CN112580736A - 一种基于svm算法的醉酒驾驶车辆识别方法 - Google Patents
一种基于svm算法的醉酒驾驶车辆识别方法 Download PDFInfo
- Publication number
- CN112580736A CN112580736A CN202011570788.1A CN202011570788A CN112580736A CN 112580736 A CN112580736 A CN 112580736A CN 202011570788 A CN202011570788 A CN 202011570788A CN 112580736 A CN112580736 A CN 112580736A
- Authority
- CN
- China
- Prior art keywords
- drunk
- absolute value
- state
- test data
- svm algorithm
- 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.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012360 testing method Methods 0.000 claims abstract description 98
- 238000012549 training Methods 0.000 claims abstract description 33
- 230000001133 acceleration Effects 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 12
- 230000001419 dependent effect Effects 0.000 claims abstract description 4
- 238000004088 simulation Methods 0.000 claims description 7
- 238000012821 model calculation Methods 0.000 claims description 3
- 230000035987 intoxication Effects 0.000 claims description 2
- 231100000566 intoxication Toxicity 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 abstract description 30
- 206010039203 Road traffic accident Diseases 0.000 description 4
- 238000011478 gradient descent method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
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
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/161—Decentralised systems, e.g. inter-vehicle communication
Abstract
本发明公开了一种基于SVM算法的醉酒驾驶车辆识别方法,其包括以下步骤:进行模拟驾驶试验,由多位驾驶员分别在醉酒状态和正常状态下驾驶主车进行至少两次试验,采集的试验数据包括车辆横摆角、横摆角速度、横摆角加速度;处理试验数据;训练基于SVM算法的醉酒驾驶车辆识别模型,训练过程中,将最大横摆角绝对值、最大横摆角速度绝对值、最大横摆角加速度绝对值作为自变量,将数据点中的状态标记作为因变量;根据所获得的基于SVM算法的醉酒驾驶车辆识别模型对车辆是否处于醉酒驾驶状态进行识别。本发明通过模拟驾驶试验采集数据,建立基于SVM算法的醉酒驾驶车辆识别模型,具有数据采集便捷,成本低廉,预测准确度高的优点。
Description
技术领域
本发明涉及车辆驾驶状态识别技术领域,特别涉及一种基于SVM算法的醉酒驾驶车辆识别方法。
背景技术
