CN102568200B - 车辆行驶状态实时判别的方法 - Google Patents

Abstract

本发明提供一种车辆行驶状态实时判别的方法，其特征在于，包括以下步骤：建立行驶车辆运行轨迹段的基于隐马尔科夫模型数学定义的车辆观察值序列；建立车辆各个允许行驶状态的隐马尔科夫模型，组成隐马尔科夫模型库；将所述车辆观察值序列与所述隐马尔科夫模型库进行匹配、识别，判断行驶车辆的行驶状态；本发明采用的隐马尔科夫模型轨迹分段判别技术能够保证车辆行驶状态判别的实时性和准确性，本发明能够进一步完善车载导航软件，为驾驶者实时报告行驶状态。

Description

车辆行驶状态实时判别的方法

技术领域

本发明涉及车载导航领域，具体地说是一种车辆行驶状态实时判别的方法

背景技术

近年来，车载导航设备已经成功地应用在各种类型的交通车辆上，目前市场上的导航设备一般都有能够提供GPS导航，导航模式，全国地图，路径规划，语音提示，音乐欣赏，文件管理等功能，为车辆驾驶者和交通管理者提供了极大的方便。但是随着交通系统的日益壮大和各类交通车辆的日益增多，交通违规现象层出不穷，由此导致的交通事故更是屡见不鲜。为了进一步完善车载导航软件功能，从减少交通违规的角度开发一种能告知驾驶者实时行驶状态信息，能够为驾驶者的行驶状态提供实时预警的车载功能已经势在必行，因此，需要车载对交通车辆行驶状态进行判别的市场需求便应运而生。目前在智能交通系统领域，对车辆行为判别的研究受到了国内外学者的普遍关注并出现了许多有关车辆行为的判别技术方法，这些方法通常以传统的车辆运动轨迹模式聚类算法为基础，首先从车辆行驶轨迹中提取表征车辆行驶状态的特征，进而利用机器学习或者模式分类方法进行行为判别。神经网络模型是一类被广泛应用的智能判别模型，利用神经网络模型较强的数据处理能力对数据进行分类和手势状态识别，取得了很好的分类识别效果，但神经网络模型对具有时序数据的车辆轨迹的建模能力较弱，而且需要大量的样本数据进行训练才能达到准确收敛，用在车载中，则加重了车载系统的数据存储负担；为了克服神经网络模型的建模局限性，研究者又构建了动态贝叶斯网络模型进行交通场景车辆轨迹的识别分析，该模型能够很好地适应车辆轨迹数据随时间变化的特点，但却没能改进神经网络模型的对训练数据要求维度高，复杂性高的缺点，仍然会因为训练过度或不足导致低比率的车辆轨迹的识别率；隐马尔科夫模型继动态贝叶斯网络模型之后，改进了其对训练数据维度高的缺点，并能够利用其良好的数据建模能力对轨迹模式进行建模，可以很大程度上提高车辆轨迹的识别率，若将隐马尔科夫模型技术运用于车载当中无疑是一个很好的选择。

隐马尔科夫模型是一种基于参数表示的描述随机过程统计特性的概率模型，通常由马尔可夫链和一般随机过程两部分构成，前者用于描述状态的转移，后者则用以描述状态与观察值序列间的关系。隐马尔科夫模型可以定义为一个五元组λ(X,V,π,A,B)，其中五个参数的含义如下：

⑴X＝{S₁,S₂,…,S_N}代表一组马尔可夫状态的集合，其中N为状态个数，状态之间可以相互转换，可把t时刻马尔可夫链处于状态S_i表示成q_t的形式：q_t＝S_i(1≤i≤N)；

⑵V＝{V₁,V₂,…,V_T}是T个相互独立的观察值符号组成的序列,其中T表示序列中观察值的个数，也代表序列的长度。在时域范围内V可等价于按照时间先后次序排列的观察值的集合。

⑶A＝{a_ij}_N×N(1≤i,j≤N)表示从t时刻的状态S_i转向t+1时刻的状态S_j的状态转移概率分布矩阵，即：a_ij＝P{q_t+1＝S_j|q_t＝S_i}，且满足：隐马尔科夫模型中利用参数A来描述马尔可夫链中状态的转移。

