CN111382631A - 识别方法、识别装置、终端、服务器和存储介质 - Google Patents
识别方法、识别装置、终端、服务器和存储介质 Download PDFInfo
- Publication number
- CN111382631A CN111382631A CN201811634860.5A CN201811634860A CN111382631A CN 111382631 A CN111382631 A CN 111382631A CN 201811634860 A CN201811634860 A CN 201811634860A CN 111382631 A CN111382631 A CN 111382631A
- Authority
- CN
- China
- Prior art keywords
- acceleration
- data
- athletic performance
- determining
- terminal
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000001133 acceleration Effects 0.000 claims abstract description 260
- 230000033001 locomotion Effects 0.000 claims abstract description 159
- 230000006399 behavior Effects 0.000 claims description 173
- 230000037147 athletic performance Effects 0.000 claims description 65
- 238000000605 extraction Methods 0.000 claims description 60
- 238000012549 training Methods 0.000 claims description 59
- 238000001914 filtration Methods 0.000 claims description 38
- 238000010801 machine learning Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 230000001788 irregular Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 16
- 230000005540 biological transmission Effects 0.000 abstract description 9
- 230000006870 function Effects 0.000 description 10
- 230000035945 sensitivity Effects 0.000 description 9
- 238000013145 classification model Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000000386 athletic effect Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000001737 promoting effect Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供了一种运动行为的识别方法、装置、终端、服务器和计算机可读存储介质,其中,识别方法包括:实时获取加速度信号,并记录加速度信号的波动结果;根据加速度信号的波动结果确定待处理的运动行为特征数据,其中,运动行为特征数据用于识别终端是否处于指定运动状态。本发明的技术方案,通过根据波动结果确定待处理的运动行为特征数据,则只需要提取对于识别指定运动状态有用的特征数据,不需要保留所有的传感器数据,通过基于波动结果对特征数据进行初步筛选,以防止向服务器上传大量的传感器数据,在减小数据传输压力的同时,也能够降低服务器的处理压力,进一步地,还能够提升运动行为识别的识别精度。
Description
技术领域
本发明涉及智能交通领域,具体而言,涉及一种运动行为的识别方法、一种运动行为的识别装置、一种终端、一种服务器和一种计算机可读存储介质。
背景技术
相关技术中,处于行驶状态的车辆中的司机和/或乘客都会携带移动终端,以通过移动终端内置的姿态传感器检测行驶过程中的加速度信息,并通过把加速度信息发送至相应的服务器中进行识别,以识别出当前车辆的司机是否存在危险驾驶行为,存在以下缺陷:
(1)需要将长时间采集到的大量的传感器数据上传至服务器,导致增加了服务器的处理压力;
(2)由于上传的传感器输出中包括大量的由于移动终端自身摇晃产生的干扰数据,对识别的精度造成了影响。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。
为此,本发明的一个目的在于提供一种运动行为的识别方法。
本发明的另一个目的在于提供一种运动行为的识别装置。
本发明的又一个目的在于提供一种计算机设备。
本发明的又一个目的在于提供一种计算机可读存储介质。
为了实现上述目的,本发明第一方面的技术方案提供了一种运动行为的识别方法,适用于终端,终端设有姿态传感器,姿态传感器能够用于检测终端运动过程的加速度信号,运动行为识别方法包括:实时获取加速度信号,并记录加速度信号的波动结果;根据加速度信号的波动结果确定待处理的运动行为特征数据,其中,运动行为特征数据用于识别终端是否处于指定运动状态。
本发明第二方面的技术方案提供了一种运动行为的识别方法,包括:接收终端发送的运动行为特征数据;根据运动行为特征数据的解析结果,确定终端是否处于指定运动状态。
本发明的第三方面的技术方案提供了一种运动行为的识别装置,适用于终端,终端设有姿态传感器,姿态传感器能够用于检测终端运动过程的加速度信号,运动行为识别装置包括:存储器和处理器;存储器,用于存储存储器用于存储程序代码;处理器,用于调用程序代码执行:实时获取加速度信号,并记录加速度信号的波动结果;根据加速度信号的波动结果确定待处理的运动行为特征数据,其中,运动行为特征数据用于识别终端是否处于指定运动状态。
本发明的第四方面的技术方案提供了一种运动行为的识别装置,包括:存储器和处理器;存储器,用于存储存储器用于存储程序代码;处理器,用于调用程序代码执行:接收终端发送的运动行为特征数据;根据运动行为特征数据的解析结果,确定终端是否处于指定运动状态。
本发明的第五方面的技术方案提供了一种终端,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述任一项运动行为的识别方法限定的步骤,和/或包括上述任一项的运动行为的识别装置。
本发明的第六方面的技术方案提供了一种服务器,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述任一项运动行为的识别方法限定的步骤,和/或包括上述任一项的运动行为的识别装置。
