论文部分内容阅读
随着汽车产业的快速发展和汽车保有量的提升,交通安全、节能与环保等问题越来越引人关注。其中交通事故通常是由驾驶员、车辆、路况和天气等因素造成的,而驾驶员的危险驾驶行为是交通事故的主要诱因。本文的主要工作是设计一种合理的识别模型,分析识别驾驶行为,并以此为核心开发一个应用于服务器后端的自动识别系统,以减少交通安全事故的发生。本文首先设计了两个基于单一传感器的驾驶行为识别模型。通过分析公开的UAH-Drive Set数据集中GPS和IMU数据的变化规律,证明了GPS和IMU可以有效地反映出驾驶行为的实际运行轨迹。基于这个结论,本文设计了两个识别模型:1)基于GPS的识别模型:首先提取GPS的时域特征,然后使用分类算法进行分类;2)基于IMU的识别模型:首先使用BH-SNE(巴恩斯哈特随机邻域嵌入)算法对IMU数据进行降维,然后使用RBF网络进行分类。MATLAB的仿真结果表明这两个模型均具有可行性,准确率分别为76.1%、76.8%。接着本文设计了两个基于多传感器融合的驾驶行为识别模型。针对基于单一传感器的识别模型准确率偏低的问题,本文将两个单一传感器模型通过特征级融合算法组合到一起,设计了一个特征级融合模型:基于BH-SNE的识别模型。仿真结果表明,相对于单一传感器模型,该模型在识别效果上取得了一定的提升,准确率达到了89.7%。但受限于该模型的计算复杂度,其在实际识别系统中的应用有着较大的局限性。为了进一步提升模型的实用性,本文将该融合模型中的BH-SNE算法替换为时频域特征提取算法,进而提出了一个改进模型:基于GPS和IMU时频域特征的识别模型。改进模型的时频域特征包含有量纲特征、无量纲特征和频域特征。仿真结果表明,改进模型的准确度高于传统的BP神经网络、支持向量机以及新型的深度森林算法,准确率为84.5%。最后,本文将改进模型用Python重新实现,并结合QT、多线程和信号槽等技术完成了一个拥有可视化界面的驾驶行为自动识别系统。该系统有类别显示、视频播放和绘制波形等功能。系统的测试结果表明,系统能够在满足实时性的前提下有效地进行驾驶行为识别,并且拥有低成本和计算复杂度低的优点。