CN105718710A - 一种驾驶行为分析方法及设备 - Google Patents

Abstract

本发明提供一种驾驶行为分析方法及设备，读取车辆行驶过程中传感器检测到的车辆加速度矢量数据和角速度矢量数据；将加速度矢量数据和角速度矢量数据投影到行驶坐标系(x′,y′,z′)中，从行驶坐标系中的矢量数据中，选择驾驶行为发生变化的加速度样本数据集合和/或角速度样本数据集合；将加速度样本数据集合内的加速度矢量数据与预置的加速基准值和预置的减速基准值进行比较，判断是否发生加速行为或者刹车行为；将角速度样本数据集合内的角速度矢量数据与预置的角速度基准数据序列进行比较，判断是否发生了左转弯行为、右转弯行为、左并道行为或右并道行为。由于设置了加速基准值、减速基准值、角速度基准数据序列，可以准确判断出这两种驾驶行为变化。

Description

一种驾驶行为分析方法及设备

技术领域

本发明涉及数据处理技术领域，特别涉及一种驾驶行为分析方法及设备。

背景技术

现有技术，对于驾驶行为的分析一般是基于车辆的GPS轨迹数据或者车辆的车载自动诊断系统(OBD，OnBoardDiagnostics)接口数据，检测车辆在行驶过程中的加减速行为。但是，现有技术并不能检测出用户的其他驾驶行为，比如转弯或者并道等。

另外，现有技术基于车辆的GPS轨迹数据来检测车辆在行驶过程的加减速行为，受GPS信号的影响比较大，当GPS信号不好，GPS定位精度低时，会导致检测结果的错误率比较高。尤其在车辆通过隧道等无信号的路段时不能实现检测。

因此，本领域技术人员需要提供一种驾驶行为分析方法，能够准确地检测出用户的驾驶行为。

发明内容

本发明要解决的技术问题是提供一种驾驶行为分析方法及设备，能够准确地检测出车辆的驾驶行为。

本发明实施例提供一种驾驶行为分析方法，包括：

读取车辆行驶过程中传感器检测到的车辆加速度矢量数据和角速度矢量数据；

将所述加速度矢量数据和角速度矢量数据投影到行驶坐标系(x′,y′,z′)中，得到行驶坐标系中的加速度矢量数据和角速度矢量数据；所述行驶坐标系为z′轴垂直于地面，y′轴沿车辆行驶方向，x′轴垂直于y′轴-z′轴组成的平面；

从所述行驶坐标系中的矢量数据中，选择驾驶行为发生变化的加速度样本数据集合和/或角速度样本数据集合；

将所述加速度样本数据集合内的加速度矢量数据与预置的加速基准值和预置的减速基准值进行比较，判断是否发生加速行为或者刹车行为；

将所述角速度样本数据集合内的角速度矢量数据与预置的角速度基准数据序列进行比较，判断是否发生了左转弯行为、右转弯行为、左并道行为或右并道行为。

优选地，从所述行驶坐标系中的矢量数据中选择驾驶行为发生变化的加速度样本数据集合和/或角速度样本数据集合，具体为：

从所述行驶坐标系中的第一个加速度矢量数据对应位置作为当前位置开始，每次向后移动一个数据作为当前位置，并进行如下计算：

按照预置的加速度窗口长度L，从当前位置向后顺序选取L个加速度矢量数据，计算L个加速度矢量数据的y轴分量的平方和的均值，并判断所述均值是否大于预置的加速度阈值；

从连续i次判断得到均值大于所述加速度阈值之后连续j次判断得到均值小于所述加速度阈值的加速度矢量数据中，选择第1个到第i+j-1个加速度矢量数据作为一个加速度样本数据集合；

从所述行驶坐标系中的第一个角速度矢量数据对应位置作为当前位置开始，每次向后移动一个数据作为当前位置，并进行如下计算：

按照预置的角速度窗口长度M，从当前位置开始向后顺序选取M个角速度矢量数据，计算M个角速度矢量数据的z轴分量的平方和的均值，判断所述均值是否大于预置的角速度阈值；

从连续i’次判断得到均值大于所述加速度阈值之后连续j’次判断得到均值小于所述加速度阈值的加速度矢量数据中，选择第1个到第i’+j’-1个角速度矢量数据作为一个角速度样本数据集合。

优选地，将所述加速度样本数据集合内的加速度矢量数据与加速基准值和减速基准值进行比较，判断是否发生加速行为或者刹车行为具体包括：

从所述加速度样本集合内的第一个加速度矢量数据对应位置作为当前位置，每次向后移动一个数据作为当前位置，并进行如下计算：

从当前位置开始向后顺序选取预置的N个加速度矢量数据，计算N个加速度矢量数据的y轴分量的和值的均值；用计算得到的N-1个均值中最大的一个均值除以预置的加速基准值，得到加速强度；

从所述加速度样本数据集合内的第一个加速度矢量数据开始，对应位置作为当前位置，每次向后移动一个数据作为当前位置，并进行如下计算：

从当前位置开始向后顺序选取预置的P个加速度矢量数据，计算P个加速度矢量数据的y轴分量的和值的均值；用计算得到的P-1个均值中最小的一个均值的绝对值除以预置的减速基准值，得到减速强度；

比较所述加速强度、所述减速强度和预置的阈值的大小，如果加速强度大于减速强度，并且加速强度大于预置的阈值，则判断发生了加速行为，如果减速强度大于加速强度，并且减速强度大于预置的阈值，则判断发生了刹车行为，如果加速强度和减速强度均小于预置的阈值，则该数据区间内未发生加速行为或刹车行为。

