CN110550035B - 驾驶行为检测方法、装置、计算机设备及存储介质 - Google Patents
驾驶行为检测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110550035B CN110550035B CN201910750554.6A CN201910750554A CN110550035B CN 110550035 B CN110550035 B CN 110550035B CN 201910750554 A CN201910750554 A CN 201910750554A CN 110550035 B CN110550035 B CN 110550035B
- Authority
- CN
- China
- Prior art keywords
- acceleration
- data
- value
- preset
- driving
- 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
-
- 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
-
- 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
- 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
- B60W40/10—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 vehicle motion
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
Abstract
本申请揭示了一种驾驶行为检测方法、装置、计算机设备及存储介质,驾驶行为检测方法包括:实时获取车辆行驶过程中的第一加速度数据、第一角加速度数据和第一方位角数据;根据第一加速度数据、第一角加速度数据、第一方位角数据、预设第一特征值数据、预设第二特征值数据、预设第三特征值数据和第一算法,计算出各个行驶状态下的加速度参考值、角加速度参考值和方位角参考值;将相同行驶状态下的加速度参考值与预设加速度阈值、角加速度参考值与预设角加速度阈值、方位角参考值与预设方位角阈值分别进行比较;根据全部的比较结果,判定用户当前是否存在危险驾驶行为。该驾驶行为检测方法可检测驾驶人员是否存在危险驾驶的行为。
Description
技术领域
本申请涉及到交通安全技术领域,特别是涉及到一种驾驶行为检测方法、装置、计算机设备及存储介质。
背景技术
近年来,随着汽车行业的发展和人们生活水平的提高,居民汽车持有量持续增长,但随之而来的交通事故也频繁发生,诸如车辆的追尾碰撞、侧翻等,而这些交通事故背后的原因大部分都是由于驾驶人员的危险驾驶行为而导致的。
针对驾驶人员而言,存在危险驾驶行为的驾驶人员往往很少会意识到自己存在危险驾驶行为,从而容易带来较大的交通安全隐患,因此,为避免危险驾驶行为所带来的交通安全隐患,实时对驾驶人员的驾驶行为进行检测就显得尤为必要了。
发明内容
本申请的主要目的为提供一种驾驶行为检测方法、装置、计算机设备及存储介质,旨在检测驾驶人员在车辆行驶的过程中是否存在危险驾驶的行为,以避免危险驾驶行为所带来的交通安全隐患。
本申请提出一种驾驶行为检测方法,应用于移动终端上,该方法包括:
实时获取车辆行驶过程中的驾驶数据,其中,驾驶数据包括第一加速度数据、第一角加速度数据和第一方位角数据;
根据第一加速度数据、各个行驶状态下对应第一加速度数据的预设第一特征值数据和预设的第一算法,计算出各个行驶状态下的加速度参考值;以及,根据第一角加速度数据、各个行驶状态下对应第一角加速度数据的预设第二特征值数据和第一算法,计算出各个行驶状态下的角加速度参考值;以及,根据第一方位角数据、各个行驶状态下对应第一方位角数据的预设第三特征值数据和第一算法,计算出各个行驶状态下的方位角参考值,其中,行驶状态包括急转弯状态、急加速状态和急刹车状态;
分别将相同行驶状态下的加速度参考值与预设加速度阈值进行比较、角加速度参考值与预设角加速度阈值进行比较、方位角参考值与预设方位角阈值进行比较;
若相同行驶状态下的加速度参考值大于预设加速度阈值,且相同行驶状态下的角加速度参考值大于预设角加速度阈值,且相同行驶状态下的方位角参考值大于预设方位角阈值,则判定用户当前存在危险驾驶行为,其中,危险驾驶行为包括急转弯、急加速、急刹车中的一种或多种。
进一步地,预设第一特征值数据包括在特定行驶状态下与X轴的加速度值相对应的第一特征值系数、在特定行驶状态下与Y轴的加速度值相对应的第二特征值系数,在特定行驶状态下与Z轴的加速度值相对应的第三特征值系数,根据第一加速度数据、各个行驶状态下对应第一加速度数据的预设第一特征值数据和预设的第一算法,计算出各个行驶状态下的加速度参考值的步骤,包括:
利用预设的第一计算公式a参=Aax1+Bay1+Caz1,对第一加速度数据进行计算,获得对应急转弯状态的第一加速度参考值、对应急加速状态的第二加速度参考值和对应急刹车状态的第三加速度参考值,其中,在第一计算公式中,a参为特定行驶状态下的加速度参考值,ax1为第一加速度数据中X轴的加速度值,ay1为第一加速度数据中Y轴的加速度值,az1为第一加速度数据中Z轴的加速度值,A为第一特征值系数,B为第二特征值系数,C为第三特征值系数。
进一步地,实时获取车辆行驶过程中的驾驶数据的步骤之前,还包括:
按照预定频率采集预定时长内各个行驶状态下的加速度样本数据,其中,每个行驶状态下的加速度样本数据至少有三组;
利用预设的第二计算公式分别对各个行驶状态下的各组加速度样本数据进行计算,获得多组对应的总加速度值,其中,在第二计算公式中,a总为特定行驶状态下的总加速度值,ax为特定行驶状态下加速度样本数据中X轴的加速度值,ay为特定行驶状态下加速度样本数据中Y轴的加速度值,az为特定行驶状态下加速度样本数据中Z轴的加速度值;
对各个行驶状态下的各组加速度样本数据和多组对应的总加速度值分别进行傅里叶变换,获得多组各个行驶状态下的第一频域数据和多组对应总加速度值的第二频域数据;
对各组第一频域数据和各组第二频域数据分别进行频谱分析,获得多组各个行驶状态下对应加速度样本数据的第一特征值和多组对应总加速度值的第二特征值;
利用预设的第二计算公式Ax+By+Cz=Max,分别对各组第一特征值和各组第二特征值进行计算,获得第一特征值系数、第二特征值系数和第三特征值系数,其中,在第二计算公式中,A为第一特征值系数,B为第二特征值系数,C为第三特征值系数,x为在特定行驶状态下与X轴的加速度值相对应的第一特征值,y为在特定行驶状态下与Y轴的加速度值相对应的第一特征值,z为在特定行驶状态下与Z轴的加速度值相对应的第一特征值,Max为与特定行驶状态下的总加速度值相对应的第二特征值。
进一步地,实时获取车辆行驶过程中的驾驶数据的步骤之前,还包括:
在指定时长内按照预设频率连续采集用户的多组运动数据,其中,运动数据包括第二加速度数据、第二角加速度数据和第二方位角数据;
根据第二加速度数据、在行程开始状态下对应第二加速度数据的预设第四特征值数据和预设的第二算法,计算出对应行程开始状态的第四加速度参考值;以及,根据第二角加速数据和预设的计步算法,计算出用户的运动步数;以及,根据第二方位角数据、在使用移动终端状态下对应第二方位角数据的预设第五特征值数据和第二算法,计算出对应使用移动终端状态的方位角参照值;
分别将第四加速度参考值与预设的加速度阀值进行比较、运动步数与预设的步数阀值进行比较、方位角参照值与预设的方位角阀值进行比较,并根据比较的结果判断用户当前是否处于开车状态;
