CN113298099B - 一种驾驶行为识别方法、装置、电子设备及存储介质 - Google Patents
一种驾驶行为识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113298099B CN113298099B CN202010106636.XA CN202010106636A CN113298099B CN 113298099 B CN113298099 B CN 113298099B CN 202010106636 A CN202010106636 A CN 202010106636A CN 113298099 B CN113298099 B CN 113298099B
- Authority
- CN
- China
- Prior art keywords
- data
- driving
- driving behavior
- training
- vehicle
- 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
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
-
- 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
-
- 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)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供了一种驾驶行为识别方法、装置、电子设备及存储介质,其中,该方法包括:获取在车辆行驶过程中采集的行驶数据段,将行驶数据段输入预先训练得到的驾驶行为识别模型,得到预先训练得到的驾驶行为识别模型输出的与行驶数据段对应的驾驶行为,其中,预先训练得到的驾驶行为识别模型为采用标记有驾驶行为的多段训练样本数据段,对预先设置的驾驶行为识别模型进行训练得到的。由于采集行驶数据段的终端设备的坐标系与车辆所在位置的地理坐标系相同,因此该终端设备所采集的行驶数据可以表示车辆的行驶数据,并且由于在进行驾驶行为识别时,并不需要采用图像进行识别,从而避免自然环境中的光线强弱变化对驾驶行为的识别结果的影响。
Description
技术领域
本发明涉及数据处理技术领域,特别是涉及一种驾驶行为识别方法、装置、电子设备及存储介质。
背景技术
随着工业技术的发展,汽车已成为当今社会必不可少的交通工具。随着车辆数量的剧增,驾驶人员的不良驾驶行为成为交通事故问题的一个重要因素。驾驶行为的研究有利于解决由不良驾驶行为导致的交通堵塞和交通事故等问题。
目前对于驾驶行为的研究主要是基于视觉图像的驾驶行为识别方法。具体的,通常是首先采用图像采集设备采集驾驶员驾驶过程中的驾驶图像,然后对该驾驶图像进行识别分析,从而得到驾驶员的驾驶行为。
然而,由于在自然环境中,光纤强弱会经常发生变化,因此,图像采集设备采集的图像的质量,往往会受到自然环境中的光线强弱的影响,进而会影响驾驶行为的识别结果的精确度。
发明内容
本发明实施例的目的在于提供一种驾驶行为识别方法、装置、电子设备及存储介质,以避免自然环境中的光线强弱变化对驾驶行为的识别结果的影响。
具体技术方案如下:
第一方面,本发明实施例提供了一种驾驶行为识别方法,应用于车辆,该方法包括:
获取在车辆行驶过程中采集的行驶数据段,其中,采集行驶数据段的终端设备的坐标系与车辆所在位置的地理坐标系相同,行驶数据段中包括多组行驶数据,每组行驶数据包括多个行驶数据,终端设备设置于车辆中;
将行驶数据段输入预先训练得到的驾驶行为识别模型,得到预先训练得到的驾驶行为识别模型输出的与行驶数据段对应的驾驶行为,其中,预先训练得到的驾驶行为识别模型为采用标记有驾驶行为的多段训练样本数据段,对预先设置的驾驶行为识别模型进行训练得到的。
可选的,在获取在车辆行驶过程中采集的行驶数据段之前,该驾驶行为识别方法还包括:
获取终端设备发送的待分割数据;
将待分割数据分割为具有相同数据组数的多段行驶数据段。
可选的,在将待分割数据分割为具有相同数据组数的多段行驶数据段之后,该驾驶行为识别方法还包括:
采用预设筛选条件对多段行驶数据段进行筛选,得到筛选后的多段行驶数据段,其中,预设筛选条件包括:分割后的数据段中的数据的组数大于第一预设组数阈值;分割后的数据段的头部中每组数据的横向坐标轴的数值和纵向坐标轴的数值的模大于预设模数阈值;分割后的数据段中的尾部中每组数据的横向坐标轴的数值和纵向坐标轴的数值的模小于预设模数阈值;其中,头部为分割后的数据段中按照从前到后的顺序,组数总和大于第二预设组数阈值的多组数据;尾部为分割后的数据段中按照从后到前的顺序,组数总和小于第三预设组数阈值的多组数据;
获取在车辆行驶过程中采集的行驶数据段,包括:
获取在车辆行驶过程中采集的经筛选后的多段行驶数据段。
可选的,预设筛选条件还包括:分割后的数据段中包含一组最大行驶数据,且最大行驶数据位于分割后的数据段的中心。
可选的,在终端设备的坐标系与车辆所在位置的地理坐标系不同时,在将待分割数据分割为具有相同数据组数的多段行驶数据段之前,该驾驶行为识别方法还包括:
采用预先设置的数据转换模型,将终端设备发送的待分割数据转换为在车辆所在位置的地理坐标系下的待分割数据;
将待分割数据分割为具有相同数据组数的多段行驶数据段,包括:
将在车辆所在位置的地理坐标系下的待分割数据,分割为具有相同数据组数的多段行驶数据段。
可选的,采用标记有驾驶行为的多段训练样本数据段,对预先设置的驾驶行为识别模型进行训练,得到预先训练得到的驾驶行为识别模型,包括:
获取预先划分的具有相同数据组数的多段训练样本数据以及每段训练样本数据所对应的时间,其中,每段训练样本数据中的每组数据所对应的坐标系与车辆所在位置的地理坐标系相同;
针对每段训练样本数据,获取该段训练样本数据所对应的时间车辆的驾驶行为,并采用该驾驶行为对该段训练样本数据进行标记;
采用标记有驾驶行为的多段训练样本数据段,对预先设置的驾驶行为识别模型进行训练,得到待定驾驶行为识别模型;
采用预先设置的具有相同数据组数的多段测试样本数据段,对待定驾驶行为识别模型进行测试,得到测试准确度;
在测试准确度大于或等于预设准确度阈值时,将待定驾驶行为识别模型作为预先训练得到的驾驶行为识别模型;
在测试准确度小于预设准确度阈值时,重复执行采用标记有驾驶行为的多段训练样本数据段,对预先设置的驾驶行为识别模型进行训练,得到待定驾驶行为识别模型的步骤。
可选的,在获取预先划分的具有相同数据组数的多段训练样本数据以及每段训练样本数据所对应的时间之前,该驾驶行为识别方法还包括:
获取待分段的训练样本数据,采用预先设置的数据转换模型,将待分段的训练样本数据转换为在车辆所在位置的地理坐标系下的待分段的训练样本数据,其中,待分段的训练样本数据中每组数据所对应的坐标系与车辆所在位置的地理坐标系不同;
将在车辆所在位置的地理坐标系下的待分段的训练样本数据,分割为具有相同数据组数的多段训练样本数据。
第二方面,本发明实施例还提供了一种驾驶行为识别装置,应用于车辆,该装置包括:
行驶数据段获取模块,用于获取在车辆行驶过程中采集的行驶数据段,其中,采集行驶数据段的终端设备的坐标系与车辆所在位置的地理坐标系相同,行驶数据段中包括多组行驶数据,每组行驶数据包括多个行驶数据,终端设备设置于车辆中;
识别模块,用于将行驶数据段输入预先训练得到的驾驶行为识别模型,得到预先训练得到的驾驶行为识别模型输出的与行驶数据段对应的驾驶行为,其中,预先训练得到的驾驶行为识别模型为采用标记有驾驶行为的多段训练样本数据段,对预先设置的驾驶行为识别模型进行训练得到的。
可选的,该驾驶行为识别装置还包括:
待分割数据获取模块,用于获取终端设备发送的待分割数据;
