CN108009463B - 一种身份识别的方法及装置 - Google Patents
一种身份识别的方法及装置 Download PDFInfo
- Publication number
- CN108009463B CN108009463B CN201610957917.XA CN201610957917A CN108009463B CN 108009463 B CN108009463 B CN 108009463B CN 201610957917 A CN201610957917 A CN 201610957917A CN 108009463 B CN108009463 B CN 108009463B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- driver
- parameter
- running state
- state data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明公开了一种身份识别的方法及装置,该方法为,获取第一车辆运行状态数据,其中,第一车辆运行状态数据包含表征第一车辆的运行状态的各个参数;对各个参数进行参数统计分析,筛选出至少一个特征参数,其中,特征参数用于在第一车辆当前的运行状态下描述驾驶员的驾驶行为特征;基于至少一个特征参数,按照预设身份识别规则,确定第一车辆的驾驶员的身份。这样,就可以通过在第一车辆运行状态数据包含的各个参数中筛选出的特征参数,确定第一车辆的驾驶员的身份,而不再需要驾驶员通过操作复杂的输入设备,主动输入隐私信息,这保护了驾驶员的个人隐私,提高了信息的安全性,简化了操作步骤,提高了效率,节约了资金成本。
Description
技术领域
本发明涉及智能技术领域,尤其涉及一种身份识别的方法及装置。
背景技术
随着汽车行业智能化的发展,身份识别技术也逐渐被应用于汽车行业,并衍生了一系列的新功能。如,疲劳驾驶检测、基于驾驶员授权的车辆防盗、用户友好型车辆控制系统设计,酒驾检测以及服务交通管理部门的驾驶员身份合法验证。
现有技术下,主要采用以下方式对驾驶员的身份进行识别:
各个驾驶员先将各自的身份信息,如,指纹、驾驶证号码、头像等等,预先存储在车载系统的存储设备,如,存储卡或U盘,或者,预先存储在网络云平台。然后,驾驶员在开车前,将自己的身份信息通过相应的输入设备,如,指纹采集器、摄像头以及行车记录仪等等,输入车载系统。进一步地,车载系统将获取的驾驶员的身份信息与本地或网络云平台存储的每个身份信息一一进行匹配,从而完成身份识别。
然而,采用这种方式,需要驾驶员预先存储身份信息,并在身份识别时,通过专用的输入设备,主动输入个人信息以进行身份信息匹配。
显然,驾驶员需要主动提供隐私信息,这降低了信息安全性,提高了操作复杂度。进一步地,指纹采集器、摄像头等输入设备对身份信息的采集以及处理过程比较复杂,这降低了处理效率。最后,有些输入设备,如,摄像头,易受光线影响,这降低了身份识别的精确度,而采用高清高、灵敏感光,但是价格比较昂贵的输入设备,这耗费了大量的资金成本。
发明内容
本发明实施例提供一种身份识别的方法及装置,用于在驾驶员不必提供隐私信息的情况下,对车辆的驾驶员的身份进行识别。
本发明实施例提供的具体技术方案如下:
一种身份识别的方法,包括:
获取第一车辆运行状态数据,其中,第一车辆运行状态数据包含表征第一车辆的运行状态的各个参数;
对各个参数进行参数统计分析,筛选出至少一个特征参数,其中,特征参数用于在第一车辆当前的运行状态下描述驾驶员的驾驶行为特征;
基于至少一个特征参数,按照预设身份识别规则,确定第一车辆的驾驶员的身份。
较佳的,在获取第一车辆运行状态数据之前,进一步包括:
获取各个驾驶员的历史车辆运行状态数据;
采用高斯混合模型,分别对每一个驾驶员的历史车辆运行状态数据进行训练,建立并存储每一个驾驶员的驾驶行为模型;
根据各个驾驶行为模型,建立身份识别规则。
较佳的,各个参数包括以下参数中的任意一种或组合:
车辆位置,车辆速度,车辆加速度,车辆朝向,车辆方向盘位置,车辆方向盘旋转率,车辆刹车踏板位置和车辆油门踏板位置。
较佳的,对各个参数进行参数统计分析,筛选出至少一个特征参数,具体包括:
获取各个驾驶员的历史车辆运行状态数据包含的各个参数,以及第一车辆运行状态数据包含的各个参数;
针对各个参数中的每一个参数,分别计算相应的特征比例,其中,一个参数的特征比例与各个驾驶员对应的一个参数的均值的方差正相关,与第一车辆的驾驶员对应的一个参数的方差的均值负相关;
筛选出特征比例的取值最大的至少一个参数为特征参数。
较佳的,基于至少一个特征参数,按照预设身份识别规则,确定第一车辆的驾驶员的身份,具体包括:
对至少一个特征参数进行频域特征提取,获得相应的特征向量;
获取存储的各个驾驶员的驾驶行为模型,并采用贝叶斯理论,基于每一个驾驶员的驾驶行为模型以及相应的特征向量,分别获得每一个驾驶员相应的驾驶行为分布概率;
确定驾驶行为分布概率的取值最大的驾驶员为第一车辆的驾驶员。
一种身份识别的装置,具体包括:
获取单元,用于获取第一车辆运行状态数据,其中,第一车辆运行状态数据包含表征第一车辆的运行状态的各个参数;
筛选单元,用于对各个参数进行参数统计分析,筛选出至少一个特征参数,其中,特征参数用于在第一车辆当前的运行状态下描述驾驶员的驾驶行为特征;
确定单元,用于基于至少一个特征参数,按照预设身份识别规则,确定第一车辆的驾驶员的身份。
较佳的,在获取第一车辆运行状态数据之前,获取单元还用于:
获取各个驾驶员的历史车辆运行状态数据;
采用高斯混合模型,分别对每一个驾驶员的历史车辆运行状态数据进行训练,建立并存储每一个驾驶员的驾驶行为模型;
根据各个驾驶行为模型,建立身份识别规则。
较佳的,各个参数包括以下参数中的任意一种或组合:
车辆位置,车辆速度,车辆加速度,车辆朝向,车辆方向盘位置,车辆方向盘旋转率,车辆刹车踏板位置和车辆油门踏板位置。
较佳的,对各个参数进行参数统计分析,筛选出至少一个特征参数时,筛选单元具体用于:
获取各个驾驶员的历史车辆运行状态数据包含的各个参数,以及第一车辆运行状态数据包含的各个参数;
针对各个参数中的每一个参数,分别计算相应的特征比例,其中,一个参数的特征比例与各个驾驶员对应的一个参数的均值的方差正相关,与第一车辆的驾驶员对应的一个参数的方差的均值负相关;
筛选出特征比例的取值最大的至少一个参数为特征参数。
较佳的,基于至少一个特征参数,按照预设身份识别规则,确定第一车辆的驾驶员的身份时,确定单元具体用于:
对至少一个特征参数进行频域特征提取,获得相应的特征向量;
获取存储的各个驾驶员的驾驶行为模型,并采用贝叶斯理论,基于每一个驾驶员的驾驶行为模型以及相应的特征向量,分别获得每一个驾驶员相应的驾驶行为分布概率;
确定驾驶行为分布概率的取值最大的驾驶员为第一车辆的驾驶员。
本发明实施例中,获取第一车辆运行状态数据,其中,第一车辆运行状态数据包含表征第一车辆的运行状态的各个参数;对各个参数进行参数统计分析,筛选出至少一个特征参数,其中,特征参数用于在第一车辆当前的运行状态下描述驾驶员的驾驶行为特征;基于至少一个特征参数,按照预设身份识别规则,确定第一车辆的驾驶员的身份。这样,由于每一个驾驶员的驾驶习惯都是固定的,因此可以获取在第一车辆运行状态数据包含的各个参数中筛选出的能够代表驾驶员行为倾向的特征参数,并通过该特征参数,来判断第一车辆的驾驶员的身份,而不再需要驾驶员通过操作复杂并且价格昂贵的输入设备,主动输入指纹等隐私信息,这保护了驾驶员的个人隐私,提高了信息的安全性,简化了操作步骤,提高了效率,节约了资金成本。
附图说明
图1为本发明实施例中高斯混合模型的计算结构图;
图2为本发明实施例中身份识别的方法的流程图;
图3为本发明实施例中身份识别的装置的结构示意图。
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,并不是全部的实施例。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。
为了使驾驶员在不必提供隐私信息的情况下,对车辆的驾驶员的身份进行识别,以保护驾驶员的隐私安全,简化操作步骤,提高处理效率,节约资金成本,本发明实施例中,设计了一种身份识别方法,该方法为,基于在第一车辆运行状态数据包含的各个参数中筛选出的特征参数,按照预设身份识别规则,确定第一车辆的驾驶员的身份。
下面结合附图对本申请优选的实施方式进行详细说明。
本发明实施例中,身份识别之前,对驾驶员的历史车辆运行状态数据进行预处理,通过高斯混合模型,建立身份识别规则。
实际应用中,所谓高斯混合模型是单一高斯概率密度函数的延伸,是用M个单一高斯概率密度函数分布的线性组合来描述某个特征在特征空间中的分布。此外,由于高斯概率密度函数的线性组合仍然是高斯概率密度函数,而且,理论上任意形式的总体分布都可以用若干个高斯概率密度函数的混合来逼近。因此,采用多个高斯概率密度函数来估计驾驶员特征的概率分布,从而获得驾驶员身份的高斯混合模型,并通过高斯混合模型,建立身份识别规则。
参阅图1所示,为高斯混合模型的计算结构图。一个高斯混合模型的概率密度函数由M个单一高斯概率密度函数加权和得到的,表示如下:
其中,M为高斯混合模型的阶数,X为一个D维随机变量,ωi为混合权重,i=1,2,…M,且混合权重应满足以下条件:
bi(X)是子分布,i=1,2,…M,如,车辆在不同时刻下的各个速度的高斯概率分布。每个子分布是D维的联合高斯概率分布,可表示如下:
其中,ui是均值向量,Σi是协方差矩阵。
因此,整个的高斯混合模型便可由参数均值向量,协方差矩阵和混合权重来描述。因此,一个模型λ可以表示为如下一个三元组:
λ={ωi,ui,∑i},i=1,2,……M
实际应用中,通过训练数据,使用最大似然法进行参数估计,确定上述三个参数,从而建立驾驶员的高斯混合模型。所谓最大似然估计就是把待估计的量看成固定但未知的量,然后,求出能够使学习样本出现概率最大的参数值,并把它作为参数的估计。
设某驾驶员的训练特征矢量序列为X={Xt,t=1,2,……,T},它对于模型λ的似然度可表示如下:
似然度可看做样本给定时,参数λ的函数,而训练的目的就是要找到一组参数λ,使得P(X/λ)最大,用log(L(λ|x))即log(P(X|λ))来分析。因为对数函数是单调的,所以使对数似然函数最大的λ也会使原来的似然函数最大。
将上式对λ求微分并令它为0的求极值法,可知λ的最大似然估计必然满足方程:
由于P(X|λ)是参数λ的非线性函数,很难直接求出其最大值。因此,采用最大期望(Expectation MaXimization,EM)算法估计参数λ。EM算法的计算是从参数λ的一个初值开始,采用EM算法估计出一个新的参数λ*,使得新的模型参数下的似然度P(X|λ*)≥P(X|λ)。新的模型参数再作为当前参数进行训练,这样迭代运算直到模型收敛,从而获得驾驶员行为模型,并基于驾驶员行为模型,建立身份识别规则。
身份识别功能建立之后,就可以在后续的流程中,对驾驶员的具体身份进行识别。参阅图2所示,本发明实施例中,对身份识别的具体流程如下:
步骤200:车载系统获取第一车辆运行状态数据。
实际应用中,驾驶员驾驶第一车辆的过程中,车载系统获取第一车辆运行状态数据,其中,第一车辆运行状态数据包含表征第一车辆的运行状态的各个参数。
可选的,各个参数包括以下参数中的任意一种或组合:车辆位置,车辆速度,车辆加速度,车辆朝向,车辆方向盘位置,车辆方向盘旋转率,车辆刹车踏板位置和车辆油门踏板位置。
车载系统通过定位装置,获取第一车辆自身的车辆位置和车辆速度。
例如,车载系统通过全球定位系统(Global Positioning System,GPS),获取第一车辆自身的位置和车辆速度。
车载系统通过传感器,获取第一车辆的加速度和朝向等信息。
例如,车载系统通过重力传感器(Gravity-sensor,G-sensor),获取第一车辆的加速度和朝向等信息。
车载系统通过诊断装置,获取第一车辆的速度和车辆操作信息。
例如,车载系统通过车载诊断系统(On-Board Diagnostic,OBD),获取第一车辆的车辆加速度和车辆油门位置。
车载系统通过相应的通信技术或雷达,获取周边环境中车辆的车辆位置和车辆速度。
例如,车载系统通过车对外界的信息交换技术,或,通过车辆自带的雷达,或,通过激光雷达的传感器获取周边环境中的车辆位置及车辆速度。
进一步地,车载系统在获取第一车辆运行状态数据后,将第一车辆运行状态数据上传至云平台,可以采用但不限于以下几种方式:
第一种方式为:利用ODB或智能手机将第一车辆运行状态数据,通过移动网络通信上传至云平台。
第二种方式为:若车载系统采用的数据采集设备不具备移动通信能力,则通过蓝牙、无线网络等区域通信手段,先将第一车辆运行状态数据,发送至OBD或智能手机,然后,上传至云平台。
第三种方式为:将获取的第一车辆运行状态数据,结合车载系统自身的计算能力,对第一车辆运行状态数据进行计算分析,然后,将计算分析的结果,上传至云平台。
步骤210:车载系统对各个参数进行参数统计分析,筛选出至少一个特征参数。
实际应用中,车载系统获取各个参数后,对各个参数进行处理。可选的,处理过程包括去噪、规约等常规处理步骤。车载系统对各个参数进行参数统计分析,筛选出至少一个特征参数。
特征参数提取的原则为:第一,特征参数对于同一个驾驶员在多次操作中表现出一致性;第二,特征参数对于不同驾驶员的相同的操作表现出差异性,第三,特征参数容易提取。
特征参数有效性的评价方法为:对于任意一个参数而言,驾驶员的参数序列点会在参数空间映射出不同的点,若对同一个驾驶员而言,该参数序列点的分布比较集中,而对不同驾驶员而言,该参数的分布相距较远,则选取的参数就是有效的。
车载系统采用F来表征参数在驾驶员身份识别的有效性即特征比例。一个参数的特征比例与各个驾驶员对应的一个参数的均值的方差正相关,与第一车辆的驾驶员对应的一个参数的方差的均值负相关。特征比例F表示如下:
F=(各个驾驶员对应的一个参数的均值的方差)/(第一车辆的驾驶员对应的一个参数的方差的均值)
车载系统针对各个参数中的每一个参数,分别计算相应的特征比例F,然后,筛选出特征比例的取值最大的至少一个参数为特征参数。
例如,车载系统计算车辆位置,车辆速度,车辆加速度,车辆朝向,车辆方向盘位置,车辆方向盘旋转率,车辆刹车踏板位置和车辆油门踏板位置中的每一个参数的特征比例,选择F的值最大的车辆速度,作为能够描述驾驶员行为的特征参数。
进一步地,车载系统获取特征参数在各个时刻的数值后,由于若对特征参数采用方差均值等方式计算处理,会耗费大量的时间,因此,车载系统采用频域特征提取的方法对特征参数进行提取,获得相应的特征向量,方法如下:
将特征参数,如油门位置,在各个时刻的数值,采用倒谱系数法得到对应的频谱包络图。所谓倒谱系数法,就是将原信号经过傅里叶变换得到频谱:X[k]=H[k]E[k],原始的频谱由两部分组成,即包络和频谱,其中H[k]表示包络。只考虑幅度时,将上述公式变换为|X[k]|=|H[k]||E[k]|,在等式两边取对数:log|X[k]|=log|H[k]|+log|E[k]|,再在两边取逆傅里叶变换得到:x[k]=h[k]+e[k]。
因此,车载系统基于上述变换过程,将包络和频谱进行分离,提取代表包络部分的低频谱系数H[k]作为特征参数对应的特征向量;其中,傅里叶变换能将满足一定条件的某个函数表示成三角函数或者它们的积分的线性组合,基本公式为:
其中,傅里叶逆变换的基本公式为:
步骤220:车载系统基于至少一个特征参数,按照预设身份识别规则,确定第一车辆的驾驶员的身份。
实际应用中,车载系统先获取存储的各个驾驶员的驾驶行为模型和至少一个特征参数。由于各个驾驶员分别建立的驾驶行为模型,构成了一个封闭的驾驶员集合,因此,只需要确定第一车辆运行状态数据,属于驾驶员集合中的哪一个驾驶员,便可以确定第一车辆的驾驶员的身份。
在识别过程中,车载系统基于各个驾驶行为模型对应的λ,以及通过频域提取的方式,获得的第一车辆的一个特征参数对应的特征矢量X,分别获得相应的驾驶行为分布概率P(X/λ)。车载系统便可以确定P(X/λ)的取值最大的驾驶员为第一车辆的驾驶员。即输出为定值X,输入的各个λ中获得的概率最大的λ对应的驾驶员为第一车辆的驾驶员。
而根据贝叶斯理论,由于驾驶员信息出自封闭的驾驶员集合中每个人的可能性相等,即P(λi)=1/N,1≤i≤N,并且,对于一个确定的特征矢量X,P(X)是一个确定的常数值,对所有驾驶员来说都是相等的,因此,车载系统可以通过求取P(λi/X)来确定P(X/λi)。
因此,车载系统获取第一车辆的特征矢量X后,将X带入各个驾驶员的驾驶行为模型中,分别获得相应的P(X/λi),确定P(X/λi)的取值最大的驾驶员即为第一车辆的驾驶员。
例如,车载系统获取的特征参数即车辆加速过程中的油门踏板位置,对应的特征矢量X为每次加速过程中油门踏板位置序列的倒谱系数低阶部分C0-C5{C0,C1,C2,C3,C4,C5},采用实际数据变换得到的一组数据举例为{6.8776,0.4116,0.2089,0.0799,0.1166,0.1325}。使用驾驶员多次加速过程获取多组训练数据得到驾驶员的驾驶行为模型λ1={ωi,ui,∑i},实际数据采用4维高斯混合模型,得到的驾驶员模型数据举例为ωi={0.0731,0.5241,0.2238,0.1890}为1*4向量;ui为4*6的矩阵(具体数值不再列举),Σi为6*4*4的矩阵,(具体数值不再列举)。车载系统分别获得各个驾驶行为模型,对于新获取的一组加速过程计算得到C0-C5,代入不同驾驶员的模型中计算P(X/λi)依次为0.5,0.2,0.9,0.1,0.8,0.96。因此,车载系统确定第一车辆的驾驶员的身份为P(X/λi)=0.96对应的第六位驾驶员。
下面采用一个具体的应用场景对上述实施例进行详细的说明。
假设车载系统通过第一车辆历史运行状态数据建立了六位驾驶员的驾驶行为模型。
当第一车辆的驾驶员驾驶第一车辆时,车载系统获取第一车辆运行状态数据,其中,车载系统通过GPS获取第一车辆的车辆位置和车辆速度信息,通过G-sensor获取第一车辆的车辆加速度和车辆朝向信息,通过OBD获取第一车辆的车辆加速度、车辆刹车位置和车辆油门位置信息,以及通过激光雷达的传感器获取周边环境中的车辆位置及车辆速度。进一步地,车载系统利用OBD将第一车辆运行状态数据,通过移动网络通信上传至云平台
车载系统获得第一车辆的车辆位置、第一车辆的车辆速度、第一车辆的车辆加速度、第一车辆的车辆朝向、第一车辆的车辆加速度、第一车辆的车辆油门位置、周边环境中的车辆位置以及周边环境中的车辆速度信息。
然后,车载系统将第一车辆运行数据进行去噪、规约常规处理之后,基于各个驾驶员的历史运行状态数据,以及第一车辆运行状态数据,通过公式F=(各个驾驶员对应的一个参数的均值的方差)/(第一车辆的驾驶员对应的一个参数的方差的均值),计算每一个参数的特征比例F。车载系统确定F取值最大的车辆刹车位置为特征参数。
进一步地,车载系统获取每次刹车过程中车辆刹车位置序列的倒谱系数低阶部分C0-C5{C0,C1,C2,C3,C4,C5},采用实际数据变换得到的一组数据举例为{4.8176,3.4116,0.2059,0.0739,0.1186,0.1125}。使用驾驶员多次刹车过程获取多组训练数据得到驾驶员的驾驶行为模型λ1={ωi,ui,∑i},实际数据采用4维高斯混合模型,得到的驾驶员模型数据举例ωi={0.0741,0.5241,0.2618,0.1400}为1*4向量;ui为4*6的矩阵(具体数值不再列举),Σi为6*4*4的矩阵,(具体数值不再列举)。车载系统分别获得各个驾驶行为模型,对于新获取的一组加速过程计算得到C0-C5,代入不同驾驶员的模型中计算P(X/λi)依次为0.2,0.6,0.5,0.94,0.5,0.2。因此,车载系统确定第一车辆的驾驶员的身份为P(X/λi)=0.96对应的第五位驾驶员。
基于上述实施例,参阅图3所示,身份识别装置的结构示意图,本发明实施例中,身份识别装置具体包括:
获取单元30,用于获取第一车辆运行状态数据,其中,第一车辆运行状态数据包含表征第一车辆的运行状态的各个参数;
筛选单元31,用于对各个参数进行参数统计分析,筛选出至少一个特征参数,其中,特征参数用于在第一车辆当前的运行状态下描述驾驶员的驾驶行为特征;
确定单元32,用于基于至少一个特征参数,按照预设身份识别规则,确定第一车辆的驾驶员的身份。
较佳的,在获取第一车辆运行状态数据之前,获取单元30还用于:
获取各个驾驶员的历史车辆运行状态数据;
采用高斯混合模型,分别对每一个驾驶员的历史车辆运行状态数据进行训练,建立并存储每一个驾驶员的驾驶行为模型;
根据各个驾驶行为模型,建立身份识别规则。
较佳的,各个参数包括以下参数中的任意一种或组合:
车辆位置,车辆速度,车辆加速度,车辆朝向,车辆方向盘位置,车辆方向盘旋转率,车辆刹车踏板位置和车辆油门踏板位置。
较佳的,对各个参数进行参数统计分析,筛选出至少一个特征参数时,筛选单元31具体用于:
获取各个驾驶员的历史车辆运行状态数据包含的各个参数,以及第一车辆运行状态数据包含的各个参数;
针对各个参数中的每一个参数,分别计算相应的特征比例,其中,一个参数的特征比例与各个驾驶员对应的一个参数的均值的方差正相关,与第一车辆的驾驶员对应的一个参数的方差的均值负相关;
筛选出特征比例的取值最大的至少一个参数为特征参数。
较佳的,基于至少一个特征参数,按照预设身份识别规则,确定第一车辆的驾驶员的身份时,确定单元32具体用于:
对至少一个特征参数进行频域特征提取,获得相应的特征向量;
获取存储的各个驾驶员的驾驶行为模型,并采用贝叶斯理论,基于每一个驾驶员的驾驶行为模型以及相应的特征向量,分别获得每一个驾驶员相应的驾驶行为分布概率;
确定驾驶行为分布概率的取值最大的驾驶员为第一车辆的驾驶员。
本发明实施例中,获取第一车辆运行状态数据,其中,第一车辆运行状态数据包含表征第一车辆的运行状态的各个参数;对各个参数进行参数统计分析,筛选出至少一个特征参数,其中,特征参数用于在第一车辆当前的运行状态下描述驾驶员的驾驶行为特征;基于至少一个特征参数,按照预设身份识别规则,确定第一车辆的驾驶员的身份。这样,由于每一个驾驶员的驾驶习惯都是固定的,因此可以获取在第一车辆运行状态数据包含的各个参数中筛选出的能够代表驾驶员行为倾向的特征参数,并通过该特征参数,来判断第一车辆的驾驶员的身份,而不再需要驾驶员通过操作复杂并且价格昂贵的输入设备,主动输入指纹等隐私信息,这保护了驾驶员的个人隐私,提高了信息的安全性,简化了操作步骤,提高了效率,节约了资金成本。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样,倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种身份识别的方法,其特征在于,包括:
获取第一车辆运行状态数据,其中,所述第一车辆运行状态数据包含表征第一车辆的运行状态的各个参数;
对所述各个参数进行参数统计分析,筛选出至少一个特征参数,其中,所述特征参数用于在第一车辆当前的运行状态下描述驾驶员的驾驶行为特征;
基于所述至少一个特征参数,按照预设身份识别规则,确定第一车辆的驾驶员的身份;
在获取第一车辆运行状态数据之前,进一步包括:获取各个驾驶员的历史车辆运行状态数据;
对所述各个参数进行参数统计分析,筛选出至少一个特征参数,具体包括:
获取各个驾驶员的历史车辆运行状态数据包含的各个参数,以及所述第一车辆运行状态数据包含的各个参数;针对所述各个参数中的每一个参数,分别计算相应的特征比例,其中,一个参数的特征比例与各个驾驶员对应的所述一个参数的均值的方差正相关,与所述第一车辆的驾驶员对应的所述一个参数的方差的均值负相关;筛选出特征比例的取值最大的至少一个参数为特征参数。
2.如权利要求1所述的方法,其特征在于,在获取第一车辆运行状态数据之前,进一步包括:
采用高斯混合模型,分别对每一个驾驶员的历史车辆运行状态数据进行训练,建立并存储每一个驾驶员的驾驶行为模型;
根据各个驾驶行为模型,建立身份识别规则。
3.如权利要求2所述的方法,其特征在于,所述各个参数包括以下参数中的任意一种或组合:
车辆位置,车辆速度,车辆加速度,车辆朝向,车辆方向盘位置,车辆方向盘旋转率,车辆刹车踏板位置和车辆油门踏板位置。
4.如权利要求2或3所述的方法,其特征在于,基于所述至少一个特征参数,按照预设身份识别规则,确定第一车辆的驾驶员的身份,具体包括:
对所述至少一个特征参数进行频域特征提取,获得相应的特征向量;
获取存储的各个驾驶员的驾驶行为模型,并采用贝叶斯理论,基于每一个驾驶员的驾驶行为模型以及所述相应的特征向量,分别获得每一个驾驶员相应的驾驶行为分布概率;
确定所述驾驶行为分布概率的取值最大的驾驶员为所述第一车辆的驾驶员。
5.一种身份识别的装置,其特征在于,包括:
获取单元,用于获取第一车辆运行状态数据,其中,所述第一车辆运行状态数据包含表征第一车辆的运行状态的各个参数;
筛选单元,用于对所述各个参数进行参数统计分析,筛选出至少一个特征参数,其中,所述特征参数用于在第一车辆当前的运行状态下描述驾驶员的驾驶行为特征;
确定单元,用于基于所述至少一个特征参数,按照预设身份识别规则,确定第一车辆的驾驶员的身份;
所述获取单元还用于:获取各个驾驶员的历史车辆运行状态数据;
所述筛选单元具体用于:获取各个驾驶员的历史车辆运行状态数据包含的各个参数,以及所述第一车辆运行状态数据包含的各个参数;针对所述各个参数中的每一个参数,分别计算相应的特征比例,其中,一个参数的特征比例与各个驾驶员对应的所述一个参数的均值的方差正相关,与所述第一车辆的驾驶员对应的所述一个参数的方差的均值负相关;筛选出特征比例的取值最大的至少一个参数为特征参数。
6.如权利要求5所述的装置,其特征在于,在获取第一车辆运行状态数据之前,所述获取单元还用于:
采用高斯混合模型,分别对每一个驾驶员的历史车辆运行状态数据进行训练,建立并存储每一个驾驶员的驾驶行为模型;
根据各个驾驶行为模型,建立身份识别规则。
7.如权利要求6所述的装置,其特征在于,所述各个参数包括以下参数中的任意一种或组合:
车辆位置,车辆速度,车辆加速度,车辆朝向,车辆方向盘位置,车辆方向盘旋转率,车辆刹车踏板位置和车辆油门踏板位置。
8.如权利要求6或7所述的装置,其特征在于,基于所述至少一个特征参数,按照预设身份识别规则,确定第一车辆的驾驶员的身份时,所述确定单元具体用于:
对所述至少一个特征参数进行频域特征提取,获得相应的特征向量;
获取存储的各个驾驶员的驾驶行为模型,并采用贝叶斯理论,基于每一个驾驶员的驾驶行为模型以及所述相应的特征向量,分别获得每一个驾驶员相应的驾驶行为分布概率;
确定所述驾驶行为分布概率的取值最大的驾驶员为所述第一车辆的驾驶员。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610957917.XA CN108009463B (zh) | 2016-10-27 | 2016-10-27 | 一种身份识别的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610957917.XA CN108009463B (zh) | 2016-10-27 | 2016-10-27 | 一种身份识别的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108009463A CN108009463A (zh) | 2018-05-08 |
CN108009463B true CN108009463B (zh) | 2020-10-30 |
Family
ID=62048328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610957917.XA Active CN108009463B (zh) | 2016-10-27 | 2016-10-27 | 一种身份识别的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108009463B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110766031A (zh) * | 2018-07-27 | 2020-02-07 | 江苏迪纳数字科技股份有限公司 | 一种基于驾驶人行为特征的驾驶人甄别系统及其方法 |
CN109145982A (zh) * | 2018-08-17 | 2019-01-04 | 上海汽车集团股份有限公司 | 驾驶员的身份识别方法及装置、存储介质、终端 |
FR3086239B1 (fr) * | 2018-09-20 | 2020-09-04 | Continental Automotive France | Systeme et procede pour identifier un conducteur d’un vehicule apres le demarrage du vehicule |
CN113859247B (zh) * | 2020-06-30 | 2023-07-11 | 比亚迪股份有限公司 | 车辆的用户识别方法、装置、车机和存储介质 |
CN112232158B (zh) * | 2020-09-30 | 2022-08-23 | 易显智能科技有限责任公司 | 一种基于驾驶行为特征的替训作弊查证系统及方法 |
CN112417983A (zh) * | 2020-10-28 | 2021-02-26 | 在行(杭州)大数据科技有限公司 | 基于多源数据的车辆驾驶员判定方法、装置、设备及介质 |
US11993270B2 (en) | 2021-12-03 | 2024-05-28 | Bendix Commercial Vehicle Systems, Llc | System and method for driving style driver identity determination and control of vehicle functions |
CN114386763B (zh) * | 2021-12-10 | 2023-05-23 | 斑马网络技术有限公司 | 一种车辆交互方法、车辆交互装置及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102320301A (zh) * | 2010-04-07 | 2012-01-18 | 通用汽车环球科技运作有限责任公司 | 用于使车辆的行驶特性适应驾驶员变换的方法 |
CN103927872A (zh) * | 2014-04-28 | 2014-07-16 | 武汉大学 | 一种基于浮动车数据预测多时段行程时间分布的方法 |
CN104463201A (zh) * | 2014-11-28 | 2015-03-25 | 杭州华为数字技术有限公司 | 一种识别驾驶状态、驾驶人的方法及装置 |
CN104504400A (zh) * | 2015-01-08 | 2015-04-08 | 中国科学院重庆绿色智能技术研究院 | 一种基于在线行为建模的驾驶员异常行为检测方法 |
CN104765598A (zh) * | 2014-01-06 | 2015-07-08 | 哈曼国际工业有限公司 | 自动驾驶者识别 |
