[发明专利]一种基于机器学习与深度学习的驾驶员身份识别与驾驶状态监测方法

权利要求书

1.一种基于机器学习与深度学习的驾驶员身份识别与驾驶状态监测方法，其特征在于，包括以下步骤：

步骤1：利用手机内置的加速度计、陀螺仪以及方向传感器以不小于30HZ的频率来采集驾驶员的车辆驾驶数据，并进行预处理工作；

步骤2：利用阈值判别法根据采集到的传感器数据识别出每一时刻车辆的运动状态，即驾驶员动作；

步骤3：根据识别的车辆驾驶员动作序列基于模糊识别结合标准动作库划分驾驶操作；

步骤4：结合道路交通信息以及摄像设备基于计算机视觉技术识别出车辆行驶时前方的障碍物以及拥挤情况，并划分出不同的驾驶场景；

步骤5：以驾驶场景和驾驶操作为分类依据，分别提取类别的数字信号统计学特征，作为深度神经网络的输入，对于每个驾驶员构建相应的个人驾驶特征库并训练对应的深度神经网络模型来识别驾驶员的身份；

步骤6：在识别出驾驶员的身份之后，通过构建相应的递归神经网络来识别驾驶员各时刻的驾驶状态；

步骤1中所述的利用手机内置的加速度计、陀螺仪以及方向传感器以不小于30HZ的频率来采集驾驶员的车辆驾驶数据，其具体实现包括以下子步骤：

步骤1.1：在t时刻通过手机内置的加速度计、陀螺仪以及方向传感器采集到的九轴传感器数据分别为：加速度计x，y，z轴数据a_x,a_y,a_z，陀螺仪x，y，z轴数据g_x,g_y,g_z，方向传感器x，y，z轴数据o_x,o_y,o_z；

步骤1.2：使用卡尔曼滤波器对所有原始数据进行滤波，离散卡尔曼滤波算法主要包括两个部分，时间更新预测以及状态更新校正；其中时间更新预测是指利用当前时刻的信号值和其对应的误差协方差对下一时刻的状态进行先验估计；状态更新校正是指利用时间更新预测所得的先验估计和实际信号值得到改进后的下一时刻的后验估计；

下式表示离散时间信号x的离散随机差分方程：

x_k＝Ax_k-1+Bu_k-1+ω_k-1

ω_k表示估计离散事件过程中的激励噪声，是正态分布的白色噪声，p(ω)～N(0,Q)；时间更新预测过程如下：

P_k^-＝AP_k-1A^T+Q

其中x_k^-表示先验估计，P_k^-表示协方差估计：

状态更新校正过程如下，先计算卡尔曼增益K_k，矩阵H表示状态信号对测量信号的增益：

K_k＝P_k^-H^T(HP_k^-H^T+R)^-1

下式表示状态的后验估计：

下式表示估计状态的后验协方差：

P_k＝(I-K_kH)P_k^-

以上离散卡尔曼滤波算法重复计算，上一时刻计算得到的值作为下一时刻计算的先验估计，而当前时刻的信号值和先验估计又用来计算当前时刻的后验估计；

步骤1.3：对加速度计z轴数据进行坐标校正，定义A_z为校正后的加速度计z轴数据，坐标校正公式如下，其中方向传感器x，y，z轴数据为o_x,o_y,o_z：

A_z＝a_xsino_zsino_y+a_ysino_ysino_z+a_zcoso_zcoso_y

步骤1.4数据归一化采用离差标准化法，对原始数据进行线性变换，将所有的原始数据映射在[T1,T2]的目标区间中，消除量纲对于车辆驾驶员身份及驾驶状态识别的影响；

定义需要进行归一化的数据集为D＝{Di|0<＝i<＝m},其中m为数据集中的数据个数；归一化后的数据的计算公式如下所示：

其中，max(D)和min(D)分别为数据集D中的最大值和最小值，T2和T1分别为需要映射到的目标区间的上下界限；结合加速度、陀螺仪以及方向传感器的物理原理，目标映射区间取值为[-1,1]。