CN108229304A - 一种系统化的基于聚类思想的驾驶行为识别方法 - Google Patents

Abstract

本发明公开了一种系统化的基于聚类思想的驾驶行为识别方法，所述驾驶行为识别方法，包括以下步骤：建立统计特征模型；利用惯性传感器进行驾驶行为数据采集；利用卡尔曼滤波器对所述数据进行滤波；对所述滤波后数据采用自适应窗函数方法提取有效驾驶行为数据，并进一步提取有效数据的统计特征；筛选得到最优的统计特征；对驾驶行为数据的统计特征进行分类，识别相应的驾驶行为。本发明基于聚类思想，提供了一种特征极少，计算量极低且精度极高的系统化驾驶行为识别方法，在社会安全，车险，车队管理等领域有广阔应用前景。

Description

一种系统化的基于聚类思想的驾驶行为识别方法

技术领域

本发明基于聚类思想，提出一种系统化的驾驶行为识别方法，属于信号处理、模式识别与机器学习领域。

背景技术

据公安部交管局数据显示，截至2017年6月底，全国机动车保有量达3.04亿辆，其中汽车2.05亿辆。汽车的普及给人们生活带来便利的同时，也带来了不容忽视的安全隐患。据国家统计局数据显示，2015年全国共发生交通事故187781起，其中机动车交通事故170130起，交通事故总计死亡58022人，对生命安全产生极大威胁。然而交通事故频发最主要是人们的危险驾驶。据欧洲关于交通事故的统计分析，交通驾驶事故中，由人为因素引起的比例高达80％。因此，驾驶行为的识别具有重大社会意义，高效准确地对驾驶行为进行识别，进而提醒驾驶者谨慎驾驶，可以减少事故发生，促进社会安全。

汽车的普及带动了相关产业的快速发展。以保险公司为例，对驾驶行为进行准确高效识别，可以更全面的评估风险指标，可以带来更精准的损失估计，大大降低其理赔成本，另外，还能提升客户的消费体验，增加续约率。同样，对于车队管理部门来说，对驾驶行为进行准确高效识别，有利于全面掌握车辆驾驶情况，及时采取措施防患于未然，提高车队总体管理水平。

国外对于驾驶行为的研究主要集中在针对特定的驾驶动作(加速，刹车，左转，右转等)，利用单纯的高特征维度的机器学习或DTW等语音处理方法识别分类，缺少系统化的方法和理论建模支撑，且计算量巨大。相较于国外研究，国内研究成果较少，实际应用方面更是空白。本发明提出一种系统化的基于聚类思想的驾驶行为识别方法，不仅可以扩大可识别的驾驶行为类别，而且通过距离度量学习方法进行特征筛选，优化特征集合，使得计算量显著降低。本发明有着更强理论依据，且有着更好的普适性和高效性。

发明内容

本发明基于聚类思想，提出一种系统化的驾驶行为识别方法。

本发明的技术方案：一种系统化的基于聚类思想的驾驶行为识别方法，其特征在于，所述识别方法包括以下步骤：

S1：基于聚类思想，建立统计特征模型；

S2：利用惯性传感器进行驾驶行为数据采集；

S3：利用卡尔曼滤波器对所述数据进行滤波；

S4：对所述滤波后数据采用自适应窗函数方法提取有效驾驶行为数据，并进一步提取有效数据的统计特征；

S5：筛选得到最优的统计特征；

S6：对驾驶行为数据的统计特征进行分类，识别相应的驾驶行为。

优选的，所述建立统计特征模型，具体的以识别驾驶动作，有目的性地选择54维统计特征，使得同类动作具有特征相似性，不同类具有差异性。

优选的，所述识别驾驶动作包括加速，刹车，左转，右转，掉头，左变道和右变道。

优选的，所述惯性传感器包括6轴惯性传感器。

优选的，所述54维数据统计特征包括：6轴惯性传感器数据的平均值，标准差，平均绝对差，平均能量，求和，过平均率，正负点比率特征；3轴数据的最大值，最小值，斜率特征；以及3个轴间数据的相关系数特征。

优选的，所述自适应窗函数方法提取有效驾驶行为数据，具体的以能量信息做为端点检测的自适应窗函数方法，快速提取得到有效驾驶动作行为数据。

优选的，所述能量信息满足公式：

其中，Ax(i)表示当前Ax轴的样本点数值，Ax(i-1)表示Ax轴前一个样本点数值，依次类推，共有k个样本点。

优选的，所述对驾驶行为数据的统计特征进行分类，具体的将特征数据集进行k-means聚类和SVM监督分类识别，10折交叉验证正确率。

本发明的有益效果：本发明基于聚类思想，提供了一种特征极少，计算量极低且精度极高的系统化驾驶行为识别方法，在社会安全，车险，车队管理等领域有广阔应用前景。本发明与以往的单纯以机器学习方式对驾驶行为建模识别不同，本发明有着更强理论依据，且有着更好的普适性和高效性。

应当理解，前述大体的描述和后续详尽的描述均为示例性说明和解释，并不应当用作对本发明所要求保护内容的限制。

附图说明

参考随附的附图，本发明更多的目的、功能和优点将通过本发明实施方式的如下描述得以阐明，其中：

图1示意性示出本发明驾驶行为识别系统化方法示意图；

图2示意性示出本发明卡尔曼滤波器(左变道动作)效果示意图；

图3示意性示出本发明自适应窗函数提取(左变道动作)结果图；

图4示意性示出本发明数据在选择后的特征分布上的差异示意图；

图5示意性示出本发明k-means和SVM对原始54维特征以及选择后的4维特征进行分类结果图。

具体实施方式

通过参考示范性实施例，本发明的目的和功能以及用于实现这些目的和功能的方法将得以阐明。然而，本发明并不受限于以下所公开的示范性实施例；可以通过不同形式来对其加以实现。说明书的实质仅仅是帮助相关领域技术人员综合理解本发明的具体细节。

在下文中，将参考附图描述本发明的实施例。在附图中，相同的附图标记代表相同或类似的部件，或者相同或类似的步骤。

图1所示为本发明驾驶行为识别系统化方法的流程图，如图1所示，一种系统化的基于聚类思想的驾驶行为识别方法包括以下步骤：

S1：基于聚类思想，建立统计特征模型；

S2：利用惯性传感器进行驾驶行为数据采集；

S3：利用卡尔曼滤波器对所述数据进行滤波；

S4：对所述滤波后数据采用自适应窗函数方法提取有效驾驶行为数据，并进一步提取有效数据的统计特征；

S5：通过距离度量学习，筛选得到最优的统计特征；

S6：利用机器学习方法，对驾驶行为数据的统计特征进行分类，识别相应的驾驶行为，以此监督提醒驾驶者，促进出行安全。

驾驶行为识别是指利用一些外部传感器来采集数据，并利用相关分类方法识别出当前驾驶者的一些行为动作。

在本发明中，外部传感器采用6轴惯性传感器，所述6轴惯性传感器包括3轴加速度和3轴角速度传感器，因为在复杂的真实路况下，视频音频等信息不易获得，磁场变化受限于当地磁场信息对于驾驶行为识别作用很小，而加速度和角速度信息对于驾驶行为敏感，是可靠的数据来源，故采用6轴传感器(3轴加速度和3轴角速度)来进行识别任务，实验取得了很好的效果。

其中本发明中传感器的选择具有可扩展性，可以根据识别任务增加相应的传感器。

本发明提出一种系统化的驾驶行为识别方法。基于聚类思想，相同的驾驶行为在数据特征集的表现出相似性，不同驾驶行为在数据特征集表现出差异性。由此，本发明可以根据需要识别分类的M个驾驶动作识别任务，有目的性的选择N个统计特征，特征的选择在不同的驾驶动作中应该具有显著差异性。考虑到驾驶行为的特殊性和限制性，国内外的研究一般将驾驶行为动作分为加速，刹车，左转，右转，掉头，左变道，右变道等，本发明也将具体以这七种动作为例，进一步阐述特征的选取以及系统化方法。特征的选取具有可扩展性，可以基于聚类思想，根据不同的识别任务选择最能够表现类别差异性的特征，而不必局限于本发明中具体针对此七类动作的特征集。

S1：基于聚类思想，建立统计特征模型，具体的以加速，刹车，左转，右转，掉头，左变道，右变道七种识别驾驶动作，有目的性地选择54维统计特征，使得同类动作具有特征相似性，不同类具有差异性。本发明中以X轴指向车头，Y轴指向车左侧为例进行说明。

对于加速和刹车动作，变化主要体现在X轴加速度(Ax)传感器数据变化，其它轴的数据相对无较大变化。加速情况下，Ax数据为正；刹车情况下，Ax数据为负。

对于左转和右转动作，变化主要体现在Y轴加速度(Ay)和Z轴角速度(Gz)传感器数据变化，其它轴数据相对无较大变化。左转情况下，Ay和Gz为正；右转情况下，Ay和Gz为负。

对于左转和掉头动作，变化主要体现在转动角度的大小，即Ay和Gz的积分求和差异。左转情况下，Ay和Gz的求和接近90度；掉头情况下，Ay和Gz的求和接近于180度。

对于左变道和右变道动作，变化主要体现在转动过程中，左转和右转的先后顺序。具体来说，对于左变道来说，Ay和Gz先为正后为负，对于右变道来说，Ay和Gz先为负后为正，为此，定义数据斜率特征，即数据最大值和最小值构成的斜率特征来区分左右变道，显然，对于左变道来说，斜率为负，对于右变道，斜率为正。

对于转弯和变道的进一步区分，可以定义Ay和Gz的正负点比率特征，对于左转弯和掉头来说，Ay和Gz的数据几乎都为正，所以正负点比率接近正无穷；对于右转弯来说，Ay和Gz的数据几乎都为负，所以正负点比率接近0；对于左右变道来说，数据一半为正，一半为负，所以正负点比率接近1。

另外参考国内外的一些做法，添加了标准差，平均绝对差，过平均率，互相关系数等统计特征。综合以上分析，针对加速，刹车，左转，右转，掉头，左变道，右变道七种驾驶行为，基于聚类思想，本发明选择54维数据统计特征，其中所述54维数据统计特征包括：6轴数据(3轴加速度，3轴角速度)的平均值，标准差，平均绝对差，平均能量，求和，过平均率，正负点比率特征；3轴数据(Ax，Ay，Gz)的最大值，最小值，斜率特征；以及3个轴间数据(Ax和Ay，Ax和Gz，Ay和Gz)相关系数特征，共计54维特征作为这七种驾驶动作的统计特征集。

S2：利用惯性传感器进行驾驶行为数据采集，具体的本发明惯性传感器采用LSM6DS33，所述LSM6DS33集成了3轴加速度传感器和3轴角速度传感器，满足实验要求。具体地，将传感器水平放置，Z轴垂直向上，X轴指向车头，Y轴指向车体左侧，满足右手坐标系。采样频率设置50Hz，对于驾驶动作这种低频信号，此采样率完全满足要求。

S3：利用卡尔曼滤波器对所述数据进行滤波；考虑到真实路况，路面颠簸，车辆震动等存在大量噪声，数据需要进行滤波处理。本发明采用卡尔曼滤波器，所述卡尔曼滤波器对于线性系统有很好的滤波特性，本发明用卡尔曼滤波器对数据高频分量进行滤除。

图2所示为本发明卡尔曼滤波器(左变道动作)效果示意图，如图2所示，对于线性系统来说，卡尔曼滤波器具有良好性能。在真实的行车条件下，车辆大部分时间处于匀速前行状态；另一方面，基于路况不同，驾驶动作经历长短不同的时间跨度，所以需要对滤波之后的数据进行窗函数提取有效驾驶行为数据。

S4:对滤波后数据采用自适应窗函数方法提取有效驾驶行为数据，并进一步提取有效数据的统计特征，具体的，采用以能量信息做为端点检测的自适应窗函数方法，能够快速提取得到有效驾驶动作行为数据。图3所示为本发明自适应窗函数提取(左变道动作)结果图，如图3所示，分别对6轴传感器进行自适应窗函数提取，效果如图3所示，图3为左变道动作基于聚类思想的统计特征选择，将窗函数提取后的有效驾驶动作数据进行特征提取，将每一个驾驶动作转化为一条54维特征的数据，并进行归一化处理。

其中，1)能量信息

本发明以X轴加速度传感器数据为例，加速刹车动作通常持续2～4秒，以50Hz采样频率计算，设置窗函数长度为k＝75，即时间跨度1.5秒进行能量计算，公式如下：

其中，Ax(i)表示当前Ax轴的样本点数值，Ax(i-1)表示Ax轴前一个样本点数值，依次类推，共有k个样本点。

如果所计算出E的值大于所设阈值，则保存该数据，否则将该段数据舍弃。

2)端点检测

以能量信息E作为端点检测，具体来说，E值首次大于阈值，则将窗函数数据段的起始点作为动作的起始点，随后E值首次小于阈值，则将窗函数数据段的终止点作为动作的终止点。动作的起始点和终止点之间数据即为整个动作的有效行为数据。

S5：通过距离度量学习，筛选得到最优的统计特征。具体的，基于聚类思想，原始选择的54维数据很大程度上具有冗余性甚至无关性。

冗余性表现在比如Ay和Gz数据的一致性，以及平均值，求和等数据特征的相关性。无关性体现在比如垂直方向上的加速度传感器测量重力方向上的加速度信息对于分类判别不仅不起作用，甚至可能成为一项噪声干扰正确的分类识别。因此，进行有效的特征选择有很大实际意义。

基于聚类思想，利用监督信息，通过距离度量学习方法，将权重小的特征进行舍弃，不断迭代最终取得最优的特征集合。最终选择得到仅有的4维特征：X轴加速度求和，Z轴角速度求和，Y轴加速度斜率，Z轴角速度正负点比率。图4从左往右，第一个图说明Ay的斜率可以对左转弯和右转弯进行识别，特征为正表示右变道，为负表示左变道；第二个图说明Ax的求和可以将加速，刹车动作进行识别，特征为正表示加速，为负表示减速，基本为零则为其它动作；第三个图说明Gz的求和可以将左转，右转，掉头动作进行识别，特征为正表示左转或掉头，其中掉头的数值偏大，为负表示右转，基本为零则为其它动作；第四个图说明Gz的正负点比率可以进一步识别转弯和变道，特征为正表示右转，为负表示左转弯或掉头，基本为零表示其它动作。第五个图是七种动作对应相应的数字表示，其中1代表加速，2代表刹车，3代表左转，4代表右转，5代表掉头，6代表左变道，7代表右变道。实际上通过分析可以得出，Ax的求和可以将加速，刹车动作进行识别，特征为正表示加速，为负表示减速，基本为零则为其它动作；Gz的求和可以将左转，右转，掉头动作进行识别，特征为正表示左转或掉头，其中掉头的数值偏大，为负表示右转，基本为零则为其它动作；Ay的斜率可以对左转弯和右转弯进行识别，特征为正表示右变道，为负表示左变道；Gz的正负点比率可以进一步识别转弯和变道，特征为正表示右转，为负表示左转弯或掉头，基本为零表示其它动作。所以通过距离度量学习得到的最终四个特征具有实际的理论支撑。通过聚类思想的距离度量学习，进而进行特征选择，将原始54维的统计特征降为4维，取得显著效果，大大降低计算量，特征更加清晰，算法更加高效。图4所示为本发明数据在选择后的特征分布上的差异示意图，如图4所示，数据在4维特征分布上具有明显差异性。

S6：利用机器学习方法，对驾驶行为数据的统计特征进行分类，识别相应的驾驶行为，以此监督提醒驾驶者，促进出行安全。具体的，将特征数据集进行k-means聚类和SVM监督分类识别，10折交叉验证正确率。

图5所示为本发明k-means和SVM对原始54维特征以及选择后的4维特征进行分类结果图，如图5所示。可以看出，k-means聚类算法对于冗余无关信息敏感，经过特征选择后的算法识别率得到提高；SVM算法对于冗余无关信息不敏感，特征选择集与原始特征集识别率几乎相同。但是从运算复杂度来说，通过距离度量学习选择后仅剩的4维特征相较于原始的54维特征，在准确率几乎不变的前提下，降低了特征复杂度，具有高效性和优越性。

综上，本发明基于聚类思想，提出系统化的驾驶行为识别方法。本发明有着更强理论依据，且有着更好的普适性和高效性。

结合这里披露的本发明的说明和实践，本发明的其他实施例对于本领域技术人员都是易于想到和理解的。说明和实施例仅被认为是示例性的，本发明的真正范围和主旨均由权利要求所限定。

Claims (8)

1.一种系统化的基于聚类思想的驾驶行为识别方法，其特征在于，所述识别方法包括以下步骤：

S1：基于聚类思想，建立统计特征模型；

S2：利用惯性传感器进行驾驶行为数据采集；

S3：利用卡尔曼滤波器对所述数据进行滤波；

S4：对所述滤波后数据采用自适应窗函数方法提取有效驾驶行为数据，并进一步提取有效数据的统计特征；

S5：筛选得到最优的统计特征；

S6：对驾驶行为数据的统计特征进行分类，识别相应的驾驶行为。

2.根据权利要求1所述的驾驶行为识别方法，其特征在于，所述建立统计特征模型，具体的以识别驾驶动作，有目的性地选择54维统计特征，使得同类动作具有特征相似性，不同类具有差异性。

3.根据权利要求2所述的驾驶行为识别方法，其特征在于，所述识别驾驶动作包括加速，刹车，左转，右转，掉头，左变道和右变道。

4.根据权利要求1所述的驾驶行为识别方法，其特征在于，所述惯性传感器包括6轴惯性传感器，具体的包括3轴加速度和3轴角速度传感器。

5.根据权利要求2所述的驾驶行为识别方法，其特征在于，所述54维数据统计特征包括：6轴惯性传感器数据的平均值，标准差，平均绝对差，平均能量，求和，过平均率，正负点比率特征；3轴数据的最大值，最小值，斜率特征；以及3个轴间数据的相关系数特征。

6.根据权利要求1所述的驾驶行为识别方法，其特征在于，所述自适应窗函数方法提取有效驾驶行为数据，具体的以能量信息做为端点检测的自适应窗函数方法，能够快速提取得到有效驾驶动作行为数据。

7.根据权利要求6所述的驾驶行为识别方法，其特征在于，所述能量信息满足公式：

其中，Ax(i)表示当前Ax轴的样本点数值，Ax(i-1)表示Ax轴前一个样本点数值，依次类推，共有k个样本点。

8.根据权利要求1所述的驾驶行为识别方法，其特征在于，所述对驾驶行为数据的统计特征进行分类，具体的将特征数据集进行k-means聚类和SVM监督分类识别，10折交叉验证正确率。