本发明专利技术公开了一种基于多源数据与多尺度卷积神经网络的驾驶员身份辨识方法。本发明专利技术采集实车驾驶过程中车辆CAN数据，道路环境视频数据、驾驶员生理行为数据、眼动视觉数据进行结构化处理，形成多源数据集合。建立基于多尺度卷积神经网络的驾驶员身份辨识模型，利用五折交叉验证筛选出最优的辨识模型。本发明专利技术基于多尺度卷积神经网络结构，考虑驾驶过程中多源数据共同影响，可操作性强，优于许多现有的方法。
【技术实现步骤摘要】
本专利技术涉及一种基于多源数据与多尺度卷积网络的驾驶员身份辨识方法，属于城市道路交通领域。
技术介绍
1、驾驶员身份识别通过对驾驶行为数据的分析，获取驾驶员之间不同的驾驶特性，实现对驾驶员身份识别认证，从而在车辆行车安全、先进辅助驾驶系统设计等多方面产生影响。例如，驾驶员识别可以辅助智能座舱与辅助驾驶系统设计，在准确识别驾驶员后，为不同驾驶人创造个性化的驾驶环境与驾驶模式，提供更好的驾驶感受和安全性。智能网联环境下，进行精准驾驶员辨识，能够有效识别行车过程中处于风险驾驶状态的驾驶员，从而采取相应的干预措施，有效提高行车安全。此外，驾驶员身份识别还可在车辆防盗、共享汽车管理等方面产生积极作用。因此，如何实现稳定、高效且安全的驾驶员身份辨识是一项迫切需要解决的问题。
2、经过对现有驾驶员身份辨识模型的文献检索发现，现有的辨识模型大致可以分为两类：经典的机器学习模型与深度学习方法。传统机器学习模型所适用的数据规模量较小，当数据量增大时，辨识性能将会产生较大的下降。随着交通数据规模的增大，由于深度学习方法在处理复杂高维、非线性问题上的优势，很多研究者开始将深度学习方法应用于驾驶员身份辨识。卷积神经网络(cnn)以及循环神经网络(rnn)及其变体等在驾驶员身份辨识方面取得了良好的表现。但是这些模型中往往只使用车辆运行数据，忽略了驾驶过程中人-车-路-环境之间的交互，同时往往选取超过1分钟的驾驶片段，这对于后续应用带来困难。因此使用多源数据与改进神经网络来使用短时间驾驶片段来实现驾驶员身份辨识十分具有意义。
>技术实现思路1、本专利技术提供了一种基于多源数据与多尺度卷积神经网络的驾驶员身份辨识方法。该方法利用车辆can数据，道路环境视频数据、驾驶员生理与视觉数据，形成多源数据集合。在此基础上利用改进多尺度卷积神经网络进行时间序列分类任务，充分挖掘驾驶过程中不同时间尺度上特征变化特性，实现驾驶员身份精准辨识。
2、第一方面，本专利技术提供了一种基于多源数据与多尺度卷积神经网络的驾驶员身份识别方法，该方法包括以下步骤：
3、c1、采集车辆驾驶过程中车辆行驶数据、驾驶员生理视觉数据、车辆周围道路环境数据。
4、c2、对数据集进行处理，按指定时间间隔划分，构建身份辨识任务所需时间序列片段数据。
5、c3、以构建完成的多源时间序列数据作为输入，构建多尺度卷积神经网络驾驶员身份辨识模型。
6、c4、利用构建好的模型实现驾驶员身份辨识。
7、第二方面，本专利技术提供了一种基于多源数据与多尺度卷积神经网络的驾驶员身份识别设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现上述基于多源数据与多尺度卷积神经网络的驾驶员身份识别方法。
8、第三方面，本专利技术提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述基于多源数据与多尺度卷积神经网络的驾驶员身份识别方法。
9、与现有技术相比，本专利技术具有如下优点：
10、1、本专利技术使用驾驶过程中多源数据，包含了驾驶行为数据、驾驶员生理视觉数据、驾驶过程中道路环境数据，充分考虑人-车-路-环境之间交互特性。
11、2、本专利技术方法辨识效果优良，该方法辨识精度高，优于许多现有的基准方法。
12、3、本专利技术使用较短的时间序列，就可实现较高的辨识精度，且模型训练时间短、易收敛。
本文档来自技高网...
【技术保护点】
1.一种基于多源数据与多尺度卷积神经网络的驾驶员身份识别方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的基于多源数据与多尺度卷积神经网络的驾驶员身份识别方法，其特征在于，步骤c1中：
3.基于多源数据与多尺度卷积神经网络的驾驶员身份识别方法，其特征在于，步骤c2中，对数据进行处理的相关步骤为：
4.根据权利要求1所述的基于多源数据与多尺度卷积神经网络的驾驶员身份识别方法，其特征在于，步骤c3中建立多尺度残差卷积神经网络驾驶员身份辨识模型的过程具体为：
5.根据权利要求4所述的基于多源数据与多尺度卷积神经网络的驾驶员身份识别方法，其特征在于，选用分类交叉熵损失函数，使用L2正则化进行改写，具体损失函数为：
6.根据权利要求4所述的基于多源数据与多尺度卷积神经网络的驾驶员身份识别方法，其特征在于，所述步骤c4具体为：
7.根据权利要去1所述的基于多源数据与多尺度卷积神经网络的驾驶员身份识别方法，其特征在于，还包括c5、计算评估驾驶员身份辨识效果。
8.根据权利要去1所述的基于多源数据与多尺度卷积神经网络的驾驶员身份识别方法，其特征在于，所述步骤c5具体为：
9.一种基于多源数据与多尺度卷积神经网络的驾驶员身份识别设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现上述权利要求1-8任一所述的一种基于多源数据与多尺度卷积神经网络的驾驶员身份识别方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-8任一所述的一种基于多源数据与多尺度卷积神经网络的驾驶员身份识别方法。
...
【技术特征摘要】
1.一种基于多源数据与多尺度卷积神经网络的驾驶员身份识别方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的基于多源数据与多尺度卷积神经网络的驾驶员身份识别方法，其特征在于，步骤c1中：
3.基于多源数据与多尺度卷积神经网络的驾驶员身份识别方法，其特征在于，步骤c2中，对数据进行处理的相关步骤为：
4.根据权利要求1所述的基于多源数据与多尺度卷积神经网络的驾驶员身份识别方法，其特征在于，步骤c3中建立多尺度残差卷积神经网络驾驶员身份辨识模型的过程具体为：
5.根据权利要求4所述的基于多源数据与多尺度卷积神经网络的驾驶员身份识别方法，其特征在于，选用分类交叉熵损失函数，使用l2正则化进行改写，具体损失函数为：
6.根据权利要求4所述的基于多源数据与多尺度卷积神经网络的驾驶员身份识别方法，其...
【专利技术属性】
技术研发人员：金盛，周梦涛，江杨，白聪聪，景峻，
申请(专利权)人：浙江大学中原研究院，
类型：发明
国别省市：
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。