CN112418315A - 基于制动特征和svm算法的驾驶员身份识别建模方法 - Google Patents

基于制动特征和svm算法的驾驶员身份识别建模方法 Download PDF

Info

Publication number
CN112418315A
CN112418315A CN202011324072.3A CN202011324072A CN112418315A CN 112418315 A CN112418315 A CN 112418315A CN 202011324072 A CN202011324072 A CN 202011324072A CN 112418315 A CN112418315 A CN 112418315A
Authority
CN
China
Prior art keywords
data
driver
test
braking
identity recognition
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
Application number
CN202011324072.3A
Other languages
English (en)
Other versions
CN112418315B (zh
Inventor
蔡锦康
赵蕊
邓伟文
丁娟
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.)
Zhejiang Tianxingjian Intelligent Technology Co ltd
Original Assignee
Zhejiang Tianxingjian Intelligent Technology 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 Zhejiang Tianxingjian Intelligent Technology Co ltd filed Critical Zhejiang Tianxingjian Intelligent Technology Co ltd
Priority to CN202011324072.3A priority Critical patent/CN112418315B/zh
Publication of CN112418315A publication Critical patent/CN112418315A/zh
Application granted granted Critical
Publication of CN112418315B publication Critical patent/CN112418315B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R25/00—Fittings or systems for preventing or indicating unauthorised use or theft of vehicles
    • B60R25/30—Detection related to theft or to other events relevant to anti-theft systems
    • B60R25/32—Detection related to theft or to other events relevant to anti-theft systems of vehicle dynamic parameters, e.g. speed or acceleration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

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)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于制动特征和SVM算法的驾驶员身份识别建模方法，包括步骤：进行DoE试验设计；基于模拟驾驶器进行模拟驾驶试验，采集不同驾驶员的制动特征数据，制动特征数据包括初始速度、初始制动距离、最大制动行程、制动频率；处理模拟驾驶试验采集的数据，将数据加入驾驶员编号并归一化后随机分为训练数据和测试数据；使用训练数据和SVM算法进行分类建模；使用测试数据进行模型测试；得到测试结果合格的SVM驾驶员身份识别模型。本发明运用模拟驾驶器进行模拟驾驶试验，采集不同驾驶员的制动特征数据，通过SVM算法建模，得到高准确的驾驶员身份识别模型，具有计算量小和成本低的优点，克服了现有技术的缺陷。

Description

基于制动特征和SVM算法的驾驶员身份识别建模方法
技术领域
本发明涉及交通安全技术领域，特别涉及一种基于制动特征和SVM算法的驾驶员身份识别建模方法。
背景技术
随着科技的不断发展，我国人均汽车保有量持续增长，尤其是经济较为发达的一二线城市。相对于大多数商品，汽车数据是较为昂贵的一类，对于个人和一个家庭而言都具有较大的重要性。目前已经有较多的车辆防盗手段，如指纹识别，人脸识别等。专利CN201710390517.X公开了一种基于一键启动指纹识别的车辆防盗报警方法及其装置，专利CN201610758367.9公开了一种基于无线射频和指纹校验的车辆防盗系统的控制方法，CN201210101592.7公开了一种基于红外人脸识别技术的车辆防盗系统。但是，若犯罪分子使用软件手段突破这些防护关卡，车辆将无计可施，任由车辆被盗窃。因此，需要提出一种计算量小、成本低、易于集成到车辆硬件系统中的驾驶员身份识别方法。
发明内容
为了解决现有技术的问题，本发明的主要目的在于提供一种基于制动特征和SVM算法的驾驶员身份识别建模方法，以模拟驾驶器试验为基础，采集不同驾驶员的制动特征数据，建立驾驶员身份识别模型。
为了达到上述目的，本发明提供一种基于制动特征和SVM算法的驾驶员身份识别建模方法，包括以下步骤：
进行DoE试验设计；
基于模拟驾驶器进行模拟驾驶试验，采集不同驾驶员的制动特征数据，所述制动特征数据包括初始速度、初始制动距离、最大制动行程、制动频率；
处理模拟驾驶试验采集的数据，将数据加入驾驶员编号并归一化后随机分为训练数据和测试数据；
使用训练数据和SVM算法进行分类建模；
使用测试数据进行模型测试；
得到测试结果合格的SVM驾驶员身份识别模型。
优选地，进行DoE试验设计时，设计变量包括初始车速和初始制动距离，其中车速的区间为[30,120]，单位为km/h；初始制动距离的区间为[10,100]，单位为m；DoE试验设计所得试验点均为均匀随机产生；DoE试验设计所得试验点数量不低于1000个。
优选地，其特征在于，模拟驾驶试验中，进行模拟驾驶试验的驾驶员至少3个。
优选地，模拟驾驶道路为直行道路，模拟驾驶道路中设置有两辆模拟车辆，一辆为驾驶员控制的主车，一辆为速度为0的参考车，两车位于同一车道线内。
优选地，处理模拟驾驶试验采集的数据时，删除空数据，并对所有数据进行归一化，且加入驾驶员编号；其中，根据以下公式进行归一化：
Figure BDA0002793784990000021
式中，X表示某变量，i表示数据编号，j表示驾驶员编号，max角标表示该变量最大值，min角标表示该变量最小值。
进一步优选地，其特征在于，归一化后的数据按比例8:2划分为训练数据和测试数据。
优选地，使用训练数据和SVM算法进行分类建模时，以训练数据中的初始速度、初始制动距离、最大制动行程、制动频率为自变量，以驾驶员编号为因变量，分类建模所得模型为SVM驾驶员身份识别模型。
更优选地，使用测试数据对SVM驾驶员身份识别模型进行测试时，逐个输入测试数据点中的初始速度、初始制动距离、最大制动行程、制动频率，输出驾驶员编号，若驾驶员编号与测试数据中的真实驾驶员编号相同，则表示该数据点预测成功，否则为失败。
进一步优选地，其特征在于，若测试成功的数据点数量与测试数据点总量的比值大于或等于85％，则表示所得SVM驾驶员身份识别模型合格。
由于采用上述技术方案，本发明达到以下技术效果：本发明以模拟驾驶器试验为基础，采集驾驶员的制动特征数据，并通过SVM算法分类建模，可得到高准确性的驾驶员身份识别模型，且不需要实车测试，计算量小，成本较低。该模型可嵌入到汽车硬件系统中，用于汽车防盗，提高车辆的安全性。
附图说明
图1为根据本发明的基于制动特征和SVM算法的驾驶员身份识别建模方法的流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明，下面将结合实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所做的等效变化与修饰前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
请结合图1，本实施例提供的一种基于制动特征和SVM算法的驾驶员身份识别建模方法，包括如下步骤：
S1.DoE设计：
进行DoE试验设计时，设计变量包括初始车速和初始制动距离，其中车速的区间为[30,120]，单位为km/h；初始制动距离的区间为[10,100]，单位为m；DOE所得试验点均为均匀随机产生。具体地，当车距小于100m时，以车辆首次制动时刻为制动开始时刻，以车辆完全停止为制动终止时刻，制动开始时刻的车距作为初始制动距离，制动开始时刻的车速为初始制动车速。本实施例中，DoE试验所得试验点数量为1000个。在其他实施例中，DoE试验所得试验点数量大于1000个，譬如1500个，2000个。试验点数量越多，越有利于于模拟驾驶试验中驾驶员的制动特征数据的采集，从而使驾驶员身份识别建模的准确度更高。
S2.进行试验并采集数据：
本实施例中，模拟驾驶试验中进行模拟驾驶试验的驾驶员为3个。由于不同驾驶员的驾驶习惯，在驾驶车辆时的制动操作习惯具有一定差异，在制动特征上能够进行区分，从而实现驾驶员身份识别。在其他实施例中，驾驶员的数量也可以设计为超过3个，譬如4个、5个。
模拟驾驶道路为直行道路；试验道路中有两辆模拟车辆，一辆为驾驶员控制的主车，一辆为速度为0的参考车，两车位于同一车道线内。试验前预先根据DoE试验所得数据设置好初始速度和初始制动距离，告知驾驶员需要进行制动操作，不得转向，且驾驶目标是避免碰撞；进行虚拟驾驶试验时需要采集的数据包括初始速度、初始制动距离、最大制动行程、制动频率。其中，最大制动行程是从试验开始到试验结束期间，刹车踏板的最大行程。制动频率是试验开始到试验结束期间，平均单位时间制动次数。
S3.处理试验数据：
处理模拟驾驶试验数据时，需删除空数据，并对所有数据进行归一化，且加入驾驶员身份编号。归一化的公式为：
Figure BDA0002793784990000041
式中，X表示某变量，i表示数据编号，j表示驾驶员编号，max角标表示该变量最大值，min角标表示该变量最小值。
处理模拟驾驶试验数据时，需将归一化后的试验数据随机分为训练数据和测试数据，比例为8:2。
S4.SVM算法建模：
使用训练数据和SVM算法进行分类建模时，以训练数据中的初始速度、初始制动距离、最大制动行程、制动频率为自变量，以驾驶员编号为因变量，并将使用训练数据和SVM算法进行分类建模所得模型为SVM驾驶员识别模型。
S5.测试模型
使用测试数据对SVM驾驶员识别模型进行测试时，逐个输入测试数据点中的初始速度、初始制动距离、最大制动行程、制动频率，输出驾驶员编号，若驾驶员编号与测试数据中的真实驾驶员编号相同，则表示该数据点预测成功，否则为失败；若测试成功的数据点数量与测试数据点总量的比值大于或等于85％，则表示所得SVM驾驶员识别模型可接受，否则重新进行S1。
SVM驾驶员识别模型测试合格则输出模型，结束。
根据本发明的建模方法，可获得根据多个驾驶员的制动特征数据建立的驾驶员身份识别模型，从而判断驾驶员身份。该方法计算量小，成本低，克服了现有技术的缺陷。
以上所述仅为本发明较佳的实施方式，并非用以限定本发明的保护范围；同时，以上的描述对于相关技术领域中具有通常知识者应可明了并据以实施，因此其他未脱离本发明所揭露概念下所完成之等效改变或修饰，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种基于制动特征和SVM算法的驾驶员身份识别建模方法，其特征在于，包括以下步骤：
进行DoE试验设计；
基于模拟驾驶器进行模拟驾驶试验，采集不同驾驶员的制动特征数据，所述制动特征数据包括初始速度、初始制动距离、最大制动行程、制动频率；
处理模拟驾驶试验采集的数据，将数据加入驾驶员编号并归一化后随机分为训练数据和测试数据；
使用训练数据和SVM算法进行分类建模；
使用测试数据进行模型测试；
得到测试结果合格的SVM驾驶员身份识别模型。
2.根据权利要求1所述一种基于制动特征和SVM算法的驾驶员身份识别建模方法，其特征在于，进行DoE试验设计时，设计变量包括初始车速和初始制动距离，其中车速的区间为[30,120]，单位为km/h；初始制动距离的区间为[10,100]，单位为m；DOE试验设计所得试验点均为均匀随机产生；DoE试验设计所得试验点数量不低于1000个。
3.根据权利要求1所述一种基于制动特征和SVM算法的驾驶员身份识别建模方法，其特征在于，模拟驾驶试验中，进行模拟驾驶试验的驾驶员至少3个。
4.根据权利要求1所述一种基于制动特征和SVM算法的驾驶员身份识别建模方法，其特征在于，模拟驾驶道路为直行道路，模拟驾驶道路中设置有两辆模拟车辆，一辆为驾驶员控制的主车，一辆为速度为0的参考车，两车位于同一车道线内。
5.根据权利要求1所述一种基于制动特征和SVM算法的驾驶员身份识别建模方法，其特征在于，处理模拟驾驶试验采集的数据时，删除空数据，并对所有数据进行归一化，且加入驾驶员编号；其中，根据以下公式进行归一化：
Figure FDA0002793784980000011
式中，X表示某变量，i表示数据编号，j表示驾驶员编号，max角标表示该变量最大值，min角标表示该变量最小值。
6.根据权利要求1或5所述一种基于制动特征和SVM算法的驾驶员身份识别建模方法，其特征在于，归一化后的数据按比例8:2划分为训练数据和测试数据。
7.根据权利要求1所述一种基于制动特征和SVM算法的驾驶员身份识别建模方法，其特征在于，使用训练数据和SVM算法进行分类建模时，以训练数据中的初始速度、初始制动距离、最大制动行程、制动频率为自变量，以驾驶员编号为因变量，分类建模所得模型为SVM驾驶员身份识别模型。
8.根据权利要求7所述一种基于制动特征和SVM算法的驾驶员身份识别建模方法，其特征在于，使用测试数据对SVM驾驶员身份识别模型进行测试时，逐个输入测试数据点中的初始速度、初始制动距离、最大制动行程、制动频率，输出驾驶员编号，若驾驶员编号与测试数据中的真实驾驶员编号相同，则表示该数据点预测成功，否则为失败。
9.根据权利要求8所述一种基于制动特征和SVM算法的驾驶员身份识别建模方法，其特征在于，若测试成功的数据点数量与测试数据点总量的比值大于或等于85％，则表示所得SVM驾驶员身份识别模型合格。
CN202011324072.3A 2020-11-23 2020-11-23 基于制动特征和svm算法的驾驶员身份识别建模方法 Active CN112418315B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011324072.3A CN112418315B (zh) 2020-11-23 2020-11-23 基于制动特征和svm算法的驾驶员身份识别建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011324072.3A CN112418315B (zh) 2020-11-23 2020-11-23 基于制动特征和svm算法的驾驶员身份识别建模方法

