[發明專利]一種基于機器學習與深度學習的駕駛員身份識別與駕駛狀態監測方法

有效

• 申請號: 201710731390.3
• 申請日: 2017-08-23
• 公開（公告）號: CN107492251B
• 公開（公告）日: 2020-02-14
• 發明（設計）人: 牛曉光;張逸昊;王嘉偉;王震;張淳;楊青虎;王安康
• 申請（專利權）人: 武漢大學
• 主分類號: G08G1/01
• 分類號: G08G1/01
• 代理公司: 42222 武漢科皓知識產權代理事務所(特殊普通合伙)
• 代理人: 魯力

本發明涉及一種基于機器學習與深度學習的駕駛員身份識別與駕駛狀態監測方法。通過智能手機傳感器采集汽車的運動數據，識別車輛駕駛元動作。運用模糊模式識別將駕駛元動作序列劃分為駕駛操作。然后結合道路交通信息以及攝像設備通過計算機視覺技術識別出車輛行駛時前方的障礙物以及擁擠情況，并劃分出不同的駕駛場景。結合駕駛操作分別提取出統計學特征，并組成特征向量作為深度神經網絡的輸入，通過構建個人駕駛特征庫并訓練對應的深度神經網絡模型來識別駕駛員的身份。在確認了駕駛員的身份之后，通過遞歸神經網絡來識別駕駛員各時刻的駕駛狀態。本發明采用多信源數據，基于駕駛操作與場景，利用深度學習的方法，提高識別準確率。

技術領域

本發明涉及基于智能手機內置慣性傳感器的車輛駕駛操作以及駕駛員身份與駕駛狀態識別領域，特別是涉及一種基于機器學習與深度學習的駕駛員身份與駕駛狀態識別領域的方法。

背景技術

目前最先進的駕駛員身份識別技術是基于固定大小的滑動時間窗口的卷積神經網絡結合循環神經網絡的模型(CNN+RNN)。這種方法的缺點是，用卷積提取的特征在輸入到機器學習的訓練模型中之前，特征的對于駕駛員身份的區分度是未知的。此外，由于使用固定大小的滑動時間窗口，很容易出現一個駕駛操作，例如轉彎，被機械的劃分為兩個時間窗口分別提取特征進行訓練，這會導致模型的準確性與合理性下降。更重要的一點是，駕駛的操作與駕駛員的狀態表現會因為不同的駕駛場景表現的很不一樣。例如同一個駕駛員在不同的駕駛場景下進行相同的動作時會有不同的表現。要想識別駕駛員的身份，必須要找出不同駕駛員在同一駕駛場景下進行相同駕駛操作之間的不同。所以不能夠直接設計并使用一種通用的模型來訓練所有駕駛員用戶的數據。因此只有通過根據標準駕駛操作庫來劃分的駕駛操作結合駕駛場景作為數據塊，分別提取每一數據塊內的駕駛特征，比較同類別數據塊的特征，才能找到不同駕駛員在相似駕駛場景下進行的同一類別的駕駛操作之間的差異，從而達到識別出不同駕駛員身份的目的。

深度學習目前已經在計算機視覺、語音識別以及自然語言處理等問題上有深入的研究，并取得了很多矚目的成就。但是在處理與分析連續的數據方面的相關工作較少。目前的幾種經典的機器學習算法以及普通的人工神經網絡都不能直接用于本發明的駕駛員識別這一問題中。因為它們都無法滿足整合不同駕駛場景與駕駛操作類別對應數據塊的駕駛特征來識別駕駛員身份這一條件。因此需要設計一個合適的人工神經網絡的深度學習架構來解決駕駛員身份識別的問題。

駕駛元動作的識別目前主流的方法是閾值判別法，該方法通過經驗預設判斷閾值，來識別加速、減速、上坡、下坡以及左轉和右轉等基本的駕駛動作，本發明稱之為駕駛元動作。通過實驗證明，這種方法十分有效。雖然原理很簡單，但是識別的準確率可以高達99％以上。因此本文采用閾值判別法來處理手機傳感器采集的數據，并識別出駕駛元動作。

駕駛狀態的檢測目前主流的方法是用機器學習的經典算法，如k最近鄰(KNN)和支持向量機(SVM)來區分同一駕駛員的不同的駕駛狀態。但是類似的，由于同一個駕駛員在不同的駕駛場景下進行相同的動作時會有不同的表現，因此直接使用原始數據對駕駛狀態進行檢測是不合理的，識別的準確率也很低。必須在基于駕駛場景與駕駛操作分類的基礎上，比較同類別數據塊的特征，尋找該駕駛員以不同的駕駛狀態在相同駕駛場景下進行同一駕駛操作時的差異，才能準確的識別駕駛狀態。另外，由于駕駛狀態是上下文相關的，因此本發明使用循環神經網絡(RNN)來識別駕駛狀態。

發明內容