分割模块,用于将待分割数据分割为具有相同数据组数的多段行驶数据段。
可选的,该驾驶行为识别装置还包括:
筛选模块,用于采用预设筛选条件对多段行驶数据段进行筛选,得到筛选后的多段行驶数据段,其中,预设筛选条件包括:分割后的数据段中的数据的组数大于第一预设组数阈值;分割后的数据段的头部中每组数据的横向坐标轴的数值和纵向坐标轴的数值的模大于预设模数阈值;分割后的数据段中的尾部中每组数据的横向坐标轴的数值和纵向坐标轴的数值的模小于预设模数阈值;其中,头部为分割后的数据段中按照从前到后的顺序,组数总和大于第二预设组数阈值的多组数据;尾部为分割后的数据段中按照从后到前的顺序,组数总和小于第三预设组数阈值的多组数据;
行驶数据段获取模块,具体用于:
获取在车辆行驶过程中采集的经筛选后的多段行驶数据段。
可选的,预设筛选条件还包括:分割后的数据段中包含一组最大行驶数据,且最大行驶数据位于分割后的数据段的中心。
可选的,该驾驶行为识别装置还包括:
数据转换模块,用于采用预先设置的数据转换模型,将终端设备发送的待分割数据转换为在车辆所在位置的地理坐标系下的待分割数据;
分割模块,具体用于:
将在车辆所在位置的地理坐标系下的待分割数据,分割为具有相同数据组数的多段行驶数据段。
可选的,该驾驶行为识别装置还包括:模型训练模块,该模型训练模块包括:
训练样本数据获取子模块,用于获取预先划分的具有相同数据组数的多段训练样本数据以及每段训练样本数据所对应的时间,其中,每段训练样本数据中的每组数据所对应的坐标系与车辆所在位置的地理坐标系相同;
标记子模块,用于针对每段训练样本数据,获取该段训练样本数据所对应的时间车辆的驾驶行为,并采用该驾驶行为对该段训练样本数据进行标记;
训练子模块,用于采用标记有驾驶行为的多段训练样本数据段,对预先设置的驾驶行为识别模型进行训练,得到待定驾驶行为识别模型;
测试子模块,用于采用预先设置的具有相同数据组数的多段测试样本数据段,对待定驾驶行为识别模型进行测试,得到测试准确度;
模型确定子模块,用于:在测试准确度大于或等于预设准确度阈值时,将待定驾驶行为识别模型作为预先训练得到的驾驶行为识别模型;在测试准确度小于预设准确度阈值时,触发训练子模块。
可选的,该模型训练模块还包括:
训练样本数据转换子模块,用于获取待分段的训练样本数据,采用预先设置的数据转换模型,将待分段的训练样本数据转换为在车辆所在位置的地理坐标系下的待分段的训练样本数据,其中,待分段的训练样本数据中每组数据所对应的坐标系与车辆所在位置的地理坐标系不同;
训练样本数据分割子模块,用于将在车辆所在位置的地理坐标系下的待分段的训练样本数据,分割为具有相同数据组数的多段训练样本数据。
第三方面,本发明实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一所述的驾驶行为识别方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质内存储有计算机程序,该计算机程序被处理器执行时实现上述任一所述的驾驶行为识别方法。
本发明实施例有益效果:
本发明实施例提供的一种驾驶行为识别方法、装置、电子设备及存储介质,可以在获取到在车辆行驶过程中采集的行驶数据段后,将行驶数据段输入预先训练得到的驾驶行为识别模型,得到预先训练得到的驾驶行为识别模型输出的与行驶数据段对应的驾驶行为,其中,预先训练得到的驾驶行为识别模型为采用标记有驾驶行为的多段训练样本数据段,对预先设置的驾驶行为识别模型进行训练得到的。由于采集行驶数据段的终端设备的坐标系与车辆所在位置的地理坐标系相同,因此,该终端设备所采集的行驶数据可以表示车辆的行驶数据,并且,由于行驶数据段中包括多组行驶数据,每组行驶数据包括多个行驶数据;因此,可以基于包含多组行驶数据的行驶数据段来准确的确定出该行驶数据段所对应的驾驶行为。进一步的,由于在进行驾驶行为识别时,并不需要采用图像进行识别,因此,可以避免自然环境中的光线强弱变化对驾驶行为的识别结果的影响。并且,由于该行驶数据段中的每组数据都是由设置于车辆中的终端设备来采集的,因此,无需对车辆安装各种传感器来采集行驶数据,因此,还可以避免对车辆安装各种传感器。当然,实施本发明的任一产品或方法并不一定需要同时达到上述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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为本发明实施例的一种驾驶行为识别方法第一种实施方式的流程图;
图2为本发明实施例的一种驾驶行为识别方法第二种实施方式的流程图;
图3为本发明实施例的一种驾驶行为识别方法第三种实施方式的流程图;
图4为本发明实施例的一种驾驶行为识别方法第四种实施方式的流程图;
图5为本发明实施例的一种驾驶行为识别方法第五种实施方式的流程图;
图6为本发明实施例的一种驾驶行为识别方法第六种实施方式的流程图;
图7a为本发明实施例的一种驾驶行为识别方法第六种实施方式中急加速的驾驶行为的行驶数据;
图7b为本发明实施例的一种驾驶行为识别方法第六种实施方式中急减速的驾驶行为的行驶数据;
图7c为本发明实施例的一种驾驶行为识别方法第六种实施方式中急变道的驾驶行为的行驶数据;
图7d为本发明实施例的一种驾驶行为识别方法第六种实施方式中急转弯的驾驶行为的行驶数据;
图8为对不同驾驶行为下的采集的行驶数据的识别结果的准确率、召回率以及综合评价值的直方图;
图9为本发明实施例的一种驾驶行为识别装置的结构示意图;
图10为本发明实施例的一种电子设备的结构示意图。
具体实施方式
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。
为了解决现有技术存在的问题,本发明实施例提供了一种驾驶行为识别方法、装置、电子设备及存储介质,以避免自然环境中的光线强弱变化对驾驶行为的识别结果的影响。
下面,首先对本发明实施例的一种驾驶行为识别方法进行介绍,如图1所示,为本发明实施例的一种驾驶行为识别方法第一种实施方式的流程图,该方法可以包括:
S110,获取在车辆行驶过程中采集的行驶数据段,其中,采集行驶数据段的终端设备的坐标系与车辆所在位置的地理坐标系相同,行驶数据段中包括多组行驶数据,每组行驶数据包括多个行驶数据;
S120,将行驶数据段输入预先训练得到的驾驶行为识别模型,得到预先训练得到的驾驶行为识别模型输出的与行驶数据段对应的驾驶行为,其中,预先训练得到的驾驶行为识别模型为采用标记有驾驶行为的多段训练样本数据段,对预先设置的驾驶行为识别模型进行训练得到的。
本发明实施例提供的一种驾驶行为识别方法、装置、电子设备及存储介质,可以在获取到在车辆行驶过程中采集的行驶数据段后,将行驶数据段输入预先训练得到的驾驶行为识别模型,得到预先训练得到的驾驶行为识别模型输出的与行驶数据段对应的驾驶行为,其中,预先训练得到的驾驶行为识别模型为采用标记有驾驶行为的多段训练样本数据段,对预先设置的驾驶行为识别模型进行训练得到的。由于采集行驶数据段的终端设备的坐标系与车辆所在位置的地理坐标系相同,因此,该终端设备所采集的行驶数据可以表示车辆的行驶数据,并且,由于行驶数据段中包括多组行驶数据,每组行驶数据包括多个行驶数据;因此,可以基于包含多组行驶数据的行驶数据段来准确的确定出该行驶数据段所对应的驾驶行为。进一步的,由于在进行驾驶行为识别时,并不需要采用图像进行识别,因此,可以避免自然环境中的光线强弱变化对驾驶行为的识别结果的影响。并且,由于该行驶数据段中的每组数据都是由设置于车辆中的终端设备来采集的,因此,无需对车辆安装各种传感器来采集行驶数据,因此,还可以避免对车辆安装各种传感器。
在图1所示的一种驾驶行为识别方法的基础上,本发明实施例还提供了一种可能的实现方式,如图2所示,为本发明实施例的一种驾驶行为识别方法第二种实施方式的流程图,该方法可以包括:
S210,获取终端设备发送的待分割数据;
在一些示例中,上述的终端设备可以是设置在车辆上的终端设备,并且该终端设备可以与该车辆上的应用本发明实施例的一种驾驶行为识别方法的电子设备通信连接,因此,可以获取到终端设备发送的待分割数据。
在一些施例中,该待分割数据可以是该终端设备在多个采样周期内采集的。在又一些示例中,该采样周期可以是0.02s。也就是说,在每个采样周期内,上述的终端设备可以采集1组行驶数据,则在1s的时间里,上述的终端设备可以采集50组行驶数据。
在又一些示例中,该待分割数据可以是该终端设备采用设置于自身的三轴加速度传感器来采集的,因此,每组行驶数据可以包括三个行驶数据,该三个行驶数据可以是该三轴加速度传感器所在坐标系的x轴方向上的加速度、y轴方向上的加速度以及z轴方向上的加速度。
在一些示例中,该终端设备自身的三轴加速度传感器所在坐标系的三个轴与上述的车辆所在位置的地理坐标系的三个轴的方向相同。这样,可以使得该终端设备采集的每组数据可以表示车辆在行驶过程中的行驶数据。
S220,将待分割数据分割为具有相同数据组数的多段行驶数据段。
在获取到该待分割数据后,为了使得对驾驶行为的识别结果的准确度更高,可以将该待分割数据分割为具有相同数据组数的多段行驶数据段。
例如,该待分割数据为1980组数据,则可以将该1981组数据分割为36段行驶数据段,每段行驶数据段可以包括55组数据。
该多段行驶数据段中可能存在不符合要求的行驶数据段,因此,可以对该多段行驶数据段进行筛选。
例如,可以在将待分割数据分割为具有相同数据组数的多段行驶数据段之后,采用预设筛选条件对多段行驶数据段进行筛选,得到筛选后的多段行驶数据段。然后上述的应用本发明实施例的驾驶行为识别方法的电子设备可以获取到在车辆行驶过程中采集的经筛选后的多段行驶数据段。
在一些示例中,该预设筛选条件可以包括:分割后的数据段中的数据的组数大于第一预设组数阈值;分割后的数据段的头部中每组数据的横向坐标轴的数值和纵向坐标轴的数值的模大于预设模数阈值;分割后的数据段中的尾部中每组数据的横向坐标轴的数值和纵向坐标轴的数值的模小于预设模数阈值;其中,头部为分割后的数据段中按照从前到后的顺序,组数总和大于第二预设组数阈值的多组数据;尾部为分割后的数据段中按照从后到前的顺序,组数总和小于第三预设组数阈值的多组数据。
示例性的,该预设筛选条件可以是:
条件1、针对每段分割后数据段,该分割后的数据段中数据的组数大于400组;
条件2、针对每段分割后数据段,按照该分割后的数据段从前到后的顺序,该分割后的数据段的前3个行驶数据中,每个行驶数据的x轴方向上的加速度的平方与y轴方向上的加速度的平方之和大于9,也就是说,该前3个行驶数据中每个行驶数据的x轴方向上的加速度与y轴方向上的加速度的模大于3;
条件3、针对每段分割后数据段,按照该分割后的数据段从前到后的顺序,该分割后的数据段的后25个行驶数据中,每个行驶数据的x轴方向上的加速度的平方与y轴方向上的加速度的平方之和小于9,也就是说,该该分割后的数据段的后25个行驶数据中,每个行驶数据的x轴方向上的加速度与y轴方向上的加速度的模小于3;换言之,按照该分割后的数据段从后到前的顺序,该该分割后的数据段的前25个行驶数据中,每个行驶数据的x轴方向上的加速度与y轴方向上的加速度的模小于3;
在又一些示例中,该预设筛选条件还可以包括:分割后的数据段中包含一组最大行驶数据,且最大行驶数据位于分割后的数据段的中心。
在又一些示例中,当该分割后的数据段中的最大行驶数据未位于该分割后的数据段的中心时,可以采用如下步骤进行设置:
当该最大行驶数据位于该分割后的数据段的前半段时,可以将与该分割后的数据段的上一数据段的至少一组行驶数据补充到该分割后的数据段;
当该最大行驶数据位于该分割后的数据段的后半段时,可以将与该分割后的数据段的下一数据段的至少一组行驶数据补充到该分割后的数据段;
当补充数据后的该分割后的数据段的组数大于第二组数阈值时,可以将该补充数据后的该分割后的数据段中至少一组数据剔除,以保证该最大行驶数据位于补充数据后的该分割后的数据段的中心。
假设第二组数阈值为101,也就是说,分割后的数据段中包含101组数据,当该最大行驶数据位于该分割后的数据段的第40位时,则可以从该分割后的数据段的上一数据段中取出10组数据补充到该分割后的数据段中,由于补充数据后的分割后的数据段包含的行驶数据组数大于101,则,可以将该补充数据后的分割后的数据段中最后10组数据剔除,这样,可以保证该最大行驶数据位于补充数据后的该分割后的数据段的中心。
当该最大行驶数据位于该分割后的数据段的第70位时,则可以从该分割后的数据段的下一数据段中取出20组数据补充到该分割后的数据段中,由于补充数据后的分割后的数据段包含的行驶数据组数大于101,则,可以将该补充数据后的分割后的数据段中前20组数据剔除,这样,可以保证该最大行驶数据位于补充数据后的该分割后的数据段的中心。
在又一些示例中,该预设筛选条件还可以包括:该段分割后的数据段中的最大行驶数据与其前后各至少一组行驶数据的差值的绝对值大于或等于5。
S230,获取在车辆行驶过程中采集的行驶数据段,其中,采集行驶数据段的终端设备的坐标系与车辆所在位置的地理坐标系相同,行驶数据段中包括多组行驶数据,每组行驶数据包括多个行驶数据,终端设备设置于车辆中;
在通过上述步骤S210~S220得到经过筛选后的多段行驶数据后,则上述的电子设备获取到的行驶数据段为经筛选后的多段行驶数据段。
S240,将行驶数据段输入预先训练得到的驾驶行为识别模型,得到预先训练得到的驾驶行为识别模型输出的与行驶数据段对应的驾驶行为,其中,预先训练得到的驾驶行为识别模型为采用标记有驾驶行为的多段训练样本数据段,对预先设置的驾驶行为识别模型进行训练得到的。
在得到该多段行驶数据段后,可以将该多段行驶数据段输入至预先训练得到的驾驶行为识别模型,由于该预先训练得到的驾驶行为识别模型可以对至少一段行驶数据段进行驾驶行为识别,因此,可以得到预先训练得到的驾驶行为识别模型输出的与每段行驶数据段对应的驾驶行为。在一些示例中,该驾驶行为可以至少包括:急加速、急减速、急变道以及急转弯等驾驶行为。
在图2所示的一种驾驶行为识别方法的基础上,本发明实施例还提供了一种可能的实现方式,如图3所示,为本发明实施例的一种驾驶行为识别方法第三种实施方式的流程图,该方法可以包括:
S310,获取终端设备发送的待分割数据;
S320,采用预先设置的数据转换模型,将终端设备发送的待分割数据转换为在车辆所在位置的地理坐标系下的待分割数据;
S330,将在车辆所在位置的地理坐标系下的待分割数据,分割为具有相同数据组数的多段行驶数据段。
S340,获取在车辆行驶过程中采集的行驶数据段,其中,采集行驶数据段的终端设备的坐标系与车辆所在位置的地理坐标系相同,行驶数据段中包括多组行驶数据,每组行驶数据包括多个行驶数据,终端设备设置于车辆中;
S350,将行驶数据段输入预先训练得到的驾驶行为识别模型,得到预先训练得到的驾驶行为识别模型输出的与行驶数据段对应的驾驶行为,其中,预先训练得到的驾驶行为识别模型为采用标记有驾驶行为的多段训练样本数据段,对预先设置的驾驶行为识别模型进行训练得到的。
在一些示例中,当上述的终端设备的坐标系与车辆所在位置的地理坐标系相同时,可以采用本发明实施例的第二种实施方式进行驾驶行为识别,当上述的终端设备的坐标系与车辆所在位置的地理坐标系不同时,则可以在获取到终端设备发送的待分割数据后,采用预先设置的数据转换模型,将终端设备发送的待分割数据转换为在车辆所在位置的地理坐标系下的待分割数据;然后将在车辆所在位置的地理坐标系下的待分割数据,分割为具有相同数据组数的多段行驶数据段。
在又一些示例中,当上述的终端设备的坐标系与车辆所在位置的地理坐标系不同时,上述的终端设备还可以采用设置于该终端设备上的陀螺仪来采集该终端设备的坐标系相对于该车辆所在位置的地理坐标系的旋转角度。
