CN106952361B - 一种高效的车辆行驶状态识别*** - Google Patents
一种高效的车辆行驶状态识别*** Download PDFInfo
- Publication number
- CN106952361B CN106952361B CN201710154970.0A CN201710154970A CN106952361B CN 106952361 B CN106952361 B CN 106952361B CN 201710154970 A CN201710154970 A CN 201710154970A CN 106952361 B CN106952361 B CN 106952361B
- Authority
- CN
- China
- Prior art keywords
- running state
- vehicle running
- vehicle
- data
- module
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Traffic Control Systems (AREA)
Abstract
一种高效的车辆行驶状态识别***,包括数据采集模块、数据传输模块、数据处理模块和车辆行驶状态识别模块,所述数据采集模块用于采集车辆行驶过程中的各种信息数据,所述数据传输模块用于将所述信息数据传输到数据处理模块,由数据处理模块进行数据的处理和特征参数提取,所述车辆行驶状态识别模块用于根据所述特征参数进行车辆行驶状态的识别,当判断汽车处于危险状态时即进行预警。本发明的有益效果为:通过各模块之间的相互配合,能够对车辆行驶状态中各类别参数进行有效的采集和处理,采用RBF神经网络构建分类器,用于对所述特征向量所述类别进行分类,实现了对车辆行驶状态的有效识别。
Description
技术领域
本发明创造涉及车辆监控领域,具体涉及一种高效的车辆行驶状态识别***。
背景技术
随着社会经济的发展,人们的生活水平得到了极大的提高,汽车成为家家户户必不可少的交通工具,而随着汽车数量的增加,交通状态越加堵塞的同时,车祸等事故的发生率正在极具的升高,对人们的生命和财产造成了极大的威胁。经过研究发现,车辆在行驶过程中发生交通事故时的行车状态在一定程度上预示了事故发生的可能性,因此,对车辆行驶状态的实时监测和识别,对于预防交通事故的发生有着重要的实际意义。
针对上述问题,本发明研究一种高效的车辆行驶状态识别***,能够实现对车辆行驶状态中各类信息数据的采集和处理,并根据处理后的数据进行车辆行驶状态的识别,在判断车辆处于危险状态时即进行预警,在一定程度上实现了交通事故的预防。
发明内容
针对上述问题,本发明旨在提供一种高效的车辆行驶状态识别***。
本发明创造的目的通过以下技术方案实现:
一种高效的车辆行驶状态识别***,包括数据采集模块、数据传输模块、数据处理模块和车辆行驶状态识别模块,所述数据采集模块用于采集车辆行驶过程中的各种信息数据,所述数据传输模块用于将所述信息数据传输到数据处理模块,由数据处理模块进行数据的处理和特征参数提取,所述车辆行驶状态识别模块用于根据所述特征参数进行车辆行驶状态的识别,当判断汽车处于危险状态时即进行预警。
优选地,还包括GPS模块,所述GPS模块用于实时定位车辆的地理位置信息。
优选地,所述数据传输模块采用ZigBee无线传输方式。
优选地,所述数据采集模块包括方位角传感器、三轴重力传感器和三轴加速度传感器,所述方位角传感器用于采集车辆行驶过程中的实时运动方位角数据,所述三轴重力传感器用于采集车辆行驶过程中的震动数据,所述三轴加速度传感器用于采集车辆行驶过程中的实时速度数据。
优选地,所述数据处理模块用于对采集得到的车辆行驶过程中的信息数据进行滤波处理,其采用一种改进的小波阈值去噪法,具体包括:
a.选取小波阈值去噪法中的阈值u,则τ的计算表达式为:
式中,p(j,k)为原始小波系数,mean(p(j,k))为第j层分解的所有小波系数p(j,k)幅值的平均值,θ为高斯白噪声标准差的调整系数,此处,θ取0.6745,M为信号的长度,j为分解尺度;
则采用的阈值函数为:
式中,p(j,k)为原始的小波系数,p′(j,k)为去噪后得到的小波系数,u为阈值;
b.对处理后的车辆行驶过程中的数据值进行特征参数提取,具体为:
式中,ti1、ti2……ti5分别代表车辆行驶的角度、车辆行驶过程中的震动数据、车辆行驶方向的加速度数据、与车辆行驶方向垂直的侧面的加速度数据、加速度数据的均值。
优选地,所述车辆行驶状态识别模块用于根据上述所得的特征参数进行车辆行驶状态识别,主要包括:
a.制定车辆行驶状态的参量值,具体为:
式中,qi1、qi2、……、和qi6分别为高速行驶、低速安全行驶、倒车、转弯、超速行驶、和风险行驶这6种车辆行驶状态的参量值;
