[发明专利]一种基于移动终端的驾驶行为识别方法

权利要求书

1.一种基于智能手机自动识别驾驶行为的方法，所述方法包括：利用智能手机上的内置加速度传感器采集信息，通过深度学习算法来进行行为识别，使得移动终端能获取当前用户的行为，判断用户的点火、驾驶、熄火行为。

2.如权利要求1所述的方法，其特征在于，采用从手机传感器中获取的实时三轴加速度数据，进行预处理后利用端点检测算法确定行为切换点，通过滑动窗实时提取时间序列信息并计算序列片段的时频域特征，选取有效特征后，融合原始行为信息与特征建立完整时间序列段作为受限玻尔兹曼机的输入端，隐层转换为网络可识别的伯努力分布方式，优化预设参数的多隐层受限玻尔兹曼机对输入端信息的特征进行提取，最终通过DBN（DeepBelief Network，深信度网络）实现驾驶行为的识别。

3.如权利要求1所述的方法，其特征在于，利用智能手机上内置的加速度传感器采集信息，并进行平滑滤波处理；将采集到的数据处理成的100*3的矩阵a=(a_x, a_y, a_z)，其中a_x表示手机坐标系x轴上的加速度信息，a_y表示y轴上的加速度信息，a_z表示z轴上的加速度信息，将矩阵a依次按手机坐标系x, y, z变化为1*300的行向量b。

4.如权利要求1所述的方法，其特征在于，由于启动、点火、刹车、熄火等暂态驾驶行为事件仅在一小段时间序列中存在明显特征变化，在其余时间段内行为相似度较高，同时数据采集过程中不能准确提取行为有效数据段而降低识别率，因此使用端点检测算法检测驾驶行为事件的有效时间序列段，在输入原始行为实值数据的同时选取其时频域特征并进行组合分析。

5.如权利要求1所述的方法，其特征在于，将原始信息与特征数据融合建立完整时间序列段作为深信度网络的输入实现驾驶行为的识别，并将分类结果实时反馈给智能终端。

6.如权利要求1所述的方法，其特征在于，两层RBM搭建网络学习模型，FFDBN网络模型如图3所示，其结构为n-100-100-7；该网络由一层自由度为n的输入端RBM、两层隐层RBM，输出顶层设置一个softmax分类器构成一个NN，其中对于每种驾驶行为，自由度n为一个变量。