CN109720353A - 一种基于智能手机的驾驶行为检测方法 - Google Patents

Abstract

本发明公开了一种基于智能手机的驾驶行为检测方法，涉及车辆驾驶习惯的监测，属于智能交通的技术领域。利用智能手机采集不同驾驶行为场景下的惯性传感器数据，从不同驾驶行为场景下的惯性传感器数据中剪切各驾驶行为的标准模板并挖掘出基于邻近算法学习机的判断法则，采用判断法则对智能手机采集的待检测数据进行初步分类并截取初步分类结果对应采样时间间隔内的待检测数据作为带有运动的片段，采用动态时间规整算法对比初步分类结果对应的标准模板和带有运动的片段，根据对比结果判定待检测数据对应的驾驶行为，能够在各种自然环境可靠运行，全天候输出高精度的驾驶行为数据，大幅提高检测系统的可靠性、准确率和效率。

Description

一种基于智能手机的驾驶行为检测方法

技术领域

本发明公开了一种基于智能手机的驾驶行为检测方法，涉及车辆驾驶习惯的监测，属于智能交通的技术领域。

背景技术

驾驶行为分析目前在车队管理、汽车保险等领域具有非常大的市场。通过对司机的驾驶行为进行检测和打分，相关人员可以做出一系列的举措来提高驾驶效率，行车安全从而降低环境污染。为了监测司机驾驶行为，有些公司目前推出专用的设备来记录不同传感器所采集数据的变化从而监测驾驶行为，记录的信息可以手动检索或通过无线网发送到互联网上，主要缺点是初始成本高且客户接受度较低、成本高，不适于广泛的应用。

近年来，随着智能手机的广泛使用以及其自带传感器(例如，加速度计、陀螺仪、摄像装置等)性能的逐步完善，基于智能手机的数据收集以及对其数据来抽取相应的驾驶行为成为了研究的热点。Dai等通过对实时采集的加速度计和陀螺仪的数据和数据库中的模板比对来对醉酒驾驶进行检测。Johnson等人提出了一种基于动态时间规整的驾驶行为检测算法。Fazeen等人提出了利用手机自带的陀螺仪及加速度计来检测路况平整程度的方法。Castignani等评估了智能手机分析驾驶员驾驶行为的能力，研究了智能手机传感器和GPS在危险和正常驾驶条件下的输出数据，依据手机传感器输出数据为驾驶员的驾驶行为打分，但他们后期提出的监测平台侧重于危险驾驶事件的检测而非分析整个驾驶行为记录后打分。You等人通过对手机自带的摄像头、GPS进行融合从而来抽取出驾驶人员脸部表情从而对驾驶的状态进行判断。Araujo等提出了一种基于模糊逻辑的超速、加速、制动和转向的危险驾驶事件检测的方法，他们采用一种自适应性能分析机制以适应多种手机和不同汽车类型，该自适应模糊逻辑机制收集每个司机驾驶行为的初始数据集，然后对各司机驾驶行为的初始数据集进行统计分析以确定危险驾驶事件的阈值。

综上，采用智能手机实现不规则驾驶的低成本监测是一个潜在可行的方法，但是目前提出的利用智能手机检测驾驶行为的方案因受外界环境影响比较严重而无法全天候使用，核心算法在监测效率和准确率上仍有待进一步提高。因此，对于基于智能手机的低成本不规则驾驶检测的效率和可靠性需要进一步的研究。基于此，我们提出了一种适用性较强且准确率较高的监测算法，能够满足全天候、实时、有效的监测驾驶员的行为。

发明内容

本发明的发明目的是针对上述背景技术的不足，提供了一种基于智能手机的驾驶行为检测方法，以较低的系统成本实现了驾驶行为的高效检测，解决了现有基智能手机检测驾驶行为方案成本高、可接受度低、不能全天候检测、适用性差、检测精度低的技术问题。

本发明为实现上述发明目的采用如下技术方案：

一种基于智能手机的驾驶行为检测方法，利用智能手机采集不同驾驶行为场景下的惯性传感器数据，从不同驾驶行为场景下的惯性传感器数据中剪切各驾驶行为的标准模板并挖掘出基于邻近算法学习机的判断法则，采用判断法则对智能手机采集的待检测数据进行初步分类并截取初步分类结果对应采样时间间隔内的待检测数据作为带有运动的片段，利用动态时间规整算法计算上一步识别出的运动片段的各待检测数据与驾驶行为标准模板的各惯性传感器数据的距离，对带有运动的片段的各待检测数据与驾驶行为标准模板的各惯性传感器数据的距离加权求平均得到带有运动的片段与各驾驶行为的标准模板的对比结果，计算得到最小对比结果的标准模板所对应的驾驶行为即为待检测数据对应的驾驶行为。

进一步的，一种基于智能手机的驾驶行为检测方法中，对不同驾驶场景下的惯性传感器数据和待检测数据进行卡尔曼滤波处理。

进一步的，一种基于智能手机的驾驶行为检测方法中，不同驾驶行为场景下的惯性传感器数据为车辆三轴角速度和三轴加速度。

进一步的，一种基于智能手机的驾驶行为检测方法中，从不同驾驶行为场景下的惯性传感器数据中剪切各驾驶行为的标准模板的方法为：截取驾驶员采取已标记驾驶行为时间间隔内的惯性传感器数据组成该驾驶行为的标准模板。

一种基于智能手机的驾驶行为风险分析方法，采用上述任意一种基于智能手机的驾驶行为检测方法判定待检测数据对应的驾驶行为，以判定的驾驶行为为基础数据评估各驾驶行为的风险等级。

本发明采用上述技术方案，具有以下有益效果：

(1)本发明提出的驾驶行为检测方法仅需要一台具有加速度计和陀螺仪的智能手机即可实现，对天气、环境及其它条件几乎无要求，绝大多数的智能手机都满足这一条件，且目前车辆几乎都具有为智能手机提供电源的功能，可以保证智能手机全天候的工作因此，在如今智能手机普及应用的基础上推广本申请的算法具有较低的成本且几乎不存在接受度低的问题。

(2)本发明通过智能手机传感器采集不同驾驶行为场景下的角速度与加速度，通过DTW和KNN算法相结合的核心算法对智能手机内置IMU系统进行取长补短，智能手机内置的IMU系统加上本申请提出的核心算法具有良好的鲁棒性，在各种自然环境可靠运行，全天候输出高精度的驾驶行为数据，大幅提高检测系统的可靠性、准确率和效率，具有不受天气、环境影响以及全天候实时可靠输出检测结果的优点，为将来对驾驶员行为评估、驾驶行为风险分析等应用提供基础数据。

附图说明

图1为本发明检测驾驶行为的流程图。

具体实施方式

下面结合附图对发明的技术方案进行详细说明。

为了实现低成本的驾驶检测，我们采用智能手机采集车辆的行驶数据，市面上绝大多数的智能手机都带有包括陀螺仪和加速计的惯性传感器单元(IMU， InertialMeasurement Unit)。将不同驾驶行为场景下惯性传感器单元所采集的数据作为基于邻近算法(KNN，K-Nearest Neighbor)的机器学习算法的数据集， KNN机器学习算法从数据集中挖掘驾驶行为的判断法则并通过人工手动的剪切各驾驶行为场景下的采集数据作为标准模板，KNN机器学习算法对惯性传感器单元采集的待测试数据进行初步识别以挑选出带有运动的数据片段，采用动态时间规整算法(DTW，Dynamic Time Warping)对比标准模板和带有运动的数据片段，从而实现对驾驶行为的监测。

为了减少道路因素及环境对数据产生的噪声对我们的分析造成影响，采用基于卡尔曼滤波(KF，Kalman Filter)的高精度融合算法处理惯性传感器单元采集读数据进行了相应的滤波平滑处理。将滤波处理后的数据代入到机器学习的框架以挖掘判断法则或对待测试数据进行初步检测。

本申请公开的检测驾驶行为的方法如图1所示，大体分为以下三个阶段。

第一阶段：采集车辆在不同驾驶行为场景下的IMU数据

定义驾驶员的驾驶行为标签：直行-0、左变道-1、右变道-2、左转弯-3、右转弯-4、左掉头-5、右掉头-6，定义汽车前进方向为y轴，垂直地面水平线为z轴，垂直y轴和z轴指向车前进右手边方向为x轴，通过固定在车身上智能手机固有的IMU采集车辆在直行、左变道、右变道、左转弯、右转弯、左掉头、右掉头这其中驾驶行为场景下的三轴角速度和三轴加速度Data＝[ω_x ω_y ω_z a_x a_y a_z]，用100HZ的采样频率记录IMU数据及采样时间，通过采集几种驾驶行为包括中国不常见的右掉头场景下的IMU数据来验证本申请核心算法的可靠性。

第二阶段：采用基于KNN和DTW的核心算法处理数据

1、对IMU输出的数据采用卡尔曼滤波算法进行平滑处理，将大量的经过滤波处理且用0-6标签过的数据放入基于KNN算法的学习器，以ω_x ω_y ω_z a_x a_y a_z为输入值，0-6的标签作为结果，KNN算法将以标签的结果为依据对智能手机采集的数据进行有监督学习，进而输出各驾驶行为的判断法则，并且对标签过的大量数据中剪切每种驾驶行为的标准模板作为备用，例如，当驾驶员在时刻1至时刻n的期间内采取了右转的驾驶行为，截取时刻1至时刻n的x轴角速度ω_x＝[ω₁ ω₂ … ω_n]作为右转的x轴角速度的标准模板，其它各轴角速度的标准模块及加速度的标准模板类似；

2、手机采集的待检测数据经过卡尔曼滤波之后作为输入导入判断法则之中， KNN机器学习算法根据之前学习的结果将输入的数据自动分类并标记0-6。基于机器学习算法分类的结果，分类结果对应的采样时间间隔即为可能的运动时间，把运动时间内的待检测数据挑出来作为带有运行的片段；

3、利用DTW对比上一步选出来的运动片段与第一步中准备好的标准模板，将带有运动的片段的三轴加速度、三轴角速度分别与各驾驶行为的标准模板的6 个惯性传感器数据模板对比，计算带有运动的片段的各待检测数据与各驾驶行为标准模块额6个惯性传感器数据模板的DTW距离，DTW定义了一种新的距离运算，相对于必须保证两向量维数一致方可计算两向量距离的传统计算方法，

DTW算法可以解决不同维度的向量的距离计算问题，可以比较不同维度的向量之间的相识度，

D(n,m)＝D(n-1,m-1)+min{d(n,m),d(n-1,m-1),d(n,m-1)}，

式中，D(n,m)是两个向量之间的累积距离，d(n,m)是两个向量之间的第n 个点和第m个点数值上的差值，即，

d(n,m)＝|x_n-y_m|，

最终可以得到两个向量之间的距离，距离值越小表示两个向量之间的相识度越高，将机器学习挑选出来的运动片段与第一步中准备好的标准模板代入上式，即可计算出运动片段中三轴角速度和加速度与对应轴标准模板的距离。

第三阶段：基于上一步计算出的距离得出驾驶员驾驶行的评估结果把带有运动的片段与每种驾驶行为对比计算的6个距离值加权平均，最后选取求得最小加权平均值的标准模块所对应的驾驶行为检测结果。

Claims (6)

1.一种基于智能手机的驾驶行为检测方法，其特征在于，利用智能手机采集不同驾驶行为场景下的惯性传感器数据，从不同驾驶行为场景下的惯性传感器数据中剪切各驾驶行为的标准模板并挖掘出基于邻近算法学习机的判断法则，采用判断法则对智能手机采集的待检测数据进行初步分类并截取初步分类结果对应采样时间间隔内的待检测数据作为带有运动的片段，采用动态时间规整算法对比带有运动的片段与各驾驶行为的标准模板，根据对比结果判定待检测数据对应的驾驶行为。

2.根据权利要求1所述一种基于智能手机的驾驶行为检测方法，其特征在于，对不同驾驶场景下的惯性传感器数据和待检测数据进行卡尔曼滤波处理。

3.根据权利要求1所述一种基于智能手机的驾驶行为检测方法，其特征在于，不同驾驶行为场景下的惯性传感器数据为车辆三轴角速度和三轴加速度。

4.根据权利要求1所述一种基于智能手机的驾驶行为检测方法，其特征在于，从不同驾驶行为场景下的惯性传感器数据中剪切各驾驶行为的标准模板的方法为：截取驾驶员采取已标记驾驶行为时间间隔内的惯性传感器数据组成该驾驶行为的标准模板。

5.根据权利要求1所述一种基于智能手机的驾驶行为检测方法，其特征在于，采用动态时间规整算法对比带有运动的片段与各驾驶行为的标准模板，根据对比结果判定待检测数据对应的驾驶行为的具体过程为：利用动态时间规整算法计算带有运动的片段的各待检测数据与驾驶行为标准模板的各惯性传感器数据的距离，对带有运动的片段的各待检测数据与驾驶行为标准模板的各惯性传感器数据的距离加权求平均得到带有运动的片段与各驾驶行为的标准模板的对比结果，计算得到最小对比结果的标准模板所对应的驾驶行为即为待检测数据对应的驾驶行为。

6.一种基于智能手机的驾驶行为风险分析方法，其特征在于，采用权利要求1至5中任意一项所述基于智能手机的驾驶行为检测方法判定待检测数据对应的驾驶行为，以判定的驾驶行为为基础数据评估各驾驶行为的风险等级。