若用户当前处于开车状态,则执行实时获取车辆行驶过程中的驾驶数据的步骤。
进一步地,预设第四特征值数据包括在行程开始状态下与X轴的加速度值相对应的第四特征值系数、在行程开始状态下与Y轴的加速度值相对应的第五特征值系数,在行程开始状态下与Z轴的加速度值相对应的第六特征值系数,根据第二加速度数据、在行程开始状态下对应第二加速度数据的预设第四特征值数据和预设的第二算法,计算出对应行程开始状态的第四加速度参考值的步骤,包括:
利用预设的第三计算公式对第二加速度数据进行计算,获得第四加速度参考值,其中,在第三计算公式中,a四参为第四加速度参考值,ax2为第二加速度数据中X轴的加速度值,ay2为第二加速度数据中Y轴的加速度值,az2为第二加速度数据中Z轴的加速度值,D为第四特征值系数,E为第五特征值系数,F为第六特征值系数,n为指定时长。
进一步地,驾驶数据还包括GPS数据,GPS数据包括速度信息、加速度信息和方位角信息;判定用户当前存在危险驾驶行为的步骤之后,还包括:
若用户当前存在急转弯的危险驾驶行为,则判断速度信息中的速度值是否大于预设速度阈值以及方位角信息中的方位角度值是否大于在急转弯状态下的预设方位角阈值;
若用户当前存在急加速的危险驾驶行为,则判断在预设时间段内加速度信息的总加速度值是否大于在急加速状态下的预设加速度阈值;
若用户当前存在急刹车的危险驾驶行为,则判断在预设时间段内加速度信息的总加速度值是否大于在急刹车状态下的预设加速度阈值;
根据判断结果,确定用户当前是否存在危险驾驶行为以及危险驾驶行为的类型。
进一步地,根据判断结果,确定用户当前是否存在危险驾驶行为以及危险驾驶行为的类型的步骤之后,还包括:
当用户当前存在危险驾驶行为时,获取当前位置信息和时间信息;
将危险驾驶行为的类型与位置信息、时间信息进行关联,生成关联信息。
本申请还提出一种驾驶行为检测装置,应用于移动终端上,该装置包括:
第一获取模块,用于实时获取车辆行驶过程中的驾驶数据,其中,驾驶数据包括第一加速度数据、第一角加速度数据和第一方位角数据;
第一计算模块,用于根据第一加速度数据、各个行驶状态下对应第一加速度数据的预设第一特征值数据和预设的第一算法,计算出各个行驶状态下的加速度参考值;以及,根据第一角加速度数据、各个行驶状态下对应第一角加速度数据的预设第二特征值数据和第一算法,计算出各个行驶状态下的角加速度参考值;以及,根据第一方位角数据、各个行驶状态下对应第一方位角数据的预设第三特征值数据和第一算法,计算出各个行驶状态下的方位角参考值,其中,行驶状态包括急转弯状态、急加速状态和急刹车状态;
比较模块,用于分别将相同行驶状态下的加速度参考值与预设加速度阈值进行比较、角加速度参考值与预设角加速度阈值进行比较、方位角参考值与预设方位角阈值进行比较;
判定模块,用于当相同行驶状态下的加速度参考值大于预设加速度阈值,且相同行驶状态下的角加速度参考值大于预设角加速度阈值,且相同行驶状态下的方位角参考值大于预设方位角阈值时,则判定用户当前存在危险驾驶行为,其中,危险驾驶行为包括急转弯、急加速、急刹车中的一种或多种。
本申请还提出一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现前述的驾驶行为检测方法的步骤。
本申请还提出一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现前述的驾驶行为检测方法的步骤。
本申请的有益效果是:本申请实施例提供的驾驶行为检测方法,通过移动终端实时获取车辆行驶过程中的驾驶数据,进而通过结合车辆在不同行驶状态下的预设特征值数据进行计算,可获得各个行驶状态下对应的加速度参考值、角加速度参考值和方位角参考值,然后再通过将计算获得的加速度参考值、角加速度参考值、方位角参考值分别与对应的预设加速度阈值、预设角加速度阈值、预设方位角阈值一一进行比较,可实时检测出驾驶人员在车辆行驶的过程中是否存在危险驾驶的行为,进而当发生危险驾驶行为时,可通过发出语音提示等方式来提醒用户安全驾驶,从而可避免危险驾驶行为所带来的交通安全隐患。
附图说明
图1是本申请一实施中驾驶行为检测方法的流程示意图;
图2是本申请一实施中驾驶行为检测装置的结构示意图;
图3是本申请一实施中计算机设备的结构示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
参照图1,本申请实施例提出一种驾驶行为检测方法,应用于移动终端上,该方法包括:
S11,实时获取车辆行驶过程中的驾驶数据,其中,驾驶数据包括第一加速度数据、第一角加速度数据和第一方位角数据;
S12,根据第一加速度数据、各个行驶状态下对应第一加速度数据的预设第一特征值数据和预设的第一算法,计算出各个行驶状态下的加速度参考值;以及,根据第一角加速度数据、各个行驶状态下对应第一角加速度数据的预设第二特征值数据和第一算法,计算出各个行驶状态下的角加速度参考值;以及,根据第一方位角数据、各个行驶状态下对应第一方位角数据的预设第三特征值数据和第一算法,计算出各个行驶状态下的方位角参考值,其中,行驶状态包括急转弯状态、急加速状态和急刹车状态;
S13,分别将相同行驶状态下的加速度参考值与预设加速度阈值进行比较、角加速度参考值与预设角加速度阈值进行比较、方位角参考值与预设方位角阈值进行比较;
S14,若相同行驶状态下的加速度参考值大于预设加速度阈值,且相同行驶状态下的角加速度参考值大于预设角加速度阈值,且相同行驶状态下的方位角参考值大于预设方位角阈值,则判定用户当前存在危险驾驶行为,其中,危险驾驶行为包括急转弯、急加速、急刹车中的一种或多种。
在上述S11中,具体地,移动终端可通过内置的线性加速度传感器获取车辆行驶过程中的第一加速度数据、通过内置的陀螺仪获取车辆行驶过程中的第一角加速度数据以及通过内置的方向传感器获取车辆行驶过程中的第一方位角数据,其中,第一加速度数据包括X、Y、Z三个轴向的加速度值,第一角加速度数据包括X、Y、Z三个轴向的角加速度值,第一方位角数据包括俯仰角(即pitch值)、偏航角(即yaw值)和翻滚角(即roll值)。
在上述S12中,预设第一特征值数据的作用在于结合第一算法对采集到的第一加速度数据进行修正,以获得用于进行驾驶行为检测的加速度参考值,行驶状态、第一加速度数据和第一特征值数据三者为一一对应的映射关系;同理,预设第一特征值数据的作用在于结合第一算法对采集到的第一角加速度数据进行修正,以获得用于进行驾驶行为检测的加速度参考值,行驶状态、第一角加速度数据和第一特征值数据三者为一一对应的映射关系;预设第一特征值数据的作用在于结合第一算法对采集到的第一方位角数据进行修正,以获得用于进行驾驶行为检测的加速度参考值,行驶状态、第一方位角数据和第一特征值数据三者为一一对应的映射关系。
在上述S13和S14中,具体地,获得各个行驶状态下的加速度参考值、角加速度参考值和方位角参考值后,为检测用户当前是否存在危险驾驶行为,可分别将急转弯状态下的加速度参考值与对应急转弯状态的预设加速度阈值进行比较、急转弯状态下的角加速度参考值与对应急转弯状态的预设角加速度阈值进行比较、急刹车状态下的加速度参考值与对应急刹车状态的预设加速度阈值进行比较,若急转弯状态下的加速度参考值大于对应急转弯状态的预设加速度阈值,且急转弯状态下的角加速度参考值大于对应急转弯状态的预设角加速度阈值,且急刹车状态下的加速度参考值大于对应急刹车状态的预设加速度阈值,则移动终端可据此判定用户当前存在危险驾驶行为(即存在急转弯的危险驾驶行为);同理,还可利用对应急加速状态的已知数据或者利用对应急刹车状态的已知数据,来判断用户当前是否存在危险驾驶行为(如是否存在急加速的危险驾驶行为或者急刹车的危险驾驶行为),其判断过程与上述利用对应急转弯状态的已知数据来进行判断的过程类似,对此不再赘述。
在本实施例中,该驾驶行为检测方法,通过移动终端实时获取车辆行驶过程中的驾驶数据,进而通过结合车辆在不同行驶状态(急转弯状态、急加速状态和急刹车状态)下的预设特征值数据进行计算,可获得各个行驶状态下对应的加速度参考值、角加速度参考值和方位角参考值,然后再通过将计算获得的加速度参考值、角加速度参考值、方位角参考值分别与对应的预设加速度阈值、预设角加速度阈值、预设方位角阈值一一进行比较,可实时检测出驾驶人员在车辆行驶的过程中是否存在危险驾驶的行为,进而当发生危险驾驶行为时,可通过发出语音提示等方式来提醒用户安全驾驶,从而可避免危险驾驶行为所带来的交通安全隐患。
在一个可选的实施例中,上述实时获取车辆行驶过程中的驾驶数据,其中,驾驶数据包括第一加速度数据、第一角加速度数据和第一方位角数据的步骤,包括:
S111,实时采集车辆行驶过程中的加速度数据、角加速度数据和方位角数据;
S112,对加速度数据进行低通滤波处理,获得第一加速度数据,以及,分别对角加速度数据、方位角数据进行带通滤波处理,获得第一角加速度数据和第一方位角数据。
在本实施例中,通过对实时采集到的加速度数据进行低通滤波处理、对实时采集到的角加速度数据和方位角数据进行带通滤波处理,可处理掉驾驶数据中的异常信号,避免异常信号所带来的干扰,从而可提升数据的准确性,提高驾驶行为检测的准确性。
在一个可选的实施例中,预设第一特征值数据包括在特定行驶状态下与X轴的加速度值相对应的第一特征值系数、在特定行驶状态下与Y轴的加速度值相对应的第二特征值系数,在特定行驶状态下与Z轴的加速度值相对应的第三特征值系数,上述根据第一加速度数据、各个行驶状态下对应第一加速度数据的预设第一特征值数据和预设的第一算法,计算出各个行驶状态下的加速度参考值的步骤,包括:
利用预设的第一计算公式a参=Aax1+Bay1+Caz1,对第一加速度数据进行计算,获得对应急转弯状态的第一加速度参考值、对应急加速状态的第二加速度参考值和对应急刹车状态的第三加速度参考值,其中,在第一计算公式中,a参为特定行驶状态下的加速度参考值,ax1为第一加速度数据中X轴的加速度值,ay1为第一加速度数据中Y轴的加速度值,az1为第一加速度数据中Z轴的加速度值,A为第一特征值系数,B为第二特征值系数,C为第三特征值系数。
在本实施例中,上述特定行驶状态为急转弯状态,或急加速状态,或急刹车状态;当特定行驶状态为急转弯状态时,则利用上述第一计算公式可计算出对应急转弯状态的加速度参考值(即第一加速度参考值),当特定行驶状态为急加速状态时,则利用上述第一计算公式可计算出对应急加速状态的加速度参考值(即第二加速度参考值),当特定行驶状态为急刹车状态时,则利用上述第一计算公式可计算出对应急刹车状态的加速度参考值(即第三加速度参考值)。
在其它一些实施例中,上述根据第一角加速度数据、各个行驶状态下对应第一角加速度数据的预设第二特征值数据和第一算法,计算出各个行驶状态下的角加速度参考值的计算过程,以及上述根据第一方位角数据、各个行驶状态下对应第一方位角数据的预设第三特征值数据和第一算法,计算出各个行驶状态下的方位角参考值的计算过程,与上述利用第一计算公式计算出各个行驶状态下的加速度参考值类似(即,将第一计算公式中的相关参数改为对应角加速度数据或者对应方位角数据的参数),本领域技术人员都可以理解,对此不再赘述。
在一个可选的实施例中,上述实时获取车辆行驶过程中的驾驶数据的步骤之前,还包括:
S10a,按照预定频率采集预定时长内各个行驶状态下的加速度样本数据,其中,每个行驶状态下的加速度样本数据至少有三组;
S10b,利用预设的第二计算公式分别对各个行驶状态下的各组加速度样本数据进行计算,获得多组对应的总加速度值,其中,在第二计算公式中,a总为特定行驶状态下的总加速度值,ax为特定行驶状态下加速度样本数据中X轴的加速度值,ay为特定行驶状态下加速度样本数据中Y轴的加速度值,az为特定行驶状态下加速度样本数据中Z轴的加速度值;
S10c,对各个行驶状态下的各组加速度样本数据和多组对应的总加速度值分别进行傅里叶变换,获得多组各个行驶状态下的第一频域数据和多组对应总加速度值的第二频域数据;
S10d,对各组第一频域数据和各组第二频域数据分别进行频谱分析,获得多组各个行驶状态下对应加速度样本数据的第一特征值和多组对应总加速度值的第二特征值;
S10e,利用预设的第二计算公式Ax+By+Cz=Max,分别对各组第一特征值和各组第二特征值进行计算,获得第一特征值系数、第二特征值系数和第三特征值系数,其中,在第二计算公式中,A为第一特征值系数,B为第二特征值系数,C为第三特征值系数,x为在特定行驶状态下与X轴的加速度值相对应的第一特征值,y为在特定行驶状态下与Y轴的加速度值相对应的第一特征值,z为在特定行驶状态下与Z轴的加速度值相对应的第一特征值,Max为与特定行驶状态下的总加速度值相对应的第二特征值。
在上述S10a中,在使用车辆行驶过程中实时采集到的第一加速度数据、第一角加速度数据和第一方位角数据进行驾驶行为检测之前,可分别在急转弯状态、急加速状态和急刹车状态下利用移动终端内置的加速度传感器采集加速度样本数据,上述预定时长可以是2秒、3秒、4秒等,对此不作具体的限制;预定频率可以是每0.5秒1次、每秒1次等,对此不作具体的限制;示例性的,可在3秒内按每秒1次的频率分别采集车辆在急转弯状态下的三组加速度样本数据、在急加速状态下的三组加速度样本数据和在急刹车状态下的三组加速度样本数据。
在上述S10b中,示例性地,将在急转弯状态下的三组加速度样本数据分别代入上述第二公式进行计算,可获得在急转弯状态下的三组总加速度值,计算急加速状态、急刹车状态下的总加速度值的过程与前述类似,本领域技术人员可以理解,对此不再赘述。
在上述S10c中,上述第一频域数据和第二频域数据具体表现形式为频谱图,示例性地,以在急转弯状态下采集到的加速度样本数据进行说明,对应急转弯状态的加速度样本数据包括X、Y、Z三个轴向的加速度值,通过对X、Y、Z三个轴向的加速度值进行傅里叶变换,可获得X、Y、Z三个轴向对应的频谱图(即第一频域数据),同理,通过对急转弯状态下的总加速度值进行傅里叶变换,可获得该总加速值对应的频谱图(即第二频域数据);对急加速状态下、急刹车状态下的加速度样本数据和总加速度值进行傅里叶变换的相关过程与前述类似,对此不再赘述。
在上述S10d中,示例性地,以对急转弯状态下的第一频域数据和第二频域数据分别进行频谱分析为例进行说明,通过对X、Y、Z三个轴向对应的频谱图进行频谱分析,可提取到X、Y、Z三个轴向的加速度值对应的特征值(即第一特征值),通过对总加速度值对应的频谱图进行频谱分析,可提取到总加速度值对应的特征值(即第二特征值),其中,上述第一特征值和第二特征值是指能量密度最大值(即频谱图中的波峰值),对急加速状态下、急刹车状态下的第一频域数据和第二频域数据分别进行频谱分析的相关过程与前述类似,对此不再赘述。
在上述S10e中,上述特定行驶状态为急转弯状态,或急加速状态,或急刹车状态;当特定行驶状态为急转弯状态时,则将对应急转弯状态的三组第一特征值和三组第二特征值代入到上述第一计算公式中进行解方程组,可计算出对应急转弯状态的第一特征值系数、第二特征值系数和第三特征值系数;当特定行驶状态为急加速状态时,则将对应急加速状态的三组第一特征值和三组第二特征值代入到上述第一计算公式中进行解方程组,可计算出对应急加速状态的第一特征值系数、第二特征值系数和第三特征值系数;当特定行驶状态为急刹车状态时,则将对应急刹车状态的三组第一特征值和三组第二特征值代入到上述第一计算公式中进行解方程组,可计算出对应急刹车状态的第一特征值系数、第二特征值系数和第三特征值系数,此处需要说明的是,在其它一些实施例中,可采用与本实施例相同的发明构思,获得其它状态下的特征值系数(如下述的第四特征值系数、第五特征值系数和第六特征值系数)。
