CN104463244A - 基于智能移动终端的异常驾驶行为监测和识别方法及*** - Google Patents
基于智能移动终端的异常驾驶行为监测和识别方法及*** Download PDFInfo
- Publication number
- CN104463244A CN104463244A CN201410729090.8A CN201410729090A CN104463244A CN 104463244 A CN104463244 A CN 104463244A CN 201410729090 A CN201410729090 A CN 201410729090A CN 104463244 A CN104463244 A CN 104463244A
- Authority
- CN
- China
- Prior art keywords
- driving behavior
- data
- acc
- unit
- driving
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
一种用于移动智能设备的异常驾驶行为监测和识别方法和***,通过从传感器收集数据并提取出特征值数据,然后利用机器学***均总精度为96.20%。
Description
技术领域
本发明涉及的一种汽车自动控制领域的技术,具体涉及一种基于智能移动终端的异常驾驶行为监测和识别方法及***。
背景技术
21世纪后半叶以来,浓缩着人类文明的汽车工业得到了迅速发展。作为现代主要交通工具的汽车,给人们的工作和生活带来了方便。然而,随着机动车辆保有量的增加,交通事故发生量有不断增加的趋势。据世界卫生组织统计,交通事故已成为世界上导致死亡十大主要原因之一。
研究表明,大多数的交通事故都是人为因素造成的。因此,监测司机的异常驾驶行为并提醒司机或报告交通局记录司机的驾驶行为是很有必要的。
目前,针对这一问题,解决的方法主要是基于预先部署的基础设施,如酒精传感器,红外传感器和摄像机来监测驾驶员的状态。这会产生较高的安装成本。此外,这些额外的硬件受昼夜差异、恶劣天气的影响,维护成本高。
另外,随着智能手机的广泛应用,智能交通***和驾驶行为分析成为基于车辆应用的智能手机的流行方向。然而,关于使用智能***测驾驶行为,现有的解决方案只能提供一个粗粒度的结果,即判断驾驶行为是否异常,不能识别异常驾驶行为的具体类型。而本发明主要考虑一个细粒度的异常驾驶行为监测的方法,它使用智能手机传感器不仅可以监测异常驾驶行为还可以识别异常驾驶行为的具体类型,而无需任何额外的硬件。
经过对现有技术的检索发现,中国专利文献号CN201374086公开(公告)日2009.12.30,公开了一种新型驾驶行为智能分析仪,它包括基于汽车动力学原理构建的可获得车辆状态信息的驾驶行为数据采集装置、可记录车辆状态信息的存储器、驾驶行为数据分析模块、CPU及连接于车载信息终端的串口。将该分析仪连接于车载信息终端,通过车载信息终端进行GPRS无线通信。该分析仪可以采集车辆的各种行驶状态信息,并进行分析,然后将分析后的数据实时上传到中心管理***,中心管理***对驾驶员的驾驶行为和驾驶状态进行综合分析和智能评估,当发生异常驾驶行为时(超速、碰撞、侧翻),向***或指定手机进行异常驾驶行为报警。但该技术的缺陷和不足在于:可识别的异常驾驶行为只有三种,而且需要额外安装设备。
中国专利文献号CN102567743A公开(公告)日2012.07.11,公开了一种基于视频图像的驾驶员姿态自动识别方法,通过安装在驾驶室侧方的CCD摄像机采集驾驶员操作方向盘、操作档位、吃东西和打电话等驾驶姿态图像,然后通过同态滤波处理、皮肤区域分割和Curvelet小波变换提取驾驶姿态特征向量来表征不同类的驾驶姿态,最后,采用支持向量机SVM对提取的驾驶姿态特征向量进行分类,从而实现操作方向盘、操作档位、吃东西和打电话等驾驶姿态的自动识别。该技术方法在不干扰驾驶员正常驾驶活动的前提下,可有效地检测驾驶员的不良驾驶行为,从而提高交通行车安全。但该技术的缺陷和不足在于:通过视频监控驾驶员的不良驾驶行为,监控范围有限,并且需要预先安装额外设备。
发明内容
本发明针对现有技术存在的上述不足,提出一种基于智能移动终端的异常驾驶行为监测和识别方法及***,采用智能手机传感器与机器学习技术,通过对从智能手机传感器提取的特征数据的分析和建模,实现细粒度异常驾驶行为监测,从而达到监测和识别异常驾驶行为的目的。本发明易于实现,在实现监测和识别六种异常驾驶行为(蛇行驾驶、急速变向、侧滑、急速U型转弯、急转弯、急刹车)的同时并不显著增加***的功耗。
本发明是通过以下技术方案实现的:
本发明涉及一种用于移动智能设备的异常驾驶行为监测和识别方法,通过从传感器收集数据并提取出特征值数据,然后利用机器学习方法训练特征值,建立分类器模型并在实时监测时截取驾驶行为模式并判断六种异常驾驶行为。
所述的特征值数据是指:将来自三轴加速度传感器和三轴方向传感器的模拟信号经过低通滤波后得到三轴加速度传感器以及三轴方向传感器的X轴数据和Y轴数据。
所述的训练特征值是指:通过机器学习技术,将每一个驾驶行为的特征元输入多类支持向量机,构建一个异常驾驶行为分类器模型。
所述的截取驾驶行为模式,即确定异常驾驶行为的开始点和结束点,具体为:通过分类器模型监测和识别驾驶行为,根据预设的驾驶行为模式的特征值与实时数据的标准偏差以及平均值进行比较以确定异常驾驶行为的开始,并进一步通过继续检查实时数据的标准偏差的平均值确定异常驾驶行为的结束。
