CN106203437B - 个体驾驶行为特征识别方法和装置 - Google Patents

Abstract

本发明公开了一种个体驾驶行为特征识别方法，接收终端检测的当前驾驶者的车辆定位数据；从所述车辆定位数据中提取多个传统驾驶特征指标；从所述车辆定位数据中提取多个梅尔频率倒谱系数MFCC特征指标；将所述传统驾驶特征指标和MFCC特征指标作为训练样本，采用随机森林分类法建模，获得当前驾驶者的驾驶行为特征识别模型。本发明还公开了一种个体驾驶行为特征识别装置。本发明针对终端定位功能采集的当前驾驶者的车辆定位数据进行建模，数据采集方式和采集设备简单，有利于节约成本；且建模获得的驾驶行为特征识别模型更能反映当前驾驶者的个体驾驶行为特征，在后续识别个体驾驶行为时能够获得更准确的识别效果。

Description

个体驾驶行为特征识别方法和装置

技术领域

本发明涉及计算机技术领域，特别涉及个体驾驶行为特征识别方法和装置。

背景技术

随着汽车行业的不断发展，拥有车辆的用户越来越多，交通拥堵情况越来越严重，交通事故的风险也越来越高。为了缓解交通压力、减少交通事故的发生概率，针对不同车主的驾驶习惯制定特定的驾驶行为指导项目，已经成为汽车服务行业的主要发展趋势。目前基于车辆驾驶行为的特征分析大多是在车体内嵌入传感器设备，通过传感器采集机动车运动的物理状态、驾驶人员体征状态、车外环境等数据，然后进行数据处理和分析，获得驾驶行为特性。但是，目前的分析方法获得的特征数据仅仅只能表现出有限的几类群体的驾驶特征，在研究群体驾驶行为特征时具有意义，而对个体驾驶行为的表征和识别存在较大困难。

发明内容

本发明的主要目的为提供一种个体驾驶行为特征识别方法和装置，能够识别个体驾驶行为特征。

本发明提出一种个体驾驶行为特征识别方法，包括步骤：

接收终端检测的当前驾驶者的车辆定位数据；

从所述车辆定位数据中提取多个传统驾驶特征指标；

从所述车辆定位数据中提取多个MFCC(Mel-Frequency Cepstral Coefficients，梅尔频率倒谱系数)特征指标；

将所述传统驾驶特征指标和MFCC特征指标作为训练样本，采用随机森林分类法建模，获得当前驾驶者的驾驶行为特征识别模型。

优选地，所述将传统驾驶特征指标和MFCC特征指标作为训练样本，采用随机森林分类法建模，获得当前驾驶者的驾驶行为特征识别模型的步骤之后还包括：

接收终端检测的测试者的车辆定位数据；

从所述测试者的车辆定位数据中提取所述测试者的多个传统驾驶特征指标和多个MFCC特征指标；

加载当前驾驶者的驾驶行为特征识别模型；

将所述测试者的传统驾驶特征指标和MFCC特征指标作为测试样本，采用当前驾驶者的驾驶行为特征识别模型对所述测试样本进行预测分类，获得预测分类结果；

根据预测分类结果确定所述测试者是否为当前驾驶者。

优选地，所述从车辆定位数据中提取多个传统驾驶特征指标的步骤包括：

将连续的多个采样点中每n个采样点划分为一个采样段，获得多个采样段，其中n为预设帧长包括的采样点个数；

从每一个采样段的所述车辆定位数据中提取多个传统驾驶特征指标；

所述将传统驾驶特征指标作为训练样本的步骤包括：

将每一个采样段对应的多个所述传统驾驶特征指标作为一组训练样本集。

优选地，所述从车辆定位数据中提取多个梅尔频率倒谱系数MFCC特征指标的步骤包括：

在连续的多个采样点中，当一个采样点的行驶速度小于速度阈值时，将所述采样点的行驶速度置零；

将行驶速度不为零的连续多个采样点划分为一个采样段，获得多个采样段；

将每一个采样段的所述车辆定位数据进行快速傅立叶变换，获得每一个采样段的频谱参数，并根据所述频谱参数获得每一个采样段对应的幅度谱；

将每一个采样段对应的幅度谱经梅尔滤波器组处理，获得每一个采样段对应的多个梅尔滤波输出值；

对每一个采样段对应的多个梅尔滤波输出值取对数值，并对所述对数值做离散余弦变换，获得每一个采样段对应的多个MFCC特征指标；

所述将MFCC特征指标作为训练样本的步骤包括：

将每一个采样段对应的多个MFCC特征指标作为一组训练样本集。

优选地，所述车辆定位数据包括多个采样点对应的采样时间、车辆所在位置三维坐标、行驶速度、行驶方向中的一个或多个数据；所述传统驾驶特征指标包括多个采样点对应的行驶速度、行驶加速度、转弯速度、转弯加速度、转角系数、地理位置中的一个或多个指标。

