【技术实现步骤摘要】
本专利技术属于车辆安全，具体涉及一种基于驾驶人行为分析的汽车网络安全系统及其方法。
技术介绍
1、基于车联网实时数据，现有的汽车网络安全系统可以实时监测和评估驾驶员的驾驶行为和驾驶状态，并及时提醒驾驶员改变驾驶习惯，避免交通事故的发生。现有的监控系统利用驾驶人的眼动特性、头部运动特性等来探讨眼动与驾驶员心理活动的关系，从而对驾驶员进行驾驶疲劳、驾驶分心判断等。驾驶人眼球的运动和眨眼信息被认为是反映疲劳的重要特征，眨眼幅度、眨眼频率和平均闭合时间都可直接用于检测疲劳。目前基于眼动机理研究驾驶疲劳的算法有很多种，广泛采用的算法包括pfrclos，即将眼睑闭合时间占一段时间的百分比作为生理疲劳的测量指标。但现有的安全监控系统专注于驾驶员疲劳检测，而忽略驾驶员自身群体特性，导致其检测效果与预期效果偏差较大。
2、为了解决现有技术存在的不足，人们进行了长期的探索，提出了各式各样的解决方案。例如，中国专利文献公开了一种应用于无人驾驶设备的疲劳驾驶检测方法及无人驾驶设备[202310708337.7]，其包括：获取无人驾驶设备的驾驶者的第一人脸图像；延时预设时长后，继续获取驾驶者的第二人脸图像；基于深度学习算法，处理每张人脸图像，分别得到第一人脸图像的第一瞳孔大小信息，以及第二人脸图像的第二瞳孔大小信息；当第一瞳孔大小信息及第二瞳孔大小信息皆小于预设开度阈值，且两者的差值小于参考差值时，确定驾驶者满足疲劳检测条件，并产生疲劳刺激信息；根据疲劳刺激信息，获取驾驶者的目标瞳孔信息；当目标瞳孔信息满足无人驾驶触发条件时，切换至无人驾驶模
3、上述方案在一定程度上解决了驾驶员疲劳检测的问题，但是该方案依然存在着诸多不足，例如忽略驾驶员群体特性因素等问题。
技术实现思路
1、本专利技术的目的是针对上述问题，提供一种设计合理，充分考虑驾驶员群体特性的基于驾驶人行为分析的汽车网络安装控制方法。
2、本专利技术的目的是针对上述问题，提供一种检测效果好的基于驾驶人行为分析的汽车网络安全系统。
3、为达到上述目的，本专利技术采用了下列技术方案：一种基于驾驶人行为分析的汽车网络安全控制方法，包括如下步骤：
4、s1：驾驶员信息录入以及行为采集；
5、s2：对驾驶员行为进行分析；
6、s3：对行车行为进行检测；
7、s4：进入安全分析流程；
8、s5：综合判断驾驶人的驾驶行为风险。
9、在上述的一种基于驾驶人行为分析的汽车网络安全控制方法中，步骤s1包括如下步骤：
10、s11：由汽车搭载的信息验证模块对驾驶员身份进行验证；
11、s12：获取驾驶员画像并进行能力评估；
12、s13：征求驾驶员授权，获取图像采集授权，对车内状态进行实时监控。
13、在上述的一种基于驾驶人行为分析的汽车网络安全控制方法中，步骤s12通过联网获取用户数据，之后对用户数据进行统计分析，采用聚类算法对用户进行分群并定标签，从而获取对应的驾驶员画像，其中驾驶员画像包括年龄、性别、驾龄、病况、疲劳程度、常用车辆类型。
14、在上述的一种基于驾驶人行为分析的汽车网络安全控制方法中，步骤s2包括如下步骤：
15、s21：以2s为周期采集驾驶室图像，滤除停车状态下的驾驶室图像；
16、s22：判断是否存在吸烟、不系安全带、接打电话、疲劳驾驶，若存在上述异常行为则进行警示。
17、在上述的一种基于驾驶人行为分析的汽车网络安全控制方法中，步骤s22中疲劳驾驶检测判断包括如下步骤：
18、s221：对人脸平面图像关键点进行检测；
19、s222：将人脸平台图像与预设的人脸模型进行匹配；
20、s223：将平面图像关键点与模型关键点进行转换；
21、s224：根据旋转矩阵求解欧拉角；
22、s225：判断头部旋转角度以及眼部闭合量是否超过阈值。
23、在上述的一种基于驾驶人行为分析的汽车网络安全控制方法中，步骤s2中疲劳驾驶检测训练算法包括如下步骤：
24、s23：网络初始化并设置网络结构；
25、s24：将数据库中的人脸图像随机输入网络，对每批图像进行训练；
26、s25：将网络训练的输出结构与图像期望值进行比较，计算输出误差；
27、s26：将输出误差反向传播计算，调整网络参数权重以及偏置值；
28、s27：判断迭代次数，若迭代达到预设值则进入步骤s28，否则返回步骤s25；
29、s28：将提取到的图像关键点导入svm分类器进行训练。
30、在上述的一种基于驾驶人行为分析的汽车网络安全控制方法中，步骤s3包括如下步骤：
31、s31：对车辆参数进行提取以及数据的预处理，通过限幅和去野点剔除受干扰的采样点，在通过均值滤波对行驶数据进行平滑去除噪声干扰；
32、s32：对车辆状态进行预分类；
33、s321：依靠车辆偏航角将其行驶状态分为非转弯和转弯状态；
34、s322：对非转弯状态进行分类，根据速度将车辆状态分为高速状态、中速状态和低速状态；
35、s323：将高速状态进行分类，将其速度细化为巡航车速、区间车速、瞬时车速、最大车速；
36、s324：将低速状态进行分类，将其速度细化为最小车速、平均车速、瞬时车速。
37、s33：对车辆行驶状态进行svm状态分类。
38、在上述的一种基于驾驶人行为分析的汽车网络安全控制方法中，步骤s33对于车辆转弯状态，将车辆速度、位移量、转向角变化率作为svm分类器的输入；对于高速状态，将车辆速度、偏航角变化率、侧向过载作为svm分类器的输入；对于低速状态，将方向盘角度、车轮侧倾角、车辆速度、位移量、侧向过载、偏航角变化率作为svm分类器的输入。
39、在上述的一种基于驾驶人行为分析的汽车网络安全控制方法中，步骤s4分别对车辆速度、加速度、转向角和换道速度设置不同的识别区间，不同的识别区间对应低风险、中风险和高风险。
40、一种基于驾驶人行为分析的汽车网络安全系统，采用了上述基于驾驶人行为分析的汽车网络安全控制方法。
41、与现有的技术相比，本专利技术的优点在于：对驾驶员信息进行录入并进行获取群体画像，从而对驾驶员个人能力进行评估，相较于单一的疲劳度检测更加贴合预期检测控制效果；将驾驶员行为状态与车辆行驶状态结合，建立映射关系并综合判断，进而提高汽车网络安全控制效果；车辆行驶状态采用svm分类，所需样本较小，可有效防止过拟合。
本文档来自技高网...【技术保护点】
1.一种基于驾驶人行为分析的汽车网络安全控制方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于驾驶人行为分析的汽车网络安全控制方法，其特征在于，所述的步骤S1包括如下步骤：
3.根据权利要求2所述的一种基于驾驶人行为分析的汽车网络安全控制方法，其特征在于，所述的步骤S12通过联网获取用户数据，之后对用户数据进行统计分析，采用聚类算法对用户进行分群并定标签，从而获取对应的驾驶员画像，其中驾驶员画像包括年龄、性别、驾龄、病况、疲劳程度、常用车辆类型。
4.根据权利要求1所述的一种基于驾驶人行为分析的汽车网络安全控制方法，其特征在于，所述的步骤S2包括如下步骤：
5.根据权利要求4所述的一种基于驾驶人行为分析的汽车网络安全控制方法，其特征在于，所述的步骤S22中疲劳驾驶检测判断包括如下步骤：
6.根据权利要求1所述的一种基于驾驶人行为分析的汽车网络安全控制方法，其特征在于，所述的步骤S2中疲劳驾驶检测训练算法包括如下步骤：
7.根据权利要求1所述的一种基于驾驶人行为分析的汽车网络安全控制方法，其特征
8.根据权利要求7所述的一种基于驾驶人行为分析的汽车网络安全控制方法，其特征在于，所述的步骤S33对于车辆转弯状态，将车辆速度、位移量、转向角变化率作为SVM分类器的输入；对于高速状态，将车辆速度、偏航角变化率、侧向过载作为SVM分类器的输入；对于低速状态，将方向盘角度、车轮侧倾角、车辆速度、位移量、侧向过载、偏航角变化率作为SVM分类器的输入。
9.根据权利要求8所述的一种基于驾驶人行为分析的汽车网络安全控制方法，其特征在于，所述的步骤S4分别对车辆速度、加速度、转向角和换道速度设置不同的识别区间，不同的识别区间对应低风险、中风险和高风险。
10.一种基于驾驶人行为分析的汽车网络安全系统，其特征在于，采用了上述权利要求1-9任意一项所述的基于驾驶人行为分析的汽车网络安全控制方法。
...【技术特征摘要】
1.一种基于驾驶人行为分析的汽车网络安全控制方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于驾驶人行为分析的汽车网络安全控制方法，其特征在于，所述的步骤s1包括如下步骤：
3.根据权利要求2所述的一种基于驾驶人行为分析的汽车网络安全控制方法，其特征在于，所述的步骤s12通过联网获取用户数据，之后对用户数据进行统计分析，采用聚类算法对用户进行分群并定标签，从而获取对应的驾驶员画像，其中驾驶员画像包括年龄、性别、驾龄、病况、疲劳程度、常用车辆类型。
4.根据权利要求1所述的一种基于驾驶人行为分析的汽车网络安全控制方法，其特征在于，所述的步骤s2包括如下步骤：
5.根据权利要求4所述的一种基于驾驶人行为分析的汽车网络安全控制方法，其特征在于，所述的步骤s22中疲劳驾驶检测判断包括如下步骤：
6.根据权利要求1所述的一种基于驾驶人行为分析的汽车网络安全控制方法，其特征在于，所述的步骤s2中疲劳驾驶...
【专利技术属性】
技术研发人员：傅直全，马加什·克拉波特，宋小毅，付德春，钟焕祥，朱奇章，郭技超，
申请(专利权)人：浙江万安科技股份有限公司，
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。