CN105320966A - 一种车辆行驶状态识别方法及装置 - Google Patents

Abstract

本发明实施例提供一种车辆行驶状态识别方法和装置，所述方法包括：利用传感器采集车辆处于不同行驶状态下的样本数据；确定样本特征提取时间窗，对所述样本特征提取时间窗内的样本数据进行特征提取，获得基本特征集；对所述基本特征集中的特征进行特征选择处理，获得训练样本特征集；利用分类方法对所述训练样本特征集中的特征数据进行训练，获得车辆行驶状态分类模型；利用所述车辆行驶状态分类模型识别车辆行驶状态。本发明实施例可以准确、全面地识别车辆行驶状态，并能够提高数据采集、处理效率。

Description

一种车辆行驶状态识别方法及装置

技术领域

本发明实施例涉及车辆技术领域，具体涉及一种车辆行驶状态识别方法及装置。

背景技术

随着城市汽车运行数量的日益庞大，人们越来越关注道路交通安全问题。驾驶员作为汽车的操控者，其驾驶行为很大程度上决定了道路交通系统的安全。对驾驶员的驾驶行为和车辆的行驶状态的识别以及及时的提示危险信息，对于预防交通事故的发生具有重要意义。车辆的行驶状态直接影响着交通系统的安全，因此越来越多的研究人员开始关注车辆行驶状态的识别。

目前，已有研究人员对车辆行驶状态识别进行了研究，但是仅限于几种典型车辆行驶状态的识别。例如，现有技术已存在基于图像采集的方法识别车辆是否处于变道状态，这种方法需要在道路上配置专门的摄像头采集图像数据，并且需要存储、处理图像数据，存在采集数据大、处理算法复杂、处理效率低、不便捷的缺陷。此外，现有技术仅能够识别某一种或者某几种典型车辆行驶状态，并不存在准确、全面地识别车辆行驶状态的方法。

发明内容

本发明实施例提供了一种车辆行驶状态识别方法及装置，可以在一定程度上解决现有技术中无法准确、全面地识别车辆行驶状态的缺陷，并能够提高数据采集、处理效率。

为此，本发明实施例提供如下技术方案：

一方面，本发明提供了一种车辆行驶状态识别方法，所述方法包括：

采集车辆处于不同行驶状态下的样本数据；

确定样本特征提取时间窗，对所述样本特征提取时间窗内的样本数据进行特征提取，获得基本特征集；

对所述基本特征集中的特征进行特征选择处理，获得训练样本特征集；

利用分类方法对所述训练样本特征集中的特征数据进行训练，获得车辆行驶状态分类模型；

利用所述车辆行驶状态分类模型识别车辆行驶状态。

进一步地，所述样本数据包括下列中的任意一种或结合：加速度数据、车辆姿态数据、方向角数据、磁场数据。

进一步地，所述对所述样本特征提取时间窗内的样本数据进行特征提取，获得基本特征集包括：

提取所述样本数据的时域特征、频域特征和/或扩展特征，获得基本特征集。

进一步地，所述时域特征包括均值、方差、最大值、最小值、第一四分位数、第三四分位数、峰度中的一种或多种；

所述频域特征包括频带宽度和/或谱能量；

所述扩展特征包括小于第一四分位数据所有数据平方和、大于第三四分位数据所有数据平方和、频谱宽度数据中峰值个数中的一种或多种。

进一步地，所述对所述基本特征集中的特征进行特征选择处理，获得训练样本特征集包括：

比较车辆不同行驶状态对应的各基本特征集中的特征，去除所述基本特征集中变化值小于第一预设阈值的特征，获得第一特征集；

计算所述第一特征集中的特征与对应的行驶状态的相关系数，根据所述相关系数对所述第一特征集中的特征进行去除处理，获得第二特征集；

对所述第二特征集中的特征进行降维处理以去除各特征间的相关性，获得第三特征集，将所述第三特征集作为训练样本特征集。

进一步地，所述利用分类方法对所述训练样本特征集中的特征数据进行训练，获得车辆行驶状态分类模型包括：

利用训练样本特征集中的特征数据生成训练样本集合X，以及，利用所述特征数据对应的行驶状态生成状态集合Y；

利用K最邻近方法训练所述训练样本集合X和状态集合Y，获得车辆行驶状态分类模型；

其中，所述特征数据经过归一化处理。

进一步地，所述利用所述车辆行驶状态分类模型识别车辆行驶状态包括：

采集车辆实际行驶数据；

确定识别特征提取时间窗，对所述识别特征提取时间窗内的车辆实际行驶数据进行特征提取，获得识别特征集；

将所述识别特征集中的识别特征输入所述车辆行驶状态分类模型，获得与所述识别特征对应的车辆行驶状态以及所述行驶状态对应的概率值；

当所述概率值大于第二预设阈值时，则确定车辆处于所述行驶状态。

进一步地，所述确定识别特征提取时间窗，对所述识别特征提取时间窗内的车辆实际行驶数据进行特征提取，获得识别特征集包括：

根据所述样本特征提取时间窗确定识别特征提取时间窗；所述样本特征提取时间窗的长度与所述识别特征提取时间窗的长度相同；

根据确定的步长移动所述识别特征提取时间窗，获得多个时间窗内的车辆行驶特征；其中，所述步长小于所述识别特征提取时间窗的长度。

进一步地，所述行驶状态包括静止、匀速直线行驶、加速行驶、减速行驶、转弯、变道中的一种或者多种。

另一方面，本发明实施例提供了一种车辆行驶状态识别装置，所述装置包括：

第一采集单元，用于采集车辆处于不同行驶状态下的样本数据；

第一特征提取单元，用于确定样本特征提取时间窗，对所述样本特征提取时间窗内的样本数据进行特征提取，获得基本特征集；

特征选择单元，用于对所述基本特征集中的特征进行特征选择处理，获得训练样本特征集；

分类单元，用于利用分类方法对所述训练样本特征集中的特征数据进行训练，获得车辆行驶状态分类模型；

识别单元，用于利用所述车辆行驶状态分类模型识别车辆行驶状态。

进一步地，所述第一特征提取单元具体用于：提取所述样本数据的时域特征、频域特征和/或扩展特征，获得基本特征集。

进一步地，所述第一特征提取单元提取的时域特征包括均值、方差、最大值、最小值、第一四分位数、第三四分位数、峰度中的一种或多种；所述第一特征提取单元提取的所述频域特征包括频带宽度和/或谱能量；所述第一特征提取单元提取的所述扩展特征包括小于第一四分位数据所有数据平方和、大于第三四分位数据所有数据平方和、频谱宽度数据中峰值个数中的一种或多种。

进一步地，所述特征选择单元包括：

比较单元，用于比较车辆不同行驶状态对应的各基本特征集中的特征，去除所述基本特征集中变化值小于第一预设阈值的特征，获得第一特征集；

相关系数计算单元，用于计算所述第一特征集中的特征与对应的行驶状态的相关系数，根据所述相关系数对所述第一特征集中的特征进行去除处理，获得第二特征集；

相关性去除单元，用于对所述第二特征集中的特征进行降维处理以去除各特征间的相关性，获得第三特征集，将所述第三特征集作为训练样本特征集。

进一步地，所述分类单元包括：

归一化处理单元，用于对所述训练样本特征集中特征数据进行归一化处理；

生成单元，用于利用训练样本特征集中的特征数据生成训练样本集合X；以及，利用所述特征数据对应的行驶状态生成状态集合Y；其中，所述特征数据经过归一化处理；

训练单元，用于利用K最邻近方法训练所述训练样本集合X和状态集合Y，获得车辆行驶状态分类模型。

进一步地，所述识别单元包括：

第二采集单元，用于采集车辆实际行驶数据；

第二特征提取单元，用于确定识别特征提取时间窗，对所述识别特征提取时间窗内的车辆实际行驶数据进行特征提取，获得识别特征集；

获得单元，用于将所述识别特征集中的识别特征输入所述车辆行驶状态分类模型，获得与所述识别特征对应的车辆行驶状态以及所述行驶状态对应的概率值；

确定单元，用于当所述概率值大于第二预设阈值时，则确定车辆处于所述行驶状态。

进一步地，所述第二特征提取单元具体用于：

根据所述样本特征提取时间窗确定识别特征提取时间窗；根据确定的步长移动所述识别特征提取时间窗，获得多个时间窗内的车辆行驶特征；其中，所述样本特征提取时间窗的长度与所述识别特征提取时间窗的长度相同，所述步长小于所述识别特征提取时间窗的长度。

进一步地，所述行驶状态包括静止、匀速直线行驶、加速行驶、减速行驶、转弯、变道中的一种或者多种。

本发明实施例提供的车辆行驶状态识别方法及装置，通过传感器采集车辆在不同行驶状态下的样本数据，对确定的时间窗内的样本数据进行特征提取和特征选择处理，从而得到训练样本特征集，并利用分类方法对所述训练样本特征集中的数据进行训练，获得车辆行驶状态分类模型，从而能够准确、全面地识别车辆行驶状态。由于本发明采用传感器采集车辆在不同行驶状态下的数据，方便快捷，并且采集数据量小。本发明结合车辆行驶状态特征，确定具有一致且稳定状态的时间窗进行特征提取，从而得到能够表征车辆行驶状态的特征，以提高最终识别结果的准确性。此外，本发明通过特征选择和去除处理，使得获得的分类模型泛化能力更强，减少过拟合，降低了算法的复杂度，提高了算法的准确度。此外，本发明利用分类方法进行分类训练，可以全面、准确地识别各种车辆行驶状态。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的车辆行驶状态识别方法流程示意图；

图2为本发明实施例提供的时间窗选取示意图；

图3为本发明实施例提供的特征选择流程示意图；

图4为本发明实施例提供的模型训练流程示意图；

图5为本发明实施例提供的状态识别示意图；

图6为本发明实施例提供的识别特征提取示意图；

图7为本发明实施例提供的车辆行驶状态识别装置示意图。

具体实施方式

首先对本发明的思想进行阐述。现有技术中存在的车辆行驶状态识别方法需要在道路上配置专门的摄像头采集图像数据，并且需要存储、处理图像数据，存在采集数据大、处理算法复杂、处理效率低、不便捷的缺陷。此外，现有技术仅能够识别某一种或者某几种典型车辆行驶状态，并不存在准确、全面地识别车辆行驶状态的方法。

发明人在实现本发明的过程中发现，相对于配置专门的摄像头采集图像数据的方式，传感器可以方便地采集车辆行驶数据。特别地，现有的智能终端设备，例如手机上集成了多种传感器模块，包括但不限于加速度传感器、陀螺仪传感器、方向传感器、磁力传感器等，可以方便、快捷地采集比较丰富的行车数据。此外手机具有便于携带、使用方便、节约成本的优势，因此使用类似手机等智能终端采集车辆行驶数据是十分便捷的。

此外，发明人在实现本发明的过程中发现，车辆状态的识别的过程可以理解为根据采集值划分数据所属的类别的过程。发明人在研究了若干种分类方法后发现：决策树方法容易忽略数据集中属性之间的相关性，易出现过度拟合问题；人工神经网络方法需要大量的参数，不能观察之间的学习过程，输出结果难以解释，会影响到结果的可信度和可接受程度；遗传算法编程实现比较复杂；支持向量机对缺失值的变化较为敏感。这些方法都不适用于车辆行驶状态的分类和识别。此外，车辆运行过程中的状态切换表现为类域交叉和重叠的特点，车辆从一个状态过渡到另外一个状态就属于类域交叉。而相较于其他方法，K最邻近方法简单、有效，重新训练的代价较低，计算时间和空间线性于训练集的规模，主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别，因此对于类域的交叉或重叠较多的待分样本集来说，K最邻近方法较其他方法更为适合。此外，识别的准确性不仅取决于算法的选择，样本数据获取、时间窗长度、特征选择同样影响状态识别的准确性，在实际应用中需要结合实际场景确保每个环节的合理性。

基于此，本发明提出了一种基于手机传感器的车辆行驶状态识别方法，用于解决现有技术中采集投入大，不便捷，无法准确、全面地识别车辆行驶状态的问题。

为了使本技术领域的人员更好地理解本发明中的技术方案，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，都应当属于本发明保护的范围。

本发明提供的车辆行驶状态识别装置可以是单独的设备，也可以应用到任何电子设备中。所述电子设备可以是现有的、正在研发的或将来研发的任何电子设备，包括但不限于：现有的、正在研发的或将来研发的台式计算机、膝上型计算机、移动终端(包括智能手机、非智能手机、各种平板电脑)等。特别地，由于手机等智能终端具有使用方便、成本低的特点，本发明提供的方法可以应用于手机等智能终端中，所述智能终端具有传感器器件或者模块。此外，本发明提供的方法和装置也可以应用于车辆中，只需所述车辆集成了传感器即可。当然，以上仅是本发明应用场景的若干举例，本发明提供的方法和装置还可以应用到其他场景中，在此不进行限制。

参见图1，本发明实施例提供的车辆行驶状态识别方法流程示意图。如图1所示，所述方法可以包括：

S101，利用传感器采集车辆处于不同行驶状态下的样本数据。

其中，所述行驶状态包括静止、匀速直线行驶、加速行驶、减速行驶、转弯、变道中的一种或多种。所述传感器包括但不限于加速度传感器、陀螺仪传感器、方向传感器、磁力传感器等。所述样本数据包括下列中的任意一种或结合：加速度数据、车辆姿态数据、方向角数据、磁场数据。

举例说明，可以利用加速度传感器采集加速度数据a(x，y，z)。其中，x代表横向加速度，可以用于识别变道、转弯、是否直线行驶等行驶状态；y代表前向加速度，可以用来识别加速、减速等行驶状态；z是纵向加速度，可以用于识别是否直线行驶、静止等状态。具体实现时，还可以利用陀螺仪传感器采集车辆姿态数据，g(x，y，z)，分别代表xy,z轴的旋转速度，单位为弧度/秒，用于表示车辆的朝向和运动数据。此外，可以利用方向传感器采集行驶方向数据d(x，y，z)，可以用于识别转弯、变道等行驶状态。进一步地，还可以利用磁场传感器测量磁力变化，根据磁力变化速度，可以识别加速、减速等行驶状态。这几种方式可以单独使用，也可以结合使用，在此不进行限制。

需要说明的是，使车辆处于不同的行驶状态，分别采集不同行驶状态下的传感器数据，为了保证分类结果的准确性，各行驶状态下的采集数据量应相近，使最终样本均衡。其中，所有行驶状态下的数据量大致相近，意为对于每种行驶状态训练数据量是公平的，如果某一个状态数据量很少，那么特征较其他的行驶状态不明显，将会影响识别的准确性。因此，保证采集的各行驶状态的数据量平衡，可以提高识别的准确性。

在采集样本数据后，即可以在一定时间窗内，分别对不同行驶状态下采集的传感器数据进行特征提取和特征选择，并标记选择的特征所对应的行驶状态，得到训练样本数据，详细实现如步骤S102、S103所示。

S102，确定样本特征提取时间窗，对所述样本特征提取时间窗内的样本数据进行特征提取，获得基本特征集。

本发明通过结合车辆行驶状态特征，找到一个具有一致且稳定的状态的时间窗，即在该时间窗内，特征可以确定状态。所述时间窗的长度可以根据经验确定，例如3-5秒。在确定样本特征提取时间窗后，即可对时间窗内的样本数据进行特征提取，得到基本特征集。

其中，所述对所述样本特征提取时间窗内的样本数据进行特征提取，获得基本特征集包括：提取所述样本数据的时域特征、频域特征和/或扩展特征，获得基本特征集。

特征是特征是描述样本的特性的抽象。具体实现时，本发明提取的时域特征可以包括平均值、方差、最大值、最小值、第一四分位数、第三四分位数、峰度中的一种或多种。其中，平均值用于描述样本的概貌；标准差用于描述样本的波动程度；最大值和最小值用于描述样本的变化区间；分位数和峭度用于描述样本的分布特性；峰度用于描述分布曲线在平均值处峰值高低。举例说明，统计学中，把所有数值由小到大排列并分成四等份，处于三个分割点位置的数值就是四分位数。其中，第一四分位数(Q1)，又称“较小四分位数”，等于该样本中所有数值由小到大排列后第25％的数字。第二四分位数(Q2)，又称“中位数”，等于该样本中所有数值由小到大排列后第50％的数字。第三四分位数(Q3)，又称“较大四分位数”，等于该样本中所有数值由小到大排列后第75％的数字。分位数可以描述样本的分布特性。本发明可以通过提取第一四分位数和第三四分位数来描述样本数据的分布特征。类似地，可以提取其他时域特征来描述样本数据的特征。本发明选取的上述时域特征可以较全面、准确地描述样本数据的特性，以获得车辆行驶状态的典型特征。

具体实现时，本发明提取的频域特征可以包括谱能量、频带宽度、振幅中的一种或多种。其中，谱能量用于描述样本频带内的信号能量；频带宽度用于描述样本的频域范围；振幅用于描述样本范围和强度。本发明选取的上述频域特征可以较全面、准确地描述样本数据的特性，以获得车辆行驶状态的典型特征。

此外，本发明还可以进一步提取样本数据的扩展特征，所述扩展特征包括小于第一四分位数据所有数据平方和、大于第三四分位数据所有数据平方和、频谱宽度数据中峰值个数中的一种或多种。其中，小于第一四分位数的数据为样本数据从小到大排序的前25％的数据，然后对这些数据求平方和，即可得到小于第一四分位数据所有数据平方和。大于第三四分位数的数据为样本数据中所有数值由小到大排列后第75％的数据，然后对这些数据求平方和，即可得到大于第三四分位数据所有数据平方和。

需要说明的是，本发明进行特征提取时，可以提取时域特征、频域特征、扩展特征中的一种或者多种。具体实现时，可以择一提取，也可以提取其中的一种或多种，均能够实现本发明，在此不进行限制。

如图2所示，为本发明实施例提供的时间窗选取示意图。在样本数据只能够，可以根据确定的时间窗长度和位置，选取多个时间窗，分别提取每个时间窗内的特征数据，由此可以获得各行驶状态对应的基本特征集。行驶状态有多个时，可以获得多个基本特征集。

S103，对所述基本特征集中的特征进行特征选择处理，获得训练样本特征集。

为了提高算法的运行效率，本发明对提取的特征进行了特征选择处理，即从基本特征集中选取能够表征行驶状态的部分特征，形成训练样本特征集，使模型泛化能力更强，减少过拟合，降低了运算的复杂度，提高了算法的运行效率。

参见图3，为本发明实施例提供的特征选择流程示意图。

则对所述基本特征集中的特征进行特征选择处理，获得训练样本特征集可以包括：

S103A，比较车辆不同行驶状态对应的各基本特征集中的特征，去除所述基本特征集中变化值小于第一预设阈值的特征，获得第一特征集。

当采集的样本数据对应不同的行驶状态时，则可以获取针对不同行驶状态的多个基本特征集。比较车辆不同行驶状态对应的各基本特征集中的特征，去除所述基本特征集中变化值小于第一预设阈值的特征。由于这些特征在车辆处于不同行驶状态时，变化较小，因此无法根据特征有效区分车辆的不同行驶状态，去除这些特征，可以有效较少算法的复杂度和计算量。其中，第一预设阈值为根据经验设定的值。

S103B，计算所述第一特征集中的特征与对应的行驶状态的相关系数，根据所述相关系数对所述第一特征集中的特征进行去除处理，获得第二特征集。

具体实现时，获得第一特征集后，计算特征集中的各特征与行驶状态的Pearson相关系数。与行驶状态相关系数较小的特征对行驶状态的表征能力较差，将该特征去除，从而获得第二特征集。其中，Pearson相关系数用来衡量定距变量间的线性相关关系。此处，则用相关系数来衡量特征与行驶状态的相关关系，去除相关系数小的特征，从而得到更能表征行驶状态的特征集。

S103C，对所述第二特征集中的特征进行降维处理以去除各特征间的相关性，获得第三特征集，将所述第三特征集作为训练样本特征集。

具体实现时，可以使用PCA(英文全称为PrincipalComponentsAnalysis，中文全称为主成份分析)方法或者L1正则化方法对第二特征集中的特征进行降维处理，去除各特征间的相关性，得到第三特征集。第三特征集即为用于模型训练的特征样本。

S104，利用分类方法对所述训练样本特征集中的特征数据进行训练，获得车辆行驶状态分类模型。

其中，所述分类方法包括但不限于决策树、人工神经网络、遗传算法、K最邻近、支持向量机等。优选地，本发明使用K最邻近方法进行分类训练，并且能够取得更好的效果。在此实施例中，将以分类方法为K最邻近方法为例进行说明，并不视为对本发明的限制。

其中，车辆的行驶状态大致可以分为静止、匀速直线行驶、加速行驶、减速行驶、转弯、变道、过渡态。过渡态是从一个状态过渡到另一个状态的过渡时刻的状态。K最邻近方法存在过渡态的样本集来说更为适合。

参见图4，为本发明实施例提供的模型训练流程示意图，则利用分类方法对所述训练样本特征集中的特征数据进行训练，获得车辆行驶状态分类模型可以包括：

S104A，利用训练样本特征集中的特征数据生成训练样本集合X。

将训练样本特征集中的特征组成训练样本集合X，例如，X＝[静止特征，匀速直线行驶特征，加速行驶特征，减速行驶特征，转弯特征，变道特征]。

优选地，所述特征数据经过归一化处理。具体实现时，对训练样本特征集中的特征逐一进行归一化处理，可以避免数据范围不一致对模型准确性的影响，特征取值[0,1]区间。可以采取任意一种归一化方法，只要能实现将特征取指到[0,1]区间即可。举例说明，若要归一化X，normx＝[x-min(x)]/[max(x)-min(x)]。

S104B，利用所述特征数据对应的行驶状态生成状态集合Y。

所述特征数据既可以是未经归一化处理后的特征数据，也可以是经过归一化处理后的特征数据。利用所述特征数据标记行驶状态Y，举例说明：Y＝[0,1,2,-1,3,4]，0代表静止、1代表匀速直线行驶、2代表加速行驶、-1代表减速行驶、3代表转弯、4代表变道。

S104C，利用K最邻近方法训练所述训练样本集合X和状态集合Y，获得车辆行驶状态分类模型。

具体分类方法可以是灵活多样的。本发明实施例以运用K最邻近方法训练[X,Y]得到分类模型为例进行说明。其中，“K最邻近方法(英文全称为K-NearestNeighbor，英文简称为KNN)或者邻近算法”是数据挖掘分类技术中最简单的方法之一。所谓K最近邻，就是k个最近的邻居的意思，说的是每个样本都可以用它最接近的K个邻居来代表。KNN算法的核心思想是如果一个样本在特征空间中的K个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。由于KNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，KNN方法较其他方法更为适合。在具体实现时，可以调用模型训练工具，输入[X,Y]，以得到分类模型。

S105，利用所述车辆行驶状态分类模型识别车辆行驶状态。

参见图5，为本发明实施例提供的状态识别示意图。则所述利用所述车辆行驶状态分类模型识别车辆行驶状态可以包括：

S105A，利用传感器采集车辆实际行驶数据。

S105B，确定识别特征提取时间窗，对所述识别特征提取时间窗内的车辆实际行驶数据进行特征提取，获得识别特征集。

其中，确定识别特征提取时间窗，对所述识别特征提取时间窗内的车辆实际行驶数据进行特征提取，获得识别特征集包括：根据所述样本特征提取时间窗确定识别特征提取时间窗；所述样本特征提取时间窗的长度与所述识别特征提取时间窗的长度相同；根据确定的步长移动所述识别特征提取时间窗，获得多个时间窗内的车辆行驶特征；其中，所述步长小于所述识别特征提取时间窗的长度。参见图6，为识别特征提取示意图。在采集的车辆实际行驶数据中，以一定的步长向前移动确定的时间窗，依次对数据进行特征提取。其中，步长值小于时间窗值。

S105C，将所述识别特征集中的识别特征输入所述车辆行驶状态分类模型，获得与所述识别特征对应的车辆行驶状态以及所述行驶状态对应的概率值。

S105D，当所述概率值大于第二预设阈值时，则确定车辆处于所述行驶状态。

第二预设阈值为根据经验设定。当所述概率值不大于第二预设阈值时，则认为车辆处于过渡态。运营本发明的方法不但可以识别车辆的行驶状态，还可以识别出过渡态。

参见图7，为本发明提供的车辆行驶状态识别装置示意图。

本发明实施例提供了一种车辆行驶状态识别装置700，所述装置包括：

第一采集单元701，用于采集车辆处于不同行驶状态下的样本数据；

第一特征提取单元702，用于确定样本特征提取时间窗，对所述样本特征提取时间窗内的样本数据进行特征提取，获得基本特征集；

特征选择单元703，用于对所述基本特征集中的特征进行特征选择处理，获得训练样本特征集；

分类单元704，用于利用分类方法对所述训练样本特征集中的特征数据进行训练，获得车辆行驶状态分类模型；

识别单元705，用于利用所述车辆行驶状态分类模型识别车辆行驶状态。

进一步地，所述第一特征提取单元具体用于：提取所述样本数据的时域特征、频域特征和/或扩展特征，获得基本特征集。

进一步地，所述第一特征提取单元提取的时域特征包括均值、方差、最大值、最小值、第一四分位数、第三四分位数、峰度中的一种或多种；所述第一特征提取单元提取的所述频域特征包括频带宽度和/或谱能量；所述第一特征提取单元提取的所述扩展特征包括小于第一四分位数据所有数据平方和、大于第三四分位数据所有数据平方和、频谱宽度数据中峰值个数中的一种或多种。

进一步地，所述特征选择单元包括：

比较单元，用于比较车辆不同行驶状态对应的各基本特征集中的特征，去除所述基本特征集中变化值小于第一预设阈值的特征，获得第一特征集；

相关系数计算单元，用于计算所述第一特征集中的特征与对应的行驶状态的相关系数，根据所述相关系数对所述第一特征集中的特征进行去除处理，获得第二特征集；

相关性去除单元，用于对所述第二特征集中的特征进行降维处理以去除各特征间的相关性，获得第三特征集，将所述第三特征集作为训练样本特征集。

进一步地，所述分类单元包括：

生成单元，用于利用训练样本特征集中的特征数据生成训练样本集合X，以及利用所述特征数据对应的行驶状态生成状态集合Y；其中，所述特征数据经过归一化处理；

训练单元，用于利用K最邻近方法训练所述训练样本集合X和状态集合Y，获得车辆行驶状态分类模型。

进一步地，所述识别单元包括：

第二采集单元，用于采集车辆实际行驶数据；

第二特征提取单元，用于确定识别特征提取时间窗，对所述识别特征提取时间窗内的车辆实际行驶数据进行特征提取，获得识别特征集；

获得单元，用于将所述识别特征集中的识别特征输入所述车辆行驶状态分类模型，获得与所述识别特征对应的车辆行驶状态以及所述行驶状态对应的概率值；

确定单元，用于当所述概率值大于第二预设阈值时，则确定车辆处于所述行驶状态。

进一步地，所述第二特征提取单元具体用于：

根据所述样本特征提取时间窗确定识别特征提取时间窗；根据确定的步长移动所述识别特征提取时间窗，获得多个时间窗内的车辆行驶特征；其中，所述样本特征提取时间窗的长度与所述识别特征提取时间窗的长度相同，所述步长小于所述识别特征提取时间窗的长度。

