CN107368202B - 识别驾驶员使用手机行为的方法、装置和计算设备 - Google Patents

Abstract

本公开涉及一种识别驾驶员使用手机行为的方法、装置和计算设备，能够更简单有效的实现对驾驶员使用手机行为进行识别，解决现有识别方法的成本和复杂度过高的技术问题，所述方法包括：采集手机当前的传感器数据；根据所述传感器数据调用已建立的手机行为识别模型，以得到驾驶员当前是否使用所述手机的识别结果，其中，所述手机行为识别模型是根据传感器训练数据以及所述传感器训练数据的标记进行训练得到的识别模型，所述标记用于表明所述传感器训练数据是驾驶员使用手机时的传感器数据还是驾驶员未使用手机时的传感器数据。

Description

识别驾驶员使用手机行为的方法、装置和计算设备

技术领域

本公开涉及信息处理领域，具体地，涉及一种识别驾驶员使用手机行为的方法、装置和计算设备。

背景技术

随着智能手机的普及，手机已经成为人们日常生活中不可缺少的一部分，驾驶员在驾驶的过程中使用手机的现象也较为普遍。但是驾驶员在驾驶过程中使用手机增加了交通事故发生的风险，因此，对驾驶员使用手机行为的准确识别有助于对驾驶员使用手机的行为进行监控，可以为避免由于驾驶员使用手机引起的交通事故提供助力。

现有技术对驾驶员使用手机行为进行识别主要采用图像识别技术，这种方式需要采集驾驶员驾驶过程中的图像，并通过复杂的图像识别算法进行处理，识别出用户是否使用手机，其实施复杂度高，成本高。

发明内容

本公开的主要目的是提供一种识别驾驶员使用手机行为的方法、装置和计算设备，能够更简单有效的实现对驾驶员使用手机行为进行识别，解决现有识别方法的成本和复杂度过高的技术问题。

为了实现上述目的，本公开第一方面提供一种识别驾驶员使用手机行为的方法，包括：

采集手机当前的传感器数据；

根据所述传感器数据调用已建立的手机行为识别模型，以得到驾驶员当前是否使用所述手机的识别结果，其中，所述手机行为识别模型是根据传感器训练数据以及所述传感器训练数据的标记进行训练得到的识别模型，所述标记用于表明所述传感器训练数据是驾驶员使用手机时的传感器数据还是驾驶员未使用手机时的传感器数据。

可选地，所述方法还包括建立所述手机行为识别模型的方法，包括：

获取所述传感器训练数据以及所述传感器训练数据的标记，其中，所述传感器训练数据是在实验环境中采集到的手机在驾驶过程中被标记的传感器数据；

对所述传感器训练数据进行滤波处理，得到滤波后的传感器训练数据；

根据所述滤波后的传感器训练数据以及所述标记运用分层建模的方式训练所述手机行为识别模型。

可选地，所述根据所述滤波后的传感器训练数据以及所述标记运用分层建模的方式训练所述手机行为识别模型，包括：

分别提取标记为驾驶员使用手机的滤波后的所述传感器训练数据以及标记为驾驶员未使用手机的滤波后的所述传感器训练数据的特征，并根据所述特征以及所述标记建立第一层的分类模型；

调用所述分类模型对所述传感器训练数据进行手机行为识别，得到初步识别结果序列；

根据所述初步识别结果序列建立第二层模型，所述第二层模型用于将初步识别结果序列划分为多个初步识别结果子序列，并判断每一所述初步识别结果子序列的数据之和是否大于判别阈值以确定驾驶员是否使用所述手机，其中，所述判别阈值是标记为驾驶员使用手机的每一初步识别结果子序列的数据和之中的最小值。

可选地，所述方法还包括：

根据当前时刻驾驶员是否使用手机的识别结果以及前一个时刻的识别结果以及所述手机前一时刻的状态，确定所述手机当前时刻的状态。

可选地，所述根据当前时刻驾驶员是否使用手机的识别结果以及前一时刻的识别结果以及所述手机前一时刻的状态，确定所述手机当前时刻的状态包括：

若当前时刻的识别结果为驾驶员未使用手机，且前一时刻的识别结果为驾驶员未使用手机，则确定所述手机当前的状态为放着手机；

若当前时刻的识别结果为驾驶员使用手机，且前一时刻的识别结果为驾驶员未使用手机，且所述手机前一时刻的状态为放着手机，则确定所述手机当前时刻的状态为拿起手机；

若当前时刻的识别结果为驾驶员使用手机，且前一时刻的识别结果为驾驶员使用手机，且所述手机前一时刻的状态为拿起手机，则确定所述手机当前时刻的状态为拿着手机；

若当前时刻的识别结果为驾驶员未使用手机，且前一时刻的识别结果为驾驶员使用手机，且所述手机前一时刻的状态为拿着手机，则确定所述手机当前时刻的状态为放下手机；

若当前时刻的识别结果为驾驶员未使用手机，且前一时刻的识别结果为驾驶员未使用手机，且所述手机前一时刻的状态为放下手机，则确定所述手机当前时刻的状态为放着手机。

可选地，所述根据当前时刻驾驶员是否使用手机的识别结果以及前一时刻的识别结果以及所述手机前一时刻的状态，确定所述手机当前时刻的状态包括：

在当前时刻的识别结果为驾驶员未使用手机，且前一时刻的识别结果为驾驶员使用手机，且所述手机前一时刻的状态为拿着手机，则判断在时长阈值内识别结果是否变为驾驶员使用手机；

若在所述时长阈值内识别结果未变为驾驶员使用手机，则确定所述手机当前时刻的状态为放下手机；若在所述时长阈值内识别结果变为驾驶员使用手机，则确定所述手机当前时刻的状态保持为拿着手机。

本公开第二方面还提供一种识别驾驶员使用手机行为的装置，包括：

采集模块，用于采集手机当前的传感器数据；

模型处理模块，用于根据所述传感器数据调用已建立的手机行为识别模型，以得到驾驶员当前是否使用所述手机的识别结果，其中，所述手机行为识别模型是根据传感器训练数据以及所述传感器训练数据的标记进行训练得到的识别模型，所述标记用于表明所述传感器训练数据是驾驶员使用手机时的传感器数据还是驾驶员未使用手机时的传感器数据。

可选地，所述装置还包括用于建立所述手机行为识别模型的模型建立模块，所述模型建立模块包括：

获取子模块，用于获取所述传感器训练数据以及所述传感器训练数据的标记，其中，所述传感器训练数据是在实验环境中采集到的手机在驾驶过程中被标记的传感器数据；

滤波子模块，用于对所述传感器训练数据进行滤波处理，得到滤波后的传感器训练数据；

分层建立子模块，用于根据所述滤波后的传感器训练数据以及所述标记运用分层建模的方式训练所述手机行为识别模型。

可选地，所述分层建立子模块用于：

分别提取标记为驾驶员使用手机的所述滤波后的传感器训练数据以及标记为驾驶员未使用手机所述滤波后的传感器数据的特征，并根据所述特征以及所述标记建立第一层的分类模型；

调用所述分类模型对所述传感器训练数据进行手机行为识别，得到初步识别结果序列；

根据所述初步识别结果序列建立第二层模型，所述第二层模型用于将初步识别结果序列划分为多个初步识别结果子序列，并判断每一所述初步识别结果子序列的数据之和是否大于判别阈值以确定驾驶员是否使用所述手机，其中，所述判别阈值是标记为驾驶员使用手机的每一初步识别结果子序列的数据和之中的最小值。

可选地，所述装置还包括手机状态分析模块，用于根据当前时刻驾驶员是否使用手机的识别结果以及前一时刻的识别结果以及所述手机前一时刻的状态，确定所述手机当前时刻的状态。

可选地，所述手机状态分析模块用于：

若当前时刻的识别结果为驾驶员未使用手机，且前一时刻的识别结果为驾驶员未使用手机，则确定所述手机当前的状态为放着手机；

若当前时刻的识别结果为驾驶员使用手机，且前一时刻的识别结果为驾驶员未使用手机，且所述手机前一时刻的状态为放着手机，则确定所述手机当前时刻的状态为拿起手机；

若当前时刻的识别结果为驾驶员使用手机，且前一时刻的识别结果为驾驶员使用手机，且所述手机前一时刻的状态为拿起手机，则确定所述手机当前时刻的状态为拿着手机；

若当前时刻的识别结果为驾驶员未使用手机，且前一时刻的识别结果为驾驶员使用手机，且所述手机前一时刻的状态为拿着手机，则确定所述手机当前时刻的状态为放下手机；

若当前时刻的识别结果为驾驶员未使用手机，且前一时刻的识别结果为驾驶员未使用手机，且所述手机前一时刻的状态为放下手机，则确定所述手机当前时刻的状态为放着手机。

可选地，所述手机状态分析模块用于：

在当前时刻的识别结果为驾驶员未使用手机，且前一时刻的识别结果为驾驶员使用手机，且所述手机前一时刻的状态为拿着手机，则判断在时长阈值内识别结果是否变为驾驶员使用手机；

若在所述时长阈值内识别结果未变为驾驶员使用手机，则确定所述手机当前时刻的状态为放下手机；若在所述时长阈值内识别结果变为驾驶员使用手机，则确定所述手机当前时刻的状态保持为拿着手机。

本公开第三方面还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面或者以上第一方面的任一种可选的实现方式所述方法的步骤。

本公开第四方面提供一种计算设备，包括：

第三方面所述的计算机可读存储介质；以及

一个或者多个处理器，用于执行所述计算机可读存储介质中的程序。

采用上述技术方案，根据手机传感器数据与驾驶员是否使用手机的标记建立手机行为识别模型，其中，该传感器数据是指在驾驶过程中使用手机和不使用手机两种情况下数据会产生变化的手机传感器数据。这样，在识别过程中，根据实时采集到的手机传感器数据，调用所述手机行为识别模型即可确定驾驶员当前是否使用手机，相比现有技术中的图像识别，本公开提供的技术方案更简单有效，降低了成本。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：

图1是本公开实施例提供的一种识别驾驶员使用手机行为的方法的流程示意图；

图2是本公开实施例提供的一种手机行为识别模型的建立方法的流程示意图；

图3是本公开实施例提供的一种带标记的手机陀螺仪训练数据的示意图；

图4是本公开实施例提供的另一种手机行为识别模型的建立方法的流程示意图；

图5是本公开实施例提供的第一层分类模型对手机传感器数据的初步识别结果序列与数据真实标记的对比示意图；

图6是本公开实施例提供的另一种手机行为识别模型的建立方法的流程示意图；

图7是本公开实施例提供的一种手机状态的分析方法的示意图；

图8是本公开实施例提供的一种判断手机状态的方法的流程示意图；

图9是本公开实施例提供的一种识别驾驶员使用手机行为的装置的框图；

图10是本公开实施例提供的另一种识别驾驶员使用手机行为的装置的框图；

图11是本公开实施例提供的一种计算设备的结构示意图。

具体实施方式

以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。

本公开实施例提供一种识别驾驶员使用手机行为的方法，如图1所示，该方法包括：

S101、采集手机当前的传感器数据。

S102、根据所述传感器数据调用手机行为识别模型，以得到驾驶员当前是否使用手机的识别结果，其中，所述手机行为识别模型是根据传感器训练数据以及所述传感器训练数据的标记进行训练得到的识别模型，所述标记用于表明所述传感器训练数据是驾驶员使用手机时的传感器数据还是驾驶员未使用手机时的传感器数据。

值得说明的是，本公开实施例采用的手机传感器数据具体是指在驾驶过程中使用手机和不使用手机两种情况下数据会产生变化的手机传感器数据。具体地，在本公开实施例的一种可能的实现方式中，所述传感器数据可以包括手机陀螺仪数据。其中，陀螺仪数据用于表征手机的姿态，包括横摆角速度、滚动角速度、俯仰角速度三个轴的数据。此处只是举例说明，在具体实施时，该手机传感器数据还可以包括重力传感器数据，光线传感器数据等，本公开对此不做限定。

另外，用于建立手机行为识别模型的所述传感器训练数据可以是在实验环境中采集到的手机在驾驶过程中被标记的传感器数据。对所述传感器训练数据提取数据特征后，可以利用神经网络、决策树或者支持向量机等方式寻找数据特征以及标记之间的内在联系，建立起所述手机行为模型。手机行为模型作为可被调用的函数模型，提供有可传入调用参数的调用接口，则上述步骤S102具体可以包括，对步骤S101中采集到的传感器数据提取数据特征，并通过所述调用接口将该数据特征作为调用参数传入所述手机行为识别模型，实现对手机行为模型的调用。手机行为识别模型对数据特征的处理结果即为驾驶员是否使用手机的识别结果。

采用上述方法，根据手机传感器数据与驾驶员是否使用手机的标记建立手机行为识别模型，其中，该传感器数据是指在驾驶过程中使用手机和不使用手机两种情况下数据会产生变化的手机传感器数据。这样，在识别过程中，根据实时采集到的手机传感器数据，调用所述手机行为识别模型即可确定驾驶员当前是否使用手机，相比现有技术中的图像识别，上述方法更简单有效，降低了成本。

下面以手机陀螺仪数据为例具体说明手机行为识别模型的建立方法，如图2所示，该方法包括：

S201、获取用于模型训练的手机陀螺仪训练数据以及所述陀螺仪训练数据的标记。

示例地，以一定的频率(例如10赫兹)对手机陀螺仪数据进行采集，包括驾驶员未使用手机时的陀螺仪数据和驾驶员使用手机时的陀螺仪数据，其中，未使用手机时的陀螺仪数据标记为0，使用手机时的陀螺仪数据标记为1。

具体地，获取用于模型训练的数据可以通过在实验状态下进行数据采集的方法。例如，在实验过程中，驾驶员在驾驶中每次开始使用手机时首先进行手机解锁，并且每次放下手机时进行手机锁屏。从而使得手机解锁即为开始使用手机，手机锁屏即为驾驶员停止使用手机，则可将在手机解锁到锁屏之间采集到的手机陀螺仪数据标记为1，将锁屏到解锁之间采集到的手机陀螺仪数据标记为0。这样，可得到如图3所示的带标记的手机陀螺仪训练数据，其中，图3所示的手机陀螺仪训练数据为每1秒钟1个标记，yaw表示手机偏航角的大小，pitch表示手机俯仰角的大小，roll表示手机翻滚角的大小。

S202、对所述陀螺仪训练数据进行滤波处理，得到滤波后的传感器训练数据。

需要说明的是，陀螺仪数据存在不同手机静置误差、抗干扰性差异较大的问题，硬件干扰会导致数据异常波动，因此，本公开实施例可以采用滤波的方式规避硬件干扰对模型准确度的影响。

并且，在具体实施时，如果数据的采样频率较大，可以采用小波滤波的方式，如果硬件的采样频率较小，则可以采用移动窗口平滑滤波的方式。示例地，图3所示的带标记的手机陀螺仪训练数据是在采集频率为10赫兹的情况下采集得到的，这样，可以采用移动窗口平滑滤波的方式对如图3所示的数据进行滤波，以5条数据为一个窗口，对数据进行移动窗口平均值滤波。

S203、根据所述滤波后的手机陀螺仪训练数据以及所述标记运用分层建模的方式训练所述手机行为识别模型。

值得说明的是，图2所示的方法步骤仅是利用手机陀螺仪数据进行举例说明，本公开在具体实施时，还可以采集手机其他传感器数据，本公开对此不做限定。另外，在分层建模中，每一个层次都可以结合场景对上一层的结果数据做数据分析和处理，再输入到下一层。因此，分层建模对于训练样本数据量要求不高，适用于数据量较少的情况，并且分层建模对于每一层建模的准确度要求也不高，从而降低了每一层建模的难度。

具体到本公开实施例针对手机行为识别模型的分层建模，示例地，可以采用如下方法步骤：

分别提取标记为驾驶员使用手机的所述滤波后的传感器训练数据以及标记为驾驶员未使用手机所述滤波后的传感器数据的特征，并根据所述特征以及所述标记建立第一层的分类模型；调用所述分类模型对所述传感器训练数据进行手机行为识别，得到初步识别结果序列；根据所述初步识别结果序列建立第二层模型，所述第二层模型用于将初步识别结果序列划分为多个初步识别结果子序列，并判断每一所述初步识别结果子序列的数据之和是否大于判别阈值以确定驾驶员是否使用所述手机，其中，所述判别阈值是标记为驾驶员使用手机的每一初步识别结果子序列的数据和之中的最小值。

为了使本领域技术人员能够更加理解本公开实施例提供的手机行为识别模型的建模方法，下面通过一个具体的例子进行详细说明。如图4所示，包括：

S401、以时间窗口t，步长h对手机陀螺仪训练数据以及所述手机陀螺仪训练数据的标记进行特征提取。

需要说明的是，图4所示方法步骤中所述的手机陀螺仪训练数据均为滤波后的手机陀螺仪训练数据，为了描述简便，图4所示方法步骤中均直接描述为手机陀螺仪训练数据。

具体地，每按照步长h移动一次时间窗口t后，根据标记分别提取该时间窗口t内的驾驶员未使用手机时的陀螺仪训练数据以及驾驶员使用手机时的陀螺仪训练数据的特征，其中，该特征具体可以是数据标准差。

S402、根据提取得到的数据特征以及所述标记进行分类训练，得到训练模型，并验证所述训练模型的准确度。

其中，在具体实施时，分类训练可以采用决策树分类的方式。

S403、若所述训练模型的准确度小于阈值，则重新提取新的数据特征进行模型训练，直到所述训练模型的准确度大于阈值，得到第一层的分类模型。

示例地，针对手机陀螺仪三个轴的训练数据(如图3所示的yaw，pitch，roll)，首次提取的数据特征可以是yaw，pitch，roll数据中的任意一组数据的特征，在训练模型的准确度小于阈值的情况下，可以进一步提取另一组数据的特征，还可以提取三组或者任意两组数据的合成值的数据特征，直到训练出的分类模型的准确度满足阈值要求。

其中，上述步骤S401至步骤S403是分层建模方法中的第一层建模，上述方法步骤降低了第一层建模的复杂度。

进一步地，根据第一层的分类模型，可以执行步骤S404至步骤S407建立第二层模型。

S404、调用第一层的分类模型对所述手机陀螺仪训练数据进行驾驶员是否使用手机的行为识别，得到由0、1组成的初步识别结果序列，其中，1表示使用手机，0表示未使用手机。

S405、将所述初步识别结果序列划分为多个初步识别结果子序列，并对标记为驾驶员使用手机的每一所述初步识别结果子序列的数据进行加和处理，得到数据和。

S406、将标记为驾驶员使用手机的每一所述初步识别结果子序列的数据和中的最小值作为判别阈值，得到第二层模型。

其中，该判别阈值用于，在具体调用该模型进行手机行为识别时，即在执行图1所示的步骤S102的过程中，若初步识别结果子序列的数据和大于所述判别阈值，则得到识别结果为驾驶员使用手机；若初步识别结果子序列的数据和小于所述判别阈值，则得到识别结果为驾驶员未使用手机。

S407、调用上述两层模型验证手机行为识别的准确度，如果准确度低于阈值，则提升所述第一层的分类模型的准确度，并重复上述模型分层建立过程。

其中，验证模型准确度的方式可以是以7:3的比例对获取到的传感器训练数据进行切分，70％数据用于建模，30％用于测试模型准确度。也就是说，步骤S401至S407所示的建模过程使用的手机陀螺仪训练数据占所获取到的所有手机陀螺仪训练数据的70％，另30％的手机陀螺仪训练数据用于测试模型的准确度，即根据另30％的手机陀螺仪训练数据调用以建立的手机行为识别模型，得到驾驶员是否使用手机的识别结果，将该识别结果与另30％的手机陀螺仪训练数据的标记进行比对，若识别结果与标记一致，则表明识别正确，若不一致，则表明识别错误。如果模型识别结果的准确度低，则提升第一层建模的准确度阈值，并重复上述过程，直到得到均满足要求的两层模型。

采用上述方法，由于第一层模型的准确性不能达到100％，所以识别结果和数据真实标记会存在差异。如下图5所示，0表示驾驶员未使用手机，1表示驾驶员使用手机，如图所示，初步识别结果序列中可能会存在将驾驶员使用手机识别成驾驶员未使用手机的情况，其可能的原因是驾驶员使用手机特别稳定，导致手机传感器数据与驾驶员未使用手机时的差异细微，进而导致识别误判。而上述方法步骤中建立的第二层建模基于初步识别结果子序列的数据和识别驾驶员是否使用手机，可有效降低误判，解决了第一层分类模型识别结果准确度不能达到100％的问题，进一步提升了整体识别的准确度。

以上描述了手机行为识别模型的建立，下面详细举例说明运用该手机行为识别模型对驾驶员是否使用手机行为进行识别的方法，如图6所示，包括：

S601、实时采集手机传感器数据。

S602、对采集到的手机传感器数据进行暂存。

S603、判断暂存数据量是否小于一个时间窗口t的数据量。

进一步地，若是，则返回执行步骤S601；若否，则执行步骤S604。

S604、对暂存的数据进行移动窗口平滑滤波处理。

S605、在时间窗口t内对数据进行特征提取。

S606、将所述数据特征作为调用参数调用第一层分类模型，得到驾驶员是否使用手机的初步识别结果，并暂存所述初步识别结果。

S607、判断所述初步识别结果的数量是否等于预设阈值。

进一步地，若是，则执行步骤S608至步骤S609；若否，则返回执行步骤S601。

S608、对暂存的初步识别结果进行加和处理，得到数据和。

S609、判断所述数据和是否不小于第二层模型中的判别阈值，若所述数据和不小于所述判别阈值，则得到识别结果为驾驶员使用手机，若所述数据和小于所述判别阈值，则得到识别结果为驾驶员未使用手机。

S610、分别从暂存的手机传感器数据以及暂存的初步识别结果中删除暂存时间最长的前n个数据，并返回执行步骤S601。

采用上述方法，根据实时采集到的手机传感器数据，调用所述手机行为识别模型即可确定驾驶员当前是否使用手机，相比现有技术中的图像识别，上述方法更简单有效，降低了成本。

进一步地，本公开实施例在得到驾驶员是否使用手机的识别结果后，还可以根据当前时刻驾驶员是否使用手机的识别结果以及前一时刻的识别结果以及所述手机前一时刻的状态，确定所述手机当前时刻的状态。

示例地，根据驾驶员使用手机的行为，手机状态可以分为拿起手机、拿着手机、放下手机、放着手机四个状态。下面分析驾驶员是否使用手机的识别结果与该四个状态的关系，其中，若当前时刻的识别结果为驾驶员未使用手机，且前一时刻的识别结果为驾驶员未使用手机，则确定所述手机当前的状态为放着手机；若当前时刻的识别结果为驾驶员使用手机，且前一时刻的识别结果为驾驶员未使用手机，且所述手机前一时刻的状态为放着手机，则确定所述手机当前时刻的状态为拿起手机；若当前时刻的识别结果为驾驶员使用手机，且前一时刻的识别结果为驾驶员使用手机，且所述手机前一时刻的状态为拿起手机，则确定所述手机当前时刻的状态为拿着手机；若当前时刻的识别结果为驾驶员未使用手机，且前一时刻的识别结果为驾驶员使用手机，且所述手机前一时刻的状态为拿着手机，则确定所述手机当前时刻的状态为放下手机；若当前时刻的识别结果为驾驶员未使用手机，且前一时刻的识别结果为驾驶员未使用手机，且所述手机前一时刻的状态为放下手机，则确定所述手机当前时刻的状态为放着手机。

另外，值得说明的是，驾驶员拿着手机时可能是稳定的也可能是不稳定的，如果驾驶员拿着手机的状态不稳定，可能导致识别结果误判认为驾驶员放下了手机，考虑到这个问题，在本公开实施例的一种可能的实现方式中，可以在当前时刻的识别结果为驾驶员未使用手机，且前一时刻的识别结果为驾驶员使用手机，且所述手机前一时刻的状态为拿着手机时，判断在时长阈值内识别结果是否变为驾驶员使用手机。若在所述时长阈值内识别结果未变为驾驶员使用手机，则确定所述手机当前时刻的状态为放下手机；若在所述时长阈值内识别结果变为驾驶员使用手机，则确定所述手机当前时刻的状态保持为拿着手机。从而有效避免了对放下手机状态的误判。

示例地，图7直观的示出了手机状态的分析方法，该方法以前一时刻手机的状态F以及驾驶员是否使用手机的标识F1和当前时刻驾驶员是否使用手机的标识F2作为输入，判断手机当前的状态。如图7所示，F＝1表示拿起手机、F＝2表示拿着手机、F＝3表示放下手机，F＝4表示放着手机。如果前一时刻的手机的状态是放着且驾驶员未使用手机且当前识别结果为驾驶员使用手机，则表示驾驶员拿起手机；如果前一时刻的手机的状态是拿起且驾驶员使用手机且当前识别结果为驾驶员使用手机，则表示驾驶员拿着手机；如果前一时刻的手机的状态是拿着且驾驶员使用手机且当前识别结果为驾驶员未使用手机，则判断一定时长阈值内识别结果是否变为驾驶员拿起手机，若是，则认为驾驶员一直拿着手机，若超过一定时长阈值，识别结果仍是驾驶员未使用手机，则认为驾驶员放下手机，其中，该时长阈值小于所述当前时刻与所述前一时刻之间的时长值；如果前一时刻的手机的状态是放下且驾驶员未使用手机且当前识别结果为驾驶员未使用手机，则表示驾驶员放着手机。

基于上述手机状态分析过程可知，该分析过程首先需要找到手机放着的状态，然后从手机放着的状态开始根据每一时刻驾驶员是否使用手机的识别结果判断手机的状态。下面通过具体的方法步骤对手机状态的判断方法进行说明，如图8所示，包括：

S801、采集手机传感器数据。

S802、根据所述手机传感器数据调用手机行为识别模型，识别驾驶员是否使用手机行为。

S803、将识别结果暂存入结果集R1。

S804、判断结果集R1的数据量是否等于3。

进一步地，若是，则执行步骤S805；若否，则执行返回步骤S801。

S805、判断所述结果集R1中的数据是否均为0。

也就是说，结果集R1中的识别结果均为0，则表明驾驶员未使用手机。

进一步地，若否，则执行步骤S806；若是，则执行步骤S807至步骤S811。

S806、从所述结果集中删除暂存时间最长的数据，并返回执行步骤S801。

S807、将手机状态设置为放着，即F＝4。

S808、采集手机传感器数据。

S809、根据所述手机传感器数据调用手机行为识别模型，得到驾驶员是否使用手机的识别结果。

S810、将识别结果暂存入结果集R2。

S811、判断结果集R2的数据量是否等于2。

进一步地，若否，则返回执行步骤S808；若是，则执行步骤S812至S813。

S812、根据所述结果集R2中暂存的当前时刻的识别结果以及前一时刻的识别结果判断手机当前的状态。

S813、删除所述结果集R2中暂存时间最长的识别结果，并返回执行步骤S808。

采用上述方法，可以得到驾驶员一系列拿起手机的时刻和放下手机的时刻，这样，拿起手机的时刻到放下手机时刻之间的时长，即为驾驶员使用手机的时长。也就是说，基于本公开实施例提供的技术方案，可以获得驾驶员使用手机的时长以及具体时刻，从而为避免由于驾驶员使用手机引起的交通事故提供助力。并且，本公开实施例采用的技术方案是通过采集传感器数据并调用手机行为识别模型对驾驶员是否使用手机的行为进行识别，相比现有技术更简单有效，降低了成本。

本公开实施例还提供一种识别驾驶员使用手机行为的装置90，用于实施上述方法实施例提供的一种识别驾驶员使用手机行为的方法，值得说明的是，上述装置90可以通过软件、硬件或者两者相结合的方式实现手机的部分。也就是说，手机在位于车辆内时，可以通过采集自身的传感器数据，并调用已建立的手机行为识别模型，识别驾驶员是否使用手机。在本公开实施例的一种可能的实现方式中，上述装置90还可以是通过软件、硬件或者两者相结合的方式实现车辆的部分。也就是说，车辆在行驶过程中，可以通过采集驾驶员手机的传感器数据，并调用已建立的手机行为识别模型，识别驾驶员是否使用手机。具体地，如图9所示，该装置90包括：

采集模块901，用于采集手机当前的传感器数据；

模型处理模块902，用于根据所述传感器数据调用已建立的手机行为识别模型，以得到驾驶员当前是否使用所述手机的识别结果，其中，所述手机行为识别模型是根据传感器训练数据以及所述传感器训练数据的标记进行训练得到的识别模型，所述标记用于表明所述传感器训练数据是驾驶员使用手机时的传感器数据还是驾驶员未使用手机时的传感器数据。

采用上述装置，该装置根据手机传感器数据与驾驶员是否使用手机的标记建立手机行为识别模型，其中，该传感器数据是指在驾驶过程中使用手机和不使用手机两种情况下数据会产生变化的手机传感器数据。这样，在识别过程中，根据实时采集到的手机传感器数据，调用所述手机行为识别模型即可确定驾驶员当前是否使用手机，对驾驶员是否使用手机进行的识别更简单有效，降低了成本。

可选地，如图10所示，所述装置90还包括用于建立所述手机行为识别模型的模型建立模块903，所述模型建立模块903包括：

获取子模块9031，用于获取所述传感器训练数据以及所述传感器训练数据的标记，其中，所述传感器训练数据是在实验环境中采集到的手机在驾驶过程中被标记的传感器数据；

滤波子模块9032，用于对所述传感器训练数据进行滤波处理，得到滤波后的传感器训练数据；

分层建立子模块9033，用于根据所述滤波后的传感器训练数据以及所述标记运用分层建模的方式训练所述手机行为识别模型。

可选地，所述分层建立子模块9033用于：

分别提取标记为驾驶员使用手机的所述滤波后的传感器训练数据以及标记为驾驶员未使用手机所述滤波后的传感器数据的特征，并根据所述特征以及所述标记建立第一层的分类模型；

调用所述分类模型对所述传感器训练数据进行手机行为识别，得到初步识别结果序列；

根据所述初步识别结果序列建立第二层模型，所述第二层模型用于将初步识别结果序列划分为多个初步识别结果子序列，并判断每一所述初步识别结果子序列的数据之和是否大于判别阈值以确定驾驶员是否使用所述手机，其中，所述判别阈值是标记为驾驶员使用手机的每一初步识别结果子序列的数据和之中的最小值。

其中，分层建模使得每一个层次都可以结合场景对上一层的结果数据做数据分析和处理，在输入到下一层。因此，分层建模对于训练样本数据量要求不高，适用于数据量较少的情况，并且分层建模对于每一层建模的准确度要求也不高，从而降低了每一层建模的难度。

可选地，如图10所示，所述装置90还包括手机状态分析模块904，用于根据当前时刻驾驶员是否使用手机的识别结果以及前一时刻的识别结果以及所述手机前一时刻的状态，确定所述手机当前时刻的状态。

可选地，所述手机状态分析模块904用于：

若当前时刻的识别结果为驾驶员未使用手机，且前一时刻的识别结果为驾驶员未使用手机，则确定所述手机当前的状态为放着手机；

若当前时刻的识别结果为驾驶员使用手机，且前一时刻的识别结果为驾驶员未使用手机，且所述手机前一时刻的状态为放着手机，则确定所述手机当前时刻的状态为拿起手机；

若当前时刻的识别结果为驾驶员使用手机，且前一时刻的识别结果为驾驶员使用手机，且所述手机前一时刻的状态为拿起手机，则确定所述手机当前时刻的状态为拿着手机；

若当前时刻的识别结果为驾驶员未使用手机，且前一时刻的识别结果为驾驶员使用手机，且所述手机前一时刻的状态为拿着手机，则确定所述手机当前时刻的状态为放下手机；

若当前时刻的识别结果为驾驶员未使用手机，且前一时刻的识别结果为驾驶员未使用手机，且所述手机前一时刻的状态为放下手机，则确定所述手机当前时刻的状态为放着手机。

可选地，所述手机状态分析模块904用于：

在当前时刻的识别结果为驾驶员未使用手机，且前一时刻的识别结果为驾驶员使用手机，且所述手机前一时刻的状态为拿着手机，则判断在时长阈值内识别结果是否变为驾驶员使用手机；

若在所述时长阈值内识别结果未变为驾驶员使用手机，则确定所述手机当前时刻的状态为放下手机；若在所述时长阈值内识别结果变为驾驶员使用手机，则确定所述手机当前时刻的状态保持为拿着手机。

其中，拿起手机的时刻到放下手机时刻之间的时长，即为驾驶员使用手机的时长。也就是说，基于本公开实施例提供的技术方案，可以获得驾驶员使用手机的时长以及具体时刻，从而为避免由于驾驶员使用手机引起的交通事故提供助力。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图11是本公开实施例示出的一种计算设备11的框图。参照图11，计算设备11包括处理器111，其数量可以为一个或多个，以及存储器112，用于存储可由处理器111执行的计算机程序。存储器112中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理器112可以被配置为执行该计算机程序，以执行上述的识别驾驶员使用手机行为的方法。

另外，计算设备11还可以包括电源组件113和通信组件114，该电源组件113可以被配置为执行计算设备11的电源管理，该通信组件114可以被配置为实现计算设备11的通信，例如，有线或无线通信。此外，该计算设备11还可以包括输入/输出(I/O)接口115。具体地，该计算设备11具体可以是手机的一部分，或者是车辆的一部分。

本公开实施例还提供一种包括程序指令的计算机可读存储介质，例如包括程序指令的存储器112，上述程序指令可由计算设备11的处理器111执行以完成上述识别驾驶员使用手机行为的方法。

以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。

此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。

Claims (7)

1.一种识别驾驶员使用手机行为的方法，其特征在于，包括：

采集手机当前的传感器数据；

根据所述传感器数据调用已建立的手机行为识别模型，以得到驾驶员当前是否使用所述手机的识别结果，其中，所述手机行为识别模型是根据传感器训练数据以及所述传感器训练数据的标记进行训练得到的识别模型，所述标记用于表明所述传感器训练数据是驾驶员使用手机时的传感器数据还是驾驶员未使用手机时的传感器数据；

所述方法还包括建立所述手机行为识别模型的方法，包括：

获取所述传感器训练数据以及所述传感器训练数据的标记，其中，所述传感器训练数据是在实验环境中采集到的手机在驾驶过程中被标记的传感器数据；

对所述传感器训练数据进行滤波处理，得到滤波后的传感器训练数据；

根据所述滤波后的传感器训练数据以及所述标记运用分层建模的方式训练所述手机行为识别模型；

所述根据所述滤波后的传感器训练数据以及所述标记运用分层建模的方式训练所述手机行为识别模型，包括：

分别提取标记为驾驶员使用手机的所述滤波后的传感器训练数据以及标记为驾驶员未使用手机的所述滤波后的传感器训练数据的特征，并根据所述特征以及所述标记建立第一层的分类模型；

调用所述分类模型对所述传感器训练数据进行手机行为识别，得到初步识别结果序列；

根据所述初步识别结果序列建立第二层模型，所述第二层模型用于将初步识别结果序列划分为多个初步识别结果子序列，并判断每一所述初步识别结果子序列的数据之和是否大于判别阈值以确定驾驶员是否使用所述手机，其中，所述判别阈值是标记为驾驶员使用手机的每一初步识别结果子序列的数据和之中的最小值。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据当前时刻驾驶员是否使用手机的识别结果以及前一时刻的识别结果以及所述手机前一时刻的状态，确定所述手机当前时刻的状态。

3.根据权利要求2所述的方法，其特征在于，所述根据当前时刻驾驶员是否使用手机的识别结果以及前一时刻的识别结果以及所述手机前一时刻的状态，确定所述手机当前时刻的状态包括：

若当前时刻的识别结果为驾驶员使用手机，且前一时刻的识别结果为驾驶员未使用手机，且所述手机前一时刻的状态为放着手机，则确定所述手机当前时刻的状态为拿起手机；

若当前时刻的识别结果为驾驶员使用手机，且前一时刻的识别结果为驾驶员使用手机，且所述手机前一时刻的状态为拿起手机，则确定所述手机当前时刻的状态为拿着手机；

若当前时刻的识别结果为驾驶员未使用手机，且前一时刻的识别结果为驾驶员使用手机，且所述手机前一时刻的状态为拿着手机，则确定所述手机当前时刻的状态为放下手机；

若当前时刻的识别结果为驾驶员未使用手机，且前一时刻的识别结果为驾驶员未使用手机，且所述手机前一时刻的状态为放下手机，则确定所述手机当前时刻的状态为放着手机。

4.根据权利要求2所述的方法，其特征在于，所述根据当前时刻驾驶员是否使用手机的识别结果以及前一时刻的识别结果以及所述手机前一时刻的状态，确定所述手机当前时刻的状态包括：

在当前时刻的识别结果为驾驶员未使用手机，且前一时刻的识别结果为驾驶员使用手机，且所述手机前一时刻的状态为拿着手机，则判断在时长阈值内识别结果是否变为驾驶员使用手机；

若在所述时长阈值内识别结果未变为驾驶员使用手机，则确定所述手机当前时刻的状态为放下手机；若在所述时长阈值内识别结果变为驾驶员使用手机，则确定所述手机当前时刻的状态保持为拿着手机。

5.一种识别驾驶员使用手机行为的装置，其特征在于，包括：

采集模块，用于采集手机当前的传感器数据；

模型处理模块，用于根据所述传感器数据调用已建立的手机行为识别模型，以得到驾驶员当前是否使用所述手机的识别结果，其中，所述手机行为识别模型是根据传感器训练数据以及所述传感器训练数据的标记进行训练得到的识别模型，所述标记用于表明所述传感器训练数据是驾驶员使用手机时的传感器数据还是驾驶员未使用手机时的传感器数据；

还包括用于建立所述手机行为识别模型的模型建立模块，所述模型建立模块包括：

获取子模块，用于获取所述传感器训练数据以及所述传感器训练数据的标记，其中，所述传感器训练数据是在实验环境中采集到的手机在驾驶过程中被标记的传感器数据；

滤波子模块，用于对所述传感器训练数据进行滤波处理，得到滤波后的传感器训练数据；

分层建立子模块，用于根据所述滤波后的传感器训练数据以及标记运用分层建模的方式训练所述手机行为识别模型；

所述分层建立子模块，具体用于分别提取标记为驾驶员使用手机的所述滤波后的传感器训练数据以及标记为驾驶员未使用手机的所述滤波后的传感器训练数据的特征，并根据所述特征以及所述标记建立第一层的分类模型；

调用所述分类模型对所述传感器训练数据进行手机行为识别，得到初步识别结果序列；

根据所述初步识别结果序列建立第二层模型，所述第二层模型用于将初步识别结果序列划分为多个初步识别结果子序列，并判断每一所述初步识别结果子序列的数据之和是否大于判别阈值以确定驾驶员是否使用所述手机，其中，所述判别阈值是标记为驾驶员使用手机的每一初步识别结果子序列的数据和之中的最小值。

6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-4中任一项所述方法的步骤。

7.一种计算设备，其特征在于，包括：

权利要求6中所述的计算机可读存储介质；以及

一个或者多个处理器，用于执行所述计算机可读存储介质中的程序。

Images