阅读说明：本技术 驾驶行为分析方法、装置、设备及计算机可读存储介质 (driving behavior analysis method, device, equipment and computer readable storage medium ) 是由 曾伟 蒋鑫龙 李亚 潘志文 张辉 于 2019-09-17 设计创作，主要内容包括：本发明公开了一种驾驶行为分析方法、装置、设备及计算机可读存储介质,该方法包括以下步骤：采集待分析用户的头部姿态数据；从所述头部姿态数据中提取头部姿态数据特征；根据预设驾驶行为分析模型和所述头部姿态数据特征,确定所述待分析用户的驾驶行为类型；若所述待分析用户的驾驶行为类型为注意力分散型,则采取驾驶行为校正措施的过程。本发明不涉及侵犯用户的隐私,也不会影响用户正常驾驶,不容易引起用户的反感,通过头部姿态数据特征和模型的输出确定驾驶行为类型,通用性较高,能够在保证准确性的同时,大大降低驾驶行为分析的运算量,进而提升驾驶行为分析效率,从而能够更及时的对用户的不当行为进行校正。(the invention discloses a driving behavior analysis method, a device, equipment and a computer readable storage medium, wherein the method comprises the following steps: collecting head posture data of a user to be analyzed; extracting head pose data features from the head pose data; determining the driving behavior type of the user to be analyzed according to a preset driving behavior analysis model and the head posture data characteristics; and if the driving behavior type of the user to be analyzed is a distraction type, taking a driving behavior correcting measure process. The method does not involve invasion of privacy of the user, does not influence normal driving of the user, is not easy to cause the user to feel upset, determines the driving behavior type through the head posture data characteristics and the output of the model, has high universality, can ensure accuracy, greatly reduces the calculation amount of driving behavior analysis, further improves the driving behavior analysis efficiency, and can correct the improper behavior of the user in time.)

驾驶行为分析方法、装置、设备及计算机可读存储介质

技术领域

本发明涉及行为分析技术领域，尤其涉及一种驾驶行为分析方法、装置、设备及计算机可读存储介质。

背景技术

在汽车为人们提供极大便利的同时各类交通事故也在不断地增加，巨大的伤亡给家庭和社会带来了沉重的负担。在众多交通事故中，由于驾驶员人为因素导致交通事故占较大的比重，而驾驶员人为因素不仅包括酒驾和疲劳驾驶。近些年来，由于生活压力和身心紧张状态的影响，注意力分散、情绪化驾驶等引起的交通事故也逐渐增多。为了能够不断的提高驾车的安全性，针对以上各类原因导致的交通事故的研究持续的被学术界和工业界关注。而在世界范围众多的造成道路交通事故的原因中，驾驶注意力不集中是最主要的原因之一。驾驶注意力分散是渐进性衰减或者消退，很难被驾驶员本身意识并做出相应的措施。因此，监控驾驶员的驾驶注意力情况并对驾驶注意力分散情况给予报警，对提高驾驶员的驾驶能力，协调好驾驶员与车辆以及交通环境之间的关系，从本质上减少交通事故的发生，具有重要的意义。

现有的技术方案中，对驾驶注意力检测的方法大致可以分为三类：1)、基于视觉信息的检测方法，基于视觉信息的检测方法主要是通过摄像头对驾驶员头部的图像进行采集，然后通过图像识别和处理的方法来确定头部的特征点并分析研究进而得到驾驶员的头部姿态。这种方法有图像处理信息量大、隐私侵入等缺点；2)、基于可穿戴传感器(生理传感器)的检测方法，目前研究者主要是使用生理传感器来采集驾驶员驾驶过程中的心率、肌电等生理数据特征进行分析研究驾驶注意力的情况。这种方法属于侵入式检测，会严重影响驾驶员的正常驾驶，而且设备成本极高，难以在市场普及；3)、基于汽车行驶状态的检测方法，该检测方法不需要接触驾驶员，主要是以车辆装置为基础，采用车辆本身的速度、侧向加速度数据、横向位移量、车道偏离、车辆行驶轨迹变化等特征来逆向推定出驾驶员的驾驶注意力情况。这种方法很大程度上依赖车辆的具体型号、道路的具体情况和驾驶员的个人驾驶习惯等，故其通用性大大降低。

发明内容

本发明的主要目的在于提供一种驾驶行为分析方法、装置、设备及计算机可读存储介质，旨在解决驾驶注意力检测存在的处理信息量大、隐私侵入、通用性差的技术问题。

为实现上述目的，本发明提供一种驾驶行为分析方法，所述驾驶行为分析方法包括以下步骤：

采集待分析用户的头部姿态数据；

从所述头部姿态数据中提取头部姿态数据特征；

根据预设驾驶行为分析模型和所述头部姿态数据特征，确定所述待分析用户的驾驶行为类型；

若所述待分析用户的驾驶行为类型为注意力分散型，则采取驾驶行为校正措施。

可选地，所述根据预设驾驶行为分析模型和所述头部姿态数据特征，确定所述待分析用户的驾驶行为类型的步骤之前，包括：

获取样本用户的驾驶行为类型为注意力分散型和注意力集中型的样本头部姿态数据；

从所述样本头部姿态数据中提取样本头部姿态数据特征；

基于所述驾驶行为类型和与所述驾驶行为类型对应的样本头部姿态数据特征，训练得到预设驾驶行为分析模型。

可选地，所述采集待分析用户的头部姿态数据的步骤包括：

通过加速度计采集待分析用户头部的加速度数据；

通过陀螺仪采集待分析用户头部的角速度数据；

基于所述加速度数据和所述角速度数据得到四元数；

将所述加速度数据、所述角速度数据和所述四元数作为头部姿态数据。

可选地，所述从所述头部姿态数据中提取头部姿态数据特征的步骤之前，包括：

对所述头部姿态数据进行去噪处理；

对经过去噪处理的头部姿态数据进行滑动窗口分割，得到当前窗口数据；

所述从所述头部姿态数据中提取头部姿态数据特征的步骤包括：

从所述当前窗口数据中提取头部姿态数据特征。

可选地，所述从所述当前窗口数据中提取头部姿态数据特征的步骤包括：

提取所述当前窗口数据中的加速度数据的时域特征和频域特征、角速度数据的时域特征和频域特征、四元数的时域特征；

基于所述当前窗口数据中的加速度数据的时域特征和频域特征、角速度数据的时域特征和频域特征、四元数的时域特征，构建当前窗口数据的头部姿态数据特征。

可选地，所述加速度数据的时域特征包括所述当前窗口数据中的加速度数据的最大值、最小值、平均值、标准差和过均值线数；

所述加速度数据的频域特征包括所述当前窗口数据中的加速度数据的直流分量、幅度均值、幅度标准差、幅度斜度和幅度峭度；

所述角速度数据的时域特征包括所述当前窗口数据中的角速度数据的最大值、最小值、平均值、标准差和过均值线数；

所述角速度数据的频域特征包括所述当前窗口数据中的角速度数据的直流分量、幅度均值、幅度标准差、幅度斜度和幅度峭度；

所述四元数的时域特征包括所述当前窗口数据中的四元数的最大值、最小值、平均值、标准差和过均值线数。

可选地，所述根据预设驾驶行为分析模型和所述头部姿态数据特征，确定所述待分析用户的驾驶行为类型的步骤之后，还包括：

若所述待分析用户的驾驶行为类型为注意力集中型，则继续执行步骤：采集待分析用户的头部姿态数据。

进一步地，为实现上述目的，本发明还提供一种驾驶行为分析装置，所述驾驶行为分析装置包括：

采集模块，用于采集待分析用户的头部姿态数据；

提取模块，用于从所述头部姿态数据中提取头部姿态数据特征；

确定模块，用于根据预设驾驶行为分析模型和所述头部姿态数据特征，确定所述待分析用户的驾驶行为类型；

校正模块，用于若所述待分析用户的驾驶行为类型为注意力分散型，则采取驾驶行为校正措施。

进一步地，为实现上述目的，本发明还提供一种驾驶行为分析设备，所述驾驶行为分析设备包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的驾驶行为分析程序，所述驾驶行为分析程序被所述处理器执行时实现如上述所述的驾驶行为分析方法的步骤。

进一步地，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有驾驶行为分析程序，所述驾驶行为分析程序被处理器执行时实现如上所述的驾驶行为分析方法的步骤。

本发明通过采集待分析用户的头部姿态数据；从所述头部姿态数据中提取头部姿态数据特征；根据预设驾驶行为分析模型和所述头部姿态数据特征，确定所述待分析用户的驾驶行为类型；若所述待分析用户的驾驶行为类型为注意力分散型，则采取驾驶行为校正措施的过程。本发明不涉及侵犯用户的隐私，也不会影响用户正常驾驶，不容易引起用户的反感，通过头部姿态数据特征和模型的输出确定驾驶行为类型，通用性较高，能够在保证准确性的同时，大大降低驾驶行为分析的运算量，进而提升驾驶行为分析效率，从而能够更及时的对用户的不当行为进行校正。

附图说明

图1为本发明驾驶行为分析设备实施例方案涉及的设备硬件运行环境的结构示意图；

图2为本发明驾驶行为分析方法第一实施例的流程示意图；

图3为本发明驾驶行为分析方法可穿戴设备的结构和应用场景示意图；

图4为本发明驾驶行为分析方法中对头部姿态数据进行去噪处理前后的对比图；

图5为本发明驾驶行为分析方法中驾驶员的头部运动姿态示意图；

图6为本发明驾驶行为分析装置较佳实施例的功能模块示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

需要说明的是，现有基于视觉信息的检测方法，有图像处理信息量大、算法复杂、隐私侵入等缺点；基于可穿戴传感器(生理传感器)的检测方法，属于侵入式检测，会严重影响驾驶员的正常驾驶，而且设备成本极高，难以在市场普及；基于汽车行驶状态的检测方法，很大程度上依赖车辆的具体型号、道路的具体情况和驾驶员的个人驾驶习惯等，故其通用性大大降低。

基于上述缺陷，本发明提供一种驾驶行为分析设备，参照图1，图1为本发明驾驶行为分析设备实施例方案涉及的设备硬件运行环境的结构示意图。

如图1所示，该驾驶行为分析设备可以包括：处理器1001，例如CPU，通信总线1002、待分析用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。待分析用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选待分析用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。

本领域技术人员可以理解，图1中示出的驾驶行为分析设备的硬件结构并不构成对驾驶行为分析设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种计算机可读存储介质的存储器1005中可以包括操作系统、网络通信模块、待分析用户接口模块以及驾驶行为分析程序。其中，操作系统是管理和控制驾驶行为分析设备与软件资源的程序，支持网络通信模块、待分析用户接口模块、驾驶行为分析程序以及其他程序或软件的运行；网络通信模块用于管理和控制网络接口1004；待分析用户接口模块用于管理和控制待分析用户接口1003。

在图1所示的驾驶行为分析设备硬件结构中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；待分析用户接口1003主要用于连接客户端，与客户端进行数据通信；处理器1001可以调用存储器1005中存储的驾驶行为分析程序，并执行以下操作：

采集待分析用户的头部姿态数据；

从所述头部姿态数据中提取头部姿态数据特征；

根据预设驾驶行为分析模型和所述头部姿态数据特征，确定所述待分析用户的驾驶行为类型；

若所述待分析用户的驾驶行为类型为注意力分散型，则采取驾驶行为校正措施。

进一步地，所述根据预设驾驶行为分析模型和所述头部姿态数据特征，确定所述待分析用户的驾驶行为类型的步骤之前，包括：

获取样本用户的驾驶行为类型为注意力分散型和注意力集中型的样本头部姿态数据；

从所述样本头部姿态数据中提取样本头部姿态数据特征；

基于所述驾驶行为类型和与所述驾驶行为类型对应的样本头部姿态数据特征，训练得到预设驾驶行为分析模型。

进一步地，所述采集待分析用户的头部姿态数据的步骤包括：

通过加速度计采集待分析用户头部的加速度数据；

通过陀螺仪采集待分析用户头部的角速度数据；

基于所述加速度数据和所述角速度数据得到四元数；

将所述加速度数据、所述角速度数据和所述四元数作为头部姿态数据。

进一步地，所述从所述头部姿态数据中提取头部姿态数据特征的步骤之前，包括：

对所述头部姿态数据进行去噪处理；

对经过去噪处理的头部姿态数据进行滑动窗口分割，得到当前窗口数据；

所述从所述头部姿态数据中提取头部姿态数据特征的步骤包括：

从所述当前窗口数据中提取头部姿态数据特征。

进一步地，所述从所述当前窗口数据中提取头部姿态数据特征的步骤包括：

提取所述当前窗口数据中的加速度数据的时域特征和频域特征、角速度数据的时域特征和频域特征、四元数的时域特征；

基于所述当前窗口数据中的加速度数据的时域特征和频域特征、角速度数据的时域特征和频域特征、四元数的时域特征，构建当前窗口数据的头部姿态数据特征。

进一步地，所述加速度数据的时域特征包括所述当前窗口数据中的加速度数据的最大值、最小值、平均值、标准差和过均值线数；

所述加速度数据的频域特征包括所述当前窗口数据中的加速度数据的直流分量、幅度均值、幅度标准差、幅度斜度和幅度峭度；

所述角速度数据的时域特征包括所述当前窗口数据中的角速度数据的最大值、最小值、平均值、标准差和过均值线数；

所述角速度数据的频域特征包括所述当前窗口数据中的角速度数据的直流分量、幅度均值、幅度标准差、幅度斜度和幅度峭度；

所述四元数的时域特征包括所述当前窗口数据中的四元数的最大值、最小值、平均值、标准差和过均值线数。

进一步地，所述根据预设驾驶行为分析模型和所述头部姿态数据特征，确定所述待分析用户的驾驶行为类型的步骤之后，还包括：

若所述待分析用户的驾驶行为类型为注意力集中型，则继续执行步骤：采集待分析用户的头部姿态数据。

本发明驾驶行为分析设备的具体实施方式与下述驾驶行为分析方法各实施例基本相同，在此不再赘述。

本发明还提供一种驾驶行为分析方法。

参照图2，图2为本发明驾驶行为分析方法第一实施例的流程示意图。

本发明实施例提供了驾驶行为分析方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

在驾驶行为分析方法的各个实施例中，为了便于描述，省略执行主体进行阐述各个实施例。驾驶行为分析方法包括：

步骤S10，采集待分析用户的头部姿态数据；

现有技术中，基于视觉信息的检测方法，有图像处理信息量大、算法复杂、隐私侵入等缺点；基于可穿戴传感器(生理传感器)的检测方法，属于侵入式检测，会严重影响驾驶员的正常驾驶，而且设备成本极高，难以在市场普及；基于汽车行驶状态的检测方法，很大程度上依赖车辆的具体型号、道路的具体情况和驾驶员的个人驾驶习惯等，故其通用性大大降低。

为解决现有技术中对驾驶员的驾驶行为分析隐私性差、通用性低的技术问题，在本发明实施例中提出一种驾驶行为分析方法，旨在提高驾驶行为分析的隐私性和通用性。

可选地，该驾驶行为分析方法可应用于可获取用户头部姿态的可穿戴设备(如智能头环、智能发带、智能眼镜、智能头盔、智能耳机等)，如图3所示，该可穿戴设备可包括电源单元、数据处理单元、传感器单元、行为校正单元和设备开关。数据处理单元与电源单元、传感器单元和行为校正单元相连，从传感器单元获取传感器数据进行分析处理，在发现待分析用户注意力分散时通过行为校正单元进行驾驶行为校正；电源单元为整个可穿戴设备提供电源；传感器单元包括加速度计、陀螺仪，还可以包括磁力计；设备开关用于开启或关闭可穿戴设备。

在本实施例中，在驾驶车辆前，用户可预先在头部佩戴可穿戴设备，在可穿戴设备上电后，可穿戴设备的传感器单元会实时或者按照一定频率采集待分析用户的头部姿态数据，头部姿态数据指的是待分析用户在一段时间(如1秒钟)内头部的运动情况，包括表征头部的线性移动情况的加速度数据，表征头部的角度变化速度情况的角速度数据，以及表征头部的转动情况的四元数。

其中，加速度数据是通过集成于可穿戴设备的加速度计测得的，角速度数据是通过集成于可穿戴设备的陀螺仪测得的，而四元数有两种获得方式，一种是基于集成于可穿戴设备内的姿态解算算法，通过加速度数据和角速度数据计算得到相对四元数，另一种是基于集成于可穿戴设备内的姿态解算算法，通过加速度数据、角速度数据和集成于可穿戴设备的磁力计测得的磁力计数据，计算得到的绝对四元数。管理人员可根据需要设置四元数的获取方式，本实施例不做具体限制。

步骤S20，从所述头部姿态数据中提取头部姿态数据特征；

可选地，在本实施例中，在采集到待分析用户的头部姿态数据后，在从头部姿态数据中提取头部姿态数据特征之前，还可以包括对头部姿态数据的预处理过程，由于可穿戴设备中传感器的高灵敏性，其采集到的原始数据或多或少会存在一些噪声，如果对这种原始数据直接进行提取会造成较大的偏差，影响对用户驾驶行为的分析，因此，预处理过程可包括对采集到待分析用户的原始头部姿态数据的去噪处理。

进一步地，为了避免随着数据的增加带来的计算量的增大和运算速率的降低，预处理过程还包括对头部姿态数据的滑动窗口分割，以提高头部姿态数据特征提取的效率。

在对采集到待分析用户的原始头部姿态数据的预处理完成之后，对经过预处理的头部姿态数据进行头部姿态数据特征提取，具体地，计算头部姿态数据的加速度数据的时域特征和频域特征、角速度数据的时域特征和频域特征、四元数的时域特征；基于头部姿态数据中的加速度数据的时域特征和频域特征、角速度数据的时域特征和频域特征、四元数的时域特征，构建当前窗口数据的头部姿态数据特征。

步骤S30，根据预设驾驶行为分析模型和所述头部姿态数据特征，确定所述待分析用户的驾驶行为类型；

在本实施例中，在得到待分析用户的头部姿态数据特征后，需要根据该头部姿态数据特征确定待分析用户的驾驶行为类型，具体地，将所述头部姿态数据特征输入所述预设驾驶行为分析模型，获取所述预设驾驶行为分析模型输出的驾驶行为类型；若所述待分析用户的驾驶行为类型为注意力集中型，则继续执行步骤S10；若所述待分析用户的驾驶行为类型为注意力分散型，则采取驾驶行为校正措施。

进一步地，在步骤S30之前还包括预设驾驶行为分析模型的模型建立步骤，具体地，获取样本用户的驾驶行为类型为注意力分散型和注意力集中型的样本头部姿态数据；从所述样本头部姿态数据中提取样本头部姿态数据特征；基于所述驾驶行为类型和与所述驾驶行为类型对应的样本头部姿态数据特征，训练得到预设驾驶行为分析模型。

步骤S40，若所述待分析用户的驾驶行为类型为注意力分散型，则采取驾驶行为校正措施。

在本实施中，若确定待分析用户的驾驶行为类型为注意力分散型，可采取驾驶行为校正措施，以使用户集中注意力。校正措施可为可穿戴设备直接向用户发出警报，和/或，向与该可穿戴设备绑定的用户终端发送警报，警报的方式包括但不限于语音警报、振动警报、微电流电击警报等中的一种或者多种，用户可根据需要自行设置警报方式，本实施例不做具体限制。

本实施例通过采集待分析用户的头部姿态数据；从所述头部姿态数据中提取头部姿态数据特征；根据预设驾驶行为分析模型和所述头部姿态数据特征，确定所述待分析用户的驾驶行为类型；若所述待分析用户的驾驶行为类型为注意力分散型，则采取驾驶行为校正措施的过程，不涉及侵犯用户的隐私，也不会影响用户正常驾驶，不容易引起用户的反感，通过模型的输入输出确定行为类型，能够在保证准确性的同时，大大降低行为分析的运算量，进而提升驾驶行为分析效率，从而能够更及时的对用户行为进行校正。

进一步地，提出本发明驾驶行为分析方法第二实施例，上述步骤S10包括：

步骤S11，通过加速度计采集待分析用户头部的加速度数据；

在本实施例中，待分析用户的头部姿态数据指的是待分析用户在一段时间(如1秒钟)内头部的运动情况，包括表征用户头部的线性移动情况的加速度数据，加速度数据是通过加速度计测得的，加速度计能够测得用户在各个方向的线性加速度。

步骤S12，通过陀螺仪采集待分析用户头部的角速度数据；

待分析用户在一段时间内头部的运动情况，还包括表征用户头部的角度变化速度情况的角速度数据，角速度数据是通过陀螺仪测得的，陀螺仪能够测得用户在各个轴向的角速度。

步骤S13，基于所述加速度数据和所述角速度数据得到四元数；

步骤S14，将所述加速度数据、所述角速度数据和所述四元数作为头部姿态数据。

待分析用户在一段时间内头部的运动情况，还包括表征用户头部的转动情况的四元数，在得到上述数据后，将所述加速度数据、所述角速度数据和所述四元数作为头部姿态数据。

其中，四元数有两种获得方式，一种是基于集成于可穿戴设备内的姿态解算算法，通过加速度数据和角速度数据计算得到相对四元数，相对四元数表征的是相对于用户头部的预设初始位置的转动情况，另一种是基于集成于可穿戴设备内的姿态解算算法，通过加速度数据、角速度数据和集成于可穿戴设备的磁力计测得的磁力计数据，计算得到的绝对四元数，绝对四元数表征的是相对于地球的转动情况。管理人员可根据需要设置四元数的获取方式，本实施例不做具体限制。

进一步地，在步骤S20之前还包括：

步骤S201，对所述头部姿态数据进行去噪处理；

由于可穿戴设备中传感器的高灵敏性，其采集到的原始数据或多或少会存在一些噪声，如果对这种原始数据直接进行特征提取会造成较大的偏差，影响对用户驾驶行为分析的准确性，因此，在对头部姿态数据进行特征提取之前还包括对采集到待分析用户的原始头部姿态数据的去噪处理，本实施例不对去噪处理的具体方法做限制，管理人员可根据需要设置。去噪的方法包括但不限于通过均值滤波器、中值滤波器、Savitzky-Golay滤波器等滤波器中的至少一种进行去噪。其中，均值滤波器是一种线性滤波器，是将一个窗口区域中的数值计算平均值，然后将窗口中计算得到的均值设置为锚点上的数值；中值滤波器是使用一个窗口区域内的数值计算中值，然后将利用中值来代替此窗口内的数值大小。

为辅助理解，现列举一实例：如图4所示，通过Savitzky-Golay滤波器(savgol_filter)来去除传感器数据的噪声，图4-a为未经过去噪处理的原始数据，图4-b为经过savgol_filter去噪处理后的数据，Savitzky-Golay滤波器是一种在时域内基于局域多项式最小二乘法拟合的滤波方法，将移动窗口进行加权平均，但加权系数不是简单的常数窗口，而是通过在滑动窗口内对给定高阶多项式的最小二乘拟合得出，这种滤波器最大的特点在于在滤除噪声的同时可以确保信号的形状、宽度不变。

步骤S202，对经过去噪处理的头部姿态数据进行滑动窗口分割，得到当前窗口数据；

进一步地，为了避免随着数据的增加带来的计算量的增大和运算速率的降低，在步骤S20之前还包括对头部姿态数据的滑动窗口分割，以提高头部姿态数据特征提取的效率。本实施例不对滑动窗口的大小和移动步长做具体限制，滑动窗口的大小和移动步长可以是固定的，也可以是动态变化的，管理人员可以根据需要设置。

例如，若可穿戴设备的数据采集频率为f＝160Hz，即每秒钟采集160个数据，管理人员可以设置特征提取的滑动窗口大小固定为L＝2f，移动步长固定为f，即窗口每次向前移动160个数据，当前窗口中保持有2秒钟采集的320个数据。

在本实施例中，步骤S201可以和步骤S202各自单独实施，也可以组合起来实施，本实施例的优选方案为步骤S201和步骤S202组合实施。

相应的，步骤S20包括：

从所述当前窗口数据中提取头部姿态数据特征。

即，若通过滑动窗口对头部姿态数据进行分割，对应的，头部姿态数据特征也从当前窗口数据中提取。

具体地，所述从所述当前窗口数据中提取头部姿态数据特征的步骤包括：

步骤S21，提取所述当前窗口数据中的加速度数据的时域特征和频域特征、角速度数据的时域特征和频域特征、四元数的时域特征；

在本实施例中，时域特征是指在数据/信号序列随时间变化的过程中，所具有的与时间相关的一些特征，频域特征被用来发现数据/信号中的周期性特征。当前窗口数据中的加速度数据的时域特征指的是当前窗口数据中所有加速度数据中与时间相关的特征，对应的频域特征指的是当前窗口数据中所有加速度数据中的周期性特征；当前窗口数据中的角速度数据的时域特征指的是当前窗口数据中所有角速度数据中与时间相关的特征，对应的频域特征指的是当前窗口数据中所有角速度数据中的周期性特征；当前窗口数据中的四元数的时域特征指的是当前窗口数据中所有四元数中与时间相关的特征。

具体地，第i个滑动窗口内数据点的所述加速度数据的时域特征包括所述当前窗口数据中的加速度数据的最大值、最小值、平均值、标准差和过均值线数；所述加速度数据的频域特征包括所述当前窗口数据中的加速度数据的直流分量、幅度均值、幅度标准差、幅度斜度和幅度峭度；

所述角速度数据的时域特征包括所述当前窗口数据中的角速度数据的最大值、最小值、平均值、标准差和过均值线数；所述角速度数据的频域特征包括所述当前窗口数据中的角速度数据的直流分量、幅度均值、幅度标准差、幅度斜度和幅度峭度；

所述四元数的时域特征包括所述当前窗口数据中的四元数的最大值、最小值、平均值、标准差和过均值线数。

步骤S22，基于所述当前窗口数据中的加速度数据的时域特征和频域特征、角速度数据的时域特征和频域特征、四元数的时域特征，构建当前窗口数据的头部姿态数据特征。

在本实施例中，时域特征包括第i个滑动窗口内加速度数据、角速度数据、四元数各自的最大值t_max、最小值t_min、标准差t_std、平均值t_mean、过均值线数t_above；频域特征包括加速度数据、角速度数据各自数据经过FFT(fast Fourier transform，快速傅里叶变换)后的直流分量f_d、幅度均值f_mean、幅度标准差f_std、幅度斜度f_skew、幅度峭度f_kurt。

在本实施例中，以驾驶员的头部为圆点建立三维坐标系，用户的头部姿态包括水平方向的转动、俯仰方向的转动和左右偏转(即围绕三维坐标系中的Z轴的转动、围绕X轴的转动和围绕Y轴的转动)，可通过提取用户这三个方向的头部姿态数据特征，来进行用户驾驶行为分析。

如图5所示，大多数情况下，驾驶员的头部姿态包括水平方向的转动和俯仰方向的转动，可通过提取用户这两个方向(X轴和Z轴)的头部姿态数据特征，来进行用户驾驶行为分析。此时，第i个滑动窗口内的用户的头部姿态数据特征为：

其中，为第i个滑动窗口内X轴方向上的加速度数据的数据特征，为第i个滑动窗口内Z轴方向上的加速度数据的数据特征，为第i个滑动窗口内X轴方向上的角速度数据的数据特征，为第i个滑动窗口内Z轴方向上的角速度数据的数据特征，为第i个滑动窗口内四元数的数据特征。

进而，

本实施例中提取了40个时域特征和20个频域特征来构建特征向量。所有的特征如下表1所示：

表1提取的特征

管理人员可根据需要选择仅提取X轴和Z轴的特征，也可以选择提取X轴、Y轴和Z轴的特征，本实施例不做具体限制。

本实施例通过对采集的头部姿态数据进行去噪，提升了特征提取准确性，进而提升了驾驶行为分析的准确性；通过对头部姿态数据进行滑动窗口分割，提高了头部姿态数据特征提取的效率。

进一步地，提出本发明驾驶行为分析方法第三实施例，上述步骤S30之前，还包括：

步骤S301，获取样本用户的驾驶行为类型为注意力分散型和注意力集中型的样本头部姿态数据；

在本实施例中，要构建预设驾驶行为分析模型，首先要收集样本用户的驾驶行为类型处于注意力分散型和注意力集中型时的头部姿态数据，为了采集用户的驾驶行为类型处于注意力分散型时的头部姿态数据，可预先设计多个用户驾驶时注意力分散时的场景，例如，在驾驶时，打字回复微信消息；打电话；吃喝；与别人交谈；整理妆容；玩手机；使用手机导航；看副驾驶乘客的手机视频；调整车内音响、空调；看窗外分神等。

要收集样本用户的驾驶行为类型处于注意力集中型时的头部姿态数据时，控制样本用户正常驾驶一段时间(例如30分钟)，采集这段时间样本用户的样本头部姿态数据，标记为注意力集中型；在其他条件与正常驾驶相同的条件下，样本用户模拟尽可能多的驾驶注意力分散时的场景，每个场景保持相同时间，将这部分样本用户的样本头部姿态数据标记为注意力分散型。

进一步地，可为注意力集中型的样本头部姿态数据添加标签为1，为注意力分散型的样本头部姿态数据添加标签为-1。

步骤S302，从所述样本头部姿态数据中提取样本头部姿态数据特征；

在本实施例中，在获取到样本头部姿态数据后，也需要对其进行数据预处理，与第二实施例对应的，数据预处理包括去噪处理。在预处理完成之后，再从经过预处理的样本头部姿态数据中提取样本头部姿态数据特征，样本头部姿态数据的特征提取与第二实施例中的待分析用户的头部姿态数据特征提取方法一致。

步骤S303，基于所述驾驶行为类型和与所述驾驶行为类型对应的样本头部姿态数据特征，训练得到预设驾驶行为分析模型。

在提取到样本头部姿态数据特征后，按照其对应的驾驶行为类型组成初始训练数据集TrainDataSet，通过预设分类算法对初始训练数据集进行训练，并通过交叉验证的方式(例如十折交叉验证)来调整模型参数的精度，以得到平均分类精度最高的模型参数，将其作为预设驾驶行为分析模型。其中，预设分类算法可由管理人员根据需要设置，本实施例不做具体限制。例如，预设分类算法可以设置为决策树、支持向量机(SVM)、朴素贝叶斯、随机森林模型等机器学习算法中的至少一种。本实施例优选随机森林模型，随机森林模型(Random Forest，RF)是一种基于统计学习理论的组合分类器，它将bootstrap重抽样方法和决策树算法相结合。其工作的主要流程为利用bootsrap重抽样方法从初始训练数据集中抽取多个样本，对每个bootsrap样本进行决策树建模，然后组合多棵决策树的预测，通过投票得出最终预测结果。

进一步地，上述步骤S30包括：

将所述头部姿态数据特征输入所述预设驾驶行为分析模型，获取所述预设驾驶行为分析模型输出的驾驶行为类型。

在预设驾驶行为分析模型构建完成之后，可将其应用于待分析用户的驾驶行为类型分析上，通过将待分析用户的头部姿态数据特征输入预设驾驶行为分析模型，即可获取到该用户的驾驶行为类型。

进一步地，若待分析用户的驾驶行为类型为注意力集中型，则继续采集待分析用户的头部姿态数据。

本实施例通过构建驾驶行为分析模型，根据模型的输出确定行为类型，能够在保证准确性的同时，大大降低行为分析的运算量，进而提升驾驶行为分析效率，从而能够更及时的对用户行为进行校正。

本发明还提供一种驾驶行为分析装置。

参照图6，图3为本发明驾驶行为分析装置第一实施例的功能模块示意图。

所述驾驶行为分析装置包括：

采集模块10，用于采集待分析用户的头部姿态数据；

提取模块20，用于从所述头部姿态数据中提取头部姿态数据特征；

确定模块30，用于根据预设驾驶行为分析模型和所述头部姿态数据特征，确定所述待分析用户的驾驶行为类型；

校正模块40，用于若所述待分析用户的驾驶行为类型为注意力分散型，则采取驾驶行为校正措施。

进一步地，所述确定模块还包括：

获取单元，用于获取样本用户的驾驶行为类型为注意力分散型和注意力集中型的样本头部姿态数据；

提取单元，用于从所述样本头部姿态数据中提取样本头部姿态数据特征；

训练单元，用于基于所述驾驶行为类型和与所述驾驶行为类型对应的样本头部姿态数据特征，训练得到预设驾驶行为分析模型。

进一步地，所述确定模块还包括：

类型获取单元，用于将所述头部姿态数据特征输入所述预设驾驶行为分析模型，获取所述预设驾驶行为分析模型输出的驾驶行为类型；

采集模块还用于若所述待分析用户的驾驶行为类型为注意力集中型，则继续执行步骤：采集待分析用户的头部姿态数据。

进一步地，所述采集模块还包括：

加速度获取单元，用于通过加速度计采集待分析用户头部的加速度数据；

角速度获取单元，用于通过陀螺仪采集待分析用户头部的角速度数据；

四元数获取单元，用于基于所述加速度数据和所述角速度数据得到四元数；

头部姿态数据获取单元，用于将所述加速度数据、所述角速度数据和所述四元数作为头部姿态数据。

进一步地，所述提取模块还包括：

去噪单元，用于对所述头部姿态数据进行去噪处理；

分割单元，用于对经过去噪处理的头部姿态数据进行滑动窗口分割，得到当前窗口数据；

所述提取模块还用于，从所述当前窗口数据中提取头部姿态数据特征。

进一步地，所述提取模块还包括：

特征提取单元，用于提取所述当前窗口数据中的加速度数据的时域特征和频域特征、角速度数据的时域特征和频域特征、四元数的时域特征；

构建单元，用于基于所述当前窗口数据中的加速度数据的时域特征和频域特征、角速度数据的时域特征和频域特征、四元数的时域特征，构建当前窗口数据的头部姿态数据特征。

本发明驾驶行为分析装置具体实施方式与上述驾驶行为分析方法各实施例基本相同，在此不再赘述。

此外，本发明实施例还提出一种计算机可读存储介质。

计算机可读存储介质上存储有驾驶行为分析程序，驾驶行为分析程序被处理器执行时实现如上所述的驾驶行为分析方法的步骤。

本发明计算机可读存储介质具体实施方式与上述驾驶行为分析方法各实施例基本相同，在此不再赘述。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，这些均属于本发明的保护之内。