基于K 近邻和支持向量机的醉酒驾驶识别方法的对比分析

交通运输系统工程与信息 ›› 2015, Vol. 15 ›› Issue (5): 246-251.

• 案例分析 • 上一篇

基于K 近邻和支持向量机的醉酒驾驶识别方法的对比分析

李振龙^*，韩建龙，赵晓华，朱明浩，董文会

北京工业大学城市交通学院，北京100124

收稿日期:2015-04-28 修回日期:2015-06-17 出版日期:2015-10-25 发布日期:2015-10-28
作者简介:李振龙（1976-），男，山西人，副教授，博士.

Comparison of Drunk Driving Recognizing Methods Based on KNN and SVM

LI Zhen-long, HAN Jian-long, ZHAO Xiao-hua, ZHU Ming-hao, DONGWen-hui

College of Metropolitan Transportation, Beijing University of Technology, Beijing 100124

Received:2015-04-28 Revised:2015-06-17 Online:2015-10-25 Published:2015-10-28

摘要/Abstract

摘要：

醉酒驾驶严重威胁道路交通安全，对醉酒驾驶进行准确识别意义重大.利用驾驶模拟舱进行驾驶实验，提取醉酒驾驶和正常驾驶的驾驶行为参数.首先，通过方差分析和均值分析选取方向盘转角作为识别特征，并采用滑动数据窗求取方向盘转角均值序列，构建识别特征参数；然后，分别采用K近邻(KNN)和支持向量机(SVM)对驾驶状态进行识别，得到两种分类方法在不同道路线形的最高识别准确率及其相对应的最优数据窗；最后，对两种分类方法进行了对比分析.结果表明，SVM对醉酒驾驶的识别性能优于 KNN；数据窗对KNN的识别准确率影响显著，对SVM的识别准确率影响不明显.

关键词: 智能交通, 醉酒驾驶识别, K近邻, 支持向量机, 数据窗

Abstract:

Drunk driving is a serious threat to road traffic safety. It is of great significance to identify drunk driving accurately. The drunk driving experiment is conducted in a driving simulator. The driving behavior parameters under the drunk driving and normal driving are collected. The steering wheel angle is selected as the feature based on analysis of variance and analysis of mean. The average sequence of steering wheel angle is calculated using a sliding data window. KNN and SVM are used to identify the driver's state. The optimum data window and the highest recognition accuracy of the two algorithms under different road alignment are obtained. The two classification methods are analyzed. The results show that the recognition performance of the SVM is better than that of the KNN. Data window has a significant effect on the performances of KNN and has no significant effect on the performances of SVM.

Key words: intelligent transportation, drunk driving recognizing, KNN, SVM, data window

中图分类号:

U491

李振龙，韩建龙，赵晓华，朱明浩，董文会. 基于K 近邻和支持向量机的醉酒驾驶识别方法的对比分析[J]. 交通运输系统工程与信息, 2015, 15(5): 246-251.

LI Zhen-long, HAN Jian-long, ZHAO Xiao-hua, ZHU Ming-hao, DONGWen-hui. Comparison of Drunk Driving Recognizing Methods Based on KNN and SVM[J]. Journal of Transportation Systems Engineering and Information Technology, 2015, 15(5): 246-251.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.tseit.org.cn/CN/abstract/abstract19089.shtml

http://www.tseit.org.cn/CN/Y2015/V15/I5/246

参考文献

[1] 李生才，笑蕾. 2014年1-2月国内生产安全事故统计分析[J]. 安全与环境学报，2014，14(2)：314-316. [LI S C, XIAO L. Statistics of industrial accidents in China during the period from january to february in 2014[J]. Journal of Safety and Environment, 2014,14(2): 314- 316.]

[2] 谢娜，张先国，张红霞, 等. 酒后驾车道路交通事故流行病学研究[J]. 法律与医学杂志，2004, 11(4): 296- 299. [XIE N, ZHANG X G, ZHANG H X, et al. An epidemiological study of traffic accidents of drinkingdriving[ J]. Journal of Law and Medical, 2004,11(4): 296- 299.]

[3] Minoru Sakairi, Suzuki Daisuke，Nishimura Ayako, et al. Simultaneous detection of breath-alcohol sensor for prevention of drunk driving[J]. IEICE Electronics Express，2010，7(6)：467-472.

[4] Huang J Y. The intelligent identification and control systems of vehicles drunk driving[J]. Advanced Materials Research, 2014, 926-930: 1459-1462.

[5] Kokji Murata, Etsunori Fujita, Shigeyuki Kojima. Noninvasive biological sensor system for detection of drunk driving[J]. IEEE Transactions on Information Technology in Biomedicine，2011, 15(1): 19-25.

[6] 邹阳, 苗夺谦, 王登. 醉酒者和正常人的脑电的样本熵研究[J]. 中国生物医学工程学报, 2010, 29(6): 939- 942. [ZOU Y, MIAO D Q, WANG D. Research on sample entropy of alcoholic and normal people[J]. Chinese Journal of Biomedical Engineering, 2010, 29 (6): 939-942.]

[7] 欧居尚. 基于脑电波分析技术的安全驾驶实验研究[J]. 西南交通大学学报，2011，46(4)：696-700. [OU J S. Experimental study on safe driving based on electroencephalography[J]. Journal of Southwest Jiaotong University, 2011, 46(4):696-700.]

[8] WU Y C， XIA Y，XIE P, et al. The design of an automotive anti- drunk driving system to guarantee the uniqueness of driver[C]. Proceedings- 2009 International Conference on Information Engineering and Computer Science, ICIECS 2009.

[9] 张兴俭. 基于驾驶行为个体特征的酒后驾驶状态识别方法研究[D]. 北京: 北京工业大学, 2014. [ZHANG X J. Research on the recognition method of drinking driving state based on individual driving behavior[D]. Beijing : Beijing University of Technology, 2014.]

[10] 孙亮，禹晶. 模式识别原理[M]. 北京：北京工业大学出版社，2009. [SUN L, YU J. Pattern recognition[M]. Beijing: Beijing University of Technology Press, 2009.]

[11] CHANG C C, LIN C J. LIBSVM: A library for support vector machines[J]. ACM Transactions on Intelligent Systems and Technology. 2011, 2(3): 1-27.

[12] Fabrizio Sebastiani. Machine learning in automated text categorization[J]. ACM Computing Surveys, 2002, 34(1): 1-47.

[13] 李程雄, 丁月华, 文贵华. SVM-KNN 组合改进算法在专利文本分类中的应用[J]. 计算机工程与应用, 2006, 42(20): 193-195. [LI C X, DING Y H, WEN G H. Application of SVM-KNN combination improvement algorithm on patent text classification[J]. Computer Engineering and Applications, 2006, 42(20):193-195.] 251

[1]	郭烈, 胥林立, 秦增科, 王旭. 自动驾驶接管影响因素分析与研究进展[J]. 交通运输系统工程与信息, 2022, 22(2): 72-90.
[2]	徐猛, 刘涛, 钟绍鹏, 姜宇. 城市智慧公交研究综述与展望[J]. 交通运输系统工程与信息, 2022, 22(2): 91-108.
[3]	程君, 张立炎, 陈启宏. 一种基于地图辅助的自动驾驶视-惯融合定位方法[J]. 交通运输系统工程与信息, 2022, 22(2): 117-126.
[4]	王国栋, 刘立, 孟宇, 马智萍, 郑淏清, 顾青, 白国星. 一体式车辆避撞轨迹规划与跟踪控制[J]. 交通运输系统工程与信息, 2022, 22(2): 127-136.
[5]	马东方, 陈曦, 吴晓东, 金盛. 基于强化学习的干线信号混合协同优化方法[J]. 交通运输系统工程与信息, 2022, 22(2): 145-153.
[6]	许波桅, 王玲玲, 李军军. 自动化码头多级作业超网络延误传导特性研究[J]. 交通运输系统工程与信息, 2022, 22(2): 280-289.
[7]	田会娟, 刘嘉伟, 翟佳豪, 邓琳琳. 基于多入侵线的视频车速检测方法[J]. 交通运输系统工程与信息, 2022, 22(1): 49-56.
[8]	贾彦峰, 曲大义, 赵梓旭, 王韬, 宋慧. 基于安全势场的网联自主车辆跟驰行为决策及模型[J]. 交通运输系统工程与信息, 2022, 22(1): 85-97.
[9]	刘文, 汪文博. 基于秩最小化矩阵去噪的船舶轨迹重构方法[J]. 交通运输系统工程与信息, 2022, 22(1): 106-114.
[10]	赵建东, 陈溱, 焦彦利, 张凯丽, 韩明敏. 重点营运车辆的异常驾驶行为识别研究[J]. 交通运输系统工程与信息, 2022, 22(1): 282-291.
[11]	徐东伟, 彭航, 商学天, 魏臣臣, 杨艳芳. 基于图自编码-生成对抗网络的路网数据修复[J]. 交通运输系统工程与信息, 2021, 21(6): 33-41.
[12]	游峰, 梁健中, 曹水金, 肖智豪, 吴镇江, 王海玮. 面向多目标跟踪的密集行人群轨迹提取和运动语义感知[J]. 交通运输系统工程与信息, 2021, 21(6): 42-54.
[13]	朱兴林, 姚亮, 刘泓君, 叶拉森∙库肯, 克然木∙司马义. 基于乘客感知的多模式公交服务质量差异性研究[J]. 交通运输系统工程与信息, 2021, 21(6): 84-95.
[14]	王福建, 俞佳浩, 赵锦焕, 梅振宇. 基于站点实时关联度的短时公交客流预测方法[J]. 交通运输系统工程与信息, 2021, 21(6): 131-144.
[15]	张毅, 姚丹亚, 李力, 裴华鑫, 晏松, 葛经纬. 智能车路协同系统关键技术与应用[J]. 交通运输系统工程与信息, 2021, 21(5): 40-51.

基于K 近邻和支持向量机的醉酒驾驶识别方法的对比分析

Comparison of Drunk Driving Recognizing Methods Based on KNN and SVM

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics