本發(fā)明涉及計算機技術(shù)領(lǐng)域，特別涉及個體駕駛行為特征識別方法和裝置。

背景技術(shù)：

隨著汽車行業(yè)的不斷發(fā)展，擁有車輛的用戶越來越多，交通擁堵情況越來越嚴重，交通事故的風險也越來越高。為了緩解交通壓力、減少交通事故的發(fā)生概率，針對不同車主的駕駛習慣制定特定的駕駛行為指導項目，已經(jīng)成為汽車服務行業(yè)的主要發(fā)展趨勢。目前基于車輛駕駛行為的特征分析大多是在車體內(nèi)嵌入傳感器設(shè)備，通過傳感器采集機動車運動的物理狀態(tài)、駕駛?cè)藛T體征狀態(tài)、車外環(huán)境等數(shù)據(jù)，然后進行數(shù)據(jù)處理和分析，獲得駕駛行為特性。但是，目前的分析方法獲得的特征數(shù)據(jù)僅僅只能表現(xiàn)出有限的幾類群體的駕駛特征，在研究群體駕駛行為特征時具有意義，而對個體駕駛行為的表征和識別存在較大困難。

技術(shù)實現(xiàn)要素：

本發(fā)明的主要目的為提供一種個體駕駛行為特征識別方法和裝置，能夠識別個體駕駛行為特征。

本發(fā)明提出一種個體駕駛行為特征識別方法，包括步驟：

接收終端檢測的當前駕駛者的車輛定位數(shù)據(jù)；

從所述車輛定位數(shù)據(jù)中提取多個傳統(tǒng)駕駛特征指標；

從所述車輛定位數(shù)據(jù)中提取多個MFCC(Mel-Frequency Cepstral Coefficients，梅爾頻率倒譜系數(shù))特征指標；

將所述傳統(tǒng)駕駛特征指標和MFCC特征指標作為訓練樣本，采用隨機森林分類法建模，獲得當前駕駛者的駕駛行為特征識別模型。

優(yōu)選地，所述將傳統(tǒng)駕駛特征指標和MFCC特征指標作為訓練樣本，采 用隨機森林分類法建模，獲得當前駕駛者的駕駛行為特征識別模型的步驟之后還包括：

接收終端檢測的測試者的車輛定位數(shù)據(jù)；

從所述測試者的車輛定位數(shù)據(jù)中提取所述測試者的多個傳統(tǒng)駕駛特征指標和多個MFCC特征指標；

加載當前駕駛者的駕駛行為特征識別模型；

將所述測試者的傳統(tǒng)駕駛特征指標和MFCC特征指標作為測試樣本，采用當前駕駛者的駕駛行為特征識別模型對所述測試樣本進行預測分類，獲得預測分類結(jié)果；

根據(jù)預測分類結(jié)果確定所述測試者是否為當前駕駛者。

優(yōu)選地，所述從車輛定位數(shù)據(jù)中提取多個傳統(tǒng)駕駛特征指標的步驟包括：

將連續(xù)的多個采樣點中每n個采樣點劃分為一個采樣段，獲得多個采樣段，其中n為預設(shè)幀長包括的采樣點個數(shù)；

從每一個采樣段的所述車輛定位數(shù)據(jù)中提取多個傳統(tǒng)駕駛特征指標；

所述將傳統(tǒng)駕駛特征指標作為訓練樣本的步驟包括：

將每一個采樣段對應的多個所述傳統(tǒng)駕駛特征指標作為一組訓練樣本集。

優(yōu)選地，所述從車輛定位數(shù)據(jù)中提取多個梅爾頻率倒譜系數(shù)MFCC特征指標的步驟包括：

在連續(xù)的多個采樣點中，當一個采樣點的行駛速度小于速度閾值時，將所述采樣點的行駛速度置零；

將行駛速度不為零的連續(xù)多個采樣點劃分為一個采樣段，獲得多個采樣段；

將每一個采樣段的所述車輛定位數(shù)據(jù)進行快速傅立葉變換，獲得每一個采樣段的頻譜參數(shù)，并根據(jù)所述頻譜參數(shù)獲得每一個采樣段對應的幅度譜；

將每一個采樣段對應的幅度譜經(jīng)梅爾濾波器組處理，獲得每一個采樣段對應的多個梅爾濾波輸出值；

對每一個采樣段對應的多個梅爾濾波輸出值取對數(shù)值，并對所述對數(shù)值做離散余弦變換，獲得每一個采樣段對應的多個MFCC特征指標；

所述將MFCC特征指標作為訓練樣本的步驟包括：

將每一個采樣段對應的多個MFCC特征指標作為一組訓練樣本集。

優(yōu)選地，所述車輛定位數(shù)據(jù)包括多個采樣點對應的采樣時間、車輛所在位置三維坐標、行駛速度、行駛方向中的一個或多個數(shù)據(jù)；所述傳統(tǒng)駕駛特征指標包括多個采樣點對應的行駛速度、行駛加速度、轉(zhuǎn)彎速度、轉(zhuǎn)彎加速度、轉(zhuǎn)角系數(shù)、地理位置中的一個或多個指標。

