一种基于深度学习的异常驾驶行为识别方法技术

本发明专利技术提供了一种基于深度学习的异常驾驶行为识别方法，该方法步骤包括：步骤Step1：建立初始驾驶员模型，并根据初始驾驶员模型对真实环境采集的行车数据进行标准化处理；步骤Step2：将标准化后的无标签驾驶行为数据输入异常驾驶行为识别模型进行模型训练；步骤Step3：在训练好的异常驾驶行为识别模型的输出层后增加分类器层，并对整个网络模型进行微调，得到最优异常驾驶行为识别模型；步骤Step4：将实际驾驶行为数据进行标准化后输入所述最优异常驾驶行为识别模型进行异常识别，得到识别结果，本发明专利技术可有效消除驾驶员在交通拥堵情况下，频繁操作油门和方向盘，进而表现出异常的驾驶行为，且预测准确率高。且预测准确率高。且预测准确率高。

【技术实现步骤摘要】
一种基于深度学习的异常驾驶行为识别方法


[0001]本专利技术属于安全驾驶检测
，具体涉及到一种基于深度学习的异常驾驶行为识别方法。

技术介绍

[0002]交通安全是智能交通领域一个很重要的话题。因交通事故导致的人员伤亡和财产损失是当今世界重大问题之一。相关研究表明，若驾驶员在交通事故发生前1秒得到警报或者反应提前1秒，90％的交通事故即可避免。因此，异常驾驶行为检测可以有效改善交通安全问题。
[0003]异常驾驶行为检测可分为接触式与非接触式，接触式主要是佩戴一些仪器设备对驾驶员的生理参数进行采集，虽然准确率较高，但往往会干扰驾驶员的操作。非接触式主要收集各种汽车传感器实时性数据和具有时间序列的驾驶行为数据，例如：节气门传感器、刹车片压力传感器与汽车雷达等，进而对驾驶行为状态进行判断。综合考虑，目前主要采用非接触式的方法进行，并通过软件算法等提高异常驾驶行为识别的准确率。
[0004]对异常驾驶行为检测已有较多的研究。在与汽车加速和转向有关的152类特征的基础上，Yu等人提出一种细粒度异常驾驶行为检测系统；Sun等人通过灰色关联分析，将9种驾驶特征并入二级融合结构，提出一种新的疲劳驾驶检测方法；N.Condro等人利用加速度计、磁力计和全球定位系统等传感器，提取15个特征，检测高危摩托车驾驶动作；Li等人通过多变量时间序列分析，依据横向位置和方向转角来检测酒后驾驶行为；为了区分清醒和生理上存在缺陷的驾驶员，Shirazi和Rad采用系统识别技术，如平均值，对数据进行拟合，以描述醉酒驾驶人行为，输入和输出分别为横向预瞄误差和方向盘转角。
[0005]虽然涌现出许多与异常驾驶行为检测相关的算法，但大多数算法使用的是浅层驾驶模型，如SVM，并且需要大量有标签数据进行训练。深度神经网络可以通过使用大量未标签数据叠加自编码器进行预训练，以实现更好的特征学习。另外，路况的不同会对驾驶行为的识别带来困难，因为驾驶行为会随之改变，例如，正常的驾驶行为因为在拥堵的路段可能因为频繁的操作油门和刹车踏板可能会被误认为异常驾驶行为，因此驾驶行为识别要在相同工况下进行判断才更合理。
[0006]综上所述，如何克服上述缺陷，是本领域技术人员急需解决的问题。

技术实现思路

[0007]本方案针对上文提到的问题和需求，提出一种基于深度学习的异常驾驶行为识别方法，通过该方法消除行车环境的影响，利用基于驾驶员模型进行标准工况测试以实现驾驶行为标准化。考虑到缺乏带标签的异常驾驶行为数据，提出一种堆栈去噪稀疏自编码 (Stacked Denoising Sparse Autoencoders,SdsAEs)网络模型，用于无监督预训练，并结合少量的带标签数据和SVM分类器对异常驾驶行为进行识别。
[0008]为实现上述目的，本专利技术提供如下技术方案：一种基于深度学习的异常驾驶行为
识别方法，包括：步骤Step1：基于局部神经网络建立初始驾驶员模型，获取真实环境采集的行车数据，并根据所述初始驾驶员模型对所述真实环境采集的行车数据进行标准化处理，获得标准化的驾驶行为数据；
[0009]步骤Step2：构建异常驾驶行为识别模型，将标准化后的无标签驾驶行为数据输入所述异常驾驶行为识别模型进行模型训练，得到训练好的异常驾驶行为识别模型；
[0010]步骤Step3：在所述训练好的异常驾驶行为识别模型的输出层后增加分类器层，并对整个网络模型进行微调，得到最优异常驾驶行为识别模型；
[0011]步骤Step4：将实际驾驶行为数据进行标准化后输入所述最优异常驾驶行为识别模型进行异常识别，得到识别结果。
[0012]进一步地，所述步骤Step1具体包括：
[0013]步骤Step1.1:以局部性神经网络为基础，采用学习控制的直接逆模型法建立驾驶员模型，其输入是当前的速度和下一期望速度，输出是节气门开度和刹车踏板压力；
[0014]步骤Step1.2:将建立好的驾驶员模型结合常规的PID模型进行联邦测试循环FTP
‑
72标准工况的汽车模拟仿真测试，实现驾驶行为的标准化，在结束速度跟踪任务后，对驾驶行为的BP、TP、VS归一化处理，其中，BP表示刹车踏板压力、TP表示节气门开度、 VS表示汽车速度。
[0015]更进一步地，在进行联邦测试循环FTP
‑
72标准工况的汽车模拟仿真测试时，采用3
‑7‑
1结构的多层感知机建立汽车模型来代替真实汽车进行模拟测试。
[0016]更进一步地，所述构建异常驾驶行为识别模型包括：
[0017]在局部神经网络的输入层加入噪声，得到去噪稀疏自编码模型；
[0018]采用自底向上的方法对模型进行初始化，并利用已标准化的无标签驾驶行为数据，通过逐层贪婪无监督训练的方法得到堆栈去噪稀疏自编码模型；
[0019]并在栈顶加入softmax线性回归函数对有监督的异常驾驶行为进行分类。
[0020]进一步地，所述步骤Step3包括：
[0021]步骤Step3.1:在所述训练好的异常驾驶行为识别模型的输出层后增加分类器层；
[0022]步骤Step3.2:利用带标签的异常驾驶行为数据，通过反向传播算法微调整个模型，得到最优异常驾驶行为识别模型。
[0023]更进一步地，所述最优异常驾驶行为识别模型中的超参数采用经验和参数搜索方法确定。
[0024]从上述的技术方案可以看出，本专利技术的有益效果是：
[0025]1、本专利技术所提出的驾驶行为标准化系统，通过模拟驾驶员行车获取异常驾驶的行为数据，同时也有效消除了行车场景对驾驶行为的影响，使异常驾驶检测结果更科学。
[0026]2、本专利技术所提出的神经网络结构实现了异常驾驶行为的无监督特征学习，识别准确率达到98.33％。
[0027]除了上面所描述的目的、特征和优点之外，下文中将结合附图对实施本专利技术的最优实施例进行更详尽的描述，以便能容易地理解本专利技术的特征和优点。
附图说明
[0028]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下文将对本专利技术实施
例或现有技术描述中所需要使用的附图作简单地介绍，其中，附图仅仅用于展示本专利技术的一些实施例，而非将本专利技术的全部实施例限制于此。
[0029]图1为本专利技术一种基于深度学习的异常驾驶行为识别方法的具体步骤示意图。
[0030]图2为本实施例中基于直接逆模型法的驾驶员模型的原理框图。
[0031]图3为本实施例中驾驶行为标准化的过程示意图。
[0032]图4为本实施例中自编码器模型的结构示意图。
[0033]图5为本实施例中神经网络训练和测试的过程示意图。
具体实施方式
[0034]为了使得本专利技术的技术方案的目的、技术方案和优点更加清楚，下文中将结合本专利技术具体实施例的附图，对本专利技术实施例的技术方案进行清楚、完整地描述。附图中相同的附图标记代表相同的部件。需要说明的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的异常驾驶行为识别方法，其特征在于，包括以下步骤：步骤Step1：基于局部神经网络建立初始驾驶员模型，获取真实环境采集的行车数据，根据所述初始驾驶员模型对所述真实环境采集的行车数据进行标准化处理，获得标准化的驾驶行为数据；步骤Step2：构建异常驾驶行为识别模型，将标准化后的无标签驾驶行为数据输入所述异常驾驶行为识别模型进行模型训练，得到训练好的异常驾驶行为识别模型；步骤Step3：在所述训练好的异常驾驶行为识别模型的输出层后增加分类器层，并对整个网络模型进行微调，得到最优异常驾驶行为识别模型；步骤Step4：将实际驾驶行为数据进行标准化后输入所述最优异常驾驶行为识别模型进行异常识别，得到识别结果。2.如权利要求1所述的基于深度学习的异常驾驶行为识别方法，其特征在于，所述步骤Step1具体包括：步骤Step1.1:以局部性神经网络为基础，采用学习控制的直接逆模型法建立驾驶员模型，其输入是当前的速度和下一期望速度，输出是节气门开度和刹车踏板压力；步骤Step1.2:将建立好的驾驶员模型结合常规的PID模型进行联邦测试循环FTP
‑
72标准工况的汽车模拟仿真测试，实现驾驶行为的标准化，在结束速度跟踪任务后，对驾驶行为的BP、TP、VS归一化处理，其中，...

【专利技术属性】
技术研发人员：胡杰，俞京汝，张笑钦，
申请(专利权)人：温州大学大数据与信息技术研究院，
类型：发明
国别省市：