元中加速度数据的平均能量消耗1,2,3表示数据单元的列序号,以及单元中角速度数据的平均能量消耗4,5,6表示数据单元的列序号，将每个单元的特征值组成一个特征向量，其中表示数据单元中第i列数据的每个数据值，l表示数据单元的行数；

(3-4)重复步骤(3-3)得到所有数据单元的特征向量；

(4)建立一个车辆异常驾驶行为的识别模型：分别将上述步骤(3-4)的所有数据单元中的每种特征向量，按比例4:1划分为训练集和测试集，利用支持向量机的机器学习方法对训练集进行训练，得到一个车辆异常驾驶行为的识别模型，并利用支持向量机的机器学习方法，根据测试集对得到的识别模型的识别准确率进行测试，得到识别准确率，设定一个识别准确率的阈值a，若识别准确率小于阈值a，则继续采集车辆驾驶行为模拟数据，并返回步骤(1)，若识别准确率大于或等于阈值a，则将该车辆异常驾驶行为的识别模型作为标准模型，并进行步骤(5)；

(5)用手机实时识别车辆异常驾驶行为，包括以下步骤：

(5-1)若手机处于手机沿X轴的方向与车辆直行时的前轮轴平行，沿Y轴方向为非水平的空间搁置状态，则根据上述步骤(1)手机的三轴加速度数据acc_x,acc_y,acc_z和三轴环境磁场数据mag_x,mag_y,mag_z(由手机磁场传感器得到)，利用融合三轴加速度数据和三轴环境磁场数据的方法，计算得到手机沿X轴方向与水平面的夹角α和沿Y轴方向与水平面的夹角β，再利用空间三维坐标旋转方法，将手机的上述步骤(1)的三轴加速度数据A＝[acc_x,acc_y,acc_z]和角速度数据G＝[gyr_x,gyr_y,gyr_z]变换为水平面的三轴加速度数据为A′＝[acc_x′,acc_y′,acc_z′]和三轴加速度数据G′＝[gyr_x′,gyr_y′,gyr_z′]，

       $\left[\begin{array}{c}{{\mathrm{acc}}_x}^{\&prime;}\\ {{\mathrm{acc}}_y}^{\&prime;}\\ {{\mathrm{acc}}_z}^{\&prime;}\end{array}\right]=R_{\mathrm{oc}}^a\&CenterDot;A^T=\left[\begin{array}{ccc}\cos \mathrm{\&beta;}& 0& \sin \mathrm{\&beta;}\\ \sin \mathrm{\&alpha;}\sin \mathrm{\&beta;}& \cos \mathrm{\&alpha;}& -\sin \mathrm{\&alpha;}\cos \mathrm{\&beta;}\\ -\sin \mathrm{\&beta;}\cos \mathrm{\&alpha;}& \sin \mathrm{\&alpha;}& \cos \mathrm{\&alpha;}\cos \mathrm{\&beta;}\end{array}\right]\&CenterDot;\left[\begin{array}{c}{\mathrm{acc}}_x\\ {\mathrm{acc}}_y\\ {\mathrm{acc}}_z\end{array}\right]$

       $\left[\begin{array}{c}{{\mathrm{gyr}}_x}^{\&prime;}\\ {{\mathrm{gyr}}_y}^{\&prime;}\\ {{\mathrm{gyr}}_z}^{\&prime;}\end{array}\right]=R_{\mathrm{oc}}^g\&CenterDot;G^T=\left[\begin{array}{ccc}1& \sin \mathrm{\&alpha;}\&CenterDot;\tan \mathrm{\&beta;}& \cos \mathrm{\&alpha;}\&CenterDot;\tan \mathrm{\&beta;}\\ 0& \cos \mathrm{\&alpha;}& -\sin \mathrm{\&alpha;}\\ 0& \sin \mathrm{\&alpha;}/\cos \mathrm{\&beta;}& \cos \mathrm{\&alpha;}/\cos \mathrm{\&beta;}\end{array}\right]\&CenterDot;\left[\begin{array}{c}{\mathrm{gyr}}_x\\ {\mathrm{gyr}}_y\\ {\mathrm{gyr}}_z\end{array}\right]$

