[发明专利]一种基于多特征卷积神经网络的不良驾驶状态识别方法

说明书

本发明公开了一种基于多特征卷积神经网络的不良驾驶状态识别方法，包括：采集车载智能手机惯性传感器数据，进行预处理，得到源数据集；将源数据集划分成一个个的数据单元，对每一个数据单元进行统计学特征提取，并打上标签制成数据集，命名为特征数据集；搭建多特征卷积神经网络，选择合适的网络参数与优化器，并使用源数据集与特征数据集对多特征卷积神经网络进行充分训练，得到训练好的多特征卷积神经网络模型；使用训练好的多特征卷积神经网络模型对车载手机惯性传感器数据进行分类，从而实现对汽车当前驾驶状态的识别，判断汽车当前驾驶状态是否为不良驾驶状态，并在后台进行数据记录与处理。本发明具有运算速度快、识别率高、抗环境干扰能力强的优点。

技术领域

本发明涉及传感器数据采集及深度学习的技术领域，尤其涉及一种基于多特征卷积神经网络的不良驾驶状态识别方法。

背景技术

随着汽车工业的飞速发展以及汽车普及率升高，汽车已经成为最为主要的代步工具。可是部分司机仍存在驾车不规范的问题，交管部门及一些网约车平台希望能对司机的驾驶状态进行监督，以评估司机的驾驶习惯。

目前，针对不良驾驶状态检测主要有三种方法，一是通过在汽车上安装不同类型的传感器或车载计算机系统来检测危险驾驶状态，降低驾驶风险。二是通过驾驶员的外部状态比如眼球的运动、点头、生理指标等来判断驾驶员的行车状态是否良好。三是结合便携式设备如智能手机、智能手表等来进行车辆驾驶状态的识别分类。相较于前两种方法，利用便携式设备的传感器信息来进行驾驶状态分析更加简便，利于推广。目前该类方法主要是基于瞬间采集的数据并利用传感器数据变化阈值及传统的机器学习算法来进行分析，系统鲁棒性与准确率均有待提高。

发明内容

针对现有技术的不足，本发明提供了一种基于多特征卷积神经网络的不良驾驶状态识别方法，包括如下步骤：

步骤1：采集并保存车载智能手机惯性传感器数据，对所采集的车载智能手机惯性传感器数据进行预处理，打上标签制成数据集，并记为源数据集；

步骤2：完成对源数据集的数据划分，将源数据集划分成数据单元，对每一个数据单元进行统计学特征提取，得到特征数据集；

步骤3：搭建多特征卷积神经网络，并使用源数据集与特征数据集对多特征卷积神经网络进行充分训练，得到训练好的多特征卷积神经网络模型；

步骤4，使用训练好的多特征卷积神经网络模型对车载智能手机惯性传感器数据进行分类，根据分类结果判断汽车当前驾驶状态是否为不良驾驶状态。

进一步地，所述步骤1包括：

步骤1.1：在各种汽车驾驶状态下对所述智能手机的惯性传感器进行数据采集，得到并保存各种驾驶状态下车载智能手机传感器的各项数据，所述惯性传感器包括加速度计与陀螺仪；

步骤1.2：采用数据滤波、坐标转换与数据中心化方法对步骤1.1采集得到的数据进行预处理操作，得到预处理后的数据；

步骤1.3：根据数据采集时的汽车驾驶状态对步骤1.2得到的预处理后的数据进行打标签操作，得到打好标签的数据集，并命名为源数据集。

进一步地，所述步骤1.1包括：

所述各种汽车驾驶状态包括10种：正常驾驶、停车状态、正常加速、正常减速、正常左转、正常右转、急左转、急右转、急减速和急加速。在这10种状态下分别对车载智能手机的惯性传感器(加速度计与陀螺仪)进行数据采集，对加速度计采集手机的三轴加速度acc_x、acc_y、acc_z，对陀螺仪采集手机的三轴角速度gyr_x、gyr_y、gyr_z，并记录采集时刻t，其中，10种驾驶状态各采集D秒，每秒采集n₁(一般取值为100)次，得到一个数据序列，并保存到文件中。