[发明专利]一种辨认驾驶人员的车载设备及辨认方法

权利要求书

1.一种辨认驾驶人员的车载设备，其特征在于，包括车辆总线数据监听读取单元、MCU计算单元、本地存储单元、网络通信单元和数据特征存储及分析云平台，所述车辆总线数据监听读取单元一端与车辆进行连接，另一端与所述MCU计算单元连接，所述MCU计算单元分别与本地存储单元和网络通信单元连接，所述网络通信单元与所述数据特征存储及分析云平台连接；

辨认驾驶人员时执行如下步骤：

S1、车辆总线数据监听读取单元通过接入汽车总线实时获取车辆的速度、发动机转速、油门、刹车、档位和方向盘角度信息；

S2、采用中值滤波，过滤噪声数据；

S3、实时判断最新若干秒内的数据是否有转向信息，如果没有转向消息，返回S1，如果有转向消息，进入S4；

S4、提取5维度特征向量，所述5维特征向量包括超拐最值、超拐占整个周期的百分比、回归均值位置、缺拐最值、缺拐占整个周期的百分比；

S5、数据特征存储及分析云平台采用ANN算法产生分类器，设备上传的特征向量通过与特征数据库比对，判断出驾驶人员的身份。

2.如权利要求1所述的辨认驾驶人员的车载设备，其特征在于，所述车辆总线数据监听读取单元与车辆总线或者车辆标准诊断接口连接。

3.如权利要求1所述的辨认驾驶人员的车载设备，其特征在于，所述车辆总线数据监听读取单元通过CAN总线或者以太网与车辆连接。

4.如权利要求1所述的辨认驾驶人员的车载设备，其特征在于，S4中提取特征向量步骤如下：

p1、在惯性坐标系OXY下设(Xr,Yr)和(Xf,Yf)分别为车辆后轴和前轴的轴心坐标，Φ为车体的横摆角，Φf为前轮偏角，Vr为车辆后轴中心速度，Vf为车辆前轴中心速度，L为车辆轴距，R为后轮转向半径，P为车辆转动圆心，M为车辆后轴轴心，N为前轴轴心；

p2、采用下述等式得出后轴行驶轴心(Xr,Yr)处速度：

Vr＝Xr’cos(Φ)+Yr’sin(Φ)，

Xr和Yr是坐标，Xr’和Yr’为后轮在相对坐标系下的速度；

p3、根据汽车的前后轴的运动学约束

Xf’sin(Φ+Φf)-Yf’cos(Φ+Φf)＝0，

Xr’sin(Φ)-Yr’cos(Φ)＝0；

推得：

Xr’＝Vrcos(Φ)，

Yr’＝Vrsin(Φ)；

p4、根据前后轮的几何关系得：

Xf＝Xr+Lcos(Φ)，

Yf＝Yf+Lsin(Φ)；

进而推导出汽车的横摆角速度为：

W＝Vr/L*tan(Φf)；

p5、根据横摆角速度W和车速Vr得到转向半径R和前轮偏角Φf

R＝Vr/W，

Φf＝arctan(L/R)；

p6、得到车辆的运动学模型：

Φ’＝tan(Φf)/L*Vr；

P7、根据横摆角度公式，采用以下式子提取出拐弯的五个特征，

T是从横摆角速度为0到横摆角速度最大再到0的时间段，t_r为0-T内的时间点，feature1＝g(t₁)

feature4＝g(t₃)

feature1为超拐最值、feature2为超拐占整个周期的百分比、feature3为回归均值位置、feature4为缺拐最值、feature5为缺拐占整个周期的百分比。

5.如权利要求1所述的辨认驾驶人员的车载设备，其特征在于，根据S5中得出的结果采用统计学进行判断，即对多次结果求取数学期望，得出最终的结果。

6.如权利要求1所述的辨认驾驶人员的车载设备，其特征在于，所述分类器由大数据学习方法得到，该大数据学习方法为应用前期提取到多人的多个特征值，应用人工神经网络中的BP神经网络进行数据训练，从而得出该一个所述分类器。

7.如权利要求6所述的辨认驾驶人员的车载设备，其特征在于，所述BP神经网络分三层网络，输入层是5个结点，中间层为30个结点，输出层为2个结点。