⑷是t时刻在状态S_i下取得相应观察值V_k的概率所构成的离散型概率分布矩阵，即： $b_{S_i}=\left(V_k\right)=P\left\{V_k\right|q_t=S_i\},$ 且满足： $\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{b}_{S_i}{\left(V_k\right)}_m=1,$ 其中M是矩阵B的列数，也是观察值序列V中所允许的最大观察值。

隐马尔科夫模型中利用参数B来描述一般随机过程中状态与观察值序列间的关系。

⑸π＝(π₁,π₂,…,π_N)表示初始状态概率分布向量，其中π_i＝P{q₁＝S_i}(1≤i≤N)表示初始时刻时马尔可夫链处于状态S_i的概率，满足：

然而目前的研究仅停留在对车辆行驶后形成的整段轨迹进行模式判别的静态轨迹识别阶段，它是从视频监控的角度出发，对车辆行驶出视频帧前的最终行驶状态的判别，不能满足诸如车载给驾驶者提供行驶状态信息和对即将违规的车辆进行实时预警等需求。由此可见，若需要将车辆行为判别的研究应用于车载导航中，考虑轨迹判别的实时性以及需要处理的数据量，是十分必要的。

发明内容

有鉴于此，本发明旨在提供一种数据处理量低、实时性强的车辆行驶状态实时判别的方法，以解决对车辆在行驶过程中的状态识别。

为了实现上述目的，本发明提供一种车辆行驶状态实时判别的方法，其特征在于，包括以下步骤：

建立行驶车辆运行轨迹段的基于隐马尔科夫模型数学定义的行驶车辆观察值序列；

建立车辆各个允许行驶状态的隐马尔科夫模型，组成隐马尔科夫模型库；

将所述行驶车辆观察值序列与所述隐马尔科夫模型库进行匹配、识别，判断行驶车辆的行驶状态；

优选的，所述建立行驶车辆运行轨迹段的基于隐马尔科夫模型数学定义的行驶车辆观察值序列包括如下步骤：

采集车辆原始轨迹点，原始轨迹点数量不少于26个，形成原始轨迹点序列L_initail，L_initial＝{(x₁,y₁),(x₂,y₂),…,(x_l,y_l)}；l为所述原始轨迹点序列L_initail的长度，其值等于所原始述轨迹点的数量；

对所述原始轨迹点序列L_initail中的各点进行平滑滤波处理，形成有效轨迹点序列L_filtering，L_filtering＝{(x′₁,y′₁),(x′₂,y′₂),...,(x′_l,y′_l)}；

对所述有效轨迹点序列L_filtering，进行基于最小二乘法的分段拟合，获得拟合轨迹点序列L_fit，L_fit＝{(x″₁,y″₁),(x″₂,y″₂),...,(x″_l,y″_l)}；

建立特征值序列L^θ＝{θ₁,θ₂,…,θ_l-1}，包括：

计算所述拟合轨迹点序列L_fit中两个相邻两个点(x″_i,y″_i)、(x″_i+1,y″_i+1)所形成的运动方向角度θ_i，i的值依次为[1，l-1]范围的整数；

当y″_i+1-y″_i≥0时，θ_i＝artan[(y″_i+1-y″_i)/(x″_i+1-x″_i)]；

当y″_i+1-y″_i≥0并且x″_i+1-x″_i＝0时θ_i＝π/2；

当y″_i+1-y″_i≤0时，θ_i＝artan[(y″_i+1-y″_i)/(x″_i+1-x″_i)]+2π；

当y″_i+1-y″_i≤0并且x″_i+1-x″_i＝0时；θ_i＝3π/2；

根据所述原始轨迹点序列L_initail、所述特征值序列L^θ建立基于隐马尔科夫模型数学定义的行驶车辆观察值序列V，V＝{V₁,V₂...V_l-1}，包括：

划分方向象限：以所述原始轨迹点序列L_initail的点(x_i,y_i)为中心点，将范围为[0,2π]的方向角平均划分为不少于4个方向象限；

对方向象限进行编码：从0度角开始，按逆时针方向或顺时针方向，依次对各个所述方向象限进行编码，使每一个所述方向象限均对应唯一的区域数值；

根据所述特征值序列L^θ中运动方向角θ_i的值所在的方向象限，获得所述运动方向角θ_i对应的区域数值，得到运动方向角θ_i的基于隐马尔科夫模型数学定义的观察值V_i；