随着交通基础设施的不断完善,我国交通状况也在不断改善,由于道路设施不完善造成的损失已经较十年前有了很大的改善。然而,随着交通的便利性不断提高,道路质量不断改善,汽车价格不断平民化,越来越多的人选择购买一辆汽车作为自己的主要交通工具,这导致由于驾驶员个人原因造成的交通事故逐年攀升,其中,醉酒驾驶是造成恶劣交通事故的主要原因之一。尽管我国对于醉酒驾驶的处罚力度已经很大,但是,仍然有不少的驾驶员知法犯法,对行人和其他车辆造成很大安全威胁。因此,有必要开发一种能够快速识别醉酒驾驶车辆的方法。
申请号为CN201810637742.3、名称为“一种高速公路基于视频分析的醉酒驾驶行为预警系统”的中国专利,提出分析驾驶员相关的视频信息进行驾驶员酒驾状态的识别,这种方式在驾驶员遮盖面部,或者驾驶舱光线不佳情况下会出现误识别,漏识别的情况,可靠性不佳。
申请号为CN201210245415.6、名称为“一种疲劳或醉酒驾驶检测和控制方法及相应系统”的中国专利,提出分析驾驶员眼部动作判断驾驶员是否处于酒驾或者疲劳驾驶状态,这种情况对于光线暗淡,驾驶员佩戴干扰性较强的眼镜或直接遮盖摄像头的时候,无法发挥作用,存在一定局限性。
申请号为CN201220553684.4、名称为“一种防醉酒驾驶装置”的中国专利,提出直接使用酒精传感器所获信息判断驾驶员是否处于醉酒驾驶状态。这种方法可能在车内非驾驶员人员处于醉酒状态,导致系统误认为驾驶员处于饮酒状态,存在明显缺陷。
发明内容
为了克服现有技术的缺陷和局限性,本发明的主要目的在于提供一种基于SVM(支持向量机)算法的醉酒驾驶车辆识别方法,根据车辆行驶参数,通过建立的基于SVM算法的醉酒驾驶车辆识别模型来判断驾驶员是否处于醉酒驾驶状态。
为了达到上述目的,本发明提供一种基于SVM算法的醉酒驾驶车辆识别方法,主要包括以下步骤:
进行基于模拟驾驶器的驾驶员在环模拟驾驶试验,由多位驾驶员分别在醉酒状态和正常状态下驾驶主车进行至少两次试验,采集的试验数据包括车辆横摆角、横摆角速度、横摆角加速度;
处理试验数据,按一定时间窗口长度和时间窗口间隔抽取试验数据,并求取各时间窗口中的最大横摆角绝对值、最大横摆角速度绝对值、最大横摆角加速度绝对值,得到窗口处理后数据,并根据驾驶员的驾驶状态分别在数据中加入对应的醉酒状态或正常状态的状态标记;
训练基于SVM算法的醉酒驾驶车辆识别模型,训练过程中,将最大横摆角绝对值、最大横摆角速度绝对值、最大横摆角加速度绝对值作为自变量,将数据点中的状态标记作为因变量;
根据所获得的基于SVM算法的醉酒驾驶车辆识别模型对驾驶员是否处于醉酒状态进行识别。
进一步地,模拟驾驶试验中,采用1:1城市道路,每位驾驶员在醉酒状态和正常状态下分别进行两次试验,每次试验时长为1小时。
更进一步地,数据采集的时间间隔为0.2s。
进一步地,处理试验数据的具体过程包括:
提取所有直行道路下的试验数据;
以10s为时间窗口长度,1s为时间窗口间隔抽取试验数据;如,第一个时间窗口的时间区间为0-10s,第二个时间窗口为1-11s,第三个时间窗口为2-12s,以此类推。
求解各个时间窗口中的最大横摆角绝对值、最大横摆角速度绝对值、最大横摆角加速度绝对值,得到窗口处理后数据。
进一步地,处理试验数据的具体过程包括:
将每位驾驶员进行的第一次醉酒驾驶试验对应的窗口处理后数据放入一个集合,得到醉酒训练数据集,第二次醉酒驾驶试验数据放入另一个集合,作为醉酒测试数据集;
将每位驾驶员进行的第一次正常驾驶试验对应的窗口处理后数据放入一个集合,得到正常训练数据集,第二次正常驾驶试验数据放入另一个集合,作为正常测试数据集;
将醉酒训练数据集和正常训练数据集组成的合集作为训练数据集;
将醉酒测试数据集和正常测试数据集组成的合集作为测试数据集;
训练数据集和测试数据集中各个数据都对应驾驶员的驾驶状态加入一个状态标记。在一个具体实施例中,醉酒状态的标记符号为数字1,正常状态的标记符号为数字0。
更进一步地,训练识别模型时,使用训练数据集进行基于SVM算法的醉酒驾驶车辆识别模型的建模;使用测试数据集对基于SVM算法的醉酒驾驶车辆识别模型进行测试。
SVM算法的工作过程如下:
训练数据集表示为:
其中,xi属于一个n维空间,且yi为1或-1,且i=1,2...,n,xi为第i个特征向量,yi为类别标记。1表示正例;-1表示负例。
1)选择适当的核函数和惩罚参数C>0,构造并求解凸二次规划问题:
2)求得最优解(一般使用梯度下降法):
计算b*
3)计算得到分类决策函数:
本发明中,最大横摆角绝对值、最大横摆角速度绝对值、最大横摆角加速度绝对值组成X矩阵,将数据点中的状态标记为Y。
使用高斯核函数,惩罚参数C=10,求解α*时使用梯度下降法,高斯核函数如下式所示。
进一步地,测试识别模型时,将最大横摆角绝对值、最大横摆角速度绝对值、最大横摆角加速度绝对值作为输入变量,输入模型中,得到预测相应测试数据点的状态标记符号;若测试数据点经过模型计算预测的状态标记与实际状态标记一致,则表示基于SVM算法的醉酒驾驶车辆识别模型在该测试数据点预测成功,否则预测失败。
在一个优选实施例中,若预测成功的测试数据点占测试数据集中数据点总量的比例超过85%,则建模成功,否则需要重新进行模拟驾驶试验并采集试验数据。
建模完成后,根据获得的基于SVM算法的醉酒驾驶车辆识别模型,检测车辆横摆角、横摆角速度、横摆角加速度,通过按照与模型建模时相同的时间窗口长度计算出车辆在直行道路中行驶时的最大横摆角绝对值、最大横摆角速度绝对值、最大横摆角加速度绝对值,然后将这些变量数据输入到基于SVM算法的醉酒驾驶车辆识别模型,得到预测的状态标记,根据状态标记判断车辆是处于醉酒驾驶状态还是正常状态。若模型输出的状态标记显示车辆处于醉酒驾驶状态,则可向该车辆的驾驶员进行警告,使其尽快靠边停车,并向周围车辆发出消息,使相关车辆密切关注该醉酒驾驶车辆的行为,以防发生交通事故。在一些具体实施例中,可以通过被检测车辆的辅助驾驶系统或者通过物联网系统对被检测车辆的行驶状态参数进行检测,并且利用基于SVM算法的醉酒驾驶车辆识别模型进行驾驶状态的判断。
由于采用上述技术方案,本发明达到以下有益效果:本发明以使用模拟驾驶器进行模拟驾驶试验,并得到驾驶员在醉酒状态和正常状态时的车辆行驶数据,获得基于SVM算法的醉酒驾驶车辆识别模型,根据该模型,通过检测获得车辆行驶数据即可准确地识别车辆是否处于醉酒驾驶状态,从而及时制止车辆,提升车辆自身和周围车辆的安全性,克服了现有技术的一些局限性和缺陷。
附图说明
图1为根据本发明的基于SVM算法的醉酒驾驶车辆识别方法中建模过程的步骤流程示意图。
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,本实施例提供一种基于SVM算法的醉酒驾驶车辆识别方法,包括建模步骤S1-S4和模型使用步骤S5,具体步骤如下:
S 1.进行试验并采集相关数据:
由多位驾驶员基于模拟驾驶器进行模拟驾驶试验,模拟驾驶试验中,采用1:1城市道路,驾驶员控制的主车周围车辆无违规动作;每位驾驶员被要求在醉酒状态和正常状态下分别进行两次试验,每次试验时长为1小时;驾驶员被要求尽量按照驾驶规则行驶;采集的试验数据包括车辆横摆角、横摆角速度、横摆角加速度;采集试验数据的时间间隔为0.2s。
S2.处理试验数据:
处理试验数据包括提取所有直行道路下的试验数据;以10s为时间窗口长度,时间窗口间隔为1s,抽取试验数据。如,第一个时间窗口的时间区间为0~10s,第二个时间窗口为1~11s,第三个时间窗口为2~12s,以此类推。求解各个时间窗口中的最大横摆角绝对值、最大横摆角速度绝对值、最大横摆角加速度绝对值,得到窗口处理后数据。将每位驾驶员进行的第一次醉酒驾驶试验对应的窗口处理后数据放入一个集合,得到醉酒训练数据集,第二次醉酒驾驶试验数据放入另一个集合,作为醉酒测试训练集。将每位驾驶员进行的第一次正常驾驶试验对应的窗口处理后数据放入一个集合,得到正常训练数据集,第二次正常驾驶试验数据放入另一个集合,作为正常测试训练集。将醉酒训练数据集和正常训练数据集组成的合集称为训练数据集;将醉酒测试数据集和正常测试数据集组成的合集称为测试数据集;训练数据集和测试数据集中各个数据都带有一个状态标记,在本实施例中,醉酒状态的标记符号为数字1,正常状态的标记符号为数字0。
S3.训练识别模型
训练识别模型时,使用训练数据集,进行基于SVM算法的醉酒驾驶车辆识别模型的建模;训练过程中,将最大横摆角绝对值、最大横摆角速度绝对值、最大横摆角加速度绝对值作为自变量,将数据点中的状态标记作为因变量。
SVM算法的工作过程如下:
训练数据集表示为:
其中,xi属于一个n维空间,且yi为1或-1,且i=1,2...,n,xi为第i个特征向量,yi为类别标记。1表示正例;-1表示负例。
1)选择适当的核函数和惩罚参数C>0,构造并求解凸二次规划问题:
2)求得最优解(一般使用梯度下降法):
计算b*
3)计算得到分类决策函数:
本实施例中,最大横摆角绝对值、最大横摆角速度绝对值、最大横摆角加速度绝对值组成X矩阵,将数据点中的状态标记为Y。
使用高斯核函数,惩罚参数C=10,求解α*时使用梯度下降法,高斯核函数如下式所示。
S4.测试识别模型:
使用测试数据集对基于SVM算法的醉酒驾驶车辆识别模型进行测试时,将最大横摆角绝对值、最大横摆角速度绝对值、最大横摆角加速度绝对值作为输入变量,输入该模型中,得到预测相应测试数据点的状态标记符号,且1对应醉酒状态,0对应正常状态;若对于某测试数据点,预测状态标记符号与实际状态标记符号一致,则表示基于SVM算法的醉酒驾驶车辆识别模型预测该点状态成功,否则预测失败。
S5.判断是否建模成功
判断是否建模成功的标准是,若预测成功的测试数据点数量超过测试数据集内测试数据点总量的85%,则表示该基于SVM算法的醉酒驾驶车辆识别模型建模成功,否则建模失败,需要重新进行模拟驾驶试验。
建模完成后,本发明还包括模型使用过程:根据所获得的基于SVM算法的醉酒驾驶车辆识别模型进行醉酒驾驶车辆识别。
在实际使用过程中,车辆辅助驾驶系统或者物联网系统检测道路中车辆的车辆横摆角、横摆角速度、横摆角加速度,具体地,本实施例中使用OxTs RT3002sensor惯导系统检测车辆状态参数。并以10s为时间窗口长度计算车辆在直行道路中行驶时的最大横摆角绝对值、最大横摆角速度绝对值、最大横摆角加速度绝对值,并将这些变量数据输入到基于SVM算法的醉酒驾驶车辆识别模型,得到预测的车辆状态,若输出值为1,则车辆很可能处于醉酒驾驶状态,需要对该车司机进行警告,使其尽快靠边停车,并向周围车辆发出消息,使相关车辆密切关注该醉酒驾驶车辆的行为,以防发生交通事故。
相较于现有技术,本发明具有建模数据采集便捷、建模成本低廉、模型计算速度快的优势,而且本发明在模型使用步骤中仅需要检测车辆的行驶状态参数,不受驾驶员主观因素影响,也基本不受道路环境和光线环境干扰,对醉酒驾驶车辆的识别更准确,有效地克服了现有技术的局限性。
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SVM算法的醉酒驾驶车辆识别方法,其特征在于,包括以下步骤:
进行基于模拟驾驶器的驾驶员在环模拟驾驶试验,由多位驾驶员分别在醉酒状态和正常状态下驾驶主车进行至少两次试验,采集的试验数据包括车辆横摆角、横摆角速度、横摆角加速度;
处理试验数据,按一定时间窗口长度和时间窗口间隔抽取试验数据,并求取各个时间窗口中的最大横摆角绝对值、最大横摆角速度绝对值、最大横摆角加速度绝对值,得到窗口处理后数据,并根据驾驶员的驾驶状态分别在数据中加入对应的醉酒状态或正常状态的状态标记;
训练基于SVM算法的醉酒驾驶车辆识别模型,训练过程中,将最大横摆角绝对值、最大横摆角速度绝对值、最大横摆角加速度绝对值作为自变量,将数据点中的状态标记作为因变量;
根据所获得的基于SVM算法的醉酒驾驶车辆识别模型对车辆是否处于醉酒驾驶状态进行识别。
2.根据权利要求1所述基于SVM算法的醉酒驾驶车辆识别方法,其特征在于:模拟驾驶试验中,采用1:1城市道路,每位驾驶员在醉酒状态和正常状态下分别进行两次试验,每次试验时长为1小时。
3.根据权利要求2所述基于SVM算法的醉酒驾驶车辆识别方法,其特征在于:数据采集的时间间隔为0.2s。
4.根据权利要求1所述基于SVM算法的醉酒驾驶车辆识别方法,其特征在于:处理试验数据的具体过程包括:
提取所有直行道路下的试验数据;
以10s为时间窗口长度,1s为时间窗口间隔抽取试验数据;
求解各个时间窗口中的最大横摆角绝对值、最大横摆角速度绝对值、最大横摆角加速度绝对值,得到窗口处理后数据。
5.根据权利要求1或4所述基于SVM算法的醉酒驾驶车辆识别方法,其特征在于:处理试验数据的具体过程包括:
将每位驾驶员进行的第一次醉酒驾驶试验对应的窗口处理后数据放入一个集合,得到醉酒训练数据集,第二次醉酒驾驶试验数据放入另一个集合,作为醉酒测试数据集;
将每位驾驶员进行的第一次正常驾驶试验对应的窗口处理后数据放入一个集合,得到正常训练数据集,第二次正常驾驶试验数据放入另一个集合,作为正常测试数据集;
将醉酒训练数据集和正常训练数据集组成的合集作为训练数据集;
将醉酒测试数据集和正常测试数据集组成的合集作为测试数据集;
训练数据集和测试数据集中各个数据都对应驾驶员的驾驶状态加入一个状态标记。
6.根据权利要求5所述基于SVM算法的醉酒驾驶车辆识别方法,其特征在于:训练识别模型时,使用训练数据集进行基于SVM算法的醉酒驾驶车辆识别模型的建模;使用测试数据集对基于SVM算法的醉酒驾驶车辆识别模型进行测试。
7.根据权利要求6所述基于SVM算法的醉酒驾驶车辆识别方法,其特征在于:测试识别模型时,将最大横摆角绝对值、最大横摆角速度绝对值、最大横摆角加速度绝对值作为输入变量,输入模型中,得到预测相应测试数据点的状态标记符号;若测试数据点经过模型计算预测的状态标记与实际状态标记符号一致,则表示基于SVM算法的醉酒驾驶车辆识别模型在该测试数据点预测成功,否则预测失败。
8.根据权利要求7所述基于SVM算法的醉酒驾驶车辆识别方法,其特征在于,若预测成功的测试数据点占测试数据集中数据点总量的比例超过85%,则建模成功,否则需要重新进行模拟驾驶试验并采集试验数据。
9.根据权利要求1所述基于SVM算法的醉酒驾驶车辆识别方法,其特征在于,根据所获得的基于SVM算法的醉酒驾驶车辆识别模型对车辆是否处于醉酒驾驶状态进行识别的具体过程为:检测车辆横摆角、横摆角速度、横摆角加速度,以与建模时相同的时间窗口长度计算出车辆在直行道路中行驶时的最大横摆角绝对值、最大横摆角速度绝对值、最大横摆角加速度绝对值,然后输入到基于SVM算法的醉酒驾驶车辆识别模型,计算得到预测的状态标记,根据状态标记判断车辆是否处于醉酒驾驶状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011570788.1A CN112580736A (zh) | 2020-12-26 | 2020-12-26 | 一种基于svm算法的醉酒驾驶车辆识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011570788.1A CN112580736A (zh) | 2020-12-26 | 2020-12-26 | 一种基于svm算法的醉酒驾驶车辆识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112580736A true CN112580736A (zh) | 2021-03-30 |
Family
ID=75139909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011570788.1A Pending CN112580736A (zh) | 2020-12-26 | 2020-12-26 | 一种基于svm算法的醉酒驾驶车辆识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580736A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113205687A (zh) * | 2021-04-30 | 2021-08-03 | 广州大学 | 一种基于视频监控的酒驾车辆轨迹识别系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006178715A (ja) * | 2004-12-22 | 2006-07-06 | Nissan Motor Co Ltd | 車線逸脱防止装置及び車線逸脱防止方法 |
CN104408878A (zh) * | 2014-11-05 | 2015-03-11 | 唐郁文 | 一种车队疲劳驾驶预警监控系统及方法 |
CN104464192A (zh) * | 2013-09-18 | 2015-03-25 | 武汉理工大学 | 机动车驾驶人不稳定性驾驶状态检测预警装置与方法 |
CN105631485A (zh) * | 2016-03-28 | 2016-06-01 | 苏州阿凡提网络技术有限公司 | 一种面向疲劳驾驶检测的方向盘操作特征提取方法 |
CN108961680A (zh) * | 2018-07-20 | 2018-12-07 | 武汉理工大学 | 一种酒后驾驶和疲劳驾驶判别系统的性能检测系统及方法 |
-
2020
- 2020-12-26 CN CN202011570788.1A patent/CN112580736A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006178715A (ja) * | 2004-12-22 | 2006-07-06 | Nissan Motor Co Ltd | 車線逸脱防止装置及び車線逸脱防止方法 |
CN104464192A (zh) * | 2013-09-18 | 2015-03-25 | 武汉理工大学 | 机动车驾驶人不稳定性驾驶状态检测预警装置与方法 |
CN104408878A (zh) * | 2014-11-05 | 2015-03-11 | 唐郁文 | 一种车队疲劳驾驶预警监控系统及方法 |
CN105631485A (zh) * | 2016-03-28 | 2016-06-01 | 苏州阿凡提网络技术有限公司 | 一种面向疲劳驾驶检测的方向盘操作特征提取方法 |
CN108961680A (zh) * | 2018-07-20 | 2018-12-07 | 武汉理工大学 | 一种酒后驾驶和疲劳驾驶判别系统的性能检测系统及方法 |
Non-Patent Citations (2)
Title |
---|
屈肖蕾 等: "《基于驾驶员转向操作特性的疲劳驾驶检测》", 《汽车工程》 * |
杨万福: "《汽车理论》", 30 August 2010, 广州:华南理工大学出版社 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113205687A (zh) * | 2021-04-30 | 2021-08-03 | 广州大学 | 一种基于视频监控的酒驾车辆轨迹识别系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108995655B (zh) | 一种驾驶员驾驶意图识别方法及系统 | |
Chen et al. | A graphical modeling method for individual driving behavior and its application in driving safety analysis using GPS data | |
CN105620480B (zh) | 智能车辆自主性换道时机决策方法 | |
CN109145719B (zh) | 一种驾驶员疲劳状态识别方法及系统 | |
CN110866479A (zh) | 一种检测摩托车驾驶员未戴头盔的方法、装置及系统 | |
CN108647708A (zh) | 驾驶员评估方法、装置、设备和存储介质 | |
CN108769104B (zh) | 一种基于车载诊断系统数据的路况分析预警方法 | |
CN112793576B (zh) | 一种基于规则与机器学习融合的换道决策方法及系统 | |
CN105956568A (zh) | 一种基于监控目标识别的异常行为检测预警方法 | |
CN115782905B (zh) | 一种自动驾驶车辆驾驶安全度量化系统 | |
CN106408032A (zh) | 基于转向盘转角的疲劳驾驶检测方法 | |
CN111986226A (zh) | 一种目标轨迹异常检测方法 | |
CN111444843B (zh) | 一种多模态驾驶员及车辆违法行为监测方法及系统 | |
CN112580736A (zh) | 一种基于svm算法的醉酒驾驶车辆识别方法 | |
CN112129290A (zh) | 用于监测骑行设备的系统及方法 | |
CN111717210B (zh) | 一种驾驶员手部相对静止状态下脱离方向盘检测方法 | |
CN115279643A (zh) | 用于训练自动驾驶车辆的感知网络的车载主动学习方法和设备 | |
Yardy et al. | Detecting malicious driving with machine learning | |
CN107622667B (zh) | 一种变造车牌号码检测方法及系统 | |
CN112124074B (zh) | 基于车辆周边情况实现自动控制车速方法 | |
CN112633163B (zh) | 一种基于机器学习算法实现非法运营车辆检测的检测方法 | |
CN111775948B (zh) | 一种驾驶行为分析方法及装置 | |
CN112766306B (zh) | 一种基于svm算法的减速带区域识别方法 | |
CN112686127A (zh) | 基于gm-hmm的驾驶员超车意图识别方法 | |
CN112329714A (zh) | 基于gm-hmm的驾驶员高速驾驶分心识别建模方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210330 |