[發明專利]一種基于時空特征融合的車輛駕駛行為檢測方法

在審

• 申請號: 202210547632.4
• 申請日: 2022-05-11
• 公開（公告）號: CN114926825A
• 公開（公告）日: 2022-08-19
• 發明（設計）人: 宋梁;劉靖;朱偉;張冠華;蔣林華;胡興;商慧亮
• 申請（專利權）人: 復旦大學
• 主分類號: G06V20/59
• 分類號: G06V20/59;G06V10/62;G06V10/764;G06V10/82;G06V10/30;G06V10/52;G06V10/774;G06N3/04;G06N3/08
• 代理公司: 上海正旦專利代理有限公司 31200
• 代理人: 陸飛;陸尤

本發明屬于車輛駕駛檢測技術領域，具體為基于時空特征融合的車輛駕駛行為檢測方法。本發明方法：在離線階段，包括數據預處理，通過時空特征抽取網絡分別提取空間和時間特征，并在全連接層嵌入駕駛上下文信息；使用Softmax函數對融合的時空特征進行駕駛行為分類；在在線階段，包括對檢測的駕駛行為進行駕駛行為評分，評分策略首先使用駕駛行為檢測模型自動地檢測具體的駕駛行為；接著結合駕駛表現分及駕駛水平積分兩種方式全面評價駕駛員的日常及長期的駕駛行為，可以更好地引導駕駛員向高效駕駛、安全駕駛演變；最后可選擇將駕駛數據與交管部門聯網，優化交通管理與安全。并通過智能手機進行駕駛行為檢測和反饋，極大地提高其應用價值。

技術領域

本發明屬于車輛駕駛檢測技術領域，具體涉及車輛駕駛行為檢測方法。

背景技術

駕駛行為檢測旨在通過檢測算法對危險駕駛事件進行檢測，廣泛應用于交通管理、汽車保險、油耗優化等領域。駕駛行為檢測方法可以分為傳統機器學習方法和深度學習方法。前者受限于人類領域知識，在特征提取階段需要手動挑選有意義的特征，而后者可以通過設計神經網絡自動地提取數據中的時間和空間關系，使得該方法被廣泛應用于水質預測、質量檢測等領域。然而單獨的深度學習模型如CNN只能提取空間特征，而LSTM又不能有效捕捉時間長程依賴，并且他們均將所有的特征同等對待。

發明內容

本發明的目的在于提供一種基于時空特征融合的車輛駕駛行為檢測方法，讓神經網絡同時學習空間信息和時間信息以提高對危險駕駛事件的檢測能力。本發明可檢測7種駕駛行為：急剎車、快速變道、連續變道、快速左轉、快速右轉、快速掉頭、正常駕駛。

本發明提供的基于時空特征融合的的車輛駕駛行為檢測方法，主要分為離線訓練階段和在線訓練階段。離線訓練階段包括數據預處理、時空特征提取、駕駛分類。訓練后的模型可以高效且自動地檢測滑動窗口內多模態傳感信息中的駕駛行為。在線檢測階段包括實時數據處理、駕駛行為檢測、駕駛行為評價。通過智能手機軟件程序加載離線訓練好的模型，實現實時駕駛行為檢測和駕駛行為評價，參見圖2所示。具體步驟如下：

(1)數據預處理(L1)

由智能手機采集車輛多模態傳感離線數據，所述數據包括：車輛加速度和陀螺儀、GPS數據，磁傳感計、道路類型、天氣類型等傳感數據，對這些數據進行預處理操作，包括坐標轉換、上采樣(針對低采樣率模態數據)、小波變換去噪、最大最小歸一化、滑動窗口劃分等；

(2)時空特征提取(L2)

分別通過CNN(深度卷積神經網絡)和LSTM(長短期記憶網絡)對不同模態數據的空間和時間關系進行特征提取，并通過自注意力網絡分別對空間特征和時間特征進行權重衡量；

(3)對駕駛行為進行分類(L3)

使用全連接網絡層和Softmax函數對時空特征分類，得到具體的駕駛行為的分類；

(4)實時數據處理(S1)

由智能手機APP應用實時獲取車輛的動力數據，包括：車輛加速度、方位，磁傳感器、GPS數據，駕駛上下文信息(如天氣類型、道路類型、地圖信息等)，并對實時多模態數據進行預處理；

(5)對駕駛行為進行檢測(S2)

使用離線訓練好的駕駛行為分類模型，檢測具體的駕駛行為類別；

(6)對駕駛行為進行評價(S3)

對駕駛行為進行評價，采用兩種評價規則；一是駕駛表現分評價，用于規范駕駛員日常的駕駛表現；二是駕駛水平積分評價，用于改善駕駛員的駕駛習慣；

其中，駕駛表現分的扣分公式為：

score＝100-count_ano (1)