CN109345772A - 一种疲劳驾驶识别方法及相关设备 - Google Patents
一种疲劳驾驶识别方法及相关设备 Download PDFInfo
- Publication number
- CN109345772A CN109345772A CN201811198603.1A CN201811198603A CN109345772A CN 109345772 A CN109345772 A CN 109345772A CN 201811198603 A CN201811198603 A CN 201811198603A CN 109345772 A CN109345772 A CN 109345772A
- Authority
- CN
- China
- Prior art keywords
- cluster
- clustering cluster
- state
- described eigenvector
- clustering
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/06—Alarms for ensuring the safety of persons indicating a condition of sleep, e.g. anti-dozing alarms
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/105—Speed
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本申请公开了一种疲劳驾驶识别方法及相关设备,包括:首先获取目标车辆行驶过程中的车辆状态信息;接着根据所述车辆状态信息,确定所述目标车辆的状态特征的特征向量;然后对所述特征向量进行聚类,确定所述特征向量所属的聚类簇;最后根据所述特征向量所属的聚类簇,确定所述目标车辆的驾驶员的驾驶状态。采用本申请实施例,可以提高疲劳驾驶的识别准确率。
Description
技术领域
本申请涉及智能交通技术领域和机器学习领域,尤其涉及一种疲劳驾驶识别方法及相关设备。
背景技术
据统计,近年来我国发生的90%的交通事故是驾驶员的因素造成的,其中疲劳驾驶的驾驶员肇事的主要原因之一。疲劳驾驶是指驾驶员在生理或心理处于疲劳状态的情况下驾驶车辆的情况,疲劳驾驶将导致驾驶员注意力不集中、反应迟钝甚至操作失误,从而造成交通事故。因此对驾驶员的驾驶状态进行实时监测和识别,在驾驶员出现疲劳驾驶迹象时及时发出警报信息,将有效较少因疲劳驾驶导致的交通事故。目前,疲劳驾驶检测方法包括利用生理传感器检测驾驶员的生理变化指标(如脑电、心律、呼吸和肌电等信息)。虽然生理变化指标能准确反映疲劳驾驶状态,但是在信息采集的过程中通常需要在驾驶员身体上贴入表面电极,这不仅会引起驾驶员的不适,而且还会影响驾驶操作动作和驾驶安全。此外还包括利用及其视觉技术或其他传感器技术检测驾驶员的外部变化特征(如眼睑眨动、打哈欠等)的疲劳驾驶识别方法,但这类方法通常是从机器视觉的角度,针对驾驶员的不同特征(面部、眼睛、嘴、头)进行融合,由于图像处理本身数据量很大,再加上复杂的信息融合算法导致驾驶疲劳识别算法复杂度高、硬件成本昂贵,并且大部分的特征提取都是针对少数几张图片提取的,导致各个特征提取不准确、疲劳驾驶的识别准确率低。
发明内容
本申请实施例提供一种疲劳驾驶识别方法及相关设备。可以提高疲劳驾驶的识别准确率。
本申请实施例第一方面提供了一种疲劳驾驶识别方法,包括:
获取目标车辆行驶过程中的车辆状态信息;
根据所述车辆状态信息,确定所述目标车辆的状态特征的特征向量;
对所述特征向量进行聚类,确定所述特征向量所属的聚类簇;
根据所述特征向量所属的聚类簇,确定所述目标车辆的驾驶员的驾驶状态。
其中,所述根据所述车辆状态信息,确定所述目标车辆的状态特征的特征向量包括:
根据所述车辆状态信息,确定所述目标车辆的所述状态特征;
根据所述状态特征,确定所述特征向量。
其中,所述根据所述状态特征,确定所述特征向量包括:
确定多种所述状态特征中每种所述状态特征的识别度;
根据所述识别度,从多种所述状态特征中选取至少一种生成所述特征向量。
其中,所述车辆状态信息包括行驶速度、行驶加速度以及转向角中的至少一项,所述根据所述车辆状态信息,确定所述目标车辆的所述状态特征包括:
根据所述车辆状态信息,确定速度标准差、加速度标准差、转向角速度以及转向角标准差中的至少一项;
将所述速度标准差、所述加速度标准差、所述转向角速度、所述转向角标准差、所述行驶速度、所述行驶加速度、以及所述转向角中的至少一项作为所述状态特征。
其中,所述聚类簇包括第一聚类簇和第二聚类簇;
所述对所述特征向量进行聚类,确定所述特征向量所属的聚类簇包括:
确定所述特征向量属于所述第一聚类簇的第一隶属度、以及所述特征向量属于所述第二聚类簇的第二隶属度;
当所述第一隶属度大于所述第二隶属度时,确定所述特征向量属于所述第一聚类簇;或
当所述第一隶属度不大于所述第二隶属度时,确定所述特征向量属于所述第二聚类簇。
其中,所述确定所述特征向量属于所述第一聚类簇的第一隶属度、以及所述特征向量属于所述第二聚类簇的第二隶属度包括:
确定所述特征向量与所述第一聚类簇的第一聚类中心之间的第一空间距离、以及所述特征向量与所述第二聚类簇的第二聚类中心之间的第二空间距离;
根据所述第一空间距离和所述第二空间距离,确定所述第一隶属度和所述第二隶属度。
其中,所述第一聚类簇对应正常状态、以及所述第二聚类簇对应疲劳状态;
所述根据所述聚类簇,确定所述目标车辆的驾驶员的驾驶状态包括:
当所述特征向量属于所述第一聚类簇时,确定所述驾驶状态为所述正常状态;或