i的值依次为[1，l-1]范围的整数。

进一步优选的，所述采集车辆原始轨迹点包括：

以车辆图像帧的质心坐标，作为所述车辆原始轨迹点坐标，依次连续提取车辆26个连续图像帧的质心坐标，所述原始轨迹点序列L_initail的长度等于所述连续图像帧的数量；

进一步优选的，对所述有效轨迹点序列L_filtering，进行基于最小二乘法的分段拟合，所采用的拟合函数y＝f(x)采用三次多项式函数；

优选的，所述建立车辆各个允许状态的隐马尔科夫模型包括：

对各种允许状态进行样本轨迹段模式类库划分，每一个允许状态对应一个样本轨迹段模式类库；

对所述样本轨迹段模式类库建立观察值库V_q，V_q＝{V¹,V²…V^m}；所述观察值库包含m个观察值序列V^K，m的值等于所述样本轨迹段模式类库的样本轨迹段数量，K依次为[1，m]范围内的整数；q为[1，M]范围内的整数，M为样本轨迹段模式类库的数量；

对所述观察值库V_q＝{V¹,V²…V^m}进行轨迹模式训练，建立隐马尔科夫模型λ_q；

进一步优选的，对所述观察值库V_q＝{V¹,V²…V^m}进行轨迹模式训练，建立隐马尔科夫模型λ_q，包括：

采用随机赋值方法初始化隐马尔科夫模型λ_initail的模型参数；

根据观察值序列和隐马尔科夫模型λ_initail的模型参数，计算观察值序列V^K中观察值V_t ^K对应的隐马尔科夫前变量后向变量β_t ^K(S_i)中间变量γ_t ^K(S_i)和δ_t ^K(S_i,S_j)，累加中间变量γ_t ^K(S_i)和δ_t ^K(S_i,S_j)；t值依次为[1，T]范围内的整数，T为观察值序列V^K的长度,K的值依次为[1，m]范围内的整数；

利用隐马尔科夫重估式对隐马尔科夫模型λ_initail的模型参数进行重新估计，得到新隐马尔科夫模型λ_new；

采用baum-welch算法前向概率进行模型评价，比较前后两次迭代计算得到前向概率P_n-1(V|λ)和P_n(V|λ_new)；

判断P_n-1(V|λ)与P_n(V|λ_new)的差是否小于先验自定义阈值thresdhold,其中thresdhold的取值范围为[0，0.001]，如果是，则隐马尔科夫模型λ_new收敛，隐马尔科夫模型λ_new即为得到所述观察值库V_q＝{V¹,V²…V^m}对应的隐马尔科夫模型λ_q。

优选的，将所述行驶车辆观察值序列与隐马尔科夫模型库进行匹配、识别，判断行驶车辆的行驶状态包括：

依次计算所述行驶车辆观察值序列V＝{V₁,V₂,…,V_T}对于隐马尔科夫模型库{λ₁,λ₂…λ_M}的前向概率P(V|λ_i)，得到最大前向概率，其中，i依次为[1，M]范围内的整数，T取值为25，M为所述样本轨迹段模式类库的数量；

根据最大前向概率，得到所述行驶车辆观察值序列对应的隐马尔可夫模型，从而获得行驶车辆的行驶状态。

本发明的有益效果在于，本发明提供的关于车辆运行轨迹段的采集、平滑滤波处理均能够降低轨迹段数据量的操作，本发明采用隐马尔科夫模型轨迹分段判别技术能够保证车辆行驶状态判别的实时性和准确性，该方法可用于车载导航软件，能够为驾驶者实时报告行驶状态。