本发明的第七方面的技术方案提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述任一项运动行为的识别方法限定的步骤。
从上述本发明的实施例可知,在车辆行驶中,指定运动状态可以为超速行驶状态、随意变线状态、不规则急刹车状态以及司机酒驾状态等,根据不同的识别需求,能够通过运动行为特征数据,实现上述运动状态的检测与识别,从而能够在识别出指定运动状态时,及时提醒用户,以降低危险驾驶的概率,并且通过根据波动结果确定待处理的运动行为特征数据,则只需要提取对于识别指定运动状态有用的特征数据,不需要保留所有的传感器数据,通过基于波动结果对特征数据进行初步筛选,以防止向服务器上传大量的传感器数据,在减小数据传输压力的同时,也能够降低服务器的处理压力,进一步地,还能够提升运动行为识别的识别精度。
本发明的优点将在下面的描述部分中给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1示出了根据本发明的一个实施例的运动行为的识别方法的示意流程图;
图2示出了根据本发明另一个实施例的运动行为的识别方法的示意流程图;
图3示出了根据本发明的实施例的运动行为的识别装置的示意框图;
图4示出了根据本发明的再一个实施例的运动行为的识别方法的示意流程图;
图5示出了根据本发明的实施例的计算机设备的示意框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
下面结合图1对本发明的一个实施例的运动行为的识别方法进行具体说明。
如图1所示,根据本发明一个实施例的运动行为的识别方法,适用于终端,具体包括以下流程步骤:
步骤102,实时获取加速度信号,并记录加速度信号的波动结果;
步骤104,根据加速度信号的波动结果确定待处理的运动行为特征数据,其中,运动行为特征数据用于识别终端是否处于指定运动状态。
在该实施例中,车辆行驶过程中,通过放置于车辆中的移动终端内置的姿态传感器采集加速度信号,以经由该加速度信号的波动情况检测车辆的加速度,进一步地,通过加速度信号的波动结果确定待处理的运动行为特征数据,以通过对运动行为特征数据的识别,检测移动终端以及车辆是否处于指定运动状态。
一方面,在车辆行驶中,指定运动状态可以为超速行驶状态、随意变线状态、不规则急刹车状态以及司机酒驾状态等,根据不同的识别需求,能够通过运动行为特征数据,实现上述运动状态的检测与识别,从而能够在识别出指定运动状态时,及时提醒用户,以降低危险驾驶的概率,另一方面,通过根据波动结果确定待处理的运动行为特征数据,则只需要提取对于识别指定运动状态有用的特征数据,不需要保留所有的传感器数据,通过基于波动结果对特征数据进行初步筛选,以防止向服务器上传大量的传感器数据,在减小数据传输压力的同时,也能够降低服务器的处理压力,进一步地,还能够提升运动行为识别的识别精度。
在本申请的一个实施例中,优选地,根据加速度信号的波动结果确定待处理的运动行为特征数据,具体包括:根据预设的识别目标确定对应的特征提取条件;根据特征提取条件提取波动结果中的特征数据,以作为待处理的运动行为特征数据。
在该实施例中,对于不同的识别目标,需要设置不同的特征提取条件,即筛选条件,在确定识别目标之后,即可确定对应的特征提取条件,进而通过该特征提取条件提取上述波动结果中的部分数据,以作为待处理的运动行为特征数据,特征提取条件可以作为前置规则,以通过前置规则实现特征数据的截取,进而降低上传至执行识别操作的服务器的数据量,以减小服务的处理压力。
在本申请的一个实施例中,优选地,根据特征提取条件提取波动结果中的特征数据,以作为待处理的运动行为特征数据,具体包括:根据预设的触发提取条件确定波动结果中的触发位置;根据预设的结束提取条件确定波动结果中的结束位置;将处于触发提取位置与结束提取位置之间的波动结果确定为待处理的运动行为特征数据。
在该实施例中,波动结果具体可以采用波动曲线来描述,而波动曲线可以由根据预设的采集频率采集到的加速度信号构设形成,而特征提取条件具体为对该波动曲线中的部分曲线进行截取,进一步地,即确定截取操作的触发位置与终点位置,从而在确定触发位置和终点位置之后,得到一段完整的待处理的运行行为特征数据。
具体地,通过持续采集加速度值,加速度的变化对应加速度的波动,加速度的变化值对应波动的剧烈程度,进而得到虚拟的加速度波动曲线,在检测到波动曲线上的点满足前置识别规则的准入条件时,表明自此刻开始所采集到的加速度数据可以表征用户的驾驶行为为疑似危险驾驶行为,并在满足准出条件后,退出对疑似危险驾驶行为的记录,以得到一段完整的疑似危险驾驶行为数据,与现有技术中根据加速度的绝对值以及持续时间进行前置识别的方式相比,在满足多种终端机型采集精度的使用需求的同时,提高对危险驾驶行为识别的灵敏度,并有利于提升所识别的危险驾驶行为数据的召回率。
在本申请的一个实施例中,优选地,在指定运动状态为危险行驶行为时,根据预设的触发提取条件确定波动结果中的触发提取位置,具体包括:提取加速度信号中的水平加速度;根据多个连续的水平加速度计算加速度方差,以通过加速度方差表征加速度信号的波动程度;将波动结果中水平加速度大于第一预设加速度阈值,以及加速度方差大于第一预设方差阈值的位置确定为触发位置。
在该实施例中,对于车辆的危险行驶行为而言,通常都会伴随急加速、急减速、急刹车、急变道都现象,而上述现象通常都通过加速度信号的异常表现反映出来,通过提取水平加速度,计算水平方向的加速度的波动方差,结合预设第一预设加速度阈值以及第一预设方差阈值,以作为预设前置识别规则的准入条件,从而在检测到实时加速度大于第一预设加速度阈值,以及加速度的波动方差大于第一预设方差阈值时,实现当前的行驶车辆由于波动的剧烈程度较高而处于疑似危险驾驶状态的识别功能,进而提取待处理的运动行为特征数据。
其中,通过根据实时加速度值计算累积加速度方差值,以表征加速度的偏差,以实现对加速度波动的剧烈程度的量化衡量。
具体地,可以取采集到的相邻的150个实时加速度值计算加速度方差值。
在本申请的一个实施例中,优选地,根据预设的结束提取条件确定波动结果中的结束提取位置,具体包括:将波动结果中水平加速度减小至小于第二预设加速度阈值,和/或加速度方差减小至小于第二预设方差阈值的位置确定为结束位置。
在该实施例中,在该实施例中,通过预设第二加速度阈值以及第二预设方差阈值,以作为预设前置识别规则的准出条件,从而在检测到实时加速度值小于第二预设加速度阈值,和/或加速度方差值小于第二预设方差阈值时,表明行驶车辆已经恢复正常行驶状态,进而触发移动终端停止采集与驾驶状态相关的特征数据,以防止对与危险驾驶无关的数据的多余采集。
具体地,在一种实施方式下,第一预设加速度阈值可以为0.5m/s2,同时第一预设方差阈值为1m/s2时,在检测到实时加速度值大于第一预设加速度阈值,以及加速度方差值大于第一预设方差阈值时,开始提取特征数据,直到实时加速度值<0.5m/s2或者加速度方差值<0.2m/s2时结束,采集到的数据即为待处理的运动行为特征数据,即疑似危险驾驶数据。
