[发明专利]一种驾驶行为习惯分析系统

权利要求书

1.一种驾驶行为习惯分析系统，其特征在于，在现有驾驶员监测系统组件中增添数据上传模块、数据分析模块与信息推送模块；

所述现有的驾驶员监测系统组件主要由图像采集模块与数据处理模块组成；所述图像采集模块，用于获取驾驶员驾驶行为信息，所述驾驶行为信息主要包括：驾驶员面部信息、驾驶员手部动作、驾驶员身体姿态、3D物体信息；所述的数据处理模块，用于接收及分类驾驶员驾驶行为并记录异常驾驶行为出现次数，能够按异常驾驶行为类别分类储存数据；所述的数据上传模块，用于上传保存的异常驾驶行为分类数据；

所述的数据分析模块，用于确定驾驶员驾驶习惯的优良等级；对驾驶员驾驶习惯优良等级的确定按下述方法进行计算：

1)首先获得配备驾驶员监测系统的车辆在固定时间段内收集的驾驶员驾驶行为统计信息的完全样本集合D＝((t,x₁),(t,x₂),…,(t,x_m))，其中，x₁,x₂,…,x_m分别表示集合内不同驾驶员个体出现异常驾驶行为的次数，t为固定时间段，单位可设置为年、月或星期；

2)根据完全样本集合D中的具体样本量，设置合适的最小样本点个数MinPts和eps距离并定义三类数据点，其中eps距离表示ε邻域：

核心点：如果样本x_i的ε领域至少包含了最小样本点个数MinPts个样本，即N_ε(x_i)≥MinPts，则称样本点x_i为核心点；

边界点：如果样本x_i的ε邻域内包含的样本数目小于MinPts，但是它在其他核心点的邻域内，则称样本点x_i为边界点；

噪声点：即不是核心点也不是边界点的点；

3)初始化核心对象集合Ω＝φ，初始化聚类簇数k＝0,初始化未访问样本集合Γ＝D，簇划分C＝φ；

4)从步骤1)中获取到的完全样本集合D中任意选取一个样本点(t,x_i)，然后找到这个点距离小于等于eps距离的所有点并判断所述样本点的类别；如果这个点是核心点则为其分配一个新的簇标签；计算两点之间eps距离的方式使用欧式距离：

其中，A和B平面内任意两个点，其坐标分别为(a₁,a₂)和(b₁,b₂)；

5)访问该点在eps以内的所有邻居；如果它们还没有被分配一个簇，那么就将步骤4)中创建的新的簇标签分配给它们；如果它们是核心样本，那么就依次访问其邻居，以此类推；簇逐渐增大，直到在簇的eps距离内没有更多的核心样本；

6)选取另一个尚未被访问过的点，并重复相同的过程；

7)待聚类完成后，得到最终簇样本集合Y＝{c₁,c₂,…,c₅}，其中c₁,c₂,…,c₅分别表示不同的簇样本；

8)重复步骤1-7，将最终簇样本集合Y中的元素维持在5个，分别对应五种危险等级：优、良、标准、危险、高危；通过观察聚类后的样本分布确定每种危险等级的具体范围；

所述的信息推送模块，其配置成能够周期性将驾驶员异常驾驶行为统计信息推送给单一用户，并根据不同分析统计结果为用户推送不同内容、类型的推文；推送方式可按下述方法进行：

1)设信息推送模块中所有要推荐的内容集合为T＝{t₁,t₂,…,t_N}，其中t₁,t₂,…,t_N分别表示不同的推荐内容；所有推荐内容中出现的词的集合为V＝{v₁,v₂,…,v_N}，其中v₁,v₂,…,v_N分别表示不同推荐内容所对应的词典，即全部可被推荐内容的总数为N，在这些推荐内容中共包含了N个不同的词；

2)将第j个推荐内容用向量表示为T_j＝(ω_1j,ω_2j,…,ω_Nj)，其中ω_1j表示第一个词v₁在文章j中的权重，ω_Nj表示第N个词v_N在文章j中的权重，权重值越大表示越重要；

3)使用词频-逆文档频率(TF-IDF)计算ω_kj的值；第j篇推荐内容中与词典里的第k个词对应的TF-IDF为：

其中，TF(t_j,v_k)表示第k个词在推荐内容j中出现的次数，n_k表示所有文章中包括第k个词的推荐内容的数量，N表示推荐内容的总数；最终第k个词在推荐内容j中的权重为：

其中，N表示推荐内容中所包含词的总数；

4)结合聚类得到的危险等级集合Y，得到推荐内容数据集合Z＝{(r₁,y_i),(r₂,y_i),…,(r_n,y_i)}，其中r_i∈T为推荐内容的特征向量，y_i∈Y＝{c₁,c₂,…,c₅}为危险等级，单一危险等级可对应多个推荐内容；

5)根据给定的驾驶员危险等级以及危险等级对应推荐内容的特征向量，为用户推荐对应危险等级下的推荐内容，推荐内容的优先度由词频-逆文档频率决定，ω_kj的值越大，推荐内容的排序越靠前。

2.根据权利要求1所述的一种驾驶行为习惯分析系统，其特征在于，所述数据处理模块具体实现以下功能：能够通过驾驶员面部信息与驾驶员身体姿态判断驾驶员是否处于疲劳驾驶状态；能够根据驾驶员手部动作、驾驶员身体姿态和3D物体信息判断驾驶员是否在吸烟、打电话、喝水；能够根据3D物体信息判断驾驶员是否未系安全带；能够根据驾驶员面部信息判断驾驶员是否处于分心驾驶状态；能够根据驾驶员身体姿态判断驾驶员是否处于非规范驾驶姿势；能够接收及分类驾驶员驾驶行为信息并记录异常驾驶行为出现次数，并将分析后的数据分类储存在本地数据库中；所述异常驾驶行为包括：行车期间发生的吸烟、打电话、喝水、未系安全带、疲劳驾驶、分心驾驶和非规范驾驶姿势。