优选地，所述预置的角速度基准数据序列包括至少一个左转弯角速度基准数据序列，至少一个右转弯基准数据序列，至少一个左并道角速度基准数据序列和至少一个右并道角速度基准数据序列，所述将所述角速度样本集合内的角速度矢量数据与预置的角速度基准模板进行判断是否左转弯行为、右转弯行为、左并道行为或右并道行为，具体包括：

利用动态时间规整算法DTW计算所述角速度样本数据集合内的角速度矢量数据与预置的至少一个左转弯角速度基准数据序列，至少一个右转弯基准数据序列，至少一个左并道角速度基准数据序列和至少一个右并道角速度基准数据序列之间的差异值，选择最小的一个差异值，判断最小的所述差异值是否小于预置的差异值阈值，如果是，则将驾驶行为确定为所述差异值对应的基准数据序列的类型。

优选地，从所述行驶坐标系中的矢量数据中选择驾驶行为发生变化的加速度样本数据集合和/或角速度样本数据集合；之前还包括：

对所述行驶坐标系中的加速度矢量数据和角速度矢量数据进行低通滤波，滤除行驶过程产生的震动影响。

本发明实施例提供一种驾驶行为分析设备，包括：数据读取模块、行驶坐标系数据获得模块、选择模块、加减速判断模块和转弯并道判断模块；

所述数据读取模块，用于读取车辆行驶过程中传感器检测到的车辆加速度矢量数据和角速度矢量数据；

所述行驶坐标系数据获得模块，用于将所述加速度矢量数据和角速度矢量数据投影到行驶坐标系(x′,y′,z′)中，得到行驶坐标系中的加速度矢量数据和角速度矢量数据；所述行驶坐标系为z′轴垂直于地面，y′轴沿车辆行驶方向，x′轴垂直于y′轴-z′轴组成的平面；

所述选择模块，用于从所述行驶坐标系中的矢量数据中选择驾驶行为发生变化的加速度样本数据集合和/或角速度样本数据集合；

所述加减速判断模块，用于将所述加速度样本数据集合内的加速度矢量数据与预置的加速基准值和预置的减速基准值进行比较，判断是否发生加速行为或者刹车行为；

所述转弯并道判断模块，用于所述角速度样本数据集合内的角速度矢量数据分别与预置的角速度基准数据序列进行比较，判断是否发生了左转弯行为、右转弯行为、左并道行为或右并道行为。

优选地，所述选择模块包括选择子模块，用于从所述行驶坐标系中的第一个加速度矢量数据对应位置作为当前位置开始，每次向后移动一个数据作为当前位置，并进行如下计算：

按照预置的加速度窗口长度L，从当前位置向后顺序选取L个加速度矢量数据，计算L个加速度矢量数据的y轴分量的平方和的均值，并判断所述均值是否大于预置的加速度阈值；

从连续i次判断得到均值大于所述加速度阈值之后连续j次判断得到均值小于所述加速度阈值的加速度矢量数据中，选择第1个到第i+j-1个加速度矢量数据作为一个加速度样本数据集合；

从所述行驶坐标系中的第一个角速度矢量数据对应位置作为当前位置开始，每次向后移动一个数据作为当前位置，并进行如下计算：

按照预置的角速度窗口长度M，从当前位置开始向后顺序选取M个角速度矢量数据，计算M个角速度矢量数据的z轴分量的平方和的均值，判断所述均值是否大于预置的角速度阈值；

从连续i’次判断得到均值大于所述加速度阈值之后连续j’次判断得到均值小于所述加速度阈值的加速度矢量数据中，选择第1个到第i’+j’-1个角速度矢量数据作为一个角速度样本数据集合。

优选地，所述加减速判断模块包括：强度获得子模块和判断子模块；

所述强度获得子模块，用于从所述加速度样本集合内的第一个加速度矢量数据对应位置作为当前位置，每次向后移动一个数据作为当前位置，并进行如下计算：从当前位置开始向后顺序选取预置的N个加速度矢量数据，计算N个加速度矢量数据的y轴分量的和值的均值；用计算得到的N-1个均值中最大的一个均值除以预置的加速基准值，得到加速强度；从所述加速度样本数据集合内的第一个加速度矢量数据开始，对应位置作为当前位置，每次向后移动一个数据作为当前位置，并进行如下计算：从当前位置开始向后顺序选取预置的P个加速度矢量数据，计算P个加速度矢量数据的y轴分量的和值的均值；用计算得到的P-1个均值中最小的一个均值的绝对值除以预置的减速基准值，得到减速强度；

所述判断子模块，用于比较所述加速强度、所述减速强度和预置的阈值的大小，如果加速强度大于减速强度，并且加速强度大于预置的阈值，则判断发生了加速行为，如果减速强度大于加速强度，并且减速强度大于预置的阈值，则判断发生了刹车行为，如果加速强度和减速强度均小于预置的阈值，则该数据区间内未发生加速行为或刹车行为。

优选地，所述转弯并道判断模块包括转弯并道判断子模块，用于利用动态时间规整算法DTW计算所述角速度样本数据集合内的角速度矢量数据与预置的至少一个左转弯角速度基准数据序列，至少一个右转弯基准数据序列，至少一个左并道角速度基准数据序列和至少一个右并道角速度基准数据序列之间的差异值，选择最小的一个差异值，判断最小的所述差异值是否小于预置的差异值阈值，如果是，则将驾驶行为确定为所述差异值对应的基准数据序列的类型；

所述预置的角速度基准数据序列包括至少一个左转弯角速度基准数据序列，至少一个右转弯基准数据序列，至少一个左并道角速度基准数据序列和至少一个右并道角速度基准数据序列，所述将所述角速度样本集合内的角速度矢量数据与预置的角速度基准模板进行判断是否左转弯行为、右转弯行为、左并道行为或右并道行为。