其中，加速度旋转矩阵和角速度旋转矩阵表示如下：

       $n\begin{array}{c}{R}_{\mathrm{oc}}^a=R(\mathrm{\&alpha;},\mathrm{\&beta;})=R_x{R}_y\\ =\left[\begin{array}{ccc}1& 0& 0\\ 0& \cos \left(\mathrm{\&alpha;}\right)& \sin \left(\mathrm{\&alpha;}\right)\\ 0& -\sin \left(\mathrm{\&alpha;}\right)& \cos \left(\mathrm{\&alpha;}\right)\end{array}\right]\left[\begin{array}{ccc}\cos \left(\mathrm{\&beta;}\right)& 0& -\sin \left(\mathrm{\&beta;}\right)\\ 0& 1& 0\\ \sin \left(\mathrm{\&beta;}\right)& 0& \cos \left(\mathrm{\&beta;}\right)\end{array}\right]=\left[\begin{array}{ccc}\cos \mathrm{\&beta;}& 0& \sin \mathrm{\&beta;}\\ \sin \mathrm{\&alpha;}\sin \mathrm{\&beta;}& \cos \mathrm{\&alpha;}& -\sin \mathrm{\&alpha;}\cos \mathrm{\&beta;}\\ -\sin \mathrm{\&beta;}\cos \mathrm{\&alpha;}& \sin \mathrm{\&alpha;}& \cos \mathrm{\&alpha;}\cos \mathrm{\&beta;}\end{array}\right]\end{array}$

       $R_{\mathrm{oc}}^g=\left[\begin{array}{ccc}1& \sin \mathrm{\&alpha;}\&CenterDot;\tan \mathrm{\&beta;}& \cos \mathrm{\&alpha;}\&CenterDot;\tan \mathrm{\&beta;}\\ 0& \cos \mathrm{\&alpha;}& -\sin \mathrm{\&alpha;}\\ 0& \sin \mathrm{\&alpha;}/\cos \mathrm{\&beta;}& \cos \mathrm{\&alpha;}/\cos \mathrm{\&beta;}\end{array}\right];$

(5-2)按照每秒100次的频率读取(5-1)中的三轴加速度数据A′＝[acc_x′,acc_y′,acc_z′]和三轴加速度数据G′＝[gyr_x′,gyr_y′,gyr_z′]，并将读取数据中每2秒的实时加速度和角速度数据作为一个数据单元，按步骤(3-3)的方法提取该数据单元的特征值，将多个特征值组成一个特征向量；

(5-3)设定一个识别时段[t_1j,t_2j]和该时段内的变道次数阈值n_s，利用步骤(4)的标准模型对上述(5-2)的特征向量进行识别，在时段[t_1j,t_2j]内识别出的车辆左变道次数为n_l，识别出的车辆右变道次数为n_r，若n_l+n_r小于或变道次数阈值n_s，则判定车辆未出现频繁变道的危险驾驶行为，若n_l+n_r大于变道次数阈值n_s，则判定车辆出现频繁变道的危险驾驶行为，手机发出报警；

(5-4)设定一个识别时段[t_1j,t_2j]和该时段内的变速次数阈值s_s，利用步骤(4)的标准模型对上述(5-2)的特征向量进行识别，在时段[t_1j,t_2j]内识别出车辆加速次数为s_a，识别出的车辆减速次数为s_d，若s_a+s_d小于或等于该时段内的变速次数阈值s_s，则判定车辆为未出现频繁加减速的危险驾驶行为，若s_a+s_d大于该时段内的变速次数阈值s_s，则判定车辆出现频繁加减速的危险驾驶行为，手机发出报警；

(5-5)设定一个识别时段[t_1j,t_2j]，利用步骤(4)的标准模型对上述(5-2)的特征向量进行识别，若在时段[t_1j,t_2j]内识未别出车辆发生急刹车，则判定车辆未出现急刹车的危险驾驶行为，若在时段[t_1j,t_2j]内识别出车辆发生急刹车，则判定车辆出现急刹车的危险驾驶行为，手机发出报警。

本发明提出的基于手机的车辆异常驾驶行为检测方法，具有以下优点：

1、本发明提出的基于手机的车辆异常驾驶行为检测方法，仅利用现有手机，就能实现实时检测车辆异常驾驶行为状态，不需要额外投入，降低了车辆异常驾驶行为检测成本。

2、本发明的检测方法中，使用了加速度和角速度两大指标，提升了对车辆异常驾驶行为的识别准确率。

3、本发明的检测方法采用了多个特征值，可提升识别各种驾驶行为状态的准确率。

4、本发明的检测方法中使用了手机姿态旋转调整方法，对车辆内手机的放置位置进行适当调整，即可使用，因此实用性较强。

附图说明

图1是本发明提出的基于智能手机的车辆异常驾驶行为检测方法的流程框架图。

图2是本发明检测方法采用的手机局部坐标系示意图。

图3是本发明检测方法实验阶段手机在驾驶行为模拟实验车内的放置姿态示意图。

具体实施方式

本发明提出的一种基于手机的车辆异常驾驶行为检测方法，包括:通过手机获取车辆的运动状态数据,所述手机含有加速度传感器、陀螺仪传感器和磁场传感器；在时域上提取数据的特征；并通过识别模型判断车辆的驾驶行为。其流程框图如图1所示，该方法包括以下步骤：

(1)采集车辆驾驶行为模拟数据：

设驾驶行为包括加速、减速、左变道、右变道、急刹车和正常行驶，用手机按照每秒100次的采样频率，分别采集车辆在加速、减速、左变道、右变道、急刹车和正常行驶情况下的手机三轴加速度数据acc_x,acc_y,acc_z和三轴角速度数据gyr_x,gyr_y,gyr_z，以及数据采集时刻的时间t，加速、减速、左变道、右变道和急刹车情况各采集N次，正常行驶情况采集20分钟,每次采样形成一个数据序列，该数据序列中的每一行数据形式为[acc_x,acc_y,acc_z,gyr_x,gyr_y,gyr_z,t_i](i＝1,2,3...),其中t为采样时刻，将数据序列存储到一个数据文件中；手机局部坐标系如图2所示；采集过程中，手机按照手机局部坐标系Y轴正向与车头方向一致，X轴正向参照Y轴正向水平向右指向副驾驶座位一侧，Z轴正向垂直向上的放置姿态放置，如图3所示。

(2)分别记录车辆的加速起始时间和终止时间T_ai(i＝1,2,3...)和T_aj(j＝1,2,3...)、减速起始时间和终止时间T_di(i＝1,2,3...)和T_di(j＝1,2,3...)、左变道起始时间和终止时间T_li(i＝1,2,3...)和T_lj(j＝1,2,3...)、右变道起始时间和终止时间T_ri(i＝1,2,3...)和T_rj(j＝1,2,3...)，急刹车的起始时间和终止时间T_si(i＝1,2,3...)和T_sj(j＝1,2,3...)；

(3)提取上述步骤(1)采集数据的特征值，包括以下步骤：

(3-1)根据上述步骤(2)记录的起始时间和终止时间，按照2秒采样数据的倍数，截取从T_ai(i＝1,2,3...)到T_aj(j＝1,2,3...)、T_di(i＝1,2,3...)到T_di(j＝1,2,3...)、T_li(i＝1,2,3...)到T_li(j＝1,2,3...)和T_ri(i＝1,2,3...)到T_ri(j＝1,2,3...)时间段内的手机三轴加速度数据acc_x,acc_y,acc_z和三轴角速度数据gyr_x,gyr_y,gyr_z；

(3-2)将步骤(3-1)截取的手机三轴加速度数据acc_x,acc_y,acc_z和三轴角速度数据gyr_x,gyr_y,gyr_z，按照每两秒作为一个单元，进行单元划分；

(3-3)分别从步骤(3-2)的每个单元中提取特征值，特征值分别为：单元中每列数据的平均值： ${\mathrm{\&mu;}}_{X^j}=\frac{1}{l}{\mathrm{\&Sigma;}}_{i=1}^l{X}_i^j,$ 单元中每列数据的方差： ${\mathrm{\&sigma;}}_{X_j}^2=\frac{1}{l}{\mathrm{\&Sigma;}}_{i=1}^l{(X_i^j-\mathrm{\&mu;})}^2,$ 单元中每列数据的最大值： ${\max }_{X_j}=\max \mathrm{imum}\left(X_i^j\right),$ 单元中每列数据的最小值 ${\min }_{X_j}=\min \mathrm{imum}\left(X_i^j\right),$ 单元中每列数据的幅度单元中每列数据的平均交叉率 ${\mathrm{mcr}}_{X_j}=\frac{1}{l-1}{\mathrm{\&Sigma;}}_{i=l}^{N-1}\mathrm{\&gamma;}\{(X_i^j-{\mathrm{\&mu;}}_{X_j})(X_{i+1}^j-{\mathrm{\&mu;}}_{X_j})<0\},$ 单元中每列数据的均方根 ${\mathrm{rms}}_{X_j}=\sqrt{\frac{1}{l}{\mathrm{\&Sigma;}}_{i=1}^l{X}_i^{j2}},$ 单元中每列数据的偏度 ${\mathrm{skew}}_{X^j}=\frac{1}{{{\mathrm{l\&sigma;}}_{X^j}}^3}{\mathrm{\&Sigma;}}_{i=1}^l{(X_i^j-{\mathrm{\&mu;}}_{X^j})}^3,$ 单元中每列数据的峰度系数单元中各列数据间的相关系数

       ${\mathrm{corr}}_{X^{\mathrm{ab}}}=\frac{1}{{\mathrm{l\&sigma;}}_{X^a}{\mathrm{\&sigma;}}_{X^b}}{\mathrm{\&Sigma;}}_{i=1}^l(X_i^a-{\mathrm{\&mu;}}_{X^a})(X_i^b-{\mathrm{\&mu;}}_{X^b}),$

[a,b]＝{[1,2],[1,3],[2,3],[4,5],[4,6],[5,6]}

其中，1、2、3、4、5、6分别表示数据单元的序列号，单元中加速度数据的平均幅度面积1,2,3表示数据单元的列序号，单元中角速度数据的平均幅度面积4,5,6表示数据单元的列序号，单元中加速度数据的平均能量消耗1,2,3表示数据单元的列序号,以及单元中角速度数据的平均能量消耗4,5,6表示数据单元的列序号，将每个单元的特征值组成一个特征向量，其中表示数据单元中第i列数据的每个数据值，l表示数据单元的行数；

(3-4)重复步骤(3-3)得到所有数据单元的特征向量；

(4)建立一个车辆异常驾驶行为的识别模型：分别将上述步骤(3-4)的所有数据单元中的每种特征向量，按比例4:1划分为训练集和测试集，利用支持向量机(SVM)的机器学习方法对训练集进行训练，得到一个车辆异常驾驶行为的识别模型，并利用支持向量机的机器学习方法，根据测试集对得到的识别模型的识别准确率进行测试，得到识别准确率，设定一个识别准确率的阈值a，若识别准确率小于阈值a，则继续采集车辆驾驶行为模拟数据，并返回步骤(1)，若识别准确率大于或等于阈值a，则将该车辆异常驾驶行为的识别模型作为标准模型，并进行步骤(5)；

(5)用手机实时识别车辆异常驾驶行为，包括以下步骤：

(5-1)若手机处于手机沿X轴的方向与车辆直行时的前轮轴平行，沿Y轴方向为非水平的空间搁置状态，则根据上述步骤(1)手机的三轴加速度数据acc_x,acc_y,acc_z和三轴环境磁场数据mag_x,mag_y,mag_z(由手机磁场传感器得到)，利用融合三轴加速度数据和三轴环境磁场数据的方法，计算得到手机沿X轴方向与水平面的夹角α和沿Y轴方向与水平面的夹角β，再利用空间三维坐标旋转方法，将手机的上述步骤(1)的三轴加速度数据A＝[acc_x,acc_y,acc_z]和角速度数据G＝[gyr_x,gyr_y,gyr_z]变换为水平面的三轴加速度数据为A′＝[acc_x′,acc_y′,acc_z′]和三轴加速度数据G′＝[gyr_x′,gyr_y′,gyr_z′]，

       $\left[\begin{array}{c}{{\mathrm{acc}}_x}^{\&prime;}\\ {{\mathrm{acc}}_y}^{\&prime;}\\ {{\mathrm{acc}}_z}^{\&prime;}\end{array}\right]=R_{\mathrm{oc}}^a\&CenterDot;A^T=\left[\begin{array}{ccc}\cos \mathrm{\&beta;}& 0& \sin \mathrm{\&beta;}\\ \sin \mathrm{\&alpha;}\sin \mathrm{\&beta;}& \cos \mathrm{\&alpha;}& -\sin \mathrm{\&alpha;}\cos \mathrm{\&beta;}\\ -\sin \mathrm{\&beta;}\cos \mathrm{\&alpha;}& \sin \mathrm{\&alpha;}& \cos \mathrm{\&alpha;}\cos \mathrm{\&beta;}\end{array}\right]\&CenterDot;\left[\begin{array}{c}{\mathrm{acc}}_x\\ {\mathrm{acc}}_y\\ {\mathrm{acc}}_z\end{array}\right]$

       $\left[\begin{array}{c}{{\mathrm{gyr}}_x}^{\&prime;}\\ {{\mathrm{gyr}}_y}^{\&prime;}\\ {{\mathrm{gyr}}_z}^{\&prime;}\end{array}\right]=R_{\mathrm{oc}}^g\&CenterDot;G^T=\left[\begin{array}{ccc}1& \sin \mathrm{\&alpha;}\&CenterDot;\tan \mathrm{\&beta;}& \cos \mathrm{\&alpha;}\&CenterDot;\tan \mathrm{\&beta;}\\ 0& \cos \mathrm{\&alpha;}& -\sin \mathrm{\&alpha;}\\ 0& \sin \mathrm{\&alpha;}/\cos \mathrm{\&beta;}& \cos \mathrm{\&alpha;}/\cos \mathrm{\&beta;}\end{array}\right]\&CenterDot;\left[\begin{array}{c}{\mathrm{gyr}}_x\\ {\mathrm{gyr}}_y\\ {\mathrm{gyr}}_z\end{array}\right]$

其中，加速度旋转矩阵和角速度旋转矩阵表示如下：

       $n\begin{array}{c}{R}_{\mathrm{oc}}^a=R(\mathrm{\&alpha;},\mathrm{\&beta;})=R_x{R}_y\\ =\left[\begin{array}{ccc}1& 0& 0\\ 0& \cos \left(\mathrm{\&alpha;}\right)& \sin \left(\mathrm{\&alpha;}\right)\\ 0& -\sin \left(\mathrm{\&alpha;}\right)& \cos \left(\mathrm{\&alpha;}\right)\end{array}\right]\left[\begin{array}{ccc}\cos \left(\mathrm{\&beta;}\right)& 0& -\sin \left(\mathrm{\&beta;}\right)\\ 0& 1& 0\\ \sin \left(\mathrm{\&beta;}\right)& 0& \cos \left(\mathrm{\&beta;}\right)\end{array}\right]=\left[\begin{array}{ccc}\cos \mathrm{\&beta;}& 0& \sin \mathrm{\&beta;}\\ \sin \mathrm{\&alpha;}\sin \mathrm{\&beta;}& \cos \mathrm{\&alpha;}& -\sin \mathrm{\&alpha;}\cos \mathrm{\&beta;}\\ -\sin \mathrm{\&beta;}\cos \mathrm{\&alpha;}& \sin \mathrm{\&alpha;}& \cos \mathrm{\&alpha;}\cos \mathrm{\&beta;}\end{array}\right]\end{array}$

       $R_{\mathrm{oc}}^g=\left[\begin{array}{ccc}1& \sin \mathrm{\&alpha;}\&CenterDot;\tan \mathrm{\&beta;}& \cos \mathrm{\&alpha;}\&CenterDot;\tan \mathrm{\&beta;}\\ 0& \cos \mathrm{\&alpha;}& -\sin \mathrm{\&alpha;}\\ 0& \sin \mathrm{\&alpha;}/\cos \mathrm{\&beta;}& \cos \mathrm{\&alpha;}/\cos \mathrm{\&beta;}\end{array}\right];$

(5-2)按照每秒100次的频率读取(5-1)中的三轴加速度数据A′＝[acc_x′,acc_y′,acc_z′]和三轴加速度数据G′＝[gyr_x′,gyr_y′,gyr_z′]，并将读取数据中每2秒的实时加速度和角速度数据作为一个数据单元，按步骤(3-3)的方法提取该数据单元的特征值，将多个特征值组成一个特征向量；

(5-3)设定一个识别时段[t_1j,t_2j]和该时段内的变道次数阈值n_s，利用步骤(4)的标准模型对上述(5-2)的特征向量进行识别，在时段[t_1j,t_2j]内识别出的车辆左变道次数为n_l，识别出的车辆右变道次数为n_r，若n_l+n_r小于或变道次数阈值n_s，则判定车辆未出现频繁变道的危险驾驶行为，若n_l+n_r大于变道次数阈值n_s，则判定车辆出现频繁变道的危险驾驶行为，手机发出报警；

(5-4)设定一个识别时段[t_1j,t_2j]和该时段内的变速次数阈值s_s，利用步骤(4)的标准模型对上述(5-2)的特征向量进行识别，在时段[t_1j,t_2j]内识别出车辆加速次数为s_a，识别出的车辆减速次数为s_d，若s_a+s_d小于或等于该时段内的变速次数阈值s_s，则判定车辆为未出现频繁加减速的危险驾驶行为，若s_a+s_d大于该时段内的变速次数阈值s_s，则判定车辆出现频繁加减速的危险驾驶行为，手机发出报警；

