基于制动特征和SVM算法的驾驶员身份识别建模方法技术

本发明专利技术公开了一种基于制动特征和SVM算法的驾驶员身份识别建模方法，包括步骤：进行DoE试验设计；基于模拟驾驶器进行模拟驾驶试验，采集不同驾驶员的制动特征数据，制动特征数据包括初始速度、初始制动距离、最大制动行程、制动频率；处理模拟驾驶试验采集的数据，将数据加入驾驶员编号并归一化后随机分为训练数据和测试数据；使用训练数据和SVM算法进行分类建模；使用测试数据进行模型测试；得到测试结果合格的SVM驾驶员身份识别模型。本发明专利技术运用模拟驾驶器进行模拟驾驶试验，采集不同驾驶员的制动特征数据，通过SVM算法建模，得到高准确的驾驶员身份识别模型，具有计算量小和成本低的优点，克服了现有技术的缺陷。克服了现有技术的缺陷。克服了现有技术的缺陷。

【技术实现步骤摘要】
基于制动特征和SVM算法的驾驶员身份识别建模方法


[0001]本专利技术涉及交通安全
，特别涉及一种基于制动特征和SVM算法的驾驶员身份识别建模方法。

技术介绍

[0002]随着科技的不断发展，我国人均汽车保有量持续增长，尤其是经济较为发达的一二线城市。相对于大多数商品，汽车数据是较为昂贵的一类，对于个人和一个家庭而言都具有较大的重要性。目前已经有较多的车辆防盗手段，如指纹识别，人脸识别等。专利CN201710390517.X公开了一种基于一键启动指纹识别的车辆防盗报警方法及其装置，专利CN201610758367.9公开了一种基于无线射频和指纹校验的车辆防盗系统的控制方法，CN201210101592.7公开了一种基于红外人脸识别技术的车辆防盗系统。但是，若犯罪分子使用软件手段突破这些防护关卡，车辆将无计可施，任由车辆被盗窃。因此，需要提出一种计算量小、成本低、易于集成到车辆硬件系统中的驾驶员身份识别方法。

技术实现思路

[0003]为了解决现有技术的问题，本专利技术的主要目的在于提供一种基于制动特征和SVM算法的驾驶员身份识别建模方法，以模拟驾驶器试验为基础，采集不同驾驶员的制动特征数据，建立驾驶员身份识别模型。
[0004]为了达到上述目的，本专利技术提供一种基于制动特征和SVM算法的驾驶员身份识别建模方法，包括以下步骤：
[0005]进行DoE试验设计；
[0006]基于模拟驾驶器进行模拟驾驶试验，采集不同驾驶员的制动特征数据，所述制动特征数据包括初始速度、初始制动距离、最大制动行程、制动频率；
[0007]处理模拟驾驶试验采集的数据，将数据加入驾驶员编号并归一化后随机分为训练数据和测试数据；
[0008]使用训练数据和SVM算法进行分类建模；
[0009]使用测试数据进行模型测试；
[0010]得到测试结果合格的SVM驾驶员身份识别模型。
[0011]优选地，进行DoE试验设计时，设计变量包括初始车速和初始制动距离，其中车速的区间为[30,120]，单位为km/h；初始制动距离的区间为[10,100]，单位为m；DoE试验设计所得试验点均为均匀随机产生；DoE试验设计所得试验点数量不低于1000个。
[0012]优选地，其特征在于，模拟驾驶试验中，进行模拟驾驶试验的驾驶员至少3个。
[0013]优选地，模拟驾驶道路为直行道路，模拟驾驶道路中设置有两辆模拟车辆，一辆为驾驶员控制的主车，一辆为速度为0的参考车，两车位于同一车道线内。
[0014]优选地，处理模拟驾驶试验采集的数据时，删除空数据，并对所有数据进行归一化，且加入驾驶员编号；其中，根据以下公式进行归一化：
[0015][0016]式中，X表示某变量，i表示数据编号，j表示驾驶员编号，max角标表示该变量最大值，min角标表示该变量最小值。
[0017]进一步优选地，其特征在于，归一化后的数据按比例8:2划分为训练数据和测试数据。
[0018]优选地，使用训练数据和SVM算法进行分类建模时，以训练数据中的初始速度、初始制动距离、最大制动行程、制动频率为自变量，以驾驶员编号为因变量，分类建模所得模型为SVM驾驶员身份识别模型。
[0019]更优选地，使用测试数据对SVM驾驶员身份识别模型进行测试时，逐个输入测试数据点中的初始速度、初始制动距离、最大制动行程、制动频率，输出驾驶员编号，若驾驶员编号与测试数据中的真实驾驶员编号相同，则表示该数据点预测成功，否则为失败。
[0020]进一步优选地，其特征在于，若测试成功的数据点数量与测试数据点总量的比值大于或等于85％，则表示所得SVM驾驶员身份识别模型合格。
[0021]由于采用上述技术方案，本专利技术达到以下技术效果：本专利技术以模拟驾驶器试验为基础，采集驾驶员的制动特征数据，并通过SVM算法分类建模，可得到高准确性的驾驶员身份识别模型，且不需要实车测试，计算量小，成本较低。该模型可嵌入到汽车硬件系统中，用于汽车防盗，提高车辆的安全性。
附图说明
[0022]图1为根据本专利技术的基于制动特征和SVM算法的驾驶员身份识别建模方法的流程示意图。
具体实施方式
[0023]为了使本
的人员更好地理解本专利技术，下面将结合实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员所做的等效变化与修饰前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0024]请结合图1，本实施例提供的一种基于制动特征和SVM算法的驾驶员身份识别建模方法，包括如下步骤：
[0025]S1.DoE设计：
[0026]进行DoE试验设计时，设计变量包括初始车速和初始制动距离，其中车速的区间为[30,120]，单位为km/h；初始制动距离的区间为[10,100]，单位为m；DOE所得试验点均为均匀随机产生。具体地，当车距小于100m时，以车辆首次制动时刻为制动开始时刻，以车辆完全停止为制动终止时刻，制动开始时刻的车距作为初始制动距离，制动开始时刻的车速为初始制动车速。本实施例中，DoE试验所得试验点数量为1000个。在其他实施例中，DoE试验所得试验点数量大于1000个，譬如1500个，2000个。试验点数量越多，越有利于于模拟驾驶试验中驾驶员的制动特征数据的采集，从而使驾驶员身份识别建模的准确度更高。
[0027]S2.进行试验并采集数据：
[0028]本实施例中，模拟驾驶试验中进行模拟驾驶试验的驾驶员为3个。由于不同驾驶员的驾驶习惯，在驾驶车辆时的制动操作习惯具有一定差异，在制动特征上能够进行区分，从而实现驾驶员身份识别。在其他实施例中，驾驶员的数量也可以设计为超过3个，譬如4个、5个。
[0029]模拟驾驶道路为直行道路；试验道路中有两辆模拟车辆，一辆为驾驶员控制的主车，一辆为速度为0的参考车，两车位于同一车道线内。试验前预先根据DoE试验所得数据设置好初始速度和初始制动距离，告知驾驶员需要进行制动操作，不得转向，且驾驶目标是避免碰撞；进行虚拟驾驶试验时需要采集的数据包括初始速度、初始制动距离、最大制动行程、制动频率。其中，最大制动行程是从试验开始到试验结束期间，刹车踏板的最大行程。制动频率是试验开始到试验结束期间，平均单位时间制动次数。
[0030]S3.处理试验数据：
[0031]处理模拟驾驶试验数据时，需删除空数据，并对所有数据进行归一化，且加入驾驶员身份编号。归一化的公式为：
[0032][0033]式中，X表示某变量，i表示数据编号，j表示驾驶员编号，max角标表示该变量最大值，min角标表示该变量最小值。
[0034]处理模拟驾驶试验数据时，需将归一化后的试验数据随机分为训练数据和测试数据，比例为8:2。
[0035]S4.SVM算法建模：
[0036]使用训练数据和S本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于制动特征和SVM算法的驾驶员身份识别建模方法，其特征在于，包括以下步骤：进行DoE试验设计；基于模拟驾驶器进行模拟驾驶试验，采集不同驾驶员的制动特征数据，所述制动特征数据包括初始速度、初始制动距离、最大制动行程、制动频率；处理模拟驾驶试验采集的数据，将数据加入驾驶员编号并归一化后随机分为训练数据和测试数据；使用训练数据和SVM算法进行分类建模；使用测试数据进行模型测试；得到测试结果合格的SVM驾驶员身份识别模型。2.根据权利要求1所述一种基于制动特征和SVM算法的驾驶员身份识别建模方法，其特征在于，进行DoE试验设计时，设计变量包括初始车速和初始制动距离，其中车速的区间为[30,120]，单位为km/h；初始制动距离的区间为[10,100]，单位为m；DOE试验设计所得试验点均为均匀随机产生；DoE试验设计所得试验点数量不低于1000个。3.根据权利要求1所述一种基于制动特征和SVM算法的驾驶员身份识别建模方法，其特征在于，模拟驾驶试验中，进行模拟驾驶试验的驾驶员至少3个。4.根据权利要求1所述一种基于制动特征和SVM算法的驾驶员身份识别建模方法，其特征在于，模拟驾驶道路为直行道路，模拟驾驶道路中设置有两辆模拟车辆，一辆为驾驶员控制的主车，一辆为速度为0的参考车，两车位于同一车道线内。5.根据权利要求1所述一种基于制动特征和SVM算法的驾驶员身份识...

【专利技术属性】
技术研发人员：蔡锦康，赵蕊，邓伟文，丁娟，
申请(专利权)人：浙江天行健智能科技有限公司，
类型：发明
国别省市：