本發(fā)明涉及車輛智能駕駛和主動(dòng)安全技術(shù)領(lǐng)域，特別是涉及一種基于改進(jìn)hmm和svm雙層算法的駕駛意圖識(shí)別方法。

背景技術(shù)：

道路事故通常是由于駕駛員的一些不合規(guī)范的駕駛操作行為導(dǎo)致，換道過(guò)程引發(fā)的道路事故約占駕駛員操作不當(dāng)引發(fā)的交通事故總數(shù)的23％。因此，系統(tǒng)完整的感知換道過(guò)程中駕駛員的操作行為，開(kāi)展駕駛員駕駛意圖識(shí)別研究，對(duì)減少道路事故的發(fā)生，提高機(jī)動(dòng)車道路行駛的安全水平有著十分重要的意義。

目前，一些先進(jìn)的駕駛員意圖識(shí)別系統(tǒng)已實(shí)車應(yīng)用。當(dāng)前常見(jiàn)的駕駛員駕駛意圖識(shí)別系統(tǒng)主要針對(duì)自車行駛信息和道路信息的情況，系統(tǒng)通常使用多種傳感器對(duì)自車的行駛狀態(tài)與前方路況等行實(shí)時(shí)監(jiān)控，然后使用單一的學(xué)習(xí)模型分析駕駛員可能的駕駛意圖，根據(jù)駕駛方式不同分為：車道左變換、車道保持、車道右變換。由此可見(jiàn)，現(xiàn)有的駕駛員駕駛意圖識(shí)別系統(tǒng)對(duì)駕駛意圖分類較少，且僅考慮自車的運(yùn)動(dòng)狀態(tài)和道路的信息，沒(méi)有考慮駕駛員本身的信息，分類的學(xué)習(xí)模型也較為單一。因此，目前需要一種基于多學(xué)習(xí)模型考慮完整人-車-路交通系統(tǒng)的駕駛員駕駛意圖識(shí)別方法提高駕駛員意圖識(shí)別系統(tǒng)的完整性和精確性。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于克服上述技術(shù)的不足，提出了一種基于改進(jìn)hmm和svm雙層算法考慮完整人-車-路交通信息的駕駛員駕駛意圖識(shí)別方法，通過(guò)準(zhǔn)確識(shí)別駕駛員駕駛意圖，提高車輛行駛的安全性。為實(shí)現(xiàn)以上目的，本文發(fā)明了一種基于改進(jìn)hmm和svm雙層算法的駕駛員意圖識(shí)別方法，其特征在于包括以下步驟：

步驟1：駕駛意圖分類

將駕駛員駕駛意圖分為急左變道、一般左變道、車道保持、一般右變道和急右變道五類。并分別標(biāo)記為1、2、3、4和5。

步驟2：實(shí)驗(yàn)數(shù)據(jù)采集與預(yù)處理

采用6自由度scanerii駕駛模擬器作為主要實(shí)驗(yàn)設(shè)備，采集自車在高速道路行駛時(shí)車道保持和車道變換的實(shí)驗(yàn)數(shù)據(jù)，主要包括：自車的方向盤(pán)轉(zhuǎn)角、與車道中心線的橫向距離、橫擺角速度、制動(dòng)踏板力。同時(shí)，通過(guò)安裝在模擬駕駛器方向盤(pán)上的疲勞檢測(cè)儀實(shí)時(shí)采集駕駛員頭部運(yùn)動(dòng)視頻信息。

首先運(yùn)用klt算法計(jì)算采集駕駛員頭部運(yùn)動(dòng)視頻信息以獲取駕駛員臉部中心橫坐標(biāo)偏離其均值的大小。為消除由于原始數(shù)據(jù)部分階躍性導(dǎo)致的關(guān)聯(lián)性降低，對(duì)所采集的1.2秒時(shí)間窗口的駕駛行為數(shù)據(jù)均進(jìn)行卡爾曼濾波預(yù)處理獲得樣本集，并對(duì)樣本集向量進(jìn)行歸一化處理以提高分類精度。為提高雙層算法的運(yùn)算速度，利用pca主成分分析方法提取主成分降低數(shù)據(jù)維度。

步驟3：改進(jìn)的hmm和svm雙層算法的離線訓(xùn)練。

3.1hmm模型構(gòu)建及訓(xùn)練

預(yù)處理后的駕駛行為數(shù)據(jù)輸入第一層hmm模型，通過(guò)前向-后向算法得到各意圖hmm模型參數(shù)，建立各意圖hmm模型完成駕駛員駕駛意圖的分類及分類準(zhǔn)確率的計(jì)算。在對(duì)未知意圖識(shí)別時(shí)，排除概率相對(duì)較小的類，然后比較剩余hmm模型輸出概率值，判斷是否為易混淆意圖，如非則輸出hmm算法識(shí)別的結(jié)果；反之，把意圖類別相關(guān)行為數(shù)據(jù)作為候選模式集導(dǎo)入第二層svm模型進(jìn)行識(shí)別。

3.2svm模型構(gòu)建及訓(xùn)練

預(yù)處理后的駕駛行為信息數(shù)據(jù)輸入第二層svm模型，通過(guò)網(wǎng)格尋優(yōu)算法得到支持向量機(jī)分類器模型參數(shù)，建立各意圖的svm識(shí)別模型。將hmm模型中易混淆意圖的數(shù)據(jù)導(dǎo)入所建立的svm模型，通過(guò)投票表決算法輸出駕駛員駕駛意圖。

步驟4：駕駛意圖識(shí)別。

將新采集的駕駛行為數(shù)據(jù)預(yù)處理后輸入改進(jìn)的hmm-svm雙層算法進(jìn)行模型驗(yàn)證，獲得各行為數(shù)據(jù)序列對(duì)應(yīng)的駕駛員的駕駛意圖。

本發(fā)明實(shí)現(xiàn)過(guò)程：

本發(fā)明基于改進(jìn)hmm-svm雙層算法的駕駛意圖識(shí)別方法，開(kāi)始對(duì)駕駛員的駕駛意圖類型分類，根據(jù)不同的類別進(jìn)行數(shù)據(jù)的采集。然后將采集的數(shù)據(jù)進(jìn)行分類編號(hào)，確定特征向量及其對(duì)應(yīng)的駕駛員的駕駛意圖類別。接著對(duì)采集的數(shù)據(jù)進(jìn)行卡爾曼濾波，歸一化處理濾波后的數(shù)據(jù)，然后利用pca主成分分析法數(shù)據(jù)降維，將數(shù)據(jù)輸入hmm模型獲得駕駛員駕駛意圖的各個(gè)hmm模型，并得到對(duì)應(yīng)的駕駛意圖。同時(shí)將預(yù)處理后的數(shù)據(jù)輸入svm模型獲得駕駛員駕駛意圖的各個(gè)svm模型。將hmm模型中所得到識(shí)別率較低的駕駛意圖對(duì)應(yīng)的駕駛行為序列導(dǎo)入svm模型中，利用徑向基核函數(shù)將特征向量映射到高維空間中，以便將本來(lái)不可分的數(shù)據(jù)分開(kāi)，再用預(yù)先建立的的svm模型對(duì)參數(shù)進(jìn)行分類，選擇投票表決算法確定駕駛意圖。最后將實(shí)時(shí)采集的數(shù)據(jù)導(dǎo)入改進(jìn)的hmm-svm雙層算法對(duì)駕駛員駕駛意圖進(jìn)行識(shí)別。

與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點(diǎn)在于：

1、除了利用多傳感器采集自車信息及道路信息，本發(fā)明通過(guò)klt算法對(duì)實(shí)時(shí)采集換道過(guò)程駕駛員視頻信息進(jìn)行處理作為駕駛員信息輸入，構(gòu)成完整人-車-路交通系統(tǒng)的信息采集。

2、與一般的hmm-svm混合算法識(shí)別駕駛員駕駛意圖，將整個(gè)hmm輸出作為svm輸入不同，本發(fā)明著重利用hmm和svm算法的互補(bǔ)性，建立hmm和svm雙層算法，先利用第一層hmm根據(jù)數(shù)據(jù)類間相似性進(jìn)行駕駛意圖識(shí)別，輸出能夠識(shí)別的駕駛意圖，將其中易混淆的駕駛意圖對(duì)應(yīng)的駕駛行為序列導(dǎo)入第二層svm根據(jù)類別間差異性進(jìn)行駕駛意圖識(shí)別，并在最后采用投票表決算法根據(jù)輸出概率大小確定駕駛員的駕駛意圖。

3、為消除由于原始數(shù)據(jù)部分階躍性導(dǎo)致的關(guān)聯(lián)性降低，對(duì)所采集的時(shí)間窗口的數(shù)據(jù)均進(jìn)行卡爾曼濾波預(yù)處理獲得樣本集，并對(duì)樣本集向量進(jìn)行歸一化處理以提高分類精度；為提高向量機(jī)的運(yùn)算速度，利用pca主成分分析方法提取主成分降低數(shù)據(jù)維度。

附圖說(shuō)明：

圖1：基于改進(jìn)hmm和svm雙層算法的駕駛員駕駛意圖識(shí)別流程圖

圖2：隱馬爾科夫原理圖

圖3：支持向量機(jī)原理圖

圖4：駕駛員駕駛主要意圖分類

圖5：svm離線數(shù)據(jù)意圖識(shí)別原理

圖6：模型駕駛意圖識(shí)別

具體實(shí)施方式

結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施方式進(jìn)行描述，以便以后的研究人員更好的理解本發(fā)明。

圖1是改進(jìn)的hmm和svm雙層算法的駕駛員駕駛意圖識(shí)別流程圖。整體上介紹本發(fā)明的主體思路，先進(jìn)行數(shù)據(jù)的采集與預(yù)處理獲得訓(xùn)練向量，然后同時(shí)訓(xùn)練第一層hmm分類器和第二層svm分類器，其次通過(guò)第一層hmm分類器排除其可以識(shí)別的意圖，減少第二層svm分類器負(fù)擔(dān)。將第一層中的易混淆意圖對(duì)應(yīng)的訓(xùn)練向量導(dǎo)入第二層svm分類器通過(guò)投票表決算法完成駕駛員駕駛意圖的識(shí)別。

圖2隱馬爾科夫原理圖。q＝(q1,q2,q3)表示駕駛員的駕駛意圖為不可觀察的隱狀態(tài)，ν＝[v1,v2,v3,v4]表示可觀察的駕駛行為序列。a＝[aij]表示從意圖qi到意圖qj的轉(zhuǎn)移矩陣，b＝[bjk]表示從意圖qj產(chǎn)生行為νk的產(chǎn)生矩陣。

圖3支持向量機(jī)原理圖.支持向量分類機(jī)通過(guò)某種事先選擇的非線性映射κ(v，vi)(核函數(shù))將輸入換到行為向量ν＝[v1,ν2,…,νn]映射到一個(gè)高維特征空間，在這個(gè)空間中尋找最優(yōu)分類超平面。使得它能夠盡可能多的將兩類數(shù)據(jù)點(diǎn)正確的分開(kāi)，同時(shí)使分開(kāi)的兩類數(shù)據(jù)點(diǎn)距離

分類面最遠(yuǎn)。其中輸出為標(biāo)簽量l,權(quán)值為λili。接下來(lái)對(duì)基于改進(jìn)hmm和svm雙層算法的駕駛員駕駛意圖識(shí)別方法進(jìn)行具體說(shuō)明。

本發(fā)明首先對(duì)駕駛員的駕駛意圖進(jìn)行分類，急左變道、一般左變道、車道保持、一般右變道和急右變道。分別標(biāo)記為1、2、3、4和5。對(duì)采集的數(shù)據(jù)進(jìn)行卡爾曼濾波、歸一化處理、pca主成分分析降維。運(yùn)用第一層hmm模型獲得能夠識(shí)別的駕駛意圖，將易混淆的駕駛行為序列輸入第二層已經(jīng)訓(xùn)練、優(yōu)化的svm模型完成對(duì)駕駛員駕駛意圖識(shí)別。最后將hmm-svm模型用于對(duì)駕駛員駕駛意圖的識(shí)別。

步驟1：駕駛員駕駛意圖的分類

本發(fā)明對(duì)駕駛員的駕駛意圖進(jìn)行分類：急左變道、正常左變道、車道保持、正常右變道和急右變道，分別標(biāo)記為1、2、3、4和5，其中車道保持和車道左右變換三大類如圖4所示。

步驟2：實(shí)驗(yàn)數(shù)據(jù)采集與處理：采集自車在高速路行駛時(shí)車道保持和車道變換的實(shí)驗(yàn)數(shù)據(jù)，先通過(guò)多傳感器采集特定換道意圖對(duì)應(yīng)的換到行為數(shù)據(jù)序列，緊接著對(duì)換道行為數(shù)據(jù)序列進(jìn)行卡爾曼濾波處理、歸一化處理后進(jìn)行pca主成分分析。

采用6自由度scanerii駕駛模擬器作為主要實(shí)驗(yàn)設(shè)備，采集自車在高速路行駛時(shí)車道保持和車道變換的實(shí)驗(yàn)數(shù)據(jù)，主要包括：通過(guò)klt算法將安裝在模擬駕駛器方向盤(pán)上的疲勞檢測(cè)儀實(shí)時(shí)采集駕駛員頭部運(yùn)動(dòng)視頻信息裝變?yōu)轭^部位移量a(t)、自車的方向盤(pán)轉(zhuǎn)角b(t)、制動(dòng)踏板力c(t)、與車道中心線的橫向距離d(t)。

將每類試驗(yàn)數(shù)據(jù)按1-5進(jìn)行編號(hào)，然后對(duì)樣本數(shù)據(jù)中的每個(gè)特征向量均進(jìn)行卡爾曼濾波處理其中處理的方法為：先引入一個(gè)離散控制過(guò)程的系統(tǒng),

x(k)＝mx(k-1)+nu(k)+w(k)，z(k)＝hx(k)+v(k)(1)

式中，x(k)：k時(shí)刻的系統(tǒng)狀態(tài)，u(k)：k時(shí)刻對(duì)系統(tǒng)的控制量。m和n是系統(tǒng)參數(shù)矩陣。z(k)：k時(shí)刻測(cè)量值，h：測(cè)量系統(tǒng)參數(shù)矩陣。w(k)和v(k)分別表示過(guò)程噪聲和測(cè)量噪聲。

假設(shè)現(xiàn)在的系統(tǒng)狀態(tài)是k，基于系統(tǒng)的上一狀態(tài)預(yù)測(cè)現(xiàn)在狀態(tài)：

x(k|k-1)＝mx(k-1|k-1)+nu(k)(2)

式中x(k|k-1):利用上一狀態(tài)預(yù)測(cè)的結(jié)果，x(k-1|k-1):上一狀態(tài)最優(yōu)的結(jié)果，u(k):現(xiàn)在狀態(tài)的控制量。對(duì)應(yīng)于x(k|k-1)的協(xié)方差

p更新：p(k|k-1)＝mp(k-1|k-1)m^t+q(3)

式中，m^t:m的轉(zhuǎn)置矩陣，q:系統(tǒng)過(guò)程的協(xié)方差。

現(xiàn)在狀態(tài)k的最優(yōu)化估算值：

x(k|k)＝x(k|k-1)+kg(k)(z(k)-hx(k|k-1))(4)

kg(k)＝p(k|k-1)h'/(hp(k|k-1)h'+r(k))(5)

式中r(k)表示k時(shí)刻測(cè)量噪聲矩陣。

至此得到了k狀態(tài)下最優(yōu)的估算值x(k|k)；

更新k狀態(tài)下x(k|k)的協(xié)方差：

p(k|k)＝(i-kg(k)h)p(k|k-1)(6)

其中i為單位矩陣。依此可計(jì)算出所采集數(shù)據(jù)樣本中每一個(gè)特征向量的濾波值。

對(duì)濾波后的特征向量進(jìn)行歸一化處理的方法為：對(duì)同一時(shí)間序列中的任一特征向量中樣本數(shù)據(jù)x(n),n＝1,2,…，n歸一化處理得到y(tǒng)(k)：y(k)＝(x(k)-min(x(n)))/(max(x(n))-min(x(n))),k∈[1,n](7)

利用pca主成分分析法對(duì)對(duì)計(jì)算的樣本向量的進(jìn)行降維處理的方法為：對(duì)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。假設(shè)進(jìn)行主成份分析的指標(biāo)變量有p個(gè)，分別為x1，x2，…,xn，共有q組駕駛數(shù)據(jù)，第i組駕駛數(shù)據(jù)的第j個(gè)指標(biāo)的取值eij。將各指標(biāo)值eij轉(zhuǎn)換成標(biāo)準(zhǔn)化指標(biāo)值有

式中：即μj,sj為第j個(gè)指標(biāo)的樣本均值和樣本標(biāo)準(zhǔn)差。對(duì)應(yīng)地，為標(biāo)準(zhǔn)化指標(biāo)變量。

pro2：計(jì)算相關(guān)系數(shù)矩陣r.相關(guān)系數(shù)矩陣r＝(rij)p×p，有

式中rii＝1，rij＝rji,rij為第i個(gè)指標(biāo)與第j個(gè)指標(biāo)的相關(guān)系數(shù)。

pro3：計(jì)算特征值和特征向量。計(jì)算相關(guān)系數(shù)矩陣r的特征值λ1≥λ2≥…≥λp≥0，及對(duì)應(yīng)的特征向量ω1,ω2,…,ωp，其中ωj＝[ω1j,ω2j,…,ωpj]^t,由特征向量組成p個(gè)新的指標(biāo)向量：

式中，f1、f2、…、fp分別為第一主成分、第二主成分…，第p主成分。

pro4：選擇r(r≤p)個(gè)主成分計(jì)算累計(jì)貢獻(xiàn)率選擇主成分。

上式為主成份f1,f2,…,fr的累計(jì)貢獻(xiàn)率。當(dāng)αr接近于95％時(shí)則選擇前r個(gè)指標(biāo)變量

f1,f2,…,fr作為r個(gè)主成分，代替原來(lái)p個(gè)指標(biāo)。

本專利中最終選擇r＝4。

步驟3：hmm和svm雙層算法的構(gòu)建與優(yōu)化，進(jìn)而構(gòu)建出第一層hmm模型和第二層svm模型。

3.1.hmm訓(xùn)練及構(gòu)建

將前處理后的數(shù)據(jù)輸入第一層hmm模型，通過(guò)得到的駕駛員駕駛的最大似然估計(jì)組對(duì)駕駛意圖進(jìn)行初步分類的方法為：

pro1:用向量θ描述駕駛意圖hmm模型，θ＝[p0,a,b]。

p0為時(shí)刻t＝1各駕駛意圖的初始概率{p(qi)；i＝1,2,…,m}的矢量形式。

a＝[aij]＝[p(qj(t+1)|qi(t))](12)

t＝1,2,…,t-1；i,j＝1,2,…,m

aij表示從駕駛意圖ui到駕駛意圖uj的轉(zhuǎn)移矩陣。

b＝[p(νk(t)|qj(t))]＝[bjk](13)

t＝1,2,…,t；j＝1,2,…,m；k＝1,2,…，n

bjk表示駕駛意圖為uj觀察到駕駛行為νk的概率。

pro2:根據(jù)已知的駕駛行為序列，通過(guò)前向-后向算法確定hmm模型參數(shù)[p0,a,b]。

在(t-1)時(shí)刻駕駛意圖為qi，在t時(shí)刻駕駛意圖為qj且可見(jiàn)駕駛行為序列為ν的概率為：

p(qi(t-1)→qj(t),v|θ)＝αi(t-1)aijbjkβj(t)(14)

式中，αi(t-1)為(t-1)時(shí)刻駕駛意圖ui觀察到之前時(shí)刻所有駕駛行為的概率和；βj(t)為t時(shí)刻駕駛意圖uj觀測(cè)到之后時(shí)刻所有駕駛行為的概率和；aijbjk(t)表示系統(tǒng)有駕駛意圖qi(t-1)轉(zhuǎn)移到qj(t)并產(chǎn)生駕駛行為序列vk(t)的概率。

產(chǎn)生駕駛行為序列ν條件下，從駕駛意圖qi(t-1)轉(zhuǎn)移到駕駛意圖qj(t)的概率γij為，

γij(t)＝p(qi(t-1)→qj(t)|ν,θ)＝p(qi(t-1)→qj(t),ν|θ)/p(ν|θ)(15)

即

式中，p(ν|θ)為所有可能的駕駛意圖序列產(chǎn)生可見(jiàn)駕駛行為序列ν的總概率。

最后得到[p0,a,b]的重估計(jì)公式：

式中，p(qj(1))表示在t＝1時(shí)刻觀察到駕駛意圖qj時(shí)的完整駕駛操作序列的概率,l表示長(zhǎng)為t的駕駛意圖序列的標(biāo)記。根據(jù)上式多次迭代，逐步修正，求解最大化p(ν|θ)得出模型參數(shù)向量[p0,a,b]。

pro3：已知θ＝[p0，a，b]，計(jì)算出現(xiàn)觀察序列ν的概率p(ν|θ)；

前向計(jì)算αj(t)、后向計(jì)算βi(t)的迭代過(guò)程如下：

對(duì)于任何1≤t≤t,都有：

基于訓(xùn)練得到的5種駕駛模型參數(shù)[p0,a,b]，計(jì)算不同駕駛意圖hmm模型條件下的的p(ν|θi)，并比較它們的大小，將待識(shí)別意圖分到p(ν|θi)取最大值的類中，完成第一層hmm的分類，然后比較hmm的輸出概率，判斷是否為易混淆駕駛意圖，若是，把易混淆意圖對(duì)應(yīng)的駕駛行為數(shù)據(jù)序列作為候選模式集，用第二層svm進(jìn)行意圖識(shí)別，反之，直接輸出hmm識(shí)別結(jié)果。

3.2svm模型訓(xùn)練及構(gòu)建

根據(jù)第一層hmm模型輸出的易混淆駕駛意圖對(duì)應(yīng)的駕駛行為序列對(duì)應(yīng)的駕駛意圖種類確定svm分類器個(gè)數(shù)。易混淆意圖對(duì)應(yīng)的的前處理后的數(shù)據(jù)及對(duì)應(yīng)的標(biāo)簽量導(dǎo)入svm模型，通過(guò)網(wǎng)格尋優(yōu)算法獲得支持向量機(jī)參數(shù)[c,g]，完成分類器的訓(xùn)練和優(yōu)化。最后將第一層hmm模型對(duì)應(yīng)的易混淆行為序列輸入訓(xùn)練好的svm模型，最后通過(guò)投票表決算法輸出駕駛意圖。

給定訓(xùn)練樣本集{(v1,l1),(v2,l2),…,(vn,ln)}輸入svm模型。式中ν1(t),ν2(t),...，νn(t)分別表示時(shí)窗t＝1.2s內(nèi)對(duì)應(yīng)的駕駛行為特征向量。根據(jù)步驟1駕駛意圖分類，駕駛意圖標(biāo)簽li(t)＝1、2、3、4和5分別表示：急左變道、左變道、車道保持、右變道和急右變道換五類。

將第一層hmm模型中易混淆駕駛意圖對(duì)應(yīng)的的行為序列導(dǎo)入第二層svm，假設(shè)易混淆意圖有3種，分別是急左變道、左變道和車道保持，需要個(gè)分類器。

選擇rbf徑向基核函數(shù)將易混淆駕駛行為數(shù)據(jù)映射到高維空間，來(lái)解決在原始空間中線性不可分的問(wèn)題，如下：

式中，νi,νj表示第一層hmm中易混淆駕駛意圖對(duì)應(yīng)的駕駛行為數(shù)據(jù)，且i＜j,i,j∈[1,4]；σ＝cov(νi,νj)。

首先利用訓(xùn)練數(shù)據(jù)建立的決策函數(shù)f¹＝sgn(g¹(x))以把類“1”分出，同樣f²＝sgn(g²(x))，f³＝sgn(g³(x))能實(shí)現(xiàn)“2，3”分類。三分類訓(xùn)練得到的分類超平面：

其中b由下式獲得：

3.3模型驗(yàn)證

將剩余的未用于模型訓(xùn)練的數(shù)據(jù)驗(yàn)證基于hmm和svm雙層算法的駕駛意圖識(shí)別的精確度，計(jì)算第一層hmm模型的駕駛意圖的概率輸出與第二層svm模型對(duì)易混淆駕駛意圖的概率輸出，通過(guò)投票表決算法概率取值較大的即為識(shí)別的駕駛意圖。若能達(dá)到準(zhǔn)確識(shí)別，則可用于實(shí)際中進(jìn)行駕駛員駕駛意圖識(shí)別。

本實(shí)施例中,svm分類原理如圖5所示,圖中的實(shí)心圓即為駕駛行為數(shù)據(jù)點(diǎn),通過(guò)計(jì)算hmm中易混淆換到行為序列到gⁱ(x)距離的d1、d2和d3大小,可以看出d3為最短距離,即樣例驗(yàn)證數(shù)據(jù)點(diǎn)與g³(x)最為靠近,則駕駛員的駕駛意圖最有可能是第3類。

步驟4：駕駛員意圖識(shí)別

將采用6自由度scanerii駕駛模擬器作為主要實(shí)驗(yàn)設(shè)備，采集的自車的方向盤(pán)轉(zhuǎn)角、與車道中心線的橫向距離、橫擺角速度、縱向速度、制動(dòng)踏板位移和通過(guò)klt算法獲取的駕駛員臉部中心橫坐標(biāo)偏離其均值的大小等數(shù)據(jù)進(jìn)行以卡爾曼濾波、歸一化處理后pca主成份分析降維,將數(shù)據(jù)輸入第一層hmm模型中獲得駕駛員駕駛意圖輸出概率識(shí)別率較高的直接輸出駕駛意圖，然后選擇易混淆駕駛意圖對(duì)應(yīng)的駕駛行為序列，導(dǎo)入第二層svm模型計(jì)算其到gⁱ(x)的歐氏距離,尋找出距離最小的分類超平面,即為svm駕駛員的駕駛意圖,投票表決判斷第一層hmm算法和第二層svm算法對(duì)于易混淆意圖的輸出概率，選擇較大的作為駕駛意圖輸出。

本實(shí)施例依據(jù)江蘇大學(xué)汽車安全重點(diǎn)實(shí)驗(yàn)室6自由度scanerii模擬駕駛儀平臺(tái)進(jìn)行試驗(yàn)，將50組駕駛行為數(shù)據(jù)預(yù)處理后導(dǎo)入建立的改進(jìn)的hmm和svm雙層算法中，意圖識(shí)別結(jié)果如圖6所示，從實(shí)驗(yàn)結(jié)果可知高速道路行駛時(shí)依據(jù)本發(fā)明基于改進(jìn)hmm和svm雙層算法的駕駛員駕駛意圖識(shí)別方法能夠較準(zhǔn)確識(shí)別駕駛意圖。該測(cè)試結(jié)果數(shù)據(jù)表明基于改進(jìn)hmm和svm雙層算法的駕駛員駕駛意圖識(shí)別方法對(duì)于高速公路上行駛的車輛是可行的和實(shí)用的。

綜上，本發(fā)明的一種基于改進(jìn)hmm和svm雙層算法的駕駛員換道意圖辨識(shí)方法，先通過(guò)多傳感器采集特定換道意圖對(duì)應(yīng)的換到行為數(shù)據(jù)序列，緊接著對(duì)換道行為數(shù)據(jù)序列進(jìn)行卡爾曼濾波處理、歸一化處理后主成分分析，將選擇的主特征量導(dǎo)入第一層hmm模型中獲得駕駛員換道意圖輸出概率識(shí)別率較高的直接輸出換道意圖，然后選擇易混淆換道意圖對(duì)應(yīng)的換道行為序列，導(dǎo)入第二層svm模型利用徑相基核函數(shù)映射到高維可分空間，計(jì)算其到各個(gè)換道意圖svm模型的歐氏距離,尋找出距離最小的分類超平面,即為svm駕駛員的駕駛意圖,投票表決判斷第一層hmm算法和第二層svm算法對(duì)于易混淆意圖的輸出概率，選擇概率較大的作為換道意圖輸出。本發(fā)明完整的的考慮人-車-路系統(tǒng)，采集自車、道路和駕駛員信息，采用hmm和svm雙層學(xué)習(xí)模型，提高了駕駛員換道意圖辨識(shí)模型的準(zhǔn)確度和及時(shí)性。

在本說(shuō)明書(shū)的描述中，參考術(shù)語(yǔ)“一個(gè)實(shí)施例”、“一些實(shí)施例”、“示意性實(shí)施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結(jié)合該實(shí)施例或示例描述的具體特征、結(jié)構(gòu)、材料或者特點(diǎn)包含于本發(fā)明的至少一個(gè)實(shí)施例或示例中。在本說(shuō)明書(shū)中，對(duì)上述術(shù)語(yǔ)的示意性表述不一定指的是相同的實(shí)施例或示例。而且，描述的具體特征、結(jié)構(gòu)、材料或者特點(diǎn)可以在任何的一個(gè)或多個(gè)實(shí)施例或示例中以合適的方式結(jié)合。

盡管已經(jīng)示出和描述了本發(fā)明的實(shí)施例，本領(lǐng)域的普通技術(shù)人員可以理解：在不脫離本發(fā)明的原理和宗旨的情況下可以對(duì)這些實(shí)施例進(jìn)行多種變化、修改、替換和變型，本發(fā)明的范圍由權(quán)利要求及其等同物限定。