【技术实现步骤摘要】
本专利技术涉及电数字数据处理的，特别涉及一种基于车载传感数据的摩托车驾驶行为识别方法。
技术介绍
1、摩托车是一种高速、高危的交通工具，驾驶员的驾驶行为对交通安全和行车效率产生直接影响。因此，摩托车驾驶行为识别技术的应用显得尤为必要。摩托车驾驶行为识别技术可以通过实时监测和评估驾驶员的行为，及时发现和纠正不良驾驶行为，从而减少交通事故的发生。在实际应用中，摩托车驾驶行为识别技术可以应用于交通监管、车载安全预警、智能交通等方面，具有广泛的应用前景，但目前对摩托车驾驶行为识别的研究即应用均还较少。
2、现有汽车驾驶行为识别的方法对摩托车有借鉴意义。主流的汽车驾驶行为识别方法包括基于图像视频的方法、基于传感器数据的方法以及二者融合的多模态融合方法。然而，摩托车与汽车存在不少差异；首先，摩托车的驾驶环境复杂多变，光线、天气、道路等多种因使得摄像头采集到的图像质量不稳定，会严重影响基于视觉的驾驶行为识别效果；其次，摩托车的结构使得其与汽车相比对路面震动更敏感，而且由于摩托车的发动机直接连到车架上，在运行过程中摩托车的震动比汽车更多，这在影响摄像头图像质量的同时还会影响到传感器(如六轴传感器)的数据，同样会影响基于视觉与基于传感器的驾驶行为识别效果；最后，由于摩托车只有两个车轮，除了在平面上进行移动外，还可以倾斜，这在运动模型上比汽车多了一个自由度。
3、以上的差异不仅会影响到采集到的图像质量以及传感器数据的准确性，还会影响到基于图像的识别方法的准确性、复杂性以及实时性，若采用基于图像的方法则会比采用基于传感器数据的
技术实现思路
1、鉴于上述提出的背景与技术，本专利技术的目的在于提供一种基于车载传感数据的摩托车驾驶行为识别方法。
2、本专利技术所采用的技术方案是，一种基于车载传感数据的摩托车驾驶行为识别方法，所述方法采集摩托车的车载传感数据，对车载传感数据进行预处理；基于处理后的数据，对超速行为进行标准识别，对除超速外的驾驶行为以深度学习模型进行识别，获得标准识别和除超速外的驾驶行为识别的结果，完成摩托车驾驶行为识别。
3、驾驶行为由速度维度(加速、减速、匀速)和行驶方向维度(变道、转向、直线行驶)构成，本专利技术可对这两个维度组合的驾驶行为及超速行为共10种驾驶行为进行有效识别。
4、优选地，所述车载传感数据包括摩托车的车载六轴传感器数据、can总线上的车速以及发动机转速数据(由摩托车上的ecu将数据发送至can总线)；对采集到的车载传感数据进行预处理，包括：
5、对车载六轴传感器数据中的三轴加速度以一阶巴特沃斯低通滤波器滤波，滤波时根据can总线上的车速以及发动机转速不同档位选用不同的截止频率，将滤波后的数据去除加速度零偏，得到处理后的三轴加速度数据；
6、对车载六轴传感器数据中的三轴角速度数据以滑动均值滤波进行处理后减去角速度零偏，得到处理后的三轴角速度数据；
7、使用预处理后的车载六轴传感器数据计算摩托车的姿态角，姿态角包括偏航角θyaw、滚转角θroll、俯仰角θpitch。
8、优选地，使用角速度数据解算姿态角，得到
9、θyaw(t)＝θyaw(t-1)+δθyaw
10、θroll(t)＝θroll(t-1)+δθroll
11、θpitch(t)＝θpitc(t-1)+δθpitch
12、其中，δθyaw＝vyaw×δt、δθroll＝vroll×δt、δθoitch＝voitch×δt，
13、δθyaw、δθroll、δθpitch分别为偏航角、滚转角、俯仰角的角度增量，δt为时间间隔，vyaw、vroll和vpitch分别为姿态更新所需要的偏航角速度、滚转角速度和俯仰角速度，且满足
14、
15、其中，p和r分别为上一时刻的俯仰角和滚转角，ωx、ωy、ωz为六轴传感器直接测得三个轴的角速度值；
16、使用加速度数据解算姿态角，得到
17、
18、
19、其中，ax、ay和az分别为三轴加速度。
20、优选地，融合加速度与角速度解算的姿态角数据包括以下步骤：
21、s3.3.1选取姿态角θpitch和θroll为状态向量，记t时刻角速度解算的姿态角为加速度解算的姿态角为zt；
22、进行先验估计，计算姿态角的预测值，
23、
24、其中，f为状态转移矩阵，取值为单位阵，xt:1为前一时刻姿态角，b为控制输入矩阵，b的取值为时间间隔δt，ut:1为前一时刻角速度；
25、s3.3.2由上一时刻的协方差矩阵pt:1估计当前时刻的协方差矩阵p-，
26、pt-＝fpt:1ft+q
27、其中，q为过程噪声矩阵；
28、s3.3.3计算卡尔曼增益kt
29、
30、其中，h为测量矩阵，取值为单位阵，r为观测噪声的协方差矩阵，
31、r的取值范围为1～7；
32、s3.3.4修正观测值xt，
33、
34、其中，zt为观测值，即为加速度计解算出的角度；
35、s3.3.5更新后验协方差
36、pt＝(i-kth)pt:
37、使用卡尔曼滤波，不断重复如上预测与更新步骤，以卡尔曼滤波得到修正的观测值后，用于在下一时刻作为前一时刻的值预测，提升姿态角解算的准确性；
38、优选地，s3.3.3中，定义指标err_rate衡量解算的准确性，
39、
40、其中，g为重力加速度；根据err_rate的不同取值选取不同r的值。
41、优选地，所述驾驶行为包括加速直线、加速转向、加速变道、减速直线、减速转向、减速变道、匀速直线、匀速转向、匀速变道及超速。
42、优选地，以滑动均值处理速度数据，计算速度数据在预设时间窗口内的均值，当时间窗口内的均值大于所设阈值时判断为超速。
43、优选地，所述深度学习模型以不同的超参数构建3个不同的1dcnn卷积神经网络net1、net2、net3分别进行训练；
44、net1包括第一模块，所述第一模块包括顺次连接的第一卷积层、relu层、第一池化层，所述第一模块通过第二池化层连接至第一全连接层，第一全连接层以softmax函数作为激活函数；
45、net2包括顺次连接的第一模块和第二模块，所述第二模块包括顺次连接的第二卷积层、relu层和第三池化层，所述第二模块通过第四池化层连接至第二全连接层，第二全连接层以softmax函数作为激活函数；
46、net3包括顺次连接的第一模块、第二模块和第三模块，所述第三模块包括顺次连接的第三卷积层、relu层和第五池化层，所述第三模块通过第六池化层连接至第三全连接本文档来自技高网...
【技术保护点】
1.一种基于车载传感数据的摩托车驾驶行为识别方法，其特征在于：所述方法采集摩托车的车载传感数据，对车载传感数据进行预处理；基于处理后的数据，对超速行为进行标准识别，对除超速外的驾驶行为以深度学习模型进行识别，获得标准识别和除超速外的驾驶行为识别的结果，完成摩托车驾驶行为识别。
2.根据权利要求1所述的一种基于车载传感数据的摩托车驾驶行为识别方法，其特征在于：所述车载传感数据包括摩托车的车载六轴传感器数据、CAN总线上的车速以及发动机转速数据；对采集到的车载传感数据进行预处理，包括：
3.根据权利要求2所述的一种基于车载传感数据的摩托车驾驶行为识别方法，其特征在于：使用角速度数据解算姿态角，得到
4.根据权利要求3所述的一种基于车载传感数据的摩托车驾驶行为识别方法，其特征在于：融合加速度与角速度解算的姿态角数据包括以下步骤：
5.根据权利要求4所述的一种基于车载传感数据的摩托车驾驶行为识别方法，其特征在于：S3.3.3中，定义指标err_rate衡量解算的准确性，
6.根据权利要求1所述的一种基于车载传感数据的摩托车驾驶行
7.根据权利要求1或6所述的一种基于车载传感数据的摩托车驾驶行为识别方法，其特征在于：以滑动均值处理速度数据，计算速度数据在预设时间窗口内的均值，当时间窗口内的均值大于所设阈值时判断为超速。
8.根据权利要求1所述的一种基于车载传感数据的摩托车驾驶行为识别方法，其特征在于：所述深度学习模型以不同的超参数构建3个不同的1DCNN卷积神经网络Net1、Net2、Net3分别进行训练；
9.根据权利要求8所述的一种基于车载传感数据的摩托车驾驶行为识别方法，其特征在于：训练阶段中，对输入深度学习模型的数据设置驾驶行为标签，并进行编码；
10.根据权利要求8所述的一种基于车载传感数据的摩托车驾驶行为识别方法，其特征在于：记Net1的准确率为acc1、权重为weight1，Net2的准确率为acc2、权重为weight2，Net3的准确率为acc3、权重为weight3，计算权重，
...【技术特征摘要】
1.一种基于车载传感数据的摩托车驾驶行为识别方法，其特征在于：所述方法采集摩托车的车载传感数据，对车载传感数据进行预处理；基于处理后的数据，对超速行为进行标准识别，对除超速外的驾驶行为以深度学习模型进行识别，获得标准识别和除超速外的驾驶行为识别的结果，完成摩托车驾驶行为识别。
2.根据权利要求1所述的一种基于车载传感数据的摩托车驾驶行为识别方法，其特征在于：所述车载传感数据包括摩托车的车载六轴传感器数据、can总线上的车速以及发动机转速数据；对采集到的车载传感数据进行预处理，包括：
3.根据权利要求2所述的一种基于车载传感数据的摩托车驾驶行为识别方法，其特征在于：使用角速度数据解算姿态角，得到
4.根据权利要求3所述的一种基于车载传感数据的摩托车驾驶行为识别方法，其特征在于：融合加速度与角速度解算的姿态角数据包括以下步骤：
5.根据权利要求4所述的一种基于车载传感数据的摩托车驾驶行为识别方法，其特征在于：s3.3.3中，定义指标err_rate衡量解算的准确性，
6.根据权利要求1所述的一种基于车载传感数据...
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。