周后飛，劉華平,石紅星

(1.重慶交通大學 土木工程學院，重慶400074； 2.清華大學 計算機科學與技術系，北京 100084； 3.清華大學 智能技術與系統(tǒng)國家重點實驗室,北京 100084； 4.北京城建道橋建設集團有限公司，北京100080)

?

智能手機車輛異常駕駛行為檢測方法

周后飛1,2,3，劉華平2,3,石紅星4

(1.重慶交通大學 土木工程學院，重慶400074； 2.清華大學 計算機科學與技術系，北京 100084； 3.清華大學 智能技術與系統(tǒng)國家重點實驗室,北京 100084； 4.北京城建道橋建設集團有限公司，北京100080)

摘要：將智能手機作為車輛異常駕駛行為檢測工具，設計了一種車輛異常駕駛行為檢測方法和系統(tǒng)。系統(tǒng)通過獲取車載智能手機內(nèi)部的加速度傳感器數(shù)據(jù)、陀螺儀傳感器數(shù)據(jù)以及磁場傳感器數(shù)據(jù)，經(jīng)坐標旋轉(zhuǎn)和特征提取，并利用基于核方法極限學習機(核ELM)得到的駕駛行為在線分析算法，以實現(xiàn)能實時識別包括頻繁變道、頻繁變速及急剎車在內(nèi)的多種車輛異常駕駛行為，并在車輛出現(xiàn)異常駕駛行為時開啟報警語音。測試結(jié)果表明，基于核ELM算法的駕駛行為分類器性能比基于支持向量機(SVM)算法更好，提出的異常駕駛行為檢測系統(tǒng)能有效識別各種駕駛行為。

關鍵詞：智能手機；異常駕駛行為檢測；傳感器；核方法；極限學習機；支持向量機

近年來，國內(nèi)外研究人員相繼研究利用智能手機識別各種行為。目前，基于智能手機的模式識別研究主要集中在人體行為識別領域[1-6]，但也有部分學者嘗試將智能手機應用到車輛駕駛行為識別方面。其中，Dai等[7]將車載智能手機的加速度和方向傳感器數(shù)據(jù)作為車輛的運行參數(shù)來檢測醉駕行為。Paefgen等[8]用車載智能手機傳感器信號來評估各類駕駛行為，但算法魯棒性較弱；Xu等[9]利用車載智能手機拍攝照片，開展了基于人眼圖像的疲勞駕駛檢測技術研究。Eren[10]等利用車載智能手機加速度傳感器、陀螺儀傳感器、磁場傳感器數(shù)據(jù)來識別車輛的駕駛行為，并把車輛駕駛行為分為了安全和不安全兩大類。Fazeen[11]等比較了車載智能手機的加速度傳感器數(shù)據(jù)和專業(yè)設備采集的車輛行駛過程中的加速度數(shù)據(jù)，結(jié)果顯示，兩者高度吻合，車載智能手機的加速度傳感器數(shù)據(jù)可以用來表征車輛自身的加速度。在利用車載智能手機進行交通事故檢測方面，李偉健等[12]通過設定手機加速度傳感器數(shù)值變化閾值來檢測車輛碰撞事故；趙龍等[13]在李偉健等基礎上，將基于單部車載手機的碰撞事故識別技術提升到基于多部車載手機。但文獻[11-13]均通過閾值法來進行事故判斷，識別效果有待進一步改善?？梢?，基于智能手機的駕駛行為識別研究還處于探索階段，研究工作有待進一步推進和完善。為此，本文開展了基于智能手機的車輛異常駕駛行為檢測技術研究。論文主要工作有：

1)利用智能手機實時采集車體運動狀態(tài)，提出了異常駕駛行為檢測方法框架，并針對左變道、右變道、加速、減速、急剎車、正常行駛等6類駕駛行為分析了手機傳感器數(shù)據(jù)的特性；

2)設計了基于核ELM的駕駛行為在線分析算法和異常駕駛行為檢測算法；

3)開發(fā)了“車輛異常駕駛行為監(jiān)控系統(tǒng)”軟件，并在實際運行中測試了其性能。

1方法框架

本文提出的異常駕駛行為檢測方法框架如圖1所示。

方法流程包括：

1)利用車載手機的運動狀態(tài)表征車體運動狀態(tài)；

2)通過車載手機內(nèi)部的傳感器獲得手機的動態(tài)參數(shù)；

3)將獲得的手機動態(tài)參數(shù)旋轉(zhuǎn)校正至在特定坐標系下的數(shù)據(jù)；

4)提取經(jīng)旋轉(zhuǎn)校正后的手機動態(tài)參數(shù)的特征；

5)用分類器識別車載手機的運動狀態(tài)，并在此基礎上識別車輛是否出現(xiàn)本文所定義的異常行為。

2車載手機數(shù)據(jù)分析

為分析車載手機在車輛不同駕駛行為狀態(tài)下的動態(tài)參數(shù)特征，采集了手機在車輛加速、減速、左變道、右變道、急剎車、正常行駛等多種情況下的數(shù)據(jù)，數(shù)據(jù)包括手機加速度傳感器數(shù)據(jù)A=[axayaz](其中，ax表示手機X軸的加速度，ay表示Y軸的加速度，az表示Z軸的加速度，單位m2/s)、陀螺儀傳感器數(shù)據(jù)G=[gxgygz](其中gx表示繞手機X軸的角速度，gy表示繞Y軸的角速度，gz表示繞Z軸的角速度，單位rad/s)，以及數(shù)據(jù)采集時刻t。

數(shù)據(jù)采集過程中，手機按照手機體坐標系Y軸正向向前與車頭正向平行，Z軸垂直于水平面向上的姿態(tài)放置(把這種放置姿態(tài)叫做“標準姿態(tài)”，采集的數(shù)據(jù)叫做“標準數(shù)據(jù)”)。手機體坐標系如圖2所示。

采集數(shù)據(jù)同時，人為標定車輛的加速起始時間Tai(i=1,2,…)和終止時間Taj(j=1,2,…)、減速起始時間Tdi(i=1,2,…)和終止時間Tdj(j=1,2,…)、左變道起始時間Tli(i=1,2,…)和終止時間Tlj(j=1,2,…)、右變道起始時間Tri(i=1,2,…)和終止時間Trj(j=1,2,…)，急剎車起始時間Tsi(i=1,2,…)和終止時間Tsj(j=1,2,…)。

對比手機內(nèi)部存儲的時間t和人為標定的駕駛行為起始時間和終止時間，提取從Tai(i=1,2,3…)到Taj(j=1,2,…)、Tdi(i=1,2,…)到Tdj(j=1,2,…)、Tli(i=1,2,…)到Tlj(j=1,2,…)、Tri(i=1,2,…)到Trj(j=1,2,…)和Tsi(i=1,2,…)到Tsj(j=1,2,…)時間段內(nèi)的手機三軸加速度數(shù)據(jù)A=[axayaz]和繞三軸角速度數(shù)據(jù)G=[gxgygz]作分析。

車載手機傳感器數(shù)據(jù)在幾種車輛駕駛行為狀況下的參數(shù)變化如圖3所示(每幅圖片的第1張表示X軸參數(shù)變化，第2張是Y軸參數(shù)變化，第3張是Z軸參數(shù)變化)。

(a)正常行駛加速度變化

(b)減速過程加速度變化

(c)加速過程加速度變化

(d)右變道過程加速度變化

(e)左變道過程加速度變化

(f)右變道過程角速度變化

(g)左變道過程角速度變化

(h)急剎車過程加速度變化圖3　不同駕駛行為參數(shù)變化圖Fig.3　Parameters curves corresponding to various driving behaviors

1)分析圖3(a)，手機三軸加速度在車輛正常行駛過程中數(shù)據(jù)特征不明顯。

2)分析圖3(b)，手機Y軸加速度在車輛減速行駛過程中逐步由0減小至負值，車輛完成減速趨于平穩(wěn)后又返回0值，Y軸加速度數(shù)據(jù)特征明顯。

3)分析圖3(c)，手機Y軸加速度在車輛加速行駛過程中逐步由0增加至正值，車輛完成加速趨于平穩(wěn)后又返回0值，Y軸加速度數(shù)據(jù)特征明顯，但與減速過程恰好相反。

4)分析圖3(d)和圖3(f)，手機X軸加速度和繞Z軸角速度在車輛右變道行駛過程中數(shù)據(jù)特征明顯。

5)分析圖3(e)和圖3(g)，手機X軸加速度和繞Z軸角速度在車輛左變道行駛過程中數(shù)據(jù)特征明顯，但與右變道過程恰好相反。

6)分析圖3(h)，手機Y軸加速度在急剎車過程中逐步由0減小至負值，車輛完成剎車趨于平穩(wěn)后又返回0值。Y軸加速度數(shù)據(jù)特征與減速過程類似，但變化幅度遠大于正常減速過程。

綜合分析6種駕駛行為，車載手機的三軸加速度在車輛正常行駛過程中無明顯波動，但在其他幾種車輛駕駛行為情況下，手機三軸加速度數(shù)據(jù)均有明顯變化，而變道過程(包括左右變道)中繞Z軸角速度數(shù)據(jù)特征也很明顯。

3車輛異常駕駛行為檢測算法

基于對傳感器數(shù)據(jù)的深入分析，提出了一種車輛異常駕駛行為檢測算法，并開發(fā)了一款基于該算法的“車輛異常駕駛行為檢測系統(tǒng)”，系統(tǒng)檢測算法流程如圖4所示。

圖4　系統(tǒng)檢測算法Fig.4　Detection algorithm of system

3.1手機動態(tài)參數(shù)旋轉(zhuǎn)校正

車輛異常駕駛行為檢測系統(tǒng)啟動后，按照100 Hz的頻率讀取車載手機的三軸加速度數(shù)據(jù)和三軸角速度數(shù)據(jù)。

若手機在系統(tǒng)運行過程中處于X軸與車體橫向水平參照線(如圖5所示)平行，而X-Y平面處于非水平的姿態(tài)時，系統(tǒng)對數(shù)據(jù)進行旋轉(zhuǎn)校正，將其旋轉(zhuǎn)為前述“標準姿態(tài)”下的數(shù)據(jù)。校正算法為：

1)獲取夾角：根據(jù)提取的手機三軸加速度數(shù)據(jù)A=[axayaz]和三軸環(huán)境磁場數(shù)據(jù)M=[mxmymz](mx表示手機X軸的磁場環(huán)境數(shù)據(jù)，my表示Y軸磁場環(huán)境數(shù)據(jù)，mz表示Z軸磁場環(huán)境數(shù)據(jù)，均由手機磁場傳感器獲得)，利用融合三軸加速度數(shù)據(jù)和三軸環(huán)境磁場數(shù)據(jù)的算法(具體算法專利歸傳感器公司所有)，計算得到手機翻滾角α和俯仰角β，α和β分別表示手機沿X軸方向與水平面的夾角和沿Y軸方向與水平面的夾角。

2)數(shù)據(jù)旋轉(zhuǎn)：基于空間三維坐標旋轉(zhuǎn)方法，將三軸加速度數(shù)據(jù)A=[axayaz]和角速度數(shù)據(jù)G=[gxgygz]分別旋轉(zhuǎn)至“標準姿態(tài)”下的虛擬水平面為A′=[ax′ay′az′]和G′=[gx′gy′gz′]。旋轉(zhuǎn)后的手機虛擬姿態(tài)如圖5所示。

圖5　手機數(shù)據(jù)旋轉(zhuǎn)校正Fig.5　Data correction of smart phone

數(shù)據(jù)旋轉(zhuǎn)形式如式(1)和式(2):

(1)

(2)

(3)

(4)

旋轉(zhuǎn)順序為：

第1次旋轉(zhuǎn)：先繞X軸將Y軸旋轉(zhuǎn)至與水平面平行，手機體相對坐標系由X-Y-Z旋轉(zhuǎn)至X′-Y′-Z′，如圖6(a)所示；

第2次旋轉(zhuǎn)：再繞Y′軸將X′軸旋轉(zhuǎn)至與水平面平行，手機體相對坐標系由X′-Y′-Z'旋轉(zhuǎn)至X″-Y″-Z″，如圖6(b)所示。

(a)第1次

(b)第2次

3.2數(shù)據(jù)單元特征提取

為保證系統(tǒng)的實時性，把系統(tǒng)識別窗口設置成2 s時長，將窗口內(nèi)經(jīng)過旋轉(zhuǎn)處理的加速度和角速度數(shù)據(jù)作為一個數(shù)據(jù)單元來進行識別。

由于手機傳感器數(shù)據(jù)獲取接口的原因，導致在100 Hz的數(shù)據(jù)更新頻率下，400次數(shù)據(jù)才是一個數(shù)據(jù)單元，故每個數(shù)據(jù)單元是400×6的矩陣，矩陣的6列數(shù)據(jù)為axi′,ayi′,azi′,gxi′,gyi′,gzi′(i=1,2,…,400)。

考慮到智能手機的計算能力，故設定的相鄰窗口不重疊。圖7顯示了系統(tǒng)讀取單元數(shù)據(jù)使用的連續(xù)窗口，其中橫坐標為時間。

圖7　取值窗口Fig.7　Data capturing windows

系統(tǒng)實時提取數(shù)據(jù)單元的特征值，一個數(shù)據(jù)單元的特征值組成一個特征向量。提取的特征值如表1所示。

表1　提取的特征值

3.3特征值歸一化處理

為消除量綱的影響，同時把各個特征值的尺度控制在相同的范圍內(nèi)，在系統(tǒng)中設置特征向量歸一化處理模塊，采用的數(shù)據(jù)歸一化映射關系為

(5)

式(5)中，ymax和ymin是目標映射區(qū)間的上下限，根據(jù)需要設定；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是待處理的特征值，xi′是歸一化處理后的特征值。這里選擇ymin=-1和ymax=1來歸一化特征向量。

3.4駕駛行為識別

提取車載手機傳感器信號特征后，設計基于核ELM算法的分類器來識別各種駕駛行為。

極限學習機(ELM ，extreme learning machine)是一種快速的單隱層神經(jīng)網(wǎng)絡(SLFN)訓練算法，最早由南洋理工大學黃廣斌教授等[14]于2004年提出；結(jié)合支持向量機(SVM，support vector machine)、LS-SVM(least square support vector machine)及P-SVM(Proximal Support vector machine)等方法的學習原理[15-16]，黃廣斌等又在2012年提出了核ELM算法[17]。與SVM、LS-SVM、P-SVM及原始的ELM算法相比，核ELM算法的參數(shù)敏感性更低(特別是對隱層節(jié)點數(shù))，且在隱層節(jié)點數(shù)足夠大的情況下，算法便能獲得較高的準確率，從而縮減了參數(shù)調(diào)優(yōu)時間。此外，核ELM算法不用計算隱層輸出矩陣，只須通過計算核函數(shù)k(x,xi)來確定最終的輸出。

基于核ELM算法的駕駛行為學習過程為：

1)由輸入的駕駛行為特征向量訓練集確定最優(yōu)輸出權重：β=HT(I/C+HHT)-1T。

2)由輸入的駕駛行為特征向量測試集得到駕駛行為分類器的輸出函數(shù)：

(ΩELM)ij=h(xi)·h(xj)=k(xi,xj)。則駕駛行為的核ELM分類器的輸出為

(6)

式中：I為常向量，T為只與訓練集標簽相關的向量，而核矩陣ΩELM只和訓練階段輸入的駕駛行為特征向量數(shù)據(jù)xi及樣本的個數(shù)N有關，需要人為指定的參數(shù)只有正則項系數(shù)C和核函數(shù)k(x,xi)(核中包含核參數(shù)γ)。

3.5異常駕駛行為識別

實現(xiàn)駕駛行為識別后，需在此基礎上進一步判斷車輛是否出現(xiàn)異常駕駛行為。對此，在系統(tǒng)識別模塊設定一個識別時間窗口[ti,tj]和該窗口內(nèi)的變道次數(shù)閾值ns、變速次數(shù)閾值ss。

1)若系統(tǒng)在窗口[ti,tj]內(nèi)識別出的變道(包括左右兩種變道)次數(shù)為n，且n>ns，則判定車輛出現(xiàn)頻繁變道的危險行為，并立即觸發(fā)“頻繁變道”報警語音，以提醒駕駛員進行安全駕駛。

2)若系統(tǒng)在窗口[ti,tj]內(nèi)識別出的變速(包括加速和減速)次數(shù)為s，且s>ss，則判定車輛出現(xiàn)頻繁加減速的危險行為，并立即觸發(fā) “頻繁加減速”報警語音，以提醒駕駛員進行安全駕駛。

3)若系統(tǒng)在窗口[ti,tj]內(nèi)識別出急剎車行為，則判定車輛出現(xiàn)急剎車的危險行為，并立即觸發(fā) “急剎車”報警語音，以提醒駕駛員進行安全駕駛。

4實驗驗證

4.1駕駛行為分類器測試

將采集的6種駕駛行為數(shù)據(jù)集中630個樣本作為訓練集，剩下的629個樣本作為測試集，并分別測試核ELM算法和SVM算法設計的駕駛行為分類器的性能。

采用核ELM算法來設計駕駛行為分類時，核函數(shù)選用高斯核(RBF)，正則項系數(shù)C和核參數(shù)γ在范圍log2C=[-20,20]，log2γ=[-20,20]內(nèi)均按照步長1等間距取值。測試結(jié)果如圖8所示。

采用SVM算法來設計駕駛行為分類時，核函數(shù)選用高斯核(RBF)，懲罰系數(shù)C和核參數(shù)γ取值范圍同上。測試結(jié)果如圖9所示。

圖8　核ELM測試結(jié)果Fig.8　Kernel ELM test results

圖9　SVM測試結(jié)果Fig.9　SVM test results

分析圖8，采用核ELM算法設計的駕駛行為分類器在A={(log2C,log2γ)|log2C∈[-10,20],log2γ∈[-10,20]}及B={(log2C,log2γ)|log2C∈[-20,20],log2γ∈[-10,0]}兩個區(qū)域內(nèi)的正確識別率達到81%左右，且當C=104 857 6，γ=206.830 9時正確識別率最高，達到81.88%，此時的測試運行時間為0.020 3 s。

分析圖9，采用SVM算法設計的駕駛行為分類器僅在D={(log2C,log2γ)|log2C∈[10,20],log2γ∈[-10,5]}區(qū)域內(nèi)的正確識別率較高，達到80%左右，且當C=101.5937，γ=0.040 8時正確識別率最高，為80.76%，而此時的測試運行時間為0.817 2s。

可見，基于核ELM算法的駕駛行為分類器相比基于SVM的駕駛行為分類器有如下優(yōu)點：

1)對參數(shù)C和γ的敏感性更低；

2)整體正確識別率更高；

3)時間復雜度更低，實時性更強。

故本文采用核ELM算法設計駕駛行為分類器。

4.2系統(tǒng)測試

為了測試系統(tǒng)性能，本文開展了系統(tǒng)測試試驗。試驗路段為北京市房山區(qū)長陽鎮(zhèn)長陽路一段路面平坦且車輛較少的路段，如圖10所示。

圖10　試驗路段Fig.10　Experiment road

系統(tǒng)測試試驗采用的駕駛行為分類器的主要參數(shù)為：核函數(shù)為高斯核(RBF)，C=104 857 6，γ=206.830 9；而最優(yōu)輸出權重β是一個630×4的矩陣，限于篇幅，在此不列出。

本次試驗中，4位志愿者共做了150次變速實驗，140次變道實驗，115次急剎車實驗，約142次正常行駛實驗。系統(tǒng)運行界面如圖11所示，系統(tǒng)識別結(jié)果如表2所示。由表2可知，系統(tǒng)對變速、急剎車、正常行駛等行為識別效果較好，但對變道行為識別效果較差。變道實例有140個，其中57個被正確分類，67個被誤判為變速，7個被誤判為正常行駛，9個被誤判為急剎車，但這合乎常理，因為變道過程中經(jīng)常伴隨減速行為，只是有時候減速行為特征比變道行為特征更明顯。

圖11　系統(tǒng)運行界面Fig.11　System operation interface

Table 2Four kinds of vehicle driving behavior recognition results

行為類別識別結(jié)果變速變道正常急剎車識別率/%變速973651264.67(97/150)變道67577940.71(57/140)正常1810114080.28(114/142)急剎車92210288.70(102/115)

5結(jié)束語

文章通過車載手機獲取車輛運行動態(tài)參數(shù)，并采用核ELM算法訓練出了魯棒性較強的車輛駕駛行為分類器，與基于SVM算法的分類器相比，前者對車輛駕駛行為的識別效果優(yōu)于后者。提出的“車輛異常駕駛行為檢測系統(tǒng)”對變速、急剎車、正常行駛等行為的識別效果令人滿意。在后續(xù)研究中，我們將改進車輛變道行為識別方法，并研究手機傳感器數(shù)據(jù)實時濾波技術，以剔除噪聲干擾，提高識別精度。此外，在檢測到車輛異常駕駛行為信息后，如何將信息上傳至監(jiān)控端，而監(jiān)控端在接收信息后如何將信息反饋至監(jiān)測路網(wǎng)內(nèi)的車輛也是今后努力的方向[18]。

參考文獻:

[1]KWAPISZ J R, WEISS G M, MOORE S A. Activity recognition using cell phone accelerometers[C]//Proceedings of the Fourth International Workshop on Knowledge Discovery from Sensor Data. Washington, DC, USA, 2010, 12(2): 74-82.

[2]FANG S H, LIANG Y C, CHIU K M. Developing a mobile phone-based fall detection system on android platform[C]//Proceedings of Computing, Communications and Applications Conference. Hong Kong, China, 2012: 143-146.

[3]VIET V Q, LEE G, CHOI D. Fall detection based on movement and smart phone technology[C]//Proceedings of IEEE RIVF International Conference on Computing and Communication Technologies, Research, Innovation, And Vision For The Future. Ho Chi Minh City, Vietnam, 2012: 1-4.

[4]ZHANG Shumei, MCCULLAGH P, NUGENT C, et al. Activity monitoring using a smart phone’s accelerometer with hierarchical classification[C]//Proceedings of the 6thInternational Conference on Intelligent Environments. Kuala Lumpur, Malaysia, 2010: 158-163.

[5]ZHAO Zhongtang, CHEN Yiqiang, LIU Junfa, et al. Fall detecting and alarming based on mobile phone[C]//Proceedings of Ubiquitous Intelligence & Computing and the 7thInternational Conference on Autonomic & Trusted Computing. Xi’an, China, 2010: 494-497.

[6]BAI Yingwen, WU S C, TSAI C L. Design and implementation of a fall monitor system by using a 3-axis accelerometer in a smart phone[C]//Proceedings of the 16thInternational Symposium on Consumer Electronics. Harrisburg, PA, USA, 2012: 1-6.

[7]DAI Jiangpeng, TENG Jin, BAI Xiaole, et al. Mobile phone based drunk driving detection[C]//Proceedings of the 4thInternational Conference on-NO Permissions, Pervasive Computing Technologies for Healthcare. Munich, Germany, 2010: 1-8.

[8]PAEFGEN J, KEHR F, ZHAI Yudan, et al. Driving behavior analysis with smartphones: insights from a controlled field study[C]//Proceedings of the 11thConference on Mobile and Ubiquitous Multimedia. New York, NY, USA, 2012: 408-414.

[9]XU Lunbo, LI Shunyang, BIAN Kaigui, et al. Sober-Drive: A smartphone-assisted drowsy driving detection system[C]//Proceedings of International Conference on Computing, Networking and Communications. Honolulu, HI, USA, 2014: 398-402.

[10]EREN H, MAKINIST S, AKIN E, et al. Estimating driving behavior by a smartphone[C]//Proceedings of IEEE Intelligent Vehicles Symposium. Alcalá de Henares, Spain, 2012: 234-239.

[11]FAZEEN M, GOZICK B, DANTU R, et al. Safe driving usin g mobile phones[J]. IEEE transactions on intelligent transportation systems, 2012, 13(3): 1462-1468.

[12]李偉健, 林亞平, 葉松濤. 智能手機碰撞檢測及在汽車事故自救中的應用[J]. 計算機工程, 2011, 37(9):

245-247.

LI Weijian, LIN Yaping, YE Songtao. Shock detection with smart mobile phone and its application in car accident self-rescue[J]. Computer engineering, 2011, 37(9): 245-247.

[13]趙龍, 閔昆龍, 韓玉杰. 基于智能手機群的車輛事故自救系統(tǒng)[J]. 計算機系統(tǒng)應用, 2013, 22(2): 34-37.

ZHAO Long, MIN Kunlong, HAN Yujie. Vehicle accident self-rescue system based on smart mobile phone groups[J]. Computer systems & applications, 2013, 22(2): 34-37.

[14]HUANG Guangbin, ZHU Qinyu, SIEW C K. Extreme learning machine: a new learning scheme of feedforward neural networks[C]//Proceedings of IEEE International Joint Conference on Neural Networks. Budapest, Hungary, 2004, 2: 985-990.

[15]CORTES C, VAPNIK V. Support-vector networks[J]. Machine learning, 1995, 20(3): 273-297.

[16]FUNG G, MANGASARIAN O L. Proximal support vector machine classifier[C]//Proceedings of the 7thACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York, NY, USA, 2001: 77-86.

[17]HUANG Guangbin, DING Xiaojian, ZHOU Hongming. Optimization method based extreme learning machine for classification[J]. Neurocomputing, 2010, 74(1/2/3): 155-163.

[18]肖艷麗, 張振宇, 楊文忠. 移動數(shù)據(jù)的交通出行方式識別方法[J]. 智能系統(tǒng)學報, 2014, 9(5): 536-543.

XIAO Yanli, ZHANG Zhenyu, YANG Wenzhong. Research of the identification methods for transportation modes based on mobile data[J]. CAAI transactions on intelligent systems, 2014, 9(5): 536-543.

周后飛，男，1990年生，碩士研究生，主要研究方向為智能交通與設備。

劉華平，男，1976年生，副教授，主要研究方向為智能機器人。

石紅星，男，1974年生，高級工程師，主要研究方向為路面材料、交通安全、智能交通，先后主持和參加多項省部級課題，獲省級科技進步一等獎1項、三等獎2項，發(fā)表學術論文20余篇。

中文引用格式：周后飛，劉華平,石紅星，等.智能手機車輛異常駕駛行為檢測方法[J]. 智能系統(tǒng)學報， 2016, 02(1): 410-417.

英文引用格式：ZHOU Houfei, LIU Huaping, SHI Hongxing，et al. Abnormal driving behavior detection based on the smart phone[J]. CAAI Transactions on Intelligent Systems, 2016, 02(1): 410-417.

Abnormal driving behavior detection based on the smart phone

ZHOU Houfei1,2,3, LIU Huaping2,3, SHI Hongxing4

(1.School of Civil & Architecture Engineering, Chongqing Jiaotong University, Chongqing 400074, China; 2. Department of Computer Science and Technology, Tsinghua University, Beijing 100084, China; 3. State Key Laboratory of Intelligent Technology and Systems, Tsinghua University, Beijing 100084, China; 4. Road and Bridge Construction Group Co., Ltd. of Beijing, Beijing 100080, China)

Abstract：Using the smart phone as a tool for detecting abnormal driving behavior, this paper designs an abnormal driving behavior detection method and a practical system. First, the system obtains data from the acceleration, magnetic, and gyroscope sensors of an on-board smart phone. Then, through coordinate rotation, feature extraction, and an online driving behavior analysis algorithm, which is based on the kernel extreme learning machine (ELM) algorithm, the system identifies real-time abnormal driving behavior, including frequent lane-changing, frequent speed-changing, and emergency braking. It then sets off an alarm when abnormal driving behavior has been identified. Test results indicate that the driving behavior classifier, which is based on the kernel ELM algorithm, performs better than the support vector machine algorithm. In addition, the proposed abnormal driving behavior detection system can effectively identify various driving behaviors.

Keywords：smart phone; abnormal driving behavior detection; sensor; kernel method; extreme learning machine (ELM); support vector machine

作者簡介：

中圖分類號：TP29;U49

文獻標志碼：A

文章編號：1673-4785(2016)01-0410-08

通信作者：劉華平.hpliu@tsinghua.edu.cn.

基金項目：國家重點基礎研究與發(fā)展計劃項目(2013CB329403).

收稿日期：2015-04-09. 網(wǎng)絡出版日期：2015-09-30.

DOI:10.11992/tis.201504022

網(wǎng)絡出版地址：http://www.cnki.net/kcms/detail/23.1538.tp.201509030.1456.002.html