[發(fā)明專利]駕駛員危險行為識別方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201611116789.2
• 申請日: 2016-12-07
• 公開（公告）號: CN106650644B
• 公開（公告）日: 2017-12-19
• 發(fā)明（設計）人: 俞嘉地;徐翔宇;朱燕民;李明祿
• 申請（專利權）人: 上海交通大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G01S15/88;B60W40/08
• 代理公司: 上海交達專利事務所31201
• 代理人: 王毓理,王錫麟

1.一種駕駛員危險行為識別方法，其特征在于，首先在車輛內設置超聲波場，得到危險行為在多普勒頻譜上的不同模式，然后經(jīng)主成分分析提取主要特征，通過支持向量機算法得到識別不同危險行為的多分類器，并根據(jù)危險行為的完成度和持續(xù)時間建立森林梯度模型，最后將實時超聲波信號經(jīng)窗口切割算法進行切片后通過森林梯度模型識別出危險行為并發(fā)出警告；

所述方法具體包括以下步驟：

1)接收車內超聲波信號并處理，獲得超聲波信號頻譜結構的數(shù)據(jù)矩陣X'；

2)對若干數(shù)據(jù)矩陣X'通過主成分分析提取d個主要特征δ＝{δ₁,δ₂,....δ_d}；

3)基于主要特征δ和支持向量機模型構建多分類器模型θ；

4)針對危險行為的完成度α和持續(xù)時間τ，結合多分類器模型θ建立森林梯度模型Θ；

5)通過窗口切割算法將持續(xù)時間τ內的動作數(shù)據(jù)X^τ送入森林梯度模型Θ，識別出危險行為則發(fā)出警報，具體包括以下步驟：

5.1)在20KHz頻率點上通過窗口切割算法，將滑動窗口內平均能量E與閾值λ進行比較，將E≥λ的部分對應的數(shù)據(jù)進行增量切割，不斷得到持續(xù)時間為τ的動作數(shù)據(jù)X^τ；

5.2)代入森林梯度模型，若輸出的分類結果顯示屬于危險駕駛行為，則為危險行為發(fā)出警報；

所述的森林梯度模型為其中：τ₁,τ₂,...,τ_n為一個離散的梯度時間，通過不同危險行為的完成度α和持續(xù)時間τ之間的關系得到，即為對應的第k個多分類器模型；

所述的多分類器模型θ包括個二分類器，每個二分類器針對一個特定的危險行為，其分類結果為v，v∈{0,1}，多分類器模型θ的分類結果其中：k為危險行為種類，表示對所有二分類器分類結果的投票，多分類器模型的分類結果c滿足V_c(e)＝k-1則為對應的危險行為。

2.根據(jù)權利要求1所述的駕駛員危險行為識別方法，其特征是，所述的步驟1)具體包括以下步驟：

1.1)使用揚聲器放出單頻超聲波信號；

1.2)通過麥克分進行信號采樣；

1.3)通過快速傅里葉變換得到頻率-幅度向量x′_t，加上時間維度后得到數(shù)據(jù)矩陣X'。

3.根據(jù)權利要求2所述的駕駛員危險行為識別方法，其特征是，所述的單頻超聲波信號頻率為20KHz，采樣頻率為44.1KHz。

4.根據(jù)權利要求1所述的駕駛員危險行為識別方法，其特征是，所述的步驟2)具體包括以下步驟：

2.1)對每個數(shù)據(jù)矩陣X'進行去中心化和向量化處理得到去中心化數(shù)據(jù)向量x_k，并整合所有m個去中心化數(shù)據(jù)向量x_k得到訓練數(shù)據(jù)矩陣X；

2.2)通過奇異值分解將訓練數(shù)據(jù)矩陣X分解為奇異值矩陣Σ和兩個特征值矩陣U和W，即X＝UΣW^T，矩陣W的列為奇異值σ的特征屬性的方向；

2.3)選取矩陣W的前d列構成投影矩陣W'＝[w₁,w₂,...,w_d]；

2.4)通過公式δ＝XW'得到d個主要特征δ＝{δ₁,δ₂,....δ_d}。

5.根據(jù)權利要求4所述的駕駛員危險行為識別方法，其特征是，所述的d通過公式來求取，其中：σi為訓練數(shù)據(jù)矩陣X中第i大的奇異值，t為重構閥值。

6.一種實現(xiàn)權利要求1所述方法的駕駛員危險行為識別系統(tǒng)，其特征在于，包括：數(shù)據(jù)采集處理模塊、主要特征提取模塊、森林梯度模型訓練模塊以及在線危險行為識別模塊，其中：數(shù)據(jù)采集處理模塊與主要特征提取模塊相連并傳輸經(jīng)過預處理之后得到的數(shù)據(jù)矩陣，主要特征提取模塊與森林梯度模型訓練模塊相連并傳輸提取的主要特征，森林梯度模型訓練模塊與在線危險行為識別模塊相連并傳輸森林梯度模型信息，在線危險行為識別模塊基于在線采集的數(shù)據(jù)和森林梯度模型實時給出危險行為的識別結果。