一种辨认驾驶人员的车载设备及辨认方法

摘要

本发明是关于一种辨认驾驶人员的车载设备及辨认方法，属于车载智能设备领域。技术方案如下：包括车辆总线数据监听读取单元、MCU计算单元、本地存储单元、网络通信单元和数据特征存储及分析云平台，所述车辆总线数据监听读取单元一端与车辆进行连接，另一端与所述MCU计算单元连接，所述MCU计算单元分别与本地存储单元和网络通信单元连接，所述网络通信单元与所述数据特征存储及分析云平台连接。有益效果是：本发明通过车载设备接入总线后进行数据解析，并应用一定计算方法取得驾驶特征后传至云平台，加之结合云平台保存的大数据不断自学习更新和匹配优化，以达到准确区分不同驾驶人员的目的，从而更加智能和高效地对车辆和驾驶人进行管理。

说明书

技术领域

本发明涉及一种车载终端监控设备，尤其涉及一种辨认驾驶人员的车载设备及辨认方法。

背景技术

现阶段市场上存有多种接入车辆总线的终端监控设备，这类设备可以使人们获得车辆实时运行数据，来查看车辆运行情况及故障情况。但是市场上还没有一种能够通过总结分析驾驶员对车辆操作的相关数据从而达到区分出驾驶人员的设备，而此类硬件设备将广泛应用于车辆管理，保险理赔，违章处置，自动驾驶，汽车租赁、共享出行等领域，本发明的设备及方法可以通过提取驾驶人员的驾驶特征并应用分类算法得到区分驾驶人员的目的。

发明内容

为了更加智能和高效地对车辆和驾驶人进行管理，本发明提供一种辨认驾驶人员的车载设备及辨认方法，该装置和方法能够通过总结分析驾驶员对车辆操作的相关数据从而达到区分出驾驶人员的目的，从而更加智能和高效地对车辆和驾驶人进行管理，可以广泛应用于车辆管理，保险理赔，违章处置，自动驾驶，汽车租赁、共享出行等领域。所述技术方案如下：

一种辨认驾驶人员的车载设备，包括车辆总线数据监听读取单元、MCU计算单元、本地存储单元、网络通信单元和数据特征存储及分析云平台，所述车辆总线数据监听读取单元一端与车辆进行连接，另一端与所述MCU计算单元连接，所述MCU计算单元分别与本地存储单元和网络通信单元连接，所述网络通信单元与所述数据特征存储及分析云平台连接。

进一步的，所述车辆总线数据监听读取单元与车辆总线或者车辆标准诊断接口连接。

进一步的，所述车辆总线数据监听读取单元通过CAN总线或者以太网与车辆连接。

本发明还包括一种辨认驾驶人员的方法，使用上述的辨认驾驶人员的车载设备，执行如下步骤：

S1、车辆总线数据监听读取单元通过接入汽车总线实时获取车辆的速度、发动机转速、油门、刹车、档位和方向盘角度信息；

S2、采用中值滤波，过滤噪声数据；

S3、实时判断最新若干秒内的数据是否有转向信息，如果没有转向消息，返回S1，如果有转向消息，进入S4；

S4、提取5维度特征向量，所述5维特征向量包括超拐最值、超拐占整个周期的百分比、回归均值位置、缺拐最值、缺拐占整个周期的百分比；

S5、数据特征存储及分析云平台采用ANN算法产生分类器，设备上传的特征向量通过与特征数据库比对，判断出驾驶人员的身份。

进一步的，S4中提取特征向量步骤如下：

p1、在惯性坐标系OXY下设(Xr,Yr)和(Xf,Yf)分别为车辆后轴和前轴的轴心坐标，Φ为车体的横摆角，Φf为前轮偏角，Vr为车辆后轴中心速度，Vf为车辆前轴中心速度，L为车辆轴距，R为后轮转向半径，P为车辆转动圆心，M为车辆后轴轴心，N为前轴轴心；

p2、采用下述等式得出后轴行驶轴心(Xr,Yr)处速度：

Vr＝Xr’cos(Φ)+Yr’sin(Φ)，

Xr和Yr是坐标，Xr’和Yr’为后轮在相对坐标系下的速度；

p3、根据汽车的前后轴的运动学约束

Xf’sin(Φ+Φf)-Yf’cos(Φ+Φf)＝0，

Xr’sin(Φ)-Yr’cos(Φ)＝0；

推得：

Xr’＝Vrcos(Φ)，

Yr’＝Vrsin(Φ)；

p4、根据前后轮的几何关系得：

Xf＝Xr+Lcos(Φ)，

Yf＝Yf+Lsin(Φ)；

进而推导出汽车的横摆角速度为：

W＝Vr/L*tan(Φf)；

p5、根据横摆角速度W和车速Vr得到转向半径R和前轮偏角Φf

R＝Vr/W，

Φf＝arctan(L/R)；

p6、得到车辆的运动学模型：

Φ’＝tan(Φf)/L*Vr；

P7、根据横摆角度公式，采用以下式子提取出拐弯的五个特征，

T是从横摆角速度为0到横摆角速度最大再到0的时间段，t_r为0-T内的时间点，

feature1为超拐最值、feature2为超拐占整个周期的百分比、feature3为回归均值位置、feature4为缺拐最值、feature5为缺拐占整个周期的百分比。

进一步的，根据S5中得出的结果采用统计学进行判断，即对多次结果求取数学期望，得出最终的结果。

进一步的，所述分类器由大数据学习方法得到，该方法为应用前期提取到多人的多个特征值，应用人工神经网络中的BP神经网络进行数据训练，从而得出该所述一个分类器。

进一步的，所述BP神经网络分三层网络，输入层是5个结点，中间层为30个结点，输出层为2个结点。

本发明的有益效果是：

本发明所述的辨认驾驶人员的车载设备及辨认方法利用汽车自身传感器数据，通过车载设备接入总线后进行数据解析取得驾驶特征，并应用一定计算方法，提取5维度特征向量，加之结合云端保存的大数据不断自学习更新和匹配优化，以达到准确区分不同驾驶人员的目的，从而更加智能和高效地对车辆和驾驶人进行管理，可以广泛应用于车辆管理，保险理赔，违章处置，自动驾驶，汽车租赁、共享出行等领域。

附图说明

图1为本发明设备组成示意图；

图2为本发明工作流程图；

图3为本发明汽车转向运动模型图；

具体实施方式

实施例1：

一种辨认驾驶人员的车载设备，包括车辆总线数据监听读取单元、MCU计算单元、本地存储单元、网络通信单元和数据特征存储及分析云平台，所述车辆总线数据监听读取单元一端与车辆进行连接，另一端与所述MCU计算单元连接，所述MCU计算单元分别与本地存储单元和网络通信单元连接，所述网络通信单元与所述数据特征存储及分析云平台连接。

进一步的，所述车辆总线数据监听读取单元与车辆总线或者车辆标准诊断接口(OBD)连接。

进一步的，所述车辆总线数据监听读取单元通过CAN总线或者以太网与车辆连接。

本发明还包括一种辨认驾驶人员的方法，使用上述的辨认驾驶人员的车载设备，执行如下步骤：

S1、车辆总线数据监听读取单元通过接入汽车总线实时获取车辆的速度、发动机转速、油门、刹车、档位和方向盘角度信息；

S2、采用中值滤波，过滤噪声数据；

S3、实时判断最新10秒内的数据是否有转向信息，如果没有转向消息，返回S1，如果有转向消息，进入S4；

S4、提取5维度特征向量，所述5维特征向量包括超拐最值、超拐占整个周期的百分比、回归均值位置、缺拐最值、缺拐占整个周期的百分比；

S5、数据特征存储及分析云平台采用ANN算法产生分类器，设备上传的特征向量通过与特征数据库比对，判断出驾驶人员的身份。

进一步的，S4中提取特征向量步骤如下：

p1、如附图3所示，在惯性坐标系OXY下设(Xr,Yr)和(Xf,Yf)分别为车辆后轴和前轴的轴心坐标，Φ为车体的横摆角(航向角)，Φf为前轮偏角，Vr为车辆后轴中心速度，Vf为车辆前轴中心速度，L为车辆轴距，R为后轮转向半径，P为车辆转动圆心，M为车辆后轴轴心，N为前轴轴心；

p2、采用下述等式得出后轴行驶轴心(Xr,Yr)处速度：

Vr＝Xr’cos(Φ)+Yr’sin(Φ)，

Xr和Yr是坐标，相对看成距离，Xr’和Yr’为后轮在相对坐标系下的速度；

p3、根据汽车的前后轴的运动学约束

Xf’sin(Φ+Φf)-Yf’cos(Φ+Φf)＝0，

Xr’sin(Φ)-Yr’cos(Φ)＝0；

推得：

Xr’＝Vrcos(Φ)，

Yr’＝Vrsin(Φ)；

p4、根据前后轮的几何关系得：

Xf＝Xr+Lcos(Φ)，

Yf＝Yf+Lsin(Φ)；

进而推导出汽车的横摆角速度为：

W＝Vr/L*tan(Φf)；

p5、根据横摆角速度W和车速Vr得到转向半径R和前轮偏角Φf

R＝Vr/W，

Φf＝arctan(L/R)；

p6、得到车辆的运动学模型：

Φ’＝tan(Φf)/L*Vr；

P7、根据横摆角度公式，采用以下式子提取出拐弯的五个特征，

T是转弯持续时间，即从横摆角速度为0到横摆角速度最大再到0的时间段，t_r为0-T内的时间点，

feature1为超拐最值、feature2为超拐占整个周期的百分比、feature3为回归均值位置、feature4为缺拐最值、feature5为缺拐占整个周期的百分比。

进一步的，根据S5中得出的结果采用统计学进行判断，即对多次结果求取数学期望，得出最终的结果。

进一步的，所述分类器，由大数据学习方法得到，该方法为应用前期提取到多人的多个特征值，应用人工神经网络(ANN)中的BP神经网络进行数据训练，从而得出该所述一个分类器。

进一步的，所述BP神经网络分三层网络，输入层是5个结点，中间层为30个结点，输出层为2个结点。

实施例2：

作为一种单独的实施例或者对实施例1的补充，S1中的名词解释：

速度:是指汽车真实速度(单位km/h)，从车辆总线获得；

转速:是指汽车发动机转速(单位rad/min)，从车辆总线中获得；

油门:是指汽车油门踏板踩下的半分比(无量纲)，范围0％～100％，0％表示没有踩油门，100％表示油门踩到底，同样也从车辆总线获得；

刹车:是指汽车刹车踏板踩下的半分比(无量纲)，范围0％～100％，0％表示没有刹车，100％表示刹车踩到底，同样也从车辆总线获得。

特征提取，即通过算法量化出每个人开车的特征值，需要考虑每个人对误差控制方式。在日常开车中，由于环境因素对车辆速度变化特点的影响是占绝大多数的，所以不能用作绝对特征的提取。实际情况，在车辆拐弯的情况下，当环境道路是一样的，每个人驾驶最大不同点就是控制转弯的方式，有的人会匀速拐弯，有的人会前期拐大弯，后期再拐小弯等等。因此本发明主要以转弯特征为主，辅之以速度、转速、油门、刹车、档位特征。根据上面推出的横摆角度公式，提取出拐弯的五个特征(前期数据归一化)分别为：超拐最值，超拐占整个周期的百分比，回归均值位置，缺拐最值，缺拐占整个周期的百分比。(五个特征也是五个维度)

数据的训练，设备前期提取到多人的多个的特征值并传输至数据特征存储及分析云平台，云平台应用人工神经网络(ANN)进行数据训练，从而得出一个分类器。之后在得到设备上传的特征值时，就可以应用此分类器进行区别不同驾驶人。

本发明应用ANN其中一种网络叫做BP神经网络，它是一种按误差逆向传播的多层前馈神经网络。这里我要分三层网络输入层是5个结点(因为一个特征是五维度的)中间层为30个结点，输出层为二个结点(二分类))。

大数据的方式，是指平台在数据累计到一定的程度后在进行训练BP神经网络，自主纠正学习，从而使平台区分驾驶人的准确率逐步提高。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。