在一些示例中,该预先设置的数据转换模型可以是如下公式:
其中,x_motion表示在终端设备所在的坐标系下,终端设备采集的每组数据中x轴方向上的行驶数据,y_motion表示在终端设备所在的坐标系下,终端设备采集的每组数据中y轴方向上的行驶数据,z_motion表示在终端设备所在的坐标系下,终端设备采集的每组数据中z轴方向上的行驶数据;x_trans表示在车辆所在位置的地理坐标系下,终端设备采集的每组数据中x轴方向上的行驶数据,y_trans表示在车辆所在位置的地理坐标系下,终端设备采集的每组数据中y轴方向上的行驶数据,z_trans表示在车辆所在位置的地理坐标系下,终端设备采集的每组数据中z轴方向上的行驶数据;matrix_zyx-1表示车辆所在位置的地理坐标系下的转换矩阵的逆矩阵,matrix_zyx=matrix_motion_zyx-1*matrix_static_zyx-1,matrix_static_zyx-1表示终端设备在静止时刻的三维转换坐标矩阵matrix_static_zyx的逆矩阵,matrix_motion_zyx-1表示终端设备在每个运动时刻相对该终端设备在静止时刻的三维转换坐标矩阵matrix_motion_zyx的逆矩阵;
matrix_static_zyx=matrix_static_z*matrix_static_y*matrix_static_x
matrix_motion_zyx=matrix_motion_z*matrix_motion_y*matrix_motion_x
其中,
xis,yis,zis分别为车辆静止时,上述的终端设备采集的行驶数据,在该终端设备的坐标系中的x轴方向上的加速度、y轴方向上的加速度、z轴方向上的加速度;Tsample在上述车辆静止时刻,采集行驶数据的时长,α为在上述车辆静止时刻,终端设备的坐标系的x轴与车辆所在位置的地理坐标系的x轴的夹角;θ为在上述车辆静止时刻,终端设备的坐标系的y轴与车辆所在位置的地理坐标系的y轴的夹角;γ为在上述车辆静止时刻,终端设备的坐标系的z轴与车辆所在位置的地理坐标系的z轴的夹角;gyro_α_avg为Tsample时长内所采集的车辆静止时刻的所有行驶数据中的夹角α的平均值,gyro_α[m]为Tsample时长内所采集的车辆静止时刻的第m组行驶数据中的夹角α,gyro_θ_avg为Tsample时长内所采集的车辆静止时刻的所有行驶数据中的夹角θ的平均值,gyro_θ[m]为Tsample时长内所采集的车辆静止时刻的第m组行驶数据中的夹角θ,gyro_γ_avg为Tsample时长内所采集的车辆静止时刻的所有行驶数据的中夹角γ的平均值,gyro_γ[m]为Tsample时长内所采集的车辆静止时刻的第m组行驶数据中的夹角γ。
在又一些示例中,在计算gyro_α_avg、gyro_θ_avg以及gyro_γ_avg时,可以先计算该为Tsample时长内每组数据的均值,例如,可以计算第m组行驶数据中夹角α、夹角θ以及夹角γ的平均值,然后确定出该Tsample时长内的最大均值和最小均值,进而将该最大均值对应的一组数据与最小均值对应的一组数据之间的所有组数据分为n段(其中,n大于或等于1),从而得到n段数据,针对每段数据,计算该段数据的和方差,从而可以得到n个和方差,在该n个和方差分别对应的n段数据中,选择和方差最小的一段数据,最后,计算该段数据中所有夹角α的平均值,并作为Tsample时长内所采集的车辆静止时刻的所有行驶数据中的夹角α的平均值gyro_α_avg,计算该段数据中所有夹角θ的平均值,并作为Tsample时长内所采集的车辆静止时刻的所有行驶数据中的夹角θ的平均值gyro_θ_avg,计算该段数据中所有夹角γ的平均值,并作为Tsample时长内所采集的车辆静止时刻的所有行驶数据的中夹角γ的平均值gyro_γ_avg。
在又一些示例中,在获取到终端设备发送的待分割数据后,可以采用低通滤波器来过滤该待分割数据中的干扰噪声,并采用卡尔曼滤波提升降噪的性能并去除该待分割数据中的毛刺;得到过滤噪声后的待分割数据,然后采用预先设置的数据转换模型,将过滤噪声后的待分割数据转换为在车辆所在位置的地理坐标系下的待分割数据。
通过本发明实施例,可以使得在终端设备的坐标系与车辆所在位置的地理坐标系不同时,将该终端设备在该终端设备的坐标系下采集的行驶数据转换为在该车辆所在位置的地理坐标系下的行驶数据,进而可以使得可以采用该终端设备在该终端设备的坐标系下采集的数据进行驾驶行为识别。
可以理解的是,本发明实施例中的步骤S310、S340以及S350与本发明实施例的第二种实施方式中的步骤S210~S240相同或相似,这里不再赘述。
在图1所示的一种驾驶行为识别方法的基础上,本发明实施例还提供了一种可能的实现方式,如图4所示,为本发明实施例的一种驾驶行为识别方法第四种实施方式的流程图,该方法可以包括:
S410,获取预先划分的具有相同数据组数的多段训练样本数据以及每段训练样本数据所对应的时间,其中,每段训练样本数据中的每组数据所对应的坐标系与车辆所在位置的地理坐标系相同;
S420,针对每段训练样本数据,获取该段训练样本数据所对应的时间车辆的驾驶行为,并采用该驾驶行为对该段训练样本数据进行标记;
S430,采用标记有驾驶行为的多段训练样本数据段,对预先设置的驾驶行为识别模型进行训练,得到待定驾驶行为识别模型;
S440,采用预先设置的具有相同数据组数的多段测试样本数据段,对待定驾驶行为识别模型进行测试,得到测试准确度;
S450,判断测试准确度是否大于或等于预设准确度阈值,如果是,则执行步骤S460,否则执行步骤S430。
S460,将待定驾驶行为识别模型作为预先训练得到的驾驶行为识别模型;
S470,获取在车辆行驶过程中采集的行驶数据段,其中,采集行驶数据段的终端设备的坐标系与车辆所在位置的地理坐标系相同,行驶数据段中包括多组行驶数据,每组行驶数据包括多个行驶数据,终端设备设置于车辆中;
S480,将行驶数据段输入预先训练得到的驾驶行为识别模型,得到预先训练得到的驾驶行为识别模型输出的与行驶数据段对应的驾驶行为,其中,预先训练得到的驾驶行为识别模型为采用标记有驾驶行为的多段训练样本数据段,对预先设置的驾驶行为识别模型进行训练得到的。
在一些示例中,为了使得本发明实施例的预先训练得到的驾驶行为识别模型具有更好的识别准确度,在采用标记有驾驶行为的多段训练样本数据段,对预先设置的驾驶行为识别模型进行训练之前,可以先获取标记有驾驶行为的预先划分的具有相同数据组数的多段训练样本数据段。然后将该标记有驾驶行为的预先划分的具有相同数据组数的多段训练样本数据段输入至预先设置的驾驶行为识别模型进行训练。
在又一些示例中,为了获取标记有驾驶行为的预先划分的具有相同数据组数的多段训练样本数据段,可以先获取预先划分的具有相同数据组数的多段训练样本数据以及每段训练样本数据所对应的时间,然后针对每段训练样本数据,获取该段训练样本数据所对应的时间车辆的驾驶行为,并采用该驾驶行为对该段训练样本数据进行标记;这样,可以使得每段训练样本数据都标记有对应的驾驶行为。
在本发明实施例中,每段训练样本数据中的每组数据所对应的坐标系与车辆所在位置的地理坐标系相同。这样,可以使得训练得到的驾驶行为识别模型可以用于对表示车辆行驶的行驶数据的驾驶行为进行识别。
在又一些示例中,本发明实施例中获取预先划分的具有相同数据组数的多段训练样本数据的方式与本发明实施例的第二种实施方式中获取多段行驶数据段的方式相同或相似,这里不再赘述。
在一些示例中,在本发明实施例中,可以在获取到预先划分的具有相同数据组数的多段训练样本数据后,对该多段训练样本数据进行筛选,这里,可以采用与本发明实施例的第二种实施方式中对多段行驶数据段进行筛选的方式相同或相似的方式,对获取到的预先划分的具有相同数据组数的多段训练样本数据进行筛选,这里不再赘述。
