本技术公开了一种基于手机传感器的驾驶风格检测方法与系统,涉及驾驶风格检测技术领域,包括步骤:采集用户驾驶时的多种手机传感器数据;将多种手机传感器数据分别输入全卷积网络FCN和时间序列模型TimesNet中,通过FCN捕捉输入手机传感器数据中信号随时间变化的一维特征,通过TimesNet将手机传感器数据中的一维时间序列扩展至二维空间,获得二维特征,并将一维特征与二维特征进行合并,进行类别划分,获得每个手机传感器在不同分类类别上的得分,通过得分获得驾驶风格。本发明将FCN提取的一维特征与TimesNet提取的二维特征进行合并用于DSD任务中,提高了二维特征的获取效果,并提高了驾驶风格检测的准确率。
背景技术
驾驶风格检测(DSD),不仅能够提升驾驶安全性,而且在节能减排、驾驶员心理健康检测、驾驶培训、保险风险预警等领域都具有广泛的应用前景,还能为未来智能自动驾驶的类人驾驶风格研究、以及智能车辆的客制化方面奠定研究基础。
目前DSD主要分为基于驾驶员动力学的方法和基于车辆动力学的方法。基于驾驶员动力学的方法主要通过驾驶员的头部或身体图像特征或者驾驶员的生理信号(眼动数据、EEG、ECG、皮肤电势等)对驾驶员的驾驶风格进行判断。但这类成本较高且侵入性强,极易对驾驶员的正常驾驶产生影响,并且这种方法只能间接分析车辆驾驶状态,导致一些类别的驾驶风格检测效果较差。此外,这类研究中基于计算机视觉的方法也因受到环境影响和隐私问题而难以被驾驶员接受。相比较而言,基于车辆动力学方法主要使用GPS、惯性传感器等捕获车辆的速度、加速度、转向角等特征数据,并据此进行DSD。这类方法具有低侵入性,隐私不敏感以及不易受环境因素影响等优势而正在日益被重视。
虽然当前部分车辆已经配备了先进的传感器和高级驾驶员辅助系统(ADA S),但这些车载系统受限于成本而无法适用于所有车辆。当前智能手机具有的计算、存储和通信能力正在迅速提升,其内置的加速度计、陀螺仪、GPS、磁力计和摄像头等各类传感器,相较于车辆内部CAN总线方式,这种方式能够以较低的成本提供更为丰富的车辆原始数据和特征信息,因而具备在成本、部署和交互上的显著优势,为低收入群体的DSD带来了新途径。
现有技术在通过手机传感器数据进行DSD时,所获取的一维时间序列在表示能力上具有局限性,需提取二维特征进行补充,但是现有技术所采取的方法在提取二维特征时可能会导致一些一维特征的细节被模糊化或丢失,且噪声在转换过程中也可能会被放大,导致最终的DSD结果不准确。
实现思路