进一步地，所述行驶状态包括静止、匀速直线行驶、加速行驶、减速行驶、转弯、变道中的一种或者多种。

其中，本发明装置各单元或模块的设置可以参照图1所示的方法而实现，在此不赘述。

本发明实施例提供的车辆行驶状态识别方法和装置，用于解决现有技术中采集投入大，不便捷，识别效果不理想的问题。本发明实施例充分考虑了车辆实际运行状况，解决了从数据获取、特征提取、特征选择、样本训练到最终的状态识别的各个环节存在的问题，实现了车辆静止、匀速直线行驶、加速行驶、减速行驶、转弯、变道、过渡态状态识别。

本发明实施例还具有以下优点：

(1)本发明实施例通过结合车辆行驶状态特征，找到一个具有一致且稳定的状态时间窗，对时间窗内的数据进行特征提取，得到表征车辆行驶状态的特征集。

(2)本发明实施例通过去除变化较小的特征、单特征选择、降维去除相关性实现特征选择，使模型泛化能力更强，减少过拟合，降低的运算的复杂度，提高的算法的运行效率。

(3)本发明实施例对特征样本进行归一化处理，避免了数据范围不一致对模型准确性的影响。

(4)本发明实施例运用K最邻近算法，以一定的步长依次提取一定时间窗数据特征，不但可以识别车辆的行驶状态，还可以识别出过渡态，实现了车辆静止、匀速直线行驶、加速行驶、减速行驶、转弯、变道、过渡态状态识别。

本领域技术人员可以理解的是，以上对方法和装置实施例进行了示例性说明，以上不视为对本发明的限制，本领域技术人员在不付出创造性劳动下获得的其他实现方式均属于本发明的保护范围。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。以上所述仅是本发明的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (17)

1.一种车辆行驶状态识别方法，其特征在于，所述方法包括：

利用传感器采集车辆处于不同行驶状态下的样本数据；

确定样本特征提取时间窗，对所述样本特征提取时间窗内的样本数据进行特征提取，获得基本特征集；

对所述基本特征集中的特征进行特征选择处理，获得训练样本特征集；

利用分类方法对所述训练样本特征集中的特征数据进行训练，获得车辆行驶状态分类模型；

利用所述车辆行驶状态分类模型识别车辆行驶状态。

2.根据权利要求1所述的方法，其特征在于，所述样本数据包括下列中的任意一种或结合：加速度数据、车辆姿态数据、方向角数据、磁场数据。

3.根据权利要求1所述的方法，其特征在于，所述对所述样本特征提取时间窗内的样本数据进行特征提取，获得基本特征集包括：

提取所述样本数据的时域特征、频域特征和/或扩展特征，获得基本特征集。

4.根据权利要求3所述的方法，其特征在于，所述时域特征包括均值、方差、最大值、最小值、第一四分位数、第三四分位数、峰度中的一种或多种；

所述频域特征包括频带宽度、谱能量、振幅中的一种或多种；

所述扩展特征包括小于第一四分位数据所有数据平方和、大于第三四分位数据所有数据平方和、频谱宽度数据中峰值个数中的一种或多种。

5.根据权利要求1所述的方法，其特征在于，所述对所述基本特征集中的特征进行特征选择处理，获得训练样本特征集包括：

比较车辆不同行驶状态对应的各基本特征集中的特征，去除所述基本特征集中变化值小于第一预设阈值的特征，获得第一特征集；

计算所述第一特征集中的特征与对应的行驶状态的相关系数，根据所述相关系数对所述第一特征集中的特征进行去除处理，获得第二特征集；

对所述第二特征集中的特征进行降维处理以去除各特征间的相关性，获得第三特征集，将所述第三特征集作为训练样本特征集。

6.根据权利要求1所述的方法，其特征在于，所述利用分类方法对所述训练样本特征集中的特征数据进行训练，获得车辆行驶状态分类模型包括：

利用训练样本特征集中的特征数据生成训练样本集合X，以及，利用所述特征数据对应的行驶状态生成状态集合Y；

利用K最邻近方法训练所述训练样本集合X和状态集合Y，获得车辆行驶状态分类模型；

其中，所述特征数据经过归一化处理。

7.根据权利要求1所述的方法，其特征在于，所述利用所述车辆行驶状态分类模型识别车辆行驶状态包括：

利用传感器采集车辆实际行驶数据；

确定识别特征提取时间窗，对所述识别特征提取时间窗内的车辆实际行驶数据进行特征提取，获得识别特征集；

将所述识别特征集中的识别特征输入所述车辆行驶状态分类模型，获得与所述识别特征对应的车辆行驶状态以及所述行驶状态对应的概率值；

当所述概率值大于第二预设阈值时，则确定车辆处于所述行驶状态。

8.根据权利要求7所述的方法，其特征在于，所述确定识别特征提取时间窗，对所述识别特征提取时间窗内的车辆实际行驶数据进行特征提取，获得识别特征集包括：

根据所述样本特征提取时间窗确定识别特征提取时间窗；所述样本特征提取时间窗的长度与所述识别特征提取时间窗的长度相同；

根据确定的步长移动所述识别特征提取时间窗，获得多个时间窗内的车辆行驶特征；其中，所述步长小于所述识别特征提取时间窗的长度。

9.根据权利要求1至8所述的方法，其特征在于，所述行驶状态包括静止、匀速直线行驶、加速行驶、减速行驶、转弯、变道中的一种或者多种。

10.一种车辆行驶状态识别装置，其特征在于，所述装置包括：

第一采集单元，用于利用传感器采集车辆处于不同行驶状态下的样本数据；

第一特征提取单元，用于确定样本特征提取时间窗，对所述样本特征提取时间窗内的样本数据进行特征提取，获得基本特征集；

特征选择单元，用于对所述基本特征集中的特征进行特征选择处理，获得训练样本特征集；

分类单元，用于利用分类方法对所述训练样本特征集中的特征数据进行训练，获得车辆行驶状态分类模型；

识别单元，用于利用所述车辆行驶状态分类模型识别车辆行驶状态。

11.根据权利要求10所述的装置，其特征在于，所述第一特征提取单元具体用于：提取所述样本数据的时域特征、频域特征和/或扩展特征，获得基本特征集。

12.根据权利要求11所述的装置，其特征在于，所述第一特征提取单元提取的时域特征包括均值、方差、最大值、最小值、第一四分位数、第三四分位数、峰度中的一种或多种；所述第一特征提取单元提取的所述频域特征包括频带宽度和/或谱能量；所述第一特征提取单元提取的所述扩展特征包括小于第一四分位数据所有数据平方和、大于第三四分位数据所有数据平方和、频谱宽度数据中峰值个数中的一种或多种。

13.根据权利要求10所述的装置，其特征在于，所述特征选择单元包括：

比较单元，用于比较车辆不同行驶状态对应的各基本特征集中的特征，去除所述基本特征集中变化值小于第一预设阈值的特征，获得第一特征集；

相关系数计算单元，用于计算所述第一特征集中的特征与对应的行驶状态的相关系数，根据所述相关系数对所述第一特征集中的特征进行去除处理，获得第二特征集；

相关性去除单元，用于对所述第二特征集中的特征进行降维处理以去除各特征间的相关性，获得第三特征集，将所述第三特征集作为训练样本特征集。

14.根据权利要求10所述的装置，其特征在于，所述分类单元包括：

生成单元，用于利用训练样本特征集中的特征数据生成训练样本集合X，以及利用所述特征数据对应的行驶状态生成状态集合Y；

其中，所述特征数据经过归一化处理；

训练单元，用于利用K最邻近方法训练所述训练样本集合X和状态集合Y，获得车辆行驶状态分类模型。

15.根据权利要求10所述的装置，其特征在于，所述识别单元包括：

第二采集单元，用于利用传感器采集车辆实际行驶数据；

第二特征提取单元，用于确定识别特征提取时间窗，对所述识别特征提取时间窗内的车辆实际行驶数据进行特征提取，获得识别特征集；

获得单元，用于将所述识别特征集中的识别特征输入所述车辆行驶状态分类模型，获得与所述识别特征对应的车辆行驶状态以及所述行驶状态对应的概率值；

确定单元，用于当所述概率值大于第二预设阈值时，则确定车辆处于所述行驶状态。

16.根据权利要求15所述的装置，其特征在于，所述第二特征提取单元具体用于：

根据所述样本特征提取时间窗确定识别特征提取时间窗；根据确定的步长移动所述识别特征提取时间窗，获得多个时间窗内的车辆行驶特征；其中，所述样本特征提取时间窗的长度与所述识别特征提取时间窗的长度相同，所述步长小于所述识别特征提取时间窗的长度。

17.根据权利要求10至16所述的装置，其特征在于，所述行驶状态包括静止、匀速直线行驶、加速行驶、减速行驶、转弯、变道中的一种或者多种。