在一个可选的实施例中,上述实时获取车辆行驶过程中的驾驶数据的步骤之前,还包括:
S101,在指定时长内按照预设频率连续采集用户的多组运动数据,其中,运动数据包括第二加速度数据、第二角加速度数据和第二方位角数据;
S102,根据第二加速度数据、在行程开始状态下对应第二加速度数据的预设第四特征值数据和预设的第二算法,计算出对应行程开始状态的第四加速度参考值;以及,根据第二角加速数据和预设的计步算法,计算出用户的运动步数;以及,根据第二方位角数据、在使用移动终端状态下对应第二方位角数据的预设第五特征值数据和第二算法,计算出对应使用移动终端状态的方位角参照值;
S103,分别将第四加速度参考值与预设的加速度阀值进行比较、运动步数与预设的步数阀值进行比较、方位角参照值与预设的方位角阀值进行比较,并根据比较的结果判断用户当前是否处于开车状态;
若用户当前处于开车状态,则执行上述S11,实时获取车辆行驶过程中的驾驶数据,其中,驾驶数据包括第一加速度数据、第一角加速度数据和第一方位角数据。
在上述S101中,上述指定时长可以是15秒、16秒、17秒等,对此不作具体限制;具体地,移动终端可通过内置的线性加速度传感器、陀螺仪和方向传感器分别在指定时长内(如15秒)按照预设频率(如每秒1次)连续采集用户的多组(如15组)第二加速度数据、第二角加速度数据和第二方位角数据,其中,第二加速度数据包括X、Y、Z三个轴向的加速度值,第二角加速度数据包括X、Y、Z三个轴向的角加速度值,第二方位角数据包括俯仰角(即pitch值)、偏航角(即yaw值)和翻滚角(即roll值)。
在上述S102中,具体地,上述第四加速度参考值的计算过程如下:上述预设第四特征值数据的作用在于结合第二算法对采集到的第二加速度数据进行修正,以获得用于检测用户是否处于行程开始状态的第四加速度参考值,上述预设第五特征值数据的作用在于结合第二算法对采集到的第二方位角数据进行修正,以获得用于检测用户是否处于使用移动终端状态的方位角参照值,根据采集到的多组第二角加速数据计算出用户在指定时长内的运动步数,即利用预设的计步算法对陀螺仪数据进行计算,计算出运动步数,由于已是比较成熟的现有技术,因此此处不再赘述。
在上述S103中,具体地,若第四加速度参考值大于预设的加速度阀值,则移动终端可据此判定用户处于行车开始状态;若运动步数大于预设的步数阀值,则移动终端可据此判定用户处于步行状态;若方位角参照值大于预设的方位角阀值,则移动终端可据此判定用户处于使用移动终端状态;一般地,由于用户处于开车状态下,会将移动终端放在车内的特定位置上,如放在座椅上、用手机固定架固定在驾驶座旁边等,即移动终端处于放置状态而不是处于被用户操作状态,因此当通过采集到的多组运动数据判断出用户处于行车开始状态,且不处于步行状态,且不处于使用移动终端状态,则移动终端可据此判定用户当前处于开车状态,即,若第四加速度参考值大于预设的加速度阀值,且运动步数大于预设的步数阀值,且方位角参照值大于预设的位角阀值时,则移动终端可据此判定用户当前处于开车状态,进而可进行后续判断用户是否存在危险驾驶行为的相关操作。
在一个可选的实施例中,预设第四特征值数据包括在行程开始状态下与X轴的加速度值相对应的第四特征值系数、在行程开始状态下与Y轴的加速度值相对应的第五特征值系数,在行程开始状态下与Z轴的加速度值相对应的第六特征值系数,根据第二加速度数据、在行程开始状态下对应第二加速度数据的预设第四特征值数据和预设的第二算法,计算出对应行程开始状态的第四加速度参考值的步骤,包括:
S102a,利用预设的第三计算公式对第二加速度数据进行计算,获得第四加速度参考值,其中,在第三计算公式中,a四参为第四加速度参考值,ax2为第二加速度数据中X轴的加速度值,ay2为第二加速度数据中Y轴的加速度值,az2为第二加速度数据中Z轴的加速度值,D为第四特征值系数,E为第五特征值系数,F为第六特征值系数,n为指定时长。
如上述S102a所述,将移动终端通过内置的线性加速度传感器在指定时长内(如15秒)按照预设频率(如每秒1次)连续采集到的多组第二加速度数据(如连续15组X轴的加速度值、Y轴的加速度值和Z轴的加速度值)代入到上述第三计算公式中进行解方程组,即可计算出第四加速度参考值。在一个可选的实施例中,驾驶数据还包括GPS数据,GPS数据包括速度信息、加速度信息和方位角信息,上述判定用户当前存在危险驾驶行为的步骤之后,还包括:
S14A,若用户当前存在急转弯的危险驾驶行为,则判断速度信息中的速度值是否大于预设速度阈值以及方位角信息中的方位角度值是否大于在急转弯状态下的预设方位角阈值;
若用户当前存在急加速的危险驾驶行为,则判断在预设时间段内加速度信息的总加速度值是否大于在急加速状态下的预设加速度阈值;
若用户当前存在急刹车的危险驾驶行为,则判断在预设时间段内加速度信息的总加速度值是否大于在急刹车状态下的预设加速度阈值;
S14B,根据判断结果,确定用户当前是否存在危险驾驶行为以及危险驾驶行为的类型。
在本实施例中,具体地,当用户处于开车状态时,移动终端可通过开启内置的GPS传感器来实时采集车辆驾驶过程中的GPS数据,当通过上述S13中的方式预判出用户当前存在危险驾驶行为时,则进一步通过GPS传感器采集到的数据进行更进一步的确认,由于GPS传感器采集到的数据要比加速度传感器、陀螺仪、方向传感器采集到的数据更为准确,因此当通过加速度传感器、陀螺仪和方向传感器采集到的数据预判出用户当前存在危险驾驶行为时,再结合GPS数据进行进一步的确认,可提高驾驶行为检测的准确性;
具体地,若速度信息中的速度值大于预设速度阈值且方位角信息中的方位角度值大于对应急转弯状态的预设方位角阈值,则移动终端可据此确定用户当前存在危险驾驶行为且该危险驾驶行为的类型为急转弯;若在预设时间段内加速度信息的总加速度值大于对应急加速状态的预设加速度阈值,则移动终端可据此确定用户当前存在危险驾驶行为且该危险驾驶行为的类型为急加速;若在预设时间段内加速度信息的总加速度值大于对应急刹车状态的预设加速度阈值,则移动终端可据此确定用户当前存在危险驾驶行为且该危险驾驶行为的类型为急刹车。
在一个可选的实施例中,上述根据判断结果,确定用户当前是否存在危险驾驶行为以及危险驾驶行为的类型的步骤之后,还包括:
S15,当用户当前存在危险驾驶行为时,获取当前位置信息和时间信息;
S16,将危险驾驶行为的类型与位置信息、时间信息进行关联,生成关联信息。
在本实施例中,当用户发生危险驾驶行为时,通过将危险驾驶行为的类型与当前的位置信息、时间信息进行关联,生成关联信息,使得用户在驾驶结束后通过查看该关联信息,可清楚知道自己在何时何地发生过何种危险驾驶行为,从而有利于用户在驾驶结束后可进行认真的自我反思学习,以避免危险驾驶行为的再次发生。
在一个可选的实施例中,将危险驾驶行为的类型与位置信息、时间信息进行关联,生成关联信息的步骤之后,还包括:
S17,根据第一角加速度数据判断用户当前是否处于停车状态;
若用户当前处于停车状态,则执行S18,生成行车轨迹记录图,并将关联信息标注在行车轨迹记录图中对应的位置上。
在本实施例中,具体地,可通过移动终端内置的陀螺仪实时采集车辆行驶过程中的第一角加速度数据,进而根据第一角加速度数据来计算运动步数,然后判断运动步数是否超出预设步数阈值,若是,则可据此判定用户处于步行状态,从而可据此判断出用户当前处于停车状态,由于GPS传感器可记录车辆在行驶过程中的行车轨迹,因此当判断出用户当前处于停车状态,则可根据GPS传感器所记录的行车轨迹生成行车轨迹记录图,并将所述关联信息标注在所述行车轨迹记录图中对应的位置上,这样,使得用户在驾驶结束后通过查看该行车轨迹记录图,可更加直观清楚地知道自己在何时何地发生过何种危险驾驶行为,从而有利于用户在驾驶结束后可进行认真的自我反思学习,以避免危险驾驶行为的再次发生。
在一个优选的实施例中,上述按照预定频率采集预定时长内各个所述行驶状态下的加速度样本数据的步骤之后,还包括:
S10a1、将各个行驶状态下所获得的加速度样本数据、角加速度样本数据和方位角样本数据分别输入至预设的RBF神经网络模型中进行数据处理,输出各个行驶状态下的上述预设加速度阈值、上述预设角加速度阈值和上述预设方位角阈值。
在本实施例中,上述RBF神经网络模型为预先通过训练样本训练至收敛的模型,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,输入数据为分别在急转弯状态下、急加速状态下、急刹车状态下所采集到的加速度样本训练数据、角加速度样本训练数据和方位角样本训练数据,输出数据为各个状态下对应加速度数据的加速度阈值、对应角加速度数据的角加速度阈值、对应方位角数据的方位角阈值,之后,通过训练样本对RBF神经网络模型进行训练,可得到具有较优网络参数的RBF神经网络模型,因此,在使用车辆行驶过程中实时采集到的第一加速度数据、第一角加速度数据和方向角数据进行驾驶行为检测之前,可在急转弯状态下利用移动终端内置的加速度传感器、陀螺仪和方向传感器分别采集急转弯状态下的加速度样本数据、角加速度样本数据和方位角样本数据,同理,可在急加速状态下利用移动终端内置的加速度传感器、陀螺仪和方向传感器分别采集急加速状态下的加速度样本数据、角加速度样本数据和方位角样本数据,同理,可在急刹车状态下利用移动终端内置的加速度传感器、陀螺仪和方向传感器分别采集急刹车状态下的加速度样本数据、角加速度样本数据和方位角样本数据,进而将各个状态下采集到的加速度样本数据、角加速度样本数据和方位角样本数据输入至预设的RBF神经网络模型中,可得到上述S13中对应急转弯状态的预设加速度阈值、预设角加速度阈值、预设方位角阈值,对应急加速状态的预设加速度阈值、预设角加速度阈值、预设方位角阈值,对应急刹车状态的预设加速度阈值、预设角加速度阈值、预设方位角阈值,同理,可获得上述S103中的加速度阀值和方位角阀值。
本申请还提出一种驾驶行为检测装置,应用于移动终端上,该装置包括:
第一获取模块11,用于实时获取车辆行驶过程中的驾驶数据,其中,驾驶数据包括第一加速度数据、第一角加速度数据和第一方位角数据;
第一计算模块12,用于根据第一加速度数据、各个行驶状态下对应第一加速度数据的预设第一特征值数据和预设的第一算法,计算出各个行驶状态下的加速度参考值;以及,根据第一角加速度数据、各个行驶状态下对应第一角加速度数据的预设第二特征值数据和第一算法,计算出各个行驶状态下的角加速度参考值;以及,根据第一方位角数据、各个行驶状态下对应第一方位角数据的预设第三特征值数据和第一算法,计算出各个行驶状态下的方位角参考值,其中,行驶状态包括急转弯状态、急加速状态和急刹车状态;
比较模块13,用于分别将相同行驶状态下的加速度参考值与预设加速度阈值进行比较、角加速度参考值与预设角加速度阈值进行比较、方位角参考值与预设方位角阈值进行比较;
判定模块14,用于当相同行驶状态下的加速度参考值大于预设加速度阈值,且相同行驶状态下的角加速度参考值大于预设角加速度阈值,且相同行驶状态下的方位角参考值大于预设方位角阈值时,则判定用户当前存在危险驾驶行为,其中,危险驾驶行为包括急转弯、急加速、急刹车中的一种或多种。
在一个可选的实施例中,上述第一获取模块11,包括:
采集单元,用于实时采集车辆行驶过程中的加速度数据、角加速度数据和方位角数据;
降噪处理单元,用于对加速度数据进行低通滤波处理,获得第一加速度数据,以及,分别对角加速度数据、方位角数据进行带通滤波处理,获得第一角加速度数据和第一方位角数据。
在一个可选的实施例中,预设第一特征值数据包括在特定行驶状态下与X轴的加速度值相对应的第一特征值系数、在特定行驶状态下与Y轴的加速度值相对应的第二特征值系数,在特定行驶状态下与Z轴的加速度值相对应的第三特征值系数,上述第一计算模块12,包括:
第一计算单元,用于利用预设的第一计算公式a参=Aax1+Bay1+Caz1,对第一加速度数据进行计算,获得对应急转弯状态的第一加速度参考值、对应急加速状态的第二加速度参考值和对应急刹车状态的第三加速度参考值,其中,在第一计算公式中,a参为特定行驶状态下的加速度参考值,ax1为第一加速度数据中X轴的加速度值,ay1为第一加速度数据中Y轴的加速度值,az1为第一加速度数据中Z轴的加速度值,A为第一特征值系数,B为第二特征值系数,C为第三特征值系数。
在一个可选的实施例中,上述驾驶行为检测装置,还包括:
第一采集模块,用于按照预定频率采集预定时长内各个行驶状态下的加速度样本数据,其中,每个行驶状态下的加速度样本数据至少有三组;
第二计算模块,用于利用预设的第二计算公式分别对各个行驶状态下的各组加速度样本数据进行计算,获得多组对应的总加速度值,其中,在第二计算公式中,a总为特定行驶状态下的总加速度值,ax为特定行驶状态下加速度样本数据中X轴的加速度值,ay为特定行驶状态下加速度样本数据中Y轴的加速度值,az为特定行驶状态下加速度样本数据中Z轴的加速度值;
数据变换模块,用于对各个行驶状态下的各组加速度样本数据和多组对应的总加速度值分别进行傅里叶变换,获得多组各个行驶状态下的第一频域数据和多组对应总加速度值的第二频域数据;
频谱分析模块,用于对各组第一频域数据和各组第二频域数据分别进行频谱分析,获得多组各个行驶状态下对应加速度样本数据的第一特征值和多组对应总加速度值的第二特征值;
第三计算模块,用于利用预设的第二计算公式Ax+By+Cz=Max,分别对各组第一特征值和各组第二特征值进行计算,获得第一特征值系数、第二特征值系数和第三特征值系数,其中,在第二计算公式中,A为第一特征值系数,B为第二特征值系数,C为第三特征值系数,x为在特定行驶状态下与X轴的加速度值相对应的第一特征值,y为在特定行驶状态下与Y轴的加速度值相对应的第一特征值,z为在特定行驶状态下与Z轴的加速度值相对应的第一特征值,Max为与特定行驶状态下的总加速度值相对应的第二特征值。
在一个可选的实施例中,上述驾驶行为检测装置,还包括:
第二采集模块,用于在指定时长内按照预设频率连续采集用户的多组运动数据,其中,运动数据包括第二加速度数据、第二角加速度数据和第二方位角数据;
第四计算模块,用于根据第二加速度数据、在行程开始状态下对应第二加速度数据的预设第四特征值数据和预设的第二算法,计算出对应行程开始状态的第四加速度参考值;以及,根据第二角加速数据和预设的计步算法,计算出用户的运动步数;以及,根据第二方位角数据、在使用移动终端状态下对应第二方位角数据的预设第五特征值数据和第二算法,计算出对应使用移动终端状态的方位角参照值;
比对模块,用于分别将第四加速度参考值与预设的加速度阀值进行比较、运动步数与预设的步数阀值进行比较、方位角参照值与预设的方位角阀值进行比较,并根据比较的结果判断用户当前是否处于开车状态;
上述第一获取模块11,具体用于当用户当前处于开车状态时,实时获取车辆行驶过程中的驾驶数据,其中,驾驶数据包括第一加速度数据、第一角加速度数据和第一方位角数据。
在一个可选的实施例中,预设第四特征值数据包括在行程开始状态下与X轴的加速度值相对应的第四特征值系数、在行程开始状态下与Y轴的加速度值相对应的第五特征值系数,在行程开始状态下与Z轴的加速度值相对应的第六特征值系数,上述第四计算模块,包括:
第二计算单元,用于利用预设的第三计算公式对第二加速度数据进行计算,获得第四加速度参考值,其中,在第三计算公式中,a四参为第四加速度参考值,ax2为第二加速度数据中X轴的加速度值,ay2为第二加速度数据中Y轴的加速度值,az2为第二加速度数据中Z轴的加速度值,D为第四特征值系数,E为第五特征值系数,F为第六特征值系数,n为指定时长。
在一个可选的实施例中,驾驶数据还包括GPS数据,GPS数据包括速度信息、加速度信息和方位角信息,上述驾驶行为检测装置,还包括:
第一判断模块,用于当用户当前存在急转弯的危险驾驶行为时,判断速度信息中的速度值是否大于预设速度阈值以及方位角信息中的方位角度值是否大于在急转弯状态下的预设方位角阈值;还用于当用户当前存在急加速的危险驾驶行为时,判断在预设时间段内加速度信息的总加速度值是否大于在急加速状态下的预设加速度阈值;还用于当用户当前存在急刹车的危险驾驶行为时,判断在预设时间段内加速度信息的总加速度值是否大于在急刹车状态下的预设加速度阈值;
确定模块,用于根据判断结果,确定用户当前是否存在危险驾驶行为以及危险驾驶行为的类型。
在一个可选的实施例中,上述驾驶行为检测装置,还包括:
第二获取模块,用于当用户当前存在危险驾驶行为时,获取当前位置信息和时间信息;
关联模块,用于将危险驾驶行为的类型与位置信息、时间信息进行关联,生成关联信息。
在一个可选的实施例中,上述驾驶行为检测装置,还包括:
第二判断模块,用于根据第一角加速度数据判断用户当前是否处于停车状态;
生成模块,用于当用户当前处于停车状态时,生成行车轨迹记录图,并将关联信息标注在行车轨迹记录图中对应的位置上。
在一个优选的实施例中,上述驾驶行为检测装置,还包括:
数据处理模块,用于将各个行驶状态下所获得的加速度样本数据、角加速度样本数据和方位角样本数据分别输入至预设的RBF神经网络模型中进行数据处理,输出各个行驶状态下的上述预设加速度阈值、上述预设角加速度阈值和上述预设方位角阈值。
需要说明的是,对于上述装置实施例而言,由于其与上述方法实施例基本对应,其具体实施方式可参见方法实施例部分的说明即可,本领域技术人员可以理解,对此不再赘述。
参照图3,本申请实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储驾驶行为检测方法程序等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时实现上述任一实施例中的驾驶行为检测方法。
本申请实施例还提出一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述任一实施例中的驾驶行为检测方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储与一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM通过多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种驾驶行为检测方法,其特征在于,应用于移动终端上,所述方法包括:
实时获取车辆行驶过程中的驾驶数据,其中,所述驾驶数据包括第一加速度数据、第一角加速度数据和第一方位角数据;
根据所述第一加速度数据、各个行驶状态下对应所述第一加速度数据的预设第一特征值数据和预设的第一算法,计算出各个所述行驶状态下的加速度参考值;以及,根据所述第一角加速度数据、各个所述行驶状态下对应所述第一角加速度数据的预设第二特征值数据和所述第一算法,计算出各个所述行驶状态下的角加速度参考值;以及,根据所述第一方位角数据、各个所述行驶状态下对应所述第一方位角数据的预设第三特征值数据和所述第一算法,计算出各个所述行驶状态下的方位角参考值,其中,所述行驶状态包括急转弯状态、急加速状态和急刹车状态;
分别将相同行驶状态下的所述加速度参考值与预设加速度阈值进行比较、所述角加速度参考值与预设角加速度阈值进行比较、所述方位角参考值与预设方位角阈值进行比较;
若相同行驶状态下的所述加速度参考值大于预设加速度阈值,且相同行驶状态下的所述角加速度参考值大于预设角加速度阈值,且相同行驶状态下的所述方位角参考值大于预设方位角阈值,则判定用户当前存在危险驾驶行为,其中,所述危险驾驶行为包括急转弯、急加速、急刹车中的一种或多种。
2.根据权利要求1所述的驾驶行为检测方法,其特征在于,所述预设第一特征值数据包括在特定行驶状态下与X轴的加速度值相对应的第一特征值系数、在特定行驶状态下与Y轴的加速度值相对应的第二特征值系数,在特定行驶状态下与Z轴的加速度值相对应的第三特征值系数,所述根据所述第一加速度数据、各个行驶状态下对应所述第一加速度数据的预设第一特征值数据和预设的第一算法,计算出各个所述行驶状态下的加速度参考值的步骤,包括:
利用预设的第一计算公式a参=Aax1+Bay1+Caz1,对所述第一加速度数据进行计算,获得对应所述急转弯状态的第一加速度参考值、对应所述急加速状态的第二加速度参考值和对应所述急刹车状态的第三加速度参考值,其中,在所述第一计算公式中,a参为特定行驶状态下的加速度参考值,ax1为所述第一加速度数据中X轴的加速度值,ay1为所述第一加速度数据中Y轴的加速度值,az1为所述第一加速度数据中Z轴的加速度值,A为所述第一特征值系数,B为所述第二特征值系数,C为所述第三特征值系数。
3.根据权利要求2所述的驾驶行为检测方法,其特征在于,所述实时获取车辆行驶过程中的驾驶数据的步骤之前,还包括:
按照预定频率采集预定时长内各个所述行驶状态下的加速度样本数据,其中,每个所述行驶状态下的所述加速度样本数据至少有三组;
利用预设的第二计算公式分别对各个所述行驶状态下的各组所述加速度样本数据进行计算,获得多组对应的总加速度值,其中,在所述第二计算公式中,a总为特定行驶状态下的总加速度值,ax为特定行驶状态下所述加速度样本数据中X轴的加速度值,ay为特定行驶状态下所述加速度样本数据中Y轴的加速度值,az为特定行驶状态下所述加速度样本数据中Z轴的加速度值;
对各个所述行驶状态下的各组所述加速度样本数据和多组对应的所述总加速度值分别进行傅里叶变换,获得多组各个所述行驶状态下的第一频域数据和多组对应所述总加速度值的第二频域数据;
对各组所述第一频域数据和各组所述第二频域数据分别进行频谱分析,获得多组各个所述行驶状态下对应所述加速度样本数据的第一特征值和多组对应所述总加速度值的第二特征值;
利用预设的第二计算公式Ax+By+Cz=Max,分别对各组所述第一特征值和各组所述第二特征值进行计算,获得所述第一特征值系数、所述第二特征值系数和所述第三特征值系数,其中,在所述第二计算公式中,A为所述第一特征值系数,B为所述第二特征值系数,C为所述第三特征值系数,x为在特定行驶状态下与X轴的加速度值相对应的所述第一特征值,y为在特定行驶状态下与Y轴的加速度值相对应的所述第一特征值,z为在特定行驶状态下与Z轴的加速度值相对应的所述第一特征值,Max为与特定行驶状态下的所述总加速度值相对应的所述第二特征值。
4.根据权利要求1所述的驾驶行为检测方法,其特征在于,所述实时获取车辆行驶过程中的驾驶数据的步骤之前,还包括:
在指定时长内按照预设频率连续采集所述用户的多组运动数据,其中,所述运动数据包括第二加速度数据、第二角加速度数据和第二方位角数据;
根据所述第二加速度数据、在行程开始状态下对应所述第二加速度数据的预设第四特征值数据和预设的第二算法,计算出对应所述行程开始状态的第四加速度参考值;以及,根据所述第二角加速数据和预设的计步算法,计算出所述用户的运动步数;以及,根据所述第二方位角数据、在使用移动终端状态下对应所述第二方位角数据的预设第五特征值数据和所述第二算法,计算出对应所述使用移动终端状态的方位角参照值;
分别将所述第四加速度参考值与预设的加速度阀值进行比较、所述运动步数与预设的步数阀值进行比较、所述方位角参照值与预设的方位角阀值进行比较,并根据比较的结果判断所述用户当前是否处于开车状态;
若所述用户当前处于开车状态,则执行所述实时获取车辆行驶过程中的驾驶数据的步骤。
5.根据权利要求4所述的驾驶行为检测方法,其特征在于,所述预设第四特征值数据包括在所述行程开始状态下与X轴的加速度值相对应的第四特征值系数、在所述行程开始状态下与Y轴的加速度值相对应的第五特征值系数,在所述行程开始状态下与Z轴的加速度值相对应的第六特征值系数,所述根据所述第二加速度数据、在行程开始状态下对应所述第二加速度数据的预设第四特征值数据和预设的第二算法,计算出对应所述行程开始状态的第四加速度参考值的步骤,包括:
利用预设的第三计算公式对所述第二加速度数据进行计算,获得所述第四加速度参考值,其中,在所述第三计算公式中,a四参为所述第四加速度参考值,ax2为所述第二加速度数据中X轴的加速度值,ay2为所述第二加速度数据中Y轴的加速度值,az2为所述第二加速度数据中Z轴的加速度值,D为所述第四特征值系数,E为所述第五特征值系数,F为所述第六特征值系数,n为所述指定时长,为第i组的第二加速度数据中的X轴的加速度值,为第i+1组的第二加速度数据中X轴的加速度值,为第i组的第二加速度数据中的Y轴的加速度值,为第i+1组的第二加速度数据中的Y轴的加速度值,为第i组的第二加速度数据中的Z轴的加速度值,为第i+1组的第二加速度数据中的Z轴的加速度值。
6.根据权利要求1至5中任一项所述的驾驶行为检测方法,其特征在于,所述驾驶数据还包括GPS数据,所述GPS数据包括速度信息、加速度信息和方位角信息;所述判定用户当前存在危险驾驶行为的步骤之后,还包括:
若用户当前存在急转弯的危险驾驶行为,则判断所述速度信息中的速度值是否大于预设速度阈值以及所述方位角信息中的方位角度值是否大于在所述急转弯状态下的所述预设方位角阈值;
若用户当前存在急加速的危险驾驶行为,则判断在预设时间段内所述加速度信息的总加速度值是否大于在所述急加速状态下的所述预设加速度阈值;
若用户当前存在急刹车的危险驾驶行为,则判断在预设时间段内所述加速度信息的总加速度值是否大于在所述急刹车状态下的所述预设加速度阈值;
根据判断结果,确定用户当前是否存在所述危险驾驶行为以及所述危险驾驶行为的类型。
7.根据权利要求6所述的驾驶行为检测方法,其特征在于,所述根据判断结果,确定用户当前是否存在所述危险驾驶行为以及所述危险驾驶行为的类型的步骤之后,还包括:
当用户当前存在所述危险驾驶行为时,获取当前位置信息和时间信息;
将所述危险驾驶行为的类型与所述位置信息、时间信息进行关联,生成关联信息。
8.一种驾驶行为检测装置,其特征在于,应用于移动终端上,所述装置包括:
第一获取模块,用于实时获取车辆行驶过程中的驾驶数据,其中,所述驾驶数据包括第一加速度数据、第一角加速度数据和第一方位角数据;
第一计算模块,用于根据所述第一加速度数据、各个行驶状态下对应所述第一加速度数据的预设第一特征值数据和预设的第一算法,计算出各个所述行驶状态下的加速度参考值;以及,根据所述第一角加速度数据、各个所述行驶状态下对应所述第一角加速度数据的预设第二特征值数据和所述第一算法,计算出各个所述行驶状态下的角加速度参考值;以及,根据所述第一方位角数据、各个所述行驶状态下对应所述第一方位角数据的预设第三特征值数据和所述第一算法,计算出各个所述行驶状态下的方位角参考值,其中,所述行驶状态包括急转弯状态、急加速状态和急刹车状态;
比较模块,用于分别将相同行驶状态下的所述加速度参考值与预设加速度阈值进行比较、所述角加速度参考值与预设角加速度阈值进行比较、所述方位角参考值与预设方位角阈值进行比较;
判定模块,用于当相同行驶状态下的所述加速度参考值大于预设加速度阈值,且相同行驶状态下的所述角加速度参考值大于预设角加速度阈值,且相同行驶状态下的所述方位角参考值大于预设方位角阈值时,则判定用户当前存在危险驾驶行为,其中,所述危险驾驶行为包括急转弯、急加速、急刹车中的一种或多种。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的驾驶行为检测方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的驾驶行为检测方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910750554.6A CN110550035B (zh) | 2019-08-14 | 2019-08-14 | 驾驶行为检测方法、装置、计算机设备及存储介质 |
PCT/CN2020/098827 WO2021027410A1 (zh) | 2019-08-14 | 2020-06-29 | 驾驶行为检测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910750554.6A CN110550035B (zh) | 2019-08-14 | 2019-08-14 | 驾驶行为检测方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110550035A CN110550035A (zh) | 2019-12-10 |
CN110550035B true CN110550035B (zh) | 2022-03-18 |
Family
ID=68737552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910750554.6A Active CN110550035B (zh) | 2019-08-14 | 2019-08-14 | 驾驶行为检测方法、装置、计算机设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110550035B (zh) |
WO (1) | WO2021027410A1 (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110550035B (zh) * | 2019-08-14 | 2022-03-18 | 平安科技(深圳)有限公司 | 驾驶行为检测方法、装置、计算机设备及存储介质 |
CN110979336A (zh) * | 2019-12-24 | 2020-04-10 | 东北林业大学 | 一种车身运行姿态实时监控系统 |
CN111951550B (zh) * | 2020-08-06 | 2021-10-29 | 华南理工大学 | 交通安全风险监控方法、装置、存储介质及计算机设备 |
CN113096401A (zh) * | 2021-04-08 | 2021-07-09 | 重庆交通职业学院 | 一种交通事故预警系统和方法 |
CN113506012A (zh) * | 2021-07-22 | 2021-10-15 | 中冶南方城市建设工程技术有限公司 | 一种基于手机车联网数据的驾驶行为风险指数判定方法 |
CN114487477A (zh) * | 2022-01-17 | 2022-05-13 | 北京卡路里信息技术有限公司 | 基于手环的骑行判断方法和装置、存储介质和处理器 |
CN114426025B (zh) * | 2022-03-17 | 2023-11-14 | 一汽解放汽车有限公司 | 驾驶辅助方法、装置、计算机设备和存储介质 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19515056A1 (de) * | 1994-11-25 | 1996-05-30 | Teves Gmbh Alfred | Bremsanlage |
JP2011194973A (ja) * | 2010-03-18 | 2011-10-06 | Advics Co Ltd | 車両運動制御装置 |
CN104354699B (zh) * | 2014-10-08 | 2017-01-25 | 北京远特科技股份有限公司 | 一种基于obd终端检测驾驶行为信息的方法和装置 |
CN105718710B (zh) * | 2014-12-02 | 2019-01-11 | 高德软件有限公司 | 一种驾驶行为分析方法及设备 |
CN106297290A (zh) * | 2016-08-27 | 2017-01-04 | 时空链(北京)科技有限公司 | 一种驾驶行为处理方法、车载设备和云端服务器 |
CN108304594B (zh) * | 2017-01-11 | 2022-12-13 | 厦门雅迅网络股份有限公司 | 一种基于速度与陀螺仪数据的汽车驾驶稳定性的判定方法 |
CN106934876B (zh) * | 2017-03-16 | 2019-08-20 | 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 |
CN108022326B (zh) * | 2017-11-30 | 2020-09-11 | 中国平安财产保险股份有限公司 | 行程记录检测方法、移动装置、检测终端及可读存储介质 |
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 |
CN108189763A (zh) * | 2018-01-17 | 2018-06-22 | 北京万得嘉瑞汽车技术有限公司 | 一种分析驾驶员驾驶行为的方法及专用智能车载后视镜 |
CN108921977A (zh) * | 2018-07-16 | 2018-11-30 | 东北林业大学 | 一种车载驾驶员异常驾驶行为检测装置及检测方法 |
CN110550035B (zh) * | 2019-08-14 | 2022-03-18 | 平安科技(深圳)有限公司 | 驾驶行为检测方法、装置、计算机设备及存储介质 |
-
2019
- 2019-08-14 CN CN201910750554.6A patent/CN110550035B/zh active Active
-
2020
- 2020-06-29 WO PCT/CN2020/098827 patent/WO2021027410A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
CN110550035A (zh) | 2019-12-10 |
WO2021027410A1 (zh) | 2021-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110550035B (zh) | 驾驶行为检测方法、装置、计算机设备及存储介质 | |
CN109572550B (zh) | 一种行车轨迹预测方法、系统、计算机设备及存储介质 | |
CN108466616B (zh) | 一种自动识别碰撞事件的方法、存储介质及车载终端 | |
EP3498559B1 (en) | Method for recognizing the driving style of a driver of a land vehicle, and corresponding apparatus | |
AU2015216776A1 (en) | Vehicle event assessment | |
US20150298676A1 (en) | Vehicle state determination device, vehicle state determination method, and driving operation diagnosis device | |
WO2008019915A1 (de) | Verfahren und vorrichtung zur ansteuerung von personenschutzmitteln | |
US20200384989A1 (en) | Method for the improved detection of objects by a driver assistance system | |
US20200175474A1 (en) | Information processing system, program, and control method | |
CN110555346A (zh) | 驾驶员情绪检测方法、装置、电子设备及存储介质 | |
US10943486B2 (en) | Traveling safety control system using ambient noise and control method thereof | |
US20190009776A1 (en) | Enhanced collision avoidance | |
CN112319505B (zh) | 自动驾驶换道判断方法、装置、设备及存储介质 | |
EP3640857A1 (en) | Method, vehicle, system, and storage medium for indicating anomalous vehicle scenario using encoder network and discriminator network intermediate layer activation | |
JP5854426B2 (ja) | 衝突判別装置 | |
CN104417551A (zh) | 驾驶注意力水平计算设备和方法、以及用于使用其来警告车辆碰撞的系统和方法 | |
CN113619589B (zh) | 驾驶行为信息的确定方法、装置、电子设备及存储介质 | |
CN113085872B (zh) | 驾驶行为评估方法、装置、设备及存储介质 | |
CN108268678A (zh) | 驾驶行为分析方法、装置及系统 | |
DE102010009667B4 (de) | Verfahren zum Bestimmen einer Schwere eines Zusammenstoßes eines Kraftfahrzeugs mit einem Objekt | |
DE102018208831A1 (de) | Detektion eines Aufprallereignisses | |
DE102017208403A1 (de) | Verfahren und Vorrichtung zur Unfallerkennung in einem Fahrzeug | |
EP3654246A1 (en) | Method, vehicle, system, and storage medium for indicating anomalous vehicle scenario using encoder network and replay buffer | |
Meier et al. | Artificial intelligence for developing an accident severity prediction function | |
DE102019204849A1 (de) | Erkennung eines durch Personen ausgehenden Gefahrenpotentials |
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 |