b.采用RBF神经网络构建分类器,用于根据所述特征参数识别车辆行驶状态,其采用一种改进的遗传算法训练RBF神经网络,定义第i时刻的特征参数集合为作为RBF神经网络的输入变量,则RBF神经网络的实际输出为则其适应度函数为:
式中,α=0.52、β=0.48,K为隐藏神经元个数,n为输入层神经元个数,m为输入样本个数,sil为RBF神经网络的实际输出,qil为车辆行驶状态的参量值,l代表车辆行驶状态,l=1,2……6;
c.计算RBF神经网络实际输出和车辆行驶状态的最小均方根误差,具体为:
式中,l代表车辆行驶状态,且l=1,2……6,sil为RBF神经网络的实际输出,qil为待识别车辆行驶状态的参量值,m为输入样本个数;
d.最小均方根误差j所对应的车辆行驶状态即为输入变量所属的类别,从而达到识别车辆行驶状态的目的。
本发明的有益效果为:通过各模块之间的相互配合,能够对车辆行驶状态中各类别参数进行有效的采集和处理,采用RBF神经网络构建分类器,用于对所述特征向量所述类别进行分类,实现了对车辆行驶状态的有效识别。
附图说明
利用附图对发明创造作进一步说明,但附图中的实施例不构成对本发明创造的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明结构示意图;
附图标记:
数据采集模块1、数据传输模块2、数据处理模块3、车辆行驶状态识别模块4、GPS模块5。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1,本实施例的一种高效的车辆行驶状态识别***,包括数据采集模块1、数据传输模块2、数据处理模块3和车辆行驶状态识别模块4,所述数据采集模块1用于采集车辆行驶过程中的各种信息数据,所述数据传输模块2用于将所述信息数据传输到数据处理模块3,由数据处理模块3进行数据的处理和特征参数提取,所述车辆行驶状态识别4模块用于根据所述特征参数进行车辆行驶状态的识别,当判断汽车处于危险状态时即进行预警。
优选地,还包括GPS模块5,所述GPS模块5用于实时定位车辆的地理位置信息。
优选地,所述数据传输模块2采用ZigBee无线传输方式。
优选地,所述数据采集模块1包括方位角传感器、三轴重力传感器和三轴加速度传感器,所述方位角传感器用于采集车辆行驶过程中的实时运动方位角数据,所述三轴重力传感器用于采集车辆行驶过程中的震动数据,所述三轴加速度传感器用于采集车辆行驶过程中的实时速度数据。
本优选实施例通过各模块之间的相互配合,能够对车辆行驶状态中各类别参数进行有效的采集和处理,采用RBF神经网络构建分类器,用于对所述特征向量所述类别进行分类,实现了对车辆行驶状态的有效识别。
优选地,所述数据处理模块3用于对采集得到的车辆行驶过程中的信息数据进行滤波处理,其采用一种改进的小波阈值去噪法,具体包括:
a.选取小波阈值去噪法中的阈值u,则τ的计算表达式为:
式中,p(j,k)为原始小波系数,mean(p(j,k))为第j层分解的所有小波系数p(j,k)幅值的平均值,θ为高斯白噪声标准差的调整系数,此处,θ取0.6745,M为信号的长度,j为分解尺度;
则采用的阈值函数为:
式中,p(j,k)为原始的小波系数,p′(j,k)为去噪后得到的小波系数,u为阈值;
b.对处理后的车辆行驶过程中的数据值进行特征参数提取,具体为:
式中,ti1、ti2……ti5分别代表车辆行驶的角度、车辆行驶过程中的震动数据、车辆行驶方向的加速度数据、与车辆行驶方向垂直的侧面的加速度数据、加速度数据的均值。
本优选实施例在滤除噪声的同时,控制了信号的衰减程度,具有较为精确的去噪效果,从处理后的数据中提取每组数据的特征参数,确保了后续车辆行驶状态识别分类的精确性。
优选地,所述车辆行驶状态识别模块4用于根据上述所得的特征参数进行车辆行驶状态识别,主要包括:
a.制定车辆行驶状态的参量值,具体为:
式中,qi1、qi2、……、和qi6分别为高速行驶、低速安全行驶、倒车、转弯、超速行驶、和风险行驶这6种车辆行驶状态的参量值;
b.采用RBF神经网络构建分类器,用于根据所述特征参数识别车辆行驶状态,其采用一种改进的遗传算法训练RBF神经网络,定义第i时刻的特征参数集合为作为RBF神经网络的输入变量,则RBF神经网络的实际输出为则其适应度函数为:
式中,α=0.52、β=0.48,K为隐藏神经元个数,n为输入层神经元个数,m为输入样本个数,sil为RBF神经网络的实际输出,qil为车辆行驶状态的参量值,l代表车辆行驶状态,l=1,2……6;
c.计算RBF神经网络实际输出和车辆行驶状态的最小均方根误差,具体为:
式中,l代表车辆行驶状态,且l=1,2……6,sil为RBF神经网络的实际输出,qil为待识别车辆行驶状态的参量值,m为输入样本个数;
d.最小均方根误差j所对应的车辆行驶状态即为输入变量所属的类别,从而达到识别车辆行驶状态的目的