本發(fā)明還提出一種個體駕駛行為特征識別裝置，包括：

定位模塊，用于接收終端檢測的當前駕駛者的車輛定位數(shù)據(jù)；

特征提取模塊，用于從所述車輛定位數(shù)據(jù)中提取多個傳統(tǒng)駕駛特征指標；從所述車輛定位數(shù)據(jù)中提取多個梅爾頻率倒譜系數(shù)MFCC特征指標；

建模模塊，用于將所述傳統(tǒng)駕駛特征指標和MFCC特征指標作為訓練樣本，采用隨機森林分類法建模，獲得當前駕駛者的駕駛行為特征識別模型。

優(yōu)選地，所述個體駕駛行為特征識別裝置，還包括模型加載模塊和預測模塊；

所述定位模塊還用于，接收終端檢測的測試者的車輛定位數(shù)據(jù)；

所述特征提取模塊還用于，從所述測試者的車輛定位數(shù)據(jù)中提取所述測試者的多個傳統(tǒng)駕駛特征指標和多個MFCC特征指標；

所述模型加載模塊用于，加載當前駕駛者的駕駛行為特征識別模型；

所述預測模塊用于，將所述測試者的傳統(tǒng)駕駛特征指標和MFCC特征指標作為測試樣本，采用當前駕駛者的駕駛行為特征識別模型對所述測試樣本進行預測分類，獲得預測分類結(jié)果；根據(jù)預測分類結(jié)果確定所述測試者是否為當前駕駛者。

優(yōu)選地，所述特征提取模塊還用于，將連續(xù)的多個采樣點中每n個采樣點劃分為一個采樣段，獲得多個采樣段，其中n為預設(shè)幀長包括的采樣點個數(shù)；從每一個采樣段的所述車輛定位數(shù)據(jù)中提取多個傳統(tǒng)駕駛特征指標；

所述建模模塊還用于，將每一個采樣段對應的多個所述傳統(tǒng)駕駛特征指標作為一組訓練樣本集。

優(yōu)選地，所述特征提取模塊還用于：

在連續(xù)的多個采樣點中，當一個采樣點的行駛速度小于速度閾值時，將所述采樣點的行駛速度置零；

將行駛速度不為零的連續(xù)多個采樣點劃分為一個采樣段，獲得多個采樣段；

將每一個采樣段的所述車輛定位數(shù)據(jù)進行快速傅立葉變換，獲得每一個采樣段的頻譜參數(shù)，并根據(jù)所述頻譜參數(shù)獲得每一個采樣段對應的幅度譜；

將每一個采樣段對應的幅度譜經(jīng)梅爾濾波器組處理，獲得每一個采樣段對應的多個梅爾濾波輸出值；

對每一個采樣段對應的多個梅爾濾波輸出值取對數(shù)值，并對所述對數(shù)值做離散余弦變換，獲得每一個采樣段對應的多個MFCC特征指標；

所述建模模塊還用于，將每一個采樣段對應的多個MFCC特征指標作為一組訓練樣本集。

優(yōu)選地，所述車輛定位數(shù)據(jù)包括多個采樣點對應的采樣時間、車輛所在位置三維坐標、行駛速度、行駛方向中的一個或多個數(shù)據(jù)；所述傳統(tǒng)駕駛特征指標包括多個采樣點對應的行駛速度、行駛加速度、轉(zhuǎn)彎速度、轉(zhuǎn)彎加速度、轉(zhuǎn)角系數(shù)、地理位置中的一個或多個指標。

本發(fā)明針對終端定位功能采集的當前駕駛者的車輛定位數(shù)據(jù)進行建模，數(shù)據(jù)采集方式簡單，且采集數(shù)據(jù)的設(shè)備只需要具有定位功能的終端即可，無需在車內(nèi)安裝復雜的傳感器設(shè)備，有利于節(jié)約成本；同時，在建模時將傳統(tǒng)駕駛特征指標和MFCC特征指標均作為訓練樣本，并采用隨機森林分類法建模，獲得的駕駛行為特征識別模型更能反映當前駕駛者的個體駕駛行為特征，在后續(xù)識別個體駕駛行為時能夠獲得更準確的識別效果。

附圖說明

圖1為本發(fā)明個體駕駛行為特征識別方法的第一實施例的流程圖；

圖2為本發(fā)明個體駕駛行為特征識別方法的第二實施例的流程圖；

圖3為本發(fā)明個體駕駛行為特征識別方法的第三實施例的流程圖；

圖4為本發(fā)明個體駕駛行為特征識別方法的第四實施例的流程圖；

圖5為本發(fā)明個體駕駛行為特征識別裝置的第一實施例的模塊示意圖；

圖6為本發(fā)明個體駕駛行為特征識別裝置的第二實施例的模塊示意圖；

圖7a為只采用傳統(tǒng)駕駛特征指標建模與識別的效果比較圖；

圖7b為只采用MFCC特征指標建模與識別的效果比較圖；

圖7c為采用傳統(tǒng)駕駛特征指標和MFCC特征指標建模與識別的效果比較圖；

圖8為行程段劃分多個采樣段的示意圖。

本發(fā)明目的的實現(xiàn)、功能特點及優(yōu)點將結(jié)合實施例，參照附圖做進一步說明。

具體實施方式

應當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

如圖1所示，圖1為本發(fā)明個體駕駛行為特征識別方法的第一實施例的流程圖。本實施例提到的個體駕駛行為特征識別方法，包括步驟：

步驟S10，接收終端檢測的當前駕駛者的車輛定位數(shù)據(jù)；

本實施例中，針對同一個駕駛者的駕駛習慣進行建模與識別。在當前駕駛者駕駛車輛行進時，通過終端上的定位系統(tǒng)獲取車輛的行駛路線及車輛定位數(shù)據(jù)，終端可包括安裝在車上的GPS記錄儀、帶GPS功能的手機和PAD等終端，或安裝在手機、PAD等終端上的定位應用軟件。車輛定位數(shù)據(jù)的采樣頻率可預設(shè)，例如預設(shè)為1次/秒，每秒采集一次數(shù)據(jù)，車輛定位數(shù)據(jù)可包括多個采樣點對應的采樣時間、車輛所在位置三維坐標(經(jīng)度、緯度、高度)、行駛速度、行駛方向等數(shù)據(jù)中的一個或多個。當前駕駛者的車輛定位數(shù)據(jù)可由終端從定位衛(wèi)星或定位服務器獲取，并通過網(wǎng)絡(luò)發(fā)送至本發(fā)明實施例的個體駕駛行為特征識別裝置所在終端或服務器，供個體駕駛行為特征識別裝置對當前駕駛者的駕駛行為特征進行分析，也可以直接由識別裝置從定位衛(wèi)星或定位服務器獲取。

步驟S20，從車輛定位數(shù)據(jù)中提取多個傳統(tǒng)駕駛特征指標；

個體駕駛行為特征識別裝置所在終端或服務器在接收到車輛定位數(shù)據(jù)后，可采用傳統(tǒng)方式從車輛定位數(shù)據(jù)中提取多個傳統(tǒng)駕駛特征指標，包括多個采樣點對應的行駛速度、行駛加速度、轉(zhuǎn)彎速度、轉(zhuǎn)彎加速度、轉(zhuǎn)角系數(shù)、地理位置等特征中的一個或多個指標。例如，車輛定位數(shù)據(jù)包括兩個采樣點 的坐標、車輛行駛軌跡、采樣時間間隔等數(shù)據(jù)，上述識別裝置可通過采樣點坐標和車輛行駛軌跡計算出兩個采樣點之間行駛路程的距離，并根據(jù)行程距離和時間間隔計算出行駛速度和加速度。又如，根據(jù)車輛行駛軌跡、行駛速度和行駛方向等車輛定位數(shù)據(jù)，可計算出轉(zhuǎn)彎速度、轉(zhuǎn)彎加速度、轉(zhuǎn)角系數(shù)等指標。

步驟S30，從車輛定位數(shù)據(jù)中提取多個MFCC特征指標；

在只采用傳統(tǒng)駕駛特征指標進行建模與識別時，只能粗略的識別出幾個大的類別，如圖7a所示，對角線為同一駕駛者駕駛行為特征的實際值與預測值的相似度，在識別個體駕駛行為時識別效果較差，因此需要增加特征指標。本實施例借鑒語音分析方法，將車輛定位數(shù)據(jù)中的各類數(shù)據(jù)分別轉(zhuǎn)換為連續(xù)變化的模擬信號，提取頻譜特性，包括時域特征和頻域特征，例如短時過零率、FFT(Fast Fourier Transformation，快速傅里葉變換)頻譜特征群、小波變換特征群、MFCC頻譜特征群等特征指標，最終獲得多個MFCC特征指標。

步驟S40，將傳統(tǒng)駕駛特征指標和MFCC特征指標作為訓練樣本；

在只采用MFCC特征指標進行建模與識別時，也只能粗略的識別出幾個大的類別，如圖7b所示，在識別個體駕駛行為時識別效果仍然較差。因此，本實施例將傳統(tǒng)駕駛特征指標和MFCC特征指標均作為當前駕駛者的駕駛行為特征，并在數(shù)據(jù)庫中建立當前駕駛者的駕駛行為特征庫。

步驟S50，采用隨機森林分類法建模，獲得當前駕駛者的駕駛行為特征識別模型。

在建模時，個體駕駛行為特征識別裝置將傳統(tǒng)駕駛特征指標和MFCC特征指標合并，均作為訓練樣本，并采用隨機森林分類法建模，獲得針對當前駕駛者個體的駕駛行為特征識別模型，如圖7c所示，在識別個體駕駛行為時能夠獲得更準確的識別效果。隨機森林是一個包含多個決策樹的分類器，并且其輸出的類別是由個別樹輸出的類別的眾數(shù)而定，能夠處理大量的輸入樣本，在對大量的、高維的數(shù)據(jù)訓練時，不容易出現(xiàn)過擬合問題，分類準確度高，訓練和預測速度快，對訓練樣本中的噪聲和錯誤魯棒要求均能滿足本實施例的駕駛行為特征識別的要求。上述建模方式可以是采集多個駕駛者的定位數(shù)據(jù)，提取傳統(tǒng)駕駛特征指標和MFCC特征指標，并建模，獲得的駕駛行為特征識別模型中包括了多個駕駛者的個體駕駛特征類別，在后續(xù)識別時， 將測試者的數(shù)據(jù)輸入到該模型中，即可找到對應的駕駛者。

本實施例針對終端定位功能采集的當前駕駛者的車輛定位數(shù)據(jù)進行建模，數(shù)據(jù)采集方式簡單，且采集數(shù)據(jù)的設(shè)備只需要具有定位功能的終端即可，無需在車內(nèi)安裝復雜的傳感器設(shè)備，有利于節(jié)約成本；同時，在建模時將傳統(tǒng)駕駛特征指標和MFCC特征指標均作為訓練樣本，并采用隨機森林分類法建模，獲得的駕駛行為特征識別模型更能反映當前駕駛者的個體駕駛行為特征，在后續(xù)識別個體駕駛行為時能夠獲得更準確的識別效果。

如圖2所示，圖2為本發(fā)明個體駕駛行為特征識別方法的第二實施例的流程圖。本實施例包括圖1所示實施例中的所有步驟，還提供了對測試者駕駛行為特征的預測的步驟，在步驟S50之后還包括：

步驟S61，接收終端檢測的測試者的車輛定位數(shù)據(jù)；

本實施例在進行駕駛行為識別時，采用與建模時相同的方法獲得定位數(shù)據(jù)和特征指標。在測試者駕駛車輛行進時，通過終端上的定位系統(tǒng)采集車輛的行駛路線及車輛定位數(shù)據(jù)，供個體駕駛行為特征識別裝置對當前駕駛者的駕駛行為特征進行分析。

步驟S62，從測試者的車輛定位數(shù)據(jù)中提取測試者的多個傳統(tǒng)駕駛特征指標和多個MFCC特征指標；

可采用傳統(tǒng)方式從車輛定位數(shù)據(jù)中提取測試者的多個傳統(tǒng)駕駛特征指標，包括多個采樣點對應的行駛速度、行駛加速度、轉(zhuǎn)彎速度、轉(zhuǎn)彎加速度、轉(zhuǎn)角系數(shù)、地理位置等特征中的一個或多個指標。同時，還借鑒語音分析方法，從車輛定位數(shù)據(jù)中獲得測試者的多個MFCC特征指標。將傳統(tǒng)駕駛特征指標和MFCC特征指標均作為測試者的駕駛行為特征。

步驟S63，加載當前駕駛者的駕駛行為特征識別模型；

步驟S64，將測試者的傳統(tǒng)駕駛特征指標和MFCC特征指標作為測試樣本；

步驟S65，采用當前駕駛者的駕駛行為特征識別模型對測試樣本進行預測分類，獲得預測分類結(jié)果；

步驟S66，根據(jù)預測分類結(jié)果確定測試者是否為當前駕駛者。

為識別測試者是否為模型中的當前駕駛者，加載當前駕駛者的駕駛行為 特征識別模型，并將上述測試者的傳統(tǒng)駕駛特征指標和MFCC特征指標作為該模型的測試樣本，采用該模型對測試者的特征指標進行分類，最終獲得分類結(jié)果。加載的駕駛行為特征識別模型可以是包含有多個駕駛者特征類別的總體模型，通過識別獲得的分類結(jié)果中，準確的識別出測試者所屬特征類別，該類別已具體到了某一個駕駛者，如圖7c所示，能夠準確的識別出個體駕駛行為特征，獲得更準確的識別效果。

如圖3所示，圖3為本發(fā)明個體駕駛行為特征識別方法的第三實施例的流程圖。本實施例包括圖1所示實施例中的所有步驟，還詳細說明如何獲得傳統(tǒng)駕駛特征指標，包括以下步驟：

步驟S20包括：

步驟S21，將連續(xù)的多個采樣點中每n個采樣點劃分為一個采樣段，獲得多個采樣段，其中n為預設(shè)幀長包括的采樣點個數(shù)；

步驟S22，從每一個采樣段的車輛定位數(shù)據(jù)中提取多個傳統(tǒng)駕駛特征指標；

本實施例以采樣頻率為1次/秒為例，則相鄰兩個采樣點之間的時間間隔為1秒，假設(shè)預設(shè)幀長包括的采樣點個數(shù)為8個采樣點，則每8個采樣點劃分為一個采樣段，為一幀。以幀為單位提取傳統(tǒng)駕駛特征指標，包括行駛速度、行駛加速度、轉(zhuǎn)彎速度、轉(zhuǎn)彎加速度、轉(zhuǎn)角系數(shù)、地理位置等特征中的一個或多個指標，指標數(shù)量可達60～80個。

步驟S40包括：

步驟S41，將每一個采樣段對應的多個傳統(tǒng)駕駛特征指標作為一組訓練樣本集。

在建模時，將一個采樣段對應的傳統(tǒng)駕駛特征指標作為一組訓練樣本集，整個行程的連續(xù)采樣點可劃分為多個采樣段，對應多組訓練樣本集，并與MFCC特征指標一起作為訓練樣本，并采用隨機森林分類法建模，獲得針對當前駕駛者個體的駕駛行為特征識別模型，在識別個體駕駛行為時能夠獲得更準確的識別效果。

本實施例將整個劃分為多個采樣段，獲得大量的傳統(tǒng)駕駛特征指標，使訓練樣本集的數(shù)據(jù)更加豐富，建模時能獲得更加準確的個體駕駛行為特征識 別模型，在后續(xù)識別個體駕駛行為時能夠獲得更準確的識別效果。

如圖4所示，圖4為本發(fā)明個體駕駛行為特征識別方法的第四實施例的流程圖。本實施例包括圖1所示實施例中的所有步驟，還詳細說明如何獲得MFCC特征指標，包括以下步驟：

步驟S30包括：

步驟S31，在連續(xù)的多個采樣點中，當一個采樣點的行駛速度小于速度閾值時，將采樣點的行駛速度置零；

步驟S32，將行駛速度不為零的連續(xù)多個采樣點劃分為一個采樣段，獲得多個采樣段；

本實施例借鑒語音分析方法獲取MFCC特征指標。傳統(tǒng)的MFCC特征提取方法中首先需對信號預處理，包括對信號的預加重、分幀、加窗。而針對本實施例的車輛定位數(shù)據(jù)，由于車輛定位數(shù)據(jù)與語音信號不同，不存在高頻跌落問題，因此可將預加重省略，直接進行分幀和加窗。而在分幀和加窗過程中，將行駛速度作為處理對象。將各采樣點的行駛速度與速度閾值比較，當行駛速度小于速度閾值時，將該采樣點的行駛速度置零。對于整個行程中，連續(xù)的多個采樣點的行駛速度如果都不為0，則將這連續(xù)的多個采樣點劃分為一個采樣段，可預設(shè)采樣段中采樣點個數(shù)的下限，例如下限預設(shè)為10個，如果行駛速度不為零的連續(xù)采樣點個數(shù)為15，則將這連續(xù)的15個采樣點劃分為一個采樣段，如果行駛速度不為零的連續(xù)采樣點個數(shù)為8，則不符合該劃分條件，將周期過短的采樣段剔除，如圖8所示。

步驟S33，將每一個采樣段的車輛定位數(shù)據(jù)進行快速傅立葉變換，獲得每一個采樣段的頻譜參數(shù)，并根據(jù)頻譜參數(shù)獲得每一個采樣段對應的幅度譜；

步驟S34，將每一個采樣段對應的幅度譜經(jīng)梅爾濾波器組處理，獲得每一個采樣段對應的多個梅爾濾波輸出值；

步驟S35，對每一個采樣段對應的多個梅爾濾波輸出值取對數(shù)值，并對對數(shù)值做離散余弦變換，獲得每一個采樣段對應的多個MFCC特征指標；

完成采樣段分段處理后，采用MFCC特征指標的提取方式獲得每一個采樣段對應的多個MFCC特征指標，指標數(shù)量可達80～120個。

步驟S40還包括：

步驟S42，將每一個采樣段對應的多個MFCC特征指標作為一組訓練樣本集。

在建模時，將一個采樣段對應的MFCC特征指標作為一組訓練樣本集，整個行程包括多個采樣段，對應多組訓練樣本集，并與傳統(tǒng)駕駛特征指標一起作為訓練樣本，并采用隨機森林分類法建模，獲得針對當前駕駛者個體的駕駛行為特征識別模型，在識別個體駕駛行為時能夠獲得更準確的識別效果。

本實施例將整個劃分為多個采樣段，獲得大量的傳統(tǒng)駕駛特征指標，使訓練樣本集的數(shù)據(jù)更加豐富，建模時能獲得更加準確的個體駕駛行為特征識別模型，在后續(xù)識別個體駕駛行為時能夠獲得更準確的識別效果。

如圖5所示，圖5為本發(fā)明個體駕駛行為特征識別裝置的第一實施例的模塊示意圖。本實施例提到的個體駕駛行為特征識別裝置，包括：

定位模塊10，用于接收終端檢測的當前駕駛者的車輛定位數(shù)據(jù)；

特征提取模塊20，用于從車輛定位數(shù)據(jù)中提取多個傳統(tǒng)駕駛特征指標；從車輛定位數(shù)據(jù)中提取多個梅爾頻率倒譜系數(shù)MFCC特征指標；

建模模塊30，用于將傳統(tǒng)駕駛特征指標和MFCC特征指標作為訓練樣本，采用隨機森林分類法建模，獲得當前駕駛者的駕駛行為特征識別模型。

本實施例中，針對同一個駕駛者的駕駛習慣進行建模與識別。在當前駕駛者駕駛車輛行進時，通過終端上的定位系統(tǒng)獲取車輛的行駛路線及車輛定位數(shù)據(jù)，終端可包括安裝在車上的GPS記錄儀、帶GPS功能的手機和PAD等終端，或安裝在手機、PAD等終端上的定位應用軟件。車輛定位數(shù)據(jù)的采樣頻率可預設(shè)，例如預設(shè)為1次/秒，每秒采集一次數(shù)據(jù)，車輛定位數(shù)據(jù)可包括多個采樣點對應的采樣時間、車輛所在位置三維坐標(經(jīng)度、緯度、高度)、行駛速度、行駛方向等數(shù)據(jù)中的一個或多個。當前駕駛者的車輛定位數(shù)據(jù)可由終端從定位衛(wèi)星或定位服務器獲取，并通過網(wǎng)絡(luò)發(fā)送至本發(fā)明實施例的個體駕駛行為特征識別裝置所在終端或服務器，供個體駕駛行為特征識別裝置對當前駕駛者的駕駛行為特征進行分析，也可以直接由識別裝置從定位衛(wèi)星或定位服務器獲取。

個體駕駛行為特征識別裝置所在終端或服務器在接收到車輛定位數(shù)據(jù)后，可采用傳統(tǒng)方式從車輛定位數(shù)據(jù)中提取多個傳統(tǒng)駕駛特征指標，包括多 個采樣點對應的行駛速度、行駛加速度、轉(zhuǎn)彎速度、轉(zhuǎn)彎加速度、轉(zhuǎn)角系數(shù)、地理位置等特征中的一個或多個指標。例如，車輛定位數(shù)據(jù)包括兩個采樣點的坐標、車輛行駛軌跡、采樣時間間隔等數(shù)據(jù)，上述識別裝置可通過采樣點坐標和車輛行駛軌跡計算出兩個采樣點之間行駛路程的距離，并根據(jù)行程距離和時間間隔計算出行駛速度和加速度。又如，根據(jù)車輛行駛軌跡、行駛速度和行駛方向等車輛定位數(shù)據(jù)，可計算出轉(zhuǎn)彎速度、轉(zhuǎn)彎加速度、轉(zhuǎn)角系數(shù)等指標。

在只采用傳統(tǒng)駕駛特征指標進行建模與識別時，只能粗略的識別出幾個大的類別，如圖7a所示，對角線為同一駕駛者駕駛行為特征的實際值與預測值的相似度，在識別個體駕駛行為時識別效果較差，因此需要增加特征指標。本實施例借鑒語音分析方法，將車輛定位數(shù)據(jù)中的各類數(shù)據(jù)分別轉(zhuǎn)換為連續(xù)變化的模擬信號，提取頻譜特性，包括時域特征和頻域特征，例如短時過零率、FFT(Fast Fourier Transformation，快速傅里葉變換)頻譜特征群、小波變換特征群、MFCC頻譜特征群等特征指標，最終獲得多個MFCC特征指標。

在只采用MFCC特征指標進行建模與識別時，也只能粗略的識別出幾個大的類別，如圖7b所示，在識別個體駕駛行為時識別效果仍然較差。因此，本實施例將傳統(tǒng)駕駛特征指標和MFCC特征指標均作為當前駕駛者的駕駛行為特征，并在數(shù)據(jù)庫中建立當前駕駛者的駕駛行為特征庫。

在建模時，個體駕駛行為特征識別裝置將傳統(tǒng)駕駛特征指標和MFCC特征指標合并，均作為訓練樣本，并采用隨機森林分類法建模，獲得針對當前駕駛者個體的駕駛行為特征識別模型，如圖7c所示，在識別個體駕駛行為時能夠獲得更準確的識別效果。隨機森林是一個包含多個決策樹的分類器，并且其輸出的類別是由個別樹輸出的類別的眾數(shù)而定，能夠處理大量的輸入樣本，在對大量的、高維的數(shù)據(jù)訓練時，不容易出現(xiàn)過擬合問題，分類準確度高，訓練和預測速度快，對訓練樣本中的噪聲和錯誤魯棒要求均能滿足本實施例的駕駛行為特征識別的要求。上述建模方式可以是采集多個駕駛者的定位數(shù)據(jù)，提取傳統(tǒng)駕駛特征指標和MFCC特征指標，并建模，獲得的駕駛行為特征識別模型中包括了多個駕駛者的個體駕駛特征類別，在后續(xù)識別時，將測試者的數(shù)據(jù)輸入到該模型中，即可找到對應的駕駛者。

本實施例針對終端定位功能采集的當前駕駛者的車輛定位數(shù)據(jù)進行建 模，數(shù)據(jù)采集方式簡單，且采集數(shù)據(jù)的設(shè)備只需要具有定位功能的終端即可，無需在車內(nèi)安裝復雜的傳感器設(shè)備，有利于節(jié)約成本；同時，在建模時將傳統(tǒng)駕駛特征指標和MFCC特征指標均作為訓練樣本，并采用隨機森林分類法建模，獲得的駕駛行為特征識別模型更能反映當前駕駛者的個體駕駛行為特征，在后續(xù)識別個體駕駛行為時能夠獲得更準確的識別效果。

如圖6所示，圖6為本發(fā)明個體駕駛行為特征識別裝置的第二實施例的模塊示意圖。本實施例包括圖5所示實施例中的所有模塊，還提供了對測試者駕駛行為特征的預測的模塊，進一步的增加了模型加載模塊40和預測模塊50；

定位模塊10還用于，接收終端檢測的測試者的車輛定位數(shù)據(jù)；

特征提取模塊20還用于，從測試者的車輛定位數(shù)據(jù)中提取測試者的多個傳統(tǒng)駕駛特征指標和多個MFCC特征指標；

模型加載模塊40用于，加載當前駕駛者的駕駛行為特征識別模型；

預測模塊50用于，將測試者的傳統(tǒng)駕駛特征指標和MFCC特征指標作為測試樣本，采用當前駕駛者的駕駛行為特征識別模型對測試樣本進行預測分類，獲得預測分類結(jié)果；根據(jù)預測分類結(jié)果確定測試者是否為當前駕駛者。

本實施例在進行駕駛行為識別時，采用與建模時相同的方法獲得定位數(shù)據(jù)和特征指標。在測試者駕駛車輛行進時，通過終端上的定位系統(tǒng)采集車輛的行駛路線及車輛定位數(shù)據(jù)，供個體駕駛行為特征識別裝置對當前駕駛者的駕駛行為特征進行分析。

可采用傳統(tǒng)方式從車輛定位數(shù)據(jù)中提取測試者的多個傳統(tǒng)駕駛特征指標，包括多個采樣點對應的行駛速度、行駛加速度、轉(zhuǎn)彎速度、轉(zhuǎn)彎加速度、轉(zhuǎn)角系數(shù)、地理位置等特征中的一個或多個指標。同時，還借鑒語音分析方法，從車輛定位數(shù)據(jù)中獲得測試者的多個MFCC特征指標。將傳統(tǒng)駕駛特征指標和MFCC特征指標均作為測試者的駕駛行為特征。

為識別測試者是否為模型中的當前駕駛者，加載當前駕駛者的駕駛行為特征識別模型，并將上述測試者的傳統(tǒng)駕駛特征指標和MFCC特征指標作為該模型的測試樣本，采用該模型對測試者的特征指標進行分類，最終獲得分類結(jié)果。加載的駕駛行為特征識別模型可以是包含有多個駕駛者特征類別的 總體模型，通過識別獲得的分類結(jié)果中，準確的識別出測試者所屬特征類別，該類別已具體到了某一個駕駛者，如圖7c所示，能夠準確的識別出個體駕駛行為特征，獲得更準確的識別效果。

進一步的，本實施例還采用以下模塊獲得傳統(tǒng)駕駛特征指標。

特征提取模塊20還用于，將連續(xù)的多個采樣點中每n個采樣點劃分為一個采樣段，獲得多個采樣段，其中n為預設(shè)幀長包括的采樣點個數(shù)；從每一個采樣段的車輛定位數(shù)據(jù)中提取多個傳統(tǒng)駕駛特征指標；

建模模塊30還用于，將每一個采樣段對應的多個傳統(tǒng)駕駛特征指標作為一組訓練樣本集。

本實施例以采樣頻率為1次/秒為例，則相鄰兩個采樣點之間的時間間隔為1秒，假設(shè)預設(shè)幀長包括的采樣點個數(shù)為8個采樣點，則每8個采樣點劃分為一個采樣段，為一幀。以幀為單位提取傳統(tǒng)駕駛特征指標，包括行駛速度、行駛加速度、轉(zhuǎn)彎速度、轉(zhuǎn)彎加速度、轉(zhuǎn)角系數(shù)、地理位置等特征中的一個或多個指標，指標數(shù)量可達60～80個。

在建模時，將一個采樣段對應的傳統(tǒng)駕駛特征指標作為一組訓練樣本集，整個行程的連續(xù)采樣點可劃分為多個采樣段，對應多組訓練樣本集，并與MFCC特征指標一起作為訓練樣本，并采用隨機森林分類法建模，獲得針對當前駕駛者個體的駕駛行為特征識別模型，在識別個體駕駛行為時能夠獲得更準確的識別效果。

本實施例將整個劃分為多個采樣段，獲得大量的傳統(tǒng)駕駛特征指標，使訓練樣本集的數(shù)據(jù)更加豐富，建模時能獲得更加準確的個體駕駛行為特征識別模型，在后續(xù)識別個體駕駛行為時能夠獲得更準確的識別效果。

進一步的，本實施例還采用以下模塊獲得MFCC特征指標。

特征提取模塊20還用于：

在連續(xù)的多個采樣點中，當一個采樣點的行駛速度小于速度閾值時，將采樣點的行駛速度置零；

將行駛速度不為零的連續(xù)多個采樣點劃分為一個采樣段，獲得多個采樣段；

將每一個采樣段的車輛定位數(shù)據(jù)進行快速傅立葉變換，獲得每一個采樣段的頻譜參數(shù)，并根據(jù)頻譜參數(shù)獲得每一個采樣段對應的幅度譜；

將每一個采樣段對應的幅度譜經(jīng)梅爾濾波器組處理，獲得每一個采樣段對應的多個梅爾濾波輸出值；

對每一個采樣段對應的多個梅爾濾波輸出值取對數(shù)值，并對對數(shù)值做離散余弦變換，獲得每一個采樣段對應的多個MFCC特征指標；

建模模塊30還用于，將每一個采樣段對應的多個MFCC特征指標作為一組訓練樣本集。

本實施例借鑒語音分析方法獲取MFCC特征指標。傳統(tǒng)的MFCC特征提取方法中首先需對信號預處理，包括對信號的預加重、分幀、加窗。而針對本實施例的車輛定位數(shù)據(jù)，由于車輛定位數(shù)據(jù)與語音信號不同，不存在高頻跌落問題，因此可將預加重省略，直接進行分幀和加窗。而在分幀和加窗過程中，將行駛速度作為處理對象。將各采樣點的行駛速度與速度閾值比較，當行駛速度小于速度閾值時，將該采樣點的行駛速度置零。對于整個行程中，連續(xù)的多個采樣點的行駛速度如果都不為0，則將這連續(xù)的多個采樣點劃分為一個采樣段，可預設(shè)采樣段中采樣點個數(shù)的下限，例如下限預設(shè)為10個，如果行駛速度不為零的連續(xù)采樣點個數(shù)為15，則將這連續(xù)的15個采樣點劃分為一個采樣段，如果行駛速度不為零的連續(xù)采樣點個數(shù)為8，則不符合該劃分條件，將周期過短的采樣段剔除，如圖8所示。完成采樣段分段處理后，采用MFCC特征指標的提取方式獲得每一個采樣段對應的多個MFCC特征指標，指標數(shù)量可達80～120個。

在建模時，將一個采樣段對應的MFCC特征指標作為一組訓練樣本集，整個行程包括多個采樣段，對應多組訓練樣本集，并與傳統(tǒng)駕駛特征指標一起作為訓練樣本，并采用隨機森林分類法建模，獲得針對當前駕駛者個體的駕駛行為特征識別模型，在識別個體駕駛行為時能夠獲得更準確的識別效果。

本實施例將整個劃分為多個采樣段，獲得大量的傳統(tǒng)駕駛特征指標，使訓練樣本集的數(shù)據(jù)更加豐富，建模時能獲得更加準確的個體駕駛行為特征識別模型，在后續(xù)識別個體駕駛行為時能夠獲得更準確的識別效果。

以上所述僅為本發(fā)明的優(yōu)選實施例，并非因此限制本發(fā)明的專利范圍， 凡是利用本發(fā)明說明書及附圖內(nèi)容所作的等效結(jié)構(gòu)或等效流程變換，或直接或間接運用在其他相關(guān)的技術(shù)領(lǐng)域，均同理包括在本發(fā)明的專利保護范圍內(nèi)。