CN104802737A - 一种基于手机的车辆异常驾驶行为检测方法 - Google Patents
一种基于手机的车辆异常驾驶行为检测方法 Download PDFInfo
- Publication number
- CN104802737A CN104802737A CN201510132319.4A CN201510132319A CN104802737A CN 104802737 A CN104802737 A CN 104802737A CN 201510132319 A CN201510132319 A CN 201510132319A CN 104802737 A CN104802737 A CN 104802737A
- Authority
- CN
- China
- Prior art keywords
- data
- acc
- alpha
- gyr
- cos
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R16/00—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for
- B60R16/02—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements
- B60R16/023—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements for transmission of signals between vehicle parts or subsystems
- B60R16/0231—Circuits relating to the driving or the functioning of the vehicle
- B60R16/0232—Circuits relating to the driving or the functioning of the vehicle for measuring vehicle parameters and indicating critical, abnormal or dangerous conditions
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
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accx,accy,accz和三轴角速度数据gyrx,gyry,gyrz,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[accx,accy,accz,gyrx,gyry,gyrz,ti](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Tai(i=1,2,3...)和Taj(j=1,2,3...)、减速起始时间和终止时间Tdi(i=1,2,3...)和Tdi(j=1,2,3...)、左变道起始时间和终止时间Tli(i=1,2,3...)和Tlj(j=1,2,3...)、右变道起始时间和终止时间Tri(i=1,2,3...)和Trj(j=1,2,3...),急刹车的起始时间和终止时间Tsi(i=1,2,3...)和Tsj(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Tai(i=1,2,3...)到Taj(j=1,2,3...)、Tdi(i=1,2,3...)到Tdi(j=1,2,3...)、Tli(i=1,2,3...)到Tli(j=1,2,3...)和Tri(i=1,2,3...)到Tri(j=1,2,3...)时间段内的手机三轴加速度数据accx,accy,accz和三轴角速度数据gyrx,gyry,gyrz;
(3-2)将步骤(3-1)截取的手机三轴加速度数据accx,accy,accz和三轴角速度数据gyrx,gyry,gyrz,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: 单元中每列数据的方差: 单元中每列数据的最大值: 单元中每列数据的最小值 单元中每列数据的幅度单元中每列数据的平均交叉率 单元中每列数据的均方根 单元中每列数据的偏度 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
[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accx,accy,accz和三轴环境磁场数据magx,magy,magz(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=[accx,accy,accz]和角速度数据G=[gyrx,gyry,gyrz]变换为水平面的三轴加速度数据为A′=[accx′,accy′,accz′]和三轴加速度数据G′=[gyrx′,gyry′,gyrz′],
其中,加速度旋转矩阵和角速度旋转矩阵表示如下:
(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′=[accx′,accy′,accz′]和三轴加速度数据G′=[gyrx′,gyry′,gyrz′],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[t1j,t2j]和该时段内的变道次数阈值ns,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[t1j,t2j]内识别出的车辆左变道次数为nl,识别出的车辆右变道次数为nr,若nl+nr小于或变道次数阈值ns,则判定车辆未出现频繁变道的危险驾驶行为,若nl+nr大于变道次数阈值ns,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[t1j,t2j]和该时段内的变速次数阈值ss,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[t1j,t2j]内识别出车辆加速次数为sa,识别出的车辆减速次数为sd,若sa+sd小于或等于该时段内的变速次数阈值ss,则判定车辆为未出现频繁加减速的危险驾驶行为,若sa+sd大于该时段内的变速次数阈值ss,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[t1j,t2j],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[t1j,t2j]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[t1j,t2j]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accx,accy,accz和三轴角速度数据gyrx,gyry,gyrz,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[accx,accy,accz,gyrx,gyry,gyrz,ti](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Tai(i=1,2,3...)和Taj(j=1,2,3...)、减速起始时间和终止时间Tdi(i=1,2,3...)和Tdi(j=1,2,3...)、左变道起始时间和终止时间Tli(i=1,2,3...)和Tlj(j=1,2,3...)、右变道起始时间和终止时间Tri(i=1,2,3...)和Trj(j=1,2,3...),急刹车的起始时间和终止时间Tsi(i=1,2,3...)和Tsj(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Tai(i=1,2,3...)到Taj(j=1,2,3...)、Tdi(i=1,2,3...)到Tdi(j=1,2,3...)、Tli(i=1,2,3...)到Tli(j=1,2,3...)和Tri(i=1,2,3...)到Tri(j=1,2,3...)时间段内的手机三轴加速度数据accx,accy,accz和三轴角速度数据gyrx,gyry,gyrz;
(3-2)将步骤(3-1)截取的手机三轴加速度数据accx,accy,accz和三轴角速度数据gyrx,gyry,gyrz,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: 单元中每列数据的方差: 单元中每列数据的最大值: 单元中每列数据的最小值 单元中每列数据的幅度单元中每列数据的平均交叉率 单元中每列数据的均方根 单元中每列数据的偏度 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
[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accx,accy,accz和三轴环境磁场数据magx,magy,magz(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=[accx,accy,accz]和角速度数据G=[gyrx,gyry,gyrz]变换为水平面的三轴加速度数据为A′=[accx′,accy′,accz′]和三轴加速度数据G′=[gyrx′,gyry′,gyrz′],
其中,加速度旋转矩阵和角速度旋转矩阵表示如下:
(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′=[accx′,accy′,accz′]和三轴加速度数据G′=[gyrx′,gyry′,gyrz′],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[t1j,t2j]和该时段内的变道次数阈值ns,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[t1j,t2j]内识别出的车辆左变道次数为nl,识别出的车辆右变道次数为nr,若nl+nr小于或变道次数阈值ns,则判定车辆未出现频繁变道的危险驾驶行为,若nl+nr大于变道次数阈值ns,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[t1j,t2j]和该时段内的变速次数阈值ss,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[t1j,t2j]内识别出车辆加速次数为sa,识别出的车辆减速次数为sd,若sa+sd小于或等于该时段内的变速次数阈值ss,则判定车辆为未出现频繁加减速的危险驾驶行为,若sa+sd大于该时段内的变速次数阈值ss,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[t1j,t2j],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[t1j,t2j]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[t1j,t2j]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accx,accy,accz和三轴角速度数据gyrx,gyry,gyrz,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[accx,accy,accz,gyrx,gyry,gyrz,ti](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Tai(i=1,2,3...)和Taj(j=1,2,3...)、减速起始时间和终止时间Tdi(i=1,2,3...)和Tdi(j=1,2,3...)、左变道起始时间和终止时间Tli(i=1,2,3...)和Tlj(j=1,2,3...)、右变道起始时间和终止时间Tri(i=1,2,3...)和Trj(j=1,2,3...),急刹车的起始时间和终止时间Tsi(i=1,2,3...)和Tsj(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Tai(i=1,2,3...)到Taj(j=1,2,3...)、Tdi(i=1,2,3...)到Tdi(j=1,2,3...)、Tli(i=1,2,3...)到Tli(j=1,2,3...)和Tri(i=1,2,3...)到Tri(j=1,2,3...)时间段内的手机三轴加速度数据accx,accy,accz和三轴角速度数据gyrx,gyry,gyrz;
(3-2)将步骤(3-1)截取的手机三轴加速度数据accx,accy,accz和三轴角速度数据gyrx,gyry,gyrz,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: 单元中每列数据的方差: 单元中每列数据的最大值: 单元中每列数据的最小值 单元中每列数据的幅度单元中每列数据的平均交叉率 单元中每列数据的均方根 单元中每列数据的偏度 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 [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accx,accy,accz和三轴环境磁场数据magx,magy,magz(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=[accx,accy,accz]和角速度数据G=[gyrx,gyry,gyrz]变换为水平面的三轴加速度数据为A′=[accx′,accy′,accz′]和三轴加速度数据G′=[gyrx′,gyry′,gyrz′],
其中,加速度旋转矩阵和角速度旋转矩阵表示如下:
(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′=[accx′,accy′,accz′]和三轴加速度数据G′=[gyrx′,gyry′,gyrz′],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[t1j,t2j]和该时段内的变道次数阈值ns,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[t1j,t2j]内识别出的车辆左变道次数为nl,识别出的车辆右变道次数为nr,若nl+nr小于或变道次数阈值ns,则判定车辆未出现频繁变道的危险驾驶行为,若nl+nr大于变道次数阈值ns,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[t1j,t2j]和该时段内的变速次数阈值ss,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[t1j,t2j]内识别出车辆加速次数为sa,识别出的车辆减速次数为sd,若sa+sd小于或等于该时段内的变速次数阈值ss,则判定车辆为未出现频繁加减速的危险驾驶行为,若sa+sd大于该时段内的变速次数阈值ss,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[t1j,t2j],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[t1j,t2j]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[t1j,t2j]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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510132319.4A CN104802737B (zh) | 2015-03-25 | 2015-03-25 | 一种基于手机的车辆异常驾驶行为检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510132319.4A CN104802737B (zh) | 2015-03-25 | 2015-03-25 | 一种基于手机的车辆异常驾驶行为检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104802737A true CN104802737A (zh) | 2015-07-29 |
CN104802737B CN104802737B (zh) | 2017-05-10 |
Family