优选地，还包括滤波模块，用于对所述行驶坐标系中的加速度矢量数据和角速度矢量数据进行低通滤波，滤除行驶过程产生的震动影响。

与现有技术相比，本发明具有以下优点：

本实施例提供的驾驶行为分析方法，可以利用现有的传感器等设备获得加速度矢量数据和角速度矢量数据，再将数据转换到行驶坐标系中，利用行驶坐标系中的数据判断是否发生驾驶行为的变化，由于设置了加速基准值、减速基准值、角速度基准数据序列，因此，本实施例中可以准确判断出这两种驾驶行为变化。而现有技术中基于GPS并不能检测出是否发生转弯，是否发生并道。并且当信号质量不好时，GPS数据传输将收到限制。而本实施例中不基于GPS，因此，不受信号质量的影响。

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是本发明提供的驾驶行为分析方法实施例一流程图；

图2是行驶坐标系与地理坐标系x-y平面相比较示意图；

图3是本发明提供的驾驶行为分析方法实施例二流程图；

图4是本发明提供的样本区间的示意图；

图5是本发明提供的驾驶行为分析方法实施例三流程图；

图6是本发明提供的驾驶行为分析设备实施例一示意图；

图7是本发明提供的驾驶行为分析设备实施例二示意图；

图8是本发明提供的驾驶行为分析设备实施例三示意图。

具体实施方式

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，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。

参见图1，该图为本发明提供的驾驶行为分析方法实施例一流程图。

S101：读取车辆行驶过程中传感器检测到的车辆加速度矢量数据和角速度矢量数据；

S102：将所述加速度矢量数据和角速度矢量数据投影到行驶坐标系(x′,y′,z′)中，得到行驶坐标系中的加速度矢量数据和角速度矢量数据；所述行驶坐标系为z′轴垂直于地面，y′轴沿车辆行驶方向，x′轴垂直于y′轴-z′轴组成的平面；

如果传感器是直接安装在汽车上的，则将传感器检测到的矢量数据直接从传感器坐标系映射到行驶坐标系；如果是传感器是安装在手机上的，则需要先从手机坐标系转换到地理坐标系，再从地理坐标系转换到行驶坐标系。原因是手机姿态不固定，从而导致是的手机坐标系到行驶坐标系的映射关系不是唯一固定的，需要根据手机实时的姿态先从手机坐标系转换到地理坐标系，再转换到行驶坐标系。

需要说明的是，地理坐标系指的是真实世界的方向。

本申请可以利用手机中的传感器来进行检测，例如，可以利用手机中的加速度传感器、陀螺仪和磁力计读数的融合，得到手机相对于地理坐标系的加速度和转动角速度。

需要说明的是，融合算法可以由手机平台的应用程序编程接口(API，ApplicationProgrammingInterface)提供。

可以理解的是，加速度传感器、陀螺仪和磁力计是融合算法的输入数据，融合算法的输出数据是地理坐标系中的数据。

即利用手机可以获得车辆行驶时在地理坐标系(x,y,z)中的加速度矢量数据和角速度矢量数据；所述手机与车辆相对静止；可以理解的是，在数据采集阶段，手机与车辆相对静止即可。

另外，还有一种情况就是，由专门的一个检测模块来获得车辆行驶时在地理坐标系(x,y,z)中的加速度矢量数据和角速度矢量数据，该检测模块可以独立于手机而存在。

而利用已经存在的手机来完成数据的检测成本是最低的，因为现在的智能手机中已经涵盖了加速度传感器、陀螺仪和磁力计。

可以理解的是，行驶坐标系与地理坐标系相比较，z轴完全相同，不同的仅是x-y轴组成的二维平面，具体可以参见图2所示。

以一个加速度矢量v为例，需要通过它在地理坐标系中的坐标(x，y)和θ算出v在行驶坐标系中的坐标(x′,y′)。

具体的计算为：

x′＝x*cos(θ)-y*sin(θ)；

y′＝x*sin(θ)+y*cos(θ)；

另由于两个坐标系的z轴相同，因此投影前后加速度和角速度的z轴读数均不变，即：

z′＝z；

需要说明的是，将地理坐标系中的数据转换到行驶坐标系中，必须得到车辆实际的行驶方向，因此，车辆的实际行驶方向可以由GPS来获得，即获得图2中的θ。

例如，10s内车辆的行驶方向一般不会变化，因此，即使GPS信号短时间不太好，也不影响行驶方向的获得。这样本实施例提供的方法对于GPS的依赖性很小，因为主要的数据均是通过手机上的各个传感器来获得，而不是通过GPS来获得。

S103：从所述行驶坐标系中的矢量数据中选择驾驶行为发生变化的加速度样本数据集合和/或角速度样本数据集合；

S104：将所述加速度样本数据集合内的加速度矢量数据与预置的加速基准值和预置的减速基准值进行比较，判断是否发生加速行为或者刹车行为；

需要说明的是，从采集的数据中可以分析出是否发生驾驶行为的变化，将包括驾驶行为变化的数据集合内的矢量数据作为有效数据来进行后续比较分析。

加速度变化时可能对应的是加速，也可能对应的是刹车。

S105：将所述角速度样本数据集合内的角速度矢量数据与预置的角速度基准数据序列进行比较，判断是否发生了左转弯行为、右转弯行为、左并道行为或右并道行为。

角速度变化时可能对应的转弯，也可能对应的是并道，其中转弯又分为左转弯和右转弯，并道又分为左并道和右并道。

可以理解的是，加减速判断与转弯并道判断是分别独立判断的，判断加减速依据的是加速度数据，判断转弯并道依据的是角速度数据。车辆在实际行驶过程中，可能加速与转弯并存，可能加速与并道并存，可能减速与转弯并存，可能减速与并道并存。

