一种基于移动群智感知的极端驾驶行为识别方法及系统

摘要

本发明公开一种基于移动群智感知的极端驾驶行为识别方法及系统。所述方法包括以下步骤：获取乘客随身携带的智能手机的第一惯性传感器数据；所述惯性传感器数据包括加速度传感器数据、陀螺仪传感器数据；根据所述第一惯性传感器数据确定乘客在汽车中的位置；根据所述第一惯性传感器数据确定乘客的手机使用方式；获取乘客落座后的随身携带的智能手机的第二惯性传感器数据；根据所述第二惯性传感器数据以及所述乘客的手机使用方式识别每个智能手机检测到的驾驶行为；根据所有智能手机检测到的驾驶行为确定最终驾驶行为识别结果。采用本发明方法或系统可以通过乘客携带的智能手机识别司机的驾驶行为，精确度高，成本低。

权利要求

1.一种基于移动群智感知的极端驾驶行为识别方法，其特征在于，包括：获取乘客随身携带的智能手机的第一惯性传感器数据；所述惯性传感器数据包括加速度传感器数据、陀螺仪传感器数据；所述第一惯性传感器数据为所述加速度传感器数据和所述陀螺仪传感器数据采集的乘客从开始上车到落座的过程的数据；

根据所述第一惯性传感器数据确定乘客在汽车中的位置；

根据所述第一惯性传感器数据确定乘客的手机使用方式；

获取乘客落座后的随身携带的智能手机的第二惯性传感器数据；

根据所述第二惯性传感器数据以及所述乘客的手机使用方式识别每个智能手机检测到的驾驶行为；

根据所有智能手机检测到的驾驶行为确定最终驾驶行为识别结果。

2.根据权利要求1所述的驾驶行为识别方法，其特征在于，所述根据所述第一惯性传感器数据确定乘客在汽车中的位置具体包括：对所述第一惯性传感器数据进行均值过滤处理；

根据经均值过滤处理后的所述陀螺仪传感器数据得到乘客在汽车中的横向位置；

根据经均值过滤处理后的所述加速度传感器数据得到乘客在汽车中的纵向位置。

3.根据权利要求1所述的驾驶行为识别方法，其特征在于，所述根据所述第二惯性传感器数据以及所述乘客的手机使用方式识别每个智能手机检测到的驾驶行为具体包括：对所述第二惯性传感器数据进行多个特征值计算，得到由多个特征值组成的特征向量；

对所述特征向量进行归一化处理；

将进行归一化处理后的所述特征向量代入驾驶行为的检测模型进行驾驶行为识别，得到每个手机的识别结果。

4.根据权利要求1所述的驾驶行为识别方法，其特征在于，所述根据所有智能手机检测到的驾驶行为确定最终驾驶行为识别结果具体包括：判断所有智能手机检测到的驾驶行为结果是否一致，若是，则确定所述智能手机检测到的驾驶行为为最终驾驶行为识别结果；

否则，计算每个智能手机检测到的驾驶行为结果的权重，将拥有最高权重的智能手机检测到的驾驶行为结果确定为最终驾驶行为识别结果。

5.根据权利要求2所述的驾驶行为识别方法，其特征在于，所述根据经均值过滤处理后的所述陀螺仪传感器数据得到乘客在汽车中的横向位置具体包括：利用滑动窗口方法对所述陀螺仪传感器数据进行端点检测，检测出乘客上车时间点以及落座时间点；

判断所述乘客落座时间点时所述陀螺仪传感器数据是否为正值；

当所述乘客落座时间点时所述陀螺仪传感器数据为正时，则确定乘客位于汽车的左侧位置；

否则，则确定乘客位于汽车的右侧位置。

6.根据权利要求5所述的驾驶行为识别方法，其特征在于，所述根据经均值过滤处理后的所述加速度传感器数据得到乘客在汽车中的纵向位置具体包括：获取所述乘客上车时间点与所述落座时间点之间的所述加速度传感器数据；

使用峰值检测的方法结合所述加速度传感器数据计算出乘客的步数，再结合正常人的步长信息，得到乘客位于汽车的前后位置。

7.根据权利要求1所述的驾驶行为识别方法，其特征在于，所述根据所述第一惯性传感器数据确定乘客的手机使用方式具体包括：根据所述第一惯性传感器数据获得乘客的步数，当所述步数小于乘客实际步数时，则确定手机使用方式为手持式方式；

否则，则确定手机使用方式为非手持式方式。

8.根据权利要求1所述的驾驶行为识别方法，其特征在于，所述最终驾驶行为识别结果具体包括：车辆出现急变道的危险行为；所述急变道包括左急变道和右急变道；

或者，车辆出现急变速的危险行为；所述急变速包括加速和减速；

或者，车辆出现急转弯的危险行为；所述急转弯包括左急转弯和右急转弯两种。

9.根据权利要求4所述的驾驶行为识别方法，其特征在于，所述根据所有智能手机检测到的驾驶行为确定最终驾驶行为识别结果具体包括：根据智能手机检测到的驾驶行为结果权重计算公式 计算每个智能手机检测到的驾驶行为结果的权重；w表示手机使用方式的系数，aj是乘客在不同位置对不同驾驶行为的检测准确率；如果乘客是手持方式，w值为1，若乘客为非手持方式，w为0.812；

根据每种驾驶行为权重计算公式 计算每种驾驶行为的权重，p(r)表示智能手机检测到的驾驶行为结果，其中，r表示驾驶行为，ri表示第i个检测到的驾驶行为，f(uj)表示智能手机uj所检测到的结果，Ω表示n个智能手机的所有结果；

比较所有智能手机检测到的驾驶行为的权重，得到权重最高的智能手机检测到的驾驶行为，将所述权重最高的智能手机检测到的驾驶行为结果确定为最终的识别结果。

10.一种基于移动群智感知的极端驾驶行为识别系统，其特征在于，所述系统包括：第一惯性传感器数据获取模块，用于获取乘客开始上车到落座的过程中的随身携带的智能手机的惯性传感器数据；所述惯性传感器数据包括加速度传感器数据、陀螺仪传感器数据；

乘客位置判断模块，用于根据所述惯性传感器数据确定乘客在汽车中的位置；

手机使用方式判断模块，用于根据所述第一惯性传感器数据确定乘客的手机使用方式；

第二惯性传感器数据获取模块，用于获取乘客落座后的随身携带的智能手机的第二惯性传感器数据；

单个手机识别模块，用于根据所述第二惯性传感器数据以及所述乘客的手机使用方式识别每个智能手机检测到的驾驶行为；

最终结果确定模块，用于根据所有智能手机检测到的驾驶行为确定最终驾驶行为识别结果。

说明书

一种基于移动群智感知的极端驾驶行为识别方法及系统

技术领域

[0001] 本发明涉及车辆驾驶行为识别领域，特别是涉及一种基于移动群智感知的极端驾驶行为识别方法及系统。

背景技术

[0002] 随着汽车行业的发展，车祸状况时有发生，因此，能随时获知驾驶员的驾驶行为变的尤其重要。随着科技的研究，已有部分技术可以获知驾驶员的驾驶行为，比如通过车辆自带的传感器来获取驾驶信息，以此获知驾驶员的驾驶行为。但是此种方式往往只有在事故发生后才会实施，其实用性不大，并不能再驾驶过程中进行驾驶行为的识别。文献“Smartphone based estimation of relative risk ropensity for inducing good driving behavior[C]//Adjunct Proceedings of the 2015 ACM International oint Conference on Pervasive and Ubiquitous Computing and Proceedings of the 2015 ACM International ymposium on Wearable Computers.ACM,2015:743-751”提出了一种分析加速度的方法，该方法通过运用数理统计中峰度和偏度平方两个特征作为基础，对同一司机的多次驾驶进行统计分析，按照检测出的异常来对司机的驾驶习惯进行相应的评分和排名。此文献中的技术是通过分析司机的驾驶习惯进行的，此种方式明显不能实时的在驾驶过程中识别出驾驶员的驾驶行为。

发明内容

[0003] 本发明的目的是提供一种基于移动群智感知的极端驾驶行为识别方法及系统，通过乘客携带的智能手机可以实时识别驾驶员的驾驶行为。

[0004] 为实现上述目的，本发明提供了如下方案：

[0005] 一种基于移动群智感知的极端驾驶行为识别方法，包括以下步骤：

[0006] 获取乘客随身携带的智能手机的第一惯性传感器数据；所述惯性传感器数据包括加速度传感器数据、陀螺仪传感器数据；

[0007] 根据所述第一惯性传感器数据确定乘客在汽车中的位置；

[0008] 根据所述第一惯性传感器数据确定乘客的手机使用方式；

[0009] 获取乘客落座后的随身携带的智能手机的第二惯性传感器数据；

[0010] 根据所述第二惯性传感器数据以及所述乘客的手机使用方式识别每个智能手机检测到的驾驶行为；

[0011] 根据所有智能手机检测到的驾驶行为确定最终驾驶行为识别结果。

[0012] 可选的，所述根据所述第一惯性传感器数据确定乘客在汽车中的位置具体包括：

[0013] 对所述第一惯性传感器数据进行均值过滤处理；

[0014] 根据经均值过滤处理后的所述陀螺仪传感器数据得到乘客在汽车中的横向位置；

[0015] 根据经均值过滤处理后的所述加速度传感器数据得到乘客在汽车中的纵向位置。

[0016] 可选的，所述根据所述第二惯性传感器数据以及所述乘客的手机使用方式识别每个智能手机检测到的驾驶行为具体包括：

[0017] 对所述第二惯性传感器数据进行多个特征值计算，得到由多个特征值组成的特征向量；

[0018] 对所述特征向量进行归一化处理；

[0019] 将进行归一化处理后的所述特征向量代入驾驶行为的检测模型进行驾驶行为识别，得到每个手机的识别结果。

[0020] 可选的，所述根据所有智能手机检测到的驾驶行为确定最终驾驶行为识别结果具体包括：

[0021] 判断所有智能手机检测到的驾驶行为是否一致，若是，则确定所述智能手机检测到的驾驶行为为最终驾驶行为识别结果；

[0022] 否则，计算每个智能手机检测到的驾驶行为结果的权重，将拥有最高权重的智能手机检测到的驾驶行为结果确定为最终驾驶行为识别结果。

[0023] 可选的，所述根据经均值过滤处理后的所述陀螺仪传感器数据得到乘客在汽车中的横向位置具体包括：

[0024] 利用滑动窗口方法对所述陀螺仪传感器数据进行端点检测，检测出乘客上车时间点以及落座时间点；

[0025] 判断所述乘客落座时间点时所述陀螺仪传感器数据是否为正值；

[0026] 当所述乘客落座时间点时所述陀螺仪传感器数据为正时，则确定乘客位于汽车的左侧位置；

[0027] 否则，则确定乘客位于汽车的右侧位置。

[0028] 可选的，所述根据经均值过滤处理后的所述加速度传感器数据得到乘客在汽车中的纵向位置具体包括：

[0029] 获取所述乘客上车时间点与所述落座时间点之间的所述加速度传感器数据；

[0030] 使用峰值检测的方法结合所述加速度传感器数据计算出乘客的步数，再结合正常人的步长信息，得到乘客位于汽车的前后位置。

[0031] 可选的，所述根据所述第一惯性传感器数据确定乘客的手机使用方式具体包括：

[0032] 根据所述第一惯性传感器数据获得乘客的步数，当所述步数小于乘客实际步数时，则确定手机使用方式为手持式方式；

[0033] 否则，则确定手机使用方式为非手持式方式。

[0034] 可选的，所述最终驾驶行为识别结果具体包括：

[0035] 车辆出现急变道的危险行为；所述急变道包括左急变道和右急变道；

[0036] 或者，车辆出现急变速的危险行为；所述急变速包括加速和减速；

[0037] 或者，车辆出现急转弯的危险行为；所述急转弯包括左急转弯和右急转弯两种。

[0038] 可选的，所述根据所有智能手机检测到的驾驶行为确定最终驾驶行为识别结果具体包括：

[0039] 根据智能手机检测到的驾驶行为结果权重计算公式 计算每个智能手机检测到的驾驶行为结果的权重；w表示手机使用方式的系数，aj是乘客在不同位置对不同驾驶行为的检测准确率；如果乘客是手持方式，w值为 1，若乘客为非手持方式，w为
0.812；

[0040] 根据每种驾驶行为权重计算公式 计算每种驾驶行为的权重，p(r)表示智能手机检测到的驾驶行为结果，其中，r表示驾驶行为，ri表示第i个检测到的驾驶行为，f(uj)表示智能手机uj所检测到的结果，Ω表示n个智能手机的所有结果；

[0041] 比较所有智能手机检测到的驾驶行为的权重，得到权重最高的智能手机检测到的驾驶行为，将所述权重最高的智能手机检测到的驾驶行为结果确定为最终的识别结果。

[0042] 一种基于移动群智感知的极端驾驶行为识别系统，所述系统包括：

[0043] 第一惯性传感器数据获取模块，用于获取乘客开始上车到落座的过程中的随身携带的智能手机的惯性传感器数据；所述惯性传感器数据包括加速度传感器数据、陀螺仪传感器数据；

[0044] 乘客位置判断模块，用于根据所述惯性传感器数据确定乘客在汽车中的位置；

[0045] 手机使用方式判断模块，用于根据所述第一惯性传感器数据确定乘客的手机使用方式；

[0046] 第二惯性传感器数据获取模块，用于获取乘客落座后的随身携带的智能手机的第二惯性传感器数据；

[0047] 单个手机识别模块，用于根据所述第二惯性传感器数据以及所述乘客的手机使用方式识别每个智能手机检测到的驾驶行为；

[0048] 最终结果确定模块，用于根据所有智能手机检测到的驾驶行为确定最终驾驶行为识别结果。

[0049] 根据本发明提供的具体实施例，本发明公开了以下技术效果：

[0050] 本发明通过对乘客所携带的智能手机在乘车时所产生的惯性传感器信号进行收集，而后对采集到的数据进行滤波与利用滑动窗口进行端点识别，使用峰值检测的方法对乘客从上车到落座的时间段内进行步数检测，用以确定乘客在车内的相对位置。然后对汽车在行驶过程中的惯性传感器数据进行收集和特征集的计算及归一化处理，使用决策树算法对驾驶行为进行分类。最后使用贝叶斯投票的方法对不同位置所产生的不同检测结果进行投票决策，从而得到最终的检测结果。实现了通过利用乘客随身携带的智能手机可以实时识别驾驶员的驾驶行为的功能，识别结果精确，成本低，易于实现，实用性强。

附图说明

[0051] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

[0052] 图1为本发明实施例驾驶行为识别方法流程图；

[0053] 图2为本发明实施例驾驶行为识别方法中确定乘客在汽车中的位置的流程图；

[0054] 图3为本发明实施例驾驶行为识别方法中得到最终识别结果的流程图；

[0055] 图4为本发明实施例驾驶行为识别方法中驾驶行为识别系统模块图。

具体实施方式

[0056] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0057] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

[0058] 图1为本发明实施例驾驶行为识别方法流程图。参见图1，一种基于移动群智感知的极端驾驶行为识别方法，包括以下步骤：

[0059] 步骤101：获取第一惯性传感器数据；获取乘客随身携带的智能手机的第一惯性传感器数据；所述惯性传感器数据包括加速度传感器数据、陀螺仪传感器数据。加速度传感器和陀螺仪传感器采集的是乘客在从开始上车到落座的过程和整个乘车过程，总共两个过程的数据，采样频率是100Hz。

[0060] 步骤102：确定乘客在汽车中的位置；根据所述第一惯性传感器数据确定乘客在汽车中的位置；

[0061] 步骤103：确定乘客的手机使用方式；根据所述第一惯性传感器数据确定乘客的手机使用方式；

[0062] 步骤104：获取第二惯性传感器数据；获取乘客落座后的随身携带的智能手机的第二惯性传感器数据；

[0063] 步骤105：识别每个智能手机检测到的驾驶行为；根据所述第二惯性传感器数据以及所述乘客的手机使用方式识别每个智能手机检测到的驾驶行为；

[0064] 步骤106：确定最终驾驶行为识别结果；根据所有智能手机检测到的驾驶行为确定最终驾驶行为识别结果。

[0065] 采用本发明中驾驶行为识别方法可以通过乘客携带的智能手机实时获知司机的驾驶行为，以避免意外的发生，识别结果精确，成本低，易于实现，实用性强。

[0066] 图2为本发明实施例驾驶行为识别方法中确定乘客在汽车中的位置的流程图。参见图2，所述根据所述第一惯性传感器数据确定乘客在汽车中的位置具体包括：

[0067] 步骤201：对所述第一惯性传感器数据进行均值过滤处理；

[0068] 步骤202：检测出乘客上车时间点以及落座时间点；利用滑动窗口方法对所述陀螺仪传感器数据进行端点检测，检测出乘客上车时间点以及落座时间点；

[0069] 步骤203：判断所述乘客落座时间点时所述陀螺仪传感器数据是否为正值；若是则执行步骤204：否则执行步骤205。根据经均值过滤处理后的陀螺仪传感器数据得到乘客在汽车中的横向位置；

[0070] 步骤204：确定乘客位于汽车左侧位置；

[0071] 步骤205：确定乘客位于汽车右侧位置；

[0072] 步骤206：获取所述乘客上车时间点与所述落座时间点之间的所述加速度传感器数据；根据经均值过滤处理后的加速度传感器数据得到乘客在汽车中的纵向位置。

[0073] 步骤207：得到乘客位于汽车的前后位置；使用峰值检测的方法结合所述加速度传感器数据计算出乘客的步数，再结合正常人的步长信息，得到乘客位于汽车的前后位置。

[0074] 其中，对所述惯性传感器数据进行均值过滤处理具体包括：

[0075] 通过均值过滤公式 进行过滤处理；

[0076] s(t)是输入信号，输入的是所述第一惯性传感器数据，即所述加速度传感器数据、所述陀螺仪传感器数据，x(t)为输出信号，t表示时间序列；n表示信号序列的总数量。

[0077] 使用端点检测算法来获知乘客某种行为的开始。根据对乘客行为的分析，发现乘客各个行为的开始往往都伴随着加速度传感器测量结果的抖动，设置端点检测的判断条件为当前时刻的陀螺仪传感器数据大于上一时刻、下一时刻的所述陀螺仪传感器数据。当判断值满足判断条件时，认为当前时刻i是乘客某个行为的开始端点，需要进行数据的记录；当判断值不满足判断条件时，不检测数据。

[0078] 乘客在开始上车后，使用滑动窗口方法对陀螺仪传感器进行端点检测，按照一般安卓手机的坐标系，一般安卓手机的坐标系是X轴沿屏幕向右，Y轴沿屏幕向上，Z轴垂直手机屏幕向上。若检测到X轴有明显负值的端点(时间点t1)，明显的负值指的是该点的绝对值大于或等于其两边端点的绝对值的两倍，则说明是乘客上车完成，开始进入选座阶段，继续进行检测。若检测到 X轴有明显负值的端点(时间点t2)则证明乘客已选好座位，此时，若陀螺仪传感器为正值，则证明乘客位于车的左侧，反之，乘客选择了车的右侧座位。

[0079] 在t1-t2这两个时间点之间，使用峰值检测的方法针对加速度传感器信号计算出乘客的步数，再结合正常人的步长信息，得到乘客位于汽车的前后位置，具体包括：

[0080] 经过实验，峰值检测可以得到大约的步数信息。通过滑动窗口检测加速度传感器的Y轴数据，计算每秒采集数据与之前一秒和之后一秒的差值可以得到该时间点是否是峰值点(即步数)。从t1时间点开始，计算至t2时间点的时候停止，峰值点数即为步数。

[0081] 根据步长公式Y＝132+0.54X，其中Y是身高，X是步长，求得乘客步长。根据相关参考文献，身高和步长的相关公式是Y＝132+0.54X，其中Y是身高，X是步长。在实验中志愿者的平均身高为170.75cm，所以步长为71.76cm。在结合之前计算出的步数信息，步数和步长相乘即可得到乘客在车内走过的距离，中国大巴车的车长在12米左右，所以以6米为中间线来区分前后位置。若乘客行走的距离小于6米，则乘客位于车内的前部，反之，则在车的后部。

[0082] 可选的，分类器中识别手机使用方式的方法为：根据第一惯性传感器数据获得乘客的步数，当所述步数小于乘客实际步数时，则确定手机使用方式为手持式方式；

[0083] 否则，则确定手机使用方式为非手持式方式。

[0084] 其中，分类器模型的训练过程为：

[0085] 1、将过滤后的传感器信号进行标记；

[0086] 2、使用随机森林的方法训练手机使用方式的模型，通过分类器模型结合加速度传感器数据和陀螺仪传感器数据获得乘客的手机使用方式。首先，计算加速度平均幅度面积和加速度平均能量消耗两个特征，加速度平均幅度面积的计算公式如下：其中，AM-ACC是指加速度平均幅度面积， 表
示数据单元第i行，第j列处数据，l表示单元的行数。

[0087] 其中数据单元的获取方式为：把MATLAB系统识别窗口设置成5秒时长，将窗口内的特征数据作为一个数据单元来进行识别。在100Hz的数据更新频率下，500次数据为一个数据单元，故每个数据单元是500×23的矩阵，矩阵的23列数据为之前列举的特征数据。

[0088] 根据加速度平均能量消耗计算公式计算加速度平均能量消耗，EM-ACC是指加速度平均能量消耗， 表示数据单元第i行，第j列处数据，l表示单元的行数。

[0089] 然后，加速度传感器数据和陀螺仪传感器数据经过特征提取后，则变成多组数据，每组数据由特征值组成，代表一个使用方式。每组数据代表的使用方式都有标记，然后将各种使用方式的多组数据作为输入进行分类器的训练，使分类器记住不同使用方式的区别，训练出可以识别各种使用方式的分类器，训练好的分类器就可以进行手机使用方式识别，确定手机使用方式。将采集到的加速度传感器数据和陀螺仪传感器数据代入到训练好的分类器中则可以得到手机的使用方式。

[0090] 图3为本发明实施例驾驶行为识别方法中得到最终识别结果的流程图。参见图3，根据所述第二惯性传感器数据以及所述乘客的手机使用方式识别每个智能手机检测到的驾驶行为具体包括：

[0091] 步骤301：对所述第二惯性传感器数据进行多个特征值计算，得到由多个特征值组成的特征向量；

[0092] 步骤302：对所述特征向量进行归一化处理；

[0093] 步骤303：将进行归一化处理后的所述特征向量代入驾驶行为的检测模型进行驾驶行为识别，得到每个手机的识别结果。

[0094] 步骤304：判断所有智能手机检测到的驾驶行为结果是否一致，若是，则执行步骤305；否则执行步骤306。

[0095] 步骤305：将智能手机检测到的驾驶行为确定为最终驾驶行为识别结果；

[0096] 步骤306：计算每个智能手机检测到的驾驶行为结果的权重，将拥有最高权重的智能手机检测到的驾驶行为结果确定为最终驾驶行为识别结果。

[0097] 其中，对于不同位置的乘客携带的手机所收集的惯性传感器数据，为保证系统的实时性，把驾驶行为识别系统识别窗口设置成5秒时长，将系统识别窗口经过过滤处理的加速度和角速度数据作为一个数据单元来进行识别。系统识别窗口是在车辆行驶过程中滑动窗口的大小。

[0098] 对每个数据单元进行包括均值、极值、标准差、方差、均方根、偏度、相关系数、加速度平均幅度面积、加速度平均能量消耗、角速度平均幅度面积、角速度平均能量消耗在内的多个特征值计算，一个数据单元的特征值组成一个特征向量。

[0099] 为消除特征值刻度不一致所带来的影响，同时把各个特征值的尺度控制在相同的范围内，我们采用特征向量归一化处理，采用的数据归一化映射关系为：ymax和ymin是目标映射区间的上下限，根据需要设
定，这里选择ymax＝1和ymin＝-1来归一化特征向量。xmax是所有特征值分量的最大值，xmin是所有特征值分量的最小值，xi是待处理的特征值，xi′是归一化处理后的特征值。

[0100] 将进行归一化处理后的所述特征向量代入驾驶行为的检测模型进行驾驶行为识别，得到每个手机的识别结果。其中，通过决策树算法，取十折交叉验证，即可训练出用于基于智能手机的驾驶行为的检测模型，获得驾驶行为的检测模型的具体步骤为：

[0101] 1.将特征向量进行人工标记；

[0102] 2.使用决策树算法，取十折交叉验证，通过训练可获取基于智能手机的驾驶行为的检测模型。

[0103] 将全体数据集作为输入，选择决策树分类器，运行软件，分类器对数据建立起分类模型，训练出可以识别各种行为的分类器。采用十折交叉验证来评估分类器模型的准确率。十折交叉验证最常用来测试算法准确性，经多次验证，交叉验证中采用十折的效果比较好。
方法是：将样本集分成十份，轮流将其中 8份作为训练集，剩下2份作为测试集测试其准确率，最后对十次测试结果进行平均，得出该分类器模型最精准的正确率。

[0104] 将第二惯性传感器数据代入基于智能手机的驾驶行为的检测模型中，即可得到每个智能手机的识别结果。

[0105] 在所述检测模型中设定一个识别时间窗口[ti,tj]和所述识别时间窗口内的驾驶行为类别；

[0106] 若所述检测模型在所述识别时间窗口[ti,tj]内识别出结果为急变道，则判定车辆出现急变道的危险行为；所述急变道包括左急变道和右急变道两种；

[0107] 或者，所述检测模型在所述识别时间窗口[ti,tj]内识别出结果为急变速，则判定车辆出现急变速的危险行为；所述急变速包括急加速和急减速；

[0108] 或者，所述检测模型在所述识别时间窗口[ti,tj]内识别出结果为急转弯，则判定车辆出现急转弯的危险行为；所述急转弯包括左急转弯和右急转弯两种。

[0109] 当所有智能手机检测到的驾驶行为结果不一致时，如果不同位置的乘客得到了不同的结果，那么就需要进行投票决策，本发明采用贝叶斯投票的决策方法来进行最终的群体决策。计算每个智能手机检测到的驾驶行为结果的权重，将拥有最高权重的智能手机检测到的驾驶行为结果确定为最终驾驶行为识别结果。其中，根据所有智能手机检测到的驾驶行为确定最终驾驶行为识别结果具体包括：

[0110] 根据智能手机检测到的驾驶行为结果权重计算公式 计算每个智能手机检测到的驾驶行为结果的权重；w表示手机使用方式的系数，aj是乘客在不同位置对不同驾驶行为的检测准确率；如果乘客是手持方式，w值为 1，若乘客为非手持方式，w为
0.812；

[0111] 根据每种驾驶行为权重计算公式 计算每种驾驶行为的权重，p(r)表示智能手机检测到的驾驶行为结果，其中，r表示驾驶行为，ri表示第i个检测到的驾驶行为，f(uj)表示智能手机uj所检测到的结果，Ω表示n个智能手机的所有结果；

[0112] 比较所有智能手机检测到的驾驶行为的权重，得到权重最高的智能手机检测到的驾驶行为，将所述权重最高的智能手机检测到的驾驶行为结果确定为最终的识别结果。

[0113] 采用上述识别方法可以精确快捷识别司机的驾驶行为，大大避免了意外的发生，加强了车辆行驶的安全性。

[0114] 图4为本发明实施例驾驶行为识别方法中驾驶行为识别系统模块图。参见图4，一种基于移动群智感知的极端驾驶行为识别系统，所述系统包括：

[0115] 第一惯性传感器数据获取模块401，用于获取乘客开始上车到落座的过程中的随身携带的智能手机的惯性传感器数据；所述惯性传感器数据包括加速度传感器数据、陀螺仪传感器数据；

[0116] 乘客位置判断模块402，用于根据所述惯性传感器数据确定乘客在汽车中的位置；

[0117] 手机使用方式判断模块403，用于根据所述第一惯性传感器数据确定乘客的手机使用方式；

[0118] 第二惯性传感器数据获取模块404，用于获取乘客落座后的随身携带的智能手机的第二惯性传感器数据；

[0119] 单个手机识别模块405，用于根据所述第二惯性传感器数据以及所述乘客的手机使用方式识别每个智能手机检测到的驾驶行为；

[0120] 最终结果识别模块406，用于根据所有智能手机检测到的驾驶行为确定最终驾驶行为识别结果。

[0121] 采用本发明中驾驶行为识别系统可以通过采集到的乘客携带的智能手机的传感器数据识别司机的驾驶行为，以避免意外的发生。

[0122] 本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

[0123] 本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。