ID=53688075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510132319.4A Active CN104802737B (zh) | 2015-03-25 | 2015-03-25 | 一种基于手机的车辆异常驾驶行为检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104802737B (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095677A (zh) * | 2015-09-10 | 2015-11-25 | 深圳威易森科技有限公司 | 一种自适应驾驶行为分析方法及其装置 |
CN105389984A (zh) * | 2015-11-16 | 2016-03-09 | 北京智视信息科技有限公司 | 一种基于移动终端传感信息融合的驾驶行为识别方法 |
CN105501153A (zh) * | 2015-11-27 | 2016-04-20 | 东莞酷派软件技术有限公司 | 车辆的控制方法、车辆的控制装置和服务器 |
CN105574537A (zh) * | 2015-11-23 | 2016-05-11 | 北京高科中天技术股份有限公司 | 基于多传感器的危险驾驶行为检测和评估方法 |
CN105730450A (zh) * | 2016-01-29 | 2016-07-06 | 北京荣之联科技股份有限公司 | 基于车载数据的驾驶行为分析方法及评价系统 |
CN105844379A (zh) * | 2015-12-09 | 2016-08-10 | 东软集团股份有限公司 | 基于主成分分析的车辆风险评估方法和装置 |
CN105956625A (zh) * | 2016-05-11 | 2016-09-21 | 清华大学深圳研究生院 | 一种基于给定物理模型的汽车运动状态识别方法及系统 |
CN105966404A (zh) * | 2015-11-06 | 2016-09-28 | 乐卡汽车智能科技(北京)有限公司 | 一种驾驶行为评测方法及装置 |
CN106203626A (zh) * | 2016-06-30 | 2016-12-07 | 北京奇虎科技有限公司 | 汽车驾驶行为检测方法及装置、汽车 |
CN106934876A (zh) * | 2017-03-16 | 2017-07-07 | 广东翼卡车联网服务有限公司 | 一种车辆异常驾驶事件的识别方法及系统 |
CN107330356A (zh) * | 2017-05-15 | 2017-11-07 | 开易(北京)科技有限公司 | 一种基于学习的在线车道变线预测方法及系统 |
CN108009463A (zh) * | 2016-10-27 | 2018-05-08 | 中国移动通信有限公司研究院 | 一种身份识别的方法及装置 |
CN108182004A (zh) * | 2018-01-19 | 2018-06-19 | 百度在线网络技术(北京)有限公司 | 用于识别承载移动终端的载体的行为模式的方法和装置 |
CN108280415A (zh) * | 2018-01-17 | 2018-07-13 | 武汉理工大学 | 基于智能移动终端的驾驶行为识别方法 |
CN108367193A (zh) * | 2015-11-30 | 2018-08-03 | 科斯莫互联公司 | 改进的信号发送设备 |
CN108702410A (zh) * | 2016-08-17 | 2018-10-23 | 华为技术有限公司 | 一种情景模式控制方法及移动终端 |
CN109297582A (zh) * | 2017-07-25 | 2019-02-01 | 台达电子电源(东莞)有限公司 | 风扇异音的检测装置及检测方法 |
CN109492597A (zh) * | 2018-11-19 | 2019-03-19 | 深圳市元征科技股份有限公司 | 基于svm算法的驾驶行为模型的建立方法和装置 |
CN109741483A (zh) * | 2018-12-11 | 2019-05-10 | 成都路行通信息技术有限公司 | 一种基于车联网平台的汽车碰撞检测方法 |
CN110225446A (zh) * | 2018-03-01 | 2019-09-10 | 北京嘀嘀无限科技发展有限公司 | 一种识别驾驶行为的系统、方法、装置和存储介质 |
CN110447214A (zh) * | 2018-03-01 | 2019-11-12 | 北京嘀嘀无限科技发展有限公司 | 一种识别驾驶行为的系统、方法、装置和存储介质 |
CN110692093A (zh) * | 2017-05-31 | 2020-01-14 | 北京嘀嘀无限科技发展有限公司 | 基于运动数据识别驾驶行为的设备和方法 |
CN111386561A (zh) * | 2018-10-05 | 2020-07-07 | 松下电器(美国)知识产权公司 | 信息处理方法及信息处理系统 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116894225B (zh) * | 2023-09-08 | 2024-03-01 | 国汽(北京)智能网联汽车研究院有限公司 | 驾驶行为异常分析方法及其装置、设备、介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR19990020463A (ko) * | 1997-08-30 | 1999-03-25 | 정몽규 | 자동차의 가상 차속 연산 알고리즘 |
CN101419679A (zh) * | 2008-12-11 | 2009-04-29 | 北京交通大学 | 一种混合动力电动汽车行驶状态的智能识别方法 |
CN103818327A (zh) * | 2013-11-22 | 2014-05-28 | 深圳先进技术研究院 | 一种分析驾驶行为的方法和装置 |
CN103886323A (zh) * | 2013-09-24 | 2014-06-25 | 清华大学 | 基于移动终端的行为识别方法及移动终端 |
-
2015
- 2015-03-25 CN CN201510132319.4A patent/CN104802737B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR19990020463A (ko) * | 1997-08-30 | 1999-03-25 | 정몽규 | 자동차의 가상 차속 연산 알고리즘 |
CN101419679A (zh) * | 2008-12-11 | 2009-04-29 | 北京交通大学 | 一种混合动力电动汽车行驶状态的智能识别方法 |
CN103886323A (zh) * | 2013-09-24 | 2014-06-25 | 清华大学 | 基于移动终端的行为识别方法及移动终端 |
CN103818327A (zh) * | 2013-11-22 | 2014-05-28 | 深圳先进技术研究院 | 一种分析驾驶行为的方法和装置 |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095677B (zh) * | 2015-09-10 | 2018-02-06 | 深圳科隆科技有限公司 | 一种自适应驾驶行为分析方法及其装置 |
CN105095677A (zh) * | 2015-09-10 | 2015-11-25 | 深圳威易森科技有限公司 | 一种自适应驾驶行为分析方法及其装置 |
CN105966404A (zh) * | 2015-11-06 | 2016-09-28 | 乐卡汽车智能科技(北京)有限公司 | 一种驾驶行为评测方法及装置 |
WO2017075976A1 (zh) * | 2015-11-06 | 2017-05-11 | 乐视控股(北京)有限公司 | 一种驾驶行为评测方法及装置 |
CN105389984A (zh) * | 2015-11-16 | 2016-03-09 | 北京智视信息科技有限公司 | 一种基于移动终端传感信息融合的驾驶行为识别方法 |
CN105574537A (zh) * | 2015-11-23 | 2016-05-11 | 北京高科中天技术股份有限公司 | 基于多传感器的危险驾驶行为检测和评估方法 |
CN105574537B (zh) * | 2015-11-23 | 2018-12-28 | 北京高科中天技术股份有限公司 | 基于多传感器的危险驾驶行为检测和评估方法 |
CN105501153A (zh) * | 2015-11-27 | 2016-04-20 | 东莞酷派软件技术有限公司 | 车辆的控制方法、车辆的控制装置和服务器 |
CN108367193A (zh) * | 2015-11-30 | 2018-08-03 | 科斯莫互联公司 | 改进的信号发送设备 |
JP2019506689A (ja) * | 2015-11-30 | 2019-03-07 | コスモ−コネクテッドCosmo−Connected | 改良された報知装置 |
CN105844379A (zh) * | 2015-12-09 | 2016-08-10 | 东软集团股份有限公司 | 基于主成分分析的车辆风险评估方法和装置 |
CN105730450A (zh) * | 2016-01-29 | 2016-07-06 | 北京荣之联科技股份有限公司 | 基于车载数据的驾驶行为分析方法及评价系统 |
CN105956625A (zh) * | 2016-05-11 | 2016-09-21 | 清华大学深圳研究生院 | 一种基于给定物理模型的汽车运动状态识别方法及系统 |
CN105956625B (zh) * | 2016-05-11 | 2019-07-05 | 清华大学深圳研究生院 | 一种基于给定物理模型的汽车运动状态识别方法及系统 |
CN106203626A (zh) * | 2016-06-30 | 2016-12-07 | 北京奇虎科技有限公司 | 汽车驾驶行为检测方法及装置、汽车 |
CN108702410B (zh) * | 2016-08-17 | 2021-01-05 | 华为技术有限公司 | 一种情景模式控制方法及移动终端 |
CN108702410A (zh) * | 2016-08-17 | 2018-10-23 | 华为技术有限公司 | 一种情景模式控制方法及移动终端 |
CN108009463A (zh) * | 2016-10-27 | 2018-05-08 | 中国移动通信有限公司研究院 | 一种身份识别的方法及装置 |
CN108009463B (zh) * | 2016-10-27 | 2020-10-30 | 中国移动通信有限公司研究院 | 一种身份识别的方法及装置 |
CN106934876A (zh) * | 2017-03-16 | 2017-07-07 | 广东翼卡车联网服务有限公司 | 一种车辆异常驾驶事件的识别方法及系统 |
CN106934876B (zh) * | 2017-03-16 | 2019-08-20 | 广东翼卡车联网服务有限公司 | 一种车辆异常驾驶事件的识别方法及系统 |
CN107330356A (zh) * | 2017-05-15 | 2017-11-07 | 开易(北京)科技有限公司 | 一种基于学习的在线车道变线预测方法及系统 |
CN110692093A (zh) * | 2017-05-31 | 2020-01-14 | 北京嘀嘀无限科技发展有限公司 | 基于运动数据识别驾驶行为的设备和方法 |
US11508236B2 (en) | 2017-05-31 | 2022-11-22 | Beijing Didi Infinity Technology And Development Co., Ltd. | Devices and methods for recognizing driving behavior based on movement data |
CN109297582A (zh) * | 2017-07-25 | 2019-02-01 | 台达电子电源(东莞)有限公司 | 风扇异音的检测装置及检测方法 |
CN108280415A (zh) * | 2018-01-17 | 2018-07-13 | 武汉理工大学 | 基于智能移动终端的驾驶行为识别方法 |
CN108182004A (zh) * | 2018-01-19 | 2018-06-19 | 百度在线网络技术(北京)有限公司 | 用于识别承载移动终端的载体的行为模式的方法和装置 |
CN110225446A (zh) * | 2018-03-01 | 2019-09-10 | 北京嘀嘀无限科技发展有限公司 | 一种识别驾驶行为的系统、方法、装置和存储介质 |
CN110447214A (zh) * | 2018-03-01 | 2019-11-12 | 北京嘀嘀无限科技发展有限公司 | 一种识别驾驶行为的系统、方法、装置和存储介质 |
CN110447214B (zh) * | 2018-03-01 | 2022-04-15 | 北京嘀嘀无限科技发展有限公司 | 一种识别驾驶行为的系统、方法、装置和存储介质 |
CN111386561A (zh) * | 2018-10-05 | 2020-07-07 | 松下电器(美国)知识产权公司 | 信息处理方法及信息处理系统 |
CN109492597A (zh) * | 2018-11-19 | 2019-03-19 | 深圳市元征科技股份有限公司 | 基于svm算法的驾驶行为模型的建立方法和装置 |
CN109741483A (zh) * | 2018-12-11 | 2019-05-10 | 成都路行通信息技术有限公司 | 一种基于车联网平台的汽车碰撞检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104802737B (zh) | 2017-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104802737A (zh) | 一种基于手机的车辆异常驾驶行为检测方法 | |
US20200039525A1 (en) | Method for detecting safety of driving behavior, apparatus, device and storage medium | |
Gorges et al. | Impact detection using a machine learning approach and experimental road roughness classification | |
CN106314438A (zh) | 一种司机驾驶轨迹中异常轨迹的检测方法和系统 | |
CN103578227B (zh) | 基于gps定位信息的疲劳驾驶检测方法 | |
CN107564280B (zh) | 基于环境感知的驾驶行为数据采集分析系统和方法 | |
CN104269026A (zh) | 基于Android平台的疲劳驾驶实时监控与预警方法 | |
CN107316354B (zh) | 一种基于方向盘和gnss数据的疲劳驾驶检测方法 | |
CN103177584B (zh) | 一种基于枚举试探的车速检测方法 | |
CN103471865A (zh) | 基于线性判别法的列车悬挂系统故障分离方法 | |
CN105976449A (zh) | 车辆远程自动定损碰撞检测方法及系统 | |
CN103489010A (zh) | 基于驾驶行为的疲劳驾驶检测方法 | |
CN102368354A (zh) | 一种基于浮动车数据采集的道路安全性评价方法 | |
CN105929025B (zh) | 一种基于时间与空间连续的车轮踏面与轨道故障检测方法 | |
CN104833535A (zh) | 一种铁道车辆车轮踏面擦伤的检测方法 | |
CN105427620A (zh) | 一种基于出租车运行数据的非法营运车辆识别方法 | |
CN105631485A (zh) | 一种面向疲劳驾驶检测的方向盘操作特征提取方法 | |
CN106408032A (zh) | 基于转向盘转角的疲劳驾驶检测方法 | |
CN105975757A (zh) | 一种基于车辆行驶数据的急减速行为识别方法 | |
CN112356849A (zh) | 一种危险驾驶的预警方法及装置 | |
Koh et al. | Autonomous road potholes detection on video | |
CN112129290A (zh) | 用于监测骑行设备的系统及方法 | |
CN115279643A (zh) | 用于训练自动驾驶车辆的感知网络的车载主动学习方法和设备 | |
Attal et al. | Riding patterns recognition for Powered two-wheelers users' behaviors analysis | |
CN103679849A (zh) | 一种基于车载行驶记录仪判断事故疑点的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |