技术领域
[0001] 本
发明涉及
智能交通系统技术领域，特别涉及一种基于便携终端信息的险态驾驶场景辨识系统及辨识方法。
背景技术
[0002] 随着社会的发展，
汽车已经逐渐成为了每个居民必备的交通工具，但随之而来的道路交通安全问题也与日俱增，因此越来越多的车辆安全辅助功能被开发出来，几乎每一辆车上都会安装一个安全系统。但是据统计数据显示,在我国交通事故发生的原因中95.3％来自人的因素，其余为车辆或道路因素。而现有的驾驶辅助系统(ADAS)并不能很好的适应每一个驾驶人的特点，导致驾驶员的适应性和安全性出现很大的问题。
[0003] 现有的危险驾驶行为预警
算法有很多，例如，通过测量汽车轨迹的有序性来判断是否出现危险驾驶状态，其主要是针对酒后驾驶或者是疲劳驾驶的情况，具有一定的局限性；或者，通过Kinect以及红外摄像头来捕捉驾驶员人体切面图像，来对人体关
节点位置的识别，并根据关节识别的结果分别分析驾驶员的头部、脊椎和手臂等部位的动作，从而判断驾驶员是否有危险驾驶行为的一种方法，但是此方法造价成本高，难以批量生产，此外该系统是将驾驶员的整体动作拆分为人体多个部位各自的动作，但是人体的危险驾驶行为往往是多个部位同时联动来体现，所以该系统的分析不具有完整性；或者，采用车载历史影像信息来对驾驶员危险驾驶行为的识别，从而减少了成本，但是由于只是采集了人体骨骼特征信息，但危险驾驶并不仅仅只是由人体骨骼的动作信息来表现，还有驾驶员生理变化以及车辆行驶的车载信息变化也是驾驶行为的判断准则。由此可见，这些危险驾驶行为预警算法存在很多不足，且有很少的人提出险态驾驶模式的概念。
发明内容
[0004] 本发明的目的在于至少解决
现有技术中存在的技术问题之一，提供一种基于便携终端信息的险态驾驶场景辨识系统，能够降低行车的危险性。
[0005] 本发明还提出一种基于上述的便携终端信息的险态驾驶场景辨识系统的辨识方法。
[0006] 根据本发明第一方面
实施例的基于便携终端信息的险态驾驶场景辨识系统，包括智能手机、智能手环、预警模
块和
数据处理单元，所述智能手机包括第一蓝牙模块，所述智能手机用于采集车辆行车数据信息，所述车辆行车数据信息包括车速、车辆
加速度、航向
角、
俯仰角、倾斜角、前
转轮转角、前转轮
角加速度和
车身X,Y,Z轴加速度；所述智能手环包括第二蓝牙模块，所述智能手环用于采集驾驶员生理状态数据信息，所述生理状态数据信息包括心率、呼吸
频率、体表
温度和肌电
信号；所述预警模块包括第三蓝牙模块、语音提示单元、灯光提示单元和振动提示单元；所述数据处理单元包括
接口模块、初处理模块、数据融合处理模块和第四蓝牙模块，所述第四蓝牙模块能够分别与所述第一蓝牙模块和所述第二蓝牙模块以及所述第三蓝牙模块通信，所述接口模块与所述第四蓝牙模块交互连接，所述初处理模块与所述数据融合模块和所述接口模块相连接，所述数据处理单元用于对采集到的数据信息进行特征选择以及险态辨识；所述初处理模块包括
贝叶斯网络和改进后的
马尔科夫毯的特征提取算法；所述数据融合处理模块包括基于人体生理特征变化进行K-均值聚类并融合驾驶过程中的违法行为的险态模式等级分类算法。
[0007] 根据本发明实施例的基于便携终端信息的险态驾驶场景辨识系统，至少具有如下技术效果：通过智能手机采集车辆行车数据信息和智能手环采集驾驶员生理状态数据信息，根据驾驶员的生理状态数据信息以及车辆行车数据信息，将危险驾驶行为预警与实际情况同步联合，将人车两方面的因素融合起来对险态驾驶进行分级预警，不仅能够大大的降低行车的危险性，还可以提高系统预警的针对性和精准度。
[0008] 根据本发明第二方面实施例的根据本发明上述第一方面实施例的基于便携终端信息的险态驾驶场景辨识系统的辨识方法，包括以下步骤：
[0009] 步骤一：实时采集车辆行车数据信息和驾驶员生理状态数据信息；
[0010] 步骤二：对采集到的数据信息进行特征提取和驾驶行为险态辨识，并综合评价出此时驾驶员的险态模式等级；
[0011] 步骤三：根据险态模式等级的结果，发送相应的报警信号给预警模块，进行相应的报警。
[0012] 根据本发明实施例的基于便携终端信息的险态驾驶场景辨识系统的辨识方法，至少具有如下有益效果：通过智能手机采集车辆行车数据信息和智能手环采集驾驶员生理状态数据信息，根据驾驶员的生理状态数据信息以及车辆行车数据信息，将危险驾驶行为预警与实际情况同步联合，将人车两方面的因素融合起来对险态驾驶进行分级预警，不仅能够大大的降低行车的危险性，还可以提高系统预警的针对性和精准度。
[0013] 根据本发明的一些实施例，其中步骤二具体为：a.获取所述智能手机和所述智能手环所采集到的数据信息后，所述初处理模块中改进后的马尔科夫毯特征提取算法将无关特征进行消除，提取合理的险态关联性特征以便于险态
模式识别；b.所述初处理模块中构建贝叶斯网络，再将步骤a中所提取的险态关联性特征进行模型分析，最终通过与所述数据融合处理模块中的一种基于人体生理特征变化进行K-均值聚类并融合驾驶过程中的违法行为的险态模式等级分类相结合，综合评价出此时驾驶员的险态模式等级。
[0014] 根据本发明的一些实施例，所述改进后的马尔科夫毯的特征提取算法的原理为：基于贪婪策略的增长，只要发现一个变量X和目标变量T关于第一马尔科夫毯集合中所有的元素条件独立，则认为变量X是第一马尔科夫毯集合的新元素并将其添加到第一马尔科夫毯集合中；增长结束后，得到第二马尔科夫毯集合，再对所述第二马尔科夫毯集合中所有元素根据元素与所述目标变量T依赖度的高低程度进行排序；裁剪假正元素，对所述第二马尔科夫毯集合的每个元素进行检查，以找出所有假正元素，并将其删除，最后得到第三马尔科夫毯集合即为需要寻找的特征变量的集合；其中所述第二马尔科夫毯集合中的元素X和目标变量T关于所述第二马尔科夫毯集合中除去所述元素X之外所有的元素条件独立，则所述元素X是假正元素。
[0015] 根据本发明的一些实施例，所述第一马尔科夫毯集合的初始状态为空集。
[0016] 根据本发明的一些实施例，所述贝叶斯网络包括三个步骤：针对所述第三马尔科夫毯集合确定变量集和变量域、确定网络结构和确定局部概率分布，其中所述第三马尔科夫毯集合是完整的，并且所述贝叶斯网络的根节点C与隐藏的
父节点的依赖关系是独立的。
[0017] 根据本发明的一些实施例，所述确定网络结构的具体过程包括属性离散化、建立无向图、优化无向图、建立
有向图和专家评价以选择最合适结构。
[0018] 根据本发明的一些实施例，所述确定局部概率分布的具体步骤包括：
[0019] 步骤一：基于传统的贝叶斯概率公式，可以得到和的条件概率分布，如式(1)所示：
[0020]
[0021] 步骤二：根据父节点a具有n个状态参数，
子节点b具有m个变量，推导出和的条件概率分布，如式(2)所示：
[0022]
[0023] 步骤三：由于变量a和变量b彼此独立，因此可以通过式(3)得出变量a的边缘概率，即局部概率分布：
[0024]
[0025] 根据本发明的一些实施例，所述险态模式等级分为4级，0级表示非常安全；1级表示存在小
风险，只需要注意行驶，无需改变当前状态；2级表示危险，需采取操作进行规避；3级表示非常危险，需要通过强制减速等方式才能避险；其具体的分级过程如式(4)所示：
[0026]
[0027] 式中：D为驾驶行为的险态模式等级；S为驾驶驾驶员生理变化率，通过
聚类分析可以将其分为N0,…,N3四类，N0为第1类，其聚类中心为0.684bmp；N1为第2类，其聚类中心为4.853bpm；N2为第3类，其聚类中心为9.951bmp；N3为第4类，其聚类中心为19.186bmp；T表示该过程中出现违法情况，0表示未出现，1表示出现。
[0028] 根据本发明的一些实施例，当险态模式等级为0级，车辆的导航仪右上角感叹号为淡绿色，所述智能手环不振动，无语言提示；当险态模式等级为1级，车辆的导航仪右上角感叹号为深绿色，所述智能手环轻微振动，语言提示“您当前的驾驶行为存在小风险，需要注意行驶”；当险态模式等级为2级，车辆的导航仪右上角感叹号为黄色，所述智能手环振动较为频繁，语言提示“您当前的驾驶行为比较危险，需要采取操作进行规避”；当险态模式等级为3级，车辆的导航仪右上角感叹号为深红色，所述智能手环振动十分剧烈，语言提示“您当前的驾驶行为非常危险，需要强制减速方能规避”。
[0029] 本发明的附加方面和优点将在下面的描述中部分给出，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
[0030] 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：
[0031] 图1为基于便携终端信息的险态驾驶场景辨识系统的结构示意图；
[0032] 图2为贝叶斯网络的确定网络结构的工作流程示意图。
[0033] 附图标记：
[0034] 智能手机1、智能手环2、数据处理单元3、预警模块4；
[0035] 接口模块31、初处理模块32、数据融合处理模块33；
[0036] 语音提示单元41、灯光提示单元42和振动提示单元43。
具体实施方式
[0037] 本部分将详细描述本发明的具体实施例，本发明之较佳实施例在附图中示出，附图的作用在于用图形补充
说明书文字部分的描述，使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案，但其不能理解为对本发明保护范围的限制。
[0038] 参照图1，本发明实施一种基于便携终端信息的险态驾驶场景辨识系统，它包括智能手机1、智能手环2、预警模块4和数据处理单元3。
[0039] 智能手机1包括第一蓝牙模块，智能手机用于采集车辆行车数据信息，车辆行车数据信息包括车速、车辆加速度、航向角、俯仰角、倾斜角、前转轮转角、前转轮角加速度和车身X，Y，Z轴加速度。
[0040] 智能手环2包括第二蓝牙模块，智能手环用于采集驾驶员生理状态数据信息，生理状态数据信息包括心率HRT、呼吸频率RESP、体表温度TEMP和肌
电信号EMG；
[0041] 预警模块4包括第三蓝牙模块、语音提示单元41、灯光提示单元42和振动提示单元43，预警模块4通过语音提示、灯光提示和振动提示来说明当前驾驶行为是否为险态驾驶。
[0042] 数据处理单元3包括接口模块31、初处理模块32、数据融合处理模块33和第四蓝牙模块，第四蓝牙模块能够分别与第一蓝牙模块和第二蓝牙模块以及第三蓝牙模块通信，接口模块31与第四蓝牙模块34交互连接，初处理模块与数据融合模块和接口模块相连接，初处理模块包括贝叶斯网络(BNs)和改进后的马尔科夫毯的特征提取算法(IAMB)；数据融合处理模块包括基于人体生理特征变化进行K-均值聚类并融合驾驶过程中的违法行为的险态模式等级分类算法。
[0043] 当驾驶员在开车行驶过程中，通过智能手机1采集车辆行车数据信息和智能手环2采集驾驶员生理状态数据信息，然后通过初处理模块31中的改进后的马尔科夫毯的特征提取算法(IAMB)对所采集到的特征信息进行选择，再使贝叶斯网络(BNs)对所选取的特征信息进行辨识，再通过基于人体生理特征变化进行K-均值聚类并融合驾驶过程中的违法行为的险态模式等级分类算法综合评价出此时驾驶员的险态模式等级，最后根据所辨识到的险态模式等级，发送相应的报警信号，从而向驾驶员提供预警。将危险驾驶行为预警与实际情况同步联合，将人车两方面的因素融合起来对险态驾驶进行分级预警，不仅能够大大的降低行车的危险性，还可以提高系统预警的针对性和精准度。
[0044] 在本发明的一些具体实施例中，一种基于便携终端信息的险态驾驶场景辨识系统的辨识方法包括以下步骤：
[0045] 步骤一：实时采集车辆行车数据信息和驾驶员生理状态数据信息；
[0046] a.利用智能手机1实时地采集车辆的速度、X，Y，Z轴方向加速度、车辆加速度、航向角、俯仰角、倾斜角、前轮转角和前轮角加速度等行车数据信息；
[0047] b.利用智能手环2采集驾驶员的心率(HRT)、呼吸频率(RESP)、体表温度(TEMP)、肌电信号(EMG)等生理状态数据信息，智能手环2是一种便携带式的生理采集设备。
[0048] 步骤二：对步骤一采集到的数据信息进行特征提取以及驾驶行为险态辨识：
[0049] a.打开智能手机1与智能手环2的蓝牙选择项，智能手机1、智能手环2与数据处理单元3通过蓝牙模块进行数据交互；
[0050] b.数据处理单元3的接口模块31获取车辆行车数据信息和驾驶员生理状态数据信息，通过初处理模块32中改进后的马尔科夫毯的特征提取算法(IAMB)对所采集到的特征信息进行选择，为险态模式识别提供合理的险态关联性特征；
[0051] c.通过初处理模块32中的贝叶斯网络模型结构(BNs)，将步骤b中提取出的险态关联性特征进行模型分析，再通过与数据融合模块33中的基于人体生理特征变化进行K-均值聚类并融合驾驶过程中的违法行为的险态模式等级分类相结合，综合评价出此时驾驶员的险态模式等级；
[0052] 步骤三：根据险态模式等级的结果，发送相应的报警信号给预警模块，进行相应的报警。其中，当险态模式等级为0级，车辆的导航仪右上角感叹号为淡绿色，所述智能手环不振动，无语言提示；当险态模式等级为1级，车辆的导航仪右上角感叹号为深绿色，所述智能手环轻微振动，语言提示“您当前的驾驶行为存在小风险，需要注意行驶”；当险态模式等级为2级，车辆的导航仪右上角感叹号为黄色，所述智能手环振动较为频繁，语言提示“您当前的驾驶行为比较危险，需要采取操作进行规避”；当险态模式等级为3级，车辆的导航仪右上角感叹号为深红色，所述智能手环振动十分剧烈，语言提示“您当前的驾驶行为非常危险，需要强制减速方能规避”。
[0053] 需要说明的是，改进后的马尔科夫毯的特征提取算法(IAMB)的基本原理为：
[0054] 基于贪婪策略的增长，只要发现一个变量X和目标变量T关于第一马尔科夫毯集合中所有的元素条件独立，则认为变量X是第一马尔科夫毯集合的新元素并将其添加到第一马尔科夫毯集合中；增长结束后，得到第二马尔科夫毯集合，再对第二马尔科夫毯集合中所有元素根据元素与所述目标变量T依赖度的高低程度进行排序；
[0055] 裁剪假正元素，对第二马尔科夫毯集合的每个元素进行检查，以找出所有假正元素，并将其删除，最后得到第三马尔科夫毯集合即为需要寻找的特征变量的集合；其中第二马尔科夫毯集合中的元素X和目标变量T关于第二马尔科夫毯集合中除去所述元素X之外所有的元素条件独立，则元素X是假正元素。
[0056] 改进后的马尔科夫毯的特征提取算法可以有效地对无关和冗余的特征进行消除，将获得的多维数据进行离散化，将驾驶行为险态作为目标节点变量，在利用改进后的马尔科夫毯的特征提取算法(IAMB)选取对驾驶行为险态具有显著性影响的特征。
[0057] 具体地，第一马尔科夫毯集合的初始状态是空集。实际应用时，第一马尔科夫毯集合的初始状态的具体形式可根据实际使用需要而相应设定，在此不作限制。
[0058] 需要说明的是，贝叶斯网络(BNs)包括三个步骤：针对第三马尔科夫毯集合确定变量集和变量域、确定网络结构和确定局部概率分布，其中第三马尔科夫毯集合是完整的，并且贝叶斯网络的根节点C与隐藏的父节点的依赖关系是独立的。实际应用时，其中变量集和变量域的确定可通过查阅文献和经验获得，也可以采用数据集进行训练获得，具体形式在实际应用时可根据实际使用需要而相应设定，在此不作限制。
[0059] 具体地，参照图2，确定网络结构的具体过程包括属性离散化、建立无向图、优化无向图、建立有向图和专家评价以选择最合适结构。
[0060] 具体地，确定局部概率分布的具体过程包括：
[0061] 步骤一：基于传统的贝叶斯概率公式，可以得到a和b的条件概率分布，如式(1)所示：
[0062]
[0063] 步骤二：由于每个变量由多个不同的状态参数，例如父节点a具有n个状态参数，而子节点b具有m个变量，进而推导出a和b的条件概率分布，如式(2)所示：
[0064]
[0065] 步骤三：由于变量a和变量b彼此独立，因此可以通过式(3)得出变量a的边缘概率，即局部概率分布：
[0066]
[0067] 需要说明的是，险态模式等级分为4级，0级表示非常安全；1级表示存在小风险，只需要注意行驶，无需改变当前状态；2级表示危险，需采取操作进行规避；3级表示非常危险，需要通过强制减速等方式才能避险；其具体的分级过程如式(4)所示：
[0068]
[0069] 式中：D为驾驶行为的险态模式等级；S为驾驶驾驶员生理变化率，通过聚类分析可以将其分为N0,…,N3四类，N0为第1类，其聚类中心为0.684bmp；N1为第2类，其聚类中心为4.853bpm；N2为第3类，其聚类中心为9.951bmp；N3为第4类，其聚类中心为19.186bmp；T表示该过程中出现违法情况，0表示未出现，1表示出现。
[0070] 本领域的技术人员容易理解的是，在不冲突的前提下，上述优选方式可以自由地组合和
叠加。
[0071] 以上仅为本发明的优选实施例，并非因此限制本发明的
专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接或间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
