CN110378397A - 一种驾驶风格识别方法及装置 - Google Patents
一种驾驶风格识别方法及装置 Download PDFInfo
- Publication number
- CN110378397A CN110378397A CN201910565788.3A CN201910565788A CN110378397A CN 110378397 A CN110378397 A CN 110378397A CN 201910565788 A CN201910565788 A CN 201910565788A CN 110378397 A CN110378397 A CN 110378397A
- Authority
- CN
- China
- Prior art keywords
- data
- window
- driving
- driver
- measured
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请适用于计算机应用技术领域,提供了驾驶风格识别方法及装置,包括:获取待测司机在预设时段之内的驾驶数据;根据驾驶数据的生成时间和数据类型,构建驾驶数据对应的时间序列数据;根据预设的嵌套式时窗法,提取时间序列数据中每个区块对应的数据特征;将所有区块对应的数据特征进行组合得到驾驶数据的数据特征。根据数据特征构建待测司机在预设时段内驾驶时对应的像素点阵图;解析像素点阵图,得到待测司机的驾驶风格。通过对基于时间序列的驾驶数据根据嵌套式时窗法进行大小时窗的数据特征提取,并基于时间序列的数据特征构建像素点阵图,以根据像素点阵图直观、清楚识别待测司机的风格,提高了司机驾驶风格识别的精确性和直观性。
Description
技术领域
本申请属于计算机应用技术领域,尤其涉及一种驾驶风格识别方法及装置。
背景技术
驾驶风格被定义为由不断积累的驾驶经验而逐渐形成的个人驾驶习惯。驾驶风格在驾驶安全性和能源经济性方面有重要的影响。不同驾驶风格的驾驶员会在不同程度上影响道路交通安全,且对车辆自身能耗有较大影响。此外,关于驾驶风格的先验知识对设计驾驶辅助系统也有较大帮助,其能够更好的契合驾驶员并提高驾驶辅助系统的性能。
现有技术中通过各种分类方式对司机的驾驶风格进行分类,以确定司机驾驶风格对应的类型,但是由于驾驶员驾驶行为受驾驶员个体因素、驾驶环境、驾驶时长等诸多外在因素的影响,驾驶风格也呈现出一种随之变化的趋势,没有办法明确的确定司机的驾驶风格就是哪一种,因此,现有技术中对司机驾驶风格的识别容易出现识别不精确的问题。
发明内容
有鉴于此,本申请实施例提供了驾驶风格识别方法及装置,以解决现有技术中识别司机驾驶风格时,容易出现不精确的问题。
本申请实施例的第一方面提供了一种驾驶风格识别方法,包括:
获取待测司机在预设时段之内的驾驶数据;
根据预设的嵌套式时窗法,提取所述驾驶数据的数据特征;
根据所述数据特征构建所述待测司机在所述预设时段内驾驶时对应的像素点阵图;
解析所述像素点阵图,得到所述待测司机的驾驶风格。
本申请实施例的第二方面提供了一种驾驶风格识别装置,包括:
获取单元,用于获取待测司机在预设时段之内的驾驶数据;
提取单元,用于根据预设的嵌套式时窗法,提取所述驾驶数据的数据特征;
构图单元,用于根据所述数据特征构建所述待测司机在所述预设时段内驾驶时对应的像素点阵图;
解析单元,用于解析所述像素点阵图,得到所述待测司机的驾驶风格。
本申请实施例的第三方面提供了一种驾驶风格识别装置,包括:处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储支持装置执行上述方法的计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行上述第一方面的方法。
本申请实施例的第四方面提供了一种计算机可读存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。
本申请实施例与现有技术相比存在的有益效果是:获取待测司机在预设时段之内的驾驶数据;根据所述驾驶数据的生成时间和数据类型,构建驾驶数据对应的时间序列数据;根据预设的嵌套式时窗法,提取所述时间序列数据中每个区块对应的数据特征;将所有所述区块对应的数据特征进行组合,得到所述驾驶数据的数据特征。根据所述数据特征构建所述待测司机在所述预设时段内驾驶时对应的像素点阵图;解析所述像素点阵图,得到所述待测司机的驾驶风格。通过对基于时间序列的驾驶数据根据嵌套式时窗法进行大小时窗的数据特征提取,并基于时间序列的数据特征构建像素点阵图,以根据像素点阵图直观、清楚识别待测司机的风格,提高了司机驾驶风格识别的精确性和直观性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例一提供的驾驶风格识别方法的流程图;
图2是本申请实施例二提供的驾驶风格识别方法的流程图;
图3是本申请实施例二提供的像素点阵图示意图;
图4是本申请实施例二提供的驾驶操作图构建方法流程图;
图5是本申请实施例二提供的卷积神经网络的具体架构;
图6是本申请实施例二提供的预训练长短期记忆网络LSTM的具体架构;
图7是本申请实施例三提供的驾驶风格识别装置的示意图;
图8是本申请实施例四提供的驾驶风格识别装置的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案,下面通过具体实施例来进行说明。
参见图1,图1是本申请实施例一提供的一种驾驶风格识别方法的流程图。本实施例中驾驶风格识别方法的执行主体为具有驾驶风格识别功能的装置,包括但不限于计算机、服务器、平板电脑或者终端等装置。如图所示的驾驶风格识别方法可以包括以下步骤:
S101:获取待测司机在预设时段之内的驾驶数据。
