一种系统化的基于聚类思想的驾驶行为识别方法技术方案

本发明专利技术公开了一种系统化的基于聚类思想的驾驶行为识别方法，所述驾驶行为识别方法，包括以下步骤：建立统计特征模型；利用惯性传感器进行驾驶行为数据采集；利用卡尔曼滤波器对所述数据进行滤波；对所述滤波后数据采用自适应窗函数方法提取有效驾驶行为数据，并进一步提取有效数据的统计特征；筛选得到最优的统计特征；对驾驶行为数据的统计特征进行分类，识别相应的驾驶行为。本发明专利技术基于聚类思想，提供了一种特征极少，计算量极低且精度极高的系统化驾驶行为识别方法，在社会安全，车险，车队管理等领域有广阔应用前景。

【技术实现步骤摘要】
一种系统化的基于聚类思想的驾驶行为识别方法
本专利技术基于聚类思想，提出一种系统化的驾驶行为识别方法，属于信号处理、模式识别与机器学习领域。
技术介绍
据公安部交管局数据显示，截至2017年6月底，全国机动车保有量达3.04亿辆，其中汽车2.05亿辆。汽车的普及给人们生活带来便利的同时，也带来了不容忽视的安全隐患。据国家统计局数据显示，2015年全国共发生交通事故187781起，其中机动车交通事故170130起，交通事故总计死亡58022人，对生命安全产生极大威胁。然而交通事故频发最主要是人们的危险驾驶。据欧洲关于交通事故的统计分析，交通驾驶事故中，由人为因素引起的比例高达80％。因此，驾驶行为的识别具有重大社会意义，高效准确地对驾驶行为进行识别，进而提醒驾驶者谨慎驾驶，可以减少事故发生，促进社会安全。汽车的普及带动了相关产业的快速发展。以保险公司为例，对驾驶行为进行准确高效识别，可以更全面的评估风险指标，可以带来更精准的损失估计，大大降低其理赔成本，另外，还能提升客户的消费体验，增加续约率。同样，对于车队管理部门来说，对驾驶行为进行准确高效识别，有利于全面掌握车辆驾驶情况，及时采取措施防患于未然，提高车队总体管理水平。国外对于驾驶行为的研究主要集中在针对特定的驾驶动作(加速，刹车，左转，右转等)，利用单纯的高特征维度的机器学习或DTW等语音处理方法识别分类，缺少系统化的方法和理论建模支撑，且计算量巨大。相较于国外研究，国内研究成果较少，实际应用方面更是空白。本专利技术提出一种系统化的基于聚类思想的驾驶行为识别方法，不仅可以扩大可识别的驾驶行为类别，而且通过距离度量学习方法进行特征筛选，优化特征集合，使得计算量显著降低。本专利技术有着更强理论依据，且有着更好的普适性和高效性。
技术实现思路
本专利技术基于聚类思想，提出一种系统化的驾驶行为识别方法。本专利技术的技术方案：一种系统化的基于聚类思想的驾驶行为识别方法，其特征在于，所述识别方法包括以下步骤：S1：基于聚类思想，建立统计特征模型；S2：利用惯性传感器进行驾驶行为数据采集；S3：利用卡尔曼滤波器对所述数据进行滤波；S4：对所述滤波后数据采用自适应窗函数方法提取有效驾驶行为数据，并进一步提取有效数据的统计特征；S5：筛选得到最优的统计特征；S6：对驾驶行为数据的统计特征进行分类，识别相应的驾驶行为。优选的，所述建立统计特征模型，具体的以识别驾驶动作，有目的性地选择54维统计特征，使得同类动作具有特征相似性，不同类具有差异性。优选的，所述识别驾驶动作包括加速，刹车，左转，右转，掉头，左变道和右变道。优选的，所述惯性传感器包括6轴惯性传感器。优选的，所述54维数据统计特征包括：6轴惯性传感器数据的平均值，标准差，平均绝对差，平均能量，求和，过平均率，正负点比率特征；3轴数据的最大值，最小值，斜率特征；以及3个轴间数据的相关系数特征。优选的，所述自适应窗函数方法提取有效驾驶行为数据，具体的以能量信息做为端点检测的自适应窗函数方法，快速提取得到有效驾驶动作行为数据。优选的，所述能量信息满足公式：其中，Ax(i)表示当前Ax轴的样本点数值，Ax(i-1)表示Ax轴前一个样本点数值，依次类推，共有k个样本点。优选的，所述对驾驶行为数据的统计特征进行分类，具体的将特征数据集进行k-means聚类和SVM监督分类识别，10折交叉验证正确率。本专利技术的有益效果：本专利技术基于聚类思想，提供了一种特征极少，计算量极低且精度极高的系统化驾驶行为识别方法，在社会安全，车险，车队管理等领域有广阔应用前景。本专利技术与以往的单纯以机器学习方式对驾驶行为建模识别不同，本专利技术有着更强理论依据，且有着更好的普适性和高效性。应当理解，前述大体的描述和后续详尽的描述均为示例性说明和解释，并不应当用作对本专利技术所要求保护内容的限制。附图说明参考随附的附图，本专利技术更多的目的、功能和优点将通过本专利技术实施方式的如下描述得以阐明，其中：图1示意性示出本专利技术驾驶行为识别系统化方法示意图；图2示意性示出本专利技术卡尔曼滤波器(左变道动作)效果示意图；图3示意性示出本专利技术自适应窗函数提取(左变道动作)结果图；图4示意性示出本专利技术数据在选择后的特征分布上的差异示意图；图5示意性示出本专利技术k-means和SVM对原始54维特征以及选择后的4维特征进行分类结果图。具体实施方式通过参考示范性实施例，本专利技术的目的和功能以及用于实现这些目的和功能的方法将得以阐明。然而，本专利技术并不受限于以下所公开的示范性实施例；可以通过不同形式来对其加以实现。说明书的实质仅仅是帮助相关领域技术人员综合理解本专利技术的具体细节。在下文中，将参考附图描述本专利技术的实施例。在附图中，相同的附图标记代表相同或类似的部件，或者相同或类似的步骤。图1所示为本专利技术驾驶行为识别系统化方法的流程图，如图1所示，一种系统化的基于聚类思想的驾驶行为识别方法包括以下步骤：S1：基于聚类思想，建立统计特征模型；S2：利用惯性传感器进行驾驶行为数据采集；S3：利用卡尔曼滤波器对所述数据进行滤波；S4：对所述滤波后数据采用自适应窗函数方法提取有效驾驶行为数据，并进一步提取有效数据的统计特征；S5：通过距离度量学习，筛选得到最优的统计特征；S6：利用机器学习方法，对驾驶行为数据的统计特征进行分类，识别相应的驾驶行为，以此监督提醒驾驶者，促进出行安全。驾驶行为识别是指利用一些外部传感器来采集数据，并利用相关分类方法识别出当前驾驶者的一些行为动作。在本专利技术中，外部传感器采用6轴惯性传感器，所述6轴惯性传感器包括3轴加速度和3轴角速度传感器，因为在复杂的真实路况下，视频音频等信息不易获得，磁场变化受限于当地磁场信息对于驾驶行为识别作用很小，而加速度和角速度信息对于驾驶行为敏感，是可靠的数据来源，故采用6轴传感器(3轴加速度和3轴角速度)来进行识别任务，实验取得了很好的效果。其中本专利技术中传感器的选择具有可扩展性，可以根据识别任务增加相应的传感器。本专利技术提出一种系统化的驾驶行为识别方法。基于聚类思想，相同的驾驶行为在数据特征集的表现出相似性，不同驾驶行为在数据特征集表现出差异性。由此，本专利技术可以根据需要识别分类的M个驾驶动作识别任务，有目的性的选择N个统计特征，特征的选择在不同的驾驶动作中应该具有显著差异性。考虑到驾驶行为的特殊性和限制性，国内外的研究一般将驾驶行为动作分为加速，刹车，左转，右转，掉头，左变道，右变道等，本专利技术也将具体以这七种动作为例，进一步阐述特征的选取以及系统化方法。特征的选取具有可扩展性，可以基于聚类思想，根据不同的识别任务选择最能够表现类别差异性的特征，而不必局限于本专利技术中具体针对此七类动作的特征集。S1：基于聚类思想，建立统计特征模型，具体的以加速，刹车，左转，右转，掉头，左变道，右变道七种识别驾驶动作，有目的性地选择54维统计特征，使得同类动作具有特征相似性，不同类具有差异性。本专利技术中以X轴指向车头，Y轴指向车左侧为例进行说明。对于加速和刹车动作，变化主要体现在X轴加速度(Ax)传感器数据变化，其它轴的数据相对无较大变化。加速情况下，Ax数据为正；刹车情况下，Ax数据为负。对于左转和右转动作，变化主要体现在Y轴加速度(Ay)和Z轴角速度(Gz)传感器数据变化，其它轴数据相对无本文档来自技高网...

【技术保护点】
1.一种系统化的基于聚类思想的驾驶行为识别方法，其特征在于，所述识别方法包括以下步骤：S1：基于聚类思想，建立统计特征模型；S2：利用惯性传感器进行驾驶行为数据采集；S3：利用卡尔曼滤波器对所述数据进行滤波；S4：对所述滤波后数据采用自适应窗函数方法提取有效驾驶行为数据，并进一步提取有效数据的统计特征；S5：筛选得到最优的统计特征；S6：对驾驶行为数据的统计特征进行分类，识别相应的驾驶行为。

【技术特征摘要】
1.一种系统化的基于聚类思想的驾驶行为识别方法，其特征在于，所述识别方法包括以下步骤：S1：基于聚类思想，建立统计特征模型；S2：利用惯性传感器进行驾驶行为数据采集；S3：利用卡尔曼滤波器对所述数据进行滤波；S4：对所述滤波后数据采用自适应窗函数方法提取有效驾驶行为数据，并进一步提取有效数据的统计特征；S5：筛选得到最优的统计特征；S6：对驾驶行为数据的统计特征进行分类，识别相应的驾驶行为。2.根据权利要求1所述的驾驶行为识别方法，其特征在于，所述建立统计特征模型，具体的以识别驾驶动作，有目的性地选择54维统计特征，使得同类动作具有特征相似性，不同类具有差异性。3.根据权利要求2所述的驾驶行为识别方法，其特征在于，所述识别驾驶动作包括加速，刹车，左转，右转，掉头，左变道和右变道。4.根据权利要求1所述的驾驶行为识别方法，其特征在于，所述惯性传感器包括6轴惯性传感器，具体的包括3轴加速度和3...

【专利技术属性】
技术研发人员：张盛，秦爽，吴明林，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京,11