CN105389984A - 一种基于移动终端传感信息融合的驾驶行为识别方法 - Google Patents

Abstract

本发明公开了一种基于移动终端传感信息融合的驾驶行为识别方法，具体步骤包括数据获取、数据预处理、数据模板库构建和数据比对，在进行数据获取时先在智能手机上安装移动终端APP，并将智能手机放在车辆内随车行驶，在行驶过程不停获取到陀螺仪、磁感应器和加速度传感器的传感数据，同时提取传感器的不同方向的速度数据，组合成一种新的组合数据。本发明充分利用了智能手机陀螺仪、磁感应器和加速度传感器等传感信息，通过滤波、端点检测等数据预处理流程，采用时间序列算法的数据集合的比较，进而识别出既定的驾驶行为，提高了识别的准确率，同时提出特征库构建的方法，为驾驶行为识别的准确率、高效性提供更为有效辅助措施。

Description

一种基于移动终端传感信息融合的驾驶行为识别方法

技术领域

本发明涉及驾驶行为识别技术领域，具体是一种基于移动终端传感信息融合的驾驶行为识别方法。

背景技术

随着智能手机的广泛使用，以Android和IOS为主流的智能操作系统，能够“随时随地”提供各种娱乐和信息资讯。从苹果公司创新性地将传感器应用到苹果iphone4手机开始，手机的功能不再仅仅具备通话与短信功能，而是具备更强的智能“感知”能力。也为基于智能手机的驾驶行为识别提供了可能性。

目前国内外研究现状的研究可知，通过采集传感器数据识别车辆的移动状态，研究的主线分为两类：

基于图像传感器：主要是指通过安装在车辆内的多台摄像机实时捕获驾驶人员面部表情、方向盘以及车辆内部的环境等图像。通过复杂的图像分割与处理技术，捕获驾驶过程中的异常状态或周围环境的变化参数。当捕获到危险时，对驾驶员做出适当的提醒，从而降低危险驾驶发生的概率，基于图像传感器主要研究疲劳驾驶、非专注驾驶、车道漂移、随意变换车道等危险行为；

基于加速度传感器：主要是通过车辆自身的惯性传感器组件(IMU)或者外置传感器模块采集车辆实时驾驶数据。通过采集的测试数据与参考模板进行模式匹配，从而识别相对应的驾驶事件，主要包括90度右转、90度左转、180度掉头、危险性90度右转、危险性90度左转、危险性180度掉头、危险性加减速、紧急刹车、超速等行为识别。

基于图像传感器识别研究目相对成熟，通过捕获驾驶员的头像画面，判断驾驶者当前是否情形，具有很好的识别效果。但存在不足之处：图像传感器对于光线与环境背景等条件有较高的要求，才能够对获取的图像有效地识别。而基于加速度传感器的加速度信息能够反映当前车辆行驶的有效信息，比如正常行驶的加速减速以及转向，或者危险驾驶引发的急刹车或紧急转向等情形，但加速度的信息较为单一，在短时间内时，通过加速度传感器采集的加速度信息存在偏差，不利于信息的加工及判断，进而影响了驾驶行为的识别率。

发明内容

本发明的目的在于提供一种便捷高效、准确度高的基于移动终端传感信息融合的驾驶行为识别方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于移动终端传感信息融合的驾驶行为识别方法，具体步骤如下：

(1)数据获取：在智能手机上安装移动终端APP，并将智能手机放在车辆内随车行驶，在行驶过程不停获取到陀螺仪、磁感应器和加速度传感器的传感数据，同时提取传感器的不同方向的速度数据，组合成一种新的组合数据；

(2)数据预处理：经过数据获取阶段，移动终端APP获取到由陀螺仪、磁感应器和加速度传感器组合成的新的数据集，在这个阶段，对所获取的数据进行滤波，剔除些异常数据信息，同时对这些数据信息进行端点检测，获取一些可以进行校验的、有效的时间序列数据值集合，以便进行数据模板库构建与数据比对；

(3)数据模板库构建：在驾驶行为识别过程中，驾驶行为的模板库作为核心数据集合，在数据预处理后，采用特定场景的数据集合作为某一驾驶行为的特征库，以便于后续的数据比对；

(4)数据比对：在这个阶段过程中，基于预先设置的驾驶行为模板库，利用时间序列DTW算法，将有效的时间序列数据值集合与模板库的序列数据值集合进行比较，进而得出该有效值与模板库的各种模板数据值的最大相似值，进而识别当前驾驶行为为哪一种驾驶行为。

作为本发明再进一步的方案：所述数据模板库构建的方法，具体步骤如下：

(1)通过预装在智能手机的移动终端APP获取智能手机陀螺仪、磁感应器和加速度传感器等传感器信息，提取不同传感器的数据组合成一个数据集合，并上传到后台服务；

(2)后台服务接收到移动终端APP上传的数据信息，一方面存入数据库，另一方面进行滤波、端点检测等预处理，形成有意义的时间序列数据集合，形成模型数据，同时存入数据库；

(3)验证客户端获取模型数据，对模型数据进行标示，形成驾驶行为模板，存入数据库。

与现有技术相比，本发明的有益效果是：

本发明充分利用了智能手机陀螺仪、磁感应器和加速度传感器等传感信息，通过滤波、端点检测等数据预处理流程，采用时间序列算法的数据集合的比较，进而识别出既定的驾驶行为，通过实验证明，在运行过程中，由于采用信息融合的方式，弥补单一传感器在短时间或长时间运行所带来的偏差，提高了识别的准确率，同时提出特征库构建的方法，为驾驶行为识别的准确率、高效性提供更为有效辅助措施。

附图说明

图1为本发明中驾驶行为识别流程图。

图2为本发明中驾驶行为模板库构建流程图。

具体实施方式

下面结合具体实施方式对本专利的技术方案作进一步详细地说明。

请参阅图1-2，一种基于移动终端传感信息融合的驾驶行为识别方法，具体步骤如下：

(1)数据获取：在智能手机上安装移动终端APP，并将智能手机放在车辆内随车行驶，在行驶过程不停获取到陀螺仪、磁感应器和加速度传感器的传感数据，同时提取传感器的不同方向的速度数据，组合成一种新的组合数据；

(2)数据预处理：经过数据获取阶段，移动终端APP获取到由陀螺仪、磁感应器和加速度传感器组合成的新的数据集，在这个阶段，对所获取的数据进行滤波，剔除些异常数据信息，同时对这些数据信息进行端点检测，获取一些可以进行校验的、有效的时间序列数据值集合，以便进行数据模板库构建与数据比对；

(3)数据模板库构建：在驾驶行为识别过程中，驾驶行为的模板库作为核心数据集合，在数据预处理后，采用特定场景的数据集合作为某一驾驶行为的特征库，以便于后续的数据比对；

(4)数据比对：在这个阶段过程中，基于预先设置的驾驶行为模板库，利用时间序列DTW算法，将有效的时间序列数据值集合与模板库的序列数据值集合进行比较，进而得出该有效值与模板库的各种模板数据值的最大相似值，进而识别当前驾驶行为为哪一种驾驶行为。

所述数据模板库构建的方法，具体步骤如下：

(1)通过预装在智能手机的移动终端APP获取智能手机陀螺仪、磁感应器和加速度传感器等传感器信息，提取不同传感器的数据组合成一个数据集合，并上传到后台服务；

(2)后台服务接收到移动终端APP上传的数据信息，一方面存入数据库，另一方面进行滤波、端点检测等预处理，形成有意义的时间序列数据集合，形成模型数据，同时存入数据库；

(3)验证客户端获取模型数据，对模型数据进行标示，形成驾驶行为模板，存入数据库。

在进行驾驶行为识别时，先检验智能手机是否包括手机陀螺仪、磁感应器和加速度等传感器，如存在与之相对应的传感器，则可支持驾驶行为判定功能，否则不支持；获取手机陀螺仪、磁感应器和加速度等传感器的传感数据，从各种传感器数据各抽取一个方向的数据组合成新的数据集合(包含x，y，z三个方向数据)；通过对数据集合(x，y，z)的x方向的数据进行滤波，该步骤主要采用极值移动平滑滤波方法，对数据进行校准；对经过滤波后的数据集合(x，y，z)的x方向值进行端点检测，判断出异常行为的数据序列；采用时间序列算法(DTW)算法，将异常行为的数据序列与预定的驾驶行为模板库的数据进行比对，得出该序列与各个模板库的最大相似值，进而判断出为哪一种驾驶行为。

本发明利用移动终端的陀螺仪、加速度与磁感应等传感器信息，通过传感信息的滤波、端点检测等信息预处理阶段，结合现有语音识别算法(DTW算法)，实现一种基于智能手机传感器信息融合的驾驶行为识别方法。

本发明利用智能手机的陀螺仪、磁感应器及加速度等多传感器的信息融合，结合现有的语音算法，通过与既定的危险性加减速、紧急刹车、危险性转弯等驾驶行为模板进行比较，最后识别出既定的驾驶行为。实验表明，本发明提供的基于智能手机多传感器的信息融合进行驾驶行为，其识别率比一般方法的识别率高。

本发明充分利用了智能手机陀螺仪、磁感应器和加速度传感器等传感信息，通过滤波、端点检测等数据预处理流程，采用时间序列算法的数据集合的比较，进而识别出既定的驾驶行为，通过实验证明，在运行过程中，由于采用信息融合的方式，弥补单一传感器在短时间或长时间运行所带来的偏差，提高了识别的准确率，同时提出特征库构建的方法，为驾驶行为识别的准确率、高效性提供更为有效辅助措施。

上面对本专利的较佳实施方式作了详细说明，但是本专利并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本专利宗旨的前提下作出各种变化。

Claims (2)

1.一种基于移动终端传感信息融合的驾驶行为识别方法，其特征在于，具体步骤如下：

(1)数据获取：在智能手机上安装移动终端APP，并将智能手机放在车辆内随车行驶，在行驶过程不停获取到陀螺仪、磁感应器和加速度传感器的传感数据，同时提取传感器的不同方向的速度数据，组合成一种新的组合数据；

(2)数据预处理：经过数据获取阶段，移动终端APP获取到由陀螺仪、磁感应器和加速度传感器组合成的新的数据集，在这个阶段，对所获取的数据进行滤波，剔除些异常数据信息，同时对这些数据信息进行端点检测，获取一些可以进行校验的、有效的时间序列数据值集合，以便进行数据模板库构建与数据比对；

(3)数据模板库构建：在驾驶行为识别过程中，驾驶行为的模板库作为核心数据集合，在数据预处理后，采用特定场景的数据集合作为某一驾驶行为的特征库，以便于后续的数据比对；

(4)数据比对：在这个阶段过程中，基于预先设置的驾驶行为模板库，利用时间序列DTW算法，将有效的时间序列数据值集合与模板库的序列数据值集合进行比较，进而得出该有效值与模板库的各种模板数据值的最大相似值，进而识别当前驾驶行为为哪一种驾驶行为。

2.根据权利要求1所述的基于移动终端传感信息融合的驾驶行为识别方法，其特征在于，所述数据模板库构建的方法，具体步骤如下：

(1)通过预装在智能手机的移动终端APP获取智能手机陀螺仪、磁感应器和加速度传感器等传感器信息，提取不同传感器的数据组合成一个数据集合，并上传到后台服务；

(2)后台服务接收到移动终端APP上传的数据信息，一方面存入数据库，另一方面进行滤波、端点检测等预处理，形成有意义的时间序列数据集合，形成模型数据，同时存入数据库；

(3)验证客户端获取模型数据，对模型数据进行标示，形成驾驶行为模板，存入数据库。