在本申请的一个实施例中,优选地,姿态传感器包括三轴陀螺仪与三轴加速度计,实时获取加速度信号,并记录加速度信号的波动结果,具体包括:通过三轴陀螺仪实时采集角加速度信号,并通过三轴加速度计实时采集线加速度信号,以根据角加速度信号与线加速度信号得到波动结果。
在该实施例中,假设手机的X轴正方向为行驶方向,在水平方向与X轴垂直的方向为Y方向,垂直于手机屏幕并指向天空的方向为手机的Z轴正方向,以使车辆的三轴方向与手机的三轴方向一致,在所驾车辆X轴正方向、Y轴正方向和Z轴正方向与手机的X轴正方向、Y轴正方向和Z轴正方向不一致时,可以先获得一个转换矩阵T=[C B A]实现坐标方向的转换,以实现三轴加速度值的获取。
进一步,结合陀螺仪检测到的角加速度信号,以检测是否存在频繁的危险变道行为。
在本申请的一个实施例中,优选地,还包括:将待处理的运动行为特征数据输入到预设的干扰过滤模型中,以通过干扰过滤模型过滤掉加速度信号中的摇晃干扰数据,得到运动行为特征数据。
在该实施例中,通过预设干扰过滤模型,以对疑似危险驾驶行为数据中的干扰数据进行识别与滤除,在提升危险驾驶行为识别的灵敏度的同时,过滤掉不是由于危险驾驶产生的加速度数据,比如用于采集实时加速度值的移动终端的摇晃数据等,一方面能够提升识别的精确度,另一方面,也避免了上传干扰数据到服务器造成的不必要的压力与资源浪费。
具体地,可以将预设摇晃二分类模型作为干扰过滤模型,以区分作为正样本的危险驾驶数据以及作为负样本的对危险驾驶数据造成干扰的干扰数据,进而实现对摇晃数据的识别,摇晃数据作为传感器采集到的干扰危险驾驶数据的主要干扰数据,通过滤除干扰数据,降低了因为前置识别规则灵的敏度的提高而导致过多的摇晃数据的上传到服务端,造成服务端的处理压力。
在本申请的一个实施例中,优选地,还包括:将运动行为特征数据发送至对应的服务器,并接收服务器根据运动行为特征数据反馈的识别结果。
在该实施例中,通过将处理过的运动行为特征数据上传到对应的服务器,以由服务器执行具体的识别操作,一方面,能够通过服务器端强大的识别功能根据运动行为特征数据识别出终端的状态是否为指定运动状态,以在识别出指定运动状态时,进行记录与及时提醒。
如图2所示,根据本发明另一个实施例的运动行为的识别方法,适用于服务器,具体包括以下流程步骤:
步骤202,接收终端发送的运动行为特征数据;
步骤204,根据运动行为特征数据的解析结果,确定终端是否处于指定运动状态。
在该实施例中,通过接收终端发送的基于波动结果对特征数据进行处理后的运动行为特征数据,与现有技术中的识别方式相比,不需要对上传的特征数据进行预处理,即减小了特征数据的接收量,在减小数据传输压力的同时,也能够降低服务器的处理压力,进一步地,由于在终端对特征数据进行了预处理,还能够提升运动行为识别的识别精度。
在本申请的一个实施例中,优选地,根据运动行为特征数据的解析结果,确定终端是否处于指定运动状态,具体包括:根据预设的识别目标确定对应的识别模型;将运动行为特征数据输入识别模型,以根据输出结果确定终端是否处于指定运动状态。
在本申请的一个实施例中,优选地,在指定运动状态为危险行驶行为时,识别模型为危险驾驶识别模型,以根据危险驾驶识别模型的输出结果识别终端是否具有危险行驶行为。
在该实施例中,在接收到运动行为特征数据时,可以将运动行为数据输入不同的识别模型,在车辆行进过程中,以通过对运动行为特征数据的识别,检测车辆是否存在超速行驶、随意变道、不规则刹车以及其它异常行驶行为。
在本申请的一个实施例中,优选地,还包括:将危险驾驶行为记录与对应的加速度数据确定为训练正样本,将安全驾驶行为记录与对应的加速度数据确定为训练负样本;利用机器学习模型分布对训练正样本与训练负样本进行训练,以构建危险驾驶识别模型。
在本申请的一个实施例中,优选地,还包括:将预先收集到的由姿态传感器检测到的终端摇晃数据确定为训练正样本;将预先收集到的有姿态传感器检测到的危险行驶数据作为训练正样本;利用机器学习模型对训练正样本与训练负样本进行训练,以构建用于过滤摇晃干扰数据的干扰过滤模型,并将干扰过滤模型推送至终端。
在该实施例中,在该实施例中,预先整理指定加速度数据作为训练集数据,指定加速度数据包括已经确定的历史危险驾驶数据以及历史摇晃数据,通过训练集数据,采用机器学习的方式训练训练集数据,以生成摇晃二分类模型,进而实现了对干扰数据的识别与滤除。
如图3所示,根据本发明一个实施例的运动行为的识别装置300,适用于终端,识别装置300具体包括:存储器302和处理器304;存储器302,用于存储程序代码;处理器304,用于调用程序代码执行:实时获取加速度信号,并记录加速度信号的波动结果;根据加速度信号的波动结果确定待处理的运动行为特征数据,其中,运动行为特征数据用于识别终端是否处于指定运动状态。
在该实施例中,车辆行驶过程中,通过放置于车辆中的移动终端内置的姿态传感器采集加速度信号,以经由该加速度信号的波动情况检测车辆的加速度,进一步地,通过加速度信号的波动结果确定待处理的运动行为特征数据,以通过对运动行为特征数据的识别,检测移动终端以及车辆是否处于指定运动状态。
一方面,在车辆行驶中,指定运动状态可以为超速行驶状态、随意变线状态、不规则急刹车状态以及司机酒驾状态等,根据不同的识别需求,能够通过运动行为特征数据,实现上述运动状态的检测与识别,从而能够在识别出指定运动状态时,及时提醒用户,以降低危险驾驶的概率,另一方面,通过根据波动结果确定待处理的运动行为特征数据,则只需要提取对于识别指定运动状态有用的特征数据,不需要保留所有的传感器数据,通过基于波动结果对特征数据进行初步筛选,以防止向服务器上传大量的传感器数据,在减小数据传输压力的同时,也能够降低服务器的处理压力,进一步地,还能够提升运动行为识别的识别精度。
在本申请的一个实施例中,优选地,处理器304,具体用于:根据预设的识别目标确定对应的特征提取条件;根据特征提取条件提取波动结果中的特征数据,以作为待处理的运动行为特征数据。
在该实施例中,对于不同的识别目标,需要设置不同的特征提取条件,即筛选条件,在确定识别目标之后,即可确定对应的特征提取条件,进而通过该特征提取条件提取上述波动结果中的部分数据,以作为待处理的运动行为特征数据,特征提取条件可以作为前置规则,以通过前置规则实现特征数据的截取,进而降低上传至执行识别操作的服务器的数据量,以减小服务的处理压力。
在本申请的一个实施例中,优选地,处理器304,具体用于:根据预设的触发提取条件确定波动结果中的触发位置;根据预设的结束提取条件确定波动结果中的结束位置;将处于触发提取位置与结束提取位置之间的波动结果确定为待处理的运动行为特征数据。
在该实施例中,波动结果具体可以采用波动曲线来描述,而波动曲线可以由根据预设的采集频率采集到的加速度信号构设形成,而特征提取条件具体为对该波动曲线中的部分曲线进行截取,进一步地,即确定截取操作的触发位置与终点位置,从而在确定触发位置和终点位置之后,得到一段完整的待处理的运行行为特征数据。
具体地,通过持续采集加速度值,加速度的变化对应加速度的波动,加速度的变化值对应波动的剧烈程度,进而得到虚拟的加速度波动曲线,在检测到波动曲线上的点满足前置识别规则的准入条件时,表明自此刻开始所采集到的加速度数据可以表征用户的驾驶行为为疑似危险驾驶行为,并在满足准出条件后,退出对疑似危险驾驶行为的记录,以得到一段完整的疑似危险驾驶行为数据,与现有技术中根据加速度的绝对值以及持续时间进行前置识别的方式相比,在满足多种终端机型采集精度的使用需求的同时,提高对危险驾驶行为识别的灵敏度,并有利于提升所识别的危险驾驶行为数据的召回率。
在本申请的一个实施例中,优选地,处理器304,具体用于:提取加速度信号中的水平加速度;根据多个连续的水平加速度计算加速度方差,以通过加速度方差表征加速度信号的波动程度;将波动结果中水平加速度大于第一预设加速度阈值,以及加速度方差大于第一预设方差阈值的位置确定为触发位置。
在该实施例中,对于车辆的危险行驶行为而言,通常都会伴随急加速、急减速、急刹车、急变道都现象,而上述现象通常都通过加速度信号的异常表现反映出来,通过提取水平加速度,计算水平方向的加速度的波动方差,结合预设第一预设加速度阈值以及第一预设方差阈值,以作为预设前置识别规则的准入条件,从而在检测到实时加速度大于第一预设加速度阈值,以及加速度的波动方差大于第一预设方差阈值时,实现当前的行驶车辆由于波动的剧烈程度较高而处于疑似危险驾驶状态的识别功能,进而提取待处理的运动行为特征数据。
其中,通过根据实时加速度值计算累积加速度方差值,以表征加速度的偏差,以实现对加速度波动的剧烈程度的量化衡量。
具体地,可以取采集到的相邻的150个实时加速度值计算加速度方差值。
在本申请的一个实施例中,优选地,处理器304,具体用于:将波动结果中水平加速度减小至小于第二预设加速度阈值,和/或加速度方差减小至小于第二预设方差阈值的位置确定为结束位置。
在该实施例中,在该实施例中,通过预设第二加速度阈值以及第二预设方差阈值,以作为预设前置识别规则的准出条件,从而在检测到实时加速度值小于第二预设加速度阈值,和/或加速度方差值小于第二预设方差阈值时,表明行驶车辆已经恢复正常行驶状态,进而触发移动终端停止采集与驾驶状态相关的特征数据,以防止对与危险驾驶无关的数据的多余采集。
具体地,在一种实施方式下,第一预设加速度阈值可以为0.5m/s2,同时第一预设方差阈值为1m/s2时,在检测到实时加速度值大于第一预设加速度阈值,以及加速度方差值大于第一预设方差阈值时,开始提取特征数据,直到实时加速度值<0.5m/s2或者加速度方差值<0.2m/s2时结束,采集到的数据即为待处理的运动行为特征数据,即疑似危险驾驶数据。
在本申请的一个实施例中,优选地,姿态传感器包括三轴陀螺仪与三轴加速度计,处理器304,具体用于:通过三轴陀螺仪实时采集角加速度信号,并通过三轴加速度计实时采集线加速度信号,以根据角加速度信号与线加速度信号得到波动结果。
在该实施例中,假设手机的X轴正方向为行驶方向,在水平方向与X轴垂直的方向为Y方向,垂直于手机屏幕并指向天空的方向为手机的Z轴正方向,以使车辆的三轴方向与手机的三轴方向一致,在所驾车辆X轴正方向、Y轴正方向和Z轴正方向与手机的X轴正方向、Y轴正方向和Z轴正方向不一致时,可以先获得一个转换矩阵T=[C B A]实现坐标方向的转换,以实现三轴加速度值的获取。
进一步,结合陀螺仪检测到的角加速度信号,以检测是否存在频繁的危险变道行为。
在本申请的一个实施例中,优选地,处理器304,具体用于:将待处理的运动行为特征数据输入到预设的干扰过滤模型中,以通过干扰过滤模型过滤掉加速度信号中的摇晃干扰数据,得到运动行为特征数据。
在该实施例中,通过预设干扰过滤模型,以对疑似危险驾驶行为数据中的干扰数据进行识别与滤除,在提升危险驾驶行为识别的灵敏度的同时,过滤掉不是由于危险驾驶产生的加速度数据,比如用于采集实时加速度值的移动终端的摇晃数据等,一方面能够提升识别的精确度,另一方面,也避免了上传干扰数据到服务器造成的不必要的压力与资源浪费。
具体地,可以将预设摇晃二分类模型作为干扰过滤模型,以区分作为正样本的危险驾驶数据以及作为负样本的对危险驾驶数据造成干扰的干扰数据,进而实现对摇晃数据的识别,摇晃数据作为传感器采集到的干扰危险驾驶数据的主要干扰数据,通过滤除干扰数据,降低了因为前置识别规则灵的敏度的提高而导致过多的摇晃数据的上传到服务端,造成服务端的处理压力。
在本申请的一个实施例中,优选地,处理器304,具体用于:将运动行为特征数据发送至对应的服务器,并接收服务器根据运动行为特征数据反馈的识别结果。
在该实施例中,通过将处理过的运动行为特征数据上传到对应的服务器,以由服务器执行具体的识别操作,一方面,能够通过服务器端强大的识别功能根据运动行为特征数据识别出终端的状态是否为指定运动状态,以在识别出指定运动状态时,进行记录与及时提醒。
如图4所示,根据本发明另一个实施例的运动行为的识别装置400,适用于服务器,识别装置400具体包括:存储器402和处理器404;存储器402,用于存储程序代码;处理器404,用于调用程序代码执行:接收终端发送的运动行为特征数据;根据运动行为特征数据的解析结果,确定终端是否处于指定运动状态。
在该实施例中,通过接收终端发送的基于波动结果对特征数据进行处理后的运动行为特征数据,与现有技术中的识别方式相比,不需要对上传的特征数据进行预处理,即减小了特征数据的接收量,在减小数据传输压力的同时,也能够降低服务器的处理压力,进一步地,由于在终端对特征数据进行了预处理,还能够提升运动行为识别的识别精度。
在本申请的一个实施例中,优选地,处理器404,具体用于:根据预设的识别目标确定对应的识别模型;将运动行为特征数据输入识别模型,以根据输出结果确定终端是否处于指定运动状态。
在本申请的一个实施例中,优选地,在指定运动状态为危险行驶行为时,识别模型为危险驾驶识别模型,以根据危险驾驶识别模型的输出结果识别终端是否具有危险行驶行为。
在该实施例中,在接收到运动行为特征数据时,可以将运动行为数据输入不同的识别模型,在车辆行进过程中,以通过对运动行为特征数据的识别,检测车辆是否存在超速行驶、随意变道、不规则刹车以及其它异常行驶行为。
在本申请的一个实施例中,优选地,处理器404,具体用于:将危险驾驶行为记录与对应的加速度数据确定为训练正样本,将安全驾驶行为记录与对应的加速度数据确定为训练负样本;利用机器学习模型分布对训练正样本与训练负样本进行训练,以构建危险驾驶识别模型。
在本申请的一个实施例中,优选地,处理器404,具体用于:将预先收集到的由姿态传感器检测到的终端摇晃数据确定为训练正样本;将预先收集到的有姿态传感器检测到的危险行驶数据作为训练正样本;利用机器学习模型对训练正样本与训练负样本进行训练,以构建用于过滤摇晃干扰数据的干扰过滤模型,并将干扰过滤模型推送至终端。
在该实施例中,在该实施例中,预先整理指定加速度数据作为训练集数据,指定加速度数据包括已经确定的历史危险驾驶数据以及历史摇晃数据,通过训练集数据,采用机器学习的方式训练训练集数据,以生成摇晃二分类模型,进而实现了对干扰数据的识别与滤除。
如图5所示,根据本发明另一个实施例的运动行为的识别方法,包括:
(1)置于行驶车辆上的移动终端通过内置的加速度传感器采集初始传感数据;
(2)对采集到的初始传感数据进行数据过滤与整合,以得到传感数据,以根据传感数据确定加速度的波动值;
(3)根据加速度的波动确定是否准入前置识别规则,以在确定准入前置识别规则后,开始记录疑似危险驾驶数据;