当所述特征向量属于所述第二聚类簇时,确定所述驾驶状态为所述疲劳状态。
其中,所述根据所述聚类簇,确定所述目标车辆的驾驶员的驾驶状态之后,还包括:
若所述驾驶状态为疲劳状态,则发出告警信息,所述告警信息用于提醒驾驶员停止驾驶行为。
相应地,本申请实施例第二方面提供了一种疲劳驾驶识别装置,包括:
获取模块,用于获取目标车辆行驶过程中的车辆状态信息;
确定模块,用于根据所述车辆状态信息,确定所述目标车辆的状态特征的特征向量;
聚类模块,用于对所述特征向量进行聚类,确定所述特征向量所属的聚类簇;
所述确定模块,还用于根据所述特征向量所属的聚类簇,确定所述目标车辆的驾驶员的驾驶状态。
其中,所述确定模块还用于:
根据所述车辆状态信息,确定所述目标车辆的所述状态特征;
根据所述状态特征,确定所述特征向量。
其中,所述确定模块还用于:
确定多种所述状态特征中每种所述状态特征的识别度;
根据所述识别度,从多种所述状态特征中选取至少一种生成所述特征向量。
其中,所述车辆状态信息包括行驶速度、行驶加速度以及转向角中的至少一项,所述确定模块还用于:
根据所述车辆状态信息,确定速度标准差、加速度标准差、转向角速度以及转向角标准差中的至少一项;
将所述速度标准差、所述加速度标准差、所述转向角速度、所述转向角标准差、所述行驶速度、所述行驶加速度、以及所述转向角中的至少一项作为所述状态特征。
其中,所述聚类簇包括第一聚类簇和第二聚类簇;
所述聚类模块还用于:
确定所述特征向量属于所述第一聚类簇的第一隶属度、以及所述特征向量属于所述第二聚类簇的第二隶属度;
当所述第一隶属度大于所述第二隶属度时,确定所述特征向量属于所述第一聚类簇;或
当所述第一隶属度不大于所述第二隶属度时,确定所述特征向量属于所述第二聚类簇。
其中,所述聚类模块还用于:
确定所述特征向量与所述第一聚类簇的第一聚类中心之间的第一空间距离、以及所述特征向量与所述第二聚类簇的第二聚类中心之间的第二空间距离;
根据所述第一空间距离和所述第二空间距离,确定所述第一隶属度和所述第二隶属度。
其中,所述第一聚类簇对应正常状态、以及所述第二聚类簇对应疲劳状态;
所述聚类模块还用于:
当所述特征向量属于所述第一聚类簇时,确定所述驾驶状态为所述正常状态;或
当所述特征向量属于所述第二聚类簇时,确定所述驾驶状态为所述疲劳状态。
其中,所述确定模块还用于:
若所述驾驶状态为疲劳状态,则发出告警信息,所述告警信息用于提醒驾驶员停止驾驶行为。
本申请实施例第三方面公开了一种电子设备,包括:处理器、存储器、通信接口和总线;
所述处理器、所述存储器和所述通信接口通过所述总线连接并完成相互间的通信;
所述存储器存储可执行程序代码;
所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于执行本申请实施例第一方面公开的一种疲劳驾驶识别方法中的操作。
相应地,本申请提供了一种存储介质,其中,所述存储介质用于存储应用程序,所述应用程序用于在运行时执行本申请实施例第一方面公开的一种疲劳驾驶识别方法。
相应地,本申请提供了一种应用程序,其中,所述应用程序用于在运行时执行本申请实施例第一方面公开的一种疲劳驾驶识别方法。
实施本申请实施例,首先获取目标车辆行驶过程中的车辆状态信息,所述车辆状态信息包括行驶速度、行驶加速度以及转向角中的至少一项;接着根据所述车辆状态信息,确定所述目标车辆的状态特征的特征向量;然后对所述特征向量进行聚类,确定所述特征向量所属的聚类簇;最后根据所述特征向量所属的聚类簇,确定所述目标车辆的驾驶员的驾驶状态。可以提高疲劳驾驶的识别准确率。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种疲劳驾驶识别方法的流程示意图;
图2是本申请实施例提供的另一种疲劳驾驶识别方法的流程示意图;
图3是本申请实施例提供的一种疲劳驾驶识别装置的结构示意图;
图4是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
请参考图1,图1是本申请实施例提供的一种疲劳驾驶识别方法的流程示意图。如图所示,本申请实施例中的方法包括:
S101,获取目标车辆行驶过程中的车辆状态信息,其中,所述车辆状态信息包括行驶速度、行驶加速度以及转向角中的至少一项。
具体实现中,可以在目标车辆行驶的过程中按照预设频率(如车辆每向前行驶5米(m)采集1次、或1分钟/次)采集目标车辆的行驶速度、行驶加速度和转向角中的至少一项。在采集到数据之后,还可以将采集到的转向角转换为[-2π,2π]之间的值,例如,将30°转换成π/12,其中,“-”表示逆时针转向角、“+”(一般情况下省略不写)表示顺时针。
S102,根据所述车辆状态信息,确定所述目标车辆的状态特征的特征向量。
具体实现中,可以首先根据所述车辆状态信息,确定所述目标车辆的状态特征。其中,可以根据采集到的行驶速度计算速度标准差(vstd)、以及根据采集到行驶加速度计算加速度标准差(astd)、以及根据转向角确定转向角速度(ω)和转向角标准差(θstd),转向角速度可以为转向角的变化幅度与产生该变化幅度所用的时间的比值。其中,vstd可以反映驾驶员对车速的控制能力,车速越平稳,标准差越小,加速度a也是反映驾驶员对车辆纵向控制能力的指标之一,加速度低频信号代表加速平缓,高频信号代表加速频繁;疲劳时加速度频谱从低频变为高频说明驾驶员对车速的控制能力下降,加速忽快忽慢,车速起伏变化快。
因此,可以将行驶加速度、速度标准差、行驶加速度、加速度标准差、转向角、转向角速度以及转向角标准差的中的至少一项作为状态特征。其中,行驶速度和行驶加速度可以是任意一次采集到的、以及转向角速度可以是根据多次采集到的转向角中的任意两次采集到的转向角计算得到的。此外,为了保证数据的准确性,行驶速度还可以是将平均行驶速度、行驶加速度还可以是平均行驶加速度、以及转向角速度还可以是平均转向角速度。
然后,根据所述状态特征,确定所述特征向量。例如:从0时刻开始,在t1、t2和t3时刻对车辆进行了数据采集,得到行驶速度v1、v2和v3,行驶加速度a1、a2和a3、以及转向角θ1、θ2和θ3。其中,可以首先计算v1、v2和v3的平均值得到平均行驶速度并根据得到接着计算a1、a2和a3的均值得到平均行驶加速度并根据得到然后计算转向角θ1、θ2和θ3的平均值得到假设在t1时刻之前的转向角为0,则可以根据得到转向角速度ω1=(θ1-0)/(t1-0)、ω2=(θ2-θ1)/(t2-t1)和ω3=(θ3-θ2)/(t3-t2),并计算平均转向角速度最后,得到特征向量
S103,对所述特征向量进行聚类,确定所述特征向量所属聚类簇。
具体实现中,聚类是指通过衡量数据之间的相似性,将数据分类到不同的数据簇中的过程。在实际中驾驶状态可以分为疲劳状态和正常状态,因此,聚类簇包括疲劳状态对应的第一聚类簇和正常状态对应的第二聚类簇,其中,可以首先确定特征向量属于第一聚类簇的第一隶属度、以及特征向量属于第二聚类簇的第二隶属度。接着当第一隶属度大于第二隶属度时,确定特征向量属于第一聚类簇。当第一隶属度不大于第二隶属度时,确定特征向量属于第二聚类簇。然后可以计算特征向量与第一聚类中心的第一空间距离(如欧几里得距离)、以及与第二聚类中心的第二空间距离,其中,第一聚类中心和第二聚类中心都是与特征向量的维度相同的向量;最后根据第一空间距离和第二空间距离,确定第一隶属度和第二隶属,其中,可以先计算机第一空间距离和第二空间距离的和值,然后将第二空间距离与该和值的商作为第一隶属度、以及将第一空间距离与该和值的商作为第二隶属度。
例如:特征向量为X=(2,3)、第一聚类中心为m1=(4,9),第二聚类中心为m2=(0,6),则可以首先计算X与m1的空间距离以及计算X与m2的空间距离接着计算X相对第一聚类中心所在的聚类簇的隶属度为以及X相对第二聚类中心所在的聚类簇的隶属度为显然μ1<μ2,从而确定特征向量X属于第二聚类中心所在的聚类簇。
为了确定第一聚类中心和第一聚类簇、以及第二聚类中心和第二聚类簇。可以获取已知驾驶员驾驶状态的多辆车的车辆状态信息,并确定多个特征向量训练样本,如X1,X2,...,Xn。然后利用聚类算法,如K-均值模糊聚类算法,对X1,X2,...,Xn进行聚类,从而得到第一聚类中心和第一聚类簇、以及第二聚类中心和第二聚类簇。
为了保证聚类中心的准确性,可以采集在不同路段上行驶的多辆车的状态信息,并按照车辆每向前行驶5m采集一次的频率进行信息采集。例如,可以采集如表1所示的5种路段上的车辆的状态信息。
表1.5种测试路段
路段 | 基本组合形式 | 半径 | 前坡率 | 后坡率 |
路段1 | 直-缓-圆-缓-直 | 1200m | -2.96% | 2.42% |
路段2 | 直-缓-圆-缓-直 | 1000m | 0 | 0 |
路段3 | 直-缓-圆-缓-直 | 1300m | -2.21% | -2.21% |
路段4 | 直-缓-圆-缓-直 | 2000m | 1.24% | -3.57% |
路段5 | 直-缓-圆-缓-直 | 正无穷 | 0 | 0 |
其中,在K-均值模糊聚类算法中,可以首先设定聚类簇的数量为2(第一聚类簇和第二聚类簇),并将第一聚类簇的第一聚类中心M1初始化为X1,将第二聚类簇的第二聚类中心M2初始化为X2。接着利用X3,X4,...,Xn更新两个聚类中心直到收敛,从而得到两个聚类中心,其中,更新聚类中心的具体步骤如下:
(1).从Xk(k=3,4,....,n)开始利用(1)式分别计算各特征向量对两个聚类中心所在的聚类簇的隶属度;
其中,||·||2表示欧几里得距离的平方。
(2).若μ1(Xk)≥μ2(Xk),则根据(2)式更新M1。反之,则根据(2)式更新M2;
其中,j等于1或2。
(3).若更新之前的M1与更新之后的M1的差值小于预设阈值(如10-5)、或更新之前的M2与更新之后的M2的差值小于预设阈值(如10-5),则令k=k+1,并跳转到步骤(1)进行循环;否则结束循环,并确定第一聚类中心为M1,第二聚类中心为M2。例如,M1={0.082,0.664,0.954,0.431,9.890,0.451,0.632},M2={0.041,0.629,3.072,0.634,1.971,0.76,0.303}。
在确定聚类中心后,还可以根据(1)式,确定训练样本X1,X2,...,Xn相对于第一聚类簇的隶属度和相对于第二聚类簇的隶属度,确定它们所属的聚类簇,从而得到第一聚类簇和第二聚类簇。
S104,根据所述特征向量所属的聚类簇,确定所述目标车辆的驾驶员的驾驶状态。
具体实现中,第一聚类簇与疲劳状态相对应,第二聚类簇与正常状态相对应。因此,当特征向量属于第一聚类簇时,确定驾驶状态为正常状态;当特征向量属于第二聚类簇时,确定驾驶状态为疲劳状态。
可选的,若确定驾驶员的驾驶状态为疲劳状态,则发出告警信息以便提醒驾驶员停止驾驶行为。比如可以发出蜂鸣声、或播放语音提醒信息。
在本申请实施例中,首先获取目标车辆行驶过程中的车辆状态信息,所述车辆状态信息包括行驶速度、行驶加速度以及转向角中的至少一项;接着根据所述车辆状态信息,确定所述目标车辆的状态特征的特征向量;然后对所述特征向量进行聚类,确定所述特征向量所属聚类簇;最后根据所述特征向量所属的聚类簇,确定所述目标车辆的驾驶员的驾驶状态。可以提高疲劳驾驶的识别准确率。
请参考图2,图2是本申请实施例提供的另一种疲劳驾驶识别方法的流程示意图。如图所示,本申请实施例中的方法包括:
S201,获取目标车辆行驶过程中的车辆状态信息,其中,车辆状态信息包括行驶速度、行驶加速度和转向角找中的至少一项。本步骤与上一实施例中的步骤S101相同,本步骤不再赘述。
S202,根据车辆状态信息,确定目标车辆的多种状态特征。
具体实现中,可以根据行驶速度确定速度标准差、根据行驶加速度确定加速度标准差、以及根据转向角确定转向角速度和转向角标准差。其中,行驶速度、速度标准差、行驶加速度、加速度标准差、转向角以及转向角速度中的任意一项均可作为状态特征。其中,行驶速度和行驶加速度可以是任意一次采集到的、以及转向角速度可以是根据多次采集到的转向角中的任意两次采集到的转向角计算得到的。同时,为了保证数据的准确性,行驶速度还可以是将平均行驶速度、行驶加速度还可以是平均行驶加速度、以及转向角速度还可以是平均转向角速度。
S203,根据多种状态特征的识别度,从多种状态特征中选取至少一种生成特征向量。
具体实现中,为了进一步提高疲劳驾驶的识别准确率,可以首先确定多种状态特征中每种状态特征的识别度。其中,驾驶状态包括疲劳状态和正常状态两种,该识别度可以包括对正常状态的识别度、以及对疲劳状态的识别度。
为了确定识别度,可以获取已知驾驶员驾驶状态的多辆车的车辆状态信息,确定多种状态特征,如行驶速度、速度标准差和行驶加速度等。然后针对每种状态特征,确定多个特征向量,如X1,X2,...,Xn,其中,每个特征向量为1维向量。例如,针对行驶速度采集到已知驾驶状态的n个样本v1=50km/h,v2=69km/h,...,vn=54km/h,则确定X1={50},X2={69},...,Xn={54}。然后利用聚类算法,如K-均值模糊聚类算法,对X1,X2,...,Xn进行聚类,得到正常状态对应的第一聚类簇和疲劳状态对应的第二聚类簇。最后,统计真实驾驶状态为疲劳状态、且被归类到第二聚类簇中的特征向量的第一累积数量,并将第一累积数量除以真实驾驶状态为疲劳状态的特征向量的总数量的商作为对应状态特征对疲劳状态的识别度。还可以统计真实驾驶状态为正常状态、且被归类到第一聚类簇中的特征向量的第二累积数量,将第二累积数量除以真实驾驶状态为正常状态的特征向量的总数量的商作为对应状态特征对正常状态的识别度。此外,还可以得到每种状态特征的整体识别度,其中,整体识别度可以为第一累积数量和第二累积数量除以特征向量的总数量的商。
例如,如表2所示,分别得到每种状态特征对正常状态和疲劳状态的识别度,以及整体识别度。
表2.每种特征状态的识别度
v | v<sub>std</sub> | a | a<sub>std</sub> | θ | ω | θ<sub>std</sub> | |
样本总数 | 388 | 343 | 368 | 382 | 328 | 392 | 408 |
正常状态 | 187 | 215 | 255 | 245 | 120 | 201 | 218 |
疲劳状态 | 201 | 128 | 113 | 137 | 208 | 191 | 190 |
正常状态识别度(%) | 66.97 | 76.79 | 91.07 | 87.5 | 42.86 | 71.79 | 77.86 |
疲劳状态识别度(%) | 95.71 | 60.95 | 53.81 | 65.24 | 99.05 | 90.95 | 90.48 |
整体识别度(%) | 79.18 | 70.00 | 75.10 | 77.96 | 66.94 | 80.00 | 83.27 |
在确定每种状态的识别度后,可以从目标车辆的多种状态特征选取的至少一种状态特征生成特征向量进行疲劳驾驶的识别。如:根据表2可知,v和θ对疲劳状态的识别度分别为95.71%和99.05%,均高于其他状态特征、a和astd对正常状态的识别度分别为91.07%和87.5%,均高于其他状态特征,而θstd的整体识别率最高。因此可以从目标车辆的v、a、astd、θ和θstd中任选一个或多个进行组合得到特征向量。
又如,可以将v和a进行组合得到特征向量{v,a}、也可以将a和θstd得到特征向量{v,a}、还可以将astd和θ进行组合得到特征向量{astd,θ}。其中,针对这3种组合中的每种组合,第一聚类簇(正常状态)的第一聚类中心M1和第二聚类簇(疲劳状态)的第二聚类中心M2如表3示。
表3.两两特征组合的聚类中心
可选的,还可以从目标车辆的v、vstd、a、astd、θ、ω以及θstd中任意选取一种特征状态生成特征向量,以进行疲劳驾驶识别,其中,针对每种特征状态,第一聚类簇(正常状态)的第一聚类中心M1和第二聚类簇(疲劳状态)的第二聚类中心M2如表4示。
表4.单特征的聚类中心
S204,对特征向量进行聚类,确定特征向量所属的聚类簇。本步骤与上一实施例中的步骤S103相同,本步骤不再赘述。
S205,根据特征向量所属的聚类簇,确定目标车辆的驾驶员的驾驶状态。本步骤与上一实施例中的步骤S104相同,本步骤不再赘述。
在本申请实施例中,首先获取目标车辆行驶过程中的车辆状态信息,所述车辆状态信息包括行驶速度、行驶加速度以及转向角中的至少一项;接着根据所述车辆状态信息,确定所述目标车辆的状态特征的特征向量;然后对所述特征向量进行聚类,确定所述特征向量所属聚类簇;最后根据所述特征向量所属的聚类簇,确定所述目标车辆的驾驶员的驾驶状态。可以提高疲劳驾驶的识别准确率。
请参考图3,图3是本申请实施例提供的一种疲劳驾驶识别装置的结构示意图。如图所示,本申请实施例中的装置包括:
获取模块301,用于获取目标车辆行驶过程中的车辆状态信息。
具体实现中,车辆状态信息包括行驶速度、行驶加速度以及转向角中的至少一项。为了使采集使车辆状态信息更可以准确,可以在目标车辆行驶的过程中按照预设频率采集目标车辆的行驶速度、行驶加速度和转向角中的至少一项。
确定模块302,用于根据所述车辆状态信息,确定所述目标车辆的状态特征的特征向量。
具体实现中,可以首先根据所述车辆状态信息,确定所述目标车辆的状态特征。其中,可以根据采集到的行驶速度计算速度标准差(vstd)、以及根据采集到行驶加速度计算加速度标准差(astd)、以及根据转向角确定转向角速度(ω)和转向角标准差(θstd),转向角速度可以为转向角的变化幅度与产生该变化幅度所用的时间的比值。其中,vstd可以反映驾驶员对车速的控制能力,车速越平稳,标准差越小,加速度a也是反映驾驶员对车辆纵向控制能力的指标之一,加速度低频信号代表加速平缓,高频信号代表加速频繁;疲劳时加速度频谱从低频变为高频说明驾驶员对车速的控制能力下降,加速忽快忽慢,车速起伏变化快。
因此,可以将行驶加速度、行驶速度标准差、行驶加速度、加速度标准差、转向角、转向角速度以及转向角标准差的中的至少一项作为状态特征。其中,行驶速度和行驶加速度可以是任意一次采集到的、以及转向角速度可以是根据多次采集到的转向角中的任意两次采集到的转向角计算得到的。此外,为了保证数据的准确性,行驶速度还可以是将平均行驶速度、行驶加速度还可以是平均行驶加速度、以及转向角速度还可以是平均转向角速度。然后,根据所述状态特征,确定所述特征向量。
聚类模块303,用于对所述特征向量进行聚类,确定所述特征向量所属聚类簇。
具体实现中,聚类是指通过衡量数据源之间的相似性,将数据源分类到不同的数据簇中的过程。在实际中驾驶状态可以分为疲劳状态和正常状态,因此,聚类簇包括疲劳状态对应的第一聚类簇和正常状态对应的第二聚类簇,其中,可以首先确定特征向量属于第一聚类簇的第一隶属度、以及特征向量属于第二聚类簇的第二隶属度,接着当第一隶属度大于第二隶属度时,确定特征向量属于第一聚类簇。当第一隶属度不大于第二隶属度时,确定特征向量属于第二聚类簇。其中,第一聚类簇的聚类中心为第一聚类中心,第二聚类簇的聚类中心为第二聚类中心,其中,第一聚类中心和第二聚类中心都是与特征向量的维度相同的向量。然后,可以计算特征向量与第一聚类中心的第一空间距离(如欧几里得距离)、以及与第二聚类中心的第二空间距离;最后根据第一空间距离和第二空间距离,确定第一隶属度和第二隶属,其中,可以先计算机第一空间距离和第二空间距离的和值,然后将第二空间距离与该和值的商作为第一隶属度、以及将第一空间距离与该和值的商作为第二隶属度。
为了确定第一聚类中心和第一聚类簇、以及第二聚类中心和第二聚类簇。获取模块301还用于获取已知驾驶员驾驶状态的多辆车的车辆状态信息,并确定多个特征向量,如X1,X2,...,Xn,其中,为了保证聚类中心的准确性,可以采集在不同路段上行驶的多辆车的状态信息,并按照车辆每向前行驶5m采集一次的频率进行信息采集。聚类模块303还用于然后利用聚类算法,如K-均值模糊聚类算法,对X1,X2,...,Xn进行聚类,其中,在K-均值模糊聚类算法中,可以首先设定聚类簇的数量为2(第一聚类簇和第二聚类簇),并将第一聚类簇的第一聚类中心M1初始化为X1,将第二聚类簇的第二聚类中心M2初始化为X2。接着利用X3,X4,...,Xn更新两个聚类中心直到收敛,从而得到两个聚类中心。
可选的,聚类模块303还用于根据多种状态特征的识别度,从多种状态特征中选取至少一种生成特征向量。具体地,为了进一步提高疲劳驾驶的识别准确率,可以首先确定多种状态特征中每种状态特征的识别度。其中,驾驶状态包括疲劳状态和正常状态两种,该识别度可以包括对正常状态的识别度、以及对疲劳状态的识别度。
为了确定识别度,可以搜集已知驾驶员驾驶状态的多辆车的车辆状态信息,确定多种状态特征,如行驶速度、速度标准差和行驶加速度等。然后针对每种状态特征,确定多个特征向量,如X1,X2,...,Xn,其中,每个特征向量为1维向量。然后利用聚类算法,如K-均值模糊聚类算法,对X1,X2,...,Xn进行聚类,得到正常状态对应的第一聚类簇和疲劳状态对应的第二聚类簇。最后,统计真实驾驶状态为疲劳状态、且被归类到第二聚类簇中的特征向量的第一累积数量,并将第一累积数量除以真实驾驶状态为疲劳状态的特征向量的总数量的商作为对应状态特征对疲劳状态的识别度。还可以统计真实驾驶状态为正常状态、且被归类到第一聚类簇中的特征向量的第二累积数量,将第二累积数量除以真实驾驶状态为正常状态的特征向量的总数量的商作为对应状态特征对正常状态的识别度。利用上述方法,可以确定每种状态特征的识别度。此外,还可以得到每种状态特征的整体识别度,其中,整体识别度可以为第一累积数量和第二累积数量除以特征向量的总数量的商。
在确定每种状态的识别度后,可以从目标车辆的多种状态特征选取的至少一种状态特征生成特征向量进行疲劳驾驶的识别。
可选的,聚类模块303还可以从目标车辆的v、vstd、a、astd、θ、ω以及θstd中任意选取一种特征状态生成特征向量,以进行疲劳驾驶识别。
确定模块302,还用于根据所述特征向量所属的聚类簇,确定所述目标车辆的驾驶员的驾驶状态。
具体实现中,第一聚类簇与疲劳状态相对应,第二聚类簇与正常状态相对应。因此,当特征向量属于第一聚类簇时,确定驾驶状态为正常状态;当特征向量属于第二聚类簇时,确定驾驶状态为疲劳状态。
可选的,若确定驾驶员的驾驶状态为疲劳状态,确定模块302,还用于发出告警信息以便提醒驾驶员停止驾驶行为。比如可以发出蜂鸣声。
在本申请实施例中,首先获取目标车辆行驶过程中的车辆状态信息,所述车辆状态信息包括行驶速度、行驶加速度以及转向角中的至少一项;接着根据所述车辆状态信息,确定所述目标车辆的状态特征的特征向量;然后对所述特征向量进行聚类,确定所述特征向量所属聚类簇;最后根据所述特征向量所属的聚类簇,确定所述目标车辆的驾驶员的驾驶状态。可以提高疲劳驾驶的识别准确率。
请参考图4,图4是本申请实施例提出的一种电子设备的结构示意图。如图所示,该电子设备可以包括:至少一个处理器401,例如CPU,至少一个通信接口402,至少一个存储器403,至少一个总线404。其中,总线404用于实现这些组件之间的连接通信。其中,本申请实施例中电子设备的通信接口402是有线发送端口,也可以为无线设备,例如包括天线装置,用于与其他节点设备进行信令或数据的通信。存储器403可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器403可选的还可以是至少一个位于远离前述处理器401的存储装置。存储器403中存储一组程序代码,且处理器401用于调用存储器中存储的程序代码,用于执行以下操作:
获取目标车辆行驶过程中的车辆状态信息;
根据所述车辆状态信息,确定所述目标车辆的状态特征的特征向量;
对所述特征向量进行聚类,确定所述特征向量所属聚类簇;
根据所述特征向量所属的聚类簇,确定所述目标车辆的驾驶员的驾驶状态。
其中,处理器401还用于执行如下操作步骤:
根据所述车辆状态信息,确定所述目标车辆的所述状态特征;
根据所述状态特征,确定所述特征向量。
其中,处理器401还用于执行如下操作步骤:
确定多种所述状态特征中每种所述状态特征的识别度;
根据所述识别度,从多种所述状态特征中选取至少一种生成所述特征向量。
其中,所述车辆状态信息包括行驶速度、行驶加速度以及转向角中的至少一项,处理器401还用于执行如下操作步骤:
根据所述车辆状态信息,确定速度标准差、加速度标准差、转向角速度以及转向角标准差中的至少一项;
将所述速度标准差、所述加速度标准差、所述转向角速度、所述转向角标准差、所述行驶速度、所述行驶加速度、以及所述转向角中的至少一项作为所述状态特征。
其中,所述聚类簇包括第一聚类簇和第二聚类簇;
处理器401还用于执行如下操作步骤:
确定所述特征向量属于所述第一聚类簇的第一隶属度、以及所述特征向量属于所述第二聚类簇的第二隶属度;
当所述第一隶属度大于所述第二隶属度时,确定所述特征向量属于所述第一聚类簇;或
当所述第一隶属度不大于所述第二隶属度时,确定所述特征向量属于所述第二聚类簇。
其中,处理器401还用于执行如下操作步骤:
确定所述特征向量与所述第一聚类簇的第一聚类中心之间的第一空间距离、以及所述特征向量与所述第二聚类簇的第二聚类中心之间的第二空间距离;
根据所述第一空间距离和所述第二空间距离,确定所述第一隶属度和所述第二隶属度。
其中,所述第一聚类簇对应正常状态、以及所述第二聚类簇对应疲劳状态;
处理器401还用于执行如下操作步骤:
当所述特征向量属于所述第一聚类簇时,确定所述驾驶状态为所述正常状态;或
当所述特征向量属于所述第二聚类簇时,确定所述驾驶状态为所述疲劳状态。
其中,处理器401还用于执行如下操作步骤:
若所述驾驶状态为疲劳状态,则发出告警信息,所述告警信息用于提醒驾驶员停止驾驶行为。
需要说明的是,本申请实施例同时也提供了一种存储介质,该存储介质用于存储应用程序,该应用程序用于在运行时执行图1和图2所示的一种疲劳驾驶识别方法中电子设备执行的操作。
需要说明的是,本申请实施例同时也提供了一种应用程序,该应用程序用于在运行时执行图1和图2所示的一种疲劳驾驶识别方法中电子设备执行的操作。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。以上所述的具体实施方式,对本申请的目的、技术方案和有益效果进行了进一步详细说明。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种疲劳驾驶识别方法,其特征在于,所述方法包括:
获取目标车辆行驶过程中的车辆状态信息;
根据所述车辆状态信息,确定所述目标车辆的状态特征的特征向量;
对所述特征向量进行聚类,确定所述特征向量所属的聚类簇;
根据所述特征向量所属的聚类簇,确定所述目标车辆的驾驶员的驾驶状态。
2.如权利要求1所述的方法,其特征在于,所述根据所述车辆状态信息,确定所述目标车辆的状态特征的特征向量包括:
根据所述车辆状态信息,确定所述目标车辆的所述状态特征;
根据所述状态特征,确定所述特征向量。
3.如权利要求2所述的方法,其特征在于,所述根据所述状态特征,确定所述特征向量包括:
确定多种所述状态特征中每种所述状态特征的识别度;
根据所述识别度,从多种所述状态特征中选取至少一种生成所述特征向量。
4.如权利要求2所述的方法,其特征在于,所述车辆状态信息包括行驶速度、行驶加速度以及转向角中的至少一项,所述根据所述车辆状态信息,确定所述目标车辆的所述状态特征包括:
根据所述车辆状态信息,确定速度标准差、加速度标准差、转向角速度以及转向角标准差中的至少一项;
将所述速度标准差、所述加速度标准差、所述转向角速度、所述转向角标准差、所述行驶速度、所述行驶加速度、以及所述转向角中的至少一项作为所述状态特征。
5.如权利要求1所述的方法,其特征在于,所述聚类簇包括第一聚类簇和第二聚类簇;
所述对所述特征向量进行聚类,确定所述特征向量所属的聚类簇包括:
确定所述特征向量属于所述第一聚类簇的第一隶属度、以及所述特征向量属于所述第二聚类簇的第二隶属度;
当所述第一隶属度大于所述第二隶属度时,确定所述特征向量属于所述第一聚类簇;或
当所述第一隶属度不大于所述第二隶属度时,确定所述特征向量属于所述第二聚类簇。
6.如权利要求5所述的方法,其特征在于,所述确定所述特征向量属于所述第一聚类簇的第一隶属度、以及所述特征向量属于所述第二聚类簇的第二隶属度包括:
确定所述特征向量与所述第一聚类簇的第一聚类中心之间的第一空间距离、以及所述特征向量与所述第二聚类簇的第二聚类中心之间的第二空间距离;
根据所述第一空间距离和所述第二空间距离,确定所述第一隶属度和所述第二隶属度。
7.如权利要求5所述的方法,其特征在于,所述第一聚类簇对应正常状态、以及所述第二聚类簇对应疲劳状态;
所述根据所述聚类簇,确定所述目标车辆的驾驶员的驾驶状态包括:
当所述特征向量属于所述第一聚类簇时,确定所述驾驶状态为所述正常状态;或
当所述特征向量属于所述第二聚类簇时,确定所述驾驶状态为所述疲劳状态。
8.如权利要求1-7任一项所述的方法,其特征在于,所述根据所述聚类簇,确定所述目标车辆的驾驶员的驾驶状态之后,还包括:
若所述驾驶状态为疲劳状态,则发出告警信息,所述告警信息用于提醒驾驶员停止驾驶行为。
9.一种疲劳驾驶识别装置,其特征在于,所述装置包括:
获取模块,用于获取目标车辆行驶过程中的车辆状态信息;
确定模块,用于根据所述车辆状态信息,确定所述目标车辆的状态特征的特征向量;
聚类模块,用于对所述特征向量进行聚类,确定所述特征向量所属的聚类簇;
所述确定模块,还用于根据所述特征向量所属的聚类簇,确定所述目标车辆的驾驶员的驾驶状态。
10.一种电子设备,其特征在于,包括:处理器、存储器、通信接口和总线;
所述处理器、所述存储器和所述通信接口通过所述总线连接并完成相互间的通信;
所述存储器存储可执行程序代码;
所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于执行如权利要求1-8任一项所述的疲劳驾驶识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811198603.1A CN109345772A (zh) | 2018-10-15 | 2018-10-15 | 一种疲劳驾驶识别方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811198603.1A CN109345772A (zh) | 2018-10-15 | 2018-10-15 | 一种疲劳驾驶识别方法及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109345772A true CN109345772A (zh) | 2019-02-15 |
Family
ID=65310337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811198603.1A Pending CN109345772A (zh) | 2018-10-15 | 2018-10-15 | 一种疲劳驾驶识别方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109345772A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110045371A (zh) * | 2019-04-28 | 2019-07-23 | 软通智慧科技有限公司 | 一种鉴定方法、装置、设备及存储介质 |
CN112396805A (zh) * | 2019-07-31 | 2021-02-23 | Oppo广东移动通信有限公司 | 疲劳驾驶提醒的方法、装置、终端及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036619A (zh) * | 2013-03-04 | 2014-09-10 | 德尔福电子(苏州)有限公司 | 基于方向盘转角数据的疲劳检测方法及检测装置 |
CN104268577A (zh) * | 2014-06-27 | 2015-01-07 | 大连理工大学 | 一种基于惯性传感器的人体行为识别方法 |
CN104527647A (zh) * | 2014-12-15 | 2015-04-22 | 清华大学 | 一种驾驶行为危险度的监测评估方法 |
CN104680168A (zh) * | 2015-03-10 | 2015-06-03 | 无锡桑尼安科技有限公司 | 用于公路地貌识别的特征向量提取设备 |
CN106384129A (zh) * | 2016-09-13 | 2017-02-08 | 西安科技大学 | 一种基于闭环驾驶模型的驾驶员驾驶状态辨识方法 |
CN106740863A (zh) * | 2016-11-30 | 2017-05-31 | 武汉长江通信智联技术有限公司 | 驾驶行为分析方法 |
CN106815312A (zh) * | 2016-12-21 | 2017-06-09 | 东软集团股份有限公司 | 一种驾驶员评价方法及装置 |
DE102016200973A1 (de) * | 2016-01-25 | 2017-07-27 | Robert Bosch Gmbh | Verfahren zum Erkennen einer Müdigkeit eines Fahrers eines Fahrzeugs und Steuergerät |
CN107316354A (zh) * | 2017-07-12 | 2017-11-03 | 哈尔滨工业大学 | 一种基于方向盘和gnss数据的疲劳驾驶检测方法 |
CN108229304A (zh) * | 2017-11-17 | 2018-06-29 | 清华大学 | 一种***化的基于聚类思想的驾驶行为识别方法 |
CN108280415A (zh) * | 2018-01-17 | 2018-07-13 | 武汉理工大学 | 基于智能移动终端的驾驶行为识别方法 |
-
2018
- 2018-10-15 CN CN201811198603.1A patent/CN109345772A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036619A (zh) * | 2013-03-04 | 2014-09-10 | 德尔福电子(苏州)有限公司 | 基于方向盘转角数据的疲劳检测方法及检测装置 |
CN104268577A (zh) * | 2014-06-27 | 2015-01-07 | 大连理工大学 | 一种基于惯性传感器的人体行为识别方法 |
CN104527647A (zh) * | 2014-12-15 | 2015-04-22 | 清华大学 | 一种驾驶行为危险度的监测评估方法 |
CN104680168A (zh) * | 2015-03-10 | 2015-06-03 | 无锡桑尼安科技有限公司 | 用于公路地貌识别的特征向量提取设备 |
DE102016200973A1 (de) * | 2016-01-25 | 2017-07-27 | Robert Bosch Gmbh | Verfahren zum Erkennen einer Müdigkeit eines Fahrers eines Fahrzeugs und Steuergerät |
CN106384129A (zh) * | 2016-09-13 | 2017-02-08 | 西安科技大学 | 一种基于闭环驾驶模型的驾驶员驾驶状态辨识方法 |
CN106740863A (zh) * | 2016-11-30 | 2017-05-31 | 武汉长江通信智联技术有限公司 | 驾驶行为分析方法 |
CN106815312A (zh) * | 2016-12-21 | 2017-06-09 | 东软集团股份有限公司 | 一种驾驶员评价方法及装置 |
CN107316354A (zh) * | 2017-07-12 | 2017-11-03 | 哈尔滨工业大学 | 一种基于方向盘和gnss数据的疲劳驾驶检测方法 |
CN108229304A (zh) * | 2017-11-17 | 2018-06-29 | 清华大学 | 一种***化的基于聚类思想的驾驶行为识别方法 |
CN108280415A (zh) * | 2018-01-17 | 2018-07-13 | 武汉理工大学 | 基于智能移动终端的驾驶行为识别方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110045371A (zh) * | 2019-04-28 | 2019-07-23 | 软通智慧科技有限公司 | 一种鉴定方法、装置、设备及存储介质 |
CN112396805A (zh) * | 2019-07-31 | 2021-02-23 | Oppo广东移动通信有限公司 | 疲劳驾驶提醒的方法、装置、终端及存储介质 |
CN112396805B (zh) * | 2019-07-31 | 2022-10-25 | Oppo广东移动通信有限公司 | 疲劳驾驶提醒的方法、装置、终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105444770B (zh) | 基于智能手机的车道级别地图生成和定位方法 | |
CN107784597B (zh) | 出行方式识别方法、装置、终端设备及存储介质 | |
CN110501169A (zh) | 车辆故障的诊断方法、装置及电子设备 | |
US10152061B2 (en) | Drive assist apparatus | |
CN109345772A (zh) | 一种疲劳驾驶识别方法及相关设备 | |
CN110458083A (zh) | 一种车道线矢量化方法、装置及存储介质 | |
CN110389995A (zh) | 车道信息检测方法、装置、设备和介质 | |
CN106457936A (zh) | 一种胎压传感器定位方法及装置 | |
CN107505617A (zh) | 一种雷达目标测试方法 | |
WO2019029637A1 (zh) | 列车排序方法及装置 | |
CN108986255A (zh) | 电子装置、驾驶行为评分方法及存储介质 | |
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 | |
CN114970705A (zh) | 基于多传感数据的行驶状态分析方法、装置、设备及介质 | |
CN110823543A (zh) | 一种基于往复机械活塞杆轴心轨迹包络与信息熵特征的负荷识别方法 | |
CN105953793A (zh) | 一种车辆急转弯的识别方法以及装置 | |
CN108801282A (zh) | 车辆行驶的导航方法、装置和计算设备 | |
CN105427625B (zh) | 车辆拐弯识别方法和装置 | |
CN116010543A (zh) | 车道信息确定方法、装置、电子设备以及存储介质 | |
CN116977943A (zh) | 道路要素的识别方法、装置、电子设备和计算机存储介质 | |
CN105957182A (zh) | 一种修正指示车辆行驶的直线方向的方法及装置 | |
CN116206283A (zh) | 一种移动机器人端的二维激光点云行人检测方法与应用 | |
CN115546743A (zh) | 基于附着系数的车路协同控制方法、装置、设备及介质 | |
CN114021629B (zh) | 一种基于均值动态时间规整的车辆轨迹运动模式提取方法 | |
CN106537090A (zh) | 用于查明移动终端设备的至少一个位置的装置和方法 | |
CN112634489B (zh) | 一种基于移动终端的车辆状态确定方法、装置及*** |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190215 |