CN104771178A (zh) * | 2015-04-13 | 2015-07-15 | 深圳市飞马与星月科技研究有限公司 | 身份识别的方法及装置 |
CN104802737A (zh) * | 2015-03-25 | 2015-07-29 | 清华大学 | 一种基于手机的车辆异常驾驶行为检测方法 |
CN105761329A (zh) * | 2016-03-16 | 2016-07-13 | 成都信息工程大学 | 基于驾驶习惯的驾驶员辨别方法 |
CN105787434A (zh) * | 2016-02-01 | 2016-07-20 | 上海交通大学 | 基于惯性传感器的人体运动模式识别方法 |
CN105808314A (zh) * | 2014-12-30 | 2016-07-27 | 中国移动通信集团公司 | 一种交通仿真的方法及装置 |
CN106057212A (zh) * | 2016-05-19 | 2016-10-26 | 华东交通大学 | 基于语音个性特征和模型自适应的驾驶疲劳检测方法 |
-
2016
- 2016-10-27 CN CN201610957917.XA patent/CN108009463B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102320301A (zh) * | 2010-04-07 | 2012-01-18 | 通用汽车环球科技运作有限责任公司 | 用于使车辆的行驶特性适应驾驶员变换的方法 |
CN104765598A (zh) * | 2014-01-06 | 2015-07-08 | 哈曼国际工业有限公司 | 自动驾驶者识别 |
CN103927872A (zh) * | 2014-04-28 | 2014-07-16 | 武汉大学 | 一种基于浮动车数据预测多时段行程时间分布的方法 |
CN104463201A (zh) * | 2014-11-28 | 2015-03-25 | 杭州华为数字技术有限公司 | 一种识别驾驶状态、驾驶人的方法及装置 |
CN105808314A (zh) * | 2014-12-30 | 2016-07-27 | 中国移动通信集团公司 | 一种交通仿真的方法及装置 |
CN104504400A (zh) * | 2015-01-08 | 2015-04-08 | 中国科学院重庆绿色智能技术研究院 | 一种基于在线行为建模的驾驶员异常行为检测方法 |
CN104802737A (zh) * | 2015-03-25 | 2015-07-29 | 清华大学 | 一种基于手机的车辆异常驾驶行为检测方法 |
CN104771178A (zh) * | 2015-04-13 | 2015-07-15 | 深圳市飞马与星月科技研究有限公司 | 身份识别的方法及装置 |
CN105787434A (zh) * | 2016-02-01 | 2016-07-20 | 上海交通大学 | 基于惯性传感器的人体运动模式识别方法 |
CN105761329A (zh) * | 2016-03-16 | 2016-07-13 | 成都信息工程大学 | 基于驾驶习惯的驾驶员辨别方法 |
CN106057212A (zh) * | 2016-05-19 | 2016-10-26 | 华东交通大学 | 基于语音个性特征和模型自适应的驾驶疲劳检测方法 |
Non-Patent Citations (4)
Title |
---|
Human Driving Behavior Recognition Based on Hidden Markov Models;Xiaoning Meng等;《Proceedings of the 2006 IEEE International Conference on Robotics and Biomimetics》;20061220;引言,正文第I节,图3 * |
基于二维高斯混合模型的驾驶行为分析;马超等;《硅谷》;20110308;15-16 * |
基于高斯混合隐马尔科夫模型的公路超车行为辨识与分析;吕岸等;《汽车工程》;20100725;第32卷(第7期);630-634 * |
无信号公路平交口支路上游功能区减速驾驶行为研究;郑元等;《交通信息与安全》;20151020;第33卷(第5期);62-70、77 * |
Also Published As
Publication number | Publication date |
---|---|
CN108009463A (zh) | 2018-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108009463B (zh) | 一种身份识别的方法及装置 | |
CN109118055B (zh) | 一种驾驶行为评分方法及装置 | |
Fugiglando et al. | Driving behavior analysis through CAN bus data in an uncontrolled environment | |
CN111126258B (zh) | 图像识别方法及相关装置 | |
EP3498559B1 (en) | Method for recognizing the driving style of a driver of a land vehicle, and corresponding apparatus | |
US9664779B2 (en) | Object classification for vehicle radar systems | |
Rahim et al. | Zero-to-stable driver identification: A non-intrusive and scalable driver identification scheme | |
CN111797526B (zh) | 一种仿真测试场景构建方法及装置 | |
US11106969B2 (en) | Method and apparatus for driver identification leveraging telematics data | |
JP7053213B2 (ja) | 運転データ解析装置 | |
Marchegiani et al. | Long-term driving behaviour modelling for driver identification | |
US10913455B2 (en) | Method for the improved detection of objects by a driver assistance system | |
Tanprasert et al. | Combining unsupervised anomaly detection and neural networks for driver identification | |
CN111259737A (zh) | 车辆方向盘故障的预测方法、装置、电子设备及存储介质 | |
Cho et al. | CPS approach to checking norm operation of a brake-by-wire system | |
Cai et al. | A driving fingerprint map method of driving characteristic representation for driver identification | |
Yang et al. | A novel driver identification method using wearables | |
Hernández Sánchez et al. | Deep neural networks for driver identification using accelerometer signals from smartphones | |
US20210192264A1 (en) | Vehicle damage detection method based on image analysis, electronic device and storage medium | |
Bernardi et al. | Driver identification: a time series classification approach | |
CN108074395B (zh) | 一种身份识别的方法及装置 | |
CN112455460B (zh) | 车辆控制方法、装置、设备及存储介质 | |
CN112462759B (zh) | 规控算法的评估方法、系统及计算机存储介质 | |
Lotfi et al. | Smartphone based driving style classification using features made by discrete wavelet transform | |
CN113496472A (zh) | 图像去雾模型构建、道路图像去雾方法、装置及车辆 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder |
Address after: 100053 53a, xibianmennei street, Xuanwu District, Beijing Patentee after: CHINA MOBILE COMMUNICATION LTD., Research Institute Patentee after: CHINA MOBILE COMMUNICATIONS GROUP Co.,Ltd. Address before: 100053 53a, xibianmennei street, Xuanwu District, Beijing Patentee before: CHINA MOBILE COMMUNICATION LTD., Research Institute Patentee before: CHINA MOBILE COMMUNICATIONS Corp. |
|
CP01 | Change in the name or title of a patent holder |