驾驶风格被定义为由不断积累的驾驶经验而逐渐形成的个人驾驶习惯。驾驶风格在驾驶安全性和能源经济性方面有重要的影响。不同驾驶风格的驾驶员会在不同程度上影响道路交通安全,且对车辆自身能耗有较大影响。此外,关于驾驶风格的先验知识对设计驾驶辅助系统也有较大帮助,其能够更好的契合驾驶员并提高驾驶辅助系统的性能。关于驾驶风格的研究一直处于重要的地位,最主要的两个关键点就是如何表征驾驶风格以及采用何种方法对驾驶风格进行区分。然而由于驾驶员驾驶行为受驾驶员个体因素、驾驶环境、驾驶时长等诸多外在因素的影响,驾驶风格也呈现出一种随之变化的趋势。因而,对驾驶风格的定义仍旧是一项挑战性的任务。
在对待测司机的驾驶风格进行识别时,先获取待测司机在预设时段之内的驾驶数据。本实施例中的驾驶数据为基于待测司机在驾驶过程中,在预设时段内的驾驶动作的数据。本实施例中是由已经采集好的原始数据库进行算法对应模型的训练,得到一个基于原始数据库的模型,再通过实时驾驶数据获取,来判断该驾驶员的驾驶风格。更进一步的,还可以根据一定时间内获取到的实时数据与真实驾驶员驾驶风格来对模型进行修正。
本实施例中的驾驶数据包括车辆的行使数据和司机在驾驶车辆过程中的控制数据等,例如油门踏板位置、车速、刹车踏板位置、方向盘转角、车辆横向加速度和车辆横摆角速度等,此处不做限定。同时本实施例中的驾驶数据是预设时段之内的数据,并且每个驾驶数据都有其对应的数据生成时间。
S102:根据预设的嵌套式时窗法,提取所述驾驶数据的数据特征。
在获取到待测司机的驾驶数据之后,根据预设的嵌套式时窗法,提取驾驶数据的数据特征。本实施例中的嵌套式时窗法中包括大时窗和小时窗,大时窗和小时窗都用于表示数据特征提取的数据范围。并且,大时窗和小时窗都有各自对应的时窗长度、步进长度,时窗长度用于表示大时窗和小时窗的数据提取范围,大时窗的时窗长度大于小时窗的时窗长度,大时窗根据大时窗的步进长度进行移动,并提取驾驶数据的数据矩阵,小时窗在大时窗中根据小时窗的步进长度进行移动,并提取大时窗提取的数据矩阵中的数据特征。通过根据本实施例中的嵌套式时窗法可以精确的获取到驾驶数据中的数据特征。
需要说明的是,本实施例中的大时窗提取的是驾驶数据中的数据矩阵,小时窗提取的是大时窗的数据矩阵中的数据特征,每个小时窗提取得到的数据特征只是某一时刻对应的数据特征,将所有小时窗提取的数据特征进行组合,得到所有驾驶数据对应的数据特征。
本实施例中的数据特征包括相应小时窗对应的时间段中的驾驶数据的均值、最小值、最大值、中位数、25百分位数、75百分位数和标准差等信息,以通过每个生成时刻对应的这些数据特征来表征每个驾驶数据对应的数据特征,并且,将所有小时窗时间段计算得出的数据特征进行组合得到所有驾驶数据对应的数据特征。
S103:根据所述数据特征构建所述待测司机在所述预设时段内驾驶时对应的像素点阵图。
在通过小时窗得到数据特征时候,将所有通过小时窗得到的数据特征进行组合,构建得到待测司机在预设时段内驾驶时对应的像素矩阵,再将像素矩阵转化为像素点阵图。具体的,在进行转化时,像素矩阵中的每个数值用于表示像素点阵图中对应位置处的颜色类型和颜色深度,此处可以根据预设的数值和像素之间的对应关系来显示。
S104:解析所述像素点阵图,得到所述待测司机的驾驶风格。
生成像素点阵图之后,分析人员可以通过像素点阵图中每个像素点的颜色类型和颜色深浅确定该像素点对应的驾驶情况。示例性地,本实施例中可以通过红色和蓝色表示像素点对应的驾驶情况,比如,红色越深则代表数值越大,蓝色越深则代表数值越小,通过观察颜色深浅与变化可以知道时间序列上数据的变化特点,同时可以通过不同的行来了解不同基础特征之间的关联性。
在根据像素点阵图分析待测司机的驾驶分格时,可以通过观察像素点阵图中每个像素点的颜色类型和颜色深度来确定。示例性地,当像素点阵图中大多数像素点的颜色都比较浅时,则说明待测司机驾驶较平稳,没有猛刹车或者猛加速的情况发生;当像素点阵图中大多数像素点的颜色都比较深时,则说明待测司机驾驶较激烈,可能出现猛刹车或者猛加速的情况。
上述方案,通过获取待测司机在预设时段之内的驾驶数据;根据预设的嵌套式时窗法,提取所述驾驶数据的数据特征;根据所述数据特征构建所述待测司机在所述预设时段内驾驶时对应的像素点阵图;解析所述像素点阵图,得到所述待测司机的驾驶风格。通过对基于时间序列的驾驶数据根据嵌套式时窗法进行大小时窗的数据特征提取,并基于时间序列的数据特征构建像素点阵图,以根据像素点阵图直观、清楚识别待测司机的风格,提高了司机驾驶风格识别的精确性和直观性。
参见图2,图2是本申请实施例二提供的一种驾驶风格识别方法的流程图。本实施例中驾驶风格识别方法的执行主体为具有驾驶风格识别功能的装置,包括但不限于计算机、服务器、平板电脑或者终端等装置。如图所示的驾驶风格识别方法可以包括以下步骤:
S201:获取待测司机在预设时段之内的驾驶数据。
在本实施例中S201与图1对应的实施例中S101的实现方式完全相同,具体可参考图1对应的实施例中的S101的相关描述,在此不再赘述。
S202:根据所述驾驶数据的生成时间和数据类型,构建驾驶数据对应的时间序列数据。
由于本实施例中的驾驶数据有其对应的生成时间和数据类型,其中,生成时间用于表示一组驾驶数据的生成时间,对应的该生成时间的司机驾驶行为;数据类型用于表示一组驾驶数据中包括的数据类型,可以包括多种数据类型,例如,油门踏板位置、车速、刹车踏板位置、方向盘转角、车辆横向加速度和车辆横摆角速度等,此处不做限定。
在根据驾驶数据生成对应的时间序列数据时,以生成时间为横轴,数据类型为纵轴,将每一组的驾驶数据按照数据类型纵向排布,并按照生成时间的顺序排布每一组纵向的驾驶数据,得到时间序列数据,以根据规整的时间序列数据进行特征提取。
S203:根据预设的嵌套式时窗法,提取所述时间序列数据中每个区块对应的数据特征。
本实施例中的嵌套式时窗法中包括大时窗和小时窗,大时窗和小时窗都用于表示数据特征提取的数据范围。并且,大时窗和小时窗都有各自对应的时窗长度、步进长度,时窗长度用于表示大时窗和小时窗的数据提取范围,大时窗的时窗长度大于小时窗的时窗长度,大时窗根据大时窗的步进长度进行移动,并提取驾驶数据的数据矩阵,小时窗在大时窗中根据小时窗的步进长度进行移动,并提取大时窗提取的数据矩阵中的数据特征。通过根据本实施例中的嵌套式时窗法可以精确的获取到驾驶数据中的数据特征。
进一步的,步骤S203中可以具体包括步骤S2031~S2033:
S2031:根据预设的大时窗长度确定大时窗;根据预设的小时窗长度确定小时窗;所述大时窗和所述小时窗用于表示数据提取范围。
本实施例中,原始数据库采样频率为10Hz,原始数据库可以为CAN总线数据。对时间序列数据进行大时窗数据提取时,本实施例可以选取大时窗长度为60s,例如,从第1秒至第60秒(包含第1秒和第60秒)为第一个大时窗;选取小时窗长度为2秒,例如,从第1秒至第2秒(包含第1秒和第2秒)为第一个小时窗。其中,大时窗和小时窗都按照预设的步进长度移动,并在移动的同时提取当前区域中的数据。
S2032:在所述时间序列数据中按照所述大时窗的提取范围进行数据提取,得到基础矩阵。
从原始数据库中提取出一个大时窗内的六种数据类型,包括:油门踏板位置、车速、刹车踏板位置、方向盘转角、车辆横向加速度和车辆横摆角速度,由于每个特征均为时间序列数据,例如,60秒内产生了600个数据点,将这600个数据点作为行向量,并按照垂直方向对六个基础特征的行向量拼接,得出6*600的数据矩阵,即为基础矩阵。
本实施例中,大时窗和小时窗都按照预设的步进长度移动,并在移动的同时提取当前区域中的数据。在原始时间序列上移动大时窗,例如,预设步进长度为30秒,即每30秒,大时窗就要移动1/2个大时窗长度,并在移动之后,提取当前位置处对应的数据,作为新的基础矩阵。本实施例中根据大时窗的步进长度移动大时窗,并实时提取大时窗当前位置处对应的数据,直至完成所有时间序列数据中的基础数据提取,得到完整的驾驶操作图数据库。
S2033:在所述大时窗对应的所述基础矩阵中按照所述小时窗的提取范围进行特征提取,得到每个小时窗对应的特征矩阵,并将所有所述小时窗对应的特征矩阵组合为所述数据特征。
在大时窗移动并提取基础矩阵的同时,对大时窗片段进行小时窗划分,本实施例可以选取小时窗长度为2秒,例如,从第1秒至第2秒(包含第1秒和第2秒)为第一个小时窗,并提取当前小时窗位置处对应的数据特征,具体的,本实施例中的数据特征是基于小时窗长度对小时窗内数据计算统计学特征,例如,根据小时窗停留时间的2秒内的20个数据点,计算统计学特征,即特征数据。本实施例中的特征数据可以包括但不限于:均值、最小值、最大值、中位数、25百分位数、75百分位数和标准差。在提取到当前位置处对应的数据特征之后,每个小时窗提取得到的数据特征形成42*1的数据特征向量。
与大时窗同样原理的,本实施例中在大时窗时间轴上根据预设的小时窗步进长度移动小时窗,例如,预设小时窗的步进长度为1秒,即每秒移动小时窗1/2个小时窗长度,则在整个时间序列数据中共计60次步进。将小时窗在大时窗中进行周期移动和数据特征采集,即重复以上步骤,直至采集并计算完毕整个大时窗的数据特征,横向拼接各特征向量,得到一张尺寸为42×60的驾驶操作图。
需要说明的是,由于在步骤S2032中,大时窗根据大时窗的步进长度进行移动和实时提取数据,而本步骤中小时窗在大时窗中进行移动并实时提取数据特征,因此,本实施中的小时窗是实时根据大时窗的移动而移动,直至完成全部的数据构建,得到完整的数据特征。
S204:将所有所述区块对应的数据特征进行组合,得到所述驾驶数据的数据特征。
在得到所有区块对应的数据特征之后,将所有区块对应的数据特征组合,得到驾驶数据对应的数据特征。示例性地,当采样频率为10Hz时,则60秒内产生了600个数据,即6*600基础矩阵,其中6用于表示数据类型,即行向量的数目,600用于表示驾驶数据的组数,即列向量的数目;小时窗长度为2秒,每秒移动小时窗1/2个小时窗长度,则在整个时间序列数据中共计60次步进,小时窗采集的数据特征可以包括7种:均值、最小值、最大值、中位数、25百分位数、75百分位数和标准差,每个小时窗提取得到的数据特征形成42*1的数据特征向量。将小时窗在大时窗中进行周期移动和数据特征采集,即重复以上步骤,直至采集并计算完毕整个大时窗的数据特征,横向拼接各特征向量,得到一张尺寸为42×60的矩阵,作为数据特征,其中,42用于表示每次步进提取到的数据特征维度,60表示特征提取的次数,由于小时窗的步进为1秒,60次也就是60秒,通过用小时窗对应的时间长度来表示小时窗特征提取的数据范围,以更加明确本实施例中的方式是对某一小段时间内的数据进行数据特征的提取。
S205:根据所述数据特征构建所述待测司机在所述预设时段内驾驶时对应的像素点阵图;
请一并参与图3,图3为本实施例中提供的像素点阵图示意图,其中,本实施例中的驾驶数据可以包括图3中的:刹车踏板开度(Brake pedal position,Brake)、方向盘转角(Steering wheel angle,SWA)、横向加速度(Lateral acceleration,LAcc)、横摆角速度(Yaw rate,Yaw)、油门踏板开度(Throttle pedal position,Thro)、车辆速度(Vehiclespeed,Speed),图3中的横轴0~60用于表示时间序列对应的时间,右边0.0~1.0用于表示图像热度。通过上述嵌套式时窗方法,将原本单一的时间序列数据构建成图片形式,将数据间的关联与驾驶风格间的特征在图片中展示。红色越深则代表数值越大,蓝色越深则代表数值越小(由于灰度图像要求显示,请参见图像中的箭头指示),通过观察颜色深浅与变化可以知道时间序列上数据的变化特点,同时可以通过不同的行来了解不同基础特征之间的关联性。其中,Brake用于表示刹车踏板位置;SWA用于表示方向盘转角;LAcc用于表示车辆横向加速度;Yaw用于表示车辆横摆角速度,Thro用于表示的为油门踏板位置,中间大约在35的位置出现了黄绿色区域,则说明此时驾驶员踩下了油门进行加速,从Speed(车速)的对应位置略偏后(约在40),也可以看出红色变深,也即意味着速度的增加。
进一步的,本实施例中的司机驾驶习惯识别过程中,可以通过原始数据库中提取司机驾驶数据,并在通过嵌套式时窗法得到像素点阵图,即驾驶操作图之后,根据驾驶操作图构建驾驶操作图数据库,以通过驾驶操作图数据库来对各司机的驾驶习惯进行管理和更进一步的研究。
请一并参与图4,图4为本实施例中提供的驾驶操作图构建方法流程图,在图4中,通过根据嵌套式时窗法,对原始数据库中的数据根据预设的步进1进行大时窗数据提取和基础特征矩阵构建,并根据预设的步进2在基础特征举证中进行小时窗技术特征提取,并进行扩展统计特征计算,得到数据特征,根据数据特征构建单一驾驶操作图,最后根据所有的驾驶操作图搭建驾驶操作图数据库。需要说明的是,为了提高模型的效果,我们将最终产生的像素点阵图进行了打乱处理,防止因为顺序性导致模型过拟合。
S206:解析所述像素点阵图,得到所述待测司机的驾驶风格。
生成像素点阵图之后,分析人员可以通过像素点阵图中每个像素点的颜色类型和颜色深度确定该像素点对应的驾驶情况。示例性地,本实施例中可以通过红色和蓝色表示像素点对应的驾驶情况,比如,红色越深则代表数值越大,蓝色越深则代表数值越小,通过观察颜色深浅与变化可以知道时间序列上数据的变化特点,同时可以通过不同的行来了解不同基础特征之间的关联性。
可选的,本实施例采用的数据库中,将驾驶风格分为三类,分别为高危险度、中危险度、低危险度。
进一步的,步骤S206中可以具体包括:根据预设的深度学习方法解析所述像素点阵图,得到所述待测司机的驾驶风格。
具体的,本实施例中采用了三种深度学习方法辨识驾驶风格,分别为卷积神经网络(Convolutional Neural Network,CNN)、长短期记忆网络(Long Short-Term Memorynetwork,LSTM)、预训练长短期记忆网络Pretrain-LSTM。
请一并参阅图5,图5为本实施例中提供的卷积神经网络的具体架构。其中,以时间点阵数据DOPs作为输入,即42×60的特征矩阵。在本实施例的卷积神经网络中,以时间点阵数据DOPs作为输入,构建CNN对驾驶风格进行分类。由于DOP为特征轴Feature maps与时间轴的组合,在特征轴中1@42×60、32@1×56、32@1×28、64@1×26、64@1×13分别用于表示每次进行卷积运算的特征图的大小,与表1中第一列的数据对应,隐含单元得到896单位的数据信息,最后输出3个单位的识别结果。在卷积层设计中,将时间轴作为方向进行一维卷积,即在时间轴上进行卷积。因此,本实施例的第一层卷积层采用了42×5的卷积核,再经由1×2的最大池化层;第二层卷积层则使用了1×3的卷积核,同样经由一个1×2的最大池化层。最终由平铺和全连接层输出想要的驾驶风格类别得分。网络中使用的激活函数全部为整流线性单元(Rectified Linear Units,ReLU)。网络的损失函数使用的为交叉熵损失。详细网络结构参数如表1所示:
表1.卷积神经网络配置参数
本实施例还采用了LSTM作为分类器。本质上,我们的图片仍旧是时间序列上的数据,并且由于时间跨度为60s,非常适合于使用LSTM。因此,输入的每一秒作为一次计算,时间步参数为60。损失函数使用的为交叉熵损失。
请一并参与图6,图6为本实施例中提供的预训练LSTM的具体架构,其中,以时间点阵数据DOPs作为输入层,即42×60的特征矩阵,经过卷积层1(42*5)和最大池化层1(1*2)处理,再进行卷积层2(1*3)和最大池化层2处理(1*2),通过序列分析层得到最后的分析结果。有文献指出,通过CNN的卷积操作产生的新特征可能在分类任务中有较好的效果,因此,通过将卷积神经网络与LSTM结合在一起,作为第三种分类器对驾驶风格进行分类,损失函数使用的为交叉熵损失(本实施例和附图中*同×)。
为了验证各种方法在使用DOP时的效果,我们对上述方法进行了对比,并选取了一种传统的机器学习方法支持向量机(Support Vector Machine,SVM)作为另一组对照组。由于DOP有2520维特征,为防止过拟合,我们筛选出10维特征作为SVM的输入。具体的实验结果如表2所示:
表2.不同方法在测试集上的实验结果
表2中,Low、Moderate、High分别用于表示危险度,即低危险度、中危险度以及高危险度;表2中的数据值用于表示精确度(Precision)、召回率(Recall)、以及本实施例中设定的F1-score指标。从表中我们可以发现,CNN具有最佳的准确率(Accuracy),达到了98.5%,而预训练LSTM只有47.5%,传统的SVM方法也达到了92.2%。实验证明,本实施的方法能够很好的表征驾驶风格的特点,并借助深度学习方法进行区分。
本实施例中给出表2中F1-score等指标的具体计算方式,首先以低危险度预测正确为例定义混淆矩阵:
其中,TP(True Positive)用于表示真阳性情形下对应的样本数量,即样本真实类别为正例,且模型预测结果也为正例;TN(True Negative)用于表示真阴性情形下对应的样本数量,即样本真实类别为负例,且模型预测结果也为负例,这里TN=TN1+TN2+TN3+TN4;FP(False Positive)用于表示假阳性情形下对应的样本数量,即样本真实类别为负例,但模型预测结果为正例,这里FP=FP1+FP2;FN(False Negative)用于表示假阴性情形下对应的样本数量,即样本真实类别为正例,但模型预测结果为负例,这里FN=FN1+FN2;上述TP、FP、TN、FN均为对应情形下的样本数量。
由上述四个指标TP、FP、TN、FN引申出下列对模型的评价指标计算公式和指标意义:
进一步的,步骤S206之后还可以包括步骤:根据所述待测司机的驾驶风格,制定针对所述待测司机的驾驶建议;将所述驾驶建议发送至所述待测司机已注册的账号对应的用户终端。
具体的,本实施例中将驾驶风格分为三类,分别为高危险度、中危险度、低危险度。当确定了待测司机的驾驶风格之后,根据驾驶风格制定该待测司机的驾驶建议,并将驾驶建议发送至待测司机已注册的账号对应的用户终端,以提高道路交通安全,并减低车辆自身的能耗。
上述方案,通过获取待测司机在预设时段之内的驾驶数据;根据所述驾驶数据的生成时间和数据类型,构建驾驶数据对应的时间序列数据;根据预设的嵌套式时窗法,提取所述时间序列数据中每个区块对应的数据特征;将所有所述区块对应的数据特征进行组合,得到所述驾驶数据的数据特征。根据所述数据特征构建所述待测司机在所述预设时段内驾驶时对应的像素点阵图;解析所述像素点阵图,得到所述待测司机的驾驶风格。通过对基于时间序列的驾驶数据根据嵌套式时窗法进行大小时窗的数据特征提取,并基于时间序列的数据特征构建像素点阵图,以根据像素点阵图直观、清楚识别待测司机的风格,提高了司机驾驶风格识别的精确性和直观性。
参见图7,图7是本申请实施例三提供的一种驾驶风格识别装置的示意图。驾驶风格识别装置700可以为智能手机、平板电脑等移动终端。本实施例的驾驶风格识别装置700包括的各单元用于执行图1对应的实施例中的各步骤,具体请参阅图1及图1对应的实施例中的相关描述,此处不赘述。本实施例的驾驶风格识别装置700包括:
获取单元701,用于获取待测司机在预设时段之内的驾驶数据;
提取单元702,用于根据预设的嵌套式时窗法,提取所述驾驶数据的数据特征;
构图单元703,用于根据所述数据特征构建所述待测司机在所述预设时段内驾驶时对应的像素点阵图;
解析单元704,用于解析所述像素点阵图,得到所述待测司机的驾驶风格。
进一步的,所述提取单元702包括:
数据构建单元,用于根据所述驾驶数据的生成时间和数据类型,构建驾驶数据对应的时间序列数据;
特征提取单元,用于根据预设的嵌套式时窗法,提取所述时间序列数据中每个区块对应的数据特征;
特征组合单元,用于将所有所述区块对应的数据特征进行组合,得到所述驾驶数据的数据特征。
进一步的,所述特征提取单元包括:
时窗单元,用于根据预设的大时窗长度确定大时窗;根据预设的小时窗长度确定小时窗;所述大时窗和所述小时窗用于表示数据提取范围;
第一提取单元,用于在所述时间序列数据中按照所述大时窗的提取范围进行数据提取,得到基础矩阵;
第二提取单元,用于在所述大时窗对应的所述基础矩阵中按照所述小时窗的提取范围进行特征提取,得到每个小时窗对应的特征矩阵,并将所有所述小时窗对应的特征矩阵组合为所述数据特征。
进一步的,所述解析单元704包括:
根据预设的深度学习方法解析所述像素点阵图,得到所述待测司机的驾驶风格。
进一步的,所述驾驶风格识别装置700还包括:
建议单元,用于根据所述待测司机的驾驶风格,制定针对所述待测司机的驾驶建议;
发送单元,用于将所述驾驶建议发送至所述待测司机已注册的账号对应的用户终端。
上述方案,通过获取待测司机在预设时段之内的驾驶数据;根据所述驾驶数据的生成时间和数据类型,构建驾驶数据对应的时间序列数据;根据预设的嵌套式时窗法,提取所述时间序列数据中每个区块对应的数据特征;将所有所述区块对应的数据特征进行组合,得到所述驾驶数据的数据特征。根据所述数据特征构建所述待测司机在所述预设时段内驾驶时对应的像素点阵图;解析所述像素点阵图,得到所述待测司机的驾驶风格。通过对基于时间序列的驾驶数据根据嵌套式时窗法进行大小时窗的数据特征提取,并基于时间序列的数据特征构建像素点阵图,以根据像素点阵图直观、清楚识别待测司机的风格,提高了司机驾驶风格识别的精确性和直观性。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
参见图8,图8是本申请实施例五提供的一种驾驶风格识别装置的示意图。如图8所示的本实施例中的驾驶风格识别装置800可以包括:处理器801、存储器802以及存储在存储器802中并可在处理器801上运行的计算机程序803。处理器801执行计算机程序803时实现上述各个驾驶风格识别方法实施例中的步骤。存储器802用于存储计算机程序,所述计算机程序包括程序指令。处理器801用于执行存储器802存储的程序指令。其中,处理器801被配置用于调用所述程序指令执行以下操作:
处理器801用于:
获取待测司机在预设时段之内的驾驶数据;
根据预设的嵌套式时窗法,提取所述驾驶数据的数据特征;
根据所述数据特征构建所述待测司机在所述预设时段内驾驶时对应的像素点阵图;
解析所述像素点阵图,得到所述待测司机的驾驶风格。
进一步的,处理器801具体用于:
根据所述驾驶数据的生成时间和数据类型,构建驾驶数据对应的时间序列数据;
根据预设的嵌套式时窗法,提取所述时间序列数据中每个区块对应的数据特征;
将所有所述区块对应的数据特征进行组合,得到所述驾驶数据的数据特征。
进一步的,处理器801具体用于:
根据预设的大时窗长度确定大时窗;根据预设的小时窗长度确定小时窗;所述大时窗和所述小时窗用于表示数据提取范围;
在所述时间序列数据中按照所述大时窗的提取范围进行数据提取,得到基础矩阵;
在所述大时窗对应的所述基础矩阵中按照所述小时窗的提取范围进行特征提取,得到每个小时窗对应的特征矩阵,并将所有所述小时窗对应的特征矩阵组合为所述数据特征。
进一步的,处理器801具体用于:
根据预设的深度学习方法解析所述像素点阵图,得到所述待测司机的驾驶风格。
进一步的,处理器801具体用于:
根据所述待测司机的驾驶风格,制定针对所述待测司机的驾驶建议;
将所述驾驶建议发送至所述待测司机已注册的账号对应的用户终端。
上述方案,通过获取待测司机在预设时段之内的驾驶数据;根据所述驾驶数据的生成时间和数据类型,构建驾驶数据对应的时间序列数据;根据预设的嵌套式时窗法,提取所述时间序列数据中每个区块对应的数据特征;将所有所述区块对应的数据特征进行组合,得到所述驾驶数据的数据特征。根据所述数据特征构建所述待测司机在所述预设时段内驾驶时对应的像素点阵图;解析所述像素点阵图,得到所述待测司机的驾驶风格。通过对基于时间序列的驾驶数据根据嵌套式时窗法进行大小时窗的数据特征提取,并基于时间序列的数据特征构建像素点阵图,以根据像素点阵图直观、清楚识别待测司机的风格,提高了司机驾驶风格识别的精确性和直观性。
应当理解,在本申请实施例中,所称处理器801可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
该存储器802可以包括只读存储器和随机存取存储器,并向处理器801提供指令和数据。存储器802的一部分还可以包括非易失性随机存取存储器。例如,存储器802还可以存储设备类型的信息。
具体实现中,本申请实施例中所描述的处理器801、存储器802、计算机程序803可执行本申请实施例提供的驾驶风格识别方法的第一实施例和第二实施例中所描述的实现方式,也可执行本申请实施例所描述的终端的实现方式,在此不再赘述。
在本申请的另一实施例中提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器执行时实现:
获取待测司机在预设时段之内的驾驶数据;
根据预设的嵌套式时窗法,提取所述驾驶数据的数据特征;
根据所述数据特征构建所述待测司机在所述预设时段内驾驶时对应的像素点阵图;
解析所述像素点阵图,得到所述待测司机的驾驶风格。
进一步的,所述计算机程序被处理器执行时还实现:
根据所述驾驶数据的生成时间和数据类型,构建驾驶数据对应的时间序列数据;
根据预设的嵌套式时窗法,提取所述时间序列数据中每个区块对应的数据特征;
将所有所述区块对应的数据特征进行组合,得到所述驾驶数据的数据特征。
进一步的,所述计算机程序被处理器执行时还实现:
根据预设的大时窗长度确定大时窗;根据预设的小时窗长度确定小时窗;所述大时窗和所述小时窗用于表示数据提取范围;
在所述时间序列数据中按照所述大时窗的提取范围进行数据提取,得到基础矩阵;
在所述大时窗对应的所述基础矩阵中按照所述小时窗的提取范围进行特征提取,得到每个小时窗对应的特征矩阵,并将所有所述小时窗对应的特征矩阵组合为所述数据特征。
进一步的,所述计算机程序被处理器执行时还实现:
根据预设的深度学习方法解析所述像素点阵图,得到所述待测司机的驾驶风格。
进一步的,所述计算机程序被处理器执行时还实现:
根据所述待测司机的驾驶风格,制定针对所述待测司机的驾驶建议;
将所述驾驶建议发送至所述待测司机已注册的账号对应的用户终端。上述方案,通过获取待测司机在预设时段之内的驾驶数据;根据所述驾驶数据的生成时间和数据类型,构建驾驶数据对应的时间序列数据;根据预设的嵌套式时窗法,提取所述时间序列数据中每个区块对应的数据特征;将所有所述区块对应的数据特征进行组合,得到所述驾驶数据的数据特征。根据所述数据特征构建所述待测司机在所述预设时段内驾驶时对应的像素点阵图;解析所述像素点阵图,得到所述待测司机的驾驶风格。通过对基于时间序列的驾驶数据根据嵌套式时窗法进行大小时窗的数据特征提取,并基于时间序列的数据特征构建像素点阵图,以根据像素点阵图直观、清楚识别待测司机的风格,提高了司机驾驶风格识别的精确性和直观性。
所述计算机可读存储介质可以是前述任一实施例所述的终端的内部存储单元,例如终端的硬盘或内存。所述计算机可读存储介质也可以是所述终端的外部存储设备,例如所述终端上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述计算机可读存储介质还可以既包括所述终端的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序及所述终端所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的终端和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的终端和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本申请实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种驾驶风格识别方法,其特征在于,包括:
获取待测司机在预设时段之内的驾驶数据;
根据预设的嵌套式时窗法,提取所述驾驶数据的数据特征;
根据所述数据特征构建所述待测司机在所述预设时段内驾驶时对应的像素点阵图;
解析所述像素点阵图,得到所述待测司机的驾驶风格。
2.如权利要求1所述的驾驶风格识别方法,其特征在于,所述根据预设的嵌套式时窗法,提取所述驾驶数据的数据特征,包括:
根据所述驾驶数据的生成时间和数据类型,构建驾驶数据对应的时间序列数据;
根据预设的嵌套式时窗法,提取所述时间序列数据中每个区块对应的数据特征;
将所有所述区块对应的数据特征进行组合,得到所述驾驶数据的数据特征。
3.如权利要求2所述的驾驶风格识别方法,其特征在于,所述根据预设的嵌套式时窗法,提取所述时间序列数据中每个区块对应的数据特征,包括:
根据预设的大时窗长度确定大时窗;根据预设的小时窗长度确定小时窗;所述大时窗和所述小时窗用于表示数据提取范围;
在所述时间序列数据中按照所述大时窗的提取范围进行数据提取,得到基础矩阵;
在所述大时窗对应的所述基础矩阵中按照所述小时窗的提取范围进行特征提取,得到每个小时窗对应的特征矩阵,并将所有所述小时窗对应的特征矩阵组合为所述数据特征。
4.如权利要求1所述的驾驶风格识别方法,其特征在于,所述解析所述像素点阵图,得到所述待测司机的驾驶风格,包括:
根据预设的深度学习方法解析所述像素点阵图,得到所述待测司机的驾驶风格。
5.如权利要求1-4任一项所述的驾驶风格识别方法,其特征在于,所述解析所述像素点阵图,得到所述待测司机的驾驶风格之后,还包括:
根据所述待测司机的驾驶风格,制定针对所述待测司机的驾驶建议;
将所述驾驶建议发送至所述待测司机已注册的账号对应的用户终端。
6.一种驾驶风格识别装置,其特征在于,包括:
获取待测司机在预设时段之内的驾驶数据;
根据预设的嵌套式时窗法,提取所述驾驶数据的数据特征;
根据所述数据特征构建所述待测司机在所述预设时段内驾驶时对应的像素点阵图;
解析所述像素点阵图,得到所述待测司机的驾驶风格。
7.如权利要求6所述的驾驶风格识别装置,其特征在于,所述提取单元包括:
数据构建单元,用于根据所述驾驶数据的生成时间和数据类型,构建驾驶数据对应的时间序列数据;
特征提取单元,用于根据预设的嵌套式时窗法,提取所述时间序列数据中每个区块对应的数据特征;
特征组合单元,用于将所有所述区块对应的数据特征进行组合,得到所述驾驶数据的数据特征。
8.如权利要求7所述的驾驶风格识别装置,其特征在于,所述特征提取单元包括:
时窗单元,用于根据预设的大时窗长度确定大时窗;根据预设的小时窗长度确定小时窗;所述大时窗和所述小时窗用于表示数据提取范围;
第一提取单元,用于在所述时间序列数据中按照所述大时窗的提取范围进行数据提取,得到基础矩阵;
第二提取单元,用于在所述大时窗对应的所述基础矩阵中按照所述小时窗的提取范围进行特征提取,得到每个小时窗对应的特征矩阵,并将所有所述小时窗对应的特征矩阵组合为所述数据特征。
9.一种驾驶风格识别装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910565788.3A CN110378397B (zh) | 2019-06-27 | 2019-06-27 | 一种驾驶风格识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910565788.3A CN110378397B (zh) | 2019-06-27 | 2019-06-27 | 一种驾驶风格识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110378397A true CN110378397A (zh) | 2019-10-25 |
CN110378397B CN110378397B (zh) | 2021-08-24 |
Family
ID=68250777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910565788.3A Active CN110378397B (zh) | 2019-06-27 | 2019-06-27 | 一种驾驶风格识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110378397B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111731312A (zh) * | 2020-06-15 | 2020-10-02 | 苏州绿科智能机器人研究院有限公司 | 提取驾驶风格特征参数的实验系统及驾驶风格识别方法 |
CN112061136A (zh) * | 2020-08-26 | 2020-12-11 | 西北工业大学 | 基于长短期记忆网络的司机驾驶行为自动化分析方法 |
CN113173170A (zh) * | 2021-01-08 | 2021-07-27 | 海南华天科创软件开发有限公司 | 基于人员画像个性化算法 |
CN115081545A (zh) * | 2022-07-22 | 2022-09-20 | 天津所托瑞安汽车科技有限公司 | 司机轮换识别方法以及识别模型构建方法 |
CN115909291A (zh) * | 2022-11-07 | 2023-04-04 | 江西航盛电子科技有限公司 | 基于车辆数据的驾驶员驾驶状态监测系统及其方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101126810A (zh) * | 2007-09-21 | 2008-02-20 | 北京航空航天大学 | 一种合成孔径雷达图像自适应斑点噪声抑制方法 |
CN107229752A (zh) * | 2017-06-27 | 2017-10-03 | 重庆邮电大学 | 一种基于嵌套时间窗口的流式数据频繁项集挖掘算法 |
CN108629372A (zh) * | 2018-05-07 | 2018-10-09 | 福州大学 | 获取驾驶风格特征参数的实验系统及驾驶风格识别方法 |
CN108995653A (zh) * | 2018-07-06 | 2018-12-14 | 北京理工大学 | 一种驾驶员驾驶风格识别方法及系统 |
CN109086794A (zh) * | 2018-06-27 | 2018-12-25 | 武汉理工大学 | 一种基于t-lda主题模型的驾驶行为模式识方法 |
CN109214438A (zh) * | 2018-08-22 | 2019-01-15 | 重庆信络威科技有限公司 | 一种基于卷积神经网络的驾驶行为识别系统的搭建方法 |
CN109243006A (zh) * | 2018-08-24 | 2019-01-18 | 深圳市国脉畅行科技股份有限公司 | 异常驾驶行为识别方法、装置、计算机设备及存储介质 |
JP2019016278A (ja) * | 2017-07-10 | 2019-01-31 | 株式会社Subaru | 車両の走行支援装置 |
CN109436085A (zh) * | 2018-11-13 | 2019-03-08 | 常熟理工学院 | 一种基于驾驶风格的线控转向系统传动比控制方法 |
-
2019
- 2019-06-27 CN CN201910565788.3A patent/CN110378397B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101126810A (zh) * | 2007-09-21 | 2008-02-20 | 北京航空航天大学 | 一种合成孔径雷达图像自适应斑点噪声抑制方法 |
CN107229752A (zh) * | 2017-06-27 | 2017-10-03 | 重庆邮电大学 | 一种基于嵌套时间窗口的流式数据频繁项集挖掘算法 |
JP2019016278A (ja) * | 2017-07-10 | 2019-01-31 | 株式会社Subaru | 車両の走行支援装置 |
CN108629372A (zh) * | 2018-05-07 | 2018-10-09 | 福州大学 | 获取驾驶风格特征参数的实验系统及驾驶风格识别方法 |
CN109086794A (zh) * | 2018-06-27 | 2018-12-25 | 武汉理工大学 | 一种基于t-lda主题模型的驾驶行为模式识方法 |
CN108995653A (zh) * | 2018-07-06 | 2018-12-14 | 北京理工大学 | 一种驾驶员驾驶风格识别方法及系统 |
CN109214438A (zh) * | 2018-08-22 | 2019-01-15 | 重庆信络威科技有限公司 | 一种基于卷积神经网络的驾驶行为识别系统的搭建方法 |