Publications (2)

Publication Number Publication Date
CN112418315A true CN112418315A (zh) 2021-02-26
CN112418315B CN112418315B (zh) 2023-04-07

Family

ID=74778015

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011324072.3A Active CN112418315B (zh) 2020-11-23 2020-11-23 基于制动特征和svm算法的驾驶员身份识别建模方法

Country Status (1)

Country Link
CN (1) CN112418315B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101580061A (zh) * 2009-06-25 2009-11-18 浙江亚太机电股份有限公司 一种可识别驾驶员制动意图的制动方法
US20100023197A1 (en) * 2008-07-24 2010-01-28 Gm Global Technology Operations, Inc. Adaptive vehicle control system with driving style recognition based on behavioral diagnosis
US8989914B1 (en) * 2011-12-19 2015-03-24 Lytx, Inc. Driver identification based on driving maneuver signature
CN107492251A (zh) * 2017-08-23 2017-12-19 武汉大学 一种基于机器学习与深度学习的驾驶员身份识别与驾驶状态监测方法
CN111079116A (zh) * 2019-12-29 2020-04-28 钟艳平 基于模拟驾驶舱的身份识别方法、装置和计算机设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100023197A1 (en) * 2008-07-24 2010-01-28 Gm Global Technology Operations, Inc. Adaptive vehicle control system with driving style recognition based on behavioral diagnosis
CN101580061A (zh) * 2009-06-25 2009-11-18 浙江亚太机电股份有限公司 一种可识别驾驶员制动意图的制动方法
US8989914B1 (en) * 2011-12-19 2015-03-24 Lytx, Inc. Driver identification based on driving maneuver signature
CN107492251A (zh) * 2017-08-23 2017-12-19 武汉大学 一种基于机器学习与深度学习的驾驶员身份识别与驾驶状态监测方法
CN111079116A (zh) * 2019-12-29 2020-04-28 钟艳平 基于模拟驾驶舱的身份识别方法、装置和计算机设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
唐克双等: "汽车驾驶模拟器在交通研究中的应用", 《城市交通》 *

Also Published As

Publication number Publication date
CN112418315B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN111267863B (zh) 驾驶员驾驶类型识别方法、装置、存储介质及终端设备
CN105849657B (zh) 用于驾驶辅助系统的虚拟测试优化
EP2710572B1 (en) Vehicle data analysis method and vehicle data analysis system
CN110949398B (zh) 一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法
CN106157695B (zh) 危险驾驶行为的提醒方法和装置
CN110569783A (zh) 一种驾驶人换道意图识别方法及系统
CN105185112A (zh) 驾驶行为分析识别的方法及系统
CN112590801A (zh) 一种基于驾驶员疲劳程度的前方碰撞预警控制方法
US20200134729A1 (en) Information processing device, information processing system, information processing method, and program
CN110843784B (zh) 紧急制动距离确定方法、设备、存储介质及装置
CN106779692B (zh) 一种车载支付方法及装置
CN105631485A (zh) 一种面向疲劳驾驶检测的方向盘操作特征提取方法
CN112356849A (zh) 一种危险驾驶的预警方法及装置
CN111645692B (zh) 基于混合策略博弈的驾驶人超车意图识别方法及系统
CN112288023A (zh) 基于模拟驾驶器和svm算法的激进驾驶识别的建模方法
CN112256033A (zh) 驾驶状态识别方法、设备、存储介质及装置
CN113104045B (zh) 车辆碰撞预警方法、装置、设备及存储介质
CN112418315B (zh) 基于制动特征和svm算法的驾驶员身份识别建模方法
CN113935392A (zh) 驾驶员身份识别方法、装置、电子设备及可读存储介质
CN108791300B (zh) 一种智能化程度高的驾驶系统
CN115675533B (zh) 基于历史行驶数据的车辆辅助驾驶控制方法及装置
Gao et al. Driver identification based on stop-and-go events using naturalistic driving data
CN114608556A (zh) 数据处理方法、装置、电子设备及存储介质
Mihalj et al. Hazards Identification Using Scenario-Based Testing with Respect to ISO PAS 21448 and ISO 26262
Salemi Authenticating drivers based on driving behavior

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