在训练得到驾驶行为识别模型后,可以先将该训练得到的驾驶行为识别模型作为待定驾驶行为识别模型;然后判断该待定驾驶行为识别模型的识别准确度是否符合实际使用要求,也即,判断该该待定驾驶行为识别模型的识别准确度是否大于或等于预设准确度阈值。对此,可以采用预先设置的具有相同数据组数的多段测试样本数据段,对待定驾驶行为识别模型进行测试,得到测试准确度;然后判断测试准确度是否大于或等于预设准确度阈值,如果大于或等于,则可以将该待定驾驶行为识别模型作为预先训练得到的驾驶行为识别模型;如果小于则继续对该待定驾驶行为识别模型进行训练,也即,将该待定驾驶行为识别模型作为预先设置的驾驶行为识别模型继续执行步骤S430。
可以理解的是,本发明实施例中的步骤S470~S480与本发明实施例的第二种实施方式中的步骤S110~S120相同或相似,这里不再赘述。
在图4所示的一种驾驶行为识别方法的基础上,本发明实施例还提供了一种可能的实现方式,如图5所示,为本发明实施例的一种驾驶行为识别方法第五种实施方式的流程图,该方法可以包括:
S501,获取待分段的训练样本数据,采用预先设置的数据转换模型,将待分段的训练样本数据转换为在车辆所在位置的地理坐标系下的待分段的训练样本数据,其中,待分段的训练样本数据中每组数据所对应的坐标系与车辆所在位置的地理坐标系不同;
S502,将在车辆所在位置的地理坐标系下的待分段的训练样本数据,分割为具有相同数据组数的多段训练样本数据。
S503,获取预先划分的具有相同数据组数的多段训练样本数据以及每段训练样本数据所对应的时间,其中,每段训练样本数据中的每组数据所对应的坐标系与车辆所在位置的地理坐标系相同;
S504,针对每段训练样本数据,获取该段训练样本数据所对应的时间车辆的驾驶行为,并采用该驾驶行为对该段训练样本数据进行标记;
S505,采用标记有驾驶行为的多段训练样本数据段,对预先设置的驾驶行为识别模型进行训练,得到待定驾驶行为识别模型;
S506,采用预先设置的具有相同数据组数的多段测试样本数据段,对待定驾驶行为识别模型进行测试,得到测试准确度;
S507,判断测试准确度是否大于或等于预设准确度阈值,如果是,则执行步骤S508,否则执行步骤S505。
S508,将待定驾驶行为识别模型作为预先训练得到的驾驶行为识别模型;
S509,获取在车辆行驶过程中采集的行驶数据段,其中,采集行驶数据段的终端设备的坐标系与车辆所在位置的地理坐标系相同,行驶数据段中包括多组行驶数据,每组行驶数据包括多个行驶数据,终端设备设置于车辆中;
S510,将行驶数据段输入预先训练得到的驾驶行为识别模型,得到预先训练得到的驾驶行为识别模型输出的与行驶数据段对应的驾驶行为,其中,预先训练得到的驾驶行为识别模型为采用标记有驾驶行为的多段训练样本数据段,对预先设置的驾驶行为识别模型进行训练得到的。
在一些示例中,上述获取的待分段的训练样本数据所对应的坐标系可以与车辆所在位置的地理坐标系相同,也可以不同,当该待分段的训练样本数据所对应的坐标系与车辆所在位置的地理坐标系相同时,可以采用本发明实施例的一种驾驶行为识别方法的第四种实施方式进行驾驶行为识别,当该待分段的训练样本数据所对应的坐标系与车辆所在位置的地理坐标系不同时,可以将该待分段的训练样本数据转换为在该车辆所在位置的地理坐标系下的待分段的训练样本数据,然后将在车辆所在位置的地理坐标系下的待分割数据,分割为具有相同数据组数的多段训练样本数据。
在又一些示例中,可以采用本发明实施例的一种驾驶行为识别方法第三种实施方式中所采用的预先设置的数据转换模型对该待分段的训练样本数据进行转换,这里不再对该预先设置的数据转换模型进行介绍。
在又一些示例中,在获取到待分段的训练样本数据后,可以采用低通滤波器来过滤该待分段的训练样本数据中的干扰噪声,并采用卡尔曼滤波提升降噪的性能并去除该待分段的训练样本数据中的毛刺;得到过滤噪声后的待分段的训练样本数据,然后采用预先设置的数据转换模型,将过滤噪声后的待分段的训练样本数据转换为在该车辆所在位置的地理坐标系下的待分段的训练样本数据。
通过本发明实施例,可以采用更好的训练样本数据对该预先设置的预先设置的驾驶行为识别模型进行训练,从而使得训练得到的驾驶行为识别模型具有更好的识别准确度。
为了更清楚的说明本发明实施例,这里结合图6进行说明,如图6所示,为本发明实施例的一种驾驶行为识别方法第六种实施方式的流程图,该方法可以包括:
S601,获取待分段的训练样本数据,采用预先设置的数据转换模型,将待分段的训练样本数据转换为在车辆所在位置的地理坐标系下的待分段的训练样本数据,其中,待分段的训练样本数据中每组数据所对应的坐标系与车辆所在位置的地理坐标系不同;
S602,将在车辆所在位置的地理坐标系下的待分段的训练样本数据,分割为具有相同数据组数的多段训练样本数据。
S603,获取预先划分的具有相同数据组数的多段训练样本数据以及每段训练样本数据所对应的时间,其中,每段训练样本数据中的每组数据所对应的坐标系与车辆所在位置的地理坐标系相同;
S604,针对每段训练样本数据,获取该段训练样本数据所对应的时间车辆的驾驶行为,并采用该驾驶行为对该段训练样本数据进行标记;
S605,采用标记有驾驶行为的多段训练样本数据段,对预先设置的驾驶行为识别模型进行训练,得到待定驾驶行为识别模型;
S606,采用预先设置的具有相同数据组数的多段测试样本数据段,对待定驾驶行为识别模型进行测试,得到测试准确度;
S607,判断测试准确度是否大于或等于预设准确度阈值,如果是,则执行步骤S608,否则执行步骤S605。
S608,将待定驾驶行为识别模型作为预先训练得到的驾驶行为识别模型;
S609,获取终端设备发送的待分割数据;
S610,采用预先设置的数据转换模型,将终端设备发送的待分割数据转换为在车辆所在位置的地理坐标系下的待分割数据;
S620,将在车辆所在位置的地理坐标系下的待分割数据,分割为具有相同数据组数的多段行驶数据段。
S630,获取在车辆行驶过程中采集的行驶数据段,其中,采集行驶数据段的终端设备的坐标系与车辆所在位置的地理坐标系相同,行驶数据段中包括多组行驶数据,每组行驶数据包括多个行驶数据,终端设备设置于车辆中;
S640,将行驶数据段输入预先训练得到的驾驶行为识别模型,得到预先训练得到的驾驶行为识别模型输出的与行驶数据段对应的驾驶行为,其中,预先训练得到的驾驶行为识别模型为采用标记有驾驶行为的多段训练样本数据段,对预先设置的驾驶行为识别模型进行训练得到的。
在一些示例中,为了测试应用本发明实施例的一种驾驶行为识别方法进行驾驶行为识别的效果,这里可以分别获取如图7a所示的急加速行驶过程中的行驶数据、如图7b所示的急减速行驶过程中的行驶数据、图7c所示的急变道行驶过程中行驶数据以及图7d所示的急拐弯行驶过程中的行驶数据,然后可以采用预先设置的数据转换模型,分别对图7a所示的急加速行驶过程中的行驶数据、图7b所示的急减速行驶过程中的行驶数据、图7c所示的急变道行驶过程中行驶数据以及图7d所示的急拐弯行驶过程中的行驶数据,转换为在车辆所在位置的地理坐标系下的急加速行驶过程中的行驶数据、在车辆所在位置的地理坐标系下的急减速行驶过程中的行驶数据、在车辆所在位置的地理坐标系下的急变道行驶过程中的行驶数据以及在车辆所在位置的地理坐标系下的急转弯行驶过程中的行驶数据。
其中,图7a、7b、7c以及图7d中的横坐标表示行驶数据的组数,纵坐标表示行驶数据的值。
进而可以将在车辆所在位置的地理坐标系下的急加速行驶过程中的行驶数据分割为具有相同数据组数的多段急加速行驶过程中的行驶数据段,将在车辆所在位置的地理坐标系下的急减速行驶过程中的行驶数据分割为具有相同数据组数的多段急减速行驶过程中的行驶数据段,将在车辆所在位置的地理坐标系下的急变道行驶过程中的行驶数据分割为具有相同数据组数的多段急变道行驶过程中的行驶数据段,以及在车辆所在位置的地理坐标系下的急转弯行驶过程中的行驶数据分割为具有相同数据组数的多段急转弯行驶过程中的行驶数据段。
随后,可以分别将具有相同数据组数的多段急加速行驶过程中的行驶数据段输入至预先训练得到的驾驶行为识别模型,将具有相同数据组数的多段急减速行驶过程中的行驶数据段输入至预先训练得到的驾驶行为识别模型,将具有相同数据组数的多段急变道行驶过程中的行驶数据段输入至预先训练得到的驾驶行为识别模型,以及将具有相同数据组数的多段急转弯行驶过程中的行驶数据段输入至预先训练得到的驾驶行为识别模型。
从而可以得到该预先训练得到的驾驶行为识别模型输出的与图7a所示的急加速行驶过程中的行驶数据对应的驾驶行为、与图7b所示的急减速行驶过程中的行驶数据对应的驾驶行为、与图7c所示的急变道行驶过程中的行驶数据对应的驾驶行为以及与图7d所示的急转弯行驶过程中的行驶数据对应的驾驶行为。
最后可以将与图7a所示的急加速行驶过程中的行驶数据对应的驾驶行为和该行驶数据对应的标签“急加速”进行比较,将与图7b所示的急减速行驶过程中的行驶数据对应的驾驶行为和该行驶数据对应的标签“急减速”进行比较,将与图7c所示的急变道行驶过程中的行驶数据对应的驾驶行为和该行驶数据对应的标签“急变道”进行比较,将与图7d所示的急转弯行驶过程中的行驶数据对应的驾驶行为和该行驶数据对应的标签“急转弯”进行比较,从而可以得到得到该预先训练得到的驾驶行为识别模型对在不同驾驶行为下采集的行驶数据的识别效果。
如图8所示,为对不同驾驶行为下的采集的行驶数据的识别结果的准确率、召回率以及综合评价值的直方图,参见图8可知,本发明实施例的一种驾驶行为识别方法的识别准确率可以达到85%以上,召回率可以达到60%以上。综合评价值可以达到80%以上。
相应于上述的方法实施例,本发明实施例还提供了一种驾驶行为识别装置,应用于车辆,如图9所示,为本发明实施例的一种驾驶行为识别装置的结构示意图,该装置可以包括:
行驶数据段获取模块910,用于获取在车辆行驶过程中采集的行驶数据段,其中,采集行驶数据段的终端设备的坐标系与车辆所在位置的地理坐标系相同,行驶数据段中包括多组行驶数据,每组行驶数据包括多个行驶数据,终端设备设置于车辆中;
识别模块920,用于将行驶数据段输入预先训练得到的驾驶行为识别模型,得到预先训练得到的驾驶行为识别模型输出的与行驶数据段对应的驾驶行为,其中,预先训练得到的驾驶行为识别模型为采用标记有驾驶行为的多段训练样本数据段,对预先设置的驾驶行为识别模型进行训练得到的。
本发明实施例提供的一种驾驶行为识别装置,可以在获取到在车辆行驶过程中采集的行驶数据段后,将行驶数据段输入预先训练得到的驾驶行为识别模型,得到预先训练得到的驾驶行为识别模型输出的与行驶数据段对应的驾驶行为,其中,预先训练得到的驾驶行为识别模型为采用标记有驾驶行为的多段训练样本数据段,对预先设置的驾驶行为识别模型进行训练得到的。由于采集行驶数据段的终端设备的坐标系与车辆所在位置的地理坐标系相同,因此,该终端设备所采集的行驶数据可以表示车辆的行驶数据,并且,由于行驶数据段中包括多组行驶数据,每组行驶数据包括多个行驶数据;因此,可以基于包含多组行驶数据的行驶数据段来准确的确定出该行驶数据段所对应的驾驶行为。进一步的,由于在进行驾驶行为识别时,并不需要采用图像进行识别,因此,可以避免自然环境中的光线强弱变化对驾驶行为的识别结果的影响。并且,由于该行驶数据段中的每组数据都是由设置于车辆中的终端设备来采集的,因此,无需对车辆安装各种传感器来采集行驶数据,因此,还可以避免对车辆安装各种传感器。
可选的,该驾驶行为识别装置还包括:
待分割数据获取模块,用于获取终端设备发送的待分割数据;
分割模块,用于将待分割数据分割为具有相同数据组数的多段行驶数据段。
可选的,该驾驶行为识别装置还包括:
筛选模块,用于采用预设筛选条件对多段行驶数据段进行筛选,得到筛选后的多段行驶数据段,其中,预设筛选条件包括:分割后的数据段中的数据的组数大于第一预设组数阈值;分割后的数据段的头部中每组数据的横向坐标轴的数值和纵向坐标轴的数值的模大于预设模数阈值;分割后的数据段中的尾部中每组数据的横向坐标轴的数值和纵向坐标轴的数值的模小于预设模数阈值;其中,头部为分割后的数据段中按照从前到后的顺序,组数总和大于第二预设组数阈值的多组数据;尾部为分割后的数据段中按照从后到前的顺序,组数总和小于第三预设组数阈值的多组数据;
行驶数据段获取模块910,具体用于:
获取在车辆行驶过程中采集的经筛选后的多段行驶数据段。
可选的,预设筛选条件还包括:分割后的数据段中包含一组最大行驶数据,且最大行驶数据位于分割后的数据段的中心。
可选的,该驾驶行为识别装置还包括:
数据转换模块,用于采用预先设置的数据转换模型,将终端设备发送的待分割数据转换为在车辆所在位置的地理坐标系下的待分割数据;
分割模块,具体用于
将在车辆所在位置的地理坐标系下的待分割数据,分割为具有相同数据组数的多段行驶数据段。
可选的,该驾驶行为识别装置还包括:模型训练模块,该模型训练模块包括:
训练样本数据获取子模块,用于获取预先划分的具有相同数据组数的多段训练样本数据以及每段训练样本数据所对应的时间,其中,每段训练样本数据中的每组数据所对应的坐标系与车辆所在位置的地理坐标系相同;
标记子模块,用于针对每段训练样本数据,获取该段训练样本数据所对应的时间车辆的驾驶行为,并采用该驾驶行为对该段训练样本数据进行标记;
训练子模块,用于采用标记有驾驶行为的多段训练样本数据段,对预先设置的驾驶行为识别模型进行训练,得到待定驾驶行为识别模型;
测试子模块,用于采用预先设置的具有相同数据组数的多段测试样本数据段,对待定驾驶行为识别模型进行测试,得到测试准确度;
模型确定子模块,用于:在测试准确度大于或等于预设准确度阈值时,将待定驾驶行为识别模型作为预先训练得到的驾驶行为识别模型;在测试准确度小于预设准确度阈值时,触发训练子模块。
可选的,该模型训练模块还包括:
训练样本数据转换子模块,用于获取待分段的训练样本数据,采用预先设置的数据转换模型,将待分段的训练样本数据转换为在车辆所在位置的地理坐标系下的待分段的训练样本数据,其中,待分段的训练样本数据中每组数据所对应的坐标系与车辆所在位置的地理坐标系不同;
训练样本数据分割子模块,用于将在车辆所在位置的地理坐标系下的待分段的训练样本数据,分割为具有相同数据组数的多段训练样本数据。
本发明实施例还提供了一种电子设备,可以应用于车辆,如图10所示,包括处理器101、通信接口102、存储器103和通信总线104,其中,处理器101,通信接口102,存储器103通过通信总线104完成相互间的通信,
存储器103,用于存放计算机程序;
处理器101,用于执行存储器103上所存放的程序时,实现如下步骤:
获取在车辆行驶过程中采集的行驶数据段,其中,采集行驶数据段的终端设备的坐标系与车辆所在位置的地理坐标系相同,行驶数据段中包括多组行驶数据,每组行驶数据包括多个行驶数据,终端设备设置于车辆中;
将行驶数据段输入预先训练得到的驾驶行为识别模型,得到预先训练得到的驾驶行为识别模型输出的与行驶数据段对应的驾驶行为,其中,预先训练得到的驾驶行为识别模型为采用标记有驾驶行为的多段训练样本数据段,对预先设置的驾驶行为识别模型进行训练得到的。