本发明涉及一种异常驾驶行为监测和识别***,包括:与智能终端相连的离线驾驶行为建模模块和在线驾驶行为监测模块,该离线驾驶行为建模模块包括:特征提取单元、训练单元和模型生成单元,其中:特征提取单元从智能终端上的传感器获取汽车行驶信息,提取出汽车行驶信息中的有效特征值并输出至训练单元,训练单元分析输入的有效特征值,通过在训练集中的数据表现出来的特性,为每一个类找到一种准确的模型,形成的模型生成单元对未来的测试数据进行分类,并输出至在线驾驶行为监测模块;在线驾驶行为监测模块包括:数据感知单元、坐标系重定向单元、模式片段切割单元、识别单元和警报单元,其中:数据感知单元通过智能终端上的传感器获取汽车行驶信息,坐标系重定向单元将相对于手机坐标系的传感器信息转换为相对于车辆坐标系的信息,模式片段切割单元用来确定驾驶行为的开始和结束,识别单元判断驾驶行为是否异常,并在异常时通过警报单元发送警告消息。
技术效果
与现有技术相比,本发明主要应用于智能移动设备,优势在于不仅可以监测异常驾驶行为还可以识别异常驾驶行为的具体类型(蛇行驾驶、急速变向、侧滑、急速U型转弯、急转弯、急刹车)。本发明通过分析智能手机传感器获取的汽车行驶的特征,提取有效特征方案,建立异常驾驶行为分类器模型。
附图说明
图1为六种异常驾驶行为示意图。
图2为本发明结构示意图。
图3为识别正常和异常驾驶行为的有效特征值及识别迂回与其他异常驾驶行为示意图。
图4为一分钟驾驶行为的加速度计和方向传感器模式示意图。
图5为不同训练样本规模的精确度示意图。
图6为使用不同采样率时误判率的累积分布函数示意图。
图7为交通状况和道路类型对识别异常驾驶行为准确性的影响示意图。
图8为智能手机在不同位置时误判率的累积分布函数示意图。
图9为5种机型手机在运行和未运行***的能耗示意图。
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,实施例1
本实施例应用场景为:选取5种不同型号的10部智能手机,包括2部Huawei Honor3C,2部ZTE U809,2部SAMSUNG Nexus3,2部SAMSUNG Nexus4和2部HTC sprint作为实现异常驾驶行为监测和识别***的原型机。共采集1275份样本,60天的采集时间。
本实施例通过分析智能手机传感器收集的数据,提取选择有效特征值,使用多类支持向量机训练分类器模型,进而监测和识别特定类型的异常驾驶行为,发出警告。
所述的分析智能手机传感器收集的数据是指:从三轴加速度传感器和三轴方向传感器收集数据,采用低通滤波去除数据的高频噪声。
所述的有效特征值是指:各种异常驾驶行为的特征值。经过实验测试,需要16个有效特征值来识别6种不同类型的异常驾驶行为,得到每一个驾驶行为的特征元组<16维特征,标签>,标签代表驾驶行为的类型。
所述的训练特征值是指:通过机器学习技术,将每一个驾驶行为的特征元输入多类支持向量机,经过训练,构建一个异常驾驶行为分类器模型。
如图2所示,本实施例涉及的用于智能手机的异常驾驶行为监测和识别***,包括离线驾驶行为建模模块和在线驾驶行为监测模块,其中:离线驾驶行为建模模块通过手机上的传感器获取汽车行驶中的信息,提取选择信息中的有效特征值,并将此特征值传递给多类支持向量机,构建分类器模型,并将模型存储到数据库。在线驾驶行为监测模块通过手机上的传感器获取汽车行驶中的实时信息,截取驾驶行为模式,提取有效特征值,根据模型数据库识别驾驶行为,并发出警告。
上述***通过以下方式进行工作:
步骤一、使用加载了本***的智能手机记录汽车行驶中的加速度和方向信息。
步骤二、采用低通滤波去除数据的高频噪声,检索收集到的信息,然后计算其标准偏差以及在一个小窗口均值。比较标准偏差平均值与阈值,确定一个异常驾驶行为开始和结束。
步骤三、提取选中信息的有效特征值,得到当前驾驶行为的特征元组<16维特征,标签>,输入分类器模型;如图1和图3所示,为6种异常驾驶行为的特征值,具体如下:
a)在蛇行驾驶模型中,accx出现剧烈波动,并持续一定时间,而accy保持相对平稳,accx的标准偏差变大,accx的平均值趋于0;
b)在急速变向模型中,accx和orix会出现一个较短时间的峰值,accx和orix的取值范围和标准偏差均变大,accy和oriy保持相对平稳;
c)在侧滑模型中,accy取值急速下降,它的最小值和平均值均为负数,accx的取值根据侧滑方向偏左偏右分别为负数或正数,因此accx的平均值不为0,驾驶行为持续时间较短;
d)在急速U型转弯模型中,accx的取值根据U型转弯方向或左或右分别为迅速上升或快速下降,accx的取值范围变大,平均值偏离0,accy保持相对平稳,orix的取值根据方向变化由正数变为负数或由负数变为正数,orix的取值范围和标准偏差均变大,并持续一定时间,驾驶行为持续时间较长;
e)在急转弯模型中,accx在一定时间内保持较高值,accy取值趋于0,orix出现波动,取值范围变大,oriy保持相对平稳,驾驶行为持续时间较长;在急刹车模型中,accy的取值急速下降,并在一定时间内取负数,而accx保持相对平稳,因此accy的取值范围和标准偏差均变大,accx的取值范围和标准偏差都很小,orix和oriy没有明显变化,驾驶行为持续时间较短。
f)在正常驾驶行为中,以上特征值均接近于0。
基于以上分析,发现每个驾驶行为都有其独特的特点。判断一种驾驶行为是正常或异常驾驶行为,并识别此驾驶行为区别于其他五种异常驾驶行为,需要使用16个异常驾驶行为的特征元组。
所述的异常驾驶行为的特征元组<16维特征,标签>,标签代表驾驶行为的类型。如下表所示:
特征值 | 描述 |
rangeacc,x | accx的取值范围 |
rangeacc,y | accy的取值范围 |
σacc,x | accx的标准偏差 |
σacc,y | accy的标准偏差 |
σori,x | orix的标准偏差 |
σori,y | oriy的标准偏差 |
μacc,x | accx的平均值 |
μacc,y | accy的平均值 |
μori,x | orix的平均值 |
μori,y | oriy的平均值 |
μacc,x,1 | accx前半段的均值 |
μacc,x,2 | accx后半段的均值 |
maxori,x | orix的最大值 |
maxori,y | oriy的最大值 |
minacc,y | accy的最小值 |
t | 驾驶行为从开始到结束之间的时间区域 |
步骤四、模型输出对驾驶行为的识别,根据行为是否正常,确定是否发送一个警告消息。
本实施例使用准确性(Accuracy)、精确度(Precision)、反馈(Recall)、误判率(False PositiveRate(FPR))作为评估标准,如下表所示:
行为 | 准确性(%) | 精确度(%) | 反馈(%) | 误判率FPR(%) |
异常驾驶 | 99.96 | 100.00 | 99.92 | 0.00 |
蛇行驾驶 | 99.15 | 97.20 | 95.85 | 0.39 |
急速变向 | 99.49 | 98.01 | 99.42 | 0.49 |
侧滑 | 99.38 | 91.25 | 94.81 | 0.41 |
急速U型转弯 | 99.55 | 99.04 | 98.40 | 0.21 |
急转弯 | 99.77 | 95.83 | 95.83 | 0.17 |
急刹车 | 99.44 | 99.42 | 98.65 | 0.24 |
本***确定异常驾驶行为与正常的准确性基本达到100%。此外,没有一个正常的驾驶行为被确定为一个异常行为,即误判率FPR为0。识别每一个异常驾驶行为的准确性不低于99%,精度在91%以上。识别所有异常驾驶行为类型的误判率不超过0.5%。由此可以看出,本***是一个高精度的识别各种异常驾驶行为的***。
对本监测和识别方法产生影响的主要因素有:训练样本规模,传感器采样率,交通状况,道路类型和智能手机位置。
如图5所示,训练样本规模越大,***获得的性能越好。当急速U型转弯、侧滑和急刹车采用60个训练样本,转向采用70个训练样本,急速U型转弯和蛇行驾驶采用80个训练样本时,***确定每种特定类型的驾驶行为的精度接近100%。
如图6所示,使用不同的采样率,误判率的累积分布函数。当抽样点从300Hz下降到25hz时,误判率会有轻微的增加。经过深入分析发现,误判率的轻微增加主要是由确定急速变向和侧滑异常驾驶行为的误判率引起的。这是因为急速变向和侧滑是即时驾驶行为,对智能手机传感器的采样率较为敏感。
如图7所示,交通状况影响司机的驾驶行为,从而进一步影响***的性能。从图中可以看出,在高峰时间和非高峰时间,***均可以达到良好的准确性,在非高峰时间的准确性略高于高峰时间。这是因为在高峰时间由于交通阻塞,驾驶行为模式变得模糊,一些驾驶行为被误识别或被认为是正常的驾驶行为。与之相反,在非高峰时间,驾驶行为模式变得明显,相比于高峰时间,容易被识别。
如图7所示,***在公路和地方路都可以达到良好的准确性,但在高速公路的精度略高于在当地的道路。这是因为高速公路较好的道路条件减少了颠簸造成的波动。此外,较少的道路曲线和没有红绿灯,也使得***在高速公路上有更好的性能。
如图8所示,在实验中,将智能手机固定在某些位置,传感器的Y轴与汽车前进方向保持一致,或将智能手机以任意方向放在汽车的任意位置,从图中看出,***都可以达到良好的准确性。
图9显示了加载本***和未加载本***的不同机型的智能手机的能耗差异。从图中可见,对于不同的机型,两种情况能耗并无显著差别。这进一步论证了本***的实用性及可行性。
Claims (5)
1.一种用于移动智能设备的异常驾驶行为监测和识别方法,其特征在于,通过从传感器收集数据并提取出特征值数据,然后利用机器学习方法训练特征值,建立分类器模型并在实时监测时截取驾驶行为模式并判断六种异常驾驶行为;
所述的特征值数据是指:将来自三轴加速度传感器和三轴方向传感器的模拟信号经过低通滤波后得到三轴加速度传感器以及三轴方向传感器的X轴数据和Y轴数据。
2.根据权利要求1所述的方法,其特征是,所述的提取是指:以三轴加速度传感器的X轴数据和Y轴数据作为accx和accy、三轴方向传感器的X轴数据和Y轴数据作为orix、oriy,分别提取出:
1)accx、accy、orix、oriy的标准偏差、平均值;
2)accx、accy的取值范围;
3)accx的前半段均值和后半段均值;
4)orix、oriy的最大值;
5)accy的最小值;
6)驾驶行为从开始到结束之间的时间t;
共16个有效特征值。
3.根据权利要求1所述的方法,其特征是,所述的训练特征值是指:通过机器学习技术,将每一个驾驶行为的特征元输入多类支持向量机,构建一个异常驾驶行为分类器模型。
4.根据权利要求3所述的***,其特征是,所述的截取驾驶行为模式,即确定异常驾驶行为的开始点和结束点,具体为:通过分类器模型监测和识别驾驶行为,根据预设的驾驶行为模式的特征值与实时数据的标准偏差以及平均值进行比较以确定异常驾驶行为的开始,并进一步通过继续检查实时数据的标准偏差的平均值确定异常驾驶行为的结束。
5.一种实现上述任一权利要求所述方法的异常驾驶行为监测和识别***,其特征在于,包括:与智能终端相连的离线驾驶行为建模模块和在线驾驶行为监测模块,其中:
离线驾驶行为建模模块包括:特征提取单元、训练单元和模型生成单元,其中:特征提取单元从智能终端上的传感器获取汽车行驶信息,提取出汽车行驶信息中的有效特征值并输出至训练单元,训练单元分析输入的有效特征值,通过在训练集中的数据表现出来的特性,为每一个类找到一种准确的模型,形成的模型生成单元对未来的测试数据进行分类,并输出至在线驾驶行为监测模块;
在线驾驶行为监测模块包括:数据感知单元、坐标系重定向单元、模式片段切割单元、识别单元和警报单元,其中:数据感知单元通过智能终端上的传感器获取汽车行驶信息,坐标系重定向单元将相对于手机坐标系的传感器信息转换为相对于车辆坐标系的信息,模式片段切割单元用来确定驾驶行为的开始和结束,识别单元判断驾驶行为是否异常,并在异常时通过警报单元发送警告消息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410729090.8A CN104463244A (zh) | 2014-12-04 | 2014-12-04 | 基于智能移动终端的异常驾驶行为监测和识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410729090.8A CN104463244A (zh) | 2014-12-04 | 2014-12-04 | 基于智能移动终端的异常驾驶行为监测和识别方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104463244A true CN104463244A (zh) | 2015-03-25 |
Family
ID=52909258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410729090.8A Pending CN104463244A (zh) | 2014-12-04 | 2014-12-04 | 基于智能移动终端的异常驾驶行为监测和识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104463244A (zh) |
Cited By (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105374212A (zh) * | 2015-12-14 | 2016-03-02 | 上海交通大学 | 基于智能终端传感的高速公路车辆车道识别方法及*** |
CN105389985A (zh) * | 2015-11-16 | 2016-03-09 | 北京智视信息科技有限公司 | 一种基于手机传感器的智能驾驶行为分析方法 |
CN105389984A (zh) * | 2015-11-16 | 2016-03-09 | 北京智视信息科技有限公司 | 一种基于移动终端传感信息融合的驾驶行为识别方法 |
CN105574537A (zh) * | 2015-11-23 | 2016-05-11 | 北京高科中天技术股份有限公司 | 基于多传感器的危险驾驶行为检测和评估方法 |
CN105956625A (zh) * | 2016-05-11 | 2016-09-21 | 清华大学深圳研究生院 | 一种基于给定物理模型的汽车运动状态识别方法及*** |
CN106097709A (zh) * | 2016-06-27 | 2016-11-09 | 江苏迪纳数字科技股份有限公司 | 基于智能车载终端的驾驶行为识别方法 |
CN106314438A (zh) * | 2016-08-15 | 2017-01-11 | 西北工业大学 | 一种司机驾驶轨迹中异常轨迹的检测方法和*** |
CN106485951A (zh) * | 2015-09-01 | 2017-03-08 | 福特全球技术公司 | 异常驾驶员分类和报告 |
CN106556405A (zh) * | 2016-10-28 | 2017-04-05 | 南京邮电大学 | 一种基于智能手机传感器的车道检测方法 |
CN106585490A (zh) * | 2016-12-16 | 2017-04-26 | 盐城工学院 | 疲劳驾驶检测方法、***及方向盘 |
CN106815545A (zh) * | 2015-11-27 | 2017-06-09 | 罗伯特·博世有限公司 | 行为分析***和行为分析方法 |
CN106934876A (zh) * | 2017-03-16 | 2017-07-07 | 广东翼卡车联网服务有限公司 | 一种车辆异常驾驶事件的识别方法及*** |
CN107368202A (zh) * | 2017-07-13 | 2017-11-21 | 东软集团股份有限公司 | 识别驾驶员使用手机行为的方法、装置和计算设备 |
CN107492251A (zh) * | 2017-08-23 | 2017-12-19 | 武汉大学 | 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 |
CN107566347A (zh) * | 2017-08-10 | 2018-01-09 | 北京洋浦伟业科技发展有限公司 | 滚动码学习检测方法及装置、设备和计算机可读存储介质 |
CN107665579A (zh) * | 2016-07-27 | 2018-02-06 | 上海博泰悦臻网络技术服务有限公司 | 一种用户驾驶行为监控方法及装置 |
CN107797681A (zh) * | 2017-10-13 | 2018-03-13 | 上海交通大学 | 基于智能移动终端音频装置的车辆方向盘转动追踪方法及*** |
CN107826118A (zh) * | 2017-11-01 | 2018-03-23 | 南京阿尔特交通科技有限公司 | 一种判别异常驾驶行为的方法及装置 |
CN107948933A (zh) * | 2017-11-14 | 2018-04-20 | 中国矿业大学 | 一种基于智能手机动作识别的共享单车定位方法 |
CN108108766A (zh) * | 2017-12-28 | 2018-06-01 | 东南大学 | 基于多传感器数据融合的驾驶行为识别方法及*** |
CN108182004A (zh) * | 2018-01-19 | 2018-06-19 | 百度在线网络技术(北京)有限公司 | 用于识别承载移动终端的载体的行为模式的方法和装置 |
CN108423006A (zh) * | 2018-02-02 | 2018-08-21 | 辽宁友邦网络科技有限公司 | 一种辅助驾驶预警方法及*** |
CN108563891A (zh) * | 2018-04-23 | 2018-09-21 | 吉林大学 | 一种基于惯性测量单元智能预防交通事故的方法 |
CN108944799A (zh) * | 2017-05-18 | 2018-12-07 | 腾讯科技(深圳)有限公司 | 车辆驾驶行为异常处理方法和装置 |
CN109407504A (zh) * | 2018-11-30 | 2019-03-01 | 华南理工大学 | 一种基于智能手表的人身安全检测***及方法 |
CN109708634A (zh) * | 2018-12-12 | 2019-05-03 | 平安科技(深圳)有限公司 | 自动判断驾驶行为的方法、装置、存储介质及电子设备 |
CN110264586A (zh) * | 2019-05-28 | 2019-09-20 | 浙江零跑科技有限公司 | L3级自动驾驶***道路驾驶数据采集、分析及上传方法 |
CN110606092A (zh) * | 2019-09-09 | 2019-12-24 | 中国第一汽车股份有限公司 | 行车状态的确定方法、装置、车辆及存储介质 |
CN110910636A (zh) * | 2017-11-27 | 2020-03-24 | 银江股份有限公司 | 一种基于海量交通数据分析的车辆异常转弯行为分析方法 |
CN111310583A (zh) * | 2020-01-19 | 2020-06-19 | 中国科学院重庆绿色智能技术研究院 | 一种基于改进的长短期记忆网络的车辆异常行为识别方法 |
CN111382631A (zh) * | 2018-12-29 | 2020-07-07 | 北京嘀嘀无限科技发展有限公司 | 识别方法、识别装置、终端、服务器和存储介质 |
CN111376910A (zh) * | 2018-12-29 | 2020-07-07 | 北京嘀嘀无限科技发展有限公司 | 用户行为的识别方法、识别***及计算机设备 |
CN111386561A (zh) * | 2018-10-05 | 2020-07-07 | 松下电器(美国)知识产权公司 | 信息处理方法及信息处理*** |
WO2020140895A1 (en) * | 2019-01-04 | 2020-07-09 | Byton Limited | Detecting and diagnosing anomalous driving behavior using driving behavior models |
CN111439263A (zh) * | 2018-12-29 | 2020-07-24 | 沈阳美行科技有限公司 | 车辆变道识别方法、装置、电子设备和存储介质 |
CN111626334A (zh) * | 2020-04-28 | 2020-09-04 | 东风汽车集团有限公司 | 一种车载高级辅助驾驶***的关键控制目标选择方法 |
CN111862383A (zh) * | 2020-07-08 | 2020-10-30 | 上海擎感智能科技有限公司 | 车辆异常的辅助提示方法、***、移动终端及存储介质 |
CN112614334A (zh) * | 2019-10-05 | 2021-04-06 | 宏碁股份有限公司 | 蛇行检测方法及其装置 |
CN112637420A (zh) * | 2020-12-02 | 2021-04-09 | 众安在线财产保险股份有限公司 | 一种驾驶行为的识别方法、装置及计算机*** |
CN113312711A (zh) * | 2021-07-28 | 2021-08-27 | 成都运达科技股份有限公司 | 列车动力学下平稳驾驶分析方法、***、终端及介质 |
CN114882448A (zh) * | 2022-04-01 | 2022-08-09 | 北京卓视智通科技有限责任公司 | 一种车辆监控方法和电子设备 |
US11508236B2 (en) | 2017-05-31 | 2022-11-22 | Beijing Didi Infinity Technology And Development Co., Ltd. | Devices and methods for recognizing driving behavior based on movement data |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120083959A1 (en) * | 2010-10-05 | 2012-04-05 | Google Inc. | Diagnosis and repair for autonomous vehicles |
CN103434512A (zh) * | 2013-09-18 | 2013-12-11 | 武汉理工大学 | 基于智能手机的横向驾驶状态检测***与方法 |
-
2014
- 2014-12-04 CN CN201410729090.8A patent/CN104463244A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120083959A1 (en) * | 2010-10-05 | 2012-04-05 | Google Inc. | Diagnosis and repair for autonomous vehicles |
CN103434512A (zh) * | 2013-09-18 | 2013-12-11 | 武汉理工大学 | 基于智能手机的横向驾驶状态检测***与方法 |
Non-Patent Citations (3)
Title |
---|
DERICK A. JOHNSON等: "Driving style recognition using a smartphone as a sensor platform", 《2011 14TH INTERNATIONAL IEEE CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
H.EREN等: "Estimating Driving Behavior by a Smartphone", 《2012 INTELLIGENT VEHICLES SYMPOSIUM》 * |
JIN-HYUK HONG等: "A smartphone-based sensing platform to model aggressive driving behaviors", 《PROCEEDINGS OF THE SIGCHI CONFERENCE ON HUMAN FACTORS IN COMPUTING SYSTEMS》 * |
Cited By (64)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485951A (zh) * | 2015-09-01 | 2017-03-08 | 福特全球技术公司 | 异常驾驶员分类和报告 |
CN106485951B (zh) * | 2015-09-01 | 2022-02-08 | 福特全球技术公司 | 异常驾驶员分类和报告 |
GB2543904A (en) * | 2015-09-01 | 2017-05-03 | Ford Global Tech Llc | Aberrant driver classification and reporting |
CN105389985A (zh) * | 2015-11-16 | 2016-03-09 | 北京智视信息科技有限公司 | 一种基于手机传感器的智能驾驶行为分析方法 |
CN105389984A (zh) * | 2015-11-16 | 2016-03-09 | 北京智视信息科技有限公司 | 一种基于移动终端传感信息融合的驾驶行为识别方法 |
CN105574537B (zh) * | 2015-11-23 | 2018-12-28 | 北京高科中天技术股份有限公司 | 基于多传感器的危险驾驶行为检测和评估方法 |
CN105574537A (zh) * | 2015-11-23 | 2016-05-11 | 北京高科中天技术股份有限公司 | 基于多传感器的危险驾驶行为检测和评估方法 |
CN106815545B (zh) * | 2015-11-27 | 2023-12-26 | 罗伯特·博世有限公司 | 行为分析***和行为分析方法 |
CN106815545A (zh) * | 2015-11-27 | 2017-06-09 | 罗伯特·博世有限公司 | 行为分析***和行为分析方法 |
CN105374212A (zh) * | 2015-12-14 | 2016-03-02 | 上海交通大学 | 基于智能终端传感的高速公路车辆车道识别方法及*** |
CN105956625A (zh) * | 2016-05-11 | 2016-09-21 | 清华大学深圳研究生院 | 一种基于给定物理模型的汽车运动状态识别方法及*** |
CN105956625B (zh) * | 2016-05-11 | 2019-07-05 | 清华大学深圳研究生院 | 一种基于给定物理模型的汽车运动状态识别方法及*** |
CN106097709A (zh) * | 2016-06-27 | 2016-11-09 | 江苏迪纳数字科技股份有限公司 | 基于智能车载终端的驾驶行为识别方法 |
CN106097709B (zh) * | 2016-06-27 | 2019-10-29 | 江苏迪纳数字科技股份有限公司 | 基于智能车载终端的驾驶行为识别方法 |
CN107665579A (zh) * | 2016-07-27 | 2018-02-06 | 上海博泰悦臻网络技术服务有限公司 | 一种用户驾驶行为监控方法及装置 |
CN106314438B (zh) * | 2016-08-15 | 2018-09-25 | 西北工业大学 | 一种司机驾驶轨迹中异常轨迹的检测方法和*** |
CN106314438A (zh) * | 2016-08-15 | 2017-01-11 | 西北工业大学 | 一种司机驾驶轨迹中异常轨迹的检测方法和*** |
CN106556405A (zh) * | 2016-10-28 | 2017-04-05 | 南京邮电大学 | 一种基于智能手机传感器的车道检测方法 |
CN106585490A (zh) * | 2016-12-16 | 2017-04-26 | 盐城工学院 | 疲劳驾驶检测方法、***及方向盘 |
CN106934876B (zh) * | 2017-03-16 | 2019-08-20 | 广东翼卡车联网服务有限公司 | 一种车辆异常驾驶事件的识别方法及*** |
CN106934876A (zh) * | 2017-03-16 | 2017-07-07 | 广东翼卡车联网服务有限公司 | 一种车辆异常驾驶事件的识别方法及*** |
CN108944799A (zh) * | 2017-05-18 | 2018-12-07 | 腾讯科技(深圳)有限公司 | 车辆驾驶行为异常处理方法和装置 |
US11508236B2 (en) | 2017-05-31 | 2022-11-22 | Beijing Didi Infinity Technology And Development Co., Ltd. | Devices and methods for recognizing driving behavior based on movement data |
CN107368202B (zh) * | 2017-07-13 | 2020-08-28 | 东软集团股份有限公司 | 识别驾驶员使用手机行为的方法、装置和计算设备 |
CN107368202A (zh) * | 2017-07-13 | 2017-11-21 | 东软集团股份有限公司 | 识别驾驶员使用手机行为的方法、装置和计算设备 |
CN107566347A (zh) * | 2017-08-10 | 2018-01-09 | 北京洋浦伟业科技发展有限公司 | 滚动码学习检测方法及装置、设备和计算机可读存储介质 |
CN107492251A (zh) * | 2017-08-23 | 2017-12-19 | 武汉大学 | 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 |
CN107797681A (zh) * | 2017-10-13 | 2018-03-13 | 上海交通大学 | 基于智能移动终端音频装置的车辆方向盘转动追踪方法及*** |
CN107826118B (zh) * | 2017-11-01 | 2019-08-30 | 南京阿尔特交通科技有限公司 | 一种判别异常驾驶行为的方法及装置 |
CN107826118A (zh) * | 2017-11-01 | 2018-03-23 | 南京阿尔特交通科技有限公司 | 一种判别异常驾驶行为的方法及装置 |
CN107948933A (zh) * | 2017-11-14 | 2018-04-20 | 中国矿业大学 | 一种基于智能手机动作识别的共享单车定位方法 |
CN107948933B (zh) * | 2017-11-14 | 2020-09-15 | 中国矿业大学 | 一种基于智能手机动作识别的共享单车定位方法 |
CN110910636A (zh) * | 2017-11-27 | 2020-03-24 | 银江股份有限公司 | 一种基于海量交通数据分析的车辆异常转弯行为分析方法 |
CN108108766B (zh) * | 2017-12-28 | 2021-10-29 | 东南大学 | 基于多传感器数据融合的驾驶行为识别方法及*** |
CN108108766A (zh) * | 2017-12-28 | 2018-06-01 | 东南大学 | 基于多传感器数据融合的驾驶行为识别方法及*** |
CN108182004B (zh) * | 2018-01-19 | 2019-07-23 | 百度在线网络技术(北京)有限公司 | 用于识别承载移动终端的载体的行为模式的方法和装置 |
CN108182004A (zh) * | 2018-01-19 | 2018-06-19 | 百度在线网络技术(北京)有限公司 | 用于识别承载移动终端的载体的行为模式的方法和装置 |
CN108423006A (zh) * | 2018-02-02 | 2018-08-21 | 辽宁友邦网络科技有限公司 | 一种辅助驾驶预警方法及*** |
CN108563891A (zh) * | 2018-04-23 | 2018-09-21 | 吉林大学 | 一种基于惯性测量单元智能预防交通事故的方法 |
CN108563891B (zh) * | 2018-04-23 | 2021-06-08 | 吉林大学 | 一种基于惯性测量单元智能预防交通事故的方法 |
CN111386561A (zh) * | 2018-10-05 | 2020-07-07 | 松下电器(美国)知识产权公司 | 信息处理方法及信息处理*** |
CN109407504B (zh) * | 2018-11-30 | 2021-05-14 | 华南理工大学 | 一种基于智能手表的人身安全检测***及方法 |
CN109407504A (zh) * | 2018-11-30 | 2019-03-01 | 华南理工大学 | 一种基于智能手表的人身安全检测***及方法 |
CN109708634A (zh) * | 2018-12-12 | 2019-05-03 | 平安科技(深圳)有限公司 | 自动判断驾驶行为的方法、装置、存储介质及电子设备 |
CN111439263A (zh) * | 2018-12-29 | 2020-07-24 | 沈阳美行科技有限公司 | 车辆变道识别方法、装置、电子设备和存储介质 |
CN111439263B (zh) * | 2018-12-29 | 2022-05-20 | 沈阳美行科技股份有限公司 | 车辆变道识别方法、装置、电子设备和存储介质 |
CN111376910B (zh) * | 2018-12-29 | 2022-04-15 | 北京嘀嘀无限科技发展有限公司 | 用户行为的识别方法、识别***及计算机设备 |
CN111376910A (zh) * | 2018-12-29 | 2020-07-07 | 北京嘀嘀无限科技发展有限公司 | 用户行为的识别方法、识别***及计算机设备 |
CN111382631A (zh) * | 2018-12-29 | 2020-07-07 | 北京嘀嘀无限科技发展有限公司 | 识别方法、识别装置、终端、服务器和存储介质 |
CN111382631B (zh) * | 2018-12-29 | 2024-04-16 | 北京嘀嘀无限科技发展有限公司 | 识别方法、识别装置、终端、服务器和存储介质 |
WO2020140895A1 (en) * | 2019-01-04 | 2020-07-09 | Byton Limited | Detecting and diagnosing anomalous driving behavior using driving behavior models |
US11400944B2 (en) | 2019-01-04 | 2022-08-02 | Byton North America Corporation | Detecting and diagnosing anomalous driving behavior using driving behavior models |
CN110264586A (zh) * | 2019-05-28 | 2019-09-20 | 浙江零跑科技有限公司 | L3级自动驾驶***道路驾驶数据采集、分析及上传方法 |
CN110606092A (zh) * | 2019-09-09 | 2019-12-24 | 中国第一汽车股份有限公司 | 行车状态的确定方法、装置、车辆及存储介质 |
CN110606092B (zh) * | 2019-09-09 | 2021-05-18 | 中国第一汽车股份有限公司 | 行车状态的确定方法、装置、车辆及存储介质 |
CN112614334A (zh) * | 2019-10-05 | 2021-04-06 | 宏碁股份有限公司 | 蛇行检测方法及其装置 |
CN111310583A (zh) * | 2020-01-19 | 2020-06-19 | 中国科学院重庆绿色智能技术研究院 | 一种基于改进的长短期记忆网络的车辆异常行为识别方法 |
CN111310583B (zh) * | 2020-01-19 | 2023-02-10 | 中国科学院重庆绿色智能技术研究院 | 一种基于改进的长短期记忆网络的车辆异常行为识别方法 |
CN111626334A (zh) * | 2020-04-28 | 2020-09-04 | 东风汽车集团有限公司 | 一种车载高级辅助驾驶***的关键控制目标选择方法 |
CN111862383A (zh) * | 2020-07-08 | 2020-10-30 | 上海擎感智能科技有限公司 | 车辆异常的辅助提示方法、***、移动终端及存储介质 |
CN112637420A (zh) * | 2020-12-02 | 2021-04-09 | 众安在线财产保险股份有限公司 | 一种驾驶行为的识别方法、装置及计算机*** |
CN113312711A (zh) * | 2021-07-28 | 2021-08-27 | 成都运达科技股份有限公司 | 列车动力学下平稳驾驶分析方法、***、终端及介质 |
CN114882448A (zh) * | 2022-04-01 | 2022-08-09 | 北京卓视智通科技有限责任公司 | 一种车辆监控方法和电子设备 |
CN114882448B (zh) * | 2022-04-01 | 2023-10-31 | 北京卓视智通科技有限责任公司 | 一种车辆监控方法和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104463244A (zh) | 基于智能移动终端的异常驾驶行为监测和识别方法及*** | |
Chen et al. | D 3: Abnormal driving behaviors detection and identification using smartphone sensors | |
CN111311914B (zh) | 车辆行驶事故监控方法、装置和车辆 | |
CN109754110B (zh) | 一种牵引变流器故障的预警方法及*** | |
WO2018058958A1 (zh) | 一种道路车辆交通告警***及其方法 | |
CN108229304B (zh) | 一种***化的基于聚类思想的驾驶行为识别方法 | |
CN103345842B (zh) | 一种道路车辆分型***及方法 | |
CN104133467A (zh) | 一种基于云计算的obds远程故障诊断恢复*** | |
CN102164270A (zh) | 具有异常事件发掘功能的智能视频监控方法及*** | |
EP3759717A1 (en) | Vehicle classification based on telematics data | |
CN104933870A (zh) | 基于车辆行为分析的车辆套牌识别方法与装置 | |
CN103886715A (zh) | 一种人体跌倒检测方法 | |
CN108769104B (zh) | 一种基于车载诊断***数据的路况分析预警方法 | |
CN110995771A (zh) | 一种基于物联网的货车陆运监控管理*** | |
Cong et al. | Applying wavelet packet decomposition and one-class support vector machine on vehicle acceleration traces for road anomaly detection | |
CN109460776A (zh) | 一种基于信道状态检测的驾驶员区分方法 | |
CN109360417B (zh) | 一种基于区块链的危险驾驶行为辨识与推送方法及*** | |
CN109094574B (zh) | 一种基于台架的无人车驾驶状态测量控制*** | |
CN111016550A (zh) | 一种胎压数据处理方法和胎压数据处理*** | |
CN110620760A (zh) | 一种SVM和贝叶斯网络的FlexRay总线融合入侵检测方法和检测装置 | |
CN114330449A (zh) | 一种基于特征时域匹配的车辆碰撞检测方法及*** | |
CN105911554A (zh) | 基于超声波传感器阵列的目标识别方法 | |
CN111310696B (zh) | 基于泊车异常行为分析的泊车事故识别方法、装置和车辆 | |
Fazio et al. | A new application for analyzing driving behavior and environment characterization in transportation systems based on a fuzzy logic approach | |
CN108674338A (zh) | 一种基于数据分析的车辆服务*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150325 |