(4)将收集到的疑似危险驾驶数据输入预设的摇晃二分类模型,得到危险驾驶行为的特征数据;
(5)在采集完毕后,能够得到一段完整的危险驾驶行为的特征数据,特征数据可以通过中转服务器传送到服务器,以记录危险行为;
(6)也可以直接显示在移动终端或通过模型分析决策进行分析后将得到的分析记录发送至移动终端,以提示用户当前处于危险驾驶状态。
其中,SDK即(Software Development Kit,软件开发工具包)
根据本发明实施例的终端,包括上述任意实施例所述的运动行为的识别装置300。
根据本发明实施例的服务器,包括上述任意实施例所述的运动行为的识别装置400。
其中,计算机设备可以为移动终端,也可以为与移动终端进行数据传输的车载设备。
根据本发明的实施例,还提出了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现:实时获取加速度信号,并记录加速度信号的波动结果;根据加速度信号的波动结果确定待处理的运动行为特征数据,其中,运动行为特征数据用于识别终端是否处于指定运动状态。
在该实施例中,车辆行驶过程中,通过放置于车辆中的移动终端内置的姿态传感器采集加速度信号,以经由该加速度信号的波动情况检测车辆的加速度,进一步地,通过加速度信号的波动结果确定待处理的运动行为特征数据,以通过对运动行为特征数据的识别,检测移动终端以及车辆是否处于指定运动状态。
一方面,在车辆行驶中,指定运动状态可以为超速行驶状态、随意变线状态、不规则急刹车状态以及司机酒驾状态等,根据不同的识别需求,能够通过运动行为特征数据,实现上述运动状态的检测与识别,从而能够在识别出指定运动状态时,及时提醒用户,以降低危险驾驶的概率,另一方面,通过根据波动结果确定待处理的运动行为特征数据,则只需要提取对于识别指定运动状态有用的特征数据,不需要保留所有的传感器数据,通过基于波动结果对特征数据进行初步筛选,以防止向服务器上传大量的传感器数据,在减小数据传输压力的同时,也能够降低服务器的处理压力,进一步地,还能够提升运动行为识别的识别精度。
在本申请的一个实施例中,优选地,根据加速度信号的波动结果确定待处理的运动行为特征数据,具体包括:根据预设的识别目标确定对应的特征提取条件;根据特征提取条件提取波动结果中的特征数据,以作为待处理的运动行为特征数据。
在该实施例中,对于不同的识别目标,需要设置不同的特征提取条件,即筛选条件,在确定识别目标之后,即可确定对应的特征提取条件,进而通过该特征提取条件提取上述波动结果中的部分数据,以作为待处理的运动行为特征数据,特征提取条件可以作为前置规则,以通过前置规则实现特征数据的截取,进而降低上传至执行识别操作的服务器的数据量,以减小服务的处理压力。
在本申请的一个实施例中,优选地,根据特征提取条件提取波动结果中的特征数据,以作为待处理的运动行为特征数据,具体包括:根据预设的触发提取条件确定波动结果中的触发位置;根据预设的结束提取条件确定波动结果中的结束位置;将处于触发提取位置与结束提取位置之间的波动结果确定为待处理的运动行为特征数据。
在该实施例中,波动结果具体可以采用波动曲线来描述,而波动曲线可以由根据预设的采集频率采集到的加速度信号构设形成,而特征提取条件具体为对该波动曲线中的部分曲线进行截取,进一步地,即确定截取操作的触发位置与终点位置,从而在确定触发位置和终点位置之后,得到一段完整的待处理的运行行为特征数据。
具体地,通过持续采集加速度值,加速度的变化对应加速度的波动,加速度的变化值对应波动的剧烈程度,进而得到虚拟的加速度波动曲线,在检测到波动曲线上的点满足前置识别规则的准入条件时,表明自此刻开始所采集到的加速度数据可以表征用户的驾驶行为为疑似危险驾驶行为,并在满足准出条件后,退出对疑似危险驾驶行为的记录,以得到一段完整的疑似危险驾驶行为数据,与现有技术中根据加速度的绝对值以及持续时间进行前置识别的方式相比,在满足多种终端机型采集精度的使用需求的同时,提高对危险驾驶行为识别的灵敏度,并有利于提升所识别的危险驾驶行为数据的召回率。
在本申请的一个实施例中,优选地,在指定运动状态为危险行驶行为时,根据预设的触发提取条件确定波动结果中的触发提取位置,具体包括:提取加速度信号中的水平加速度;根据多个连续的水平加速度计算加速度方差,以通过加速度方差表征加速度信号的波动程度;将波动结果中水平加速度大于第一预设加速度阈值,以及加速度方差大于第一预设方差阈值的位置确定为触发位置。
在该实施例中,对于车辆的危险行驶行为而言,通常都会伴随急加速、急减速、急刹车、急变道都现象,而上述现象通常都通过加速度信号的异常表现反映出来,通过提取水平加速度,计算水平方向的加速度的波动方差,结合预设第一预设加速度阈值以及第一预设方差阈值,以作为预设前置识别规则的准入条件,从而在检测到实时加速度大于第一预设加速度阈值,以及加速度的波动方差大于第一预设方差阈值时,实现当前的行驶车辆由于波动的剧烈程度较高而处于疑似危险驾驶状态的识别功能,进而提取待处理的运动行为特征数据。
其中,通过根据实时加速度值计算累积加速度方差值,以表征加速度的偏差,以实现对加速度波动的剧烈程度的量化衡量。
具体地,可以取采集到的相邻的150个实时加速度值计算加速度方差值。
在本申请的一个实施例中,优选地,根据预设的结束提取条件确定波动结果中的结束提取位置,具体包括:将波动结果中水平加速度减小至小于第二预设加速度阈值,和/或加速度方差减小至小于第二预设方差阈值的位置确定为结束位置。
在该实施例中,在该实施例中,通过预设第二加速度阈值以及第二预设方差阈值,以作为预设前置识别规则的准出条件,从而在检测到实时加速度值小于第二预设加速度阈值,和/或加速度方差值小于第二预设方差阈值时,表明行驶车辆已经恢复正常行驶状态,进而触发移动终端停止采集与驾驶状态相关的特征数据,以防止对与危险驾驶无关的数据的多余采集。
具体地,在一种实施方式下,第一预设加速度阈值可以为0.5m/s2,同时第一预设方差阈值为1m/s2时,在检测到实时加速度值大于第一预设加速度阈值,以及加速度方差值大于第一预设方差阈值时,开始提取特征数据,直到实时加速度值<0.5m/s2或者加速度方差值<0.2m/s2时结束,采集到的数据即为待处理的运动行为特征数据,即疑似危险驾驶数据。
在本申请的一个实施例中,优选地,姿态传感器包括三轴陀螺仪与三轴加速度计,实时获取加速度信号,并记录加速度信号的波动结果,具体包括:通过三轴陀螺仪实时采集角加速度信号,并通过三轴加速度计实时采集线加速度信号,以根据角加速度信号与线加速度信号得到波动结果。
在该实施例中,假设手机的X轴正方向为行驶方向,在水平方向与X轴垂直的方向为Y方向,垂直于手机屏幕并指向天空的方向为手机的Z轴正方向,以使车辆的三轴方向与手机的三轴方向一致,在所驾车辆X轴正方向、Y轴正方向和Z轴正方向与手机的X轴正方向、Y轴正方向和Z轴正方向不一致时,可以先获得一个转换矩阵T=[C B A]实现坐标方向的转换,以实现三轴加速度值的获取。
进一步,结合陀螺仪检测到的角加速度信号,以检测是否存在频繁的危险变道行为。
在本申请的一个实施例中,优选地,还包括:将待处理的运动行为特征数据输入到预设的干扰过滤模型中,以通过干扰过滤模型过滤掉加速度信号中的摇晃干扰数据,得到运动行为特征数据。
在该实施例中,通过预设干扰过滤模型,以对疑似危险驾驶行为数据中的干扰数据进行识别与滤除,在提升危险驾驶行为识别的灵敏度的同时,过滤掉不是由于危险驾驶产生的加速度数据,比如用于采集实时加速度值的移动终端的摇晃数据等,一方面能够提升识别的精确度,另一方面,也避免了上传干扰数据到服务器造成的不必要的压力与资源浪费。
具体地,可以将预设摇晃二分类模型作为干扰过滤模型,以区分作为正样本的危险驾驶数据以及作为负样本的对危险驾驶数据造成干扰的干扰数据,进而实现对摇晃数据的识别,摇晃数据作为传感器采集到的干扰危险驾驶数据的主要干扰数据,通过滤除干扰数据,降低了因为前置识别规则灵的敏度的提高而导致过多的摇晃数据的上传到服务端,造成服务端的处理压力。
在本申请的一个实施例中,优选地,还包括:将运动行为特征数据发送至对应的服务器,并接收服务器根据运动行为特征数据反馈的识别结果。
在该实施例中,通过将处理过的运动行为特征数据上传到对应的服务器,以由服务器执行具体的识别操作,一方面,能够通过服务器端强大的识别功能根据运动行为特征数据识别出终端的状态是否为指定运动状态,以在识别出指定运动状态时,进行记录与及时提醒。
计算机程序被处理器执行时还实现:接收终端发送的运动行为特征数据;根据运动行为特征数据的解析结果,确定终端是否处于指定运动状态。
在该实施例中,通过接收终端发送的基于波动结果对特征数据进行处理后的运动行为特征数据,与现有技术中的识别方式相比,不需要对上传的特征数据进行预处理,即减小了特征数据的接收量,在减小数据传输压力的同时,也能够降低服务器的处理压力,进一步地,由于在终端对特征数据进行了预处理,还能够提升运动行为识别的识别精度。
在本申请的一个实施例中,优选地,根据运动行为特征数据的解析结果,确定终端是否处于指定运动状态,具体包括:根据预设的识别目标确定对应的识别模型;将运动行为特征数据输入识别模型,以根据输出结果确定终端是否处于指定运动状态。
在本申请的一个实施例中,优选地,在指定运动状态为危险行驶行为时,识别模型为危险驾驶识别模型,以根据危险驾驶识别模型的输出结果识别终端是否具有危险行驶行为。
在该实施例中,在接收到运动行为特征数据时,可以将运动行为数据输入不同的识别模型,在车辆行进过程中,以通过对运动行为特征数据的识别,检测车辆是否存在超速行驶、随意变道、不规则刹车以及其它异常行驶行为。
在本申请的一个实施例中,优选地,还包括:将危险驾驶行为记录与对应的加速度数据确定为训练正样本,将安全驾驶行为记录与对应的加速度数据确定为训练负样本;利用机器学习模型分布对训练正样本与训练负样本进行训练,以构建危险驾驶识别模型。
在本申请的一个实施例中,优选地,还包括:将预先收集到的由姿态传感器检测到的终端摇晃数据确定为训练正样本;将预先收集到的有姿态传感器检测到的危险行驶数据作为训练正样本;利用机器学习模型对训练正样本与训练负样本进行训练,以构建用于过滤摇晃干扰数据的干扰过滤模型,并将干扰过滤模型推送至终端。
在该实施例中,在该实施例中,预先整理指定加速度数据作为训练集数据,指定加速度数据包括已经确定的历史危险驾驶数据以及历史摇晃数据,通过训练集数据,采用机器学习的方式训练训练集数据,以生成摇晃二分类模型,进而实现了对干扰数据的识别与滤除。
本发明实施例的方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
本发明实施例的危险驾驶行为的前识别装置的单元模块可以根据实际需要进行合并、划分和删减。
进一步地,可以理解的是,流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本发明的描述中,术语“第一”、“第二”和“第三”仅用于描述的目的,而不能理解为指示或暗示相对重要性,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明实施例中的具体含义。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (29)
1.一种运动行为的识别方法,适用于终端,所述终端设有姿态传感器,所述姿态传感器能够用于检测所述终端运动过程的加速度信号,其特征在于,所述识别方法包括:
实时获取所述加速度信号,并记录所述加速度信号的波动结果;
根据所述加速度信号的波动结果确定待处理的运动行为特征数据,其中,所述运动行为特征数据用于识别所述终端是否处于指定运动状态。
2.根据权利要求1所述的运动行为的识别方法,其特征在于,所述根据所述加速度信号的波动结果确定待处理的运动行为特征数据,具体包括:
根据预设的识别目标确定对应的特征提取条件;
根据所述特征提取条件提取所述波动结果中的特征数据,以作为所述待处理的运动行为特征数据。
3.根据权利要求2所述的运动行为的识别方法,其特征在于,所述根据所述特征提取条件提取所述波动结果中的特征数据,以作为所述待处理的运动行为特征数据,具体包括:
根据预设的触发提取条件确定所述波动结果中的触发位置;
根据预设的结束提取条件确定所述波动结果中的结束位置;
将处于所述触发提取位置与所述结束提取位置之间的所述波动结果确定为所述待处理的运动行为特征数据。
4.根据权利要求3所述的运动行为的识别方法,其特征在于,在所述指定运动状态为危险行驶行为时,所述根据预设的触发提取条件确定所述波动结果中的触发提取位置,具体包括:
提取所述加速度信号中的水平加速度;
根据多个连续的所述水平加速度计算加速度方差,以通过所述加速度方差表征所述加速度信号的波动程度;
将所述波动结果中所述水平加速度大于第一预设加速度阈值,以及所述加速度方差大于第一预设方差阈值的位置确定为所述触发位置。
5.根据权利要求4所述的运动行为的识别方法,其特征在于,所述根据预设的结束提取条件确定所述波动结果中的结束提取位置,具体包括:
将所述波动结果中所述水平加速度减小至小于第二预设加速度阈值,和/或所述加速度方差减小至小于第二预设方差阈值的位置确定为所述结束位置。
6.根据权利要求2所述的运动行为的识别方法,其特征在于,所述姿态传感器包括三轴陀螺仪与三轴加速度计,所述实时获取所述加速度信号,并记录所述加速度信号的波动结果,具体包括:
通过所述三轴陀螺仪实时采集角加速度信号,并通过所述三轴加速度计实时采集线加速度信号,以根据所述角加速度信号与所述线加速度信号得到所述波动结果。
7.根据权利要求4所述的运动行为的识别方法,其特征在于,还包括:
将所述待处理的运动行为特征数据输入到预设的干扰过滤模型中,以通过所述干扰过滤模型过滤掉所述加速度信号中的摇晃干扰数据,得到所述运动行为特征数据。
8.根据权利要求1至7中任一项所述的运动行为的识别方法,其特征在于,还包括:
将所述运动行为特征数据发送至对应的服务器,并接收所述服务器根据所述运动行为特征数据反馈的识别结果。
9.一种运动行为的识别方法,适用于服务器,其特征在于,包括:
接收终端发送的运动行为特征数据;
根据所述运动行为特征数据的解析结果,确定所述终端是否处于指定运动状态。
10.根据权利要求9所述的运动行为的识别方法,其特征在于,根据所述运动行为特征数据的解析结果,确定所述终端是否处于指定运动状态,具体包括:
根据预设的识别目标确定对应的识别模型;
将所述运动行为特征数据输入所述识别模型,以根据输出结果确定所述终端是否处于所述指定运动状态,
所述识别模型包括超速识别模型、随意变线识别模型、不规则急刹车识别模型以及司机酒驾识别模型。
11.根据权利要求10所述的运动行为的识别方法,其特征在于,在所述指定运动状态为危险行驶行为时,所述识别模型为危险驾驶识别模型,以根据所述危险驾驶识别模型的输出结果识别所述终端是否具有危险行驶行为。
12.根据权利要求11述的运动行为的识别方法,其特征在于,还包括:
将危险驾驶行为记录与对应的加速度数据确定为训练正样本,将安全驾驶行为记录与对应的加速度数据确定为训练负样本;
利用机器学习模型分布对所述训练正样本与所述训练负样本进行训练,以构建所述危险驾驶识别模型。
13.根据权利要求9至12中任一项所述的运动行为的识别方法,其特征在于,还包括:
将预先收集到的由姿态传感器检测到的终端摇晃数据确定为训练正样本;
将预先收集到的有所述姿态传感器检测到的危险行驶数据作为训练正样本;
利用机器学习模型对所述训练正样本与所述训练负样本进行训练,以构建用于过滤摇晃干扰数据的干扰过滤模型,并将所述干扰过滤模型推送至所述终端。
14.一种运动行为的识别装置,适用于终端,所述终端设有姿态传感器,所述姿态传感器能够用于检测所述终端运动过程的加速度信号,其特征在于,所述识别装置包括:存储器和处理器;
所述存储器,用于存储所述存储器用于存储程序代码;
所述处理器,用于调用所述程序代码执行;
实时获取所述加速度信号,并记录所述加速度信号的波动结果;
根据所述加速度信号的波动结果确定待处理的运动行为特征数据,其中,所述运动行为特征数据用于识别所述终端是否处于指定运动状态。
15.根据权利要求14所述的运动行为的识别装置,其特征在于,所述处理器,具体用于:
根据预设的识别目标确定对应的特征提取条件;
根据所述特征提取条件提取所述波动结果中的特征数据,以作为所述待处理的运动行为特征数据。
16.根据权利要求15所述的运动行为的识别装置,其特征在于,所述处理器,具体用于:
根据预设的触发提取条件确定所述波动结果中的触发位置;
根据预设的结束提取条件确定所述波动结果中的结束位置;
将处于所述触发提取位置与所述结束提取位置之间的所述波动结果确定为所述待处理的运动行为特征数据。
17.根据权利要求16所述的运动行为的识别装置,其特征在于,所述处理器,具体用于:
提取所述加速度信号中的水平加速度;
根据多个连续的所述水平加速度计算加速度方差,以通过所述加速度方差表征所述加速度信号的波动程度;
将所述波动结果中所述水平加速度大于第一预设加速度阈值,以及所述加速度方差大于第一预设方差阈值的位置确定为所述触发位置。
18.根据权利要求17所述的运动行为的识别装置,其特征在于,所述处理器,具体用于:
将所述波动结果中所述水平加速度减小至小于第二预设加速度阈值,以及所述加速度方差减小至小于第二预设方差阈值的位置确定为所述结束位置。
19.根据权利要求15所述的运动行为的识别装置,其特征在于,所述姿态传感器包括三轴陀螺仪与三轴加速度计,所述处理器,具体用于:
通过所述三轴陀螺仪实时采集角加速度信号,并通过所述三轴加速度计实时采集线加速度信号,以根据所述角加速度信号与所述线加速度信号得到所述波动结果。
20.根据权利要求17所述的运动行为的识别装置,其特征在于,所述处理器,具体用于:
将所述待处理的运动行为特征数据输入到预设的干扰过滤模型中,以通过所述干扰过滤模型过滤掉所述加速度信号中的摇晃干扰数据,得到所述运动行为特征数据。
21.根据权利要求14至20中任一项所述的运动行为的识别装置,其特征在于,所述处理器,具体用于:
将所述运动行为特征数据发送至对应的服务器,并接收所述服务器根据所述运动行为特征数据反馈的识别结果。
22.一种运动行为的识别装置,适用于服务器,其特征在于,包括:存储器和处理器;
所述存储器,用于存储所述存储器用于存储程序代码;
所述处理器,用于调用所述程序代码执行;
接收终端发送的运动行为特征数据;
根据所述运动行为特征数据的解析结果,确定所述终端是否处于指定运动状态。
23.根据权利要求22所述的运动行为的识别装置,其特征在于,所述处理器,具体用于:
根据预设的识别目标确定对应的识别模型;
将所述运动行为特征数据输入所述识别模型,以根据输出结果确定所述终端是否处于所述指定运动状态,
所述识别模型包括超速识别模型、随意变线识别模型、不规则急刹车识别模型以及司机酒驾识别模型。
24.根据权利要求23所述的运动行为的识别装置,其特征在于,在所述指定运动状态为危险行驶行为时,所述识别模型为危险驾驶识别模型,以根据所述危险驾驶识别模型的输出结果识别所述终端是否具有危险行驶行为。
25.根据权利要求24所述的运动行为的识别装置,其特征在于,所述处理器,具体用于:
将危险驾驶行为记录与对应的加速度数据确定为训练正样本,将安全驾驶行为记录与对应的加速度数据确定为训练负样本;
利用机器学习模型分布对所述训练正样本与所述训练负样本进行训练,以构建所述危险驾驶识别模型。
26.根据权利要求22至25中任一项所述的运动行为的识别装置,其特征在于,所述处理器,具体用于:
将预先收集到的由姿态传感器检测到的终端摇晃数据确定为训练正样本;
将预先收集到的有所述姿态传感器检测到的危险行驶数据作为训练正样本;
利用机器学习模型对所述训练正样本与所述训练负样本进行训练,以构建用于过滤摇晃干扰数据的干扰过滤模型,并将所述干扰过滤模型推送至所述终端。
27.一种终端,其特征在于,包括:
如权利要求14至21中任一项所述的运动行为的识别装置。
28.一种服务器,其特征在于,包括:
如权利要求22至26中任一项所述的运动行为的识别装置。
29.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至13中任一项所述的运动行为的识别方法限定的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811634860.5A CN111382631B (zh) | 2018-12-29 | 2018-12-29 | 识别方法、识别装置、终端、服务器和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811634860.5A CN111382631B (zh) | 2018-12-29 | 2018-12-29 | 识别方法、识别装置、终端、服务器和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111382631A true CN111382631A (zh) | 2020-07-07 |
CN111382631B CN111382631B (zh) | 2024-04-16 |
Family
ID=71220586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811634860.5A Active CN111382631B (zh) | 2018-12-29 | 2018-12-29 | 识别方法、识别装置、终端、服务器和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111382631B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112539763A (zh) * | 2020-12-08 | 2021-03-23 | 歌尔科技有限公司 | 运动状态的分类方法、计步装置及可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2977353A1 (fr) * | 2011-06-29 | 2013-01-04 | France Telecom | Traitement de donnees pour l'identification de posture |
CN104463244A (zh) * | 2014-12-04 | 2015-03-25 | 上海交通大学 | 基于智能移动终端的异常驾驶行为监测和识别方法及*** |
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 |
CN106778476A (zh) * | 2016-11-18 | 2017-05-31 | 中国科学院深圳先进技术研究院 | 人体姿态识别方法及人体姿态识别装置 |
CN108791303A (zh) * | 2018-06-25 | 2018-11-13 | 北京嘀嘀无限科技发展有限公司 | 驾驶行为检测方法、装置、电子设备和计算机可读介质 |
-
2018
- 2018-12-29 CN CN201811634860.5A patent/CN111382631B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2977353A1 (fr) * | 2011-06-29 | 2013-01-04 | France Telecom | Traitement de donnees pour l'identification de posture |
CN104463244A (zh) * | 2014-12-04 | 2015-03-25 | 上海交通大学 | 基于智能移动终端的异常驾驶行为监测和识别方法及*** |
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 |
CN106778476A (zh) * | 2016-11-18 | 2017-05-31 | 中国科学院深圳先进技术研究院 | 人体姿态识别方法及人体姿态识别装置 |
CN108791303A (zh) * | 2018-06-25 | 2018-11-13 | 北京嘀嘀无限科技发展有限公司 | 驾驶行为检测方法、装置、电子设备和计算机可读介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112539763A (zh) * | 2020-12-08 | 2021-03-23 | 歌尔科技有限公司 | 运动状态的分类方法、计步装置及可读存储介质 |
CN112539763B (zh) * | 2020-12-08 | 2023-03-14 | 歌尔科技有限公司 | 运动状态的分类方法、计步装置及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111382631B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062240B (zh) | 汽车驾驶安全的监控方法、装置、计算机设备及存储介质 | |
CN110866427A (zh) | 一种车辆行为检测方法及装置 | |
CN106934876A (zh) | 一种车辆异常驾驶事件的识别方法及*** | |
KR101473957B1 (ko) | 운전 패턴 인식에 기반하여 보험료를 결정하는 장치 및 방법 | |
EP3319050A1 (en) | Vehicle operation data collection apparatus, vehicle operation data collection system, and vehicle operation data collection method | |
SG188578A1 (en) | Vehicle behavior analysis device, vehicle behavior analysis program and drive recorder | |
CN110610137B (zh) | 检测车辆行驶状态的方法、装置以及电子设备、存储介质 | |
CN112319488A (zh) | 一种机动车驾驶员驾驶风格的识别方法及*** | |
CN108438001A (zh) | 一种基于时间序列聚类分析的异常驾驶行为判别方法 | |
CN112466118A (zh) | 车辆驾驶行为识别方法、***、电子设备及存储介质 | |
CN114972911A (zh) | 自动驾驶感知算法模型的输出数据收集处理方法及设备 | |
US20160010984A1 (en) | Computer-implemented methods and computer systems/machines for identifying dependent and vehicle independent states | |
CN111382631A (zh) | 识别方法、识别装置、终端、服务器和存储介质 | |
CN112580531B (zh) | 一种真假车牌的识别检测方法及*** | |
CN110696828B (zh) | 前向目标选择方法、装置及车载设备 | |
JP4675859B2 (ja) | 運行管理装置、運行管理プログラム、及び運行管理方法 | |
CN108401234A (zh) | 用于检测数据的方法、用于更新情景目录的方法、设备、计算机程序和机器可读的存储介质 | |
CN108454514A (zh) | 一种基于移动互联网的行车安全预警*** | |
CN112016514B (zh) | 一种交通标志识别方法、装置、设备及储存介质 | |
CN114387554A (zh) | 车辆人员超载识别方法、装置、设备及可读介质 | |
CN111612140A (zh) | 基于路侧单元的自动驾驶安全判别方法、设备、存储介质 | |
CN111860108B (zh) | 一种基于车载单元、路侧单元协同车辆自检数据分析*** | |
CN112329657B (zh) | 一种感知驾驶员上半身动作的方法及相关装置 | |
CN114074669B (zh) | 信息处理装置、信息处理方法以及计算机可读存储介质 | |
CN115641569B (zh) | 驾驶场景处理方法、装置、设备及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |