CN106934876B - 一种车辆异常驾驶事件的识别方法及系统 - Google Patents

Abstract

本发明公开了一种车辆异常驾驶事件的识别方法及系统，所述方法包括：实时检测和采集车辆在行驶过程中的行程数据，并对采集到的行程数据进行清洗处理；对清洗处理后的行程数据进行计算，得到加速度值的平均值作为特征点，优化预先建立的数据模型；根据建立的数据模型，对不同的驾驶场景进行论证与测试，然后通过所采集的行程数据对算法不断进行修正；当车辆在行驶过程中发生事故，根据相关数据判断事故等级，识别异常驾驶事件后发出警报，并处理异常驾驶事件。本发明将采集到的行程数据进行分析与计算，得出当前的驾驶场景与驾驶事件，并发送到后台终端进行相应处理，减少车辆事故伤亡率，给用户带来方便。

Description

一种车辆异常驾驶事件的识别方法及系统

技术领域

本发明涉及智能车联网以及安全救援技术领域，具体涉及一种车辆异常驾驶事件的识别方法及系统。

背景技术

随着社会经济的不断发展，人们的物质生活越来越丰富，汽车几乎成为各家各户出行必备的工具之一，加之随着电子技术的不断发展，智能电子设备的普及，物联网、大数据、车联网等概念深入人心，智能车载行业表现出一片欣欣向荣的情景，带给车主们更加人性化的体验与服务。但是频发的交通事故让我们防不胜防，目前很多汽车上缺少安全检测装置，当车辆真正发生碰撞、翻转等异常驾驶时，因为无法及时的检测到并启动救援服务，而耽搁了最佳的救援时间，于是给车主与家人带来极大的痛苦与损失。

目前市场上部分高端的汽车上安装行车记录仪、汽车辅助系统ADAS、面部图像识别系统、原车传感器与车场进行深度的融合等能有效的提升驾驶安全，降低事故率，但是这类设备或系统价格较为昂贵，缺少与驾驶者的交互，并且与车辆的"耦合度"很高，因此无法体现他们的通用性。

例如现有技术中的汽车辅助系统ADAS、面部图像识别系统、原车传感器与车场进行深度的融合，其具有整体大方得体，识别率高的优点，但缺点是成本高、缺少与驾驶者的交互；在智能手机（Android & iPhone）上安装检测碰撞的App，用来进行安全监测。其具有传感器的种类齐全、采集的数据质量高，识别率高的优点，但缺点是原车没有专门用于放置和固定智能手机的设计，并且手机续航能力有限，另外固定位置易变，影响识别率，用户体验比较差；还有在原车上增加一通讯模组（T-BOX）与原车主机进行通讯，让车与云端联起来，其具有保持原车车载系统高端配置不变的优点，但缺点是安装比较复杂，需求折车，价格高、车主要另外支付通讯费，并且与车辆的"耦合度"很高，通用性差。

因此，基于现有技术的缺陷，现有技术还有待于改进和发展。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种车辆异常驾驶事件的识别方法及系统，旨在通过GPS与传感器来识别车辆异常驾驶事件，通过加速度传感器GPS产生原始的数据进行实时的采集，通过建立碰撞的数据模型，将采集到的行程数据进行分析与计算，得出当前的驾驶场景与驾驶事件，并发送到后台终端进行相应处理，减少车辆事故伤亡率，给用户带来方便。

本发明解决技术问题所采用的技术方案如下：

一种车辆异常驾驶事件的识别方法，其中，所述方法包括：

步骤A：实时检测和采集车辆在行驶过程中的行程数据，并对采集到的行程数据进行清洗处理；

步骤B：对清洗处理后的行程数据进行计算，得到预设数量的加速度值并将平均值作为特征点，优化预先建立的数据模型；

步骤C：根据建立的数据模型，对不同的驾驶场景进行论证与测试，然后通过所采集的行程数据对算法不断进行修正；

步骤D：当车辆在行驶过程中发生事故，根据相关数据判断事故等级，识别异常驾驶事件后发出警报，并处理异常驾驶事件。

所述的车辆异常驾驶事件的识别方法，其中，所述步骤A具体包括：

步骤A1：当车辆启动后，在预设时间和固定周期内开始采集传感器和GPS的测试数据；所述传感器包括重力传感器、加速度传感器、陀螺仪传感器；

步骤A2：对获取到的传感器和GPS的测试数据进行去噪、滤波、空值/重复值处理，清除无效数据。

所述的车辆异常驾驶事件的识别方法，其中，所述步骤B具体包括：

步骤B1：采集车辆行驶时的三轴x、y、z方向的加速度，通过G来计算预设数量的加速度；所述预设数量为20个；

步骤B2：当得20个加速度G1、G2、G3…G20后，通过Gavg =(G1+G2+G3+…+G20)/20计算得到用于反映当前真实驾驶行为的加速度的特征点；

步骤B3：根据车速和加速度值划分不同的碰撞等级，预先建立数据模型，并根据最新形成数据对数据模型进行优化。

所述的车辆异常驾驶事件的识别方法，其中，所述步骤C具体包括：

步骤C1：对所述数据模型中的车辆翻转的角度进行计算，通过、、计算的角度与初始位置进行比较得到真实的翻转度数；

步骤C2：当实时检测到的旋转角度相比于初始位置大于预设阈值，则判定车辆发生了翻转事件；

步骤C3：对数据模型中的算法不断进行修正，对不同的驾驶场景进行论证与测试，提高异常驾驶事件的识别率。

所述的车辆异常驾驶事件的识别方法，其中，所述步骤D具体包括：

步骤D1：当车辆在行驶过程中发生碰撞，根据产生的加速度值判断碰撞等级，第一预设时间内发出碰撞事件通知；

步骤D2：当车辆在行驶过程中发生翻转，检测车辆达到翻转的阈值，第二预设时间内发出翻转事件的通知；

步骤D3：当车辆在行驶过程中连续多次发生急加速、急刹车、急转弯事件时，立即发出警告示意车主注意安全驾驶；

步骤D4：通过接口的形式将异常驾驶事件回调给后台车辆终端，通知异常驾驶事件，后台终端收到事件后针对不同的驾驶事件进行相应的处理。

一种车辆异常驾驶事件的识别系统，其中，所述系统包括：

车辆数据采集与清洗模块，用于实时检测和采集车辆在行驶过程中的行程数据，并对采集到的行程数据进行清洗处理；

数据计算与模型优化模块，用于对清洗处理后的行程数据进行计算，得到预设数量的加速度值并将平均值作为特征点，优化预先建立的数据模型；

论证测试与算法修正模块，用于根据建立的数据模型，对不同的驾驶场景进行论证与测试，然后通过所采集的行程数据对算法不断进行修正；

事故识别与异常处理模块，用于当车辆在行驶过程中发生事故，根据相关数据判断事故等级，识别异常驾驶事件后发出警报，并处理异常驾驶事件。

所述的车辆异常驾驶事件的识别系统，其中，所述车辆数据采集与清洗模块具体包括：

数据采集单元，用于当车辆启动后，在预设时间和固定周期内开始采集传感器和GPS的测试数据；所述传感器包括重力传感器、加速度传感器、陀螺仪传感器；

数据清洗单元，用于对获取到的传感器和GPS的测试数据进行去噪、滤波、空值/重复值处理，清除无效数据。

所述的车辆异常驾驶事件的识别系统，其中，所述数据计算与模型优化模块具体包括：

加速度计算单元，用于采集车辆行驶时的三轴x、y、z方向的加速度，通过G 来计算预设数量的加速度；所述预设数量为20个；

特征点抽取单元，用于当得20个加速度G1、G2、G3…G20后，通过Gavg =(G1+G2+G3+…+G20)/20 计算得到用于反映当前真实驾驶行为的加速度的特征点；

等级划分与模型建立单元，用于根据车速和加速度值划分不同的碰撞等级，预先建立数据模型，并根据最新形成数据对数据模型进行优化。

所述的车辆异常驾驶事件的识别系统，其中，所述论证测试与算法修正模块具体包括：

翻转角度计算单元，用于对所述数据模型中的车辆翻转的角度进行计算，通过、、计算的角度与初始位置进行比较得到真实的翻转度数；

翻转判断单元，用于当实时检测到的旋转角度相比于初始位置大于预设阈值，则判定车辆发生了翻转事件；

算法修正单元，用于对数据模型中的算法不断进行修正，对不同的驾驶场景进行论证与测试，提高异常驾驶事件的识别率。

所述的车辆异常驾驶事件的识别系统，其中，所述事故识别与异常处理模块具体包括：

碰撞预警单元，用于当车辆在行驶过程中发生碰撞，根据产生的加速度值判断碰撞等级，第一预设时间内发出碰撞事件通知；

翻转预警单元，用于当车辆在行驶过程中发生翻转，检测车辆达到翻转的阈值，第二预设时间内发出翻转事件的通知；

安全驾驶警告单元，用于当车辆在行驶过程中连续多次发生急加速、急刹车、急转弯事件时，立即发出警告示意车主注意安全驾驶；

异常驾驶事件处理单元，用于通过接口的形式将异常驾驶事件回调给后台车辆终端，通知异常驾驶事件，后台终端收到事件后针对不同的驾驶事件进行相应的处理。

本发明公开了一种车辆异常驾驶事件的识别方法及系统，所述方法包括:实时检测和采集车辆在行驶过程中的行程数据，并对采集到的行程数据进行清洗处理；对清洗处理后的行程数据进行计算，得到预设数量的加速度值并将平均值作为特征点，优化预先建立的数据模型；根据建立的数据模型，对不同的驾驶场景进行论证与测试，然后通过所采集的行程数据对算法不断进行修正；当车辆在行驶过程中发生事故，根据相关数据判断事故等级，识别异常驾驶事件后发出警报，并处理异常驾驶事件。本发明通过GPS与传感器来识别车辆异常驾驶事件，通过加速度传感器GPS产生原始的数据进行实时的采集，通过建立碰撞的数据模型，将采集到的行程数据进行分析与计算，得出当前的驾驶场景与驾驶事件，并发送到后台终端进行相应处理，减少车辆事故伤亡率，给用户带来方便。

附图说明

图1是本发明车辆异常驾驶事件的识别方法较佳实施例的流程图。

图2是本发明车辆异常驾驶事件的识别方法中基本原理处理流程图。

图3是本发明车辆异常驾驶事件的识别系统的较佳实施例的功能原理框图。

图4是本发明车辆异常驾驶事件的识别系统中车辆数据采集与清洗模块的功能原理框图。

图5是本发明车辆异常驾驶事件的识别系统中数据计算与模型优化模块的功能原理框图。

图6是本发明车辆异常驾驶事件的识别系统中论证测试与算法修正模块的功能原理框图。

图7是本发明车辆异常驾驶事件的识别系统中事故识别与异常处理模块的功能原理框图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。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。

本发明较佳实施例所述的车辆异常驾驶事件的识别方法，如图1所示，包括以下步骤：

步骤S100，实时检测和采集车辆在行驶过程中的行程数据，并对采集到的行程数据进行清洗处理。

较佳地，所述步骤S100具体包括以下步骤：

步骤S101，当车辆启动后，在预设时间和固定周期内开始采集传感器和GPS的测试数据；所述传感器包括重力传感器、加速度传感器、陀螺仪传感器；

步骤S102，对获取到的传感器和GPS的测试数据进行去噪、滤波、空值/重复值处理，清除无效数据；

具体地，车辆在运行过程中，随时随地会因为各种意外因素有可能发生各种各样的安全事故，例如高速路上的追尾、超速导致的碰撞、前方有障碍物未及时刹车的高速度碰撞、因其他车辆逆向行驶导致的车辆对碰、以及车辆对撞、追尾、撞到障碍物导致的翻车等等，因此，实时监控车辆在行驶过程中的驾驶数据就变得尤为重要，本发明是基于GPS与传感器来识别车辆异常驾驶事件，将Android 设备内置的重力传感器、加速度传感器、陀螺仪传感器和GPS(全球卫星定位系统)产生原始的数据进行实时的采集，通过建立碰撞的数学模型，将采集到的行程数据进行分析与计算，得出当前的驾驶场景与驾驶事件。

当车辆启动后，在预设时间和固定周期内开始采集传感器和GPS的测试数据，车辆异常驾驶事件识别算法最基本的要求就是对车辆实时数据采集，采样的频率、采样的精度都会影响识别的效率，为了防止特征点的丢失，传感器的采样频率设置为50/s，GPS的采集频率为1/s ，由于每种设备的传感器与GPS其读取频率、精度都存在差异，为了提高算法的广泛适应性，在设备启动后开始采集一段时间传感器与GPS的测试数据，用来检测设备的性能，这样做的目的是在计算的时候根据设备的性能设置合理的特征点区间范围。

所述传感器包括重力传感器、加速度传感器、陀螺仪传感器，采集汽车驾驶时产生的行程数据，加速度传感器：采集汽车行驶时三轴（x、y、z）方向的加速度，用来计算汽车行驶产生的加速度（G）值大小，陀螺仪传感器：用来采集汽车行驶时三轴（x、y、z）角速度，用来计算汽车实际的旋转角度，重力传感器：用来感知到加速力的变化，加速力就是当物体在加速过程中作用在物体上的力，比如晃动、跌落、上升、下降等各种移动变化都能被重力传感器转化为电信号，然后通过微处理器的计算分析后，就能够完成程序设计好的功能，比如MP3能根据使用者的甩动方向，前后更换歌曲，放进衣袋的时候也能够计算出使用者的前进步伐。

在进行数据的计算前，首先需要对采集的数据进行清洗处理，当数据采集完成后，清洗数据，进行去噪、滤波、空值/重复值处理，当获取到传感器与GPS产生的原始数据，对部分数据进行过滤，比如GPS漂移、震动引起的加速度突变，这个GPS信息就需要从采集的集合中过滤掉；比如传感器的物理特性可能会在震动、摇摆中产生一个瞬间的突变，这个突变数据就是无效的；这样做的目的是提高所采集的数据质量，尽可能保证算法的正确率，提高车辆异常驾驶的识别率。

步骤S200，对清洗处理后的行程数据进行计算，得到预设数量的加速度值并将平均值作为特征点，优化预先建立的数据模型。

较佳地，所述步骤S200具体包括以下步骤：

步骤S201，采集车辆行驶时的三轴x、y、z方向的加速度，通过G 来计算预设数量的加速度；所述预设数量为20个；

步骤S202，当得20个加速度G1、G2、G3…G20后，通过Gavg =(G1+G2+G3+…+G20)/20计算得到用于反映当前真实驾驶行为的加速度的特征点；

步骤S203，根据车速和加速度值划分不同的碰撞等级，预先建立数据模型，并根据最新形成数据对数据模型进行优化。

具体地，抽取特征点能比较准确的反映当前真实的驾驶行为，是异常驾驶场景识别的主要依据，加速度传感器获取的数据默认有一个重力加速度（约）为了防止受重力加速度叠加的影响采用如下公式：， x、y、z分别表示三轴的加速度。特征点抽取，求均值：Gavg=(G1+G2+G3+…+G20)/20，通过对采集的加速度传感器数据进行计算得到G值（加速度传感器在x、y、z三轴的合成加速度值），然后对一组G值（20个）求均值Gavg作为车辆当前行驶的一个特征点，最后通过梯度化阈值的方式确定当前碰撞属于哪一种级别。

碰撞可以分为三个等级，即、、级，如下：

级：车速小于30km/h ，Gavg大于8g； 车速大于30km/h小于60km/h，Gavg大于5g；车速大于60km/h ，Gavg大于3g；

级：车速小于30km/h ，Gavg在5~8g之间； 车速大于30km/h小于60km/h ，Gavg在3~5g之间；

级：车速小于30km/h ，Gavg在3~5g之间。

因此，对清洗处理后的行程数据进行计算，得到预设数量的加速度值并将平均值作为特征点，并优化预先建立的数据模型，提高场景识别的准确率。

步骤S300，根据建立的数据模型，对不同的驾驶场景进行论证与测试，然后通过所采集的行程数据对算法不断进行修正。

较佳地，所述步骤S300具体包括以下步骤：

步骤S301，对所述数据模型中的车辆翻转的角度进行计算，通过、、，特征点的计算公式：avgAngle=(gngle1+ gngle2+gngle3+…+ gngle10)/10，计算的角度与初始位置进行比较得到真实的翻转度数；

步骤S302，当实时检测到的旋转角度相比于初始位置大于预设阈值，则判定车辆发生了翻转事件；

步骤S303，对数据模型中的算法不断进行修正，对不同的驾驶场景进行论证与测试，提高异常驾驶事件的识别率。

具体地，通过对采集的传感器数据进行计算得到当前的摆放位置相对于世界地理坐标旋转角度，然后对一组（10个）求均值作为车辆当前行驶的一个特征点，记录下初始的位置状态；实时的检测旋转的角度，如果相比于初始的位置大于设置的阈值(优选为为45度)，则认为发生了翻转事件。

步骤S400，当车辆在行驶过程中发生事故，根据相关数据判断事故等级，识别异常驾驶事件后发出警报，并处理异常驾驶事件。

较佳地，所述步骤S400具体包括以下步骤：

步骤S401，当车辆在行驶过程中发生碰撞，根据产生的加速度值判断碰撞等级，第一预设时间内发出碰撞事件通知；所述第一预设时间优选为0.8秒；

步骤S402，当车辆在行驶过程中发生翻转，检测车辆达到翻转的阈值，第二预设时间内发出翻转事件的通知；所述第二预设时间优选为3秒；

步骤S403，当车辆在行驶过程中连续多次发生急加速、急刹车、急转弯事件时，立即发出警告示意车主注意安全驾驶；

步骤S404，通过接口的形式将异常驾驶事件回调给后台车辆终端，通知异常驾驶事件，后台终端收到事件后针对不同的驾驶事件进行相应的处理。

具体的，加速度的计算：还可以通过获取GPS的速度、时间来计算：，急加速、急刹车判断：当加速度ΔV>2m/s2，则则发生急加速，当加速度ΔV< -5m/s2，则发生急刹车；如果GPS不可用，那么根据传感器的Gavg来判断是否发生急刹车：Gavg大于2并且持续至少3个特征点。

急转弯：检测到设备中有陀螺仪传感器就使用陀螺仪来计算急转弯，否则使用GPS。如果基于陀螺仪传感器，则根据陀螺仪三轴（x、y、z）的角速度计算出旋转角度，通过比较与初始的状态得到真实的旋转度数，这里判断时需要结合当前的速度，速度越大，急转弯的度数阈值越小，反之速度越小，急转弯的度数阈值越大，如果基于GPS，则根据旋转的方向角与速度来判断。通过以上对数据的处理，如果发现特征点在规定范围内满足对应的场景，那么就认为发生了车辆异常驾驶事件。

车辆异常驾驶事件如下：

1. 车辆碰撞报警：当车辆发生碰撞，通过计算传感器产生的Gavg划分不同的碰撞等级，0.8秒内发出碰撞事件通知；

2. 车辆翻转：检测到车辆达到翻转的阈值，3s内发出翻转事件的通知；

3. 三急（急加速、急刹车、急转弯）：检测到有急加速或急刹车，立即发出对应的三急事件通知，如果连续多次发生三急事件，立即发出警告，示意车主注意安全驾驶。

本发明充分利用传感器与GPS数据，解决硬件传感器配置的种类与数量有限的情况下通过特定的数学模型与算法修正来实现车辆异常驾驶事件的识别，相比于目前市场的ADAS、防碰撞系统成本低、资源得到充分利用，比原车的碰撞检测系统有更好的兼容性和通用性。

如图2所示，图2是本发明车辆异常驾驶事件的识别方法中基本原理处理流程图。

步骤S10，在车辆启动后开始采集一段时间传感器和GPS测试数据，并将采集到的行程数据进行存储，根据采集的数据来修正算法或者优化数据模型；

步骤S20，对数据进行去噪、滤波、均值处理，获取到传感器与GPS产生的原始数据，对部分数据进行过滤，提高车辆异常驾驶的识别率；

步骤S30，对一段时间内传感器数据的统计学特征（均值、方差、峰值等）以及频域特征（数据周期性）进行特征点抽取，提高数据的准确性；

步骤S40，基于持续时间与实时数据对预先建立的数据模型进行优化；

步骤S50，根据建立的数据模型，对不同的驾驶场景进行论证与测试，然后通过所采集的数据对算法不断进行修正；

步骤S60，为了提高识别率，对特征点（数据处理一组的均值或者方差）的数量以及持续的时间进行限定，防止误报或者漏报；

步骤S70，将处理的数据输入创建的碰撞数学模型中进行匹配、比较、运算等操作进行驾驶事件识别；

步骤S80，当识别出异常驾驶事件之后，进行报警处理，通过接口的形式将异常驾驶事件回调给车辆后台终端，即事故上报；

步骤S90，通知异常驾驶事件，终端设备收到事件后针对不同的驾驶事件进行对应的处理；比如后台人工服务根据用户的受伤情况，在线指导用户或者乘客对伤者进行急救指导防止伤者出现二次伤害；后台人工服务根据接收到车辆事故现场场景图片以及在线视频观察到的用户身体状态、车辆状况进行事故等级判断；后台人工服务根据事故等级选择是否通知交警、120、保险的服务；并通知用户后台救援的进度，实时与用户全程视频陪护。

本发明还提供了一种车辆异常驾驶事件的识别系统，如图3所示，所述系统包括：

车辆数据采集与清洗模块210，用于实时检测和采集车辆在行驶过程中的行程数据，并对采集到的行程数据进行清洗处理；具体如上所述。

数据计算与模型优化模块220，用于对清洗处理后的行程数据进行计算，得到预设数量的加速度值并将平均值作为特征点，优化预先建立的数据模型；具体如上所述。

论证测试与算法修正模块230，用于根据建立的数据模型，对不同的驾驶场景进行论证与测试，然后通过所采集的行程数据对算法不断进行修正；具体如上所述。

事故识别与异常处理模块240，用于当车辆在行驶过程中发生事故，根据相关数据判断事故等级，识别异常驾驶事件后发出警报，并处理异常驾驶事件；具体如上所述。

进一步地，所述的车辆异常驾驶事件的识别系统，其中，如图4所示，所述车辆数据采集与清洗模块210具体包括：

数据采集单元，用于当车辆启动后，在预设时间和固定周期内开始采集传感器和GPS的测试数据；所述传感器包括重力传感器、加速度传感器、陀螺仪传感器；具体如上所述。

数据清洗单元，用于对获取到的传感器和GPS的测试数据进行去噪、滤波、空值/重复值处理，清除无效数据；具体如上所述。

进一步地，所述的车辆异常驾驶事件的识别系统，其中，如图5所示，所述数据计算与模型优化模块220具体包括：

加速度计算单元，用于采集车辆行驶时的三轴x、y、z方向的加速度，通过G 来计算预设数量的加速度；所述预设数量为20个；具体如上所述。

特征点抽取单元，用于当得20个加速度G1、G2、G3…G20后，通过Gavg =(G1+G2+G3+…+G20)/20 计算得到用于反映当前真实驾驶行为的加速度的特征点；具体如上所述。

等级划分与模型建立单元，用于根据车速和加速度值划分不同的碰撞等级，预先建立数据模型，并根据最新形成数据对数据模型进行优化；具体如上所述。

进一步地，所述的车辆异常驾驶事件的识别系统，其中，如图6所示，所述论证测试与算法修正模块230具体包括：

翻转角度计算单元，用于对所述数据模型中的车辆翻转的角度进行计算，通过、、计算的角度与初始位置进行比较得到真实的翻转度数；具体如上所述。

翻转判断单元，用于当实时检测到的旋转角度相比于初始位置大于预设阈值，则判定车辆发生了翻转事件；具体如上所述。

算法修正单元，用于对数据模型中的算法不断进行修正，对不同的驾驶场景进行论证与测试，提高异常驾驶事件的识别率；具体如上所述。

进一步地，所述的车辆异常驾驶事件的识别系统，其中，如图7所示，所述事故识别与异常处理模块240具体包括：

碰撞预警单元，用于当车辆在行驶过程中发生碰撞，根据产生的加速度值判断碰撞等级，第一预设时间内发出碰撞事件通知；具体如上所述。

翻转预警单元，用于当车辆在行驶过程中发生翻转，检测车辆达到翻转的阈值，第二预设时间内发出翻转事件的通知；具体如上所述。

安全驾驶警告单元，用于当车辆在行驶过程中连续多次发生急加速、急刹车、急转弯事件时，立即发出警告示意车主注意安全驾驶；具体如上所述。

异常驾驶事件处理单元，用于通过接口的形式将异常驾驶事件回调给后台车辆终端，通知异常驾驶事件，后台终端收到事件后针对不同的驾驶事件进行相应的处理；具体如上所述。

综上所述，本发明提供了一种车辆异常驾驶事件的识别方法及系统，所述方法包括:实时检测和采集车辆在行驶过程中的行程数据，并对采集到的行程数据进行清洗处理；对清洗处理后的行程数据进行计算，得到预设数量的加速度值并将平均值作为特征点，优化预先建立的数据模型；根据建立的数据模型，对不同的驾驶场景进行论证与测试，然后通过所采集的行程数据对算法不断进行修正；当车辆在行驶过程中发生事故，根据相关数据判断事故等级，识别异常驾驶事件后发出警报，并处理异常驾驶事件。本发明通过GPS与传感器来识别车辆异常驾驶事件，通过加速度传感器GPS产生原始的数据进行实时的采集，通过建立碰撞的数据模型，将采集到的行程数据进行分析与计算，得出当前的驾驶场景与驾驶事件，并发送到后台终端进行相应处理，减少车辆事故伤亡率，给用户带来方便。

当然，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件（如处理器，控制器等）来完成，所述的程序可存储于一计算机可读取的存储介质中，该程序在执行时可包括如上述各方法实施例的流程。其中所述的存储介质可为存储器、磁碟、光盘等。

应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (6)

1.一种车辆异常驾驶事件的识别方法，其特征在于，所述方法包括：

步骤A：实时检测和采集车辆在行驶过程中的行程数据，并对采集到的行程数据进行清洗处理；

步骤A1：当车辆启动后，在预设时间和固定周期内开始采集传感器和GPS的测试数据；所述传感器包括重力传感器、加速度传感器、陀螺仪传感器；

步骤A2：对获取到的传感器和GPS的测试数据进行去噪、滤波、空值/重复值处理，清除无效数据；

步骤B：对清洗处理后的行程数据进行计算，得到预设数量的加速度值并将平均值作为特征点，优化预先建立的数据模型；

步骤C：根据建立的数据模型，对不同的驾驶场景进行论证与测试，然后通过所采集的行程数据对算法不断进行修正；

步骤D：当车辆在行驶过程中发生事故，根据相关数据判断事故等级，识别异常驾驶事件后发出警报，并处理异常驾驶事件；

所述步骤B具体包括：

步骤B1：采集车辆行驶时的三轴x、y、z方向的加速度，通过G来计算预设数量的加速度；所述预设数量为20个；

步骤B2：当得20个加速度G1、G2、G3…G20后，通过Gavg=(G1+G2+G3+…+G20)/20 计算得到用于反映当前真实驾驶行为的加速度的特征点；

步骤B3：根据车速和加速度值划分不同的碰撞等级，预先建立数据模型，并根据最新形成数据对数据模型进行优化；

碰撞分为三个等级，分别为：

级：车速小于30km/h，Gavg大于8g；车速大于30km/h小于60km/h，Gavg大于5g；车速大于30km/h小于60km/h，Gavg大于5g；

级：车速小于30km/h，Gavg在5~8g之间；车速大于30km/h小于60km/h，Gavg在3~5g之间；

级：车速小于30km/h，Gavg在3~5g之间；

通知异常驾驶事件，终端设备收到事件后针对不同的驾驶事件进行对应的处理；后台人工服务根据用户的受伤情况，在线指导用户或者乘客对伤者进行急救指导防止伤者出现二次伤害；后台人工服务根据接收到车辆事故现场场景图片以及在线视频观察到的用户身体状态、车辆状况进行事故等级判断；后台人工服务根据事故等级选择是否通知交警、120、保险的服务；并通知用户后台救援的进度，实时与用户全程视频陪护。

2.根据权利要求1所述的车辆异常驾驶事件的识别方法，其特征在于，所述步骤C具体包括：

步骤C1：对所述数据模型中的车辆翻转的角度进行计算，通过

、

、

计算的角度与初始位置进行比较得到真实的翻转度数；

步骤C2：当实时检测到的旋转角度相比于初始位置大于预设阈值，则判定车辆发生了翻转事件；

步骤C3：对数据模型中的算法不断进行修正，对不同的驾驶场景进行论证与测试，提高异常驾驶事件的识别率。

3.根据权利要求2所述的车辆异常驾驶事件的识别方法，其特征在于，所述步骤D具体包括：

步骤D1：当车辆在行驶过程中发生碰撞，根据产生的加速度值判断碰撞等级，第一预设时间内发出碰撞事件通知；

步骤D2：当车辆在行驶过程中发生翻转，检测车辆达到翻转的阈值，第二预设时间内发出翻转事件的通知；

步骤D3：当车辆在行驶过程中连续多次发生急加速、急刹车、急转弯事件时，立即发出警告示意车主注意安全驾驶；

步骤D4：通过接口的形式将异常驾驶事件回调给后台车辆终端，通知异常驾驶事件，后台终端收到事件后针对不同的驾驶事件进行相应的处理。

4.一种车辆异常驾驶事件的识别系统，其特征在于，所述系统包括：

车辆数据采集与清洗模块，用于实时检测和采集车辆在行驶过程中的行程数据，并对采集到的行程数据进行清洗处理；

所述车辆数据采集与清洗模块具体包括：

数据采集单元，用于当车辆启动后，在预设时间和固定周期内开始采集传感器和GPS的测试数据；所述传感器包括重力传感器、加速度传感器、陀螺仪传感器；

数据清洗单元，用于对获取到的传感器和GPS的测试数据进行去噪、滤波、空值/重复值处理，清除无效数据；

数据计算与模型优化模块，用于对清洗处理后的行程数据进行计算，得到预设数量的加速度值并将平均值作为特征点，优化预先建立的数据模型；

论证测试与算法修正模块，用于根据建立的数据模型，对不同的驾驶场景进行论证与测试，然后通过所采集的行程数据对算法不断进行修正；

事故识别与异常处理模块，用于当车辆在行驶过程中发生事故，根据相关数据判断事故等级，识别异常驾驶事件后发出警报，并处理异常驾驶事件；

所述数据计算与模型优化模块具体包括：

加速度计算单元，用于采集车辆行驶时的三轴x、y、z方向的加速度，通过G来计算预设数量的加速度；所述预设数量为20个；

特征点抽取单元，用于当得20个加速度G1、G2、G3…G20后，通过Gavg=(G1+G2+G3+…+G20)/20 计算得到用于反映当前真实驾驶行为的加速度的特征点；

等级划分与模型建立单元，用于根据车速和加速度值划分不同的碰撞等级，预先建立数据模型，并根据最新形成数据对数据模型进行优化；

碰撞分为三个等级，分别为：

级：车速小于30km/h，Gavg大于8g；车速大于30km/h小于60km/h，Gavg大于5g；车速大于30km/h小于60km/h，Gavg大于5g；

级：车速小于30km/h，Gavg在5~8g之间；车速大于30km/h小于60km/h，Gavg在3~5g之间；

级：车速小于30km/h，Gavg在3~5g之间；

通知异常驾驶事件，终端设备收到事件后针对不同的驾驶事件进行对应的处理；后台人工服务根据用户的受伤情况，在线指导用户或者乘客对伤者进行急救指导防止伤者出现二次伤害；后台人工服务根据接收到车辆事故现场场景图片以及在线视频观察到的用户身体状态、车辆状况进行事故等级判断；后台人工服务根据事故等级选择是否通知交警、120、保险的服务；并通知用户后台救援的进度，实时与用户全程视频陪护。

5.根据权利要求4所述的车辆异常驾驶事件的识别系统，其特征在于，所述论证测试与算法修正模块具体包括：

翻转角度计算单元，用于对所述数据模型中的车辆翻转的角度进行计算，通过

、

、

计算的角度与初始位置进行比较得到真实的翻转度数；

翻转判断单元，用于当实时检测到的旋转角度相比于初始位置大于预设阈值，则判定车辆发生了翻转事件；

算法修正单元，用于对数据模型中的算法不断进行修正，对不同的驾驶场景进行论证与测试，提高异常驾驶事件的识别率。

6.根据权利要求5所述的车辆异常驾驶事件的识别系统，其特征在于，所述事故识别与异常处理模块具体包括：

碰撞预警单元，用于当车辆在行驶过程中发生碰撞，根据产生的加速度值判断碰撞等级，第一预设时间内发出碰撞事件通知；

翻转预警单元，用于当车辆在行驶过程中发生翻转，检测车辆达到翻转的阈值，第二预设时间内发出翻转事件的通知；

安全驾驶警告单元，用于当车辆在行驶过程中连续多次发生急加速、急刹车、急转弯事件时，立即发出警告示意车主注意安全驾驶；

异常驾驶事件处理单元，用于通过接口的形式将异常驾驶事件回调给后台车辆终端，通知异常驾驶事件，后台终端收到事件后针对不同的驾驶事件进行相应的处理。