需要说明的是，S104和S105是部分前后顺序的，都是位于S103之后的。

本实施例提供的驾驶行为分析方法，可以利用现有的传感器等设备获得加速度矢量数据和角速度矢量数据，再将数据转换到行驶坐标系中，利用行驶坐标系中的数据判断是否发生驾驶行为的变化，由于设置了加速基准值、减速基准值、角速度基准数据序列，因此，本实施例中可以准确判断出这两种驾驶行为变化。而现有技术中基于GPS并不能检测出是否发生转弯，是否发生并道。并且当信号质量不好时，GPS数据传输将收到限制。而本实施例中不基于GPS，因此，不受信号质量的影响。

方法实施例二：

参见图3，该图为本发明提供的驾驶行为分析方法实施例二流程图。

本实施例中介绍驾驶行为变化为加速或减速的具体判断步骤。

需要说明的是，无论是判断加减速，还是判断转弯并道，均需要采集有效的驾驶行为发生变化的数据，这些有效的数据的采集方式是相同的。下面首先介绍有效数据的采集。

本实施例中的S301-S302分别与S101-S102相同，在此不再赘述。

S303：从所述行驶坐标系中的第一个加速度矢量数据对应位置作为当前位置开始，每次向后移动一个数据作为当前位置，并进行如下计算：

按照预置的加速度窗口长度L，从当前位置向后顺序选取L个加速度矢量数据，计算L个加速度矢量数据的y轴分量的平方和的均值，并判断所述均值是否大于预置的加速度阈值；

从连续i次判断得到均值大于所述加速度阈值之后连续j次判断得到均值小于所述加速度阈值的加速度矢量数据中，选择第1个到第i+j-1个加速度矢量数据作为一个加速度样本数据集合；。

S303是为了从采集的大量数据中截取出包含驾驶行为发生变化的有效数据。

为了更好地理解S303的具体实现方式，可以参见图4，该图为本发明提供的截取有效数据的示意图。

从图4中可以看出，数据序列的长度为10，如图中的0-9，窗口长度L为3。

SMA[0]小于第一预定阈值，SMA[1]大于或等于第一预定阈值，SMA[2]大于或等于第一预定阈值，SMA[3]大于或等于第一预定阈值，SMA[4]小于第一预定阈值。因此，序号1对应的采样数据为有效数据对应的样本区间的起始位置。由于SMA[4]小于第一预定阈值，因此，根据i+j-1可得，序号5对应的采用数据为该样本区间的结束位置。

同理，序号7-9对应的样本区间也是有效数据。

有效数据后续需要进一步分析，因为有效数据的样本区间可能含有发生变化的驾驶行为。

S304：从所述加速度样本集合内的第一个加速度矢量数据对应位置作为当前位置，每次向后移动一个数据作为当前位置，并进行如下计算：

从当前位置开始向后顺序选取预置的N个加速度矢量数据，计算N个加速度矢量数据的y轴分量的和值的均值；用计算得到的N-1个均值中最大的一个均值除以预置的加速基准值，得到加速强度；

S305：从所述加速度样本数据集合内的第一个加速度矢量数据开始，对应位置作为当前位置，每次向后移动一个数据作为当前位置，并进行如下计算：

从当前位置开始向后顺序选取预置的P个加速度矢量数据，计算P个加速度矢量数据的y轴分量的和值的均值；用计算得到的P-1个均值中最小的一个均值的绝对值除以预置的减速基准值，得到减速强度；

需要说明的是，S304和S305是不分前后顺序的。

S306：比较所述加速强度、所述减速强度和预置的阈值的大小，如果加速强度大于减速强度，并且加速强度大于预置的阈值，则判断发生了加速行为，如果减速强度大于加速强度，并且减速强度大于预置的阈值，则判断发生了刹车行为，如果加速强度和减速强度均小于预置的阈值，则该数据区间内未发生加速行为或刹车行为。

方法实施例三：

参见图5，该图为本发明提供的驾驶行为分析方法实施例三流程图。

本实施例中介绍驾驶行为变化为转弯或并道的具体判断步骤。

与判断加速或减速不同的是，加速或减速的基准值为一个具体数值，而转弯或并道是一系列的变化，因此，转弯或并道的判断基准是一个基准数据序列，利用动态时间规整算法(DTW，DynamicTimeWarping)来计算采集的样本区间内的质量数据与基准数据序列的数据之间的差异值，差异值越大，则匹配度越小；差异值越小，则匹配度越大。

本实施例中S501-S502分别与S101-S102相同，在此不再赘述。下面从S503开始介绍。

S503：从所述行驶坐标系中的第一个角速度矢量数据对应位置作为当前位置开始，每次向后移动一个数据作为当前位置，并进行如下计算：

按照预置的角速度窗口长度M，从当前位置开始向后顺序选取M个角速度矢量数据，计算M个角速度矢量数据的z轴分量的平方和的均值，判断所述均值是否大于预置的角速度阈值；

从连续i′次判断得到均值大于所述加速度阈值之后连续j′次判断得到均值小于所述加速度阈值的加速度矢量数据中，选择第1个到第i′+j′-1个角速度矢量数据作为一个角速度样本数据集合。

S504：利用动态时间规整算法DTW计算所述角速度样本数据集合内的角速度矢量数据与预置的至少一个左转弯角速度基准数据序列，至少一个右转弯基准数据序列，至少一个左并道角速度基准数据序列和至少一个右并道角速度基准数据序列之间的差异值，选择最小的一个差异值，判断最小的所述差异值是否小于预置的差异值阈值，如果是，则将驾驶行为确定为所述差异值对应的基准数据序列的类型

所述预置的角速度基准数据序列包括至少一个左转弯角速度基准数据序列，至少一个右转弯基准数据序列，至少一个左并道角速度基准数据序列和至少一个右并道角速度基准数据序列，所述将所述角速度样本集合内的角速度矢量数据与预置的角速度基准模板进行判断是否左转弯行为、右转弯行为、左并道行为或右并道行为。

DTW计算两个时间序列之间的相似性，即寻找两个时间序列之间的最佳匹配。

在计算两个序列相似性时，传统的度量方法都无法真正度量两个序列相似性。其原因是，这些距离度量方式是用一一对应的距离度量，如果遇到两个特征相似，但发生时间上存在一定偏移(存在相位差)的时间序列，无法检测出两个时间序列实际特征相似。

而本实施例中通过DTW，可以将序列的各个数据将被对应到最匹配的位置，因此排除了相位差的影响，而且可以将样本特定的区间的时间跨度进行扩展或者压缩，达到和模板最相似的状态，再计算差距。

与判断加速和减速相类似的是，判断转弯和并道也存在多个等级的判断，即每种基准数据序列对应多个角速度强度，通常认为角速度强度越大对应的转弯或并道行为的可信度越高。

需要说明的是，实际测量数据过程中，由于传感器受外部震动以及自身精度的影响比较大，因此，为了后续数据的精确性更高，在选择样本区间之前，需要对数据进行滤波处理。

由于干扰信号的频率较高，而车辆行驶行为的频率较低(单个事件周期较长)的特点，可以滤除行驶过程产生的震动影响。

本实施例中可以采用巴特沃斯(Butterworth)低通滤波器来对数据进行频率大于1Hz的滤波处理，滤波效果较好。

本发明以上实施例提供的设备，通过基于传感器测量的数据，可以准确分析出驾驶行为的变化，从而对用户的不良驾驶习惯进行实时提醒，使驾驶员的安全意识得到提高。另外，还可以对驾驶行为建立数据档案，对保险等汽车服务业提供详细和有价值的数据。

基于以上实施例提供的一种驾驶行为分析方法，本发明实施例还提供一种驾驶行为分析设备，下面结合附图来进行详细介绍。

设备实施例一：

参见图6，该图为本发明提供的驾驶行为分析设备实施例一示意图。

本实施例提供的驾驶行为分析设备，包括：数据读取模块601、行驶坐标系数据获得模块602、选择模块603、加减速判断模块604和转弯并道判断模块605；

所述数据读取模块601，用于读取车辆行驶过程中传感器检测到的车辆加速度矢量数据和角速度矢量数据；

所述行驶坐标系数据获得模块602，用于将所述加速度矢量数据和角速度矢量数据投影到行驶坐标系(x′,y′,z′)中，得到行驶坐标系中的加速度矢量数据和角速度矢量数据；所述行驶坐标系为z′轴垂直于地面，y′轴沿车辆行驶方向，x′轴垂直于y′轴-z′轴组成的平面；

如果传感器是直接安装在汽车上的，则将传感器检测到的矢量数据直接从传感器坐标系映射到行驶坐标系；如果是传感器是安装在手机上的，则需要先从手机坐标系转换到地理坐标系，再从地理坐标系转换到行驶坐标系。原因是手机姿态不固定，从而导致是的手机坐标系到行驶坐标系的映射关系不是唯一固定的，需要根据手机实时的姿态先从手机坐标系转换到地理坐标系，再转换到行驶坐标系。

需要说明的是，地理坐标系指的是真实世界的方向。

本申请可以利用手机中的传感器来进行检测，例如，可以利用手机中的加速度传感器、陀螺仪和磁力计读数的融合，得到手机相对于地理坐标系的加速度和转动角速度。需要说明的是，融合算法可以由手机平台的系统API提供。

即利用手机可以获得车辆行驶时在地理坐标系(x,y,z)中的加速度矢量数据和角速度矢量数据；所述手机与车辆相对静止；可以理解的是，在数据采集阶段，手机与车辆相对静止即可。

另外，还有一种情况就是，由专门的一个检测模块来获得车辆行驶时在地理坐标系(x,y,z)中的加速度矢量数据和角速度矢量数据，该检测模块可以独立于手机存在。

而利用已经存在的手机来完成数据的检测成本是最低的，因为现在的智能手机中已经涵盖了加速度传感器、陀螺仪和磁力计。

可以理解的是，行驶坐标系与地理坐标系相比较，z轴完全相同，不同的仅是x-y轴组成的二维平面。

所述选择模块603，用于从所述行驶坐标系中的矢量数据中选择驾驶行为发生变化的加速度样本数据集合和/或角速度样本数据集合；

所述加减速判断模块604，用于将所述加速度样本数据集合内的加速度矢量数据与预置的加速基准值和预置的减速基准值进行比较，判断是否发生加速行为或者刹车行为；

需要说明的是，从采集的数据中可以分析出是否发生驾驶行为的变化，将包括驾驶行为变化的样本区间内的矢量数据作为有效数据来进行后续比较分析。

加速度变化时可能对应的是加速，也可能对应的是刹车。

所述转弯并道判断模块605，用于所述角速度样本数据集合内的角速度矢量数据分别与预置的角速度基准数据序列进行比较，判断是否发生了左转弯行为、右转弯行为、左并道行为或右并道行为。

角速度变化时可能对应的转弯，也可能对应的是并道，其中转弯又分为左转弯和右转弯，并道又分为左并道和右并道。

可以理解的是，加减速判断与转弯并道判断是分别独立判断的，判断加减速依据的是加速度数据，判断转弯并道依据的是角速度数据。

本实施例提供的驾驶行为分析设备，可以利用现有的传感器等设备获得加速度矢量数据和角速度矢量数据，再将数据转换到行驶坐标系中，利用行驶坐标系中的数据判断是否发生驾驶行为的变化，由于设置了加速基准值、减速基准值、角速度基准数据序列，因此，本实施例中可以准确判断出这两种驾驶行为变化。而现有技术中基于GPS并不能检测出是否发生转弯，是否发生并道。并且当信号质量不好时，GPS数据传输将收到限制。而本实施例中不基于GPS，因此，不受信号质量的影响。

设备实施例二：

参见图7，该图为本发明提供的驾驶行为分析设备实施例二示意图。

本实施例提供的驾驶行为分析设备还包括滤波模块701，用于对所述行驶坐标系中的加速度矢量数据和角速度矢量数据进行低通滤波，滤除行驶过程产生的震动影响。

需要说明的是，所述滤波模块701在从所述行驶坐标系中的矢量数据中选择驾驶行为发生变化的加速度样本数据集合和/或角速度样本数据集合，之前进行低通滤波。

需要说明的是，实际测量数据过程中，由于传感器受外部震动以及自身精度的影响比较大，因此，为了后续数据的精确性更高，在选择样本区间之前，需要对数据进行滤波处理。

由于干扰信号的频率较高，而车辆行驶行为的频率较低(单个事件周期较长)的特点，可以使用低通滤波来滤除干扰信号。

本实施例中可以采用巴特沃斯(Butterworth)低通滤波器来对数据进行频率大于1Hz的滤波处理，滤波效果较好。

需要说明的是，无论是判断加减速，还是判断转弯并道，均需要采集有效的驾驶行为发生变化的数据，这些有效的数据的采集方式是相同的。下面首先介绍有效数据的采集。

所述选择模块包括选择子模块602a，从所述行驶坐标系中的第一个加速度矢量数据对应位置作为当前位置开始，每次向后移动一个数据作为当前位置，并进行如下计算：

按照预置的加速度窗口长度L，从当前位置向后顺序选取L个加速度矢量数据，计算L个加速度矢量数据的y轴分量的平方和的均值，并判断所述均值是否大于预置的加速度阈值；

从连续i次判断得到均值大于所述加速度阈值之后连续j次判断得到均值小于所述加速度阈值的加速度矢量数据中，选择第1个到第i+j-1个加速度矢量数据作为一个加速度样本数据集合；

从所述行驶坐标系中的第一个角速度矢量数据对应位置作为当前位置开始，每次向后移动一个数据作为当前位置，并进行如下计算：

按照预置的角速度窗口长度M，从当前位置开始向后顺序选取M个角速度矢量数据，计算M个角速度矢量数据的z轴分量的平方和的均值，判断所述均值是否大于预置的角速度阈值；

从连续i’次判断得到均值大于所述加速度阈值之后连续j’次判断得到均值小于所述加速度阈值的加速度矢量数据中，选择第1个到第i’+j’-1个角速度矢量数据作为一个角速度样本数据集合

所述加减速判断模块包括：强度获得子模块604a和判断子模块604b；

所述强度获得子模块604a，用于从所述加速度样本集合内的第一个加速度矢量数据对应位置作为当前位置，每次向后移动一个数据作为当前位置，并进行如下计算：从当前位置开始向后顺序选取预置的N个加速度矢量数据，计算N个加速度矢量数据的y轴分量的和值的均值；用计算得到的N-1个均值中最大的一个均值除以预置的加速基准值，得到加速强度；从所述加速度样本数据集合内的第一个加速度矢量数据开始，对应位置作为当前位置，每次向后移动一个数据作为当前位置，并进行如下计算：从当前位置开始向后顺序选取预置的P个加速度矢量数据，计算P个加速度矢量数据的y轴分量的和值的均值；用计算得到的P-1个均值中最小的一个均值的绝对值除以预置的减速基准值，得到减速强度；

所述判断子模块604b，用于比较所述加速强度、所述减速强度和预置的阈值的大小，如果加速强度大于减速强度，并且加速强度大于预置的阈值，则判断发生了加速行为，如果减速强度大于加速强度，并且减速强度大于预置的阈值，则判断发生了刹车行为，如果加速强度和减速强度均小于预置的阈值，则该数据区间内未发生加速行为或刹车行为。

设备实施例三：

参见图8，该图为本发明提供的驾驶行为分析设备实施例三示意图。

与判断加速或减速不同的是，加速或减速的基准值为一个具体数值，而转弯或并道是一系列的变化，因此，转弯或并道的判断基准是一个基准数据序列，利用动态时间规整算法DTW来计算采集的样本区间内的质量数据与基准数据序列的数据之间的差异值，差异值越大，则匹配度越小；差异值越小，则匹配度越大。

本实施例中与设备实施例二相同的模块包括：行驶坐标系数据获得模块602、滤波模块701、选择子模块603a。

所述转弯并道判断模块包括转弯并道判断子模块605a，用于利用动态时间规整算法DTW计算所述角速度样本数据集合内的角速度矢量数据与预置的至少一个左转弯角速度基准数据序列，至少一个右转弯基准数据序列，至少一个左并道角速度基准数据序列和至少一个右并道角速度基准数据序列之间的差异值，选择最小的一个差异值，判断最小的所述差异值是否小于预置的差异值阈值，如果是，则将驾驶行为确定为所述差异值对应的基准数据序列的类型；所述预置的角速度基准数据序列包括至少一个左转弯角速度基准数据序列，至少一个右转弯基准数据序列，至少一个左并道角速度基准数据序列和至少一个右并道角速度基准数据序列，所述将所述角速度样本集合内的角速度矢量数据与预置的角速度基准模板进行判断是否左转弯行为、右转弯行为、左并道行为或右并道行为。

DTW计算两个时间序列之间的相似性，即寻找两个时间序列之间的最佳匹配。

在计算两个序列相似性时，传统的度量方法都无法真正度量两个序列相似性。其原因是，这些距离度量方式是用一一对应的距离度量，如果遇到两个特征相似，但发生时间上存在一定偏移(存在相位差)的时间序列，无法检测出两个时间序列实际特征相似。

而本实施例中通过DTW，可以将序列的各个数据将被对应到最匹配的位置，因此排除了相位差的影响，而且可以将样本特定的区间的时间跨度进行扩展或者压缩，达到和模板最相似的状态，再计算差距。

与判断加速和减速相类似的是，判断转弯和并道也存在多个等级的判断，即每种基准数据序列对应多个角速度强度，通常认为角速度强度越大对应的转弯或并道行为的可信度越高。

本发明以上实施例提供的设备，通过基于传感器测量的数据，可以准确分析出驾驶行为的变化，从而对用户的不良驾驶习惯进行实时提醒，使驾驶员的安全意识得到提高。另外，还可以对驾驶行为建立数据档案，对保险等汽车服务业提供详细和有价值的数据。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。

Claims (10)

1.一种驾驶行为分析方法，其特征在于，包括：

读取车辆行驶过程中传感器检测到的车辆加速度矢量数据和角速度矢量数据；

将所述加速度矢量数据和角速度矢量数据投影到行驶坐标系(x′,y′,z′)中，得到行驶坐标系中的加速度矢量数据和角速度矢量数据；所述行驶坐标系为z′轴垂直于地面，y′轴沿车辆行驶方向，x′轴垂直于y′轴-z′轴组成的平面；

从所述行驶坐标系中的矢量数据中，选择驾驶行为发生变化的加速度样本数据集合和/或角速度样本数据集合；

将所述加速度样本数据集合内的加速度矢量数据与预置的加速基准值和预置的减速基准值进行比较，判断是否发生加速行为或者刹车行为；

将所述角速度样本数据集合内的角速度矢量数据与预置的角速度基准数据序列进行比较，判断是否发生了左转弯行为、右转弯行为、左并道行为或右并道行为。

2.根据权利要求1所述的驾驶行为分析方法，其特征在于，从所述行驶坐标系中的矢量数据中选择驾驶行为发生变化的加速度样本数据集合和/或角速度样本数据集合，具体为：

从所述行驶坐标系中的第一个加速度矢量数据对应位置作为当前位置开始，每次向后移动一个数据作为当前位置，并进行如下计算：

按照预置的加速度窗口长度L，从当前位置向后顺序选取L个加速度矢量数据，计算L个加速度矢量数据的y轴分量的平方和的均值，并判断所述均值是否大于预置的加速度阈值；

从连续i次判断得到均值大于所述加速度阈值之后连续j次判断得到均值小于所述加速度阈值的加速度矢量数据中，选择第1个到第i+j-1个加速度矢量数据作为一个加速度样本数据集合；

从所述行驶坐标系中的第一个角速度矢量数据对应位置作为当前位置开始，每次向后移动一个数据作为当前位置，并进行如下计算：

按照预置的角速度窗口长度M，从当前位置开始向后顺序选取M个角速度矢量数据，计算M个角速度矢量数据的z轴分量的平方和的均值，判断所述均值是否大于预置的角速度阈值；

从连续i’次判断得到均值大于所述加速度阈值之后连续j’次判断得到均值小于所述加速度阈值的加速度矢量数据中，选择第1个到第i’+j’-1个角速度矢量数据作为一个角速度样本数据集合。

3.根据权利要求2所述的驾驶行为分析方法，其特征在于，将所述加速度样本数据集合内的加速度矢量数据与加速基准值和减速基准值进行比较，判断是否发生加速行为或者刹车行为具体包括：

从所述加速度样本集合内的第一个加速度矢量数据对应位置作为当前位置，每次向后移动一个数据作为当前位置，并进行如下计算：

从当前位置开始向后顺序选取预置的N个加速度矢量数据，计算N个加速度矢量数据的y轴分量的和值的均值；用计算得到的N-1个均值中最大的一个均值除以预置的加速基准值，得到加速强度；

从所述加速度样本数据集合内的第一个加速度矢量数据开始，对应位置作为当前位置，每次向后移动一个数据作为当前位置，并进行如下计算：

从当前位置开始向后顺序选取预置的P个加速度矢量数据，计算P个加速度矢量数据的y轴分量的和值的均值；用计算得到的P-1个均值中最小的一个均值的绝对值除以预置的减速基准值，得到减速强度；

比较所述加速强度、所述减速强度和预置的阈值的大小，如果加速强度大于减速强度，并且加速强度大于预置的阈值，则判断发生了加速行为，如果减速强度大于加速强度，并且减速强度大于预置的阈值，则判断发生了刹车行为，如果加速强度和减速强度均小于预置的阈值，则该数据区间内未发生加速行为或刹车行为。

4.根据权利要求2所述的驾驶行为分析方法，其特征在于，所述预置的角速度基准数据序列包括至少一个左转弯角速度基准数据序列，至少一个右转弯基准数据序列，至少一个左并道角速度基准数据序列和至少一个右并道角速度基准数据序列，所述将所述角速度样本集合内的角速度矢量数据与预置的角速度基准模板进行判断是否左转弯行为、右转弯行为、左并道行为或右并道行为，具体包括：

利用动态时间规整算法DTW计算所述角速度样本数据集合内的角速度矢量数据与预置的至少一个左转弯角速度基准数据序列，至少一个右转弯基准数据序列，至少一个左并道角速度基准数据序列和至少一个右并道角速度基准数据序列之间的差异值，选择最小的一个差异值，判断最小的所述差异值是否小于预置的差异值阈值，如果是，则将驾驶行为确定为所述差异值对应的基准数据序列的类型。

5.根据权利要求1-4任一项所述的驾驶行为分析方法，其特征在于，从所述行驶坐标系中的矢量数据中选择驾驶行为发生变化的加速度样本数据集合和/或角速度样本数据集合；之前还包括：

对所述行驶坐标系中的加速度矢量数据和角速度矢量数据进行低通滤波，滤除行驶过程产生的震动影响。

6.一种驾驶行为分析设备，其特征在于，包括：数据读取模块、行驶坐标系数据获得模块、选择模块、加减速判断模块和转弯并道判断模块；

所述数据读取模块，用于读取车辆行驶过程中传感器检测到的车辆加速度矢量数据和角速度矢量数据；

所述行驶坐标系数据获得模块，用于将所述加速度矢量数据和角速度矢量数据投影到行驶坐标系(x′,y′,z′)中，得到行驶坐标系中的加速度矢量数据和角速度矢量数据；所述行驶坐标系为z′轴垂直于地面，y′轴沿车辆行驶方向，x′轴垂直于y′轴-z′轴组成的平面；

所述选择模块，用于从所述行驶坐标系中的矢量数据中选择驾驶行为发生变化的加速度样本数据集合和/或角速度样本数据集合；

所述加减速判断模块，用于将所述加速度样本数据集合内的加速度矢量数据与预置的加速基准值和预置的减速基准值进行比较，判断是否发生加速行为或者刹车行为；

所述转弯并道判断模块，用于所述角速度样本数据集合内的角速度矢量数据分别与预置的角速度基准数据序列进行比较，判断是否发生了左转弯行为、右转弯行为、左并道行为或右并道行为。

7.根据权利要求6所述的驾驶行为分析设备，其特征在于，所述选择模块包括选择子模块，用于从所述行驶坐标系中的第一个加速度矢量数据对应位置作为当前位置开始，每次向后移动一个数据作为当前位置，并进行如下计算：

按照预置的加速度窗口长度L，从当前位置向后顺序选取L个加速度矢量数据，计算L个加速度矢量数据的y轴分量的平方和的均值，并判断所述均值是否大于预置的加速度阈值；

从连续i次判断得到均值大于所述加速度阈值之后连续j次判断得到均值小于所述加速度阈值的加速度矢量数据中，选择第1个到第i+j-1个加速度矢量数据作为一个加速度样本数据集合；

从所述行驶坐标系中的第一个角速度矢量数据对应位置作为当前位置开始，每次向后移动一个数据作为当前位置，并进行如下计算：

按照预置的角速度窗口长度M，从当前位置开始向后顺序选取M个角速度矢量数据，计算M个角速度矢量数据的z轴分量的平方和的均值，判断所述均值是否大于预置的角速度阈值；

从连续i’次判断得到均值大于所述加速度阈值之后连续j’次判断得到均值小于所述加速度阈值的加速度矢量数据中，选择第1个到第i’+j’-1个角速度矢量数据作为一个角速度样本数据集合。

8.根据权利要求7所述的驾驶行为分析设备，其特征在于，所述加减速判断模块包括：强度获得子模块和判断子模块；

所述强度获得子模块，用于从所述加速度样本集合内的第一个加速度矢量数据对应位置作为当前位置，每次向后移动一个数据作为当前位置，并进行如下计算：从当前位置开始向后顺序选取预置的N个加速度矢量数据，计算N个加速度矢量数据的y轴分量的和值的均值；用计算得到的N-1个均值中最大的一个均值除以预置的加速基准值，得到加速强度；从所述加速度样本数据集合内的第一个加速度矢量数据开始，对应位置作为当前位置，每次向后移动一个数据作为当前位置，并进行如下计算：从当前位置开始向后顺序选取预置的P个加速度矢量数据，计算P个加速度矢量数据的y轴分量的和值的均值；用计算得到的P-1个均值中最小的一个均值的绝对值除以预置的减速基准值，得到减速强度；

所述判断子模块，用于比较所述加速强度、所述减速强度和预置的阈值的大小，如果加速强度大于减速强度，并且加速强度大于预置的阈值，则判断发生了加速行为，如果减速强度大于加速强度，并且减速强度大于预置的阈值，则判断发生了刹车行为，如果加速强度和减速强度均小于预置的阈值，则该数据区间内未发生加速行为或刹车行为。

9.根据权利要求7所述的驾驶行为分析设备，其特征在于，所述转弯并道判断模块包括转弯并道判断子模块，用于利用动态时间规整算法DTW计算所述角速度样本数据集合内的角速度矢量数据与预置的至少一个左转弯角速度基准数据序列，至少一个右转弯基准数据序列，至少一个左并道角速度基准数据序列和至少一个右并道角速度基准数据序列之间的差异值，选择最小的一个差异值，判断最小的所述差异值是否小于预置的差异值阈值，如果是，则将驾驶行为确定为所述差异值对应的基准数据序列的类型；

所述预置的角速度基准数据序列包括至少一个左转弯角速度基准数据序列，至少一个右转弯基准数据序列，至少一个左并道角速度基准数据序列和至少一个右并道角速度基准数据序列，所述将所述角速度样本集合内的角速度矢量数据与预置的角速度基准模板进行判断是否左转弯行为、右转弯行为、左并道行为或右并道行为。

10.根据权利要求6-9任一项所述的驾驶行为分析设备，其特征在于，还包括滤波模块，用于对所述行驶坐标系中的加速度矢量数据和角速度矢量数据进行低通滤波，滤除行驶过程产生的震动影响。