CN109243006A (zh) * | 2018-08-24 | 2019-01-18 | 深圳市国脉畅行科技股份有限公司 | 异常驾驶行为识别方法、装置、计算机设备及存储介质 |
CN109436085A (zh) * | 2018-11-13 | 2019-03-08 | 常熟理工学院 | 一种基于驾驶风格的线控转向系统传动比控制方法 |
Non-Patent Citations (3)
Title |
---|
G. LI 等: "Field operational test of advanced driver assistance systems in typical Chinese road conditions: The influence of driver gender age and aggression", 《AUTOMOT. TECHNOL》 * |
PATRICK BROMBACHER 等: "Driving event detection and driving style classification using artificial neural networks", 《2017 IEEE INTERNATIONAL CONFERENCE ON INDUSTRIAL TECHNOLOGY (ICIT)》 * |
李国法: "基于模式转移和操控特性的驾驶风格评测研究", 《中国博士学位论文全文数据库哲学与人文科学辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111731312A (zh) * | 2020-06-15 | 2020-10-02 | 苏州绿科智能机器人研究院有限公司 | 提取驾驶风格特征参数的实验系统及驾驶风格识别方法 |
CN112061136A (zh) * | 2020-08-26 | 2020-12-11 | 西北工业大学 | 基于长短期记忆网络的司机驾驶行为自动化分析方法 |
CN113173170A (zh) * | 2021-01-08 | 2021-07-27 | 海南华天科创软件开发有限公司 | 基于人员画像个性化算法 |
CN115081545A (zh) * | 2022-07-22 | 2022-09-20 | 天津所托瑞安汽车科技有限公司 | 司机轮换识别方法以及识别模型构建方法 |
CN115081545B (zh) * | 2022-07-22 | 2022-11-25 | 天津所托瑞安汽车科技有限公司 | 司机轮换识别方法以及识别模型构建方法 |
CN115909291A (zh) * | 2022-11-07 | 2023-04-04 | 江西航盛电子科技有限公司 | 基于车辆数据的驾驶员驾驶状态监测系统及其方法 |
CN115909291B (zh) * | 2022-11-07 | 2023-08-25 | 江西航盛电子科技有限公司 | 基于车辆数据的驾驶员驾驶状态监测系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110378397B (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378397A (zh) | 一种驾驶风格识别方法及装置 | |
Tao et al. | An object detection system based on YOLO in traffic scene | |
CN108537191B (zh) | 一种基于结构光摄像头的三维人脸识别方法 | |
EP4116867A1 (en) | Vehicle tracking method and apparatus, and electronic device | |
CN106228185B (zh) | 一种基于神经网络的通用图像分类识别系统及方法 | |
CN109242251A (zh) | 行车行为安全性检测方法、装置、设备及存储介质 | |
CN102364497B (zh) | 一种应用于电子导盲系统的图像语义提取方法 | |
CN108288035A (zh) | 基于深度学习的多通道图像特征融合的人体动作识别方法 | |
CN110020651A (zh) | 基于深度学习网络的车牌检测定位方法 | |
CN102136066B (zh) | 一种视频序列中人体动作的识别方法 | |
CN111368788A (zh) | 图像识别模型的训练方法、装置及电子设备 | |
CN105869173A (zh) | 一种立体视觉显著性检测方法 | |
CN103942568A (zh) | 一种基于无监督特征选择的分类方法 | |
CN103778414A (zh) | 基于深度神经网络的实时人脸识别方法 | |
CN109117742A (zh) | 手势检测模型处理方法、装置、设备及存储介质 | |
CN108764282A (zh) | 一种类别增量行为识别方法和系统 | |
CN109740479A (zh) | 一种车辆重识别方法、装置、设备及可读存储介质 | |
CN106780582A (zh) | 基于纹理特征和颜色特征融合的图像显著性检测方法 | |
CN106682681A (zh) | 一种基于相关反馈的识别算法自动改进方法 | |
CN108694408A (zh) | 一种基于深度稀疏滤波卷积神经网络的驾驶行为识别方法 | |
CN110717154A (zh) | 运动轨迹的特征处理方法、设备以及计算机存储介质 | |
CN113033321A (zh) | 目标行人属性识别模型的训练方法及行人属性识别方法 | |
CN103336830B (zh) | 基于结构语义直方图的图像检索方法 | |
CN110287938A (zh) | 基于关键片段检测的事件识别方法、系统、设备及介质 | |
CN110781760A (zh) | 一种基于空间注意的面部表情识别方法和装置 |
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 |