基于智能移动终端的驾驶行为识别方法技术

本发明专利技术公开了一种基于智能移动终端的驾驶行为识别方法，包括：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、根据最佳聚类数目后，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构；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。本发明专利技术实现了驾驶行为数据的精细聚类，将车辆驾驶行为特征有效聚为转弯、变速和变道三类行为。

Driving behavior recognition method based on intelligent mobile terminal

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-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。进一步地，本专利技术的该方法中的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。当设备平面与车辆平面平行，且设备Y轴方向与车辆前进方向一致时，设备三轴方向上的加速度才能够准确地描述车辆的运动状态。通过对比正常行驶、加速和右转弯这三种驾驶行为下的传感器参数变化，发现加速度传感器的X，Y轴和陀螺仪绕Z轴数据对行为特征最为敏感。考虑到转弯和变道等行为在极短时间间隔内具有相似性，可提取一定时间间隔内传感器数据的时域特征。进一步地，本专利技术的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。进一步地，本专利技术的该方法中主成分分析方法具体为：首先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维数据向量便可描述了车辆运行状态的各种特征。对于获取的多组车辆数据，可描述为一个多行21列的矩阵：其中p的值为21。主成分分析之前需要对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、确定主成分个数和计算主成分4步。通过主成分分析，原始运动状态矩阵维数降低，从而大大减小算法的复杂度。进一步地，本专利技术的该方法中的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数据样本集进行聚类划分，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个样本作为初始聚类中心，给定迭代次数和阈值；2)计算每个数据样本到聚类中心的距离，将其归类到距离最近的一类；3)重新计算聚类中心点，更新聚类中心；4)重复进行第2)步，直到达到最大迭代次数，或平方误差小于阈值。k从2开始递增，并根据DBI指数DI得到最佳聚类数目K。进一步地，本专利技术的该方法中的FCM算法聚类方法具体为：通过迭代优化修改聚类中心和隶属度矩阵来求解目标函数的最优值，算法具体步骤如下：1)随机选取K个样本作为初始聚类中心，给定迭代次数、阈值和模糊参数；2)计算并更新隶属度；3)重新计算聚类中心点，更新聚类中心；4)重复进行第2)步，直到达到最大迭代次数或平方误差小于阈值；5)最后对每个样本取其隶属度最大值所在的类作为其确定性分类，实现模糊聚类结果的去模糊。接上述技术方案，最终聚类结果将驾驶行为分为转弯行为、变速行为和变道行为；其中转弯行为分为剧烈、温和和适中三种转弯行为；变速行为分为剧烈、适中及温和的三种变速行为；变道行为分为无变道行为和有变道行为，有变道行为划分为剧烈、温和和适中三种。本专利技术还提供了一种基于智能移动终端的驾驶行为识别系统，包括：原始状态获取模块，用于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；预处理模块，用于对车辆原始运动状态数据进行预处理；主成分分析模块，用于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；k-means聚类算法模块，用于采用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；FCM算法模块，用于根据最佳聚类数目，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构；识别模块，用于对采集的实时车辆状态数据，根据最终聚类结果对车辆的驾驶行为进行识别。本专利技术还提供了一种计算机可读存储介质，该存储介质中存储有用于执行基于智能移动终端的驾驶行为识别方法的计算机程序。本专利技术的有益效果：本专利技术利用从智能移动终端传感器采集的能够表征车辆行驶状态的数据，对数据进行滤波处理后提取能够表征车辆驾驶行为的特征。通过主成分分析对车辆驾驶行为特征进行特征降维，最终实现了对车辆驾驶行为的分类，并取得了良好的聚类效果。附图说明下面将结合附图及实施例对本专利技术作进一步说明，附图中：图1为本专利技术实施例的总流程示意图；图2为本专利技术实施例的设备坐标系与全局坐标系示意图；图3为本专利技术实施例的加速度传感器X轴原始与滤波数据对比示意图。图4为本专利技术实施例的主成分分析结果示意图。图5为本专利技术实施例的基于Z1、Z2转弯指标的FCM聚类效果示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。如图1所示，本专利技术实施例的基于智能移动终端的驾驶行为识别方法，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构；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分类。该方法中的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。当设备平面与车辆平本文档来自技高网...

【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