国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      一種基于改進(jìn)HMM和SVM雙層算法的駕駛意圖識(shí)別方法與流程

      文檔序號(hào):11691323閱讀:770來(lái)源:國(guó)知局
      一種基于改進(jìn)HMM和SVM雙層算法的駕駛意圖識(shí)別方法與流程

      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)mt+q(3)

      式中,mt: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

      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)

      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。

      當(dāng)前第1頁(yè)1 2 
      網(wǎng)友詢問(wèn)留言 已有0條留言
      • 還沒(méi)有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
      1