[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

说明书

本发明公开了一种系统化的基于聚类思想的驾驶行为识别方法，所述驾驶行为识别方法，包括以下步骤：建立统计特征模型；利用惯性传感器进行驾驶行为数据采集；利用卡尔曼滤波器对所述数据进行滤波；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；筛选得到最优的统计特征；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。本发明基于聚类思想，提供了一种特征极少，计算量极低且精度极高的系统化驾驶行为识别方法，在社会安全，车险，车队管理等领域有广阔应用前景。

技术领域

本发明基于聚类思想，提出一种系统化的驾驶行为识别方法，属于信号处理、模式识别与机器学习领域。

背景技术

据公安部交管局数据显示，截至2017年6月底，全国机动车保有量达3.04亿辆，其中汽车2.05亿辆。汽车的普及给人们生活带来便利的同时，也带来了不容忽视的安全隐患。据国家统计局数据显示，2015年全国共发生交通事故187781起，其中机动车交通事故170130起，交通事故总计死亡58022人，对生命安全产生极大威胁。然而交通事故频发最主要是人们的危险驾驶。据欧洲关于交通事故的统计分析，交通驾驶事故中，由人为因素引起的比例高达80％。因此，驾驶行为的识别具有重大社会意义，高效准确地对驾驶行为进行识别，进而提醒驾驶者谨慎驾驶，可以减少事故发生，促进社会安全。

汽车的普及带动了相关产业的快速发展。以保险公司为例，对驾驶行为进行准确高效识别，可以更全面的评估风险指标，可以带来更精准的损失估计，大大降低其理赔成本，另外，还能提升客户的消费体验，增加续约率。同样，对于车队管理部门来说，对驾驶行为进行准确高效识别，有利于全面掌握车辆驾驶情况，及时采取措施防患于未然，提高车队总体管理水平。

国外对于驾驶行为的研究主要集中在针对特定的驾驶动作(加速，刹车，左转，右转等)，利用单纯的高特征维度的机器学习或DTW等语音处理方法识别分类，缺少系统化的方法和理论建模支撑，且计算量巨大。相较于国外研究，国内研究成果较少，实际应用方面更是空白。本发明提出一种系统化的基于聚类思想的驾驶行为识别方法，不仅可以扩大可识别的驾驶行为类别，而且通过距离度量学习方法进行特征筛选，优化特征集合，使得计算量显著降低。本发明有着更强理论依据，且有着更好的普适性和高效性。

发明内容

本发明基于聚类思想，提出一种系统化的驾驶行为识别方法。

本发明的技术方案：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；

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；

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。

优选的，所述建立统计特征模型，具体的以识别驾驶动作，有目的性地选择54维统计特征，使得同类动作具有特征相似性，不同类具有差异性。

优选的，所述识别驾驶动作包括加速，刹车，左转，右转，掉头，左变道和右变道。

优选的，所述惯性传感器包括6轴惯性传感器。

优选的，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；3轴数据的最大值，最小值，斜率特征；以及3个轴间数据的相关系数特征。

优选的，所述自适应窗函数方法提取有效驾驶行为数据，具体的以能量信息做为端点检测的自适应窗函数方法，快速提取得到有效驾驶动作行为数据。