本发明还提出一种个体驾驶行为特征识别装置，包括：

定位模块，用于接收终端检测的当前驾驶者的车辆定位数据；

特征提取模块，用于从所述车辆定位数据中提取多个传统驾驶特征指标；从所述车辆定位数据中提取多个梅尔频率倒谱系数MFCC特征指标；

建模模块，用于将所述传统驾驶特征指标和MFCC特征指标作为训练样本，采用随机森林分类法建模，获得当前驾驶者的驾驶行为特征识别模型。

优选地，所述个体驾驶行为特征识别装置，还包括模型加载模块和预测模块；

所述定位模块还用于，接收终端检测的测试者的车辆定位数据；

所述特征提取模块还用于，从所述测试者的车辆定位数据中提取所述测试者的多个传统驾驶特征指标和多个MFCC特征指标；

所述模型加载模块用于，加载当前驾驶者的驾驶行为特征识别模型；

所述预测模块用于，将所述测试者的传统驾驶特征指标和MFCC特征指标作为测试样本，采用当前驾驶者的驾驶行为特征识别模型对所述测试样本进行预测分类，获得预测分类结果；根据预测分类结果确定所述测试者是否为当前驾驶者。

优选地，所述特征提取模块还用于，将连续的多个采样点中每n个采样点划分为一个采样段，获得多个采样段，其中n为预设帧长包括的采样点个数；从每一个采样段的所述车辆定位数据中提取多个传统驾驶特征指标；

所述建模模块还用于，将每一个采样段对应的多个所述传统驾驶特征指标作为一组训练样本集。

优选地，所述特征提取模块还用于：

在连续的多个采样点中，当一个采样点的行驶速度小于速度阈值时，将所述采样点的行驶速度置零；

将行驶速度不为零的连续多个采样点划分为一个采样段，获得多个采样段；

将每一个采样段的所述车辆定位数据进行快速傅立叶变换，获得每一个采样段的频谱参数，并根据所述频谱参数获得每一个采样段对应的幅度谱；

将每一个采样段对应的幅度谱经梅尔滤波器组处理，获得每一个采样段对应的多个梅尔滤波输出值；

对每一个采样段对应的多个梅尔滤波输出值取对数值，并对所述对数值做离散余弦变换，获得每一个采样段对应的多个MFCC特征指标；

所述建模模块还用于，将每一个采样段对应的多个MFCC特征指标作为一组训练样本集。

优选地，所述车辆定位数据包括多个采样点对应的采样时间、车辆所在位置三维坐标、行驶速度、行驶方向中的一个或多个数据；所述传统驾驶特征指标包括多个采样点对应的行驶速度、行驶加速度、转弯速度、转弯加速度、转角系数、地理位置中的一个或多个指标。

本发明针对终端定位功能采集的当前驾驶者的车辆定位数据进行建模，数据采集方式简单，且采集数据的设备只需要具有定位功能的终端即可，无需在车内安装复杂的传感器设备，有利于节约成本；同时，在建模时将传统驾驶特征指标和MFCC特征指标均作为训练样本，并采用随机森林分类法建模，获得的驾驶行为特征识别模型更能反映当前驾驶者的个体驾驶行为特征，在后续识别个体驾驶行为时能够获得更准确的识别效果。

附图说明

图1为本发明个体驾驶行为特征识别方法的第一实施例的流程图；

图2为本发明个体驾驶行为特征识别方法的第二实施例的流程图；

图3为本发明个体驾驶行为特征识别方法的第三实施例的流程图；

图4为本发明个体驾驶行为特征识别方法的第四实施例的流程图；

图5为本发明个体驾驶行为特征识别装置的第一实施例的模块示意图；

图6为本发明个体驾驶行为特征识别装置的第二实施例的模块示意图；

图7a为只采用传统驾驶特征指标建模与识别的效果比较图；

图7b为只采用MFCC特征指标建模与识别的效果比较图；

图7c为采用传统驾驶特征指标和MFCC特征指标建模与识别的效果比较图；

图8为行程段划分多个采样段的示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，图1为本发明个体驾驶行为特征识别方法的第一实施例的流程图。本实施例提到的个体驾驶行为特征识别方法，包括步骤：

步骤S10，接收终端检测的当前驾驶者的车辆定位数据；

本实施例中，针对同一个驾驶者的驾驶习惯进行建模与识别。在当前驾驶者驾驶车辆行进时，通过终端上的定位系统获取车辆的行驶路线及车辆定位数据，终端可包括安装在车上的GPS记录仪、带GPS功能的手机和PAD等终端，或安装在手机、PAD等终端上的定位应用软件。车辆定位数据的采样频率可预设，例如预设为1次/秒，每秒采集一次数据，车辆定位数据可包括多个采样点对应的采样时间、车辆所在位置三维坐标(经度、纬度、高度)、行驶速度、行驶方向等数据中的一个或多个。当前驾驶者的车辆定位数据可由终端从定位卫星或定位服务器获取，并通过网络发送至本发明实施例的个体驾驶行为特征识别装置所在终端或服务器，供个体驾驶行为特征识别装置对当前驾驶者的驾驶行为特征进行分析，也可以直接由识别装置从定位卫星或定位服务器获取。

步骤S20，从车辆定位数据中提取多个传统驾驶特征指标；

个体驾驶行为特征识别装置所在终端或服务器在接收到车辆定位数据后，可采用传统方式从车辆定位数据中提取多个传统驾驶特征指标，包括多个采样点对应的行驶速度、行驶加速度、转弯速度、转弯加速度、转角系数、地理位置等特征中的一个或多个指标。例如，车辆定位数据包括两个采样点的坐标、车辆行驶轨迹、采样时间间隔等数据，上述识别装置可通过采样点坐标和车辆行驶轨迹计算出两个采样点之间行驶路程的距离，并根据行程距离和时间间隔计算出行驶速度和加速度。又如，根据车辆行驶轨迹、行驶速度和行驶方向等车辆定位数据，可计算出转弯速度、转弯加速度、转角系数等指标。

步骤S30，从车辆定位数据中提取多个MFCC特征指标；

在只采用传统驾驶特征指标进行建模与识别时，只能粗略的识别出几个大的类别，如图7a所示，对角线为同一驾驶者驾驶行为特征的实际值与预测值的相似度，在识别个体驾驶行为时识别效果较差，因此需要增加特征指标。本实施例借鉴语音分析方法，将车辆定位数据中的各类数据分别转换为连续变化的模拟信号，提取频谱特性，包括时域特征和频域特征，例如短时过零率、FFT(Fast Fourier Transformation，快速傅里叶变换)频谱特征群、小波变换特征群、MFCC频谱特征群等特征指标，最终获得多个MFCC特征指标。

步骤S40，将传统驾驶特征指标和MFCC特征指标作为训练样本；

在只采用MFCC特征指标进行建模与识别时，也只能粗略的识别出几个大的类别，如图7b所示，在识别个体驾驶行为时识别效果仍然较差。因此，本实施例将传统驾驶特征指标和MFCC特征指标均作为当前驾驶者的驾驶行为特征，并在数据库中建立当前驾驶者的驾驶行为特征库。

步骤S50，采用随机森林分类法建模，获得当前驾驶者的驾驶行为特征识别模型。

在建模时，个体驾驶行为特征识别装置将传统驾驶特征指标和MFCC特征指标合并，均作为训练样本，并采用随机森林分类法建模，获得针对当前驾驶者个体的驾驶行为特征识别模型，如图7c所示，在识别个体驾驶行为时能够获得更准确的识别效果。随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定，能够处理大量的输入样本，在对大量的、高维的数据训练时，不容易出现过拟合问题，分类准确度高，训练和预测速度快，对训练样本中的噪声和错误鲁棒要求均能满足本实施例的驾驶行为特征识别的要求。上述建模方式可以是采集多个驾驶者的定位数据，提取传统驾驶特征指标和MFCC特征指标，并建模，获得的驾驶行为特征识别模型中包括了多个驾驶者的个体驾驶特征类别，在后续识别时，将测试者的数据输入到该模型中，即可找到对应的驾驶者。

本实施例针对终端定位功能采集的当前驾驶者的车辆定位数据进行建模，数据采集方式简单，且采集数据的设备只需要具有定位功能的终端即可，无需在车内安装复杂的传感器设备，有利于节约成本；同时，在建模时将传统驾驶特征指标和MFCC特征指标均作为训练样本，并采用随机森林分类法建模，获得的驾驶行为特征识别模型更能反映当前驾驶者的个体驾驶行为特征，在后续识别个体驾驶行为时能够获得更准确的识别效果。

如图2所示，图2为本发明个体驾驶行为特征识别方法的第二实施例的流程图。本实施例包括图1所示实施例中的所有步骤，还提供了对测试者驾驶行为特征的预测的步骤，在步骤S50之后还包括：

步骤S61，接收终端检测的测试者的车辆定位数据；

本实施例在进行驾驶行为识别时，采用与建模时相同的方法获得定位数据和特征指标。在测试者驾驶车辆行进时，通过终端上的定位系统采集车辆的行驶路线及车辆定位数据，供个体驾驶行为特征识别装置对当前驾驶者的驾驶行为特征进行分析。

步骤S62，从测试者的车辆定位数据中提取测试者的多个传统驾驶特征指标和多个MFCC特征指标；

可采用传统方式从车辆定位数据中提取测试者的多个传统驾驶特征指标，包括多个采样点对应的行驶速度、行驶加速度、转弯速度、转弯加速度、转角系数、地理位置等特征中的一个或多个指标。同时，还借鉴语音分析方法，从车辆定位数据中获得测试者的多个MFCC特征指标。将传统驾驶特征指标和MFCC特征指标均作为测试者的驾驶行为特征。

步骤S63，加载当前驾驶者的驾驶行为特征识别模型；

步骤S64，将测试者的传统驾驶特征指标和MFCC特征指标作为测试样本；

步骤S65，采用当前驾驶者的驾驶行为特征识别模型对测试样本进行预测分类，获得预测分类结果；

步骤S66，根据预测分类结果确定测试者是否为当前驾驶者。

为识别测试者是否为模型中的当前驾驶者，加载当前驾驶者的驾驶行为特征识别模型，并将上述测试者的传统驾驶特征指标和MFCC特征指标作为该模型的测试样本，采用该模型对测试者的特征指标进行分类，最终获得分类结果。加载的驾驶行为特征识别模型可以是包含有多个驾驶者特征类别的总体模型，通过识别获得的分类结果中，准确的识别出测试者所属特征类别，该类别已具体到了某一个驾驶者，如图7c所示，能够准确的识别出个体驾驶行为特征，获得更准确的识别效果。

如图3所示，图3为本发明个体驾驶行为特征识别方法的第三实施例的流程图。本实施例包括图1所示实施例中的所有步骤，还详细说明如何获得传统驾驶特征指标，包括以下步骤：

步骤S20包括：

步骤S21，将连续的多个采样点中每n个采样点划分为一个采样段，获得多个采样段，其中n为预设帧长包括的采样点个数；

步骤S22，从每一个采样段的车辆定位数据中提取多个传统驾驶特征指标；

本实施例以采样频率为1次/秒为例，则相邻两个采样点之间的时间间隔为1秒，假设预设帧长包括的采样点个数为8个采样点，则每8个采样点划分为一个采样段，为一帧。以帧为单位提取传统驾驶特征指标，包括行驶速度、行驶加速度、转弯速度、转弯加速度、转角系数、地理位置等特征中的一个或多个指标，指标数量可达60～80个。

步骤S40包括：

步骤S41，将每一个采样段对应的多个传统驾驶特征指标作为一组训练样本集。

在建模时，将一个采样段对应的传统驾驶特征指标作为一组训练样本集，整个行程的连续采样点可划分为多个采样段，对应多组训练样本集，并与MFCC特征指标一起作为训练样本，并采用随机森林分类法建模，获得针对当前驾驶者个体的驾驶行为特征识别模型，在识别个体驾驶行为时能够获得更准确的识别效果。

本实施例将整个划分为多个采样段，获得大量的传统驾驶特征指标，使训练样本集的数据更加丰富，建模时能获得更加准确的个体驾驶行为特征识别模型，在后续识别个体驾驶行为时能够获得更准确的识别效果。

如图4所示，图4为本发明个体驾驶行为特征识别方法的第四实施例的流程图。本实施例包括图1所示实施例中的所有步骤，还详细说明如何获得MFCC特征指标，包括以下步骤：

步骤S30包括：

步骤S31，在连续的多个采样点中，当一个采样点的行驶速度小于速度阈值时，将采样点的行驶速度置零；

步骤S32，将行驶速度不为零的连续多个采样点划分为一个采样段，获得多个采样段；

本实施例借鉴语音分析方法获取MFCC特征指标。传统的MFCC特征提取方法中首先需对信号预处理，包括对信号的预加重、分帧、加窗。而针对本实施例的车辆定位数据，由于车辆定位数据与语音信号不同，不存在高频跌落问题，因此可将预加重省略，直接进行分帧和加窗。而在分帧和加窗过程中，将行驶速度作为处理对象。将各采样点的行驶速度与速度阈值比较，当行驶速度小于速度阈值时，将该采样点的行驶速度置零。对于整个行程中，连续的多个采样点的行驶速度如果都不为0，则将这连续的多个采样点划分为一个采样段，可预设采样段中采样点个数的下限，例如下限预设为10个，如果行驶速度不为零的连续采样点个数为15，则将这连续的15个采样点划分为一个采样段，如果行驶速度不为零的连续采样点个数为8，则不符合该划分条件，将周期过短的采样段剔除，如图8所示。

步骤S33，将每一个采样段的车辆定位数据进行快速傅立叶变换，获得每一个采样段的频谱参数，并根据频谱参数获得每一个采样段对应的幅度谱；

步骤S34，将每一个采样段对应的幅度谱经梅尔滤波器组处理，获得每一个采样段对应的多个梅尔滤波输出值；

步骤S35，对每一个采样段对应的多个梅尔滤波输出值取对数值，并对对数值做离散余弦变换，获得每一个采样段对应的多个MFCC特征指标；

完成采样段分段处理后，采用MFCC特征指标的提取方式获得每一个采样段对应的多个MFCC特征指标，指标数量可达80～120个。

步骤S40还包括：

步骤S42，将每一个采样段对应的多个MFCC特征指标作为一组训练样本集。

在建模时，将一个采样段对应的MFCC特征指标作为一组训练样本集，整个行程包括多个采样段，对应多组训练样本集，并与传统驾驶特征指标一起作为训练样本，并采用随机森林分类法建模，获得针对当前驾驶者个体的驾驶行为特征识别模型，在识别个体驾驶行为时能够获得更准确的识别效果。

本实施例将整个划分为多个采样段，获得大量的传统驾驶特征指标，使训练样本集的数据更加丰富，建模时能获得更加准确的个体驾驶行为特征识别模型，在后续识别个体驾驶行为时能够获得更准确的识别效果。

如图5所示，图5为本发明个体驾驶行为特征识别装置的第一实施例的模块示意图。本实施例提到的个体驾驶行为特征识别装置，包括：

定位模块10，用于接收终端检测的当前驾驶者的车辆定位数据；

特征提取模块20，用于从车辆定位数据中提取多个传统驾驶特征指标；从车辆定位数据中提取多个梅尔频率倒谱系数MFCC特征指标；

建模模块30，用于将传统驾驶特征指标和MFCC特征指标作为训练样本，采用随机森林分类法建模，获得当前驾驶者的驾驶行为特征识别模型。

本实施例中，针对同一个驾驶者的驾驶习惯进行建模与识别。在当前驾驶者驾驶车辆行进时，通过终端上的定位系统获取车辆的行驶路线及车辆定位数据，终端可包括安装在车上的GPS记录仪、带GPS功能的手机和PAD等终端，或安装在手机、PAD等终端上的定位应用软件。车辆定位数据的采样频率可预设，例如预设为1次/秒，每秒采集一次数据，车辆定位数据可包括多个采样点对应的采样时间、车辆所在位置三维坐标(经度、纬度、高度)、行驶速度、行驶方向等数据中的一个或多个。当前驾驶者的车辆定位数据可由终端从定位卫星或定位服务器获取，并通过网络发送至本发明实施例的个体驾驶行为特征识别装置所在终端或服务器，供个体驾驶行为特征识别装置对当前驾驶者的驾驶行为特征进行分析，也可以直接由识别装置从定位卫星或定位服务器获取。

个体驾驶行为特征识别装置所在终端或服务器在接收到车辆定位数据后，可采用传统方式从车辆定位数据中提取多个传统驾驶特征指标，包括多个采样点对应的行驶速度、行驶加速度、转弯速度、转弯加速度、转角系数、地理位置等特征中的一个或多个指标。例如，车辆定位数据包括两个采样点的坐标、车辆行驶轨迹、采样时间间隔等数据，上述识别装置可通过采样点坐标和车辆行驶轨迹计算出两个采样点之间行驶路程的距离，并根据行程距离和时间间隔计算出行驶速度和加速度。又如，根据车辆行驶轨迹、行驶速度和行驶方向等车辆定位数据，可计算出转弯速度、转弯加速度、转角系数等指标。

在只采用传统驾驶特征指标进行建模与识别时，只能粗略的识别出几个大的类别，如图7a所示，对角线为同一驾驶者驾驶行为特征的实际值与预测值的相似度，在识别个体驾驶行为时识别效果较差，因此需要增加特征指标。本实施例借鉴语音分析方法，将车辆定位数据中的各类数据分别转换为连续变化的模拟信号，提取频谱特性，包括时域特征和频域特征，例如短时过零率、FFT(Fast Fourier Transformation，快速傅里叶变换)频谱特征群、小波变换特征群、MFCC频谱特征群等特征指标，最终获得多个MFCC特征指标。

在只采用MFCC特征指标进行建模与识别时，也只能粗略的识别出几个大的类别，如图7b所示，在识别个体驾驶行为时识别效果仍然较差。因此，本实施例将传统驾驶特征指标和MFCC特征指标均作为当前驾驶者的驾驶行为特征，并在数据库中建立当前驾驶者的驾驶行为特征库。

在建模时，个体驾驶行为特征识别装置将传统驾驶特征指标和MFCC特征指标合并，均作为训练样本，并采用随机森林分类法建模，获得针对当前驾驶者个体的驾驶行为特征识别模型，如图7c所示，在识别个体驾驶行为时能够获得更准确的识别效果。随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定，能够处理大量的输入样本，在对大量的、高维的数据训练时，不容易出现过拟合问题，分类准确度高，训练和预测速度快，对训练样本中的噪声和错误鲁棒要求均能满足本实施例的驾驶行为特征识别的要求。上述建模方式可以是采集多个驾驶者的定位数据，提取传统驾驶特征指标和MFCC特征指标，并建模，获得的驾驶行为特征识别模型中包括了多个驾驶者的个体驾驶特征类别，在后续识别时，将测试者的数据输入到该模型中，即可找到对应的驾驶者。

本实施例针对终端定位功能采集的当前驾驶者的车辆定位数据进行建模，数据采集方式简单，且采集数据的设备只需要具有定位功能的终端即可，无需在车内安装复杂的传感器设备，有利于节约成本；同时，在建模时将传统驾驶特征指标和MFCC特征指标均作为训练样本，并采用随机森林分类法建模，获得的驾驶行为特征识别模型更能反映当前驾驶者的个体驾驶行为特征，在后续识别个体驾驶行为时能够获得更准确的识别效果。

如图6所示，图6为本发明个体驾驶行为特征识别装置的第二实施例的模块示意图。本实施例包括图5所示实施例中的所有模块，还提供了对测试者驾驶行为特征的预测的模块，进一步的增加了模型加载模块40和预测模块50；

定位模块10还用于，接收终端检测的测试者的车辆定位数据；

特征提取模块20还用于，从测试者的车辆定位数据中提取测试者的多个传统驾驶特征指标和多个MFCC特征指标；

模型加载模块40用于，加载当前驾驶者的驾驶行为特征识别模型；

预测模块50用于，将测试者的传统驾驶特征指标和MFCC特征指标作为测试样本，采用当前驾驶者的驾驶行为特征识别模型对测试样本进行预测分类，获得预测分类结果；根据预测分类结果确定测试者是否为当前驾驶者。

本实施例在进行驾驶行为识别时，采用与建模时相同的方法获得定位数据和特征指标。在测试者驾驶车辆行进时，通过终端上的定位系统采集车辆的行驶路线及车辆定位数据，供个体驾驶行为特征识别装置对当前驾驶者的驾驶行为特征进行分析。

可采用传统方式从车辆定位数据中提取测试者的多个传统驾驶特征指标，包括多个采样点对应的行驶速度、行驶加速度、转弯速度、转弯加速度、转角系数、地理位置等特征中的一个或多个指标。同时，还借鉴语音分析方法，从车辆定位数据中获得测试者的多个MFCC特征指标。将传统驾驶特征指标和MFCC特征指标均作为测试者的驾驶行为特征。

为识别测试者是否为模型中的当前驾驶者，加载当前驾驶者的驾驶行为特征识别模型，并将上述测试者的传统驾驶特征指标和MFCC特征指标作为该模型的测试样本，采用该模型对测试者的特征指标进行分类，最终获得分类结果。加载的驾驶行为特征识别模型可以是包含有多个驾驶者特征类别的总体模型，通过识别获得的分类结果中，准确的识别出测试者所属特征类别，该类别已具体到了某一个驾驶者，如图7c所示，能够准确的识别出个体驾驶行为特征，获得更准确的识别效果。

进一步的，本实施例还采用以下模块获得传统驾驶特征指标。

特征提取模块20还用于，将连续的多个采样点中每n个采样点划分为一个采样段，获得多个采样段，其中n为预设帧长包括的采样点个数；从每一个采样段的车辆定位数据中提取多个传统驾驶特征指标；

建模模块30还用于，将每一个采样段对应的多个传统驾驶特征指标作为一组训练样本集。

本实施例以采样频率为1次/秒为例，则相邻两个采样点之间的时间间隔为1秒，假设预设帧长包括的采样点个数为8个采样点，则每8个采样点划分为一个采样段，为一帧。以帧为单位提取传统驾驶特征指标，包括行驶速度、行驶加速度、转弯速度、转弯加速度、转角系数、地理位置等特征中的一个或多个指标，指标数量可达60～80个。

在建模时，将一个采样段对应的传统驾驶特征指标作为一组训练样本集，整个行程的连续采样点可划分为多个采样段，对应多组训练样本集，并与MFCC特征指标一起作为训练样本，并采用随机森林分类法建模，获得针对当前驾驶者个体的驾驶行为特征识别模型，在识别个体驾驶行为时能够获得更准确的识别效果。

本实施例将整个划分为多个采样段，获得大量的传统驾驶特征指标，使训练样本集的数据更加丰富，建模时能获得更加准确的个体驾驶行为特征识别模型，在后续识别个体驾驶行为时能够获得更准确的识别效果。

进一步的，本实施例还采用以下模块获得MFCC特征指标。

特征提取模块20还用于：

在连续的多个采样点中，当一个采样点的行驶速度小于速度阈值时，将采样点的行驶速度置零；

将行驶速度不为零的连续多个采样点划分为一个采样段，获得多个采样段；

将每一个采样段的车辆定位数据进行快速傅立叶变换，获得每一个采样段的频谱参数，并根据频谱参数获得每一个采样段对应的幅度谱；

将每一个采样段对应的幅度谱经梅尔滤波器组处理，获得每一个采样段对应的多个梅尔滤波输出值；

对每一个采样段对应的多个梅尔滤波输出值取对数值，并对对数值做离散余弦变换，获得每一个采样段对应的多个MFCC特征指标；

建模模块30还用于，将每一个采样段对应的多个MFCC特征指标作为一组训练样本集。

本实施例借鉴语音分析方法获取MFCC特征指标。传统的MFCC特征提取方法中首先需对信号预处理，包括对信号的预加重、分帧、加窗。而针对本实施例的车辆定位数据，由于车辆定位数据与语音信号不同，不存在高频跌落问题，因此可将预加重省略，直接进行分帧和加窗。而在分帧和加窗过程中，将行驶速度作为处理对象。将各采样点的行驶速度与速度阈值比较，当行驶速度小于速度阈值时，将该采样点的行驶速度置零。对于整个行程中，连续的多个采样点的行驶速度如果都不为0，则将这连续的多个采样点划分为一个采样段，可预设采样段中采样点个数的下限，例如下限预设为10个，如果行驶速度不为零的连续采样点个数为15，则将这连续的15个采样点划分为一个采样段，如果行驶速度不为零的连续采样点个数为8，则不符合该划分条件，将周期过短的采样段剔除，如图8所示。完成采样段分段处理后，采用MFCC特征指标的提取方式获得每一个采样段对应的多个MFCC特征指标，指标数量可达80～120个。

在建模时，将一个采样段对应的MFCC特征指标作为一组训练样本集，整个行程包括多个采样段，对应多组训练样本集，并与传统驾驶特征指标一起作为训练样本，并采用随机森林分类法建模，获得针对当前驾驶者个体的驾驶行为特征识别模型，在识别个体驾驶行为时能够获得更准确的识别效果。

本实施例将整个划分为多个采样段，获得大量的传统驾驶特征指标，使训练样本集的数据更加丰富，建模时能获得更加准确的个体驾驶行为特征识别模型，在后续识别个体驾驶行为时能够获得更准确的识别效果。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种个体驾驶行为特征识别方法，其特征在于，包括步骤：

接收终端检测的当前驾驶者的车辆定位数据；

从所述车辆定位数据中提取多个传统驾驶特征指标，所述传统驾驶特征指标包括多个采样点对应的行驶速度、行驶加速度、转弯速度、转弯加速度、转角系数或地理位置；

从所述车辆定位数据中提取多个梅尔频率倒谱系数MFCC特征指标，其中，所述从车辆定位数据中提取多个梅尔频率倒谱系数MFCC特征指标的步骤包括：在连续的多个采样点中，当一个采样点的行驶速度小于速度阈值时，将所述采样点的行驶速度置零；将行驶速度不为零，且采样点个数符合划分条件的连续多个采样点，划分为一个采样段，获得多个采样段；将每一个采样段的所述车辆定位数据进行快速傅立叶变换，获得每一个采样段的频谱参数，并根据所述频谱参数获得每一个采样段对应的幅度谱；将每一个采样段对应的幅度谱经梅尔滤波器组处理，获得每一个采样段对应的多个梅尔滤波输出值；对每一个采样段对应的多个梅尔滤波输出值取对数值，并对所述对数值做离散余弦变换，获得每一个采样段对应的多个MFCC特征指标；

将所述传统驾驶特征指标和MFCC特征指标作为训练样本，采用随机森林分类法建模，获得当前驾驶者的驾驶行为特征识别模型，其中，所述将MFCC特征指标作为训练样本的步骤包括：将每一个采样段对应的多个MFCC特征指标作为一组训练样本集。

2.如权利要求1所述的个体驾驶行为特征识别方法，其特征在于，所述将传统驾驶特征指标和MFCC特征指标作为训练样本，采用随机森林分类法建模，获得当前驾驶者的驾驶行为特征识别模型的步骤之后还包括：

接收终端检测的测试者的车辆定位数据；

从所述测试者的车辆定位数据中提取所述测试者的多个传统驾驶特征指标和多个MFCC特征指标；

加载当前驾驶者的驾驶行为特征识别模型；

将所述测试者的传统驾驶特征指标和MFCC特征指标作为测试样本，采用当前驾驶者的驾驶行为特征识别模型对所述测试样本进行预测分类，获得预测分类结果；

根据预测分类结果确定所述测试者是否为当前驾驶者。

3.如权利要求1或2所述的个体驾驶行为特征识别方法，其特征在于，所述从车辆定位数据中提取多个传统驾驶特征指标的步骤包括：

将连续的多个采样点中每n个采样点划分为一个采样段，获得多个采样段，其中n为预设帧长包括的采样点个数；

从每一个采样段的所述车辆定位数据中提取多个传统驾驶特征指标；

所述将传统驾驶特征指标作为训练样本的步骤包括：

将每一个采样段对应的多个所述传统驾驶特征指标作为一组训练样本集。

4.如权利要求1或2所述的个体驾驶行为特征识别方法，其特征在于，所述车辆定位数据包括多个采样点对应的采样时间、车辆所在位置三维坐标、行驶速度、行驶方向中的一个或多个数据。

5.一种个体驾驶行为特征识别装置，其特征在于，包括：

定位模块，用于接收终端检测的当前驾驶者的车辆定位数据；

特征提取模块，用于从所述车辆定位数据中提取多个传统驾驶特征指标，所述传统驾驶特征指标包括多个采样点对应的行驶速度、行驶加速度、转弯速度、转弯加速度、转角系数或地理位置；从所述车辆定位数据中提取多个梅尔频率倒谱系数MFCC特征指标，其中，所述特征提取模块还用于：在连续的多个采样点中，当一个采样点的行驶速度小于速度阈值时，将所述采样点的行驶速度置零；将行驶速度不为零，且采样点个数符合划分条件的连续多个采样点，划分为一个采样段，获得多个采样段；将每一个采样段的所述车辆定位数据进行快速傅立叶变换，获得每一个采样段的频谱参数，并根据所述频谱参数获得每一个采样段对应的幅度谱；将每一个采样段对应的幅度谱经梅尔滤波器组处理，获得每一个采样段对应的多个梅尔滤波输出值；对每一个采样段对应的多个梅尔滤波输出值取对数值，并对所述对数值做离散余弦变换，获得每一个采样段对应的多个MFCC特征指标；

建模模块，用于将所述传统驾驶特征指标和MFCC特征指标作为训练样本，采用随机森林分类法建模，获得当前驾驶者的驾驶行为特征识别模型，其中，所述建模模块还用于，将每一个采样段对应的多个MFCC特征指标作为一组训练样本集。

6.如权利要求5所述的个体驾驶行为特征识别装置，其特征在于，还包括模型加载模块和预测模块；

所述定位模块还用于，接收终端检测的测试者的车辆定位数据；

所述特征提取模块还用于，从所述测试者的车辆定位数据中提取所述测试者的多个传统驾驶特征指标和多个MFCC特征指标；

所述模型加载模块用于，加载当前驾驶者的驾驶行为特征识别模型；

所述预测模块用于，将所述测试者的传统驾驶特征指标和MFCC特征指标作为测试样本，采用当前驾驶者的驾驶行为特征识别模型对所述测试样本进行预测分类，获得预测分类结果；根据预测分类结果确定所述测试者是否为当前驾驶者。

7.如权利要求5或6所述的个体驾驶行为特征识别装置，其特征在于，所述特征提取模块还用于，将连续的多个采样点中每n个采样点划分为一个采样段，获得多个采样段，其中n为预设帧长包括的采样点个数；从每一个采样段的所述车辆定位数据中提取多个传统驾驶特征指标；

所述建模模块还用于，将每一个采样段对应的多个所述传统驾驶特征指标作为一组训练样本集。

8.如权利要求5或6所述的个体驾驶行为特征识别装置，其特征在于，所述车辆定位数据包括多个采样点对应的采样时间、车辆所在位置三维坐标、行驶速度、行驶方向中的一个或多个数据。