[发明专利]一种基于深度稀疏滤波卷积神经网络的驾驶行为识别方法

权利要求书

1.一种基于深度稀疏滤波卷积神经网络的驾驶行为识别方法，其特征在于，包括如下步骤：

(1)利用智能手机内置的加速度传感器和陀螺仪，采集驾驶者驾驶过程中的原始加速度信号和角度变化信息；并将这些原始加速度信号和角度变换信息投影至与手机方向无关的统一的大地坐标系中，获得样本矩阵为X∈R^N*M；

(2)通过深度稀疏滤波训练坐标转换后的加速度数据，采用逐层贪婪算法计算最终输出的权值矩阵作为神经网络的输入；

所述的稀疏滤波是一种优化特征分布的无监督特征学习算法，通过直接优化样本X的特征映射的稀疏性来获得好的特征表达，因需对k类驾驶行为进行识别，若每种行为样本表示为x_ij，则所有样本构成训练集为：

其中N＝n₁+n₂+...+n_k，即样本总数，

假设M类特征用于描述待识别行为，先获取样本线性特征即第i个样本的第j个特征值，w为特征提取函数，则构造的特征矩阵为：

再对特征矩阵进行行、列归一化，使其落于二范数的单位球体面上；

特征矩阵行归一化：

特征矩阵列归一化：

设定特征学习数目M以及目标函数如下，使用L-BFGS有限内存拟牛顿法来求解，直至收敛；

为了实现深度稀疏滤波，使用了由两层组成的稀疏滤波器，层1为大小16*16的数据块进行训练，首先对自然数据进行归一化，获得特征数据的绝对值，作为后续层的输入，第二层再次归一化得到稀疏性，由两层深度稀疏过滤计算得到优化后的特征，通过逐层贪婪算法计算最终输出；

(3)对稀疏滤波后的学习特征采用软绝对值函数进行特征激活；每种驾驶行为随机选取30％的样本作为训练样本，其余为测试样本；

(4)构造卷积神经网络，包括两个卷积层、两个池化层和全链接层；层与层之间局部连接构成多层深度网络，将表达矩阵作为卷积神经网络首层的输入，进行非线性分类来识别驾驶行为，信息在网络的不同层上传递，并且在每个架构层，利用可训练过滤器和局部邻域聚集操作，产生易于观察的数据分布特征；

(5)训练识别后得到测试样本的驾驶行为标签，对于最终层输出的损失估计，使用卷积神经网络架构中的交叉熵损耗，避免学习减速。

2.根据权利要求1所述的基于深度稀疏滤波卷积神经网络的驾驶行为识别方法，其特征在于，步骤(1)将原始加速度信号和角度变化信息投影至与手机方向无关的统一的大地坐标系中，借鉴刚体坐标系与参考坐标系之间的转换方法，可以计算出大地坐标系下的X、Y、Z三轴加速度数据，尽量减少手机放置方位对分类器的影响。

3.根据权利要求1所述的基于深度稀疏滤波卷积神经网络的驾驶行为识别方法，其特征在于，步骤(3)中的特征激活函数采用软绝对值函数：

其中ε＝10^-8。