CN111680561B - 一种驾驶行为习惯分析*** - Google Patents

Abstract

一种驾驶行为习惯分析***，涉及汽车技术领域。驾驶行为习惯分析***包括图像采集模块、数据处理模块、数据上传模块、数据分析模块和信息推送模块。图像采集模块能够实时采集驾驶员驾驶行为信息。数据处理模块能够接收驾驶行为信息并记录异常行为出现次数并按对应类别分类保存数据。数据上传模块能够将保存的数据上传至数据分析模块确定优良等级。最终由信息推送模块将驾驶行为统计信息推送给单一用户。本发明采用一种推送驾驶行为信息的方式帮助用户了解自身不良驾驶行为习惯并针对不同分析结果为用户推送不同内容、类型的推文，在帮助用户培养良好驾驶习惯，改善驾驶恶习的同时提升用户体验，降低交通事故发生率。

Description

一种驾驶行为习惯分析***

技术领域

本发明属于汽车高级辅助驾驶***技术领域，涉及一种驾驶行为习惯分析***。

背景技术

交通道路的快速发展为人们的工作和生活带来了极大便利，促进了社会发展和繁荣稳定。但交通事故频发也为人们带来巨大的困扰与灾难。驾驶员驾驶姿态异常作为引发交通事故的主要原因之一需要引起足够重视。

目前市场上为汽车配备的驾驶员监测***其工作方式都是实时检测和预警提示。中国专利申请号CN108229345A，专利名称为“一种驾驶员检测***”，发明人鲁明刚、刘伟、邱聪雨等人公开栏一种驾驶员检测***，该***能够对驾驶员的操作意图和驾驶状态进行检测，并实时给出预警提示；中国专利申请号CN109910901A，专利名称为“一种具有驾驶员行为分析监测功能的智能辅助驾驶***”，发明人陈跃等人公开了一种驾驶员驾驶行为辅助监测***，它能够对驾驶员的动作进行捕捉、汽车行驶状态进行采集并给出反馈以及时地控制和提醒驾驶员，防止出现意外。上述两项发明专利均能监测驾驶员或车辆的异常信息，并采取预警提示的方式帮助驾驶员意识到可能发生的危险，但均未考虑***频繁预警提示对驾驶体验产生的严重影响，极易使驾驶员产生烦躁情绪。而且，仅通过单一预警提示无法从根源改变驾驶员的不良驾驶习惯，无法从根本上减少交通事故发生率。

所以，在产品实用性层面，目前的产品还不能使消费者满意；在社会意义层面，对减少交通事故发生率的作用不明显。

发明内容

本发明要解决的问题是针对现有驾驶员监测***实用性不强、用户体验差且无法从根源改变驾驶员不良驾驶习惯的缺陷，发明一种驾驶员驾驶习惯分析***。即在原有驾驶员监测***的基础上，增加数据上传、数据分析与推送模块。本发明减轻现有驾驶员监测***频繁预警提示对驾车体验的影响，增加用户体验，帮助驾驶员进一步了解并改善自身驾驶习惯，从根源降低交通事故发生率。

为了达到上述目的，本发明采用的技术方案是：

一种驾驶行为习惯分析***，用于帮助驾驶员培养良好驾驶习惯，改善驾驶恶习，本发明在市面上现有的驾驶员监测***组件中另外增添数据上传模块、数据分析模块与信息推送模块。所述的现有的驾驶员监测***组件主要由图像采集模块与数据处理模块组成。

所述图像采集模块，用于获取驾驶员驾驶行为信息，所述驾驶行为信息主要包括：驾驶员面部信息、驾驶员手部动作、驾驶员身体姿态、3D物体信息。

所述的数据处理模块，用于接收及分类驾驶员驾驶行为并记录出现次数，能够按异常驾驶行为类别分类储存数据，具体实现以下功能：能够通过驾驶员面部信息与驾驶员身体姿态判断驾驶员是否处于疲劳驾驶状态；能够根据驾驶员手部动作、驾驶员身体姿态和3D物体信息判断驾驶员是否在吸烟、打电话、喝水；能够根据3D物体信息判断驾驶员是否未系安全带；能够根据驾驶员面部信息判断驾驶员是否处于分心驾驶状态；能够根据驾驶员身体姿态判断驾驶员是否处于非规范驾驶姿势；能够接收及分类驾驶员驾驶行为信息并记录异常驾驶行为出现次数，并将分析后的数据分类储存在本地数据库中。所述异常驾驶行为包括：行车期间发生的吸烟、打电话、喝水、未系安全带、疲劳驾驶、分心驾驶和非规范驾驶姿势。

所述的数据上传模块，用于上传保存的异常驾驶行为分类数据。

所述的数据分析模块，用于确定驾驶员驾驶习惯的优良等级。对驾驶员驾驶习惯优良等级的确定按下述方法进行计算：

1)首先获得配备驾驶员监测***的车辆在固定时间段内收集的驾驶员驾驶行为统计信息的完全样本集合D＝((t,x₁),(t,x₂),…,(t,x_m))，其中x₁,x₂,…,x_m分别表示集合内不同驾驶员个体出现异常驾驶行为的次数，t为固定时间段，单位可设置为年、月、星期。

2)根据完全样本集合D中的具体样本量，设置合适的最小样本点个数(MinPts)和eps(ε邻域)距离并定义三类数据点：

核心点：如果样本x_i的ε领域至少包含了最小样本点个数(MinPts)个样本，即N_ε(X_i)≥MinPts，则称样本点x_i为核心点。

边界点：如果样本x_i的ε邻域内包含的样本数目小于MinPts，但是它在其他核心点的邻域内，则称样本点x_i为边界点。

噪声点：即不是核心点也不是边界点的点。

3)初始化核心对象集合Ω＝φ，初始化聚类簇数k＝0,初始化未访问样本集合Γ＝D，簇划分C＝φ。

4)从步骤1)中获取到的完全样本集合D中任意选取一个样本点(t,x_i)，然后找到这个点距离小于等于eps(ε邻域)距离的所有点并判断这些点的类别。如果这个点是核心点则为其分配一个新的簇标签。计算两点之间eps距离的方式使用欧式距离：

其中，A和B平面内任意两个点，其坐标分别为(a₁,a₂)和(b₁,b₂)。

5)访问该点在eps以内的所有邻居。如果它们还没有被分配一个簇，那么就将步骤3)中创建的新的簇标签分配给它们。如果它们是核心样本，那么就依次访问其邻居，以此类推。簇逐渐增大，直到在簇的eps距离内没有更多的核心样本。

6)选取另一个尚未被访问过的点，并重复相同的过程。

7)待聚类完成后，得到最终簇样本集合Y＝{c₁,c₂,…,c_n}，其中c₁,c₂,…,c_n分别表示不同的簇样本。

8)重复步骤1-7，将最终簇样本集合Y中的元素维持在5个，分别对应五种危险等级：优、良、标准、危险、高危。通过观察聚类后的样本分布确定每种危险等级的具体范围。

所述的信息推送模块，其配置成能够周期性将驾驶员异常驾驶行为统计信息推送给单一用户，并根据不同分析统计结果为用户推送不同内容、类型的推文。推送方式可按下述方法进行：

1)设信息推送模块中所有要推荐的内容集合为T＝{t₁,t₂,…,t_n}，其中t₁,t₂,…,t_n分别表示不同的推荐内容。所有推荐内容中出现的词的集合(词典)为V＝{v₁,v₂,…,v_n}，其中v₁,v₂,…,v_n分别表示不同推荐内容所对应的词典，即全部可被推荐内容的总数为N，在这些推荐内容中共包含了N个不同的词。

2)将第j个推荐内容用向量表示为T_j＝(ω_1j,ω_2j,…,ω_nj)，其中ω_1j表示第一个词v₁在文章j中的权重，值越大表示越重要。

3)使用词频-逆文档频率(TF-IDF)计算ω_k,j的值。第j篇推荐内容中与词典里的第k个对应的TF-IDF为：

其中，TF(t_k,d_j)表示第k个词在推荐内容j中出现的次数，n_k表示所有文章中包括第k个词的推荐内容的数量。最终第k个词在推荐内容j中的权重为：

4)结合聚类得到的危险等级集合Y，得到推荐内容数据集合Z＝{(r₁,y_i),(r₂,y_i),…,(r_n,y_i)}，其中r_i∈T为推荐内容的特征向量，y_i∈Y＝{c₁,c₂,…,c_n}为危险等级，i＝1,2,…,N，单一危险等级可对应多个推荐内容。

5)根据给定的驾驶员危险等级，为用户推荐对应危险等级下的推荐内容，推荐内容的优先度由词频-逆文档频率决定，ω_k,j的值越大，推荐内容的排序越靠前。

进一步的，所述图像采集模块配置成双摄像头成像方式，所述摄像头采用红外摄像头或彩色摄像头，以获得驾驶员及周边物体的完整3D信息，提高异常驾驶行为识别率。

进一步的，所述数据处理模块，其配置成能够处理大于或等于30帧以上视频流数据，所述视频流数据来自于图像采集模块。

进一步的，所述数据上传模块，其配置5G高速网络，以保证在特定时间段内上传数据的及时性与完整性。

本发明的有益效果为：可以有效降低现有驾驶员监测***频繁预警提示对驾车体验的影响，提高用户驾车体验，有效帮助驾驶员了解并改善自身驾驶习惯，从根源处降低交通事故发生率。

根据下文结合附图对本发明具体实施例的详细描述，本领域技术人员将会更加明了本发明的上述目的、优点和特征。

附图说明

图1是根据本发明一个具体实施例设计的驾驶员驾驶习惯分析***示意性流程图。

图2是本发明的基本架构，具体的架构组成顺序为：1图像采集模块、2数据处理模块、3数据上传模块、4数据分析模块、5信息推送模块。

具体实施方式

以下参照附图以示例性而非限制性的方式详细描述本发明的一种具体实施例。

目前，在高端品牌车辆上已配有驾驶员监测***。该***具备疲劳驾驶检测、吸烟、喝水、打电话、分心驾驶、未系安全带等异常驾驶状态检测功能。其直接作用方式一般为当***检测到驾驶员处于异常驾驶状态时，***会通过实时性预警提示的方式，提醒用户保持良好驾驶状态。这种作用方式的好处在于当驾驶员出现异常驾驶姿态时***能够通过视觉报警、听觉报警或触觉报警中的一种或多种，及时提醒驾驶员解除这种异常驾驶状态，达到预防交通事故发生的目的。但缺点在于经常性的预警提示容易使驾驶员出现烦躁情绪影响驾车体验且无法从根源上使驾驶员意识到这些行为的危险性改善自身驾驶习惯。为了解决上述问题，申请人设计了一种驾驶员驾驶习惯分析***。

图1是根据本发明实施例设计的驾驶员驾驶习惯分析***流程示意图。图2给出了一种用于分析驾驶员驾驶行为并推送统计信息的***主要包括的图像采集模块1、数据处理模块2、数据上传模块3、数据分析模块4和信息推送模块5。

图像采集模块1用于获取驾驶员驾驶行为信息，包括两个摄像头和补光装置。两个摄像头可全部为红外摄像头或全部为彩色摄像头，还可以将两种摄像头结合使用。补光装置可采用红外补光装置或者其他本领域技术人员所熟知的设备。采用双摄像头的作用、优势在于，能够使图像采集模块从两个点观察一个物体，获取该物体在不同视角下的深度信息，以尽可能保证采集数据的全面性和完整性，提高数据处理模块的识别准确率。图像采集模块将所记录的驾驶行为数据传输给数据处理模块2。

数据处理模块2配置驾驶员姿态分类器，能够将不同类型的异常驾驶行为数据信息正确分类并将结果记录储存在车载电子控制单元(ECU)内置的数据库中。

本实例中异常驾驶行为数据类型包括：吸烟、喝水、打电话、疲劳驾驶、分心驾驶、未系安全带。经由图像采集模块和数据处理模块收集到用户在一个月驾车时间段内出现吸烟行为87次，喝水34次，打电话129次，疲劳驾驶3次，分心驾驶48次，未系安全带9次，即该驾驶员一个月内共出现310次异常驾驶行为。云端数据库中存有在一个月内收集到的其他1000名驾驶员的异常驾驶行为样本。

数据分析模块4根据聚类算法划分用户驾驶习惯危险等级，可使用如下聚类算法进行等级确定：

1)数据库中共1000名驾驶员一个月内异常驾驶行为的完全样本集合为D＝(x₁,x₂,…,x₁₀₀₀)，样本度量参数为(ε,MinPts)，其中x₁,x₂,…,x₁₀₀₀是配备驾驶员***的车辆在一个月内收集的1000名驾驶员驾驶行为统计信息，每名驾驶员均有一定次数的异常驾驶行为。

2)初始化核心对象集合Ω＝φ，初始化聚类簇数k＝0,初始化未访问样本集合Γ＝D，簇划分C＝φ。

3)对样本集合D按如下步骤找出所有核心对象：

a)通过距离度量方式，找到x_j的ε-邻域子样本集N_ε(x_j)。

b)如果子样本集样本个数满足|N_ε(x_j)|≥MinPts，将样本x_j加入核心对象样本集合：Ω＝Ω∪{x_j}。

4)如果核心对象结合Ω＝φ，则迭代结束，否则转入步骤(5).

5)在核心对象集合Ω中，随机选择一个核心对象ο，初始化当前簇核心对象队列Ω_cur＝{ο}，初始化类别序号k＝k+1，初始化当前簇样本集合C_k＝{ο}，更新未访问样本集合Γ＝Γ-{ο}。

6)如果当前簇核心对象队列Ω_cur＝φ，则当前聚类簇C_k生成完毕，更次簇划分C＝{C₁,C₂,…,C_k}，更新核心对象集合Ω＝Ω-C_k，转入步骤(4)。否则更新核心对象集合Ω＝Ω-C_k。

7)在当前簇核心对象队列Ω_cur中取出一个核心对象ο'，通过邻域距离阈值ε找出所有的ε邻域子样本集N_ε(ο')，令Δ＝N_ε(ο')∩Γ，更新当前簇样本集合C_k＝C_k∪Δ，更新未访问样本集合Γ＝Γ-Δ，更新Ω_cur＝Ω_cur∪(Δ∩Ω)-ο'，转入步骤(6)。

8)最终迭代完成后得到聚类簇划分Y＝C＝{C₁,C₂,…,C₅}，共得到五种聚类结果对应五种危险等级，分别是优、良、标准、危险、高危。其中每种聚类结果对应的范围是C₁∈(0,137),C₂∈(138,248),C₃∈(249,423),C₄∈(424,534),C₅∈(535,739)。

9)参考聚类结果并进行模糊处理，最终确定各等级对应的异常驾驶行为出现次数范围如下：

优-(0,100)、良-(101-250)、标准-(251-400)、危险-(401-550)、高危-(500+)。

数据上传模块配置高速5G传输网络，能够将ECU内置数据库中的信息上传至数据分析模块4。配置5G网络能够确保上传信息的及时性与完整性。

信息推送模块5能实现根据不同危险程度的驾驶行为统计信息为单一客户推送不同类型、内容的推荐内容。推荐内容来自于网络多媒体库，主要包括：短视频类，短文类与新闻类。推荐内容时可使用如下推荐算法为用户内容：

1)设多媒体库中全部推荐内容的集合为T＝{t₁,t₂,…,t_n}，词典为V＝{v₁,v₂,…,v_n}，推荐内容向量为T_j＝(ω_1j,ω_2j,…,ω_nj)

2)计算词频-逆文档频率(TF-IDF):

计算权重:

结合五种驾驶习惯危险等级，得到输入数据。

3)结合聚类得到的危险等级Y，得到推荐内容数据集合Z＝{(x₁,y_i),(x₂,y_i),…,(x_n,y_i)}，其中x_i∈T为推荐内容的特征向量，y_i∈Y＝{c₁,c₂,…,c₅}为危险等级，i＝1,2,3,4,5。

4)根据给定的驾驶员危险等级，为用户推荐对应危险等级下的推荐内容，推荐内容的优先度由词频-逆文档频率决定，ω_k,j的值越大，推荐内容的排序越靠前。

5)驾驶员在一个月内共出现310次异常驾驶行为，根据危险等级范围评定为标准等级，则为用户推送所有c₃等级下的对应内容。推送顺序由ω_k,j的值决定，值越大，推荐内容的排序越靠前。

驾驶员驾驶***板和智能穿戴产品推送给用户，让用户充分知晓自身存在的驾驶行为习惯问题及严重性。

推荐内容主要包含：交通事故类短视频，交通事故原因分析类短文、驾驶习惯养成类短文、国内外交通事故新闻等针对不同危险等级客户定制内容。其目的在于，能够给驾驶员造成一种类似“心理阴影”的效果，使驾驶员主动保持良好的驾驶状态。例如：当高危用户在行车过程中，下意识地做出异常驾驶行为时，可能会回想起因不良驾驶习惯产生的严重后果，担心自身也会因此发生交通事故，从而主动恢复正常驾驶状态。

本发明的驾驶员驾驶习惯分析***，采用图像采集模块1获取驾驶行为信息，数据处理模块2将数据进行分类并存储在ECU内置数据库，通过数据上传模块3将数据完整及时地上传至云端服务器，通过数据分析模块4进行二次处理，最终经由信息推送模块5将驾驶行为统计分析结果与各等级对应推荐内容推送给用户。在保证驾驶员监测***正常运行的同时，帮助用户了解自身驾驶行为习惯，从根源解决因驾驶姿态异常引发的交通事故问题，解决了频繁预警提示使用户产生烦躁情绪的问题，提升了用户体验。

以上所述实施例仅表达本发明的实施方式，但并不能因此而理解为对本发明专利的范围的限制，应当指出，对于本领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些均属于本发明的保护范围。

Claims (2)

1.一种驾驶行为习惯分析***，其特征在于，在现有驾驶员监测***组件中增添数据上传模块、数据分析模块与信息推送模块；

所述现有的驾驶员监测***组件主要由图像采集模块与数据处理模块组成；所述图像采集模块，用于获取驾驶员驾驶行为信息，所述驾驶行为信息主要包括：驾驶员面部信息、驾驶员手部动作、驾驶员身体姿态、3D物体信息；所述的数据处理模块，用于接收及分类驾驶员驾驶行为并记录异常驾驶行为出现次数，能够按异常驾驶行为类别分类储存数据；所述的数据上传模块，用于上传保存的异常驾驶行为分类数据；

所述的数据分析模块，用于确定驾驶员驾驶习惯的优良等级；对驾驶员驾驶习惯优良等级的确定按下述方法进行计算：

1)首先获得配备驾驶员监测***的车辆在固定时间段内收集的驾驶员驾驶行为统计信息的完全样本集合D＝((t,x₁),(t,x₂),…,(t,x_m))，其中，x₁,x₂,…,x_m分别表示集合内不同驾驶员个体出现异常驾驶行为的次数，t为固定时间段，单位可设置为年、月或星期；

2)根据完全样本集合D中的具体样本量，设置合适的最小样本点个数MinPts和eps距离并定义三类数据点，其中eps距离表示ε邻域：

核心点：如果样本x_i的ε领域至少包含了最小样本点个数MinPts个样本，即N_ε(x_i)≥MinPts，则称样本点x_i为核心点；

边界点：如果样本x_i的ε邻域内包含的样本数目小于MinPts，但是它在其他核心点的邻域内，则称样本点x_i为边界点；

噪声点：即不是核心点也不是边界点的点；

3)初始化核心对象集合Ω＝φ，初始化聚类簇数k＝0,初始化未访问样本集合Γ＝D，簇划分C＝φ；

4)从步骤1)中获取到的完全样本集合D中任意选取一个样本点(t,x_i)，然后找到这个点距离小于等于eps距离的所有点并判断所述样本点的类别；如果这个点是核心点则为其分配一个新的簇标签；计算两点之间eps距离的方式使用欧式距离：

其中，A和B平面内任意两个点，其坐标分别为(a₁,a₂)和(b₁,b₂)；

5)访问该点在eps以内的所有邻居；如果它们还没有被分配一个簇，那么就将步骤4)中创建的新的簇标签分配给它们；如果它们是核心样本，那么就依次访问其邻居，以此类推；簇逐渐增大，直到在簇的eps距离内没有更多的核心样本；

6)选取另一个尚未被访问过的点，并重复相同的过程；

7)待聚类完成后，得到最终簇样本集合Y＝{c₁,c₂,…,c₅}，其中c₁,c₂,…,c₅分别表示不同的簇样本；

8)重复步骤1-7，将最终簇样本集合Y中的元素维持在5个，分别对应五种危险等级：优、良、标准、危险、高危；通过观察聚类后的样本分布确定每种危险等级的具体范围；

所述的信息推送模块，其配置成能够周期性将驾驶员异常驾驶行为统计信息推送给单一用户，并根据不同分析统计结果为用户推送不同内容、类型的推文；推送方式可按下述方法进行：

1)设信息推送模块中所有要推荐的内容集合为T＝{t₁,t₂,…,t_N}，其中t₁,t₂,…,t_N分别表示不同的推荐内容；所有推荐内容中出现的词的集合为V＝{v₁,v₂,…,v_N}，其中v₁,v₂,…,v_N分别表示不同推荐内容所对应的词典，即全部可被推荐内容的总数为N，在这些推荐内容中共包含了N个不同的词；

2)将第j个推荐内容用向量表示为T_j＝(ω_1j,ω_2j,…,ω_Nj)，其中ω_1j表示第一个词v₁在文章j中的权重，ω_Nj表示第N个词v_N在文章j中的权重，权重值越大表示越重要；

3)使用词频-逆文档频率(TF-IDF)计算ω_kj的值；第j篇推荐内容中与词典里的第k个词对应的TF-IDF为：

其中，TF(t_j,v_k)表示第k个词在推荐内容j中出现的次数，n_k表示所有文章中包括第k个词的推荐内容的数量，N表示推荐内容的总数；最终第k个词在推荐内容j中的权重为：

其中，N表示推荐内容中所包含词的总数；

4)结合聚类得到的危险等级集合Y，得到推荐内容数据集合Z＝{(r₁,y_i),(r₂,y_i),…,(r_n,y_i)}，其中r_i∈T为推荐内容的特征向量，y_i∈Y＝{c₁,c₂,…,c₅}为危险等级，单一危险等级可对应多个推荐内容；

5)根据给定的驾驶员危险等级以及危险等级对应推荐内容的特征向量，为用户推荐对应危险等级下的推荐内容，推荐内容的优先度由词频-逆文档频率决定，ω_kj的值越大，推荐内容的排序越靠前。

2.根据权利要求1所述的一种驾驶行为习惯分析***，其特征在于，所述数据处理模块具体实现以下功能：能够通过驾驶员面部信息与驾驶员身体姿态判断驾驶员是否处于疲劳驾驶状态；能够根据驾驶员手部动作、驾驶员身体姿态和3D物体信息判断驾驶员是否在吸烟、打电话、喝水；能够根据3D物体信息判断驾驶员是否未系安全带；能够根据驾驶员面部信息判断驾驶员是否处于分心驾驶状态；能够根据驾驶员身体姿态判断驾驶员是否处于非规范驾驶姿势；能够接收及分类驾驶员驾驶行为信息并记录异常驾驶行为出现次数，并将分析后的数据分类储存在本地数据库中；所述异常驾驶行为包括：行车期间发生的吸烟、打电话、喝水、未系安全带、疲劳驾驶、分心驾驶和非规范驾驶姿势。

Images