[发明专利]一种系统化的基于聚类思想的驾驶行为识别方法

权利要求书

1.一种系统化的基于聚类思想的驾驶行为识别方法，其特征在于，所述识别方法包括以下步骤：

S1：基于聚类思想，建立统计特征模型，其中，

以加速，刹车，左转，右转，掉头，左变道，右变道七种识别驾驶动作，选择54维数据统计特征，使得同类动作具有特征相似性，不同类具有差异性，

其中所述54维数据统计特征包括：6轴惯性传感器数据的平均值，标准差，平均绝对差，平均能量，求和，过平均率，正负点比率特征，其中，6轴惯性传感器包括3轴加速度和3轴角速度传感器；3轴数据的最大值，最小值，斜率特征，其中，所述3轴数据为X轴加速度、Y轴加速度、Z轴角速度；以及X轴加速度和Y轴加速度、X轴加速度和Z轴角速度、Y轴加速度和Z轴角速度3个轴间数据相关系数特征，共计54维数据统计特征作为七种驾驶动作的统计特征集；

S2：利用惯性传感器进行驾驶行为数据采集；

S3：利用卡尔曼滤波器对所述数据进行滤波；

S4：对所述滤波后数据采用自适应窗函数方法提取有效驾驶行为数据，并进一步提取有效数据的统计特征；

S5：筛选得到最优的统计特征，其中，

利用监督信息，通过距离度量学习方法，将权重小的特征进行舍弃，不断迭代最终取得最优的特征集合，

最终选择得到仅有的4维数据统计特征：X轴加速度求和，Z轴角速度求和，Y轴加速度斜率，Z轴角速度正负点比率；

S6：对驾驶行为数据的统计特征进行分类，识别相应的驾驶行为。

2.根据权利要求1所述的驾驶行为识别方法，其特征在于，所述自适应窗函数方法提取有效驾驶行为数据，具体的以能量信息作为端点检测的自适应窗函数方法，能够快速提取得到有效驾驶动作行为数据。

3.根据权利要求1所述的驾驶行为识别方法，其特征在于，所述对驾驶行为数据的统计特征进行分类，具体的将特征数据集进行k-means聚类和SVM监督分类识别，10折交叉验证正确率。