The invention discloses a driving behavior identification method based on intelligent mobile terminal, including: S1, collecting and screening the original state data of vehicle through intelligent mobile terminal, including the acceleration and angular velocity information of three axes; S2, preprocessing the original motion state data of the vehicle; S3, using the principal component analysis method from the main component analysis method, The comprehensive characteristic vector of driving behavior is obtained in the pre processed data. S4, using the K means clustering algorithm to cluster and divide the comprehensive characteristic vector of driving behavior, and get the best number of clustering. S5, based on the optimal number of clustering, and using FCM algorithm to cluster the integrated feature vector, and get the final clustering knot with the defuzzification. S6, collect real-time vehicle status data, and identify driving behavior according to the final clustering results. The invention realizes the fine clustering of driving behavior data and effectively integrates driving behavior characteristics into three kinds of behaviors: turning, speed changing and lane changing.
【技术实现步骤摘要】
基于智能移动终端的驾驶行为识别方法
本专利技术涉及车辆辅助驾驶
,尤其涉及一种基于智能移动终端的驾驶行为识别方法及系统。
技术介绍
随着城市车辆数量的迅速增长,驾驶员不良驾驶行为成为交通问题的一个重要因素。对车辆驾驶行为的研究有利于解决因不良驾驶行为导致的交通堵塞和交通事故问题。目前对于驾驶行为的研究主要分为基于视觉图像和基于多传感器数据融合这两种手段。对于基于视觉图像的驾驶行为分析,实际应用中光线强度、摄像头角度的不确定性以及周围环境的干扰都会对识别效果造成影响。通过多种传感器融合感知车辆状态,相对来说受干扰情况较小;但给车辆加装便携式传感器过程复杂,成本较高。k-means算法和FCM算法是无监督机器学习中重要的聚类分析方法,可以探索驾驶行为特征数据的隐藏特性,从而实现驾驶行为分类。k-means聚类属于硬聚类算法,样本点只能属于或不属于某一类,故分类效果具有局限性;FCM算法属于软聚类算法,采用隶属度函数表示样本点属于某一类的程度,分类结果更加精细,但算法增加了计算量,速度相对于k-means算法有所下降。
技术实现思路
本专利技术要解决的技术问题在于针对汽车驾驶行为分类与识别问题,提供一种基于智能移动终端的驾驶行为识别方法。本专利技术解决其技术问题所采用的技术方案是:本专利技术提供一种基于智能移动终端的驾驶行为识别方法,该方法包括以下步骤:S1、通过智能移动终端采集并筛选车辆原始状态数据,包括三个轴的加速度和角速度信息;S2、对车辆原始运动状态数据进行预处理;S3、采用主成分分析方法从预处理后的数据中获取驾驶行为综合特征向量;S4、采用k-mea ...
【技术保护点】
1.一种基于智能移动终端的驾驶行为识别方法,其特征在于,该方法包括以下步骤:S1、通过智能移动终端采集并筛选车辆原始状态数据,包括三个轴的加速度和角速度信息;S2、对车辆原始运动状态数据进行预处理;S3、采用主成分分析方法从预处理后的数据中获取驾驶行为综合特征向量;S4、采用k‑means聚类算法对驾驶行为综合特征向量进行聚类划分,得到最佳聚类数目;S5、根据最佳聚类数目,并采用FCM算法对综合特征向量进行聚类,得到去模糊的最终聚类结果;S6、采集实时车辆状态数据,并根据最终聚类结果对车辆的驾驶行为进行识别。
【技术特征摘要】
1.一种基于智能移动终端的驾驶行为识别方法,其特征在于,该方法包括以下步骤:S1、通过智能移动终端采集并筛选车辆原始状态数据,包括三个轴的加速度和角速度信息;S2、对车辆原始运动状态数据进行预处理;S3、采用主成分分析方法从预处理后的数据中获取驾驶行为综合特征向量;S4、采用k-means聚类算法对驾驶行为综合特征向量进行聚类划分,得到最佳聚类数目;S5、根据最佳聚类数目,并采用FCM算法对综合特征向量进行聚类,得到去模糊的最终聚类结果;S6、采集实时车辆状态数据,并根据最终聚类结果对车辆的驾驶行为进行识别。2.根据权利要求1所述的基于智能移动终端的驾驶行为识别方法,其特征在于,该方法中智能移动终端采集车辆数据具体为:利用智能移动终端内置的三轴加速度传感器和三轴陀螺仪获取车辆原始运动状态数据,传感器输出的值描述了设备相对于自身坐标系的运动状态。3.根据权利要求1所述的基于智能移动终端的驾驶行为识别方法,其特征在于,该方法中的原始运动状态数据预处理具体为:采用移动平均滤波算法来过滤采集到的数据中的干扰噪声。4.根据权利要求1所述的基于智能移动终端的驾驶行为识别方法,其特征在于,该方法中的主成分分析方法具体为:对预处理后的数据进行特征分析,计算得到每列数据的均值、标准差、中位数、最大值、最小值和范围,然后再加上三列数据中每两列之间的相关系数,组成的21维数据向量描述车辆运行状态的各种特征,获取的多组车辆数据组成一个多行21列的矩阵:其中p的值为21;对矩阵的每列数据进行归一化处理;主成分分析分为计算相关矩阵、计算特征根、确定主成分个数、计算主成分4步,通过主成分分析,原始运动状态矩阵得到降维处理,减小算法的复杂度。5.根据权利要求1所述的基于智能移动终端的驾驶行为识别方法,其特征在于,该方法中k-means算法聚类方法具体为:利用k-means聚类算法对给定的驾驶行为特征向量进行聚类划分,最终将其划分为k类,通过迭代优化更新聚类中心来求解目标函数的最优解,具体步骤如下:1)从X中随机选取k个样本作为初...
【专利技术属性】
技术研发人员:石英,高田翔,罗佳齐,蔡永华,李振威,
申请(专利权)人:武汉理工大学,
类型:发明
国别省市:湖北,42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。