第11卷第3期 智能系统学报 Vol.11 No.3 2016年6月 CAAI Transactions on Intelligent Systems Jun.2016 D0I:10.11992/is.201504022 网络出版地址：http://www.cmki.net/kcms/detail/23.1538.tp.201509030.1456.002.html 智能手机车辆异常驾驶行为检测方法 周后飞123，刘华平23，石红星4 (1.重庆交通大学土木工程学院，重庆400074：2.清华大学计算机科学与技术系，北京100084：3.清华大学智能技 术与系统国家重点实验室，北京100084：4.北京城建道桥建设集团有限公司，北京100080) 摘要：将智能手机作为车辆异常驾驶行为检测工具，设计了一种车辆异常驾驶行为检测方法和系统。系统通过获 取车载智能手机内部的加速度传感器数据、陀螺仪传感器数据以及磁场传感器数据，经坐标旋转和特征提取，并利 用基于核方法极限学习机（核ELM)得到的驾驶行为在线分析算法，以实现能实时识别包括频繁变道、频繁变速及急 刹车在内的多种车辆异常驾驶行为，并在车辆出现异常驾驶行为时开启报警语音。测试结果表明，基于核ELM算法 的驾驶行为分类器性能比基于支持向量机(SVM)算法更好，提出的异常驾驶行为检测系统能有效识别各种驾驶 行为。 关键词：智能手机：异常驾驶行为检测：传感器：核方法：极限学习机：支持向量机 中图分类号：TP29:U49文献标志码：A文章编号：1673-4785(2016)01-0410-08 中文引用格式：周后飞，刘华平，石红星，等.智能手机车辆异常驾驶行为检测方法[J].智能系统学报，2016,02(1)：410417. 英文引用格式：ZHOU Houfei,LIU Huaping,SHI Hongxing,etal.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 Houfei,LIU Huaping,SHI Hongxing' (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,mag- netic,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 identi- fied.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 sys- tem can effectively identify various driving behaviors. Keywords:smart phone;abnormal driving behavior detection;sensor;kernel method;extreme learning machine (ELM);support vector machine 近年来，国内外研究人员相继研究利用智能手 研究主要集中在人体行为识别领域[]，但也有部 机识别各种行为。目前，基于智能手机的模式识别 分学者尝试将智能手机应用到车辆驾驶行为识别方 收稿日期：2015-04-09.网络出版日期：2015-09-30. 面。其中，Dai等)将车载智能手机的加速度和方 基金项目：国家重点基础研究与发展计划项目(2013CB329403). 向传感器数据作为车辆的运行参数来检测醉驾行 通信作者：刘华平hpliu@tsinghua..edu.cm
第 １１ 卷第 ３ 期 智 能 系 统 学 报 Ｖｏｌ．１１ №．３ ２０１６ 年 ６ 月 ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ｊｕｎ． ２０１６ ＤＯＩ：１０．１１９９２ ／ ｔｉｓ．２０１５０４０２２ 网络出版地址：ｈｔｔｐ： ／ ／ ｗｗｗ．ｃｎｋｉ．ｎｅｔ ／ ｋｃｍｓ／ ｄｅｔａｉｌ ／ ２３．１５３８．ｔｐ．２０１５０９０３０．１４５６．００２．ｈｔｍｌ 智能手机车辆异常驾驶行为检测方法 周后飞１，２，３ ，刘华平２，３ ，石红星４ （１．重庆交通大学 土木工程学院，重庆 ４０００７４； ２．清华大学 计算机科学与技术系，北京 １０００８４； ３．清华大学 智能技 术与系统国家重点实验室，北京 １０００８４； ４．北京城建道桥建设集团有限公司，北京 １０００８０） 摘 要：将智能手机作为车辆异常驾驶行为检测工具，设计了一种车辆异常驾驶行为检测方法和系统。 系统通过获 取车载智能手机内部的加速度传感器数据、陀螺仪传感器数据以及磁场传感器数据，经坐标旋转和特征提取，并利 用基于核方法极限学习机（核 ＥＬＭ）得到的驾驶行为在线分析算法，以实现能实时识别包括频繁变道、频繁变速及急 刹车在内的多种车辆异常驾驶行为，并在车辆出现异常驾驶行为时开启报警语音。 测试结果表明，基于核 ＥＬＭ 算法 的驾驶行为分类器性能比基于支持向量机（ ＳＶＭ） 算法更好，提出的异常驾驶行为检测系统能有效识别各种驾驶 行为。 关键词：智能手机；异常驾驶行为检测；传感器；核方法；极限学习机；支持向量机 中图分类号：ＴＰ２９；Ｕ４９ 文献标志码：Ａ 文章编号：１６７３⁃４７８５（２０１６）０１⁃０４１０⁃０８ 中文引用格式：周后飞，刘华平，石红星，等．智能手机车辆异常驾驶行为检测方法［Ｊ］． 智能系统学报， 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 Ｈｏｕｆｅｉ １，２，３ ， ＬＩＵ Ｈｕａｐｉｎｇ ２，３ ， ＳＨＩ Ｈｏｎｇｘｉｎｇ ４ （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， ｍａｇ⁃ ｎｅｔｉｃ， 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 ｉｄｅｎｔｉ⁃ ｆｉｅｄ． 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 ｓｙｓ⁃ ｔｅｍ ｃａｎ ｅｆｆｅｃｔｉｖｅｌｙ ｉｄｅｎｔｉｆｙ ｖａｒｉｏｕｓ ｄｒｉｖｉｎｇ ｂｅｈａｖｉｏｒｓ． Ｋｅｙｗｏｒｄｓ：ｓｍａｒｔ ｐｈｏｎｅ； ａｂｎｏｒｍａｌ ｄｒｉｖｉｎｇ ｂｅｈａｖｉｏｒ ｄｅｔｅｃｔｉｏｎ； ｓｅｎｓｏｒ； ｋｅｒｎｅｌ ｍｅｔｈｏｄ； ｅｘｔｒｅｍｅ ｌｅａｒｎｉｎｇ ｍａｃｈｉｎｅ （ＥＬＭ）； ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ 收稿日期：２０１５⁃０４⁃０９． 网络出版日期：２０１５⁃０９⁃３０． 基金项目：国家重点基础研究与发展计划项目（２０１３ＣＢ３２９４０３）． 通信作者：刘华平．ｈｐｌｉｕ＠ ｔｓｉｎｇｈｕａ．ｅｄｕ．ｃｎ． 近年来，国内外研究人员相继研究利用智能手 机识别各种行为。 目前，基于智能手机的模式识别 研究主要集中在人体行为识别领域［１⁃６］ ，但也有部 分学者尝试将智能手机应用到车辆驾驶行为识别方 面。 其中，Ｄａｉ 等［７］ 将车载智能手机的加速度和方 向传感器数据作为车辆的运行参数来检测醉驾行
第3期 周后飞，等：智能手机车辆异常驾驶行为检测方法 ·411. 为。Paefgen等]用车载智能手机传感器信号来评 进一步改善。可见，基于智能手机的驾驶行为识别 估各类驾驶行为，但算法鲁棒性较弱：Xu等[9利用 研究还处于探索阶段，研究工作有待进一步推进和 车载智能手机拍摄照片，开展了基于人眼图像的疲 完善。为此，本文开展了基于智能手机的车辆异常 劳驾驶检测技术研究。Erent1o]等利用车载智能手 驾驶行为检测技术研究。论文主要工作有： 机加速度传感器、陀螺仪传感器、磁场传感器数据来 1)利用智能手机实时采集车体运动状态，提出 识别车辆的驾驶行为，并把车辆驾驶行为分为了安 了异常驾驶行为检测方法框架，并针对左变道、右变 全和不安全两大类。Fazeen]等比较了车载智能 道、加速、减速、急刹车、正常行驶等6类驾驶行为分 手机的加速度传感器数据和专业设备采集的车辆行 析了手机传感器数据的特性； 驶过程中的加速度数据，结果显示，两者高度吻合， 2)设计了基于核ELM的驾驶行为在线分析算 车载智能手机的加速度传感器数据可以用来表征车 法和异常驾驶行为检测算法； 辆自身的加速度。在利用车载智能手机进行交通事 3)开发了“车辆异常驾驶行为监控系统”软件， 故检测方面，李伟健等[]通过设定手机加速度传感 并在实际运行中测试了其性能。 器数值变化阈值来检测车辆碰撞事故：赵龙等]在 1 李伟健等基础上，将基于单部车载手机的碰撞事故 方法框架 识别技术提升到基于多部车载手机。但文献[11 本文提出的异常驾驶行为检测方法框架如图1 13]均通过阈值法来进行事故判断，识别效果有待 所示。 加速 度传 正常 感器 加速 度的 左变道 数据 校正 数据 核 异常 陀螺 右变道 ELM 仪传 姿旋转 加速 感器 识别 异常判断 数据 角速 减速 度的 算法 磁场 急刹车 校正 传感 数据 器数 据 图1方法框架 Fig.1 The framework of the proposed method 方法流程包括： 速度，g,表示绕Y轴的角速度，g表示绕Z轴的角 1)利用车载手机的运动状态表征车体运动状态： 速度，单位ad/s),以及数据采集时刻t。 2)通过车载手机内部的传感器获得手机的动 数据采集过程中，手机按照手机体坐标系Y轴正 态参数； 向向前与车头正向平行，Z轴垂直于水平面向上的姿 3)将获得的手机动态参数旋转校正至在特定 态放置（把这种放置姿态叫做“标准姿态”，采集的数据 坐标系下的数据： 叫做“标准数据”)。手机体坐标系如图2所示。 4)提取经旋转校正后的手机动态参数的特征： Z轴正向 5)用分类器识别车载手机的运动状态，并在此 基础上识别车辆是否出现本文所定义的异常行为。 2车载手机数据分析 。Y轴正向 为分析车载手机在车辆不同驾驶行为状态下的 动态参数特征，采集了手机在车辆加速、减速、左变 道、右变道、急刹车、正常行驶等多种情况下的数据， X轴正向 数据包括手机加速度传感器数据A=[a,a,a](其 中，a.表示手机X轴的加速度，a,表示Y轴的加速 图2手机体坐标系 度，a.表示Z轴的加速度，单位m/s)、陀螺仪传感 Fig.2 Coordinate system of the smart phone 器数据G=[g.g,8](其中g.表示绕手机X轴的角
为。 Ｐａｅｆｇｅｎ 等［８］用车载智能手机传感器信号来评 估各类驾驶行为，但算法鲁棒性较弱；Ｘｕ 等［９］ 利用 车载智能手机拍摄照片，开展了基于人眼图像的疲 劳驾驶检测技术研究。 Ｅｒｅｎ ［１０］ 等利用车载智能手 机加速度传感器、陀螺仪传感器、磁场传感器数据来 识别车辆的驾驶行为，并把车辆驾驶行为分为了安 全和不安全两大类。 Ｆａｚｅｅｎ ［１１］ 等比较了车载智能 手机的加速度传感器数据和专业设备采集的车辆行 驶过程中的加速度数据，结果显示，两者高度吻合， 车载智能手机的加速度传感器数据可以用来表征车 辆自身的加速度。 在利用车载智能手机进行交通事 故检测方面，李伟健等［１２］通过设定手机加速度传感 器数值变化阈值来检测车辆碰撞事故；赵龙等［１３］ 在 李伟健等基础上，将基于单部车载手机的碰撞事故 识别技术提升到基于多部车载手机。 但文献［１１⁃ １３］均通过阈值法来进行事故判断，识别效果有待 进一步改善。 可见，基于智能手机的驾驶行为识别 研究还处于探索阶段，研究工作有待进一步推进和 完善。 为此，本文开展了基于智能手机的车辆异常 驾驶行为检测技术研究。 论文主要工作有： １）利用智能手机实时采集车体运动状态，提出 了异常驾驶行为检测方法框架，并针对左变道、右变 道、加速、减速、急刹车、正常行驶等 ６ 类驾驶行为分 析了手机传感器数据的特性； ２）设计了基于核 ＥＬＭ 的驾驶行为在线分析算 法和异常驾驶行为检测算法； ３）开发了“车辆异常驾驶行为监控系统”软件， 并在实际运行中测试了其性能。 １ 方法框架 本文提出的异常驾驶行为检测方法框架如图 １ 所示。 图 １ 方法框架 Ｆｉｇ．１ Ｔｈｅ ｆｒａｍｅｗｏｒｋ ｏｆ ｔｈｅ ｐｒｏｐｏｓｅｄ ｍｅｔｈｏｄ 方法流程包括： １）利用车载手机的运动状态表征车体运动状态； ２）通过车载手机内部的传感器获得手机的动 态参数； ３）将获得的手机动态参数旋转校正至在特定 坐标系下的数据； ４）提取经旋转校正后的手机动态参数的特征； ５）用分类器识别车载手机的运动状态，并在此 基础上识别车辆是否出现本文所定义的异常行为。 ２ 车载手机数据分析 为分析车载手机在车辆不同驾驶行为状态下的 动态参数特征，采集了手机在车辆加速、减速、左变 道、右变道、急刹车、正常行驶等多种情况下的数据， 数据包括手机加速度传感器数据 Ａ ＝ ［ａｘ ａｙ ａｚ］ （其 中，ａｘ 表示手机 Ｘ 轴的加速度，ａｙ 表示 Ｙ 轴的加速 度，ａｚ 表示 Ｚ 轴的加速度，单位 ｍ ２ ／ ｓ）、陀螺仪传感 器数据 Ｇ ＝ ［ｇｘ ｇｙ ｇｚ］（其中 ｇｘ 表示绕手机 Ｘ 轴的角 速度，ｇｙ 表示绕 Ｙ 轴的角速度，ｇｚ 表示绕 Ｚ 轴的角 速度，单位 ｒａｄ ／ ｓ），以及数据采集时刻 ｔ。 数据采集过程中，手机按照手机体坐标系 Ｙ 轴正 向向前与车头正向平行，Ｚ 轴垂直于水平面向上的姿 态放置（把这种放置姿态叫做“标准姿态”，采集的数据 叫做“标准数据”）。 手机体坐标系如图 ２ 所示。 图 ２ 手机体坐标系 Ｆｉｇ．２ Ｃｏｏｒｄｉｎａｔｅ ｓｙｓｔｅｍ ｏｆ ｔｈｅ ｓｍａｒｔ ｐｈｏｎｅ 第 ３ 期 周后飞，等：智能手机车辆异常驾驶行为检测方法 ·４１１·
.412 智能系统学报 第11卷 采集数据同时，人为标定车辆的加速起始时间 T(i=1,2,…）和终止时间T(Gj=1,2,…)、减速起 始时间T(i=1,2,…)和终止时间T=1,2,…)、 左变道起始时间T,(i=1,2,…)和终止时间T(= 1,2,…)、右变道起始时间T.(i=1,2,…)和终止时 间T(=1,2,…),急刹车起始时间T(i=1,2,…)》 5001000 5001000 500 1000 t/ms n 和终止时间T(G=1,2,…)。 (e)左变道过程加速度变化 对比手机内部存储的时间1和人为标定的驾驶 行为起始时间和终止时间，提取从T(i=1,2,3…) 1.00 1.00m 0.07 0.05 0.05 0.06 到Tj=1,2,…)、T(i=1,2,…)到T(=1,2, 0 0.05 -0.04 …)、T(i=1,2,…)到T(=1,2,…）、T(i=1,2, -0.05 -0.05 -0.03 0-0.10 -0.10 -002 …)到T,j=1,2,…)和T(i=1,2,…)到T,(j=1, -0.15 -0.15 -0.01 5001000 5001000 5001000 2,…)时间段内的手机三轴加速度数据A=[a.a t/ms t/ms a]和绕三轴角速度数据G=[gg,g:]作分析。 ()右变道过程角速度变化 车载手机传感器数据在几种车辆驾驶行为状况 下的参数变化如图3所示（每幅图片的第1张表示 0.10 0.10[ 0.08 X轴参数变化，第2张是Y轴参数变化，第3张是Z 0.05 0.05h1 轴参数变化)。 0 004 -0.05 60.02 0.5 13 12 -015 0.10L 0 5001000 0 5001000 05001000 S-W 11 tmin t/min tmin (g)左变道过程角速度变化 5001000 5001000 5001000 (ms (a)正常行驶加速度变化 12 0.5 14 0.5 10 10 10 246 ms /ms t/ms -2.0 5001000 5001000 5001000 (/ms (h)急刹车过程加速度变化 (b)减速过程加速度变化 图3不同驾驶行为参数变化图 Fig.3 Parameters curves corresponding to various 0.5 12 0 driving behaviors -0.5 10 1)分析图3(a),手机三轴加速度在车辆正常行 -1.0 -1.5 驶过程中数据特征不明显。 -2.0 -2. 2)分析图3()，手机Y轴加速度在车辆减速行 0 5001000 0 5001000 5001000 t/ms t/ms t/ms 驶过程中逐步由0减小至负值，车辆完成减速趋于 (c)加速过程加速度变化 平稳后又返回0值，Y轴加速度数据特征明显。 3)分析图3(c),手机Y轴加速度在车辆加速行 驶过程中逐步由0增加至正值，车辆完成加速趋于 平稳后又返回0值，Y轴加速度数据特征明显，但与 减速过程恰好相反。 4)分析图3(d)和图3(f),手机X轴加速度和 5001000 '05001000 /05001000 (ms ms t/ms 绕Z轴角速度在车辆右变道行驶过程中数据特征 (d)右变道过程加速度变化 明显
采集数据同时，人为标定车辆的加速起始时间 Ｔａｉ（ｉ ＝ １，２，…）和终止时间 Ｔａｊ（ ｊ ＝ １，２，…）、减速起 始时间 Ｔｄｉ（ｉ ＝ １，２，…）和终止时间 Ｔｄｊ（ｊ ＝ １，２，…）、 左变道起始时间Ｔｌｉ（ｉ ＝ １，２，…） 和终止时间 Ｔｌｊ（ ｊ ＝ １，２，…）、右变道起始时间 Ｔｒｉ（ｉ ＝ １，２，…）和终止时 间 Ｔｒｊ（ｊ ＝ １，２，…），急刹车起始时间 Ｔｓｉ（ ｉ ＝ １，２，…） 和终止时间 Ｔｓｊ（ｊ ＝ １，２，…）。 对比手机内部存储的时间 ｔ 和人为标定的驾驶 行为起始时间和终止时间，提取从 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，…）时间段内的手机三轴加速度数据 Ａ ＝ ［ ａｘ ａｙ ａｚ］和绕三轴角速度数据 Ｇ ＝ ［ｇｘ ｇｙ ｇｚ］作分析。 车载手机传感器数据在几种车辆驾驶行为状况 下的参数变化如图 ３ 所示（每幅图片的第 １ 张表示 Ｘ 轴参数变化，第 ２ 张是 Ｙ 轴参数变化，第 ３ 张是 Ｚ 轴参数变化）。 （ａ）正常行驶加速度变化 （ｂ）减速过程加速度变化 （ｃ）加速过程加速度变化 （ｄ）右变道过程加速度变化 （ｅ）左变道过程加速度变化 （ｆ）右变道过程角速度变化 （ｇ）左变道过程角速度变化 （ｈ）急刹车过程加速度变化 图 ３ 不同驾驶行为参数变化图 Ｆｉｇ． ３ Ｐａｒａｍｅｔｅｒｓ ｃｕｒｖｅｓ ｃｏｒｒｅｓｐｏｎｄｉｎｇ ｔｏ ｖａｒｉｏｕｓ ｄｒｉｖｉｎｇ ｂｅｈａｖｉｏｒｓ １）分析图 ３（ａ），手机三轴加速度在车辆正常行 驶过程中数据特征不明显。 ２）分析图 ３（ｂ），手机 Ｙ 轴加速度在车辆减速行 驶过程中逐步由 ０ 减小至负值，车辆完成减速趋于 平稳后又返回 ０ 值，Ｙ 轴加速度数据特征明显。 ３）分析图 ３（ｃ），手机 Ｙ 轴加速度在车辆加速行 驶过程中逐步由 ０ 增加至正值，车辆完成加速趋于 平稳后又返回 ０ 值，Ｙ 轴加速度数据特征明显，但与 减速过程恰好相反。 ４）分析图 ３（ｄ）和图 ３（ｆ），手机 Ｘ 轴加速度和 绕 Ｚ 轴角速度在车辆右变道行驶过程中数据特征 明显。 ·４１２· 智 能 系 统 学 报 第 １１ 卷
第3期 周后飞，等：智能手机车辆异常驾驶行为检测方法 ·413. 5)分析图3(e)和图3(g),手机X轴加速度和 轴角速度数据。 绕Z轴角速度在车辆左变道行驶过程中数据特征 若手机在系统运行过程中处于X轴与车体横 明显，但与右变道过程恰好相反。 向水平参照线（如图5所示）平行，而X-Y平面处于 6)分析图3(h),手机Y轴加速度在急刹车过程 非水平的姿态时，系统对数据进行旋转校正，将其旋 中逐步由0减小至负值，车辆完成刹车趋于平稳后 转为前述“标准姿态”下的数据。校正算法为： 又返回0值。Y轴加速度数据特征与减速过程类 1)获取夹角：根据提取的手机三轴加速度数据 似，但变化幅度远大于正常减速过程。 A=[a,a,a.]和三轴环境磁场数据M=[m.m,m,] 综合分析6种驾驶行为，车载手机的三轴加速 (m,表示手机X轴的磁场环境数据，m,表示Y轴磁 度在车辆正常行驶过程中无明显波动，但在其他几 场环境数据，m,表示Z轴磁场环境数据，均由手机 种车辆驾驶行为情况下，手机三轴加速度数据均有 磁场传感器获得)，利用融合三轴加速度数据和三 明显变化，而变道过程（包括左右变道）中绕Z轴角 轴环境磁场数据的算法（具体算法专利归传感器公 速度数据特征也很明显。 司所有)，计算得到手机翻滚角α和俯仰角B,α和B 3车辆异常驾驶行为检测算法 分别表示手机沿X轴方向与水平面的夹角和沿Y 轴方向与水平面的夹角。 基于对传感器数据的深入分析，提出了一种车 2)数据旋转：基于空间三维坐标旋转方法，将 辆异常驾驶行为检测算法，并开发了一款基于该算 三轴加速度数据A=[aa,a.]和角速度数据G= 法的“车辆异常驾驶行为检测系统”，系统检测算法 [g.8,g]分别旋转至“标准姿态”下的虚拟水平面 流程如图4所示。 为A'=[ax'a,'a:']和G=[gx'g,'g:'门。旋转后的 开始 获取实时aa,a,888 手机虚拟姿态如图5所示。 车体横向水平 参照线 获取实时a,0,a,88,8 旋转校正后的 旋 旋转 虚拟姿态 校正 得到校正数据aa,aggg.' 特征 正模块 Y轴正向水平向前 X轴正向水 提取 特征 平向右 数据单元特征向量 特征 提取 与 两者平行 值 一化1 化 处理 图5手机数据旋转校正 待识别的归一化特征向量 模块 Fig.5 Data correction of smart phone 驾驶行为分类器 数据旋转形式如式(1)和式(2)： 识 别 正常加速诚速左变道右变道急刹车 警 =R·AT= 异常识别 块 a: N N 频繁变道 cos B 0 頫繁变速> 急刹车 sin B a sin asin B cos a sin acos B 1) 4 -sin B cos a sin a N 警报] 警报2 警报3 a: 87 图4系统检测算法 =R·G= Fig.4 Detection algorithm of system Lg.'」 3.1手机动态参数旋转校正 1 sina·tanB cosa·tanB 车辆异常驾驶行为检测系统启动后，按照 0 cos a sin a (2) 100Hz的频率读取车载手机的三轴加速度数据和三 0 sin a/cos B cos a/eos B
５）分析图 ３（ｅ）和图 ３（ ｇ），手机 Ｘ 轴加速度和 绕 Ｚ 轴角速度在车辆左变道行驶过程中数据特征 明显，但与右变道过程恰好相反。 ６）分析图 ３（ｈ），手机 Ｙ 轴加速度在急刹车过程 中逐步由 ０ 减小至负值，车辆完成刹车趋于平稳后 又返回 ０ 值。 Ｙ 轴加速度数据特征与减速过程类 似，但变化幅度远大于正常减速过程。 综合分析 ６ 种驾驶行为，车载手机的三轴加速 度在车辆正常行驶过程中无明显波动，但在其他几 种车辆驾驶行为情况下，手机三轴加速度数据均有 明显变化，而变道过程（包括左右变道）中绕 Ｚ 轴角 速度数据特征也很明显。 ３ 车辆异常驾驶行为检测算法 基于对传感器数据的深入分析，提出了一种车 辆异常驾驶行为检测算法，并开发了一款基于该算 法的“车辆异常驾驶行为检测系统”，系统检测算法 流程如图 ４ 所示。 图 ４ 系统检测算法 Ｆｉｇ．４ Ｄｅｔｅｃｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｏｆ ｓｙｓｔｅｍ ３．１ 手机动态参数旋转校正 车辆异 常 驾 驶 行 为 检 测 系 统 启 动 后， 按 照 １００ Ｈｚ的频率读取车载手机的三轴加速度数据和三 轴角速度数据。 若手机在系统运行过程中处于 Ｘ 轴与车体横 向水平参照线（如图 ５ 所示）平行，而 Ｘ⁃Ｙ 平面处于 非水平的姿态时，系统对数据进行旋转校正，将其旋 转为前述“标准姿态”下的数据。 校正算法为： １）获取夹角：根据提取的手机三轴加速度数据 Ａ＝ ［ａｘ ａｙ ａｚ］和三轴环境磁场数据 Ｍ ＝ ［ｍｘ ｍｙ ｍｚ］ （ｍｘ 表示手机 Ｘ 轴的磁场环境数据，ｍｙ 表示 Ｙ 轴磁 场环境数据，ｍｚ 表示 Ｚ 轴磁场环境数据，均由手机 磁场传感器获得），利用融合三轴加速度数据和三 轴环境磁场数据的算法（具体算法专利归传感器公 司所有），计算得到手机翻滚角 α 和俯仰角 β，α 和 β 分别表示手机沿 Ｘ 轴方向与水平面的夹角和沿 Ｙ 轴方向与水平面的夹角。 ２）数据旋转：基于空间三维坐标旋转方法，将 三轴加速度数据 Ａ ＝ ［ ａｘ ａｙ ａｚ ］ 和角速度数据 Ｇ ＝ ［ｇｘ ｇｙ ｇｚ］分别旋转至“标准姿态”下的虚拟水平面 为 Ａ′ ＝ ［ ａｘ ′ ａｙ ′ ａｚ ′］和 Ｇ′ ＝ ［ ｇｘ ′ｇｙ ′ｇｚ ′］。 旋转后的 手机虚拟姿态如图 ５ 所示。 图 ５ 手机数据旋转校正 Ｆｉｇ．５ Ｄａｔａ ｃｏｒｒｅｃｔｉｏｎ ｏｆ ｓｍａｒｔ ｐｈｏｎｅ 数据旋转形式如式（１）和式（２）： ａｘ ′ ａｙ ′ ａｚ ′ é ë ê ê ê ê ù û ú ú ú ú ＝ Ｒ ａ ｏｃ·Ａ Ｔ ＝ ｃｏｓ β ０ ｓｉｎ β ｓｉｎ αｓｉｎ β ｃｏｓ α － ｓｉｎ αｃｏｓ β ｃｏｓ αｃｏｓ β － ｓｉｎ β ｃｏｓ α ｓｉｎ α é ë ê ê êê ù û ú ú úú · ａｘ ａｙ ａｚ é ë ê ê ê ê ù û ú ú ú ú （１） ｇｘ ′ ｇｙ ′ ｇｚ ′ é ë ê ê ê ê ù û ú ú ú ú ＝ Ｒ ｇ ｏｃ·Ｇ Ｔ ＝ １ ｓｉｎ α·ｔａｎ β ｃｏｓ α·ｔａｎ β ０ ｃｏｓ α － ｓｉｎ α ０ ｓｉｎ α／ ｃｏｓ β ｃｏｓ α／ ｃｏｓ β é ë ê ê êê ù û ú ú úú · ｇｘ ｇｙ ｇｚ é ë ê ê ê ê ù û ú ú ú ú （２） 第 ３ 期 周后飞，等：智能手机车辆异常驾驶行为检测方法 ·４１３·
414 智能系统学报 第11卷 其中，加速度旋转矩阵R。为 R"=R(a,B)=R,R,= 「1 0 01「cosB0 -sin B 0 cos sin a 0 1 0 ×10 sin a cos a Lsin B 0 cosB」 6 t/ms cos B 0 sin B 图7取值窗口 sinasin B cos a sin acos B (3) Fig.7 Data capturing windows sin B cos a sin a 表1提取的特征值 Table 1 The extracted features 角速度旋转矩阵R。为 表达式 说明 「1 sina·tanB cosa·tanB 0 cos a sin a 4 m=1g 第j列数据的平均值 sin a/cos B cosa/cosB」 时=∑W-w 第j列数据的方差 旋转顺序为： maxy maximum() 第j列数据的最大值 第1次旋转：先绕X轴将Y轴旋转至与水平面 miny minimum() 第j列数据的最小值 平行，手机体相对坐标系由X-Y-Z旋转至X'-Y'-Z', 如图6(a)所示： range(P）=maxw-minv j列数据的幅度 第2次旋转：再绕Y'轴将X'轴旋转至与水平面 mry(u) j列数据的平均交叉 平行，手机体相对坐标系由X'-Y-Z旋转至X”" (1-μ）<0 ，y为指示函数 Z”,如图6(b)所示。 第j列数据的均方根 y轴 m“Σ， Y轴 X轴 Y轴 第j列数据的偏度 X"轴 a六2-w Y轴(X轴 cor=I 第a列数据与第b (a)第1次 (b)第2次 列数据的相关系数(a≠b) (X程-4)(-46)， 图6手机姿态旋转 Fig.6 Attitude rotation of smart phone SA,=子∑((++XD加速度平均解度面积 3.2数据单元特征提取 EE=十∑√风++加速度平均能量消耗 为保证系统的实时性，把系统识别窗口设置成 2s时长，将窗口内经过旋转处理的加速度和角速度 sA,=∑(x+ 角速度平均幅度面积 数据作为一个数据单元来进行识别。 |x|+1XI) 由于手机传感器数据获取接口的原因，导致在 比，=∑V厅+了+了角速度平均能量消耗 100Hz的数据更新频率下，400次数据才是一个数 据单元，故每个数据单元是400×6的矩阵，矩阵的6 注：足表示数据单元第i行，第j列处数值，1表示单元 列数据为am',a',aa',8m',8t',8ai'(i=1,2, 的行数，这里1=400 …,400)。 3.3特征值归一化处理 考虑到智能手机的计算能力，故设定的相邻窗 为消除量纲的影响，同时把各个特征值的尺度 口不重叠。图7显示了系统读取单元数据使用的连 控制在相同的范围内，在系统中设置特征向量归一 续窗口，其中横坐标为时间。 化处理模块，采用的数据归一化映射关系为 系统实时提取数据单元的特征值，一个数据单 fx'--ym）*(,-x -+ymim（5) 元的特征值组成一个特征向量。提取的特征值如表 （xmx-xmn） 1所示。 式(5)中，y和yn是目标映射区间的上下限
其中，加速度旋转矩阵ｏ ｃＲ ａ 为 Ｒ ａ ｏｃ ＝ Ｒ（α，β） ＝ ＲｘＲｙ ＝ １ ０ ０ ０ ｃｏｓ α ｓｉｎ α ０ － ｓｉｎ α ｃｏｓ α é ë ê ê êê ù û ú ú úú ｃｏｓ β ０ － ｓｉｎ β ０ １ ０ ｓｉｎ β ０ ｃｏｓ β é ë ê ê êê ù û ú ú úú ＝ ｃｏｓ β ０ ｓｉｎ β ｓｉｎαｓｉｎ β ｃｏｓ α － ｓｉｎ αｃｏｓ β ｃｏｓ αｃｏｓ β － ｓｉｎ β ｃｏｓ α ｓｉｎ α é ë ê ê ê ù û ú ú ú （３） 角速度旋转矩阵ｏ ｃＲｇ 为 Ｒ ｇ ｏｃ ＝ １ ｓｉｎ α·ｔａｎ β ｃｏｓ α·ｔａｎ β ０ ｃｏｓ α － ｓｉｎ α ０ ｓｉｎ α／ ｃｏｓ β ｃｏｓ α／ ｃｏｓ β é ë ê ê êê ù û ú ú úú （４） 旋转顺序为： 第 １ 次旋转：先绕 Ｘ 轴将 Ｙ 轴旋转至与水平面 平行，手机体相对坐标系由 Ｘ⁃Ｙ⁃Ｚ 旋转至 Ｘ′⁃Ｙ′⁃Ｚ′， 如图 ６（ａ）所示； 第 ２ 次旋转：再绕 Ｙ′轴将 Ｘ′轴旋转至与水平面 平行，手机体相对坐标系由 Ｘ′⁃Ｙ′⁃Ｚ＇旋转至 Ｘ″⁃Ｙ″⁃ Ｚ″，如图 ６（ｂ）所示。 （ａ）第 １ 次 （ｂ）第 ２ 次 图 ６ 手机姿态旋转 Ｆｉｇ．６ Ａｔｔｉｔｕｄｅ ｒｏｔａｔｉｏｎ ｏｆ ｓｍａｒｔ ｐｈｏｎｅ ３．２ 数据单元特征提取 为保证系统的实时性，把系统识别窗口设置成 ２ ｓ 时长，将窗口内经过旋转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。 由于手机传感器数据获取接口的原因，导致在 １００ Ｈｚ 的数据更新频率下，４００ 次数据才是一个数 据单元，故每个数据单元是 ４００×６ 的矩阵，矩阵的 ６ 列数 据 为 ａｘｉ ′， ａｙｉ ′， ａｚｉ ′， ｇｘｉ ′， ｇｙｉ ′， ｇｚｉ ′ （ ｉ ＝ １， ２， …，４００）。 考虑到智能手机的计算能力，故设定的相邻窗 口不重叠。 图 ７ 显示了系统读取单元数据使用的连 续窗口，其中横坐标为时间。 系统实时提取数据单元的特征值，一个数据单 元的特征值组成一个特征向量。 提取的特征值如表 １ 所示。 图 ７ 取值窗口 Ｆｉｇ．７ Ｄａｔａ ｃａｐｔｕｒｉｎｇ ｗｉｎｄｏｗｓ 表 １ 提取的特征值 Ｔａｂｌｅ １ Ｔｈｅ ｅｘｔｒａｃｔｅｄ ｆｅａｔｕｒｅｓ 表达式 说明 μ Ｘ ｊ ＝ １ ｌ ∑ ｌ ｉ ＝ １ Ｘ ｊ ｉ 第 ｊ 列数据的平均值 σ ２ Ｘ ｊ ＝ １ ｌ ∑ ｌ ｉ ＝ １ （Ｘ ｊ ｉ － μＸ ｊ） ２ 第 ｊ 列数据的方差 ｍａｘＸ ｊ ＝ ｍａｘｉｍｕｍ（Ｘ ｊ ） 第 ｊ 列数据的最大值 ｍｉｎＸ ｊ ＝ ｍｉｎｉｍｕｍ（Ｘ ｊ ） 第 ｊ 列数据的最小值 ｒａｎｇｅ（Ｘ ｊ ） ＝ ｍａｘＸ ｊ － ｍｉｎＸ ｊ 第 ｊ 列数据的幅度 ｍｃｒＸ ｊ ＝ １ ｌ － １∑ Ｎ－１ ｉ ＝ ｌ γ｛（Ｘ ｊ ｉ － μ Ｘ ｊ） （Ｘ ｊ ｉ＋１ － μ Ｘ ｊ） ＜ ０｝ 第 ｊ 列数据的平均交叉 率，γ 为指示函数 ｒｍｓＸ ｊ ＝ １ ｌ ∑ ｌ ｉ ＝ １ Ｘ ｊ ｉ ２ 第 ｊ 列数据的均方根 ｋｕｒｔＸ ｊ ＝ １ ｌσＸ ｊ ４∑ ｌ ｉ ＝ １ （Ｘ ｊ ｉ － μ Ｘ ｊ） ４ 第 ｊ 列数据的偏度 ｃｏｒｒＸ ａｂ ＝ １ ｌσＸ ａσＸ ｂ∑ ｌ ｉ ＝ １ （Ｘ ａ ｉ － μ Ｘ ａ ）（Ｘ ｂ ｉ － μ Ｘ ｂ）， 第 ａ 列数据与第 ｂ 列数据的相关系数（ａ ≠ｂ） ＳＭＡａ ＝ １ ｌ ∑ ｌ ｉ ＝ １ （ Ｘ １ ｉ ＋ Ｘ ２ ｉ ＋ Ｘ ３ ｉ ） 加速度平均幅度面积 ＥＥａ ＝ １ ｌ ∑ ｌ ｉ ＝ １ Ｘ １ ２ ｉ ＋ Ｘ ２ ２ ｉ ＋ Ｘ ３ ２ ｉ 加速度平均能量消耗 ＳＭＡｇ ＝ １ ｌ ∑ ｌ ｉ ＝ １ （ Ｘ ４ ｉ ＋ Ｘ ５ ｉ ＋ Ｘ ６ ｉ ） 角速度平均幅度面积 ＥＥｇ ＝ １ ｌ ∑ ｌ ｉ ＝ １ Ｘ ４ ２ ｉ ＋ Ｘ ５ ２ ｉ ＋ Ｘ ６ ２ ｉ 角速度平均能量消耗 注： Ｘ ｊ ｉ 表示数据单元第 ｉ 行，第 ｊ 列处数值，ｌ 表示单元 的行数，这里 ｌ ＝ ４００ ３．３ 特征值归一化处理 为消除量纲的影响，同时把各个特征值的尺度 控制在相同的范围内，在系统中设置特征向量归一 化处理模块，采用的数据归一化映射关系为 ｆ：ｘｉ ′ ＝ （ｙｍａｘ － ｙｍｉｎ ）∗（ｘｉ － ｘｍｉｎ ） （ｘｍａｘ － ｘｍｉｎ ） ＋ ｙｍｉｎ （５） 式（５）中，ｙｍａｘ和 ｙｍｉｎ是目标映射区间的上下限， ·４１４· 智 能 系 统 学 报 第 １１ 卷
第3期 周后飞，等：智能手机车辆异常驾驶行为检测方法 415· 根据需要设定；x是所有特征值分量的最大值，xm 左右两种变道)次数为n,且n>n.,则判定车辆出现 是所有特征值分量的最小值，x,是待处理的特征值， 频繁变道的危险行为，并立即触发“频繁变道”报警 x'是归一化处理后的特征值。这里选择y=-1和 语音，以提醒驾驶员进行安全驾驶。 y=1来归一化特征向量。 2)若系统在窗口[t:,1]内识别出的变速（包括 3.4驾驶行为识别 加速和减速)次数为s,且s>s,则判定车辆出现频繁 提取车载手机传感器信号特征后，设计基于核 加减速的危险行为，并立即触发“频繁加减速”报警 ELM算法的分类器来识别各种驾驶行为。 语音，以提醒驾驶员进行安全驾驶。 极限学习机(ELM,extreme learning machine)是 3)若系统在窗口[t:,5]内识别出急刹车行为， 一种快速的单隐层神经网络(SLFN)训练算法，最早 则判定车辆出现急刹车的危险行为，并立即触发 由南洋理工大学黄广斌教授等4]于2004年提出： “急刹车”报警语音，以提醒驾驶员进行安全驾驶。 结合支持向量机(SVM,support vector machine)、LS- 4实验验证 SVM(least square support vector machine)P-SVM (Proximal Support vector machine)等方法的学习原 4.1驾驶行为分类器测试 理s16,黄广斌等又在2012年提出了核ELM算 将采集的6种驾驶行为数据集中630个样本作 法[。与SVM、LS-sVM、P-SVM及原始的ELM算 为训练集，剩下的629个样本作为测试集，并分别测 法相比，核ELM算法的参数敏感性更低（特别是对 试核ELM算法和SVM算法设计的驾驶行为分类器 隐层节点数)，且在隐层节点数足够大的情况下，算 的性能。 法便能获得较高的准确率，从而缩减了参数调优时 采用核ELM算法来设计驾驶行为分类时，核函 间。此外，核ELM算法不用计算隐层输出矩阵，只 数选用高斯核(RBF),正则项系数C和核参数y在 须通过计算核函数k(x,x)来确定最终的输出。 范围1og2C=[-20,20],log2y=[-20,20]内均按照步 基于核ELM算法的驾驶行为学习过程为： 长1等间距取值。测试结果如图8所示。 1)由输入的驾驶行为特征向量训练集确定最 采用SVM算法来设计驾驶行为分类时，核函数 优输出权重：B=H(I/C+HH)-T。 选用高斯核(RBF),惩罚系数C和核参数Y取值范 2)由输入的驾驶行为特征向量测试集得到驾 围同上。测试结果如图9所示。 驶行为分类器的输出函数： 1.0 f(x)=h(x)B=h(x)H (I/C+HH)-T 0.8 记k(x,x:)=h(x)·h(x:),2M=HH, 0.6 (m)g=h(x:)·h(x)=k(x:,x)。则驾驶行为的 0.4 核ELM分类器的输出为 0.2 f(x)=h(x)H (I/C+HH")-T= 0 10 20 「(x,x)77 0 10 log c k(x,x2) -10-20-20-100 (I/C+2M）T (6) 图8核ELM测试结果 k(x,N) Fig.8 Kernel ELM test results 式中：1为常向量，T为只与训练集标签相关的向 量，而核矩阵2只和训练阶段输入的驾驶行为特 1.0 征向量数据x:及样本的个数N有关，需要人为指定 0.8 的参数只有正则项系数C和核函数k(x,x:)(核中 0.6 包含核参数Y)。 0.4 3.5异常驾驶行为识别 02 实现驾驶行为识别后，需在此基础上进一步判 20 10 断车辆是否出现异常驾驶行为。对此，在系统识别 0 1020 logc -100 模块设定一个识别时间窗口[，马，]和该窗口内的变 -10-200 logr 道次数阈值n,、变速次数阈值s,。 图9SVM测试结果 1)若系统在窗口[t:,]内识别出的变道（包括 Fig.9 SVM test results
根据需要设定；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 是待处理的特征值， ｘｉ ′是归一化处理后的特征值。 这里选择 ｙｍｉｎ ＝ －１ 和 ｙｍａｘ ＝ １ 来归一化特征向量。 ３．４ 驾驶行为识别 提取车载手机传感器信号特征后，设计基于核 ＥＬＭ 算法的分类器来识别各种驾驶行为。 极限学习机（ＥＬＭ ，ｅｘｔｒｅｍｅ ｌｅａｒｎｉｎｇ ｍａｃｈｉｎｅ）是 一种快速的单隐层神经网络（ＳＬＦＮ）训练算法，最早 由南洋理工大学黄广斌教授等［１４］ 于 ２００４ 年提出； 结合支持向量机（ＳＶＭ，ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ）、ＬＳ⁃ ＳＶＭ（ｌｅａｓｔ ｓｑｕａｒｅ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ） 及 Ｐ⁃ＳＶＭ （Ｐｒｏｘｉｍａｌ Ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ） 等方法的学习原 理［１５⁃１６］ ，黄广斌等又在 ２０１２ 年提出了核 ＥＬＭ 算 法［１７］ 。 与 ＳＶＭ、ＬＳ⁃ＳＶＭ、Ｐ⁃ＳＶＭ 及原始的 ＥＬＭ 算 法相比，核 ＥＬＭ 算法的参数敏感性更低（特别是对 隐层节点数），且在隐层节点数足够大的情况下，算 法便能获得较高的准确率，从而缩减了参数调优时 间。 此外，核 ＥＬＭ 算法不用计算隐层输出矩阵，只 须通过计算核函数 ｋ（ｘ，ｘｉ）来确定最终的输出。 基于核 ＥＬＭ 算法的驾驶行为学习过程为： １）由输入的驾驶行为特征向量训练集确定最 优输出权重：β ＝Ｈ Ｔ （Ｉ／ Ｃ＋ＨＨ Ｔ ） －１ Ｔ。 ２）由输入的驾驶行为特征向量测试集得到驾 驶行为分类器的输出函数： ｆ（ｘ） ＝ ｈ（ｘ）β ＝ ｈ（ｘ）Ｈ Ｔ （Ｉ／ Ｃ ＋ ＨＨ Ｔ ） －１Ｔ 记 ｋ（ｘ，ｘｉ） ＝ ｈ（ｘ）·ｈ Ｔ （ｘｉ），ΩＥＬＭ ＝ ＨＨ Ｔ ， （ΩＥＬＭ ）ｉｊ ＝ ｈ（ｘｉ）·ｈ（ｘｊ）＝ ｋ（ ｘｉ，ｘｊ）。 则驾驶行为的 核 ＥＬＭ 分类器的输出为 ｆ（ｘ） ＝ ｈ（ｘ）Ｈ Ｔ （Ｉ／ Ｃ ＋ ＨＨ Ｔ ） －１ Ｔ ＝ ｋ（ｘ，ｘ１） ｋ（ｘ，ｘ２） ︙ ｋ（ｘ，ｘＮ） é ë ê ê ê ê ê ù û ú ú ú ú ú Ｔ （Ｉ／ Ｃ ＋ ΩＥＬＭ） －１Ｔ （６） 式中：Ｉ 为常向量，Ｔ 为只与训练集标签相关的向 量，而核矩阵 ΩＥＬＭ只和训练阶段输入的驾驶行为特 征向量数据 ｘｉ及样本的个数 Ｎ 有关，需要人为指定 的参数只有正则项系数 Ｃ 和核函数 ｋ（ｘ，ｘｉ） （核中 包含核参数 γ）。 ３．５ 异常驾驶行为识别 实现驾驶行为识别后，需在此基础上进一步判 断车辆是否出现异常驾驶行为。 对此，在系统识别 模块设定一个识别时间窗口［ｔ ｉ，ｔ ｊ］和该窗口内的变 道次数阈值 ｎｓ、变速次数阈值 ｓｓ。 １）若系统在窗口［ ｔ ｉ，ｔ ｊ］内识别出的变道（包括 左右两种变道）次数为 ｎ，且 ｎ＞ｎｓ，则判定车辆出现 频繁变道的危险行为，并立即触发“频繁变道”报警 语音，以提醒驾驶员进行安全驾驶。 ２）若系统在窗口［ ｔ ｉ，ｔ ｊ］内识别出的变速（包括 加速和减速）次数为 ｓ，且 ｓ＞ｓｓ，则判定车辆出现频繁 加减速的危险行为，并立即触发 “频繁加减速”报警 语音，以提醒驾驶员进行安全驾驶。 ３）若系统在窗口［ ｔ ｉ，ｔ ｊ］内识别出急刹车行为， 则判定车辆出现急刹车的危险行为，并立即触发 “急刹车”报警语音，以提醒驾驶员进行安全驾驶。 ４ 实验验证 ４．１ 驾驶行为分类器测试 将采集的 ６ 种驾驶行为数据集中 ６３０ 个样本作 为训练集，剩下的 ６２９ 个样本作为测试集，并分别测 试核 ＥＬＭ 算法和 ＳＶＭ 算法设计的驾驶行为分类器 的性能。 采用核 ＥＬＭ 算法来设计驾驶行为分类时，核函 数选用高斯核（ＲＢＦ），正则项系数 Ｃ 和核参数 γ 在 范围ｌｏｇ２Ｃ ＝ ［－２０，２０］，ｌｏｇ２γ ＝ ［－２０，２０］内均按照步 长 １ 等间距取值。 测试结果如图 ８ 所示。 采用 ＳＶＭ 算法来设计驾驶行为分类时，核函数 选用高斯核（ＲＢＦ），惩罚系数 Ｃ 和核参数 γ 取值范 围同上。 测试结果如图 ９ 所示。 图 ８ 核 ＥＬＭ 测试结果 Ｆｉｇ．８ Ｋｅｒｎｅｌ ＥＬＭ ｔｅｓｔ ｒｅｓｕｌｔｓ 图 ９ ＳＶＭ 测试结果 Ｆｉｇ．９ ＳＶＭ ｔｅｓｔ ｒｅｓｕｌｔｓ 第 ３ 期 周后飞，等：智能手机车辆异常驾驶行为检测方法 ·４１５·
.416 智能系统学报 第11卷 分析图8，采用核ELM算法设计的驾驶行为分 。异常驾驶行为检测系统 类器在A={(log2C,log2y)1log2C∈[-10,20]，log2y ∈[-10,20]}及B={(log2C,log2y)1log2C∈[-20， 系统正在运行，请勿随意触碰按铅 20],log2y∈[-10,0]}两个区域内的正确识别率达 x轴加速度：-0.017853m/s2 y轴加速度：0.062485m/s2 到81%左右，且当C=1048576,y=206.8309时正 z轴加速度9.879135m/s2 确识别率最高，达到81.88%，此时的测试运行时间 纬度：1.000000 经度：1.000000 为0.0203s。 高程（海拔）：0.000000 分析图9，采用SVM算法设计的驾驶行为分类 当前车辆计算速度(km/h):0.000000 当前车辆GPS定位速度(km/h):0.000000 器仅在D={(1og2C,log2y)1log,C∈[10,20]，log2y 绕x轴角速度：0.000534rad/s ∈[-10,5]}区域内的正确识别率较高，达到80%左 绕y轴角速度：-0.002167rad/s 绕z轴角速度0.000031rad/s 右，且当C=101.5937,y=0.0408时正确识别率最 x轴环境磁场.35.758972uT 高，为80.76%，而此时的测试运行时间为0.8172s。 y轴环境磁场：23.878479uT z轴环境磁场：34.678650u 可见，基于核LM算法的驾驶行为分类器相比 车辆运行状态：正常 基于SVM的驾驶行为分类器有如下优点： 停止检测 1)对参数C和y的敏感性更低； 2)整体正确识别率更高； 图11系统运行界面 3)时间复杂度更低，实时性更强。 Fig.11 System operation interface 故本文采用核ELM算法设计驾驶行为分类器。 表24种车辆驾驶行为识别结果 4.2系统测试 Table 2 Four kinds of vehicle driving behavior recognition 为了测试系统性能，本文开展了系统测试试验。 results 试验路段为北京市房山区长阳镇长阳路一段路面平 行为 识别结果 坦且车辆较少的路段，如图10所示。 识别率/% 类别 变速 变道 正常 急刹车 变速 97 36 5 12 64.67(97/150) 变道 67 57 7 9 40.71(57/140) 正常 18 10 114 0 80.28(114/142) 急刹车 3 2 102 88.70(102/115) 5 结束语 图10试验路段 Fig.10 Experiment road 文章通过车载手机获取车辆运行动态参数，并 系统测试试验采用的驾驶行为分类器的主要参 采用核ELM算法训练出了鲁棒性较强的车辆驾驶 数为：核函数为高斯核(RBF),C=1048576,Y= 行为分类器，与基于SVM算法的分类器相比，前者 206.8309:而最优输出权重B是一个630×4的矩 对车辆驾驶行为的识别效果优于后者。提出的“车 阵，限于篇幅，在此不列出。 辆异常驾驶行为检测系统”对变速、急刹车、正常行 本次试验中，4位志愿者共做了150次变速实 驶等行为的识别效果令人满意。在后续研究中，我 验，140次变道实验，115次急刹车实验，约142次正 们将改进车辆变道行为识别方法，并研究手机传感 常行驶实验。系统运行界面如图11所示，系统识别 器数据实时滤波技术，以剔除噪声干扰，提高识别精 结果如表2所示。由表2可知，系统对变速、急刹 度。此外，在检测到车辆异常驾驶行为信息后，如何 车、正常行驶等行为识别效果较好，但对变道行为识 将信息上传至监控端，而监控端在接收信息后如何 别效果较差。变道实例有140个，其中57个被正确 将信息反馈至监测路网内的车辆也是今后努力的方 分类，67个被误判为变速，7个被误判为正常行驶，9 向81。 个被误判为急刹车，但这合乎常理，因为变道过程中 经常伴随减速行为，只是有时候减速行为特征比变 参考文献： 道行为特征更明显。 [1]KWAPISZ J R,WEISS G M,MOORE S A.Activity recog-
分析图 ８，采用核 ＥＬＭ 算法设计的驾驶行为分 类器在 Ａ ＝ ｛（ｌｏｇ２Ｃ，ｌｏｇ２γ） ｜ ｌｏｇ２Ｃ∈［ －１０，２０］，ｌｏｇ２γ ∈［－１０，２０］｝及 Ｂ ＝ ｛（ ｌｏｇ２Ｃ，ｌｏｇ２γ） ｜ ｌｏｇ２Ｃ∈［ －２０， ２０］，ｌｏｇ２γ∈［－１０，０］｝两个区域内的正确识别率达 到 ８１％左右，且当 Ｃ ＝ １０４ ８５７ ６，γ ＝ ２０６．８３０ ９ 时正 确识别率最高，达到 ８１．８８％，此时的测试运行时间 为 ０．０２０ ３ ｓ。 分析图 ９，采用 ＳＶＭ 算法设计的驾驶行为分类 器仅在 Ｄ ＝ ｛（ ｌｏｇ２Ｃ，ｌｏｇ２γ） ｜ ｌｏｇ２Ｃ∈［１０，２０］，ｌｏｇ２γ ∈［－１０，５］｝区域内的正确识别率较高，达到 ８０％左 右，且当 Ｃ ＝ １０１．５９３７，γ ＝ ０．０４０ ８ 时正确识别率最 高，为 ８０．７６％，而此时的测试运行时间为 ０．８１７ ２ｓ。 可见，基于核 ＥＬＭ 算法的驾驶行为分类器相比 基于 ＳＶＭ 的驾驶行为分类器有如下优点： １）对参数 Ｃ 和 γ 的敏感性更低； ２）整体正确识别率更高； ３）时间复杂度更低，实时性更强。 故本文采用核 ＥＬＭ 算法设计驾驶行为分类器。 ４．２ 系统测试 为了测试系统性能，本文开展了系统测试试验。 试验路段为北京市房山区长阳镇长阳路一段路面平 坦且车辆较少的路段，如图 １０ 所示。 图 １０ 试验路段 Ｆｉｇ．１０ Ｅｘｐｅｒｉｍｅｎｔ ｒｏａｄ 系统测试试验采用的驾驶行为分类器的主要参 数为：核函数为高斯核（ＲＢＦ），Ｃ ＝ １０４ ８５７ ６，γ ＝ ２０６．８３０ ９；而最优输出权重 β 是一个 ６３０ × ４ 的矩 阵，限于篇幅，在此不列出。 本次试验中，４ 位志愿者共做了 １５０ 次变速实 验，１４０ 次变道实验，１１５ 次急刹车实验，约 １４２ 次正 常行驶实验。 系统运行界面如图 １１ 所示，系统识别 结果如表 ２ 所示。 由表 ２ 可知，系统对变速、急刹 车、正常行驶等行为识别效果较好，但对变道行为识 别效果较差。 变道实例有 １４０ 个，其中 ５７ 个被正确 分类，６７ 个被误判为变速，７ 个被误判为正常行驶，９ 个被误判为急刹车，但这合乎常理，因为变道过程中 经常伴随减速行为，只是有时候减速行为特征比变 道行为特征更明显。 图 １１ 系统运行界面 Ｆｉｇ．１１ Ｓｙｓｔｅｍ ｏｐｅｒａｔｉｏｎ ｉｎｔｅｒｆａｃｅ 表 ２ ４ 种车辆驾驶行为识别结果 Ｔａｂｌｅ ２ Ｆｏｕｒ ｋｉｎｄｓ ｏｆ ｖｅｈｉｃｌｅ ｄｒｉｖｉｎｇ ｂｅｈａｖｉｏｒ ｒｅｃｏｇｎｉｔｉｏｎ ｒｅｓｕｌｔｓ 行为 类别 识别结果 变速 变道 正常 急刹车 识别率／ ％ 变速 ９７ ３６ ５ １２ ６４．６７（９７ ／ １５０） 变道 ６７ ５７ ７ ９ ４０．７１（５７ ／ １４０） 正常 １８ １０ １１４ ０ ８０．２８（１１４ ／ １４２） 急刹车 ９ ２ ２ １０２ ８８．７０（１０２ ／ １１５） ５ 结束语 文章通过车载手机获取车辆运行动态参数，并 采用核 ＥＬＭ 算法训练出了鲁棒性较强的车辆驾驶 行为分类器，与基于 ＳＶＭ 算法的分类器相比，前者 对车辆驾驶行为的识别效果优于后者。 提出的“车 辆异常驾驶行为检测系统”对变速、急刹车、正常行 驶等行为的识别效果令人满意。 在后续研究中，我 们将改进车辆变道行为识别方法，并研究手机传感 器数据实时滤波技术，以剔除噪声干扰，提高识别精 度。 此外，在检测到车辆异常驾驶行为信息后，如何 将信息上传至监控端，而监控端在接收信息后如何 将信息反馈至监测路网内的车辆也是今后努力的方 向［１８］ 。 参考文献： ［１］ＫＷＡＰＩＳＺ Ｊ Ｒ， ＷＥＩＳＳ Ｇ Ｍ， ＭＯＯＲＥ Ｓ Ａ． Ａｃｔｉｖｉｔｙ ｒｅｃｏｇ⁃ ·４１６· 智 能 系 统 学 报 第 １１ 卷
第3期 周后飞，等：智能手机车辆异常驾驶行为检测方法 .417. nition using cell phone accelerometers[C]//Proceedings of 245-247. the Fourth International Workshop on Knowledge Discovery LI Weijian,LIN Yaping,YE Songtao.Shock detection from Sensor Data.Washington,DC,USA,2010,12(2): with smart mobile phone and its application in car accident 74-82. self-rescue[J].Computer engineering,2011,37(9): [2]FANG S H,LIANG Y C,CHIU K M.Developing a mobile 245-247. phone-based fall detection system on android platform[C]/ [13]赵龙，闵昆龙，韩玉杰.基于智能手机群的车辆事故自 Proceedings of Computing,Communications and Applica- 救系统[J].计算机系统应用，2013,22(2)：34-37. tions Conference.Hong Kong,China,2012:143-146. ZHAO Long,MIN Kunlong,HAN Yujie.Vehicle accident [3]VIET V Q,LEE G,CHOI D.Fall detection based on move- self-rescue system based on smart mobile phone groups[J]. ment and smart phone technology [C]//Proceedings of Computer systems applications,2013,22(2):34-37. IEEE RIVF International Conference on Computing and [14]HUANG Guangbin,ZHU Qinyu,SIEW C K.Extreme Communication Technologies,Research,Innovation,And learning machine:a new learning scheme of feedforward Vision For The Future.Ho Chi Minh City,Vietnam,2012: neural networks [C]//Proceedings of IEEE International 1.4. Joint Conference on Neural Networks.Budapest,Hunga- [4]ZHANG Shumei,MCCULLAGH P,NUGENT C,et al.Ac- y,2004,2:985-990. tivity monitoring using a smart phone's accelerometer with [15]CORTES C,VAPNIK V.Support-vector networks[J].Ma- hierarchical classification[C]//Proceedings of the 6Inter- chine learning,1995,20(3):273-297. national Conference on Intelligent Environments.Kuala [16]FUNG G,MANGASARIAN O L.Proximal support vector Lumpur,Malaysia,2010:158-163. machine classifier[C]//Proceedings of the 7th ACM SIGK- [5]ZHAO Zhongtang,CHEN Yiqiang,LIU Junfa,et al.Fall DD International Conference on Knowledge Discovery and detecting and alarming based on mobile phone [C]//Pro- Data Mining.New York,NY.USA,2001:77-86. ceedings of Ubiquitous Intelligence Computing and the 7 [17 HUANG Guangbin,DING Xiaojian,ZHOU Hongming. International Conference on Autonomic Trusted Compu- Optimization method based extreme learning machine for ting.Xi'an,China,2010:494-497. classification[J].Neurocomputing,2010,74(1/2/3): [6]BAI Yingwen,WU S C,TSAI C L.Design and implementa- 155-163. tion of a fall monitor system by using a 3-axis accelerometer [18]肖艳丽，张振字，杨文忠.移动数据的交通出行方式识 in a smart phone[C]//Proceedings of the 16t International 别方法[J].智能系统学报，2014,9(5)：536-543. Symposium on Consumer Electronics.Harrisburg,PA, XIAO Yanli,ZHANG Zhenyu,YANG Wenzhong.Re- USA,2012:1-6. search of the identification methods for transportation [7]DAI Jiangpeng,TENG Jin,BAI Xiaole,et al.Mobile modes based on mobile data[J].CAAI transactions on in- phone based drunk driving detection[C]//Proceedings of telligent systems,2014,9(5):536-543. the 4%International Conference on-NO Permissions,Perva- 作者简介： sive Computing Technologies for Healthcare.Munich,Ger- 周后飞，男，1990年生，硕士研究 many,2010:1-8. 生，主要研究方向为智能交通与设备。 [8]PAEFGEN J,KEHR F,ZHAI Yudan,et al.Driving behav- ior analysis with smartphones:insights from a controlled field study[C]//Proceedings of the 11 Conference on Mo- bile and Ubiquitous Multimedia.New York,NY,USA, 2012:408-414. [9]XU Lunbo,LI Shunyang,BIAN Kaigui,et al.Sober-Drive: 刘华平，男，1976年生，副教授，主 A smartphone-assisted drowsy driving detection system 要研究方向为智能机器人。 [C]//Proceedings of International Conference on Compu- ting,Networking and Communications.Honolulu,HI, USA,2014:398-402. [10]EREN H,MAKINIST S,AKIN E,et al.Estimating driv- ing behavior by a smartphone [C]//Proceedings of IEEE Intelligent Vehicles Symposium.Alcala de Henares, 石红星，男，1974年生，高级工程 Spain,2012:234-239. 师，主要研究方向为路面材料、交通安 [11]FAZEEN M,GOZICK B,DANTU R,et al.Safe driving 全、智能交通，先后主持和参加多项省 usin g mobile phones[J].IEEE transactions on intelligent 部级课题，获省级科技进步一等奖1 transportation systems,2012,13(3):1462-1468. 项、三等奖2项，发表学术论文20 [12]李伟健，林亚平，叶松涛.智能手机碰撞检测及在汽车 余篇。 事故自救中的应用[J].计算机工程，2011,37(9)：
ｎｉｔｉｏｎ 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 Ａｐｐｌｉｃａ⁃ ｔｉｏｎｓ Ｃｏｎｆｅｒｅｎｃｅ． Ｈｏｎｇ Ｋｏｎｇ， Ｃｈｉｎａ， ２０１２： １４３⁃１４６． ［３］ＶＩＥＴ Ｖ Ｑ， ＬＥＥ Ｇ， ＣＨＯＩ Ｄ． Ｆａｌｌ ｄｅｔｅｃｔｉｏｎ ｂａｓｅｄ ｏｎ ｍｏｖｅ⁃ ｍｅｎｔ 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． Ａｃ⁃ ｔｉｖｉｔｙ ｍｏｎｉｔｏｒｉｎｇ ｕｓｉｎｇ ａ ｓｍａｒｔ ｐｈｏｎｅ’ ｓ ａｃｃｅｌｅｒｏｍｅｔｅｒ ｗｉｔｈ ｈｉｅｒａｒｃｈｉｃａｌ ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ６ ｔｈ Ｉｎｔｅｒ⁃ ｎａｔｉｏｎａｌ 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］ ／ ／ Ｐｒｏ⁃ ｃｅｅｄｉｎｇｓ ｏｆ Ｕｂｉｑｕｉｔｏｕｓ Ｉｎｔｅｌｌｉｇｅｎｃｅ ＆ Ｃｏｍｐｕｔｉｎｇ ａｎｄ ｔｈｅ ７ ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｕｔｏｎｏｍｉｃ ＆ Ｔｒｕｓｔｅｄ Ｃｏｍｐｕ⁃ ｔｉｎｇ． Ｘｉ’ａｎ， Ｃｈｉｎａ， ２０１０： ４９４⁃４９７． ［６］ＢＡＩ Ｙｉｎｇｗｅｎ， ＷＵ Ｓ Ｃ， ＴＳＡＩ Ｃ Ｌ． Ｄｅｓｉｇｎ ａｎｄ ｉｍｐｌｅｍｅｎｔａ⁃ ｔｉｏｎ ｏｆ ａ ｆａｌｌ ｍｏｎｉｔｏｒ ｓｙｓｔｅｍ ｂｙ ｕｓｉｎｇ ａ ３⁃ａｘｉｓ ａｃｃｅｌｅｒｏｍｅｔｅｒ ｉｎ ａ ｓｍａｒｔ ｐｈｏｎｅ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １６ ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ 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 ４ ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ⁃ＮＯ Ｐｅｒｍｉｓｓｉｏｎｓ， Ｐｅｒｖａ⁃ ｓｉｖｅ Ｃｏｍｐｕｔｉｎｇ Ｔｅｃｈｎｏｌｏｇｉｅｓ ｆｏｒ Ｈｅａｌｔｈｃａｒｅ． Ｍｕｎｉｃｈ， Ｇｅｒ⁃ ｍａｎｙ， ２０１０： １⁃８． ［８］ＰＡＥＦＧＥＮ Ｊ， ＫＥＨＲ Ｆ， ＺＨＡＩ Ｙｕｄａｎ， ｅｔ ａｌ． Ｄｒｉｖｉｎｇ ｂｅｈａｖ⁃ ｉｏｒ ａｎａｌｙｓｉｓ ｗｉｔｈ ｓｍａｒｔｐｈｏｎｅｓ： ｉｎｓｉｇｈｔｓ ｆｒｏｍ ａ ｃｏｎｔｒｏｌｌｅｄ ｆｉｅｌｄ ｓｔｕｄｙ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １１ ｔｈ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍｏ⁃ ｂｉｌｅ 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 Ｃｏｍｐｕ⁃ ｔｉｎｇ， Ｎｅｔｗｏｒｋｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ． Ｈｏｎｏｌｕｌｕ， ＨＩ， ＵＳＡ， ２０１４： ３９８⁃４０２． ［１０］ＥＲＥＮ Ｈ， ＭＡＫＩＮＩＳＴ Ｓ， ＡＫＩＮ Ｅ， ｅｔ ａｌ． Ｅｓｔｉｍａｔｉｎｇ ｄｒｉｖ⁃ ｉｎｇ 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］李伟健， 林亚平， 叶松涛． 智能手机碰撞检测及在汽车 事故自救中的应用［Ｊ］． 计算机工程， 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］赵龙， 闵昆龙， 韩玉杰． 基于智能手机群的车辆事故自 救系统［Ｊ］． 计算机系统应用， 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， Ｈｕｎｇａ⁃ ｒｙ， ２００４， ２： ９８５⁃９９０． ［１５］ＣＯＲＴＥＳ Ｃ， ＶＡＰＮＩＫ Ｖ． Ｓｕｐｐｏｒｔ⁃ｖｅｃｔｏｒ ｎｅｔｗｏｒｋｓ［Ｊ］． Ｍａ⁃ ｃｈｉｎｅ ｌｅａｒｎｉｎｇ， １９９５， ２０（３）： ２７３⁃２９７． ［１６］ ＦＵＮＧ Ｇ， ＭＡＮＧＡＳＡＲＩＡＮ Ｏ Ｌ． Ｐｒｏｘｉｍａｌ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ ｃｌａｓｓｉｆｉｅｒ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ７ ｔｈ ＡＣＭ ＳＩＧＫ⁃ ＤＤ 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］肖艳丽， 张振宇， 杨文忠． 移动数据的交通出行方式识 别方法［Ｊ］． 智能系统学报， ２０１４， ９（５）： ５３６⁃５４３． ＸＩＡＯ Ｙａｎｌｉ， ＺＨＡＮＧ Ｚｈｅｎｙｕ， ＹＡＮＧ Ｗｅｎｚｈｏｎｇ． Ｒｅ⁃ ｓｅａｒｃｈ ｏｆ ｔｈｅ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｍｅｔｈｏｄｓ ｆｏｒ ｔｒａｎｓｐｏｒｔａｔｉｏｎ ｍｏｄｅｓ ｂａｓｅｄ ｏｎ ｍｏｂｉｌｅ ｄａｔａ［Ｊ］． ＣＡＡＩ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｉｎ⁃ ｔｅｌｌｉｇｅｎｔ ｓｙｓｔｅｍｓ， ２０１４， ９（５）： ５３６⁃５４３． 作者简介： 周后飞，男，１９９０ 年生，硕士研究 生，主要研究方向为智能交通与设备。 刘华平，男，１９７６ 年生，副教授，主 要研究方向为智能机器人。 石红星，男，１９７４ 年生，高级工程 师，主要研究方向为路面材料、交通安 全、智能交通，先后主持和参加多项省 部级课题，获省级科技进步一等奖 １ 项、三 等 奖 ２ 项， 发 表 学 术 论 文 ２０ 余篇。 第 ３ 期 周后飞，等：智能手机车辆异常驾驶行为检测方法 ·４１７·