本优选实施例提出一种改进的适应度函数训练BPF神经网络,获得的网络结构较为精简,同时具有较小的输出误差,实现了高精度的车辆行驶状态的识别。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (4)
1.一种高效的车辆行驶状态识别***,其特征是,包括数据采集模块、数据传输模块、数据处理模块和车辆行驶状态识别模块,所述数据采集模块用于采集车辆行驶过程中的各种信息数据,所述数据传输模块用于将所述信息数据传输到数据处理模块,由数据处理模块进行数据的处理和特征参数提取,所述数据处理模块用于对采集得到的车辆行驶过程中的信息数据进行滤波处理,其采用一种改进的小波阈值去噪法,具体包括:
a.选取小波阈值去噪法中的阈值u,则u的计算表达式为:
式中,p(j,k)为原始小波系数,mean(p(j,k))为第j层分解的所有小波系数p(j,k)幅值的平均值,θ为高斯白噪声标准差的调整系数,此处,θ取0.6745,M为信号的长度,j为分解尺度;
则采用的阈值函数为:
式中,p(j,k)为原始的小波系数,p′(j,k)为去噪后得到的小波系数,u为阈值;
b.对处理后的车辆行驶过程中的数据值进行特征参数提取,具体为:
式中,ti1、ti2……ti5分别代表车辆行驶的角度、车辆行驶过程中的震动数据、车辆行驶方向的加速度数据、与车辆行驶方向垂直的侧面的加速度数据、加速度数据的均值,所述车辆行驶状态识别模块用于根据所述特征参数进行车辆行驶状态的识别,当判断汽车处于危险状态时即进行预警,主要包括:
a.制定车辆行驶状态的参量值,具体为:
式中,qi1、qi2、……、和qi6分别为高速行驶、低速安全行驶、倒车、转弯、超速行驶、和风险行驶这6种车辆行驶状态的参量值;
b.采用RBF神经网络构建分类器,用于根据所述特征参数识别车辆行驶状态,其采用一种改进的遗传算法训练RBF神经网络,定义第i时刻的特征参数集合为作为RBF神经网络的输入变量,则RBF神经网络的实际输出为 则其适应度函数为:
式中,α=0.52、β=0.48,K为隐藏神经元个数,n为输入层神经元个数,m为输入样本个数,sil为RBF神经网络的实际输出,qil为车辆行驶状态的参量值,l代表车辆行驶状态,l=1,2,…,6;
c.计算RBF神经网络实际输出和车辆行驶状态的最小均方根误差,具体为:
式中,l代表车辆行驶状态,且l=1,2……6,sil为RBF神经网络的实际输出,qil为待识别车辆行驶状态的参量值,m为输入样本个数;
d.最小均方根误差j所对应的车辆行驶状态即为输入变量所属的类别,从而达到识别车辆行驶状态的目的。
2.根据权利要求1所述的一种高效的车辆行驶状态识别***,其特征是,还包括GPS模块,所述GPS模块用于实时定位车辆的地理位置信息。
3.根据权利要求2所述的一种高效的车辆行驶状态识别***,其特征是,所述数据传输模块采用ZigBee无线传输方式。
4.根据权利要求3所述的一种高效的车辆行驶状态识别***,其特征是,所述数据采集模块包括方位角传感器、三轴重力传感器和三轴加速度传感器,所述方位角传感器用于采集车辆行驶过程中的实时运动方位角数据,所述三轴重力传感器用于采集车辆行驶过程中的震动数据,所述三轴加速度传感器用于采集车辆行驶过程中的实时速度数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710154970.0A CN106952361B (zh) | 2017-03-15 | 2017-03-15 | 一种高效的车辆行驶状态识别*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710154970.0A CN106952361B (zh) | 2017-03-15 | 2017-03-15 | 一种高效的车辆行驶状态识别*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106952361A CN106952361A (zh) | 2017-07-14 |
CN106952361B true CN106952361B (zh) | 2019-07-23 |
Family
ID=59472151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710154970.0A Active CN106952361B (zh) | 2017-03-15 | 2017-03-15 | 一种高效的车辆行驶状态识别*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106952361B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109407131B (zh) | 2017-08-17 | 2020-12-04 | 北京嘀嘀无限科技发展有限公司 | 车头朝向确定方法、装置及设备 |
