CN112637420B - 一种驾驶行为的识别方法、装置及计算机系统 - Google Patents
一种驾驶行为的识别方法、装置及计算机系统 Download PDFInfo
- Publication number
- CN112637420B CN112637420B CN202011398698.9A CN202011398698A CN112637420B CN 112637420 B CN112637420 B CN 112637420B CN 202011398698 A CN202011398698 A CN 202011398698A CN 112637420 B CN112637420 B CN 112637420B
- Authority
- CN
- China
- Prior art keywords
- mobile terminal
- preset
- driver
- motion data
- model
- 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
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M2250/00—Details of telephonic subscriber devices
- H04M2250/12—Details of telephonic subscriber devices including a sensor for measuring a physical value, e.g. temperature or motion
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
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)
- Telephone Function (AREA)
Abstract
本申请公开了一种驾驶行为的识别方法、装置及计算机系统，所述方法包括获取移动终端的预设传感器实时采集的运动数据；使用第一预设模型根据所述运动数据预测所述移动终端是否处于支架固定姿态；当预测所述移动终端不处于支架固定姿态时，监控所述移动终端是否处于亮屏状态；当所述移动终端处于亮屏状态的持续时间超过第一预设阈值且所述移动终端的使用者是驾驶员时，确定所述驾驶员在行驶状态下发生了移动终端使用行为，避免了现有技术中需要通过预先设置的摄像头拍摄的图像才能判断驾驶员是否在驾驶时使用了移动终端、导致成本高、部署困难的问题。
Description
技术领域
本发明涉及交通安全技术领域，尤其涉及一种驾驶行为的识别方法、装置及计算机系统。
背景技术
随着智能手机和互联网的发展普及，手机成为人们日常生活中的重要工具。然而有一些司机在开车时仍然使用手机，这会严重分散司机注意力，带来极大事故隐患。道路安全法已经明确规定机动车驾驶员在驾驶车辆过程中不得有接听电话等行为，目前致力于行车安全的各类驾驶辅助系统以及驾驶行为分析系统也将开车使用手机列为危险驾驶行为之一，探索行之有效又便捷实用的方法来实现对驾驶时使用手机行为的实时监测、及时告警以及事后分析是本领域亟待解决的技术问题。
现有技术通常基于图像识别来识别司机驾驶时使用手机的行为。根据拍摄的司机驾驶视频，调用视频分析模型识别司机行为，以识别司机使用手机的驾驶行为。然而，这种方法需要预先设置摄像头，在本地或远程预设较高配置图像处理设备及存储设备并预先部署相应的图像处理分析技术，对硬件与软件要求均较高，需要较高的部署成本以及落地门槛。
发明内容
为了解决现有技术的不足，本发明的主要目的在于提供一种驾驶行为的识别方法、装置及计算机系统，以实现基于移动终端的传感器数据判断驾驶员是否在驾驶时使用了移动终端。
为了达到上述目的，第一方面本发明提供了一种驾驶行为的识别方法，所述方法包括：
获取移动终端的预设传感器实时采集的运动数据，所述运动数据用于描述所述移动终端的实时运动状态变化；
使用第一预设模型根据所述运动数据预测所述移动终端是否处于支架固定姿态；
当预测所述移动终端不处于支架固定姿态时，监控所述移动终端是否处于亮屏状态；
当所述移动终端处于亮屏状态的持续时间超过第一预设阈值且所述移动终端的使用者是驾驶员时，确定所述驾驶员在行驶状态下发生了移动终端使用行为。
在一些实施例中，所述使用第一预设模型根据所述运动数据预测所述移动终端是否处于支架固定姿态包括：
使用第二预设模型，根据所述运动数据实时预测所述移动终端是否处于行驶状态的车辆中；
当预测所述移动终端处于行驶状态的车辆中的持续时间超过第二预设阈值时，确定所述移动终端处于行驶状态的车辆中；
当确定所述移动终端处于行驶状态的车辆中时，使用第一预设模型根据所述运动数据预测所述移动终端是否处于支架固定姿态。
在一些实施例中，当确定所述移动终端处于行驶状态的车辆中后，所述方法还包括：
当预测所述移动终端未处于行驶状态的车辆中的持续时间超过第三预设阈值时，停止使用第一预设模型根据所述运动数据预测所述移动终端是否处于支架固定姿态。
在一些实施例中，确定所述移动终端处于行驶状态的车辆中后，所述方法包括：
获取确定处于行驶状态的车辆中后所述移动终端的使用记录；
使用第三预设模型，根据所述使用记录预测所述移动终端的使用者是否为驾驶员。
在一些实施例中，所述运动数据包括所述移动终端沿预设坐标系的坐标轴的加速度、旋转速率和旋转角度。
在一些实施例中，所述监控所述移动终端是否处于亮屏状态包括：
获取所述移动终端的实时屏幕亮度数据；
根据所述实时屏幕亮度数据，确定所述移动终端是否处于亮屏状态。
在一些实施例中，所述第一预设模型是经训练的预设分类模型，所述使用第一预设模型根据所述运动数据预测所述移动终端是否处于支架固定姿态包括：
使用第一预设模型，预测所述运动数据对应的预设移动终端姿态，所述预设移动终端姿态包括支架固定姿态、横屏非支架固定姿态及竖屏非支架固定姿态；
所述当预测所述移动终端不处于支架固定姿态时，监控所述移动终端是否处于亮屏状态包括：
当预测所述移动终端处于横屏非支架固定姿态或竖屏非支架固定姿态时，监控所述移动终端是否处于亮屏状态。
第二方面，本申请提供了一种驾驶行为的识别装置，所述装置包括：
获取模块，用于获取移动终端的预设传感器实时采集的运动数据，所述运动数据用于描述所述移动终端的实时运动状态变化；
预测模块，用于使用第一预设模型根据所述运动数据预测所述移动终端是否处于支架固定姿态；
监控模块，用于当预测所述移动终端不处于支架固定姿态时，监控所述移动终端是否处于亮屏状态；
处理模块，用于当所述移动终端处于亮屏状态的持续时间超过第一预设阈值且所述移动终端的使用者是驾驶员时，确定所述驾驶员在行驶状态下发生了移动终端使用行为。
在一些实施例中，所述预测模块还可用于使用第二预设模型，根据所述运动数据实时预测所述移动终端是否处于行驶状态的车辆中；当预测所述移动终端处于行驶状态的车辆中的持续时间超过第二预设阈值时，确定所述移动终端处于行驶状态的车辆中；当确定所述移动终端处于行驶状态的车辆中时，使用第一预设模型根据所述运动数据预测所述移动终端是否处于支架固定姿态。
第三方面，本申请提供了一种计算机系统，所述计算机系统包括：
一个或多个处理器；
以及与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行如下操作：
获取移动终端的预设传感器实时采集的运动数据，所述运动数据用于描述所述移动终端的实时运动状态变化；
使用第一预设模型根据所述运动数据预测所述移动终端是否处于支架固定姿态；
当预测所述移动终端不处于支架固定姿态时，监控所述移动终端是否处于亮屏状态；
当所述移动终端处于亮屏状态的持续时间超过第一预设阈值且所述移动终端的使用者是驾驶员时，确定所述驾驶员在行驶状态下发生了移动终端使用行为。
本发明实现的有益效果为：
本申请公开了一种驾驶行为的识别方法，包括获取移动终端的预设传感器实时采集的运动数据，所述运动数据用于描述所述移动终端的实时运动状态变化；使用第一预设模型根据所述运动数据预测所述移动终端是否处于支架固定姿态；当预测所述移动终端不处于支架固定姿态时，监控所述移动终端是否处于亮屏状态；当所述移动终端处于亮屏状态的持续时间超过第一预设阈值且所述移动终端的使用者是驾驶员时，确定所述驾驶员在行驶状态下发生了移动终端使用行为，通过移动终端的传感器采集的运动数据识别移动终端是否被固定在手机支架上，当没有固定在手机支架上且亮屏的时间超过预设阈值时，判断驾驶员在驾驶时发生了使用移动终端的行为，实现了仅根据移动终端的传感器数据就能判断驾驶员是否发生危险驾驶行为，部署简单且成本低，避免了现有技术中需要通过预先设置的摄像头拍摄的图像才能判断驾驶员是否在驾驶时使用了移动终端、导致所需成本高、部署困难的问题；
进一步地，本申请还提出了获取移动终端的预设传感器实时采集的运动数据包括：获取所述移动终端的当前使用记录；使用第三预设模型，根据所述当前使用记录预测所述移动终端的使用者是否为驾驶员；当预测是驾驶员时，获取所述移动终端的预设传感器实时采集的运动数据，可根据移动终端在本次行程中的使用记录预测移动终端的使用者是否为驾驶员，不需要使用者预先录入相应的身份数据，提升了对驾驶行为识别的准确性。
本发明所有产品并不需要具备上述所有效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，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是本申请实施例提供的实现系统架构图；
图2是本申请实施例提供的手机使用识别流程图；
图3是本申请实施例提供的方法流程图；
图4是本申请实施例提供的装置结构图；
图5是本申请实施例提供的计算机系统结构图；
图6是本申请实施例提供的坐标系建立示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，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在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如背景技术所述，现有技术中通常采用图像识别技术根据驾驶员的驾驶图像识别驾驶员是否在驾驶时使用了手机等移动终端。但是该方法需要预先部署摄像头及图像处理的相关设备，部署成本高、难度大。
为解决上述技术问题，本申请提出了通过移动终端的传感器采集的运动数据，预测移动终端是否处于支架固定状态，当未处于支架固定状态且亮屏时间超过预设值时，判断驾驶员在驾驶时使用了移动终端，且实现了通过已有的移动终端的传感器就能对驾驶员是否危险驾驶进行识别，相较于现有技术成本更低且部署更为简单。
本申请所述的移动终端包括手机、平板电脑等任意可在移动中使用的计算机设备。
为了对驾驶员是否在车辆驾驶时是否发生了移动终端使用行为进行识别，图1示出了本申请提供的一种驾驶行为识别的实现系统，包括数据获取模块101、特征提取模块107、模型训练模块108及模型存储模块109。数据获取模块101可通过预设在移动终端上的预设程序从移动终端的传感器获取运动数据。例如，所述数据获取模块101可通过预设的sdk从移动终端的加速度计获取加速度计数据102、从陀螺仪获取陀螺仪数据103、从重力计获取重力计数据104、从GPS通信模块获取GPS数据105和步数、屏幕亮度等其他数据106。可使用数据采集模块101采集多次行程对应的全程运动数据，并预先标注对应的标签。特征提取模块107可根据数据获取模块采集的数据生成相应的运动特征数据，然后模型训练模块108根据运动特征数据及对应的标注，分别训练得到行程识别模型和使用判断模型和司机识别模型，其中行程识别模型用于识别移动终端所在的车辆是否在行驶状态、使用判断模块用于判断移动终端是否处在支架固定状态以及司机识别模块用于识别移动终端的使用者是否为车辆的驾驶员，并由模型存储模块对上述模型进行存储。
所述实现系统可以部署在远程服务器上，然后根据移动终端实时上传的运动数据进行司机行为的识别，也可以直接部署在移动终端上。
实施例一
具体的，行程识别模型的训练过程包括：
A1、按照预设的采集频率，获取手机的预设传感器实时采集的运动数据；
可对多次行程进行采集，并根据每次行程生成对应的训练样本。
所述预设传感器包括加速度计、陀螺仪、重力计、GPS定位装置中的一个或多个，运动数据包括加速度计采集的手机沿预设坐标系的坐标轴的加速度、沿预设坐标系的坐标轴的手机旋转速率、沿预设坐标系的坐标轴的手机旋转角度、步数变化量、GPS定位装置确定的手机移动速度、手机的实时方向角。
其中，预设坐标系包括相对手机的三维坐标系或相对地球的三维坐标系。如图6所示，相对手机的三维坐标系可以建立为以手机的陀螺仪为坐标原点、以垂直于手机表面的方向为Z轴、以平行于手机的长边的方向为Y轴、以平行于手机的短边的方向为X轴。
可根据连续的运动数据生成划动窗格，例如第1-50次采集的运动数据为第一个窗格、第2-51次采集的运动数据为第二个窗格，以此类推。然后计算在每个窗格内所有运动数据包含的各个数据分别的平均值、标准差、方差、中位数、最大值、最小值、峰度和偏度等统计量。根据所述统计量可以生成每一窗格对应的特征数据。
对行程中每一时间段对应的手机的移动状态进行标注，根据标注可确定每一窗格对应的移动状态。所述移动状态可以包括手机处于步行状态的使用者上、处于静止状态的使用者上和处于行驶状态的车辆上等。
生成的每一训练样本包括一个或多个窗格及对应的移动状态，每个窗格包含相应的特征数据。
A2、使用训练样本训练对应的预设模型，获取行程识别模型；
所述对应的预设模型可以是决策树、随机森林、SVM和Xgboost等任意机器学习分类模型。训练得到的行程识别模型可根据每个窗格包含的特征数据预测对应的手机的移动状态，包括但不限于手机处于步行状态的使用者上、处于静止状态的使用者上和处于行驶状态的车辆上等。
使用判断模型的训练过程包括：
B1、分别采集手机在各种使用姿态下的运动数据；
可将手机设置在行驶状态下的车辆上，并分别以测试者将手机以横屏使用、以竖屏状态使用和固定在设置在连接于车辆上的支架上三种使用姿态，采集预设时间长度的相应的运动数据。
B2、根据采集的运动数据及对应的使用姿态，训练对应的预设模型，获取使用判断模型。
训练得到的使用判断模型可根据采集的运动数据判断手机处于横屏非支架固定姿态、竖屏非支架固定姿态和支架固定姿态。其中横屏非支架固定姿态是指手机处于横屏姿态且没有被固定在支架上，竖屏非支架固定姿态是指手机处于竖屏姿态且没有被固定在支架上，支架固定姿态是指手机处于被支架固定的姿态。
也可根据每一使用姿态下采集的运动数据，确定在每一使用姿态下运动数据的取值范围。例如，可根据重力计采集的每一使用姿态下手机沿预设坐标系的x轴、y轴和z轴的重力分量gravityX、gravityY和gravityZ，确定每一使用姿态对应的gravityX、gravityY、gravityZ的取值范围。根据得到的所有使用姿态对应的取值范围，生成使用判断模型。当使用判断模型根据运动数据确定手机处于某一使用姿态下的时间超过预设的时间阈值时，可确定手机处于该使用姿态下。
司机识别模型的训练过程包括：
C1、分别采集车辆行程中驾驶员的手机使用记录和乘客的手机使用记录；
对采集的手机使用记录分别提取原始特征及对应的统计量，可生成相应的训练样本。训练样本还包括对应的身份，即乘客或驾驶员。其中统计量包括可以包括每段行程每次使用手机连续时长的平均值、最大值和最小值、手机使用总时长占行程总时长比例、车辆中途暂停时使用手机占使用手机总时长比例、车辆低速状态下使用手机占使用手机总时长比例、车辆中速以上状态下使用手机占使用手机总时长比例、行程开始后第一预设时间段内手机使用时长比例、行程结束前第二预设时间段内手机使用时长比例等。所述第一预设时间段可以与所述第二预设时间段相同，也可以不同，本申请对此不加限定。
C2、使用训练样本对对应的预设模型进行训练，获得司机识别模型。
所述对应的预设模型可以是决策树、随机森林、SVM和Xgboost等任意机器学习分类模型。训练得到的司机识别模型可根据采集的在本次行程中的使用记录，预测在当前行程中手机的使用者是驾驶员或乘客。
具体的，以识别驾驶员是否在驾驶时使用手机为例，如图2所示，使用本申请提供的方法进行识别的过程包括：
步骤一、获取手机的预设传感器实时采集的运动数据；
所述预设传感器包括加速度计、陀螺仪、重力计、GPS定位装置中的一个或多个，运动数据包括加速度计采集的手机沿预设坐标系的坐标轴的加速度、沿预设坐标系的坐标轴的手机旋转速率、沿预设坐标系的坐标轴的手机旋转角度、步数变化量、GPS定位装置确定的手机移动速度、手机的实时方向角。
步骤二、根据运动数据，使用行程识别模型识别手机是否处于行驶状态的车辆上；
当在超过预设数量的连续的时间窗格内手机被预测处于行驶状态的车辆上时，判断手机处于行驶状态的车辆上，并生成相应的行程记录。
优选的，可在超过预设数量的连续的时间窗格内手机被预测处于行驶状态的车辆上且根据GPS数据判断车辆的车速超过预设速度阈值的时间满足对应的预设条件时，判断手机处于行驶状态的车辆上，本次行程开始并生成相应的行程记录。
步骤三、当识别手机处于行驶状态的车辆上时，通过使用判断模型预测手机对应的使用姿态；
步骤四、当预测手机处于横屏非支架固定姿态或竖屏非支架固定姿态时，获取手机的实时屏幕亮度数据；
步骤五、根据实时屏幕亮度数据，统计手机的持续亮屏时间；
步骤六、当手机的持续亮屏时间大于对应的预设阈值时，判断手机的使用者在车辆行驶时发生了手机使用行为；
步骤七、司机判断模块根据手机在本次行程中的使用记录预测手机的使用者是否为驾驶员；
所述使用记录可包括在本次行程中手机连续使用时长的最大值、最小值和平均值、手机使用时长占行程总时长的比例、车辆中途停车时使用手机的时长占使用手机总时长的比例、车辆低速状态下使用手机占手机使用总时长比例、车辆中速以上状态下手机使用占使用手机总时长比例、行程开始后第一预设时间段内内手机使用时长占使用手机总时长比例等手机使用记录。
步骤八、当判断使用者是驾驶员时，发出警告信号并生成违规驾驶记录保存至行程记录中；
当判断使用者是乘客时，将本次行程标记为乘客行程，不作为驾驶行为评判的参考数据。
当行程识别模型预测手机的使用者未处于行驶状态的车辆中、且根据GPS定位数据判断手机的移动速度小于对应的预设速度阈值的时间超过对应的预设阈值时，判断本次行程结束并停止获取运动数据。
实施例二
对应上述实施例，本申请提供了一种驾驶行为的识别方法，如图3所示，所述方法包括：
310、获取移动终端的预设传感器实时采集的运动数据，所述运动数据用于描述所述移动终端的实时运动状态变化；
320、使用第一预设模型根据所述运动数据预测所述移动终端是否处于支架固定姿态；
优选的，所述使用第一预设模型根据所述运动数据预测所述移动终端是否处于支架固定姿态包括：
321、使用第二预设模型，根据所述运动数据实时预测所述移动终端是否处于行驶状态的车辆中；
322、当预测所述移动终端处于行驶状态的车辆中的持续时间超过第二预设阈值时，确定所述移动终端处于行驶状态的车辆中；
323、当确定所述移动终端处于行驶状态的车辆中时，使用第一预设模型根据所述运动数据预测所述移动终端是否处于支架固定姿态。
优选的，当确定所述移动终端处于行驶状态的车辆中后，所述方法还包括：
324、当预测所述移动终端未处于行驶状态的车辆中的持续时间超过第三预设阈值时，停止使用第一预设模型根据所述运动数据预测所述移动终端是否处于支架固定姿态。
330、当预测所述移动终端不处于支架固定姿态时，监控所述移动终端是否处于亮屏状态；
优选的，所述监控所述移动终端是否处于亮屏状态包括：
331、获取所述移动终端的实时屏幕亮度数据；
332、根据所述实时屏幕亮度数据，确定所述移动终端是否处于亮屏状态。
优选的，所述第一预设模型是经训练的预设分类模型，所述使用第一预设模型根据所述运动数据预测所述移动终端是否处于支架固定姿态包括：
333、使用第一预设模型，预测所述运动数据对应的预设移动终端姿态，所述预设移动终端姿态包括支架固定姿态、横屏非支架固定姿态及竖屏非支架固定姿态；
所述当预测所述移动终端不处于支架固定姿态时，监控所述移动终端是否处于亮屏状态包括：
335、当预测所述移动终端处于横屏非支架固定姿态或竖屏非支架固定姿态时，监控所述移动终端是否处于亮屏状态。
340、当所述移动终端处于亮屏状态的持续时间超过第一预设阈值且所述移动终端的使用者是驾驶员时，确定所述驾驶员在行驶状态下发生了移动终端使用行为。
优选的，确定所述移动终端处于行驶状态的车辆中后，所述方法包括：
341、获取确定处于行驶状态的车辆中后所述移动终端的使用记录；
342、使用第三预设模型，根据所述使用记录预测所述移动终端的使用者是否为驾驶员；
所述当所述移动终端处于亮屏状态的持续时间超过第一预设阈值且所述移动终端的使用者是驾驶员时，确定所述驾驶员在行驶状态下发生了移动终端使用行为包括：
343、当所述移动终端处于亮屏状态的持续时间超过第一预设阈值且预测所述移动终端的使用者是驾驶员时，确定所述驾驶员在行驶状态下发生了移动终端使用行为。
优选的，所述运动数据包括所述移动终端沿预设坐标系的坐标轴的加速度、旋转速率和旋转角度。
实施例三
对应上述实施例，本申请提供了一种驾驶行为的识别装置，如图4所示，所述装置包括：
获取模块410，用于获取移动终端的预设传感器实时采集的运动数据，所述运动数据用于描述所述移动终端的实时运动状态变化；
预测模块420，用于使用第一预设模型根据所述运动数据预测所述移动终端是否处于支架固定姿态；
监控模块430，用于当预测所述移动终端不处于支架固定姿态时，监控所述移动终端是否处于亮屏状态；
处理模块440，用于当所述移动终端处于亮屏状态的持续时间超过第一预设阈值且所述移动终端的使用者是驾驶员时，确定所述驾驶员在行驶状态下发生了移动终端使用行为。
优选的，所述预测模块420还可用于使用第二预设模型，根据所述运动数据实时预测所述移动终端是否处于行驶状态的车辆中；当预测所述移动终端处于行驶状态的车辆中的持续时间超过第二预设阈值时，确定所述移动终端处于行驶状态的车辆中；当确定所述移动终端处于行驶状态的车辆中时，使用第一预设模型根据所述运动数据预测所述移动终端是否处于支架固定姿态。
优选的，所述预测模块420还可用于当预测所述移动终端未处于行驶状态的车辆中的持续时间超过第三预设阈值时，停止使用第一预设模型根据所述运动数据预测所述移动终端是否处于支架固定姿态。
优选的，所述获取模块410还可用于获取确定处于行驶状态的车辆中后所述移动终端的使用记录；所述预测模块420还可用于使用第三预设模型，根据所述使用记录预测所述移动终端的使用者是否为驾驶员；所述处理模块440还可用于当所述移动终端处于亮屏状态的持续时间超过第一预设阈值且预测所述移动终端的使用者是驾驶员时，确定所述驾驶员在行驶状态下发生了移动终端使用行为。
优选的，所述监控模块430还可用于获取所述移动终端的实时屏幕亮度数据；根据所述实时屏幕亮度数据，确定所述移动终端是否处于亮屏状态。
优选的，所述第一预设模型是经训练的预设分类模型，所述预测模块420还可用于使用第一预设模型，预测所述运动数据对应的预设移动终端姿态，所述预设移动终端姿态包括支架固定姿态、横屏非支架固定姿态及竖屏非支架固定姿态；所述监控模块还可用于当预测所述移动终端处于横屏非支架固定姿态或竖屏非支架固定姿态时，监控所述移动终端是否处于亮屏状态。
实施例四
对应上述方法、设备及系统，本申请实施例提供一种计算机系统，包括：一个或多个处理器；以及与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行如下操作：
获取移动终端的预设传感器实时采集的运动数据，所述运动数据用于描述所述移动终端的实时运动状态变化；
使用第一预设模型根据所述运动数据预测所述移动终端是否处于支架固定姿态；
当预测所述移动终端不处于支架固定姿态时，监控所述移动终端是否处于亮屏状态；
当所述移动终端处于亮屏状态的持续时间超过第一预设阈值且所述移动终端的使用者是驾驶员时，确定所述驾驶员在行驶状态下发生了移动终端使用行为。
其中，图5示例性的展示出了计算机系统的架构，具体可以包括处理器1510，视频显示适配器1511，磁盘驱动器1512，输入/输出接口1513，网络接口1514，以及存储器1520。上述处理器1510、视频显示适配器1511、磁盘驱动器1512、输入/输出接口1513、网络接口1514，与存储器1520之间可以通过通信总线1530进行通信连接。
其中，处理器1510可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请所提供的技术方案。
存储器1520可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1520可以存储用于控制计算机系统运行的操作系统1521，用于控制计算机系统的低级别操作的基本输入输出系统(BIOS)。另外，还可以存储网页浏览器1523，数据存储管理系统1524，以及图标字体处理系统1525等等。上述图标字体处理系统1525就可以是本申请实施例中具体实现前述各步骤操作的应用程序。总之，在通过软件或者固件来实现本申请所提供的技术方案时，相关的程序代码保存在存储器1520中，并由处理器1510来调用执行。
输入/输出接口1513用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
网络接口1514用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1530包括一通路，在设备的各个组件(例如处理器1510、视频显示适配器1511、磁盘驱动器1512、输入/输出接口1513、网络接口1514，与存储器1520)之间传输信息。
另外，该计算机系统还可以从虚拟资源对象领取条件信息数据库1541中获得具体领取条件的信息，以用于进行条件判断，等等。
需要说明的是，尽管上述设备仅示出了处理器1510、视频显示适配器1511、磁盘驱动器1512、输入/输出接口1513、网络接口1514，存储器1520，总线1530等，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本申请方案所必需的组件，而不必包含图中所示的全部组件。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。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可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，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，云服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种驾驶行为的识别方法，其特征在于，所述方法包括：
获取移动终端的预设传感器实时采集的运动数据，所述运动数据用于描述所述移动终端的实时运动状态变化；
使用第二预设模型，根据所述运动数据实时预测所述移动终端是否处于行驶状态的车辆中，
当预测所述移动终端处于行驶状态的车辆中的持续时间超过第二预设阈值时，确定所述移动终端处于行驶状态的车辆中；
当确定所述移动终端处于行驶状态的车辆中时，使用第一预设模型根据所述运动数据预测所述移动终端是否处于支架固定姿态，其中，第一预设模型为预设分类模型经训练得到的使用判断模型，使用判断模型的训练过程包括：分别采集手机在各种使用姿态下的运动数据，根据采集的运动数据及对应的使用姿态，训练对应的预设模型，获取使用判断模型；
当预测所述移动终端不处于支架固定姿态时，监控所述移动终端是否处于亮屏状态；
当所述移动终端处于亮屏状态的持续时间超过第一预设阈值时，根据所采集的当前行程中移动终端的使用记录，利用司机识别模型预测当前行程中所述移动终端的使用者身份，所述司机识别模型通过以下方式获得：采集车辆行程中驾驶员的移动终端使用记录和乘客移动终端的使用记录，对采集的移动终端使用记录分别提取原始特征及对应的统计量，生成相应的训练样本，使用训练样本对对应的预设模型进行训练，获得司机识别模型，训练样本包括驾驶员对应的身份，训练得到的司机识别模型根据采集的在本次行程中的使用记录，预测在当前行程中移动终端的使用者是驾驶员或乘客；
当所述移动终端的使用者是驾驶员时，确定所述驾驶员在行驶状态下发生了移动终端使用行为。
2.根据权利要求1所述的方法，其特征在于，当确定所述移动终端处于行驶状态的车辆中后，所述方法还包括：
当预测所述移动终端未处于行驶状态的车辆中的持续时间超过第三预设阈值时，停止使用第一预设模型根据所述运动数据预测所述移动终端是否处于支架固定姿态。
3.根据权利要求1所述的方法，其特征在于，确定所述移动终端处于行驶状态的车辆中后，所述方法包括：
获取确定处于行驶状态的车辆中后所述移动终端的使用记录；
使用第三预设模型，根据所述使用记录预测所述移动终端的使用者是否为驾驶员。
4.根据权利要求1-3任一所述的方法，其特征在于，所述运动数据包括所述移动终端沿预设坐标系的坐标轴的加速度、旋转速率和旋转角度。
5.根据权利要求1-3任一所述的方法，其特征在于，所述监控所述移动终端是否处于亮屏状态包括：
获取所述移动终端的实时屏幕亮度数据；
根据所述实时屏幕亮度数据，确定所述移动终端是否处于亮屏状态。
6.根据权利要求1-3任一所述的方法，其特征在于，所述使用第一预设模型根据所述运动数据预测所述移动终端是否处于支架固定姿态包括：
使用第一预设模型，预测所述运动数据对应的预设移动终端姿态，所述预设移动终端姿态包括支架固定姿态、横屏非支架固定姿态及竖屏非支架固定姿态；
所述当预测所述移动终端不处于支架固定姿态时，监控所述移动终端是否处于亮屏状态包括：
当预测所述移动终端处于横屏非支架固定姿态或竖屏非支架固定姿态时，监控所述移动终端是否处于亮屏状态。
7.一种驾驶行为的识别装置，其特征在于，所述装置包括：
获取模块，用于获取移动终端的预设传感器实时采集的运动数据，所述运动数据用于描述所述移动终端的实时运动状态变化；
预测模块，用于使用第一预设模型根据所述运动数据预测所述移动终端是否处于支架固定姿态，其中，第一预设模型为预设分类模型经训练得到的使用判断模型，使用判断模型的训练过程包括：分别采集手机在各种使用姿态下的运动数据，根据采集的运动数据及对应的使用姿态，训练对应的预设模型，获取使用判断模型；
监控模块，用于当预测所述移动终端不处于支架固定姿态时，监控所述移动终端是否处于亮屏状态；
处理模块，用于当所述移动终端处于亮屏状态的持续时间超过第一预设阈值时，根据所采集的当前行程中移动终端的使用记录，利用司机识别模型预测当前行程中所述移动终端的使用者身份，所述司机识别模型通过以下方式获得：采集车辆行程中驾驶员的移动终端使用记录和乘客移动终端的使用记录，对采集的移动终端使用记录分别提取原始特征及对应的统计量，生成相应的训练样本，使用训练样本对对应的预设模型进行训练，获得司机识别模型，训练样本包括驾驶员对应的身份，训练得到的司机识别模型根据采集的在本次行程中的使用记录，预测在当前行程中移动终端的使用者是驾驶员或乘客，当所述移动终端的使用者是驾驶员时，确定所述驾驶员在行驶状态下发生了移动终端使用行为。
8.根据权利要求7所述的装置，其特征在于，所述预测模块还可用于使用第二预设模型，根据所述运动数据实时预测所述移动终端是否处于行驶状态的车辆中；当预测所述移动终端处于行驶状态的车辆中的持续时间超过第二预设阈值时，确定所述移动终端处于行驶状态的车辆中；当确定所述移动终端处于行驶状态的车辆中时，使用第一预设模型根据所述运动数据预测所述移动终端是否处于支架固定姿态。
9.一种计算机系统，其特征在于，所述计算机系统包括：
一个或多个处理器；
以及与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行如下操作：
获取移动终端的预设传感器实时采集的运动数据，所述运动数据用于描述所述移动终端的实时运动状态变化；
使用第一预设模型根据所述运动数据预测所述移动终端是否处于支架固定姿态，使用第一预设模型，预测所述运动数据对应的预设移动终端姿态，所述预设移动终端姿态包括支架固定姿态、横屏非支架固定姿态及竖屏非支架固定姿态；
当预测所述移动终端不处于支架固定姿态时，监控所述移动终端是否处于亮屏状态；
当所述移动终端处于亮屏状态的持续时间超过第一预设阈值时，根据所采集的当前行程中移动终端的使用记录，利用司机识别模型预测当前行程中所述移动终端的使用者身份，所述司机识别模型通过以下方式获得：采集车辆行程中驾驶员的移动终端使用记录和乘客移动终端的使用记录，对采集的移动终端使用记录分别提取原始特征及对应的统计量，生成相应的训练样本，使用训练样本对对应的预设模型进行训练，获得司机识别模型，训练样本包括驾驶员对应的身份，训练得到的司机识别模型根据采集的在本次行程中的使用记录，预测在当前行程中移动终端的使用者是驾驶员或乘客；当所述移动终端的使用者是驾驶员时，确定所述驾驶员在行驶状态下发生了移动终端使用行为。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011398698.9A CN112637420B (zh) | 2020-12-02 | 2020-12-02 | 一种驾驶行为的识别方法、装置及计算机系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011398698.9A CN112637420B (zh) | 2020-12-02 | 2020-12-02 | 一种驾驶行为的识别方法、装置及计算机系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112637420A CN112637420A (zh) | 2021-04-09 |
| CN112637420B true CN112637420B (zh) | 2022-05-17 |
Family
ID=75307731
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011398698.9A Active CN112637420B (zh) | 2020-12-02 | 2020-12-02 | 一种驾驶行为的识别方法、装置及计算机系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112637420B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114043991B (zh) * | 2022-01-12 | 2022-03-29 | 北京百姓车服网络科技有限公司 | 一种检测异常驾驶行为的方法、装置及计算设备 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104463244A (zh) * | 2014-12-04 | 2015-03-25 | 上海交通大学 | 基于智能移动终端的异常驾驶行为监测和识别方法及系统 |
| CN105450874A (zh) * | 2015-12-09 | 2016-03-30 | 上海斐讯数据通信技术有限公司 | 一种移动终端的警示装置和方法 |
| CN110447214B (zh) * | 2018-03-01 | 2022-04-15 | 北京嘀嘀无限科技发展有限公司 | 一种识别驾驶行为的系统、方法、装置和存储介质 |
| CN111968338A (zh) * | 2020-07-23 | 2020-11-20 | 南京邮电大学 | 基于深度学习的驾驶行为分析识别警示系统及其识别方法 |
-
2020
- 2020-12-02 CN CN202011398698.9A patent/CN112637420B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112637420A (zh) | 2021-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10223603B1 (en) | Apparatuses, systems, and methods for determining when a vehicle occupant is using a mobile telephone | |
| US11237184B2 (en) | Methods and systems for pattern-based identification of a driver of a vehicle | |
| US10147008B1 (en) | Apparatuses, systems and methods for determining whether a vehicle system is distracting to a vehicle operator | |
| US10242274B1 (en) | Apparatuses, systems and methods for determining degrees of risk associated with a vehicle operator | |
| US10296785B1 (en) | Apparatuses, systems, and methods for vehicle operator gesture recognition and transmission of related gesture data | |
| US10282624B1 (en) | Apparatuses, systems, and methods for determining when a vehicle operator is texting while driving | |
| CN105976450A (zh) | 无人驾驶车辆的数据处理方法和装置、黑匣子系统 | |
| US11501538B2 (en) | Systems and methods for detecting vehicle tailgating | |
| CN110995771A (zh) | 一种基于物联网的货车陆运监控管理系统 | |
| CN112562406B (zh) | 一种越线行驶的识别方法及装置 | |
| CN112637420B (zh) | 一种驾驶行为的识别方法、装置及计算机系统 | |
| KR102051136B1 (ko) | 클라우드서버를 기반을 하는 인공지능 대쉬보드로봇을 이용한 사용자 상태인식시스템 | |
| CN112744174A (zh) | 车辆碰撞监测方法、装置、设备及计算机可读存储介质 | |
| CN107548466B (zh) | 一种检测道路障碍物的方法及装置 | |
| CN111311785A (zh) | 一种车载视频的存储方法、装置、控制设备及存储介质 | |
| EP3382570A1 (en) | Method for characterizing driving events of a vehicle based on an accelerometer sensor | |
| CN112634489B (zh) | 一种基于移动终端的车辆状态确定方法、装置及系统 | |
| CN111627042A (zh) | 碰撞确定服务器、程序以及记录介质 | |
| CN114092889B (zh) | 违规行为检测方法、装置、电子设备及可读存储介质 | |
| CN111382631B (zh) | 识别方法、识别装置、终端、服务器和存储介质 | |
| CN114166241A (zh) | 一种货运车载终端异常检测方法、装置、存储介质及终端 | |
| CN113808397A (zh) | 非机动车事故的数据处理方法、装置和云端服务器 | |
| CN113283286A (zh) | 一种驾驶员异常行为检测方法和装置 | |
| CN111860661A (zh) | 基于用户行为的数据分析方法、装置、电子设备及介质 | |
| CN112557057B (zh) | 自动驾驶汽车道路测试运行监管方法、装置及车载终端 |
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 |