(5-5)设定一个识别时段[t_1j,t_2j]，利用步骤(4)的标准模型对上述(5-2)的特征向量进行识别，若在时段[t_1j,t_2j]内识未别出车辆发生急刹车，则判定车辆未出现急刹车的危险驾驶行为，若在时段[t_1j,t_2j]内识别出车辆发生急刹车，则判定车辆出现急刹车的危险驾驶行为，手机发出报警。

Claims (1)

1.一种基于手机的车辆异常驾驶行为检测方法，其特征在于该方法包括以下几点：

(1)采集车辆驾驶行为模拟数据：

设驾驶行为包括加速、减速、左变道、右变道、急刹车和正常行驶，用手机按照每秒100次的采样频率，分别采集车辆在加速、减速、左变道、右变道、急刹车和正常行驶情况下的手机三轴加速度数据acc_x,acc_y,acc_z和三轴角速度数据gyr_x,gyr_y,gyr_z，以及数据采集时刻的时间t，加速、减速、左变道、右变道和急刹车情况各采集N次，正常行驶情况采集20分钟,每次采样形成一个数据序列，该数据序列中的每一行数据形式为[acc_x,acc_y,acc_z,gyr_x,gyr_y,gyr_z,t_i](i＝1,2,3...),其中t为采样时刻，将数据序列存储到一个数据文件中；

(2)分别记录车辆的加速起始时间和终止时间T_ai(i＝1,2,3...)和T_aj(j＝1,2,3...)、减速起始时间和终止时间T_di(i＝1,2,3...)和T_di(j＝1,2,3...)、左变道起始时间和终止时间T_li(i＝1,2,3...)和T_lj(j＝1,2,3...)、右变道起始时间和终止时间T_ri(i＝1,2,3...)和T_rj(j＝1,2,3...)，急刹车的起始时间和终止时间T_si(i＝1,2,3...)和T_sj(j＝1,2,3...)；

(3)提取上述步骤(1)采集数据的特征值，包括以下步骤：

(3-1)根据上述步骤(2)记录的起始时间和终止时间，按照2秒采样数据的倍数，截取从T_ai(i＝1,2,3...)到T_aj(j＝1,2,3...)、T_di(i＝1,2,3...)到T_di(j＝1,2,3...)、T_li(i＝1,2,3...)到T_li(j＝1,2,3...)和T_ri(i＝1,2,3...)到T_ri(j＝1,2,3...)时间段内的手机三轴加速度数据acc_x,acc_y,acc_z和三轴角速度数据gyr_x,gyr_y,gyr_z；

(3-2)将步骤(3-1)截取的手机三轴加速度数据acc_x,acc_y,acc_z和三轴角速度数据gyr_x,gyr_y,gyr_z，按照每两秒作为一个单元，进行单元划分；

(3-3)分别从步骤(3-2)的每个单元中提取特征值，特征值分别为：单元中每列数据的平均值： ${\mathrm{\&mu;}}_{X^j}=\frac{1}{l}{\mathrm{\&Sigma;}}_{i=1}^l{X}_i^j,$ 单元中每列数据的方差： ${\mathrm{\&sigma;}}_{X_j}^2=\frac{1}{l}{\mathrm{\&Sigma;}}_{i=1}^l{(X_i^j-\mathrm{\&mu;})}^2,$ 单元中每列数据的最大值： ${\max }_{X_j}=\max \mathrm{imum}\left(X_i^j\right),$ 单元中每列数据的最小值 ${\min }_{X_j}=\min \mathrm{imum}\left(X_i^j\right),$ 单元中每列数据的幅度单元中每列数据的平均交叉率 ${\mathrm{mcr}}_{X_j}=\frac{1}{l-1}{\mathrm{\&Sigma;}}_{i=l}^{N-1}\mathrm{\&gamma;}\{(X_i^j-{\mathrm{\&mu;}}_{X_j})(X_{i+1}^j-{\mathrm{\&mu;}}_{X_j})<0\},$ 单元中每列数据的均方根 ${\mathrm{rms}}_{X_j}=\sqrt{\frac{1}{l}{\mathrm{\&Sigma;}}_{i=1}^l{X}_i^{j2}},$ 单元中每列数据的偏度 ${\mathrm{skew}}_{X^j}=\frac{1}{{{\mathrm{l\&sigma;}}_{X^j}}^3}{\mathrm{\&Sigma;}}_{i=1}^l{(X_i^j-{\mathrm{\&mu;}}_{X^j})}^3,$ 单元中每列数据的峰度系数单元中各列数据间的相关系数 ${\mathrm{corr}}_{X^{\mathrm{ab}}}=\frac{1}{{\mathrm{l\&sigma;}}_{X^a}{\mathrm{\&sigma;}}_{X^b}}{\mathrm{\&Sigma;}}_{i=1}^l(X_i^a-{\mathrm{\&mu;}}_{X^a})(X_i^b-{\mathrm{\&mu;}}_{X^b}),$ [a,b]＝{[1,2],[1,3],[2,3],[4,5],[4,6],[5,6]}，单元中加速度数据的平均幅度面积1,2,3,4,5,6表示数据单元的列序号1,2,3表示数据单元的列序号，单元中角速度数据的平均幅度面积4,5,6表示数据单元的列序号，单元中加速度数据的平均能量消耗1,2,3表示数据单元的列序号,以及单元中角速度数据的平均能量消耗4,5,6表示数据单元的列序号，将每个单元的特征值组成一个特征向量，其中表示数据单元中第i列数据的每个数据值，l表示数据单元的行数；

(3-4)重复步骤(3-3)得到所有数据单元的特征向量；

(4)建立一个车辆异常驾驶行为的识别模型：分别将上述步骤(3-4)的所有数据单元中的每种特征向量，按比例4:1划分为训练集和测试集，利用支持向量机的机器学习方法对训练集进行训练，得到一个车辆异常驾驶行为的识别模型，并利用支持向量机的机器学习方法，根据测试集对得到的识别模型的识别准确率进行测试，得到识别准确率，设定一个识别准确率的阈值a，若识别准确率小于阈值a，则继续采集车辆驾驶行为模拟数据，并返回步骤(1)，若识别准确率大于或等于阈值a，则将该车辆异常驾驶行为的识别模型作为标准模型，并进行步骤(5)；

(5)用手机实时识别车辆异常驾驶行为，包括以下步骤：

(5-1)若手机处于手机沿X轴的方向与车辆直行时的前轮轴平行，沿Y轴方向为非水平的空间搁置状态，则根据上述步骤(1)手机的三轴加速度数据acc_x,acc_y,acc_z和三轴环境磁场数据mag_x,mag_y,mag_z(由手机磁场传感器得到)，利用融合三轴加速度数据和三轴环境磁场数据的方法，计算得到手机沿X轴方向与水平面的夹角α和沿Y轴方向与水平面的夹角β，再利用空间三维坐标旋转方法，将手机的上述步骤(1)的三轴加速度数据A＝[acc_x,acc_y,acc_z]和角速度数据G＝[gyr_x,gyr_y,gyr_z]变换为水平面的三轴加速度数据为A′＝[acc_x′,acc_y′,acc_z′]和三轴加速度数据G′＝[gyr_x′,gyr_y′,gyr_z′]，

$\left[\begin{array}{c}{{\mathrm{acc}}_x}^{\&prime;}\\ {{\mathrm{acc}}_y}^{\&prime;}\\ {{\mathrm{acc}}_z}^{\&prime;}\end{array}\right]=R_{\mathrm{oc}}^a\&CenterDot;A^T=\left[\begin{array}{ccc}\cos \mathrm{\&beta;}& 0& \sin \mathrm{\&beta;}\\ \sin \mathrm{\&alpha;}\sin \mathrm{\&beta;}& \cos \mathrm{\&alpha;}& -\sin \mathrm{\&alpha;}\cos \mathrm{\&beta;}\\ -\sin \mathrm{\&beta;}\cos \mathrm{\&alpha;}& \sin \mathrm{\&alpha;}& \cos \mathrm{\&alpha;}\cos \mathrm{\&beta;}\end{array}\right]\&CenterDot;\left[\begin{array}{c}{\mathrm{acc}}_x\\ {\mathrm{acc}}_y\\ {\mathrm{acc}}_z\end{array}\right]$

$\left[\begin{array}{c}{{\mathrm{gyr}}_x}^{\&prime;}\\ {{\mathrm{gyr}}_y}^{\&prime;}\\ {{\mathrm{gyr}}_z}^{\&prime;}\end{array}\right]=R_{\mathrm{oc}}^a\&CenterDot;G^T=\left[\begin{array}{ccc}1& \sin \mathrm{\&alpha;}\&CenterDot;\tan \mathrm{\&beta;}& \cos \mathrm{\&alpha;}\&CenterDot;\tan \mathrm{\&beta;}\\ 0& \cos \mathrm{\&alpha;}& -\sin \mathrm{\&alpha;}\\ 0& \sin \mathrm{\&alpha;}/\cos \mathrm{\&beta;}& \cos \mathrm{\&alpha;}/\cos \mathrm{\&beta;}\end{array}\right]\&CenterDot;\left[\begin{array}{c}{\mathrm{gyr}}_x\\ {\mathrm{gyr}}_y\\ {\mathrm{gyr}}_z\end{array}\right]$

其中，加速度旋转矩阵和角速度旋转矩阵表示如下：

$\begin{array}{c}{R}_{\mathrm{oc}}^a=R(\mathrm{\&alpha;},\mathrm{\&beta;})=R_x{R}_y\\ =\left[\begin{array}{ccc}1& 0& 0\\ 0& \cos \left(\mathrm{\&alpha;}\right)& \sin \left(\mathrm{\&alpha;}\right)\\ 0& -\sin \left(\mathrm{\&alpha;}\right)& \cos \left(\mathrm{\&alpha;}\right)\end{array}\right]\left[\begin{array}{ccc}\cos \left(\mathrm{\&beta;}\right)& 0& -\sin \left(\mathrm{\&beta;}\right)\\ 0& 1& 0\\ \sin \left(\mathrm{\&beta;}\right)& 0& \cos \left(\mathrm{\&beta;}\right)\end{array}\right]=\left[\begin{array}{ccc}\cos \mathrm{\&beta;}& 0& \sin \mathrm{\&beta;}\\ \sin \mathrm{\&alpha;}\sin \mathrm{\&beta;}& \cos \mathrm{\&alpha;}& -\sin \mathrm{\&alpha;}\cos \mathrm{\&beta;}\\ -\sin \mathrm{\&beta;}\cos \mathrm{\&alpha;}& \sin \mathrm{\&alpha;}& \cos \mathrm{\&alpha;}\cos \mathrm{\&beta;}\end{array}\right]\end{array}$

$R_{\mathrm{oc}}^g=\left[\begin{array}{ccc}1& \sin \mathrm{\&alpha;}\&CenterDot;\tan \mathrm{\&beta;}& \cos \mathrm{\&alpha;}\&CenterDot;\tan \mathrm{\&beta;}\\ 0& \cos \mathrm{\&alpha;}& -\sin \mathrm{\&alpha;}\\ 0& \sin \mathrm{\&alpha;}/\cos \mathrm{\&beta;}& \cos \mathrm{\&alpha;}/\cos \mathrm{\&beta;}\end{array}\right];$

(5-2)按照每秒100次的频率读取(5-1)中的三轴加速度数据A′＝[acc_x′,acc_y′,acc_z′]和三轴加速度数据G′＝[gyr_x′,gyr_y′,gyr_z′]，并将读取数据中每2秒的实时加速度和角速度数据作为一个数据单元，按步骤(3-3)的方法提取该数据单元的特征值，将多个特征值组成一个特征向量；

(5-3)设定一个识别时段[t_1j,t_2j]和该时段内的变道次数阈值n_s，利用步骤(4)的标准模型对上述(5-2)的特征向量进行识别，在时段[t_1j,t_2j]内识别出的车辆左变道次数为n_l，识别出的车辆右变道次数为n_r，若n_l+n_r小于或变道次数阈值n_s，则判定车辆未出现频繁变道的危险驾驶行为，若n_l+n_r大于变道次数阈值n_s，则判定车辆出现频繁变道的危险驾驶行为，手机发出报警；

(5-4)设定一个识别时段[t_1j,t_2j]和该时段内的变速次数阈值s_s，利用步骤(4)的标准模型对上述(5-2)的特征向量进行识别，在时段[t_1j,t_2j]内识别出车辆加速次数为s_a，识别出的车辆减速次数为s_d，若s_a+s_d小于或等于该时段内的变速次数阈值s_s，则判定车辆为未出现频繁加减速的危险驾驶行为，若s_a+s_d大于该时段内的变速次数阈值s_s，则判定车辆出现频繁加减速的危险驾驶行为，手机发出报警；

(5-5)设定一个识别时段[t_1j,t_2j]，利用步骤(4)的标准模型对上述(5-2)的特征向量进行识别，若在时段[t_1j,t_2j]内识未别出车辆发生急刹车，则判定车辆未出现急刹车的危险驾驶行为，若在时段[t_1j,t_2j]内识别出车辆发生急刹车，则判定车辆出现急刹车的危险驾驶行为，手机发出报警。