[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

说明书

本发明公开了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。解决了传统深度学习方法中需要大量的超参数调谐进行特征匹配或特征设计任务的问题。包括以下步骤：用手机内置的加速度传感器采集车辆行驶中的原始三轴加速度数据信号，提取时域和频域的特征值，作为模型的预处理训练样本；将训练样本通过稀疏滤波直接优化样本特征映射的稀疏性，获取更好的特征表达——权值矩阵作为卷积神经网络的输入，可有效识别点火、熄火、匀速行驶、急变速、急转弯、静止等驾驶行为。本发明解决了现有技术设计复杂、普适性和抗噪性差，分类精度低的问题。

技术领域

本发明提出了一种基于车载终端的汽车驾驶行为分析方法，该方法涉及到人机交互、智能驾驶和增强用户体验等领域。

背景技术

随着社会经济和道路交通的快速发展，驾车行驶的安全问题已成为社会关注的焦点。不良驾驶行为是导致交通事故的一个主要原因，随意变道、超速行驶、紧急制动等驾驶行为是交通事故的重要诱因。实时监测驾驶者行为，能够及时警示不良驾驶行为并遏制交通事故的发生，对构建健康安全的交通环境有重要意义。

目前利用移动终端进行驾驶行为识别已有较多的研究，大多采用定制感知平台接入汽车控制系统，无论是通过聚类算法还是通过模糊算法等数据挖掘算法，对于异常驾驶行为的识别有一定效果，但相对我国道路运输实际情况，以及对于部分需要重点监控的异常驾驶行为，无法发挥较好的识别功能，且算法较为复杂，系统实现成本较高，必将影响实际应用的实时性。

本专利通过利用智能终端设备的内置传感器采集不同驾驶行为的实时数据，构建一种优化特征分布的无监督特征学习算法模型——稀疏滤波-卷积神经网络模型，从而对多种用户的驾驶行为进行分类识别。该系统和以前的车辆驾驶行为检测系统相比不添加任何额外的硬件设备，仅使用智能手机终端设备上的内置传感器作为硬件探测设备，对传感器数据进行综合分析，构建深度神经网络增加对驾驶行为识别的精准度，提高了系统的可用性和灵活性。

发明内容

本发明的目的在于针对上述已有技术的不足，提出了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，优于传统神经网络模型，具有更高的识别率和鲁棒性，对辅助驾驶系统的效能评价有重要意义。

本发明是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；并将这些数据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；

（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；

（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。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。

本发明的技术思路是：考虑手机内置传感器对方位的自适应性可提高驾驶行为的辨识效能，提出使用智能手机内置传感器采集的实时数据，通过稀疏滤波直接优化样本特征映射的稀疏性，从而改进卷积神经网络的首层输入；在使用深度稀疏滤波-神经网络的组合模型后，以更好的特征表达来识别行为，提高驾驶行为的识别效率。

本发明具有如下优点：

1.本发明由于采用了深度学习的方法，利用深度稀疏滤波网络来自主地学习驾驶行为数据的特征，因而避免了传统方法中人工学习特征的繁琐，并且深度稀疏滤波网络可以学习到更好的特征表达来进行分类识别。