CN108791303B - 驾驶行为检测方法、装置、电子设备和计算机可读介质 - Google Patents

驾驶行为检测方法、装置、电子设备和计算机可读介质 Download PDF

Info

Publication number
CN108791303B
CN108791303B CN201810664251.8A CN201810664251A CN108791303B CN 108791303 B CN108791303 B CN 108791303B CN 201810664251 A CN201810664251 A CN 201810664251A CN 108791303 B CN108791303 B CN 108791303B
Authority
CN
China
Prior art keywords
data
acceleration
acceleration data
dangerous driving
driving behavior
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
Application number
CN201810664251.8A
Other languages
English (en)
Other versions
CN108791303A (zh
Inventor
张航
陈奥
汪恒智
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Priority to CN201810664251.8A priority Critical patent/CN108791303B/zh
Publication of CN108791303A publication Critical patent/CN108791303A/zh
Priority to PCT/CN2018/123759 priority patent/WO2019165838A1/en
Priority to CN201880002704.9A priority patent/CN110447214B/zh
Priority to JP2018569054A priority patent/JP6832963B2/ja
Priority to SG11201811740WA priority patent/SG11201811740WA/en
Priority to CA3028630A priority patent/CA3028630C/en
Priority to AU2018286615A priority patent/AU2018286615A1/en
Priority to EP18826169.7A priority patent/EP3560171B1/en
Priority to TW107147565A priority patent/TWI704520B/zh
Priority to US16/236,418 priority patent/US20190270457A1/en
Application granted granted Critical
Publication of CN108791303B publication Critical patent/CN108791303B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W40/09—Driving style or behaviour
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B60W2520/105—Longitudinal acceleration
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/12—Lateral speed
    • B60W2520/125—Lateral acceleration

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)
  • Time Recorders, Dirve Recorders, Access Control (AREA)

Abstract

本发明提供了一种驾驶行为检测方法、装置、电子设备和计算机可读介质，涉及终端设备的技术领域。其中，该方法包括：通过移动终端上的加速度传感器采集加速度数据；其中，加速度数据包括x轴，y轴和z轴分别对应的加速度数据ax，ay和az；根据ax，ay和az的大小确定存在疑似危险驾驶行为的数据区间；提取数据区间内的加速度数据；对提取的加速度数据进行坐标变换，得到目标数据；按照预设的特征参数对目标数据进行特征提取；根据提取得到的特征确定是否存在危险驾驶行为。本发明能够及时并有效对司机的危险驾驶行为进行检测，进而优化网约车平台的派单策略。

Description

驾驶行为检测方法、装置、电子设备和计算机可读介质
技术领域
本申请涉及终端设备的技术领域，尤其涉及一种驾驶行为检测方法、装置、电子设备和计算机可读介质。
背景技术
随着我们国家公路建设的快速发展，车辆持有量也在持续增长。庞大的车辆数量带来的是交通事故的频繁发生，因此安全驾驶已经成为人们关注的重大问题。针对司机来说，存在危险驾驶行为的司机很少会意识到自己存在危险驾驶行为，这就带来了很大交通安全隐患。
特别是近两年网约车的兴起，实时检测司机的驾驶行为很有必要，实时检测司机的驾驶行为能够保证乘客人身安全的同时，也保证司机的人身安全。有些网约车司机为了尽快的接到顾客或者为了赶时间，会产生危险驾驶行为。现有的网约车平台还无法对网约车司机的驾驶行为进行检测，进而难以有效的监控和管理网约车司机的危险驾驶行为。
发明内容
有鉴于此，本申请实施例提供一种驾驶行为检测方法、装置、电子设备和计算机可读介质，用以及时并有效对司机的危险驾驶行为进行检测，进而优化网约车平台的派单策略。
为了实现上述目的，本发明实施例采用的技术方案如下：
第一方面，本申请实施例提供了一种驾驶行为检测方法，所述方法应用于移动终端，所述方法包括：通过所述移动终端上的加速度传感器采集加速度数据；其中，所述加速度数据包括x轴，y轴和z轴分别对应的加速度数据ax，ay和az；根据ax，ay和az的大小确定存在疑似危险驾驶行为的数据区间；提取所述数据区间内的所述加速度数据；对提取的所述加速度数据进行坐标变换，得到目标数据；其中，所述目标数据对应的x轴和y轴组成的平面为水平面，z轴方向与重力方向相同；按照预设的特征参数对所述目标数据进行特征提取；其中，所述特征参数至少包括以下之一：时域特征、频域特征和速度特征；根据提取得到的所述特征确定是否存在危险驾驶行为。
在本发明较佳的实施例中，通过所述移动终端上的加速度传感器采集加速度数据的步骤，包括：当所述移动终端开启驾驶行为检测功能时，获取所述移动终端上的加速度传感器采集的加速度数据。
在本发明较佳的实施例中，所述方法还包括：如果所述移动终端启动导航功能和/或通过网约车平台接单，开启所述驾驶行为检测功能。
在本发明较佳的实施例中，根据ax，ay和az的大小确定存在疑似危险驾驶行为的数据区间的步骤，包括：根据ax，ay和az计算总加速度；统计所述总加速度大于设定阈值的连续个数；若所述连续个数大于设定个数，将连续的所述总加速度对应的加速度数据区间确定为疑似危险驾驶行为的数据区间。
在本发明较佳的实施例中，根据ax，ay和az计算总加速度的步骤，包括：计算总加速度
Figure BDA0001707217620000021
或者，计算总加速度a＝ax+ay+az。
在本发明较佳的实施例中，对提取的所述加速度数据进行坐标变换的步骤，包括：对提取的所述加速度数据进行高通滤波，分离出低频的加速度数据；将所述低频的加速度数据的方向作为重力方向；根据所述重力方向与az方向间的角度构造旋转矩阵；将提取的所述加速度数据乘以所述旋转矩阵，实现所述加速度数据的坐标变换。
在本发明较佳的实施例中，所述将提取的所述加速度数据乘以所述旋转矩阵的步骤之后，所述方法还包括：通过奇异值分解方法，将旋转后的ax或ay对应的坐标轴调整至与当前驾驶方向一致。
在本发明较佳的实施例中，按照预设的特征参数对所述目标数据进行特征提取的步骤，包括：如果所述特征参数包括时域特征，计算所述目标数据在各个轴向上的加速度最大值、加速度最小值、加速度均值和加速度方差；如果所述特征参数包括频域特征，通过短时傅里叶变换将所述目标数据转换为频域数据，计算所述频域数据对应的频域特征；如果所述特征参数包括速度特征，在各个轴向上对所述目标数据进行积分，根据积分结果确定在各个轴向上的速度最大值、速度最小值和速度终值。
在本发明较佳的实施例中，计算所述频域数据对应的频域特征的步骤，包括：计算所述频域数据对应的高频能量值、低频能量值和低频持续时长。
在本发明较佳的实施例中，根据提取得到的所述特征确定是否存在危险驾驶行为的步骤，包括：将提取得到的所述特征输入至所述移动终端上的决策树模型，输出包含是否存在危险驾驶行为的决策结果；其中，所述决策树模型是预先根据危险驾驶行为对应的特征参数训练得到的。
在本发明较佳的实施例中，所述方法还包括：如果存在危险驾驶行为，保存所述危险驾驶行为对应的加速度数据。
在本发明较佳的实施例中，所述方法还包括：按照设定的周期，向指定服务器发送保存的所述加速度数据；或者，如果保存的所述加速度数据达到设定量，向指定服务器发送保存的所述加速度数据。
第二方面，本发明实施例还提供一种驾驶行为检测装置，所述装置应用于移动终端，所述装置包括：采集模块，用于通过所述移动终端上的加速度传感器采集加速度数据；其中，所述加速度数据包括x轴，y轴和z轴分别对应的加速度数据ax，ay和az；第一确定模块，用于根据ax，ay和az的大小确定存在疑似危险驾驶行为的数据区间；数据提取模块，用于提取所述数据区间内的所述加速度数据；坐标变换模块，用于对提取的所述加速度数据进行坐标变换，得到目标数据；其中，所述目标数据对应的x轴和y轴组成的平面为水平面，z轴方向与重力方向相同；特征提取模块，用于按照预设的特征参数对所述目标数据进行特征提取；其中，所述特征参数至少包括以下之一：时域特征、频域特征和速度特征；第二确定模块，用于根据提取得到的所述特征确定是否存在危险驾驶行为。
在本发明较佳的实施例中，所述采集模块用于：当所述移动终端开启驾驶行为检测功能时，获取所述移动终端上的加速度传感器采集的加速度数据。
在本发明较佳的实施例中，所述装置还包括：开启模块，用于在所述移动终端启动导航功能和/或通过网约车平台接单的情况下，开启所述驾驶行为检测功能。
在本发明较佳的实施例中，所述第一确定模块包括：计算单元，用于根据ax，ay和az计算总加速度；统计单元，用于统计所述总加速度大于设定阈值的连续个数；确定单元，用于在所述连续个数大于设定个数的情况下，将连续的所述总加速度对应的加速度数据区间确定为疑似危险驾驶行为的数据区间。
在本发明较佳的实施例中，所述计算单元用于：计算总加速度
Figure BDA0001707217620000041
或者，计算总加速度a＝ax+ay+az。
在本发明较佳的实施例中，所述坐标变换模块用于：对提取的所述加速度数据进行高通滤波，分离出低频的加速度数据；将所述低频的加速度数据的方向作为重力方向；根据所述重力方向与az方向间的角度构造旋转矩阵；将提取的所述加速度数据乘以所述旋转矩阵，实现所述加速度数据的坐标变换。
在本发明较佳的实施例中，所述装置还包括：调整模块，用于将提取的所述加速度数据乘以所述旋转矩阵的步骤之后，通过奇异值分解装置，将旋转后的ax或ay对应的坐标轴调整至与当前驾驶方向一致。
在本发明较佳的实施例中，所述特征提取模块用于：在所述特征参数包括时域特征的情况下，计算所述目标数据在各个轴向上的加速度最大值、加速度最小值、加速度均值和加速度方差；在所述特征参数包括频域特征的情况下，通过短时傅里叶变换将所述目标数据转换为频域数据，计算所述频域数据对应的频域特征；在所述特征参数包括速度特征的情况下，在各个轴向上对所述目标数据进行积分，根据积分结果确定在各个轴向上的速度最大值、速度最小值和速度终值。
在本发明较佳的实施例中，所述特征提取模块还用于：计算所述频域数据对应的高频能量值、低频能量值和低频持续时长。
在本发明较佳的实施例中，所述第二确定模块用于：将提取得到的所述特征输入至所述移动终端上的决策树模型，输出包含是否存在危险驾驶行为的决策结果；其中，所述决策树模型是预先根据危险驾驶行为对应的特征参数训练得到的。
在本发明较佳的实施例中，所述装置还包括：保存模块，用于在存在危险驾驶行为的情况下，保存所述危险驾驶行为对应的加速度数据。
在本发明较佳的实施例中，所述装置还包括：第一发送模块，用于按照设定的周期，向指定服务器发送保存的所述加速度数据；或者，第二发送模块，用于在保存的所述加速度数据达到设定量的情况下，向指定服务器发送保存的所述加速度数据。
第三方面，本发明实施例提供了一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当网络侧设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面任一所述的方法。
第四方面，本发明实施例提供了一种计算机可读介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面任一所述的方法。
本发明实施例提供了一种驾驶行为检测方法、装置、电子设备和计算机可读介质，在本实施例中，将移动终端的加速度传感器采集到的数据进行分析处理，得到目标数据，进而按照预设的特征参数对目标数据进行特征提取，并基于特征提取结果确定司机是否存在危险驾驶行为。通过该方式，能够通过移动终端及时并有效的对司机的驾驶行为进行检测，以确定司机是否存在危险驾驶行为。针对网约车平台，通过有效并及时的检测司机的危险驾驶行为，能够在保证司机和乘客的人身安全的同时，优化网约车平台的派单策略，进而实现对网约车平台的进一步优化。
为使本申请实施例的上述目的、特征和优点能更明显易懂，下面将结合实施例，并配合所附附图，作详细说明。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例所提供的一种可选的驾驶行为检测方法的应用场景的示意图；
图2示出了本发明实施例所提供的一种驾驶行为检测方法的流程图；
图3示出了本发明实施例所提供的一种加速度传感器坐标系的示意图；
图4示出了本发明实施例所提供的另一种驾驶行为检测方法的流程图；
图5示出了本发明实施例所提供的一种将y轴旋转到与车辆的当前驾驶方向一致后的效果示意图；
图6示出了本发明实施例所提供的另一种驾驶行为检测方法的流程图；
图7示出了本发明实施例所提供的一种频域特征中时间和频率之间的对应关系的示意图；
图8示出了本发明实施例所提供的一种频域特征中时间、频率和能量值之间的对应关系的示意图；
图9a示出了本发明实施例所提供的一种车辆急减速的示意图；
图9b示出了本发明实施例所提供的一种车辆急转弯的示意图；
图9c示出了本发明实施例所提供的一种车辆急加速的示意图；
图10示出了本发明实施例所提供的另一种驾驶行为检测方法的流程图；
图11示出了本发明实施例所提供的一种驾驶行为检测装置的示意图；
图12示出了本发明实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。以下对本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
随着移动终端的快速发展，移动终端使得人们的生活越来越便捷，例如：移动终端通过第三方支付平台可以为用户提供在线支付服务，移动终端还可以通过网约车平台为用户提供网约车服务等。
参见图1所示的为一种可选的驾驶行为检测方法的应用场景的示意图，在图1中示意出服务器，以及与该服务器分别通信连接的司机侧移动终端(以下均简称为移动终端)。其中，移动终端安装有司机客户端(或称为司机端APP)。在通过图1中所示的移动终端按照本实施例中所提供的方法进行危险驾驶行为的检测时，该移动终端应当放置在当前车辆中。
在本实施例中，该驾驶行为检测方法的应用场景可以为网约车，还可以为私家车。当应用场景为网约车时，该服务器可以为网约车对应的服务器，该司机客户端可以为网约车车主客户端。当应用场景为私家车时，该服务器可以为私家车对应的服务器，该司机客户端可以为私家车车主客户端。
但是，不论是网约车版本，还是私家车版本，均能够在移动终端开启驾驶行为检测功能时，对司机的驾驶行为进行检测。
当应用场景为网约车时，如果司机需要驾驶行为检测服务，可以登录网约车车主客户端，并通过该网约车车主客户端开启驾驶行为检测功能，在驾驶行为检测功能开启之后，就能够实时的检测司机的驾驶行为，以确定司机是否存在危险驾驶行为。如果确定出司机存在危险驾驶行为，那么将通过该网约车车主客户端提醒司机当前处于危险驾驶状态，以提醒司机调整驾驶行为。除此之外，网约车车主客户端还可以在联网的情况下，将司机的危险驾驶行为数据上传至服务器中进行记录。服务器在获取到网约车车主客户端发送的危险驾驶行为数据之后，就可以基于该数据对司机进行评价，以确定该司机的等级。同时，在本发明实施例中，还可以根据该危险驾驶行为数据进行派单策略的调整。
当应用场景为私家车时，如果司机需要驾驶行为检测服务，可以登录私家车车主客户端，并通过私家车车主客户端开启驾驶行为检测功能，在驾驶行为检测功能开启之后，就能够实时的检测司机的驾驶行为，以确定司机是否存在危险驾驶行为。如果确定出司机存在危险驾驶行为，那么将通过该私家车车主客户端提醒司机当前处于危险驾驶状态，以提醒司机调整驾驶行为。除此之外，私家车车主客户端还可以在联网的情况下，将司机的危险驾驶行为数据上传至服务器中进行记录。服务器在获取到私家车车主客户端发送的危险驾驶行为数据之后，可以基于该数据对该司机的危险驾驶行为进行统计。例如，统计每个月(或者每个星期)该司机发生危险驾驶行为的次数，以及发生危险驾驶行为的时间，以及发生危险驾驶行为的路段等等。在统计得到上述数据之后，就能够通过私家车车主客户端向司机推送上述数据，以使司机基于该数据对自身的驾驶行进行调整。例如，该司机在某个路段出现危险驾驶行为的次数较多，那么该司机再次经过该路段时，就可以对自身的驾驶行为进行注意和调整，从而进一步的提高司机在驾驶过程中的安全程度。
司机侧移动终端具体可以为司机的手机、ipad等移动终端，也可以为司机车辆内安装的车载设备等，本实施例中不做具体限定。
在本实施例中，提供了一种驾驶行为检测方法、装置、电子设备和计算机可读介质，通过该驾驶行为检测方法，能够检测司机的驾驶行为中是否存在危险驾驶行为，其中，危险驾驶行为包括但不限于以下行为：急减速，急转弯，急加速和急刹车等。
实施例一
参见图2所示的一种驾驶行为检测方法的流程图，该方法可以应用于移动终端，该移动终端上设置有司机客户端，该移动终端可以对司机的驾驶行为进行检测，以确定司机是否存在危险驾驶行为。
图2所示的驾驶行为检测方法以应用在移动终端，且应用场景为网约车平台为例进行说明，该方法包括如下步骤：
步骤S202，通过所述移动终端上的加速度传感器采集加速度数据；其中，所述加速度数据包括x轴，y轴和z轴分别对应的加速度数据ax，ay和az；
目前的智能移动终端上普遍包含加速度传感器、陀螺仪等传感器装置。通过获取上述传感器采集的数据，并对该数据加以处理即可判断出司机是否存在危险驾驶行为，同时还可以通过智能移动终端的无线传输功能将相应数据发送至服务器。
在本实施例中，主要获取加速度传感器采集到的加速度数据，其中，该加速度传感器可以为三轴加速度传感器。该三轴加速度传感器在采集移动终端的加速度数据之后，将得到x，y，z三个方向的加速度数据，依次为：ax，ay和az。如图3所示，当移动终端与水平面呈一定角度时，x，y，z三轴构成的坐标如图3所示。
步骤S204，根据ax，ay和az的大小确定存在疑似危险驾驶行为的数据区间；由于危险驾驶行为并不是一直出现的，而是出现在某个时段，因此，在本实施例中，在获取到加速度数据ax，ay和az后，基于加速度数据ax，ay和az的大小确定存在疑似危险驾驶行为的数据区间，并在确定出该数据区间之后，执行下述步骤S206。
步骤S206，提取所述数据区间内的所述加速度数据；在本实施例中，在确定出存在疑似危险驾驶行为的数据区间之后，就可以提取该数据区间内的加速度数据，并执行下述步骤S208。
步骤S208，对提取的所述加速度数据进行坐标变换，得到目标数据；其中，所述目标数据对应的x轴和y轴组成的平面为水平面，z轴方向与重力方向相同。由于移动终端在车辆中的姿态可能存在多种情况，例如，如
图3所示，移动终端与水平面呈一定角度。此时，需要对步骤S206中提取到的加速度数据进行坐标变换，其中，坐标变换的结果为目标数据对应的x轴和y轴组成的平面为水平面，z轴方向与重力方向相同。如图3所示，将z轴旋转至z’，将y轴旋转至y’。
在对提取到的加速度数据进行坐标变换，得到目标数据之后，就可以执行步骤S210，按照预设的特征参数对所述目标数据进行特征提取；其中，所述特征参数至少包括以下之一：时域特征、频域特征和速度特征；
步骤S212，根据提取得到的所述特征确定是否存在危险驾驶行为。
需要说明的是，在本实施例中，危险驾驶行为包括但不限于以下行为：急减速，急转弯，急加速和急刹车等。
在本实施例中，通过上述方式，能够通过移动终端及时并有效的对司机的驾驶行为进行检测，以确定司机是否存在危险驾驶行为。针对网约车平台，通过有效并及时的检测司机的危险驾驶行为，能够在保证司机和乘客的人身安全的同时，优化网约车平台的派单策略，进而实现对网约车平台的进一步优化。
下面将结合具体实施方式介绍该驾驶行为检测方法。
通过上述描述可知，在本实施例中，首先通过移动终端上的三轴加速度传感器采集移动终端的加速度数据，该加速度数据包括x，y，z三个轴向上分别对应的加速度数据ax，ay和az；例如，如图3中所示的x，y，z三个轴向上分别对应的加速度数据。
在本实施例中，由于三轴加速度传感器设置于移动终端，且一直处于工作状态，也即，该三轴加速度传感器一直采集移动终端的加速度数据。但是，在本发明实施例中，可以设置一种加速度数据的获取机制。
该加速度数据的获取机制可以描述为：当所述移动终端开启驾驶行为检测功能时，获取所述移动终端上的加速度传感器采集的加速度数据。
也就是说，在本实施例中，当移动终端开启驾驶行为检测功能时，则获取移动终端上的加速度传感采集到的移动终端的加速度数据。确定是否开启驾驶行为检测功能的条件包括以下几种：
条件一、如果移动终端启动导航功能，开启所述驾驶行为检测功能。
具体地，如果移动终端上的司机客户端检测到移动终端的导航功能被开启，则该司机客户端开启驾驶行为的检测功能。
例如，某私家车司机由A地前往B地，在驾驶车辆之前或者在驾驶车辆的过程中开启了移动终端上的某导航软件，并启动了该导航软件的导航功能。此时，移动终端上的私家车车主客户端在检测到某导航软件的导航功能被开启之后，则开启驾驶行为的检测功能。并在开启该检测功能之后，获取移动终端上的加速度传感采集的加速度数据。
在获取到加速度数据之后，就可以根据加速度数据确定存在疑似危险驾驶行为的数据区间，并提取该数据区间内的加速度数据；以及对提取到的加速度数据进行坐标变换，得到目标数据；并在得到目标数据之后，按照预设的特征参数对目标数据进行特征提取，并根据提取到的特征确定是否存在危险驾驶行为。
如果确定出存在危险驾驶行为，那么可以将该危险驾驶行为的相关数据上传至服务器中进行保存和分析，相关数据包括但不限于以下数据：数据区间内的加速度数据，危险驾驶行为的发生时间，危险驾驶行为的发生地点(发生路段)，危险驾驶行为的持续时间。
如果服务器获取到大量司机的大量危险驾驶行为的相关数据，以及获取到大量司机的属性信息(例如，性别、年龄、职业等)，那么该服务器可以根据该属性信息对危险驾驶行为的相关数据进行大数据分析。其中，分析结果包括但不限于以下内容：危险驾驶行为发生频率最高的位置(路段)，危险驾驶行为发生频率最高的性别，危险驾驶行为发生频率最高的年龄，危险驾驶行为发生频率最高的职业等等。
通过上述描述可知，采用本实施例所提供的方法，不仅能够及时并有效的对司机的危险驾驶行为进行检测，还能够基于已经检测到的危险驾驶行为进行大数据分析。该分析结果有助于危险驾驶行为发生频率最高的人群及时发现并校正自己的危险驾驶行为。同时，危险驾驶行为发生频率最高的位置(或者路段)也能够为有关交通部门敲响警钟，以对该路段进行适应性整改。
条件二、如果移动终端通过网约车平台接单，开启所述驾驶行为检测功能。
具体地，如果移动终端上的网约车车主客户端检测到网约车司机通过网约车平台接单时，则开启驾驶行为的检测功能。
例如，某网约车司机在网约车车主客户端上接单时，则网约车车主客户端开启驾驶行为检测功能。并在开启该检测功能之后，获取移动终端上的加速度传感采集的加速度数据。
在此情况下，移动终端上的司机客户端与网约车车主客户端可以为一个客户端。在网约车司机未接单时，则该驾驶行为检测功能不会被开启，一旦司机客户端检测到网约车司机接单，则开启驾驶行为检测功能。
在获取到加速度数据之后，就可以根据加速度数据确定存在疑似危险驾驶行为的数据区间，并提取该数据区间内的加速度数据；以及对提取到的加速度数据进行坐标变换，得到目标数据；并在得到目标数据之后，按照预设的特征参数对目标数据进行特征提取，并根据提取到的特征确定是否存在危险驾驶行为。
如果确定出存在危险驾驶行为，那么可以将该危险驾驶行为的相关数据上传至服务器中进行保存和分析，相关数据包括但不限于以下数据：数据区间内的加速度数据，危险驾驶行为的发生时间，危险驾驶行为的发生地点(发生路段)，危险驾驶行为的持续时间。
在本实施例中，可以按照设定的周期，向指定服务器发送该危险驾驶行为的相关数据，例如，按照设定的周期，向指定服务器发送保存的加速度数据。或者，如果保存的危险驾驶行为的相关数据达到设定量，向指定服务器发送保存的危险驾驶行为的相关数据。例如，如果保存的加速度数据达到设定量，向指定服务器发送保存的加速度数据。
服务器在获取到司机客户端发送的危险驾驶行为的相关数据之后，就可以基于该相关数据对司机进行评价，以确定该司机的等级。同时，在本发明实施例中，还可以根据该危险驾驶行为数据进行派单策略的调整。
例如，服务器经过对危险驾驶行为的相关数据进行分析可知，某网约车司机在某个路段上出现危险驾驶行为的频率较高，此时，可以调整派单策略，以减少该路段上对该网约车司机的派单量。相反地，如果某网约车司机在另外一个路段上出现危险驾驶行为的频率非常低(几乎为零)，此时，可以调整派单策略，以增加该路段上对该网约车司机的派单量。
通过上述描述可知，采用本实施例所提供的方法，不仅能够以及时并有效对司机的危险驾驶行为进行检测，还能够基于危险驾驶行为的检测结果优化网约车的派单策略，进而实现对网约车平台的进一步优化。
条件三、如果移动终端启动导航功能和通过网约车平台接单，开启所述驾驶行为检测功能。
具体地，如果移动终端上的网约车车主客户端检测到移动终端的导航功能被开启，且检测到网约车司机通过网约车平台接单时，则开启驾驶行为的检测功能。
例如，某网约车司机在网约车车主客户端上接单时，且在驾驶车辆之前或者在驾驶车辆的过程中开启了移动终端上的某导航软件，并启动了该导航软件的导航功能，则网约车车主客户端开启驾驶行为检测功能。并在开启该检测功能之后，获取移动终端上的加速度传感采集的加速度数据。
在获取到加速度数据之后，对加速度数据的处理过程如上述条件二中的处理过程，此处不再赘述。
在本实施例中，在通过上述描述的条件一至条件三中的任意一个条件确定出开启驾驶行为检测功能之后，就可以获取移动终端上的加速度传感器采集的加速度数据ax，ay和az；并根据ax，ay和az的大小确定存在疑似危险驾驶行为的数据区间。
在一个可选的实施方式中，如图4所示，根据ax，ay和az的大小确定存在疑似危险驾驶行为的数据区间的步骤，包括如下步骤：
步骤S401，根据ax，ay和az计算总加速度；其中，根据ax，ay和az计算总加速度的步骤，包括：计算总加速度
Figure BDA0001707217620000151
或者，计算总加速度a＝ax+ay+az；
步骤S402，统计所述总加速度大于设定阈值的连续个数；
步骤S403，若所述连续个数大于设定个数，将连续的所述总加速度对应的加速度数据区间确定为疑似危险驾驶行为的数据区间。
具体地，在本实施例中，首先，通过移动终端上的加速度传感器采集加速度数据ax，ay和az；然后，将加速度数据ax，ay和az合成得到总加速度。其中，总加速度的计算公式为：
Figure BDA0001707217620000152
或者a＝ax+ay+az。在得到总加速度之后，对总加速度进行监控，具体可以对总加速度的数值进行统计，以统计得到总加速度中大于设定阈值的总加速度的连续个数。如果确定出连续个数大于设定个数，则将连续的总加速度对应的加速度数据区间确定为疑似危险驾驶行为的数据区间。
需要说明的是，在本实施例中，设定阈值和设定个数为预先选取的，用户可以根据实际需要来调整设定阈值的大小和设定个数的大小，本实施例中不做具体限定。
一般情况下，加速度传感器在采集加速度数据时，采集频率是固定不变的，因此，在本实施例中，还可以将设定个数换算成时间。假设，在设定时间段内，所能得到的总加速度的个数为设定个数。
例如，在加速度传感器采集到加速度数据之后，利用公式
Figure BDA0001707217620000153
或者a＝ax+ay+az计算加速度数据的总加速度。统计总加速度连续大于设定阈值的时间是否超过设定时间段。如果超过设定时间段，则将设定时间段内的总加速度对应的加速度数据区间确定为存在疑似危险驾驶行为的数据区间。优选地，上述设定时间段可以选取为5秒。也即，如果检测到总加速度连续大于设定阈值的时间超过5秒，则将5秒内的总加速度对应的加速度数据区间确定为存在疑似危险驾驶行为的数据区间。
在通过上述步骤S401至步骤S403所描述的方式确定存在疑似危险驾驶行为的数据区间之后，就可以提取该数据区间内的加速度数据。然后，对提取到的加速度数据进行坐标变换，得到目标数据。
通过上述描述可知，由于移动终端放置于车辆中，当总加速度大于设定阈值时，则表明移动终端出现大加速度。出现大加速度的原因包括以下两种：一种是车辆行驶颠簸或者使用者的晃动；另一种是危险驾驶时的猛烈加速度。在本实施例中，需要对上述两种原因进行区分。为了区分是车辆行驶的颠簸，还是危险驾驶行为，需要对步骤S206中提取到的加速度数据进行归一化处理，从而得到归一化处理之后的数据(也即，上述目标数据)；并从归一化处理之后的数据中进行特征提取；最后，基于提取到的特征确实能够是否存在危险驾驶行为。
在本实施例中，对步骤S206中提取到的三轴加速度数据进行归一化处理的目的是将该加速度数据调整为移动终端与当前车辆处于同一姿态下。由于加速度传感器采集到的加速度数据是基于移动终端自身坐标系而言的数据，如果移动终端相对当前车辆的姿态不同，即使移动终端与当前车辆具有完全相同的行驶轨迹，那么也会采集到完全不同的数据。所以需要对加速度数据进行归一化处理，以消除移动终端姿态的影响。
上述归一化处理主要包括两步：第一步、先将加速度传感器的三轴旋转到其中的z轴与重力加速度g的方向一致(如图3中z’和y’所示)；第二步、将其余的x轴或者y轴旋转到与车辆的当前驾驶方向一致，如图5所示。
如图6所示，在一个可选的实施方式中，步骤S208，对提取的所述加速度数据进行坐标变换的步骤，包括如下步骤：
步骤S601，对提取的所述加速度数据进行高通滤波，分离出低频的加速度数据；
步骤S602，将所述低频的加速度数据的方向作为重力方向；
步骤S603，根据所述重力方向与az方向间的角度构造旋转矩阵；
步骤S604，将提取的所述加速度数据乘以所述旋转矩阵，实现所述加速度数据的坐标变换。
上述步骤S206中提取到的加速度数据为数据区间内，在x，y，z三个轴向上分别对应的加速度数据ax，ay和az。在本实施例中，首先对上述步骤S206中提取到的加速度数据进行高通滤波，以分离出低频的加速度数据。
由于重力加速度g的方向是恒定的，因此，可以认为其是低频信号。在对步骤S206中提取到的加速度数据的三个分量进行高通滤波后，可以将重力加速度信号进行分离，从而将低频的加速度数据的方向作为重力的方向。在得到重力方向之后，就可以根据重力方向与az方向间的角度构造旋转矩阵；最后，将加速度数据乘以该旋转矩阵，就能够实现加速度的坐标变换，使得z轴和重力g的方向一致。
在本实施例中，令
Figure BDA0001707217620000171
s＝||v||，
Figure BDA0001707217620000172
则旋转矩阵R可以表示为：
Figure BDA0001707217620000173
其中，g是重力方向向量，I是3*3的单位阵，z是(0，0，1)向量，v是g归一化后的向量和向量z的叉积，c是g归一化后的向量和向量z的点积，其中，
Figure BDA0001707217620000174
在本实施例中，可以将该旋转矩阵
Figure BDA0001707217620000175
乘以步骤S206中提取到的加速度数据；进而实现将加速度数据进行坐标变换。通过该坐标变换，能够使得z轴和重力g的方向一致(如图3所示)，且使x，y轴在水平面上(如图3所示)。
在本实施例中，在将步骤S206中提取的所述加速度数据乘以所述旋转矩阵的步骤之后，还可以通过奇异值分解方法，将旋转后的ax或ay对应的坐标轴调整至与当前驾驶方向一致。
奇异值分解(Sigular Value Decomposition，SVD)是一种正交矩阵分解法，SVD是最可靠的分解法。奇异值分解方法可以表示为：[U,S,V*]＝SVD(A)，其中，U和V*代表两个相互正交矩阵，S代表一个对角矩阵，A为原矩阵。
在通过上述方式对加速度数据进行坐标变换之后，x，y轴在水平面上，但是，x轴和y轴与当前车辆的驾驶方向的夹角是不确定的。假设移动终端和当前车辆的相对位置保持不变，即移动终端固定在当前车辆上。在本实施例中，通过奇异值分解(SVD)的方法，能够将旋转后的ax或ay对应的坐标轴调整至与当前驾驶方向一致。例如，在数据区间(例如，上述设定时间段5秒)内采样得到300个点，得到300*3的矩阵M，之后，对矩阵M进行SVD分解。其中，对矩阵M进行SVD分解的分解公式可以表示为：M＝USV*，其中，M即为原矩阵，U和S作为新的归一化后的数据。其中，新的归一化后的数据为将旋转后的ax或ay对应的坐标轴调整至与当前驾驶方向一致之后得到的数据。
在本实施例中，在按照上述步骤S601至步骤S604所描述的方法得到目标数据之后，以及通过奇异值分解方法，将旋转后的ax或ay对应的坐标轴调整至与当前驾驶方向一致之后，就可以按照预设的特征参数对所述目标数据进行特征提取。
通过上述描述可知，在本实施例中，特征参数包括以下至少之一：时域特征、频域特征和速度特征。在按照上述特征参数对目标数据进行特征提取之后，将得到目标数据的时域特征、频域特征和速度特征。在本实施例中，可以通过目标数据的时域特征、频域特征和速度特征中的至少之一来判断司机是否存在危险驾驶行为。
例如，通过目标数据的时域特征来判断司机是否存在危险驾驶行为；
又例如，通过目标数据的时域特征和频域特征来判断司机是否存在危险驾驶行为；
又例如，通过目标数据的时域特征、频域特征和速度特征来判断司机是否存在危险驾驶行为。
(1)如果所述特征参数包括时域特征，按照时域特征对所述目标数据进行特征提取的步骤，包括：计算所述目标数据在各个轴向上的加速度最大值、加速度最小值、加速度均值和加速度方差。
时域特征中包括以下几种特征：x、y、z三个轴向中各个轴向上的加速度的最大值，加速度最小值、加速度均值和加速度方差。因此，在本实施例中，在对目标数据进行时域特征的特征提取时，可以提取目标数据在各个轴向上的加速度最大值、加速度最小值、加速度均值和加速度方差。
其中，目标数据在各个轴向上的加速度最大值可以表示为：Max(ax)，Max(ay)，Max(az)。目标数据在各个轴向上的加速度最小值可以表示为：Min(ax)，Min(ay)，Min(az)。目标数据在各个轴向上的加速度均值可以表示为：mean(ax)，mean(ay)和mean(az)。目标数据在各个轴向上的加速度方差可以表示为：var(ax)，var(ay)和var(az)。
(2)如果所述特征参数包括频域特征，按照频域特征对所述目标数据进行特征提取的步骤，包括：通过短时傅里叶变换将所述目标数据转换为频域数据，计算所述频域数据对应的频域特征。
频域特征是指对目标数据进行短时傅里叶变换(Short-Time FourierTransform，STFT)之后，得到的频域信号。
关于目标数据的频域特征，可以利用短时傅里叶变换STFT方法对目标数据进行傅里叶变换，变换结果为一个二维矩阵，该二维矩阵中包括时间和频率之间的对应关系，该对应关系可以如图7所示。
如图7中所示的每个格子都会对应一个值，该值表示在t时刻的时间范围内该频率下的能量值，该能量值、时间和频率之间的对应关系可以表示通过图8来表示。图8中，能量值H表示0至0.5秒内，0到1Hz内的能量值。
在本实施例中，认为危险驾驶行为是频率较低的，而晃动或者普通颠簸是频率较高的。且危险驾驶行为会有相对长的时间，也就是在低频上会有相对较长的持续时间。晃动或者普通的颠簸一般持续时间较短，因此，在高频上的持续时间不会很长。因此，在本实施例中，可以通过分析目标数据的频域特征来判断司机是否存在危险驾驶行为。
可选地，计算所述频域数据对应的频域特征的步骤，包括：计算所述频域数据对应的高频能量值、低频能量值和低频持续时长。
具体地，在通过目标数据的频域特征来判断司机是否存在危险驾驶行为时，可以分析频域特征中低频信号和高频信号的能量值的比值，以及分析低频的持续时长为特征，来判断司机是否存在危险驾驶行为。在本实施例中，可选地，定义1Hz以下为低频，2Hz以上为高频。除此之外，还可以按照其他方式对低频和高频进行定义。
频域特征中低频信号和高频信号的能量值的比值可以表示为：
Figure BDA0001707217620000201
maxtP(t,f<1Hz)表示当频率小于1赫兹(Hz)时，所对应的最大能量值，maxtP(t,f>2Hz)表示当频率大于2赫兹(Hz)时，所对应的最大能量值；P(t,f)表示短时傅里叶变换STFT计算出的能量密度函数。
通过
Figure BDA0001707217620000202
来确定低频信号与高频信号的能量值的比值的方式，能够确定主要能量在高频还是低频。
接下来，确定低频的持续时长，在确定低频持续时长这一特征时，需要先确定一个阈值thresh＝maxtP(t,f<1Hz)，该阈值表示低频时的最大能量值。然后，将该阈值乘以一个系数α(例如小于1的正数)，用来判断低频的持续时长。
具体地，低频持续时长可以表示为：
Figure BDA0001707217620000211
上述表达式中的T表示第一个超过阈值的时刻到最后一个超过阈值的时刻的差值。
(3)如果所述特征参数包括速度特征，按照速度特征对所述目标数据进行特征提取的步骤，包括：在各个轴向上对所述目标数据进行积分，根据积分结果确定在各个轴向上的速度最大值、速度最小值和速度终值。
在本实施例中，在按照上述所描述的方法对目标数据进行特征提取得到目标数据的时域特征，频域特征和速度特征之后，就可以基于上述三种的特征的至少一种特征确定司机是否存在危险驾驶行为。
在一个可选的实施方式中，根据提取得到的所述特征确定是否存在危险驾驶行为的步骤，包括：
将提取得到的特征输入至所述移动终端上的决策树模型，输出包含是否存在危险驾驶行为的决策结果；其中，所述决策树模型是预先根据危险驾驶行为对应的特征参数训练得到的。
在本实施例中，可以预先将训练好的决策树模型(例如，xgboost)存储在移动终端的司机客户端上。当需要通过该决策树模型来对司机的危险驾驶行为进行分析时，可以调用该决策树模型，以通过该决策树模型对司机的危险驾驶行为进行分析。
在本实施例中，可以分析但不限于以下危险驾驶行为：急减速(如图9a所示)，急转弯(如图9b所示)，急加速(如图9c所示)和急刹车等。
假设，利用时域特征、频域特征和速度特征判断司机是否存在危险驾驶行为，具体过程描述如下：
按照上述步骤S202至步骤210所描述的方法确定目标数据，并从目标数据中提取时域特征、频域特征和速度特征；然后，将时域特征、频域特征和速度特征输入至训练好的决策树模型中。决策树模型就能够根据该时域特征、频域特征和速度特征来确定司机是否存在危险驾驶行为；以及在确定出存在危险驾驶行为的情况下，确定是哪一种危险驾驶行为。
需要说明的是，在此情况下，决策树模型为预先通过训练样本训练之后得到的模型。训练过程描述如下：首先，获取训练样本，其中，训练样本中包括输入数据和输出数据，输入数据为时域特征、频域特征和速度特征(即，上述特征参数)，输出数据为标识信息，该标识信息表示输入数据所对应的行为是否为危险驾驶行为，以及是哪一种危险驾驶行为。之后，通过训练样本对决策树模型进行训练，得到训练好的决策树模型。
通过上述描述可知，在本实施例中，能够通过移动终端及时并有效的对司机的驾驶行为进行检测，以确定司机是否存在危险驾驶行为。针对网约车平台，通过有效并及时的检测司机的危险驾驶行为，能够在保证司机和乘客的人身安全的同时，优化网约车平台的派单策略，进而实现对网约车平台的进一步优化。
实施例二
参见图10所示的另一种驾驶行为检测方法的流程图，该方法可以应用于移动终端，该移动终端上设置有司机客户端，该移动终端可以对司机的驾驶行为进行检测，以确定司机是否存在危险驾驶行为。
图10所示的驾驶行为检测方法以应用在移动终端，且应用场景为网约车平台为例进行说明，该方法包括如下步骤：
步骤S1001，当移动终端开启驾驶行为检测功能时，通过移动终端上的加速度传感器采集加速度数据；
如果移动终端启动导航功能和/或通过网约车平台接单，则开启驾驶行为检测功能；并在开启驾驶行为检测功能之后，通过移动终端上的加速度传感器采集加速度数据。
步骤S1002，将加速度数据进行归一化处理，得到归一化处理结果；
在本实施例中，在对加速度数据ax，ay和az进行归一化处理之前，可以根据加速度数据ax，ay和az的大小确定存在疑似危险驾驶行为的数据区间；并提取数据区间内的加速度数据，之后，对提取之后得到的加速度数进行归一化处理，从而得到归一化处理之后的数据(也即，上述目标数据)；并从归一化处理之后的数据中进行特征提取；最后，基于提取到的特征确实能够是否存在危险驾驶行为。
具体地，可以根据上述实施例一中步骤S601至步骤S604所描述的方法对提取之后得到的加速度数进行归一化处理，本实施例中不再详细赘述。
步骤S1003，根据预设的特征参数从归一化处理结果进行特征提取，得到以下至少一种特征：时域特征、频域特征和速度特征；
在本实施例中，可以按照上述实施例一中所描述的方法从归一化处理结果(目标数据)中提取得到以下特征：时域特征、频域特征和速度特征。本实施例中不再详细赘述。
步骤S1004，利用训练好的决策树模型，根据上述以下至少一种特征确定司机是否存在危险驾驶行为；
在本实施例中，可以按照上述实施例一中所描述的方法确定司机是否存在危险驾驶行为，本实施例中不再详细赘述。
步骤S1005，如果存在，则将司机的危险驾驶行为上传至服务器中。
在确定出司机存在危险驾驶行为之后，可以将司机的危险驾驶行为数据上传至服务器中进行记录。服务器在获取到司机客户端发送的危险驾驶行为数据之后，就可以基于该数据对司机进行评价，以确定该司机的等级。同时，在本发明实施例中，还可以根据该危险驾驶行为数据进行派单策略的调整。
实施例三
为便于理解，本实施例提供了网约车平台采用前述实施例提供的检测方法对危险驾驶行为进行检测的具体应用实例。
场景1、此时的司机为私家车主，私家车主的移动终端放置在当前车辆中，可以通过该移动终端执行下述过程：
某私家车私家车主由A地前往B地，在驾驶车辆之前或者在驾驶车辆的过程中开启了移动终端上的某导航软件，并启动了该导航软件的导航功能。
此时，移动终端上的司机客户端在检测到某导航软件的导航功能被开启之后，则开启驾驶行为的检测功能。并在开启该检测功能之后，获取移动终端上加速度传感采集的加速度数据。
在获取到加速度数据之后，就可以根据该加速度数据确定存在疑似危险驾驶行为的数据区间，例如，如果检测到总加速度连续大于设定阈值的时间超过5秒，则将5秒内的总加速度对应的加速度数据区间确定为疑似危险驾驶行为的数据区间。总加速度为对加速度数据进行计算之后得到的速度。
在确定出存在疑似危险驾驶行为的数据区间之后，就可以对该数据区间(例如，5秒)内的加速度数据进行提取，并对提取到的加速度数据进行坐标变换等归一化处理，得到目标数据。
之后，就可以对目标数据进行特征提取，以提取以下至少一种特征参数：时域特征、频域特征和速度特征。
最后，就可以根据提取到的特征参数确定该私家车主是否存在危险驾驶行为。
场景2、此时的司机为网约车车主，网约车车主的移动终端放置在当前车辆中，可以通过该移动终端执行下述过程：
某网约车车主在网约车车主客户端上接单时，则网约车车主客户端开启驾驶行为检测功能。并在开启该检测功能之后，获取移动终端上的加速度传感采集的加速度数据。
在获取到加速度数据之后，就可以根据该加速度数据确定存在疑似危险驾驶行为的数据区间，例如，如果检测到总加速度连续大于设定阈值的时间超过5秒，则将5秒内的总加速度对应的加速度数据区间确定为疑似危险驾驶行为的数据区间。总加速度为对加速度数据进行计算之后得到的速度。
在确定出存在疑似危险驾驶行为的数据区间之后，就可以对该数据区间(例如，5秒)内的加速度数据进行提取，并对提取到的加速度数据进行坐标变换等归一化处理，得到目标数据。
之后，就可以对目标数据进行特征提取，以提取以下至少一种特征参数：时域特征、频域特征和速度特征。
最后，就可以根据提取到的特征参数确定该网约车车主是否存在危险驾驶行为。
场景3、此时的司机为网约车车主，网约车车主的移动终端放置在当前车辆中，可以通过该移动终端执行下述过程：
某网约车车主在网约车车主客户端上接单时，则网约车车主客户端开启驾驶行为检测功能。并在开启该检测功能之后，获取移动终端上的加速度传感采集的加速度数据。
在获取到加速度数据之后，就可以根据该加速度数据确定存在疑似危险驾驶行为的数据区间，例如，如果检测到总加速度连续大于设定阈值的时间超过5秒，则将5秒内的总加速度对应的加速度数据区间确定为疑似危险驾驶行为的数据区间。总加速度为对加速度数据进行计算之后得到的速度。
在确定出存在疑似危险驾驶行为的数据区间之后，就可以对该数据区间(例如，5秒)内的加速度数据进行提取，并对提取到的加速度数据进行坐标变换等归一化处理，得到目标数据。
之后，就可以对目标数据进行特征提取，以提取以下至少一种特征参数：时域特征、频域特征和速度特征。
最后，就可以根据提取到的特征参数确定该网约车车主是否存在危险驾驶行为。
如果确定出存在危险驾驶行为，那么可以将该危险驾驶行为的相关数据上传至服务器中进行保存和分析，相关数据包括但不限于以下数据：数据区间内的加速度数据，危险驾驶行为的发生时间，危险驾驶行为的发生地点(发生路段)，危险驾驶行为的持续时间。
服务器在获取到司机客户端发送的危险驾驶行为的相关数据之后，就可以基于该相关数据对司机进行评价，以确定该司机的等级。同时，在本发明实施例中，还可以根据该危险驾驶行为数据进行派单策略的调整。
场景4、此时的司机为私家车主或者网约车车主，私家车主或者网约车车主的移动终端放置在当前车辆中，可以通过该移动终端执行下述过程：
某私家车车主由A地前往B地，在驾驶车辆之前或者在驾驶车辆的过程中开启了移动终端上的某导航软件，并启动了该导航软件的导航功能。此时，移动终端上的司机客户端在检测到某导航软件的导航功能被开启之后，则开启驾驶行为的检测功能。并在开启该检测功能之后，获取移动终端上的加速度传感采集的加速度数据。
或者，某网约车车主在网约车车主客户端上接单时，则网约车车主客户端开启驾驶行为检测功能。并在开启该检测功能之后，获取移动终端上的加速度传感采集的加速度数据。
在获取到加速度数据之后，就可以根据该加速度数据确定存在疑似危险驾驶行为的数据区间，例如，如果检测到总加速度连续大于设定阈值的时间超过5秒，则将5秒内的总加速度对应的加速度数据区间确定为疑似危险驾驶行为的数据区间。总加速度为对加速度数据进行计算之后得到的速度。
在确定出存在疑似危险驾驶行为的数据区间之后，就可以对该数据区间(例如，5秒)内的加速度数据进行提取，并对提取到的加速度数据进行坐标变换等归一化处理，得到目标数据。
之后，就可以对目标数据进行特征提取，以提取得到以下特征参数：时域特征、频域特征和速度特征。
最后，将时域特征、频域特征和速度特征输入至训练好的决策树模型中。决策树模型就能够根据该时域特征、频域特征和速度特征来确定司机是否存在危险驾驶行为；以及在确定出存在危险驾驶行为的情况下，确定是哪种危险驾驶行为。
需要说明的是，在此情况下，决策树模型为预先通过训练样本训练之后得到的模型。训练过程描述如下：首先，获取训练样本，其中，训练样本中包括输入数据和输出数据，输入数据为时域特征、频域特征和速度特征，输出数据为标识信息，该标识信息表示输入数据所对应的行为是否为危险驾驶行为，以及是哪种危险驾驶行为。之后，通过训练样本对决策树模型进行训练，得到训练好的决策树模型。
实施例四
对应于前述驾驶行为检测方法，本实施例提供了一种驾驶行为检测装置，该装置应用于移动终端，参见图11所示的一种驾驶行为检测装置的结构框图，包括：
采集模块111，用于通过所述移动终端上的加速度传感器采集加速度数据；其中，所述加速度数据包括x轴，y轴和z轴分别对应的加速度数据ax，ay和az；
第一确定模块112，用于根据ax，ay和az的大小确定存在疑似危险驾驶行为的数据区间；
数据提取模块113，用于提取所述数据区间内的所述加速度数据；
坐标变换模块114，用于对提取的所述加速度数据进行坐标变换，得到目标数据；其中，所述目标数据对应的x轴和y轴组成的平面为水平面，z轴方向与重力方向相同；
特征提取模块115，用于按照预设的特征参数对所述目标数据进行特征提取；其中，所述特征参数至少包括以下之一：时域特征、频域特征和速度特征；
第二确定模块116，用于根据提取得到的所述特征确定是否存在危险驾驶行为。
在本实施例中，通过上述装置，能够通过移动终端及时并有效的对司机的驾驶行为进行检测，以确定司机是否存在危险驾驶行为。针对网约车平台，通过有效并及时的检测司机的危险驾驶行为，能够在保证司机和乘客的人身安全的同时，优化网约车平台的派单策略，进而实现对网约车平台的进一步优化。
在具体实施时，所述采集模块用于：当所述移动终端开启驾驶行为检测功能时，获取所述移动终端上的加速度传感器采集的加速度数据。
在另一种实施方式中，上述装置还可以包括：开启模块，用于在所述移动终端启动导航功能和/或通过网约车平台接单的情况下，开启所述驾驶行为检测功能。
在具体实施时，所述第一确定模块包括：计算单元，用于根据ax，ay和az计算总加速度；统计单元，用于统计所述总加速度大于设定阈值的连续个数；确定单元，用于在所述连续个数大于设定个数的情况下，将连续的所述总加速度对应的加速度数据区间确定为疑似危险驾驶行为的数据区间。
在具体实施时，计算单元用于：计算总加速度
Figure BDA0001707217620000291
或者，计算总加速度a＝ax+ay+az。
在具体实施时，所述坐标变换模块用于：对提取的所述加速度数据进行高通滤波，分离出低频的加速度数据；将所述低频的加速度数据的方向作为重力方向；根据所述重力方向与az方向间的角度构造旋转矩阵；将提取的所述加速度数据乘以所述旋转矩阵，实现所述加速度数据的坐标变换。
在另一种实施方式中，上述装置还可以包括：调整模块，用于将提取的所述加速度数据乘以所述旋转矩阵的步骤之后，通过奇异值分解装置，将旋转后的ax或ay对应的坐标轴调整至与当前驾驶方向一致。
在具体实施时，所述特征提取模块用于：在所述特征参数包括时域特征的情况下，计算所述目标数据在各个轴向上的加速度最大值、加速度最小值、加速度均值和加速度方差；在所述特征参数包括频域特征的情况下，通过短时傅里叶变换将所述目标数据转换为频域数据，计算所述频域数据对应的频域特征；在所述特征参数包括速度特征的情况下，在各个轴向上对所述目标数据进行积分，根据积分结果确定在各个轴向上的速度最大值、速度最小值和速度终值。
在具体实施时，所述特征提取模块还用于：计算所述频域数据对应的高频能量值、低频能量值和低频持续时长。
在具体实施时，所述第二确定模块用于：将提取得到的所述特征输入至所述移动终端上的决策树模型，输出包含是否存在危险驾驶行为的决策结果；其中，所述决策树模型是预先根据危险驾驶行为对应的特征参数训练得到的。
在另一种实施方式中，上述装置还可以包括：保存模块，用于在存在危险驾驶行为的情况下，保存所述危险驾驶行为对应的加速度数据。
在另一种实施方式中，上述装置还可以包括：第一发送模块，用于按照设定的周期，向指定服务器发送保存的所述加速度数据；或者，第二发送模块，用于在保存的所述加速度数据达到设定量的情况下，向指定服务器发送保存的所述加速度数据。
本实施例所提供的装置，其实现原理及产生的技术效果和前述实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
实施例五
本发明实施例提供了一种移动终端，该移动终端包括存储器以及处理器，存储器用于存储支持处理器执行前述任一项驾驶行为检测方法的程序，处理器被配置为用于执行存储器中存储的程序。
参见图12所示的一种服务器的结构示意图，具体包括处理器120，存储器121，总线122和通信接口123，处理器120、通信接口123和存储器121通过总线122连接；处理器120用于执行存储器121中存储的可执行模块，例如计算机程序。
其中，存储器121可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口123(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线122可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图12中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器121用于存储程序，处理器120在接收到执行指令后，执行程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器120中，或者由处理器120实现。
处理器120可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器120中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器120可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processing，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器121，处理器120读取存储器121中的信息，结合其硬件完成上述方法的步骤。
本实施例提供的驾驶行为检测方法可以由上述服务器执行，亦或，本实施例提供的驾驶行为检测装置可以设置于上述服务器侧。
进一步，本实施例还提供了一种计算机存储介质，用于储存为前述任一项驾驶行为检测装置所用的计算机软件指令。
本发明实施例所提供的驾驶行为检测方法、装置、电子设备和计算机可读介质的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (22)

1.一种驾驶行为检测方法，其特征在于，所述方法应用于移动终端，所述方法包括：
通过所述移动终端上的加速度传感器采集加速度数据；其中，所述加速度数据包括x轴，y轴和z轴分别对应的加速度数据ax，ay和az；
根据ax，ay和az的大小确定存在疑似危险驾驶行为的数据区间；
提取所述数据区间内的加速度数据；
对提取的所述加速度数据进行坐标变换，得到目标数据；其中，所述目标数据对应的x轴和y轴组成的平面为水平面，z轴方向与重力方向相同；
按照预设的特征参数对所述目标数据进行特征提取；其中，所述特征参数至少包括以下之一：时域特征、频域特征和速度特征；
根据提取得到的所述特征确定是否存在危险驾驶行为；
其中，根据ax，ay和az的大小确定存在疑似危险驾驶行为的数据区间的步骤，包括：
根据ax，ay和az计算总加速度；其中，所述总加速度为ax，ay和az之间的和值；
统计所述总加速度大于设定阈值的连续个数；
若所述连续个数大于设定个数，将连续的所述总加速度对应的加速度数据区间确定为疑似危险驾驶行为的数据区间；
对提取的所述加速度数据进行坐标变换的步骤，包括：
对提取的所述加速度数据进行高通滤波，分离出低频的加速度数据；
将所述低频的加速度数据的方向作为重力方向；
根据所述重力方向与az方向间的角度构造旋转矩阵；
将提取的所述加速度数据乘以所述旋转矩阵，实现所述加速度数据的坐标变换。
2.如权利要求1所述的方法，其特征在于，通过所述移动终端上的加速度传感器采集加速度数据的步骤，包括：
当所述移动终端开启驾驶行为检测功能时，获取所述移动终端上的加速度传感器采集的加速度数据。
3.如权利要求2所述的方法，其特征在于，所述方法还包括：
如果所述移动终端启动导航功能和/或通过网约车平台接单，开启所述驾驶行为检测功能。
4.如权利要求1所述的方法，其特征在于，根据ax，ay和az计算总加速度的步骤，包括：
计算总加速度
Figure FDF0000007717060000021
或者，计算总加速度a＝ax+ay+az。
5.如权利要求1所述的方法，其特征在于，所述将提取的所述加速度数据乘以所述旋转矩阵的步骤之后，所述方法还包括：
通过奇异值分解方法，将旋转后的ax或ay对应的坐标轴调整至与当前驾驶方向一致。
6.如权利要求1所述的方法，其特征在于，按照预设的特征参数对所述目标数据进行特征提取的步骤，包括：
如果所述特征参数包括时域特征，计算所述目标数据在各个轴向上的加速度最大值、加速度最小值、加速度均值和加速度方差；
如果所述特征参数包括频域特征，通过短时傅里叶变换将所述目标数据转换为频域数据，计算所述频域数据对应的频域特征；
如果所述特征参数包括速度特征，在各个轴向上对所述目标数据进行积分，根据积分结果确定在各个轴向上的速度最大值、速度最小值和速度终值。
7.如权利要求6所述的方法，其特征在于，计算所述频域数据对应的频域特征的步骤，包括：
计算所述频域数据对应的高频能量值、低频能量值和低频持续时长。
8.如权利要求1所述的方法，其特征在于，根据提取得到的所述特征确定是否存在危险驾驶行为的步骤，包括：
将提取得到的所述特征输入至所述移动终端上的决策树模型，输出包含是否存在危险驾驶行为的决策结果；其中，所述决策树模型是预先根据危险驾驶行为对应的特征参数训练得到的。
9.如权利要求1所述的方法，其特征在于，所述方法还包括：
如果存在危险驾驶行为，保存所述危险驾驶行为对应的加速度数据。
10.如权利要求9所述的方法，其特征在于，所述方法还包括：
按照设定的周期，向指定服务器发送保存的所述加速度数据；或者，
如果保存的所述加速度数据达到设定量，向指定服务器发送保存的所述加速度数据。
11.一种驾驶行为检测装置，其特征在于，所述装置应用于移动终端，所述装置包括：
采集模块，用于通过所述移动终端上的加速度传感器采集加速度数据；其中，所述加速度数据包括x轴，y轴和z轴分别对应的加速度数据ax，ay和az；
第一确定模块，用于根据ax，ay和az的大小确定存在疑似危险驾驶行为的数据区间；
数据提取模块，用于提取所述数据区间内的所述加速度数据；
坐标变换模块，用于对提取的所述加速度数据进行坐标变换，得到目标数据；其中，所述目标数据对应的x轴和y轴组成的平面为水平面，z轴方向与重力方向相同；
特征提取模块，用于按照预设的特征参数对所述目标数据进行特征提取；其中，所述特征参数至少包括以下之一：时域特征、频域特征和速度特征；
第二确定模块，用于根据提取得到的所述特征确定是否存在危险驾驶行为；
其中，所述第一确定模块包括：
计算单元，用于根据ax，ay和az计算总加速度；
统计单元，用于统计所述总加速度大于设定阈值的连续个数；
确定单元，用于在所述连续个数大于设定个数的情况下，将连续的所述总加速度对应的加速度数据区间确定为疑似危险驾驶行为的数据区间；
所述坐标变换模块用于：
对提取的所述加速度数据进行高通滤波，分离出低频的加速度数据；
将所述低频的加速度数据的方向作为重力方向；
根据所述重力方向与az方向间的角度构造旋转矩阵；
将提取的所述加速度数据乘以所述旋转矩阵，实现所述加速度数据的坐标变换。
12.如权利要求11所述的装置，其特征在于，所述采集模块用于：
当所述移动终端开启驾驶行为检测功能时，获取所述移动终端上的加速度传感器采集的加速度数据。
13.如权利要求12所述的装置，其特征在于，所述装置还包括：
开启模块，用于在所述移动终端启动导航功能和/或通过网约车平台接单的情况下，开启所述驾驶行为检测功能。
14.如权利要求11所述的装置，其特征在于，所述计算单元用于：
计算总加速度
Figure FDF0000007717060000051
或者，计算总加速度a＝ax+ay+az。
15.如权利要求14所述的装置，其特征在于，所述装置还包括：
调整模块，用于将提取的所述加速度数据乘以所述旋转矩阵的步骤之后，通过奇异值分解装置，将旋转后的ax或ay对应的坐标轴调整至与当前驾驶方向一致。
16.如权利要求11所述的装置，其特征在于，所述特征提取模块用于：
在所述特征参数包括时域特征的情况下，计算所述目标数据在各个轴向上的加速度最大值、加速度最小值、加速度均值和加速度方差；
在所述特征参数包括频域特征的情况下，通过短时傅里叶变换将所述目标数据转换为频域数据，计算所述频域数据对应的频域特征；
在所述特征参数包括速度特征的情况下，在各个轴向上对所述目标数据进行积分，根据积分结果确定在各个轴向上的速度最大值、速度最小值和速度终值。
17.如权利要求16所述的装置，其特征在于，所述特征提取模块还用于：
计算所述频域数据对应的高频能量值、低频能量值和低频持续时长。
18.如权利要求11所述的装置，其特征在于，所述第二确定模块用于：
将提取得到的所述特征输入至所述移动终端上的决策树模型，输出包含是否存在危险驾驶行为的决策结果；其中，所述决策树模型是预先根据危险驾驶行为对应的特征参数训练得到的。
19.如权利要求11所述的装置，其特征在于，所述装置还包括：
保存模块，用于在存在危险驾驶行为的情况下，保存所述危险驾驶行为对应的加速度数据。
20.如权利要求19所述的装置，其特征在于，所述装置还包括：
第一发送模块，用于按照设定的周期，向指定服务器发送保存的所述加速度数据；或者，
第二发送模块，用于在保存的所述加速度数据达到设定量的情况下，向指定服务器发送保存的所述加速度数据。
21.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当网络侧设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1～10任一所述的方法。
22.一种计算机可读介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1～10任一所述的方法。
CN201810664251.8A 2018-03-01 2018-06-25 驾驶行为检测方法、装置、电子设备和计算机可读介质 Active CN108791303B (zh)

Priority Applications (10)

Application Number Priority Date Filing Date Title
CN201810664251.8A CN108791303B (zh) 2018-06-25 2018-06-25 驾驶行为检测方法、装置、电子设备和计算机可读介质
CN201880002704.9A CN110447214B (zh) 2018-03-01 2018-12-26 一种识别驾驶行为的系统、方法、装置和存储介质
PCT/CN2018/123759 WO2019165838A1 (en) 2018-03-01 2018-12-26 Systems and methods for identifying risky driving behavior
JP2018569054A JP6832963B2 (ja) 2018-03-01 2018-12-26 危険運転行動を識別するためのシステムおよび方法
SG11201811740WA SG11201811740WA (en) 2018-03-01 2018-12-26 Systems and methods for identifying risky driving behavior
CA3028630A CA3028630C (en) 2018-03-01 2018-12-26 Systems and methods for identifying risky driving behavior
AU2018286615A AU2018286615A1 (en) 2018-03-01 2018-12-26 Systems and methods for identifying risky driving behavior
EP18826169.7A EP3560171B1 (en) 2018-03-01 2018-12-26 Systems and methods for identifying risky driving behavior
TW107147565A TWI704520B (zh) 2018-03-01 2018-12-28 用於識別危險駕駛行為的系統和方法
US16/236,418 US20190270457A1 (en) 2018-03-01 2018-12-29 Systems and methods for identifying risky driving behavior

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810664251.8A CN108791303B (zh) 2018-06-25 2018-06-25 驾驶行为检测方法、装置、电子设备和计算机可读介质

Publications (2)

Publication Number Publication Date
CN108791303A CN108791303A (zh) 2018-11-13
CN108791303B true CN108791303B (zh) 2020-05-12

Family

ID=64071340

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810664251.8A Active CN108791303B (zh) 2018-03-01 2018-06-25 驾驶行为检测方法、装置、电子设备和计算机可读介质

Country Status (1)

Country Link
CN (1) CN108791303B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6832963B2 (ja) * 2018-03-01 2021-02-24 ベイジン ディディ インフィニティ テクノロジー アンド ディベロップメント カンパニー リミティッド 危険運転行動を識別するためのシステムおよび方法
CN111382631B (zh) * 2018-12-29 2024-04-16 北京嘀嘀无限科技发展有限公司 识别方法、识别装置、终端、服务器和存储介质
CN111526311B (zh) * 2019-01-17 2023-02-28 北京嘀嘀无限科技发展有限公司 驾驶用户行为的判断方法、系统、计算机设备及存储介质
CN110415377B (zh) * 2019-06-24 2022-02-15 天津五八到家科技有限公司 行驶状态确定方法、装置及电子设备
CN112073577B (zh) * 2020-08-19 2021-08-24 深圳移航通信技术有限公司 终端的控制方法、装置、终端设备及存储介质
CN113411704A (zh) * 2021-05-07 2021-09-17 佳禾智能科技股份有限公司 基于加速度传感器的骨导振子控制方法、计算机可读存储介质、骨导耳机
WO2022271093A2 (en) * 2021-06-22 2022-12-29 Grabtaxi Holdings Pte. Ltd Method and system for monitoring operation of a vehicle
CN116394952A (zh) * 2023-03-06 2023-07-07 机汇网(深圳)科技有限公司 驾驶员异常驾驶行为检测方法、计算机设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103818327A (zh) * 2013-11-22 2014-05-28 深圳先进技术研究院 一种分析驾驶行为的方法和装置
CN106585636A (zh) * 2016-11-28 2017-04-26 上海工程技术大学 基于状态机的车辆行驶状态描述和驾驶行为侦测的方法
CN106934876A (zh) * 2017-03-16 2017-07-07 广东翼卡车联网服务有限公司 一种车辆异常驾驶事件的识别方法及系统
CN107025704A (zh) * 2017-03-14 2017-08-08 上海小蚁科技有限公司 基于加速度传感器的驾驶行为检测方法及装置、行车记录仪和汽车
CN107415953A (zh) * 2017-04-28 2017-12-01 东软集团股份有限公司 一种驾驶行为识别方法、装置及设备
CN108068823A (zh) * 2017-12-06 2018-05-25 上海评驾科技有限公司 一种车辆驾驶行为检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3073450B1 (en) * 2015-03-27 2017-09-27 Tata Consultancy Services Limited System and method for monitoring driving behavior of a driver

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103818327A (zh) * 2013-11-22 2014-05-28 深圳先进技术研究院 一种分析驾驶行为的方法和装置
CN106585636A (zh) * 2016-11-28 2017-04-26 上海工程技术大学 基于状态机的车辆行驶状态描述和驾驶行为侦测的方法
CN107025704A (zh) * 2017-03-14 2017-08-08 上海小蚁科技有限公司 基于加速度传感器的驾驶行为检测方法及装置、行车记录仪和汽车
CN106934876A (zh) * 2017-03-16 2017-07-07 广东翼卡车联网服务有限公司 一种车辆异常驾驶事件的识别方法及系统
CN107415953A (zh) * 2017-04-28 2017-12-01 东软集团股份有限公司 一种驾驶行为识别方法、装置及设备
CN108068823A (zh) * 2017-12-06 2018-05-25 上海评驾科技有限公司 一种车辆驾驶行为检测方法

Also Published As

Publication number Publication date
CN108791303A (zh) 2018-11-13

Similar Documents

Publication Publication Date Title
CN108791303B (zh) 驾驶行为检测方法、装置、电子设备和计算机可读介质
CN110447214B (zh) 一种识别驾驶行为的系统、方法、装置和存储介质
US10997527B2 (en) System and methods for detecting vehicle braking events using data from fused sensors in mobile devices
CN109076093B (zh) 控制车辆中基于传感器的数据采集和信号处理的系统和方法
Engelbrecht et al. Survey of smartphone‐based sensing in vehicles for intelligent transportation system applications
CA3028630C (en) Systems and methods for identifying risky driving behavior
EP3513578B1 (en) System and method for detecting mobile device movement within a vehicle using accelerometer data
CN109670970B (zh) 一种驾驶行为评分方法、装置及计算机可读存储介质
EP2828781A2 (en) A system and a method for improved car prognosis
US10629073B2 (en) Method, device and system for wrong-way driver detection
CN111383362A (zh) 一种安全监测方法及装置
US20200312050A1 (en) Control device, server, safety system, and control method of control device
CN111489459A (zh) 一种车辆数据分析方法
CN111127876B (zh) 车联网的信息提取方法及装置
CN110222557B (zh) 路况的实时检测方法、装置、系统和存储介质
US9483925B1 (en) Automatic system and method for detecting presence of people or animals in a vehicle
CN113256981B (zh) 基于车辆行驶数据的报警分析方法、装置、设备和介质
CN110997441A (zh) 用于求取驾驶行为的方法和设备
CN113573939B (zh) 用于智能设备上的基于顺序微活动的驾驶员检测的方法和系统
CN111341106B (zh) 交通预警方法、装置和设备
CN115320626B (zh) 基于人车状态的危险感知能力预测方法、装置及电子设备
Oh et al. Smart and Safe Vehicle Monitoring with Fuzzy Integral and Haar-like Features
CN113276869A (zh) 一种自动检测驾驶员玩手机的装置及方法
CN115830800A (zh) 车祸预警方法、系统、装置及存储介质
CN115830871A (zh) 场内机动车行车安全监控方法、系统及监控云平台

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