本发明实施例提供的一种电子设备,可以在获取到在车辆行驶过程中采集的行驶数据段后,将行驶数据段输入预先训练得到的驾驶行为识别模型,得到预先训练得到的驾驶行为识别模型输出的与行驶数据段对应的驾驶行为,其中,预先训练得到的驾驶行为识别模型为采用标记有驾驶行为的多段训练样本数据段,对预先设置的驾驶行为识别模型进行训练得到的。由于采集行驶数据段的终端设备的坐标系与车辆所在位置的地理坐标系相同,因此,该终端设备所采集的行驶数据可以表示车辆的行驶数据,并且,由于行驶数据段中包括多组行驶数据,每组行驶数据包括多个行驶数据;因此,可以基于包含多组行驶数据的行驶数据段来准确的确定出该行驶数据段所对应的驾驶行为。进一步的,由于在进行驾驶行为识别时,并不需要采用图像进行识别,因此,可以避免自然环境中的光线强弱变化对驾驶行为的识别结果的影响。并且,由于该行驶数据段中的每组数据都是由设置于车辆中的终端设备来采集的,因此,无需对车辆安装各种传感器来采集行驶数据,因此,还可以避免对车辆安装各种传感器。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(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。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,计算机程序被处理器执行时实现上述任一实施例所述的驾驶行为识别方法的步骤。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一实施例所述的驾驶行为识别方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他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、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,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,对于装置、电子设备等实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。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,均包含在本发明的保护范围内。
Claims (8)
1.一种驾驶行为识别方法,其特征在于,应用于车辆,所述方法包括:
获取终端设备发送的待分割数据;
将所述待分割数据分割为具有相同数据组数的多段行驶数据段;
获取在车辆行驶过程中采集的行驶数据段,其中,采集所述行驶数据段的终端设备的坐标系与所述车辆所在位置的地理坐标系相同,所述行驶数据段中包括多组行驶数据,每组行驶数据包括多个行驶数据,所述终端设备设置于所述车辆中;
将所述行驶数据段输入预先训练得到的驾驶行为识别模型,得到所述预先训练得到的驾驶行为识别模型输出的与所述行驶数据段对应的驾驶行为,其中,所述预先训练得到的驾驶行为识别模型为采用标记有驾驶行为的多段训练样本数据段,对预先设置的驾驶行为识别模型进行训练得到的;
采用标记有驾驶行为的多段训练样本数据段,对预先设置的驾驶行为识别模型进行训练,得到所述预先训练得到的驾驶行为识别模型,包括:
获取预先划分的具有相同数据组数的多段训练样本数据以及每段训练样本数据所对应的时间,其中,所述每段训练样本数据中的每组数据所对应的坐标系与所述车辆所在位置的地理坐标系相同;
针对每段训练样本数据,获取该段训练样本数据所对应的时间所述车辆的驾驶行为,并采用该驾驶行为对该段训练样本数据进行标记;
采用标记有驾驶行为的多段训练样本数据段,对预先设置的驾驶行为识别模型进行训练,得到待定驾驶行为识别模型;
采用预先设置的具有相同数据组数的多段测试样本数据段,对所述待定驾驶行为识别模型进行测试,得到测试准确度;
在所述测试准确度大于或等于预设准确度阈值时,将所述待定驾驶行为识别模型作为所述预先训练得到的驾驶行为识别模型;
在所述测试准确度小于所述预设准确度阈值时,重复执行所述采用标记有驾驶行为的多段训练样本数据段,对预先设置的驾驶行为识别模型进行训练,得到待定驾驶行为识别模型的步骤。
2.根据权利要求1所述的方法,其特征在于,在所述将所述待分割数据分割为具有相同数据组数的多段所述行驶数据段之后,所述方法还包括:
采用预设筛选条件对所述多段所述行驶数据段进行筛选,得到筛选后的多段行驶数据段,其中,所述预设筛选条件包括:分割后的数据段中的数据的组数大于第一预设组数阈值;所述分割后的数据段的头部中每组数据的横向坐标轴的数值和纵向坐标轴的数值的模大于预设模数阈值;所述分割后的数据段中的尾部中每组数据的横向坐标轴的数值和纵向坐标轴的数值的模小于所述预设模数阈值;其中,所述头部为所述分割后的数据段中按照从前到后的顺序,组数总和大于第二预设组数阈值的多组数据;所述尾部为所述分割后的数据段中按照从后到前的顺序,组数总和小于第三预设组数阈值的多组数据;
所述获取在车辆行驶过程中采集的行驶数据段,包括:
获取在所述车辆行驶过程中采集的经筛选后的多段行驶数据段。
3.根据权利要求2所述的方法,其特征在于,所述预设筛选条件还包括:分割后的数据段中包含一组最大行驶数据,且所述最大行驶数据位于所述分割后的数据段的中心。
4.根据权利要求1所述的方法,其特征在于,在终端设备的坐标系与所述车辆所在位置的地理坐标系不同时,在所述将所述待分割数据分割为具有相同数据组数的多段所述行驶数据段之前,所述方法还包括:
采用预先设置的数据转换模型,将所述终端设备发送的待分割数据转换为在所述车辆所在位置的地理坐标系下的待分割数据;
所述将所述待分割数据分割为具有相同数据组数的多段所述行驶数据段,包括:
将所述在所述车辆所在位置的地理坐标系下的待分割数据,分割为具有相同数据组数的多段所述行驶数据段。
5.根据权利要求1所述的方法,其特征在于,在所述获取预先划分的具有相同数据组数的多段训练样本数据以及每段训练样本数据所对应的时间之前,所述方法还包括:
获取待分段的训练样本数据,采用预先设置的数据转换模型,将所述待分段的训练样本数据转换为在所述车辆所在位置的地理坐标系下的待分段的训练样本数据,其中,所述待分段的训练样本数据中每组数据所对应的坐标系与所述车辆所在位置的地理坐标系不同;
将所述在所述车辆所在位置的地理坐标系下的待分段的训练样本数据,分割为具有相同数据组数的多段训练样本数据。
6.一种驾驶行为识别装置,其特征在于,应用于车辆,所述装置包括:
待分割数据获取模块,用于获取终端设备发送的待分割数据;
分割模块,用于将待分割数据分割为具有相同数据组数的多段行驶数据段;
行驶数据段获取模块,用于获取在车辆行驶过程中采集的行驶数据段,其中,采集所述行驶数据段的终端设备的坐标系与所述车辆所在位置的地理坐标系相同,所述行驶数据段中包括多组行驶数据,每组行驶数据包括多个行驶数据,所述终端设备设置于所述车辆中;
识别模块,用于将所述行驶数据段输入预先训练得到的驾驶行为识别模型,得到所述预先训练得到的驾驶行为识别模型输出的与所述行驶数据段对应的驾驶行为,其中,所述预先训练得到的驾驶行为识别模型为采用标记有驾驶行为的多段训练样本数据段,对预先设置的驾驶行为识别模型进行训练得到的;
所述驾驶行为识别装置还包括:模型训练模块,该模型训练模块包括:
训练样本数据获取子模块,用于获取预先划分的具有相同数据组数的多段训练样本数据以及每段训练样本数据所对应的时间,其中,所述每段训练样本数据中的每组数据所对应的坐标系与所述车辆所在位置的地理坐标系相同;
标记子模块,用于针对每段训练样本数据,获取该段训练样本数据所对应的时间所述车辆的驾驶行为,并采用该驾驶行为对该段训练样本数据进行标记;
训练子模块,用于采用标记有驾驶行为的多段训练样本数据段,对预先设置的驾驶行为识别模型进行训练,得到待定驾驶行为识别模型;
测试子模块,用于采用预先设置的具有相同数据组数的多段测试样本数据段,对所述待定驾驶行为识别模型进行测试,得到测试准确度;
模型确定子模块,用于:在所述测试准确度大于或等于预设准确度阈值时,将所述待定驾驶行为识别模型作为预先训练得到的驾驶行为识别模型;在测试准确度小于预设准确度阈值时,触发所述训练子模块。
7.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-5任一所述的方法步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-5任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010106636.XA CN113298099B (zh) | 2020-02-21 | 2020-02-21 | 一种驾驶行为识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010106636.XA CN113298099B (zh) | 2020-02-21 | 2020-02-21 | 一种驾驶行为识别方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113298099A CN113298099A (zh) | 2021-08-24 |
CN113298099B true CN113298099B (zh) | 2023-08-29 |
Family
ID=77317414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010106636.XA Active CN113298099B (zh) | 2020-02-21 | 2020-02-21 | 一种驾驶行为识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113298099B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115186770B (zh) * | 2022-09-08 | 2023-04-25 | 北京邮电大学 | 驾驶员身份识别方法和电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408917A (zh) * | 2014-11-18 | 2015-03-11 | 浙江工商大学 | 基于智能手机加速度传感器实时交通路况估计方法 |
CN106203437A (zh) * | 2015-05-07 | 2016-12-07 | 平安科技(深圳)有限公司 | 个体驾驶行为特征识别方法和装置 |
CN110447214A (zh) * | 2018-03-01 | 2019-11-12 | 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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3028630C (en) * | 2018-03-01 | 2023-10-17 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for identifying risky driving behavior |
-
2020
- 2020-02-21 CN CN202010106636.XA patent/CN113298099B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408917A (zh) * | 2014-11-18 | 2015-03-11 | 浙江工商大学 | 基于智能手机加速度传感器实时交通路况估计方法 |
CN106203437A (zh) * | 2015-05-07 | 2016-12-07 | 平安科技(深圳)有限公司 | 个体驾驶行为特征识别方法和装置 |
CN110447214A (zh) * | 2018-03-01 | 2019-11-12 | 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 |
Non-Patent Citations (1)
Title |
---|
基于智能手机的车辆行为实时判别与渐进矫正方法研究;范菁 等;《计算机科学》;20170331;第44卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113298099A (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108986465B (zh) | 一种车流量检测的方法、系统及终端设备 | |
DE102017130041A1 (de) | Automatische leckerkennung bei fahrzeugen | |
US10147315B2 (en) | Method and apparatus for determining split lane traffic conditions utilizing both multimedia data and probe data | |
CN110751012B (zh) | 目标检测评估方法、装置、电子设备及存储介质 | |
DE102013011969A1 (de) | Verfahren zum Betreiben eines Kraftfahrzeugs und Kraftfahrzeug | |
US11361555B2 (en) | Road environment monitoring device, road environment monitoring system, and road environment monitoring program | |
CN108437795A (zh) | 限速值输出方法与装置 | |
CN110986938A (zh) | 颠簸道路识别方法、装置、及电子设备 | |
CN106097707B (zh) | 一种车辆行驶状态的判断方法和装置 | |
CN114820679B (zh) | 图像标注方法、装置、电子设备和存储介质 | |
CN113298099B (zh) | 一种驾驶行为识别方法、装置、电子设备及存储介质 | |
CN112818792A (zh) | 车道线检测方法、装置、电子设备及计算机存储介质 | |
US9747801B2 (en) | Method and device for determining surroundings | |
CN110287817B (zh) | 目标识别及目标识别模型的训练方法、装置和电子设备 | |
CN107539038B (zh) | 一种车辆胎压状态监控方法及装置 | |
CN109766799B (zh) | 车位识别模型训练方法及装置和车位识别方法及装置 | |
CN111967451A (zh) | 一种道路拥堵检测方法及装置 | |
CN112434717B (zh) | 一种模型训练方法及装置 | |
CN112232326A (zh) | 行驶信息生成方法、装置、电子设备和计算机可读介质 | |
CN109270566B (zh) | 导航方法、导航效果测试方法、装置、设备和介质 | |
CN112199542A (zh) | 基于目标检测的车辆图像过滤方法、系统、装置及介质 | |
CN112349084A (zh) | 驾驶行为评价装置、方法以及记录介质 | |
US20230026609A1 (en) | Driving diagnostic information management apparatus and driving diagnostic information management method | |
CN107452230B (zh) | 一种障碍物检测方法、装置、终端设备及存储介质 | |
CN115114494A (zh) | 一种Freespace边缘点的处理方法以及装置 |
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 |