[发明专利]一种基于时空特征融合的车辆驾驶行为检测方法

说明书

本发明属于车辆驾驶检测技术领域，具体为基于时空特征融合的车辆驾驶行为检测方法。本发明方法：在离线阶段，包括数据预处理，通过时空特征抽取网络分别提取空间和时间特征，并在全连接层嵌入驾驶上下文信息；使用Softmax函数对融合的时空特征进行驾驶行为分类；在在线阶段，包括对检测的驾驶行为进行驾驶行为评分，评分策略首先使用驾驶行为检测模型自动地检测具体的驾驶行为；接着结合驾驶表现分及驾驶水平积分两种方式全面评价驾驶员的日常及长期的驾驶行为，可以更好地引导驾驶员向高效驾驶、安全驾驶演变；最后可选择将驾驶数据与交管部门联网，优化交通管理与安全。并通过智能手机进行驾驶行为检测和反馈，极大地提高其应用价值。

技术领域

本发明属于车辆驾驶检测技术领域，具体涉及车辆驾驶行为检测方法。

背景技术

驾驶行为检测旨在通过检测算法对危险驾驶事件进行检测，广泛应用于交通管理、汽车保险、油耗优化等领域。驾驶行为检测方法可以分为传统机器学习方法和深度学习方法。前者受限于人类领域知识，在特征提取阶段需要手动挑选有意义的特征，而后者可以通过设计神经网络自动地提取数据中的时间和空间关系，使得该方法被广泛应用于水质预测、质量检测等领域。然而单独的深度学习模型如CNN只能提取空间特征，而LSTM又不能有效捕捉时间长程依赖，并且他们均将所有的特征同等对待。

发明内容

本发明的目的在于提供一种基于时空特征融合的车辆驾驶行为检测方法，让神经网络同时学习空间信息和时间信息以提高对危险驾驶事件的检测能力。本发明可检测7种驾驶行为：急刹车、快速变道、连续变道、快速左转、快速右转、快速掉头、正常驾驶。

本发明提供的基于时空特征融合的的车辆驾驶行为检测方法，主要分为离线训练阶段和在线训练阶段。离线训练阶段包括数据预处理、时空特征提取、驾驶分类。训练后的模型可以高效且自动地检测滑动窗口内多模态传感信息中的驾驶行为。在线检测阶段包括实时数据处理、驾驶行为检测、驾驶行为评价。通过智能手机软件程序加载离线训练好的模型，实现实时驾驶行为检测和驾驶行为评价，参见图2所示。具体步骤如下：

(1)数据预处理(L1)

由智能手机采集车辆多模态传感离线数据，所述数据包括：车辆加速度和陀螺仪、GPS数据，磁传感计、道路类型、天气类型等传感数据，对这些数据进行预处理操作，包括坐标转换、上采样(针对低采样率模态数据)、小波变换去噪、最大最小归一化、滑动窗口划分等；

(2)时空特征提取(L2)

分别通过CNN(深度卷积神经网络)和LSTM(长短期记忆网络)对不同模态数据的空间和时间关系进行特征提取，并通过自注意力网络分别对空间特征和时间特征进行权重衡量；

(3)对驾驶行为进行分类(L3)

使用全连接网络层和Softmax函数对时空特征分类，得到具体的驾驶行为的分类；

(4)实时数据处理(S1)

由智能手机APP应用实时获取车辆的动力数据，包括：车辆加速度、方位，磁传感器、GPS数据，驾驶上下文信息(如天气类型、道路类型、地图信息等)，并对实时多模态数据进行预处理；

(5)对驾驶行为进行检测(S2)

使用离线训练好的驾驶行为分类模型，检测具体的驾驶行为类别；

(6)对驾驶行为进行评价(S3)

对驾驶行为进行评价，采用两种评价规则；一是驾驶表现分评价，用于规范驾驶员日常的驾驶表现；二是驾驶水平积分评价，用于改善驾驶员的驾驶习惯；

其中，驾驶表现分的扣分公式为：

score＝100-count_ano (1)