US11386498B1 (en) * | 2017-09-06 | 2022-07-12 | State Farm Mutual Automobile Insurance Company | Using historical data for subrogation on a distributed ledger |
US10872381B1 (en) | 2017-09-06 | 2020-12-22 | State Farm Mutual Automobile Insurance Company | Evidence oracles |
CN107730028A (zh) * | 2017-09-18 | 2018-02-23 | 广东翼卡车联网服务有限公司 | 一种车辆事故识别方法、车载终端及存储介质 |
CN108387757B (zh) * | 2018-01-19 | 2021-07-27 | 百度在线网络技术(北京)有限公司 | 用于检测可移动设备的移动状态的方法和装置 |
CN108416424B (zh) * | 2018-02-02 | 2020-09-11 | 杭州电子科技大学 | 基于特征识别与神经网络优化的路况识别方法 |
CN109238403A (zh) * | 2018-08-08 | 2019-01-18 | 南京科技职业学院 | 一种汽车防水淹警报*** |
CN111383362B (zh) * | 2018-12-29 | 2022-07-29 | 北京骑胜科技有限公司 | 一种安全监测方法及装置 |
CN111028383B (zh) * | 2019-11-08 | 2023-03-24 | 腾讯科技(深圳)有限公司 | 车辆行驶数据的处理方法及装置 |
CN111353467B (zh) * | 2020-03-12 | 2023-06-13 | Oppo广东移动通信有限公司 | 行驶状态识别方法、装置、终端及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182946A (zh) * | 2014-09-09 | 2014-12-03 | 江南大学 | 基于指数软硬择中阈值函数的光谱去噪方法 |
CN105225293A (zh) * | 2015-08-11 | 2016-01-06 | 吴江智远信息科技发展有限公司 | 一种智能车载*** |
CN105303830A (zh) * | 2015-09-15 | 2016-02-03 | 成都通甲优博科技有限责任公司 | 一种驾驶行为分析***及分析方法 |
CN105761323A (zh) * | 2016-01-29 | 2016-07-13 | 北京荣之联科技股份有限公司 | 基于车载数据的碰撞事件识别方法与装置 |
CN106394445A (zh) * | 2016-10-09 | 2017-02-15 | 思建科技有限公司 | 一种车辆故障监测提示方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9886799B2 (en) * | 2014-11-22 | 2018-02-06 | TrueLite Trace, Inc. | Real-time cargo condition management system and method based on remote real-time vehicle OBD monitoring |
-
2017
- 2017-03-15 CN CN201710154970.0A patent/CN106952361B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182946A (zh) * | 2014-09-09 | 2014-12-03 | 江南大学 | 基于指数软硬择中阈值函数的光谱去噪方法 |
CN105225293A (zh) * | 2015-08-11 | 2016-01-06 | 吴江智远信息科技发展有限公司 | 一种智能车载*** |
CN105303830A (zh) * | 2015-09-15 | 2016-02-03 | 成都通甲优博科技有限责任公司 | 一种驾驶行为分析***及分析方法 |
CN105761323A (zh) * | 2016-01-29 | 2016-07-13 | 北京荣之联科技股份有限公司 | 基于车载数据的碰撞事件识别方法与装置 |
CN106394445A (zh) * | 2016-10-09 | 2017-02-15 | 思建科技有限公司 | 一种车辆故障监测提示方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN106952361A (zh) | 2017-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106952361B (zh) | 一种高效的车辆行驶状态识别*** | |
CN109177982A (zh) | 考虑驾驶风格的车辆行驶危险度评价方法 | |
US10392022B1 (en) | Systems and methods for driver scoring with machine learning | |
CN112465395A (zh) | 一种面向自动驾驶汽车的多维度综合评价方法及装置 | |
CN107038860B (zh) | 一种基于adas技术及回归模型的用户驾驶行为评分方法 | |
CN107886073A (zh) | 一种基于卷积神经网络的细粒度车辆多属性识别方法 | |
CN111242015B (zh) | 一种基于运动轮廓语义图预测行车危险场景的方法 | |
CN108537197A (zh) | 一种基于深度学习的车道线检测预警装置及预警方法 | |
CN103895649B (zh) | 一种驾驶员安全驾驶预警方法 | |
CN105956625B (zh) | 一种基于给定物理模型的汽车运动状态识别方法及*** | |
Zylius | Investigation of route-independent aggressive and safe driving features obtained from accelerometer signals | |
Zeeman et al. | Combining speed and acceleration to detect reckless driving in the informal public transport industry | |
CN108694408B (zh) | 一种基于深度稀疏滤波卷积神经网络的驾驶行为识别方法 | |
CN107730028A (zh) | 一种车辆事故识别方法、车载终端及存储介质 | |
CN109670970A (zh) | 一种驾驶行为评分方法、装置及计算机可读存储介质 | |
CN107564280A (zh) | 基于环境感知的驾驶行为数据采集分析***和方法 | |
CN109229108A (zh) | 一种基于驾驶指纹的驾驶行为安全评价方法 | |
CN111563555A (zh) | 一种司机驾驶行为分析方法及*** | |
WO2016107876A1 (en) | Vehicular motion monitoring method | |
CN107437147A (zh) | 还原货运物流情景的车辆行驶风险动态评估方法及其*** | |
CN111723697A (zh) | 一种基于Mask-RCNN改进的驾驶员背景分割方法 | |
CN113359673B (zh) | 一种基于大数据的自动驾驶汽车性能判定*** | |
CN109720353B (zh) | 一种基于智能手机的驾驶行为检测方法 | |
CN110263836B (zh) | 一种基于多特征卷积神经网络的不良驾驶状态识别方法 | |
Virojboonkiate et al. | Driver identification using histogram and neural network from acceleration data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20190619 Address after: Room 901, 600 Lane 6, Yunling West Road, Putuo District, Shanghai Applicant after: Shanghai Industrial Control Safety Innovation Technology Co., Ltd. Address before: 518000 Guangdong, Shenzhen, Nanshan District, Guangdong Province, south Guangdong Road, Nanshan Road 1024, 206 billion edifice building Applicant before: Shenzhen Huitong Intelligent Technology Co., Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |