[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

说明书

本发明涉及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。通过智能手机传感器采集汽车的运动数据，识别车辆驾驶元动作。运用模糊模式识别将驾驶元动作序列划分为驾驶操作。然后结合道路交通信息以及摄像设备通过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。结合驾驶操作分别提取出统计学特征，并组成特征向量作为深度神经网络的输入，通过构建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。在确认了驾驶员的身份之后，通过递归神经网络来识别驾驶员各时刻的驾驶状态。本发明采用多信源数据，基于驾驶操作与场景，利用深度学习的方法，提高识别准确率。

技术领域

本发明涉及基于智能手机内置惯性传感器的车辆驾驶操作以及驾驶员身份与驾驶状态识别领域，特别是涉及一种基于机器学习与深度学习的驾驶员身份与驾驶状态识别领域的方法。

背景技术

目前最先进的驾驶员身份识别技术是基于固定大小的滑动时间窗口的卷积神经网络结合循环神经网络的模型(CNN+RNN)。这种方法的缺点是，用卷积提取的特征在输入到机器学习的训练模型中之前，特征的对于驾驶员身份的区分度是未知的。此外，由于使用固定大小的滑动时间窗口，很容易出现一个驾驶操作，例如转弯，被机械的划分为两个时间窗口分别提取特征进行训练，这会导致模型的准确性与合理性下降。更重要的一点是，驾驶的操作与驾驶员的状态表现会因为不同的驾驶场景表现的很不一样。例如同一个驾驶员在不同的驾驶场景下进行相同的动作时会有不同的表现。要想识别驾驶员的身份，必须要找出不同驾驶员在同一驾驶场景下进行相同驾驶操作之间的不同。所以不能够直接设计并使用一种通用的模型来训练所有驾驶员用户的数据。因此只有通过根据标准驾驶操作库来划分的驾驶操作结合驾驶场景作为数据块，分别提取每一数据块内的驾驶特征，比较同类别数据块的特征，才能找到不同驾驶员在相似驾驶场景下进行的同一类别的驾驶操作之间的差异，从而达到识别出不同驾驶员身份的目的。

深度学习目前已经在计算机视觉、语音识别以及自然语言处理等问题上有深入的研究，并取得了很多瞩目的成就。但是在处理与分析连续的数据方面的相关工作较少。目前的几种经典的机器学习算法以及普通的人工神经网络都不能直接用于本发明的驾驶员识别这一问题中。因为它们都无法满足整合不同驾驶场景与驾驶操作类别对应数据块的驾驶特征来识别驾驶员身份这一条件。因此需要设计一个合适的人工神经网络的深度学习架构来解决驾驶员身份识别的问题。

驾驶元动作的识别目前主流的方法是阈值判别法，该方法通过经验预设判断阈值，来识别加速、减速、上坡、下坡以及左转和右转等基本的驾驶动作，本发明称之为驾驶元动作。通过实验证明，这种方法十分有效。虽然原理很简单，但是识别的准确率可以高达99％以上。因此本文采用阈值判别法来处理手机传感器采集的数据，并识别出驾驶元动作。

驾驶状态的检测目前主流的方法是用机器学习的经典算法，如k最近邻(KNN)和支持向量机(SVM)来区分同一驾驶员的不同的驾驶状态。但是类似的，由于同一个驾驶员在不同的驾驶场景下进行相同的动作时会有不同的表现，因此直接使用原始数据对驾驶状态进行检测是不合理的，识别的准确率也很低。必须在基于驾驶场景与驾驶操作分类的基础上，比较同类别数据块的特征，寻找该驾驶员以不同的驾驶状态在相同驾驶场景下进行同一驾驶操作时的差异，才能准确的识别驾驶状态。另外，由于驾驶状态是上下文相关的，因此本发明使用循环神经网络(RNN)来识别驾驶状态。

发明内容