附图说明

图1是本发明实施例的流程图；

图2是本发明实施列建立行驶车辆运行轨段的基于隐马尔科夫模型数学定义的行驶车辆观察值序列的流程图；

图3是建立车辆各个允许状态的隐马尔科夫模型的流程图；

图4是行驶车辆观察值序列与所述隐马尔科夫模型库进行匹配、识别的流程图；

图5是[0～π/2]范围内四个方向象限划分示意图；

图6是[0～π/2]范围内八个方向象限划分示意图。

具体实施方式

为了使本领域技术人员更好地理解及实现本发明，下面结合附图和具体实施例对本发明的具体实施方式做详细的说明，本发明的保护范围并不局限于具体实施例所述的范围。

如图1所示本发明实施例包括以下步骤

步骤1建立行驶车辆运行轨迹段的基于隐马尔科夫模型数学定义的行驶车辆观察值序列；

步骤2建立车辆各个允许行驶状态的隐马尔科夫模型，组成隐马尔科夫模型库；

步骤3将所述行驶车辆观察值序列与所述隐马尔科夫模型库进行匹配、识别，获得行驶车辆的行驶状态；

如图2所示，所述建立行驶车辆运行轨段的基于隐马尔科夫模型数学定义的行驶车辆观察值序列包括以下步骤：

步骤11采集车辆原始轨迹点，轨迹点数量不少于26个，形成原始轨迹点序列L_initail，L_initial＝{(x₁,y₁),(x₂,y₂),…,(x_l,y_l)}；l为所述原始轨迹点序列L_initail的长度，其值等于所述原始轨迹点的数量；

以车辆图像帧的质心坐标，作为所述车辆原始轨迹点坐标，依次连续提取车辆26个连续图像帧的质心坐标，所述原始轨迹点序列L_initail的长度l等于所述连续图像帧的数量；

本发明实施例采用车载照像机获得行驶车辆图像，根据文献《卡尔曼粒子滤波的视频车辆跟踪算法研究》(作者王相海,方玲玲,丛志环,中国图像图形学报,2010,15(11):1616-1622)记载的方法可以得到行驶车辆图像帧的质心坐标，每幅图像帧提取一个质心坐标，连续提取26幅图像帧的质心坐标，即形成了含有26个点的原始轨迹点序列L_initail，原始轨迹点序列L_initail的长度l为26。

需要说明的是，提取行驶车辆图像帧数量与对车辆的判别频率需求有关，但应大于或等于26，否则无法得到车辆的大致运行趋势将影响实时判别的准确性，如果提取行驶车辆图像帧的数量无法达到26，则表明车辆的跟踪不完整或者行驶车辆己经驶出视频区域，应结束对该行驶车辆的判别。

步骤12 对所述原始轨迹点序列L_initail中的各点进行平滑滤波处理，形成有效轨迹点序列L_filtering，L_filtering＝{(x′₁,y′₁),(x′₂,y′₂),...,(x′_l,y′_l)}；

平滑滤波的公式为：

$\left\{\begin{array}{c}{x}_i^{\′}=\underset{j=i-\mathrm{adj}}{\overset{i+\mathrm{adj}}{\mathrm{\Σ}}}{x}_j/(2\×\mathrm{adj}+1)\\ y_i^{\′}=\underset{j=i-\mathrm{adj}}{\overset{i+\mathrm{adj}}{\mathrm{\Σ}}}{y}_j/(2\×\mathrm{adj}+1)\end{array}\right.,\mathrm{adj}\≤i\≤l-\mathrm{adj}$ 其中，(x′_i,y′_i)为行驶车辆的有效轨迹点；(x_j,y_j)为原始采样得到的原始轨迹点；adj为滤波邻域，用户可根据实际需要选择合适的滤波邻域尺寸；有较轨迹点序列L_filtering的长度与轨迹点序列L_initail的长度一致。

步骤13对所述有效轨迹点序列L_filtering，进行基于最小二乘法的分段拟合，获得拟合轨迹点序列L_fit，L_fit＝{(x″₁,y″₁),(x″₂,y″₂),...,(x″_l,y″_l)}，拟合函数y＝f(x)采用三次多项式函数；

步骤14建立特征值序列L^θ＝{θ₁,θ₂,…,θ_l-1}，包括以下步骤：

计算所述拟合轨迹点序列L_fit中两个相邻两个点(x″_i,y″_i)、(x″_i+1,y″_i+1)的运动方向角度θ_i，

当y″_i+1-y″_i≥0时，θ_i＝artan[(y″_i+1-y″_i)/(x″_i+1-x″_i)]；

当y″_i+1-y″_i≥0并且x″_i+1-x″_i＝0时θ_i＝π/2；

当y″_i+1-y″_i≤0时，θ_i＝artan[(y″_i+1-y″_i)/(x″_i+1-x″_i)]+2π；

当y″_i+1-y″_i≤0并且x″_i+1-x″_i＝0时；θ_i＝3π/2；

i的值依次为[1，l-1]范围的整数，通过改变i值，可以获得拟合轨迹点序列L_fit中全部任意两个相邻点的运动方向角度,进而得到特征值序列L^θ＝{θ₁,θ₂,…,θ_l-1},特征值序列L^θ的长度为l-1。

步骤15根据所述原始轨迹点序列L_initail、所述特征值序列L^θ建立行驶车辆观察值序列V，V＝{V₁,V₂...V_l-1}，具体包括以下步骤：

步骤151划分方向象限：以所述原始轨迹点序列L_initail的点(x_i,y_i)为中心点，将范围为[0,2π]的方向角平均划分为4个方向象限；

如图5所示，以图像帧左下角为原点，以行驶车辆的原始轨迹点(x_i,y_i)为中心点从水平位置开始，按逆时针方向每隔π/2确定一个方向，这样可以将方向角的范围[0,2π]在屏幕坐标系中划分为D₁、D₂、D₃和D₄四个区域，如果将这四个方向区域分别对应于直角坐标系中的四个象限，则D₁、D₂、D₃和D₄可看成是四个方向象限，若行驶车辆轨迹的方向角落入到某一方向象限区域，则可以认为该行驶车辆是沿着该方向象限区域行驶。

为了对行驶车辆轨迹行为识别更加精准，可以根据需要，在[0,2π]范围内进行对方向象限进行更细分，方向象限分得越细，识别的精度会越高，如图6所示，可以以行驶车辆的原始轨迹点(x_i,y_i)为中心点，从水平位置开始，按逆时针方向在[0,2π]范围内，将整个屏幕坐标系平均划分为八个方向，依次为D_1,1、、D_1,2、D_2,1、D_2,2、D_3,1、D_3,2、D_4,1、D_4,2；

步骤152对方向象限进行编码：从0度角开始，按逆时针方向或顺时针方向，依次对各个所述方向象限进行编码，使每一个所述方向象限均对应唯一的区域数值；

如图5所示，[0～π/2)为D₁方向象限，对应的区域数值为1；[π/2～π)为D₂方向象限，对应的区域数值为2；[π～3π/2)为D₃方向象限，对应的区域数值为3；[3π/2～2π]为D₄方向象限，对应的区域数值为4；

如图6所示，[0～π/4)为D_1,1方向象限，对应的区域数值为1；[π/4～π/2)为D_1,2方向象限，对应的区域数值为2；[π/2～3π/4)为D_2,1方向象限，对应的区域数值为3；[3π/4～π)为D_2,2方向象限，对应的区域数值为4；[π～5π/4)为D_3,1方向象限，对应的区域数值为5；[5π/4，3π/2)为D_3,2方向象限，对应的区域数值为6；[3π/2，7π/4)为D_4,1方向象限，对应的区域数值为7；(7π/4，2π]为D_4,2方向象限，对应的区域数值为8。

步骤153根据所述特征值序列L^θ中运动方向角θ_i的值所在的方向象限，获得所述运动方向角θ_i对应的区域数值，得到运动方向角θ_i的基于隐马尔科夫模型数学定义的观察值V_i；

例如，运动方向角θ_i为π/4，则按照图5划分的方向象限，运动方向角θ_i落入D₁方向象限，其所对应的区域数值为1，运动方向角θ_i的基于隐马尔科夫模型数学定义的观察值V_i为1。

i的值依次为[1，l-1]范围的整数，通过改变i值，可以获得特征值序列L^θ中各个运动方向角的隐马尔科夫模型数学定义的观察值，从而获得行驶车辆观察值序列V＝{V₁,V₂...V_l-1}，行驶车辆观察值序列V的长度为l-1。

在交通规则的约束下每个路段所允许的车辆行驶状态模式的数量是确定的，本发明实施例针对行驶车辆所在路段中，交通规则所允许的车辆行驶状态进行进行样本轨迹段模式类库划分，为每一个样本轨迹段模式类库训练相应的隐马尔科夫模型，根据视频场景中车辆行驶轨迹间的独立特性，采用多观察值序列下的Baum-welch算法进行轨迹模式训练，训练结束后将得到对应该路段的直行状态，左转状态，右转状态等所有样本轨迹段模式类库的隐马尔科夫模型，从而建立行驶车辆所在路段的隐马尔科夫模型库。

如图3所示，所述建立车辆各个允许状态的隐马尔科夫模型包括以下步骤：

步骤21对各个允许状态建立样本轨迹段模式类库，每一个允许状态对应一个样本轨迹段模式类库；

如在某一路段允许车辆有直行、左转、右转三种状态，其中直行状态有10种样本轨迹，左转状态有20个样本边迹，右转状态有30种样本轨迹，则分别建立三个直行、左转、右转三个样本轨迹段模式类库存，其中直行样本轨迹段模式类库包含10个样本轨迹；左转样本轨迹段模式类库包含20个样本轨迹；右转本轨迹段模式类库包含30个样本轨迹。

样本轨迹的定义是采集处于各种允许状态的若干车辆经过若干帧所形成的有效轨迹点序列作为训练样本，按照本发明实施例的步骤11和12能够采集获得样本轨迹；

步骤22对所述样本轨迹段模式类库建立观察值库V_q，V_q＝{V¹,V²…V^m}；所述观察值库包含m个观察值序列V^K，m的值等于所述样本轨迹段模式类库的样本轨迹段数量，K依次为[1，m]范围内的整数；q为[1，M]范围内的整数，M为样本轨迹段模式类库的数量；

按照本发明实施例中步骤12至步骤15，分别为所述样本轨迹段模式类库中的各个样本轨迹建立观察值序列V^K，从而建立该样本轨迹段模式类库对应的观察值库V_q＝{V¹,V²…V^m}，所述样本轨迹段模式类库的每一个样本轨迹对应一个观察值序列V^K，组成观察库V_q的观察值序列V^K的数量m等于所述样本轨迹段模式类库中的样本轨迹段的数量。

如左转状态对应的样本轨迹段模式类库包括20个样本轨迹，则按照步骤12至步骤15分别对左转状态的20个样本轨迹，建立20个观察值序列，这20个观察值序列则构成了左转状态对应的样本轨迹段模式类库的观察值库，以此类推分别对其他允许状态的样本轨迹段模式类库建立对应的观察值库，观察值库的数量与样本轨迹段模式类库中的样本轨迹段数量一致。

步骤23对所述观察值库V_q＝{V¹,V²…V^m}进行轨迹模式训练，建立隐马尔科夫模型λ_q，包括如下步骤：

步骤231采用随机赋值方法初始化隐马尔科夫模型λ_initail的模型参数；

步骤232根据隐马尔科夫模型λ_initail的模型参数，分别计算观察值库V_q的各个观察值序列中的观察值V_t ^K对应的隐马尔科夫前变量后向变量β_t ^K(S_i)计算并累加中间变量γ_t ^K(S_i)和δ_t ^K(S_i，S_j)，t值依次为[1，T]范围内的整数，T为观察值序列V^K的长度，K的值依次为[1，m]范围内的整数；

步骤233利用隐马尔科夫重估式对隐马尔科夫模型λ_initail的模型参数进行重新估计，得到新隐马尔科夫模型λ_new；

步骤234利用baum-welch算法前向概率进行模型评价，比较前后两次迭代计算得到前向概率P_n-1(V|λ)和P_n(V|λ_new)，其中n为大于1的整数，表示采用baum-welch算法的两次不同的迭代；

步骤235判断P_n-1(V|λ)与P_n(V|λ_new)的差是否小于先验自定义阈值thresdhold，如果是，则隐马尔科夫模型λ_new收敛，隐马尔科夫模型λ_new即为得到所述观察值库Vq＝{V1,V2…Vm}对应的隐马尔科夫模型λ_q,其中thresdhold的取值范围为[0-0.001]，通常为0.001。

按照步骤231至步骤235分别对各个允许状态的样本轨迹段模式类库对应的观察值库进行轨迹模式训练，即可建立各个允许状态的样本轨迹段模式类库对应的隐马尔科夫模型，从而组成隐马尔科夫模型库，隐马尔科夫模型库由M个隐马尔科夫模型{λ₁,λ₂…λ_M}组成，与各个允许状态的样本轨迹段模式类库一一对应，M为允许状态的样本轨迹段模式类库的数量。

如图4所示，将所述行驶车辆所形成的观察值序列与所述隐马尔科夫模型库进行匹配、识别，获得行驶车辆的行驶状态包括如下步骤；

步骤31依次计算所述行驶车辆观察值序列V＝{V₁,V₂,…,V_T}对于隐马尔科夫模型库的前向概率P(V|λ_i)，得到最大前向概率，其中，i依次为[1，M]范围内的整数；

步骤32根据所述最大前向概率，得到所述行驶车辆观察值序列对应的隐马尔可夫模型，从而获得行驶车辆的行驶状态。

最大前向概率所对应的隐马尔科夫模型，即为所述行驶车辆观察值序列所匹配的隐马尔科夫模型，据此，即可得到该车辆的行驶轨迹段所对应的隐马尔科夫模型，从而获得车辆的行驶状态。例如最大前向概率P(V|λ_i)，中的i为5，则所述行驶车辆观察值序列V＝{V₁,V₂,…,V_T}对应的隐马尔科夫模型即为λ₅,根据隐马尔科夫模型λ₅对应的样本轨迹段模式类库，即可获得车辆的行驶状态。

Claims (4)

1.一种车辆行驶状态实时判别的方法，其特征在于，包括：

建立行驶车辆运行轨迹段的基于隐马尔科夫模型数学定义的行驶车辆观察值序列；

建立车辆各个允许行驶状态的隐马尔科夫模型，组成隐马尔科夫模型库；

将所述行驶车辆观察值序列与所述隐马尔科夫模型库进行匹配、识别，判断行驶车辆的行驶状态；

所述建立行驶车辆运行轨迹段的基于隐马尔科夫模型数学定义的行驶车辆观察值序列包括：

采集车辆原始轨迹点，原始轨迹点数量不少于26个，形成原始轨迹点序列L_initail，L_initial＝{(x₁,y₁),(x₂,y₂),…,(x_l,y_l)}；l为所述原始轨迹点序列L_initail的长度，其值等于所述原始轨迹点的数量；

对所述原始轨迹点序列L_initail中的各点进行平滑滤波处理，形成有效轨迹点序列L_filtering，L_filtering＝{(x'₁,y'₁),(x'₂,y'₂),...,(x′_l,y′_l)}；

对所述有效轨迹点序列L_filtering，进行基于最小二乘法的分段拟合，获得拟合轨迹点序列L_fit，L_fit＝{(x″₁,y″₁),(x″₂,y″₂),...,(x″_l,y″_l)}；

建立特征值序列L^θ＝{θ₁,θ₂,…,θ_l-1}，包括：

计算所述拟合轨迹点序列L_fit中两个相邻两个点(x″_i,y″_i)、(x″_i+1,y″_i+1)的运动方向角度θ_i，i的值依次为[1，l-1]范围的整数；

当y″_i+1-y″_i≥0时，θ_i＝artan[(y″_i+1-y″_i)/(x″_i+1-x″_i)]；

当y″_i+1-y″_i≥0并且x″_i+1-x″_i＝0时θ_i＝π/2；

当y″_i+1-y″_i≤0时，θ_i＝artan[(y″_i+1-y″_i)/(x″_i+1-x″_i)]+2π；

当y″_i+1-y″_i≤0并且x″_i+1-x″_i＝0时；θ_i＝3π/2；

根据所述原始轨迹点序列L_initail、所述特征值序列L^θ建立基于隐马尔科夫模型数学定义的行驶车辆观察值序列V，V＝{V₁,V₂...V_l-1}，包括：

划分方向象限：以所述原始轨迹点序列L_initail的点(x_i,y_i)为中心点，将范围为[0,2π]的方向角平均划分为不少于4个方向象限；

对方向象限进行编码：从0度角开始，按逆时针方向或顺时针方向，依次对各个所述方向象限进行编码，使每一个所述方向象限均对应唯一的区域数值；

根据所述特征值序列L^θ中运动方向角θ_i的值所在的方向象限，获得所述运动方向角θ_i对应的区域数值，得到运动方向角θ_i的基于隐马尔科夫模型数学定义的观察值V_i；i的值依次为[1，l-1]范围的整数；

所述建立车辆各个允许状态的隐马尔科夫模型包括：

对各个允许状态建立样本轨迹段模式类库，每一个允许状态对应一个样本轨迹段模式类库；

对所述样本轨迹段模式类库建立观察值库V_q，V_q＝{V¹,V²…V^m}；所述观察值库包含m个观察值序列V^K，m的值等于所述样本轨迹段模式类库的样本轨迹段数量，K依次为[1，m]范围内的整数；q为[1，M]范围内的整数，M为样本轨迹段模式类库的数量；

对所述观察值库V_q＝{V¹,V²…V^m}进行轨迹模式训练，建立隐马尔科夫模型λ_q；

所述行驶车辆观察值序列与隐马尔科夫模型库进行匹配、识别，判断行驶车辆的行驶状态包括：

依次计算所述行驶车辆观察值序列V＝{V₁,V₂,…,V_T}对于隐马尔科夫模型库的前向概率P(V|λ_i)，得到最大前向概率，其中，i依次为[1，M]范围内的整数，T取值为25，M为样本轨迹段模式类库的数量；

根据所述最大前向概率，得到所述行驶车辆观察值序列对应的隐马尔科夫模型，从而获得行驶车辆的行驶状态。

2.根据权利要求1所述一种车辆行驶状态实时判别的方法，其特征在于，所述采集车辆原始轨迹点包括：

以车辆图像帧的质心坐标，作为所述车辆原始轨迹点坐标，依次连续提取车辆26个连续图像帧的质心坐标，所述原始轨迹点序列L_initail的长度等于所述连续图像帧的数量。

3.根据权利要求1所述一种车辆行驶状态实时判别的方法，其特征在于，对所述有效轨迹点序列L_filtering，进行基于最小二乘法的分段拟合，所采用的拟合函数y＝f(x)采用三次多项式函数。

4.根据权利要求1所述一种车辆行驶状态实时判别的方法，其特征在于，对所述观察值库V_q＝{V¹,V²…V^m}进行轨迹模式训练，建立隐马尔科夫模型λ_q，包括：

采用随机赋值方法初始化隐马尔科夫模型λ_initail的模型参数；

根据隐马尔科夫模型λ_initail的模型参数，分别计算观察值库V_q的各个观察值序列中的观察值V_t ^K对应的隐马尔科夫前变量后向变量计算并累加中间变量γ_t ^K(S_i)和t值依次为[1，T]范围内的整数，T为观察值序列V^K的长度，K的值依次为[1，m]范围内的整数；

利用隐马尔科夫重估式对隐马尔科夫模型λ_initail的模型参数进行重新估计，得到新隐马尔科夫模型λ_new；

采用baum-welch算法前向概率进行模型评价，比较前后两次迭代计算得到前向概率P_n-1(V|λ)和P_n(V|λ_new)；

判断P_n-1(V|λ)与P_n(V|λ_new)的差是否小于先验自定义阈值thresdhold,其中thresdhold的取值范围为[0，0.001]，如果是，则隐马尔科夫模型λ_new收敛，隐马尔科夫模型λ_new即为得到所述观察值库V_q＝{V¹,V²…V^m}对应的隐马尔科夫模型λ_q。