一種辨認駕駛人員的車載設備及辨認方法技術

本發明專利技術是關于一種辨認駕駛人員的車載設備及辨認方法，屬于車載智能設備領域。技術方案如下：包括車輛總線數據監聽讀取單元、MCU計算單元、本地存儲單元、網絡通信單元和數據特征存儲及分析云平臺，所述車輛總線數據監聽讀取單元一端與車輛進行連接，另一端與所述MCU計算單元連接，所述MCU計算單元分別與本地存儲單元和網絡通信單元連接，所述網絡通信單元與所述數據特征存儲及分析云平臺連接。有益效果是：本發明專利技術通過車載設備接入總線后進行數據解析，并應用一定計算方法取得駕駛特征后傳至云平臺，加之結合云平臺保存的大數據不斷自學習更新和匹配優化，以達到準確區分不同駕駛人員的目的，從而更加智能和高效地對車輛和駕駛人進行管理。

【技術實現步驟摘要】
一種辨認駕駛人員的車載設備及辨認方法
本專利技術涉及一種車載終端監控設備，尤其涉及一種辨認駕駛人員的車載設備及辨認方法。
技術介紹
現階段市場上存有多種接入車輛總線的終端監控設備，這類設備可以使人們獲得車輛實時運行數據，來查看車輛運行情況及故障情況。但是市場上還沒有一種能夠通過總結分析駕駛員對車輛操作的相關數據從而達到區分出駕駛人員的設備，而此類硬件設備將廣泛應用于車輛管理，保險理賠，違章處置，自動駕駛，汽車租賃、共享出行等領域，本專利技術的設備及方法可以通過提取駕駛人員的駕駛特征并應用分類算法得到區分駕駛人員的目的。
技術實現思路
為了更加智能和高效地對車輛和駕駛人進行管理，本專利技術提供一種辨認駕駛人員的車載設備及辨認方法，該裝置和方法能夠通過總結分析駕駛員對車輛操作的相關數據從而達到區分出駕駛人員的目的，從而更加智能和高效地對車輛和駕駛人進行管理，可以廣泛應用于車輛管理，保險理賠，違章處置，自動駕駛，汽車租賃、共享出行等領域。所述技術方案如下：一種辨認駕駛人員的車載設備，包括車輛總線數據監聽讀取單元、MCU計算單元、本地存儲單元、網絡通信單元和數據特征存儲及分析云平臺，所述車輛總線數據監聽讀取單元一端與車輛進行連接，另一端與所述MCU計算單元連接，所述MCU計算單元分別與本地存儲單元和網絡通信單元連接，所述網絡通信單元與所述數據特征存儲及分析云平臺連接。進一步的，所述車輛總線數據監聽讀取單元與車輛總線或者車輛標準診斷接口連接。進一步的，所述車輛總線數據監聽讀取單元通過CAN總線或者以太網與車輛連接。本專利技術還包括一種辨認駕駛人員的方法，使用上述的辨認駕駛人員的車載設備，執行如下步驟：S1、車輛總線數據監聽讀取單元通過接入汽車總線實時獲取車輛的速度、發動機轉速、油門、剎車、檔位和方向盤角度信息；S2、采用中值濾波，過濾噪聲數據；S3、實時判斷最新若干秒內的數據是否有轉向信息，如果沒有轉向消息，返回S1，如果有轉向消息，進入S4；S4、提取5維度特征向量，所述5維特征向量包括超拐最值、超拐占整個周期的百分比、回歸均值位置、缺拐最值、缺拐占整個周期的百分比；S5、數據特征存儲及分析云平臺采用ANN算法產生分類器，設備上傳的特征向量通過與特征數據庫比對，判斷出駕駛人員的身份。進一步的，S4中提取特征向量步驟如下：p1、在慣性坐標系OXY下設(Xr,Yr)和(Xf,Yf)分別為車輛后軸和前軸的軸心坐標，Φ為車體的橫擺角，Φf為前輪偏角，Vr為車輛后軸中心速度，Vf為車輛前軸中心速度，L為車輛軸距，R為后輪轉向半徑，P為車輛轉動圓心，M為車輛后軸軸心，N為前軸軸心；p2、采用下述等式得出后軸行駛軸心(Xr,Yr)處速度：Vr＝Xr’cos(Φ)+Yr’sin(Φ)，Xr和Yr是坐標，Xr’和Yr’為后輪在相對坐標系下的速度；p3、根據汽車的前后軸的運動學約束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、根據前后輪的幾何關系得：Xf＝Xr+Lcos(Φ)，Yf＝Yf+Lsin(Φ)；進而推導出汽車的橫擺角速度為：W＝Vr/L*tan(Φf)；p5、根據橫擺角速度W和車速Vr得到轉向半徑R和前輪偏角ΦfR＝Vr/W，Φf＝arctan(L/R)；p6、得到車輛的運動學模型：Φ’＝tan(Φf)/L*Vr；P7、根據橫擺角度公式，采用以下式子提取出拐彎的五個特征，T是從橫擺角速度為0到橫擺角速度最大再到0的時間段，tr為0-T內的時間點，feature1為超拐最值、feature2為超拐占整個周期的百分比、feature3為回歸均值位置、feature4為缺拐最值、feature5為缺拐占整個周期的百分比。進一步的，根據S5中得出的結果采用統計學進行判斷，即對多次結果求取數學期望，得出最終的結果。進一步的，所述分類器由大數據學習方法得到，該方法為應用前期提取到多人的多個特征值，應用人工神經網絡中的BP神經網絡進行數據訓練，從而得出該所述一個分類器。進一步的，所述BP神經網絡分三層網絡，輸入層是5個結點，中間層為30個結點，輸出層為2個結點。本專利技術的有益效果是：本專利技術所述的辨認駕駛人員的車載設備及辨認方法利用汽車自身傳感器數據，通過車載設備接入總線后進行數據解析取得駕駛特征，并應用一定計算方法，提取5維度特征向量，加之結合云端保存的大數據不斷自學習更新和匹配優化，以達到準確區分不同駕駛人員的目的，從而更加智能和高效地對車輛和駕駛人進行管理，可以廣泛應用于車輛管理，保險理賠，違章處置，自動駕駛，汽車租賃、共享出行等領域。附圖說明圖1為本專利技術設備組成示意圖；圖2為本專利技術工作流程圖；圖3為本專利技術汽車轉向運動模型圖；具體實施方式實施例1：一種辨認駕駛人員的車載設備，包括車輛總線數據監聽讀取單元、MCU計算單元、本地存儲單元、網絡通信單元和數據特征存儲及分析云平臺，所述車輛總線數據監聽讀取單元一端與車輛進行連接，另一端與所述MCU計算單元連接，所述MCU計算單元分別與本地存儲單元和網絡通信單元連接，所述網絡通信單元與所述數據特征存儲及分析云平臺連接。進一步的，所述車輛總線數據監聽讀取單元與車輛總線或者車輛標準診斷接口(OBD)連接。進一步的，所述車輛總線數據監聽讀取單元通過CAN總線或者以太網與車輛連接。本專利技術還包括一種辨認駕駛人員的方法，使用上述的辨認駕駛人員的車載設備，執行如下步驟：S1、車輛總線數據監聽讀取單元通過接入汽車總線實時獲取車輛的速度、發動機轉速、油門、剎車、檔位和方向盤角度信息；S2、采用中值濾波，過濾噪聲數據；S3、實時判斷最新10秒內的數據是否有轉向信息，如果沒有轉向消息，返回S1，如果有轉向消息，進入S4；S4、提取5維度特征向量，所述5維特征向量包括超拐最值、超拐占整個周期的百分比、回歸均值位置、缺拐最值、缺拐占整個周期的百分比；S5、數據特征存儲及分析云平臺采用ANN算法產生分類器，設備上傳的特征向量通過與特征數據庫比對，判斷出駕駛人員的身份。進一步的，S4中提取特征向量步驟如下：p1、如附圖3所示，在慣性坐標系OXY下設(Xr,Yr)和(Xf,Yf)分別為車輛后軸和前軸的軸心坐標，Φ為車體的橫擺角(航向角)，Φf為前輪偏角，Vr為車輛后軸中心速度，Vf為車輛前軸中心速度，L為車輛軸距，R為后輪轉向半徑，P為車輛轉動圓心，M為車輛后軸軸心，N為前軸軸心；p2、采用下述等式得出后軸行駛軸心(Xr,Yr)處速度：Vr＝Xr’cos(Φ)+Yr’sin(Φ)，Xr和Yr是坐標，相對看成距離，Xr’和Yr’為后輪在相對坐標系下的速度；p3、根據汽車的前后軸的運動學約束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、根據前后輪的幾何關系得：Xf＝Xr+Lcos(Φ)，Yf＝Yf+Lsin(Φ)；進而推導出汽車的橫擺角速度為：W＝Vr/L*tan(Φf)；p5、根據橫擺角速度W和車速Vr得到轉向半徑R和前輪偏角ΦfR＝Vr/W，Φf＝arctan(L/R)；p6、得到車輛的運動學模型本文檔來自技高網...

【技術保護點】
一種辨認駕駛人員的車載設備，其特征在于，包括車輛總線數據監聽讀取單元、MCU計算單元、本地存儲單元、網絡通信單元和數據特征存儲及分析云平臺，所述車輛總線數據監聽讀取單元一端與車輛進行連接，另一端與所述MCU計算單元連接，所述MCU計算單元分別與本地存儲單元和網絡通信單元連接，所述網絡通信單元與所述數據特征存儲及分析云平臺連接。

【技術特征摘要】
1.一種辨認駕駛人員的車載設備，其特征在于，包括車輛總線數據監聽讀取單元、MCU計算單元、本地存儲單元、網絡通信單元和數據特征存儲及分析云平臺，所述車輛總線數據監聽讀取單元一端與車輛進行連接，另一端與所述MCU計算單元連接，所述MCU計算單元分別與本地存儲單元和網絡通信單元連接，所述網絡通信單元與所述數據特征存儲及分析云平臺連接。2.如權利要求1所述的辨認駕駛人員的車載設備，其特征在于，所述車輛總線數據監聽讀取單元與車輛總線或者車輛標準診斷接口連接。3.如權利要求1所述的辨認駕駛人員的車載設備，其特征在于，所述車輛總線數據監聽讀取單元通過CAN總線或者以太網與車輛連接。4.一種辨認駕駛人員的方法，其特征在于，使用權利要求1-3任一項所述的辨認駕駛人員的車載設備，執行如下步驟：S1、車輛總線數據監聽讀取單元通過接入汽車總線實時獲取車輛的速度、發動機轉速、油門、剎車、檔位和方向盤角度信息；S2、采用中值濾波，過濾噪聲數據；S3、實時判斷最新若干秒內的數據是否有轉向信息，如果沒有轉向消息，返回S1，如果有轉向消息，進入S4；S4、提取5維度特征向量，所述5維特征向量包括超拐最值、超拐占整個周期的百分比、回歸均值位置、缺拐最值、缺拐占整個周期的百分比；S5、數據特征存儲及分析云平臺采用ANN算法產生分類器，設備上傳的特征向量通過與特征數據庫比對，判斷出駕駛人員的身份。5.如權利要求4所述的辨認駕駛人員的方法，其特征在于，S4中提取特征向量步驟如下：p1、在慣性坐標系OXY下設(Xr,Yr)和(Xf,Yf)分別為車輛后軸和前軸的軸心坐標，Φ為車體的橫擺角，Φf為前輪偏角，Vr為車輛后軸中心速度，Vf為車輛前軸中心速度，L為車輛軸距，R為后輪轉向半徑，P為車輛轉動圓心，M為車輛后軸軸心，N為前軸軸心；p2、采用下述等式得出后軸行駛軸心(Xr,Yr)處速度：Vr＝Xr’cos(Φ)+Yr’sin(Φ)，Xr和Yr是坐標，Xr’和Yr’為后輪在相對坐標系下的速度；p3、根據汽車的前后軸的運動學約束Xf’sin(Φ+Φf)-Yf’cos(Φ+Φf)＝0，Xr’sin(Φ)-Yr’cos(Φ)＝0；推得...

【專利技術屬性】
技術研發人員：高文，
申請(專利權)人：大連毅無鏈信息技術有限公司，
類型：發明
國別省市：遼寧,21