一种基于增量学习的动态驾驶员身份识别方法及系统技术方案

本发明专利技术公开了一种基于增量学习的动态驾驶员身份识别方法及系统，收集驾驶过程中产生的CAN总线数据，将CAN总线数据转化为十进制数据，得到含有m个特征的驾驶员行为特征数据；收集传感器在一个时间单元内传输的所有数据，并对收集的数据取均值，将收集到的驾驶员行为特征数据整合为t条数据，得到一个[t

【技术实现步骤摘要】
一种基于增量学习的动态驾驶员身份识别方法及系统


[0001]本专利技术属于身份识别
，具体涉及一种基于增量学习的动态驾驶员身份识别方法及系统。

技术介绍

[0002]现有的驾驶员身份识别方案大多是基于密钥或驾驶员生物特征的静态单次识别方案，当数据泄露时，容易遭到攻击。一些研究人员已经注意到了这一点并提出了一些基于深度学习的驾驶员身份识别方案。但是，这些已有的方案存在两个缺陷：驾驶员生物特征提取并不明显，并且现有的方案在需要不断加入新驾驶员到识别系统的动态场景下效率不高。在驾驶员特征提取方面，现有的方法使用来自OBD
‑
II接口或者模拟器的数据作为输入，这些数据中包含大量无关字段，不能充分体现驾驶员行为特征。其次，当新的第n个驾驶员需要加入到识别系统中时，已有的方案需要重新训练整个含有n个驾驶员的模型。随着加入的驾驶员数量的增多，识别系统重新训练的时间也逐渐变长，占用的系统资源也越来越多，效率变差，不适合在动态场景中应用。

技术实现思路

[0003]本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于增量学习的动态驾驶员身份识别方法及系统，利用BIR模型，从OBD
‑
II接口中获取CAN总线数据，并对这些数据进行特征提取，实现动态场景下驾驶员的身份识别。
[0004]本专利技术采用以下技术方案：
[0005]本专利技术一种基于增量学习的动态驾驶员身份识别方法，包括以下步骤：
[0006]S1、收集驾驶过程中产生的CAN总线数据，将CAN总线数据转化为十进制数据，得到含有m个特征的驾驶员行为特征数据；收集传感器在一个时间单元内传输的所有数据，并对收集的数据取均值，将收集到的驾驶员行为特征数据整合为t条数据，得到一个[t
×
m]的驾驶员特征数据集；
[0007]S2、使用滑动窗口方式，从步骤S1得到的[t
×
m]大小的驾驶员行为特征数据集中截取一段时间内的连续数据，得到驾驶员行为特征数据片；构建基于增量学习的驾驶员身份识别模型，将驾驶员行为特征数据片输入基于增量学习的驾驶员身份识别模型，对驾驶员进行身份识别。
[0008]具体的，步骤S1中，传感器包括刹车踏板、发动机扭矩、转向轮、横向加速度、节流阀、横摆率和油门踏板。
[0009]具体的，步骤S2中，驾驶员行为特征数据片大小为[300
×
m]，滑动窗口滑动的步长为60。
[0010]具体的，步骤S2中，对驾驶员进行身份识别具体为：
[0011]基于增量学习的驾驶员身份识别模型包括主模型M和生成器模型G；
[0012]当新的编号为n的驾驶员拟加入到能够识别n
‑
1位驾驶员的基于增量学习的驾驶
员身份识别模型中时，生成器模型G
n
‑1首先生成原重放数据
[0013]接着，生成器模型G
n
‑1利用原重放数据和拟加入到识别模型中的编号为n的驾驶员特征数据D
n
重新训练生成器模型，获得新生成器模型G
n
；
[0014]接着，使用新的生成器模型G
n
生成新重放数据这时，使用上下文门限进行选通，根据设定的概率选择部分新重放数据使用知识蒸馏的方式标记新重放数据的预测结果，知识蒸馏使用所有类别的预测概率进行标记；使用新重放数据和拟加入到识别模型中的编号为n的驾驶员特征数据D
n
重新训练主模型M
n
‑1，主模型在重训练过程中进行判定分类结果时，使用知识蒸馏的方式标记结果，最终，得到识别n位驾驶员的新主模型M
n
，至此，基于增量学习的驾驶员身份识别模型重训练过程完毕。
[0015]进一步的，卷积核中，滤波器的大小为[21
×
m]，步长大小为1，通道数为256。
[0016]进一步的，主模型为具有基本神经网络结构的分类器，主模型的训练结果用损失函数L
total
量化表示，损失函数L
total
为：
[0017][0018]其中，W
n
表示标记为n的驾驶员的损失权重，L
current
为新的待识别的驾驶员行为特征数据产生的损失，L
replay
为重放数据产生的损失。
[0019]进一步的，生成器模型使用变分自动编码器网络进行深度学习，并与主模型共享同一卷积层和全连接层。
[0020]进一步的，生成器模型中，使用x表示待加入识别模型的驾驶员任务，P(x) 表示驾驶员被正确识别的概率，通过求P(x)的对数确定最大值，logP(x)为：
[0021]logP(x)＝L
b
+KL(q(z|x)||P(z|x)
[0022][0023]其中，z为隐变量，代表生成器模型使用的VAE网络编码器的编码结果， L
b
为logP(x)的下限，KL(q(z|x)||P(z|x))为KL散度，q(z|x)代表输入为x时编码器将其输出为z的概率，P(x|z)为输入为z时解码器输出x的概率，P(z)为隐变量z被正确识别的概率。
[0024]进一步的，驾驶员n训练期间蒸馏的损失L
D
为：
[0025][0026]其中，θ指在第n位驾驶员在训练时的超参数，T为温度变量为知识蒸馏温度设定为T时，主模型正确识别第n位驾驶员的概率，为主模型预先定义温度为T时的条件概率。
[0027]第二方面，本专利技术实施例提供了一种基于增量学习的动态驾驶员身份识别系统，包括：
[0028]数据模块，收集驾驶过程中产生的CAN总线数据，将CAN总线数据转化为十进制数
据，得到含有m个特征的驾驶员行为特征数据；收集传感器在一个时间单元内传输的所有数据，并对收集的数据取均值，将收集到的驾驶员行为特征数据整合为t条数据，得到一个[t
×
m]的驾驶员特征数据集；
[0029]识别模块，使用滑动窗口方式，从数据模块得到的[t
×
m]大小的驾驶员行为特征数据集中截取一段时间内的连续数据，得到驾驶员行为特征数据片；构建基于增量学习的驾驶员身份识别模型，将驾驶员行为特征数据片输入基于增量学习的驾驶员身份识别模型，对驾驶员进行身份识别。
[0030]与现有技术相比，本专利技术至少具有以下有益效果：
[0031]一种基于增量学习的动态驾驶员身份识别方法，与现有的驾驶员身份识别方法相比，本方法使用增量学习算法建立开放式驾驶员身份识别模型，由于增量学习算法的开放性，在新的待识别驾驶员不断加入驾驶员身份识别模型的动态场景中，可以使用重放、上下文门限、知识蒸馏的方式调整模型，模型不需要保存已加入到驾驶员身份识别模型内的驾驶员数据，并且在新待识别驾驶员加入驾驶员身份识别模型时，很快的完成驾驶员身份识别模型重训练过程，提高时间和空间利用率。...

【技术保护点】

【技术特征摘要】
1.一种基于增量学习的动态驾驶员身份识别方法，其特征在于，包括以下步骤：S1、收集驾驶过程中产生的CAN总线数据，将CAN总线数据转化为十进制数据，得到含有m个特征的驾驶员行为特征数据；收集传感器在一个时间单元内传输的所有数据，并对收集的数据取均值，将收集到的驾驶员行为特征数据整合为t条数据，得到一个[t
×
m]的驾驶员特征数据集；S2、使用滑动窗口方式，从步骤S1得到的[t
×
m]大小的驾驶员行为特征数据集中截取一段时间内的连续数据，得到驾驶员行为特征数据片；构建基于增量学习的驾驶员身份识别模型，将驾驶员行为特征数据片输入基于增量学习的驾驶员身份识别模型，对驾驶员进行身份识别。2.根据权利要求1所述的基于增量学习的动态驾驶员身份识别方法，其特征在于，步骤S1中，传感器包括刹车踏板、发动机扭矩、转向轮、横向加速度、节流阀、横摆率和油门踏板。3.根据权利要求1所述的基于增量学习的动态驾驶员身份识别方法，其特征在于，步骤S2中，驾驶员行为特征数据片大小为[300
×
m]，滑动窗口滑动的步长为60。4.根据权利要求1所述的基于增量学习的动态驾驶员身份识别方法，其特征在于，步骤S2中，对驾驶员进行身份识别具体为：基于增量学习的驾驶员身份识别模型包括主模型M和生成器模型G；当新的编号为n的驾驶员拟加入到能够识别n
‑
1位驾驶员的基于增量学习的驾驶员身份识别模型中时，生成器模型G
n
‑1首先生成原重放数据生成器模型G
n
‑1利用原重放数据和拟加入到识别模型中的编号为n的驾驶员特征数据D
n
重新训练生成器模型，获得新生成器模型G
n
；使用新的生成器模型G
n
生成新重放数据这时，使用上下文门限进行选通，根据设定的概率选择部分新重放数据使用知识蒸馏的方式标记新重放数据的预测结果，知识蒸馏使用所有类别的预测概率进行标记；使用新重放数据和拟加入到识别模型中的编号为n的驾驶员特征数据D
n
重新训练主模型M
n
‑1，主模型在重训练过程中进行判定分类结果时，使用知识蒸馏的方式标记结果，最终，得到识别n位驾驶员的新主模型M
n
，完成基于增量学习的驾驶员身份识别模型重训练。5.根据权利要求4所述的基于增量学习的动态驾驶员身份识别方法，其特征在于，卷积核中，滤波器的大小为[21
×

【专利技术属性】
技术研发人员：刘家佳，荀毅杰，郭威，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：