CN107273805A - 一种基于视觉特性的gm‑hmm预测驾驶行为方法 - Google Patents
一种基于视觉特性的gm‑hmm预测驾驶行为方法 Download PDFInfo
- Publication number
- CN107273805A CN107273805A CN201710351618.6A CN201710351618A CN107273805A CN 107273805 A CN107273805 A CN 107273805A CN 201710351618 A CN201710351618 A CN 201710351618A CN 107273805 A CN107273805 A CN 107273805A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- driver
- driving behavior
- visual
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000000007 visual effect Effects 0.000 claims abstract description 139
- 230000002159 abnormal effect Effects 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 230000006399 behavior Effects 0.000 claims description 137
- 238000012512 characterization method Methods 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 33
- 238000012546 transfer Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004424 eye movement Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000001711 saccadic effect Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004434 saccadic eye movement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
Abstract
本发明提供了一种基于视觉特性的GM‑HMM预测驾驶行为方法,选择6自由度驾驶模拟器和眼动仪系统开展仿真实验,采用模糊K‑means动态聚类算法对驾驶人兴趣视野区域的分布进行划分,然后再采用改进贝塞尔公式的Pauta准则剔除所划分的各驾驶人兴趣视野区域间无明确界限的异常视线点。然后从驾驶人的视觉表征参数切入,采用数理统计中的箱型图分析方法,通过SPSS软件中的NEMENYI秩和检验验证参数的差异性,再通过R型指标聚类确定驾驶人的视觉表征参数序列。最后建立GM‑HMM驾驶行为预测模型,并分析GM‑HMM驾驶行为预测模型的可信度。
Description
技术领域
本发明涉及驾驶人辅助安全和汽车主动安全技术领域,特别是涉及一种基于视觉特性的GM-HMM预测驾驶行为方法。
背景技术
调查数据表明,变换车道导致的交通事故量占警方提供总事故数的4.0%左右,且约75%的此类事故与驾驶人直接相关。驾驶人作为人-车-路系统中唯一具有主观能动意识的客体对交通系统的安全起决定性作用。德国Daimler-Benz公司的研究报告表明,如果能在事故发生前0.5s对驾驶人进行警告可避免60%的追尾事故,如果时间再增加1s,则90%的追尾事故可以避免。因此,可认为预防驾驶人因素导致的交通事故发生的关键在于提前对其换道行为做出预测。
目前针对驾驶人换到行为的研究多是基于车载CAN获得的车辆行驶数据建立驾驶行为的识别预测模型,对作为执行者的驾驶人数据考虑较少。部分学者将驾驶人视野区域划分与其视觉搜索模式结合,确定了驾驶人眼动行为在时序上对应且领先其操作行为,从侧面说明了基于眼动特性预测驾驶人操作行为的可行性。此类研究只是通过采用一般的聚类方法确定驾驶人视线点的兴趣区域,忽略了对异常视线点的剔除,以至于实际对各区域划分不准确。在选择驾驶人视觉参数开展驾驶人视觉搜索规律研究时,忽略了各参数间的相似性,冗余的参数选择使驾驶行为研究模型的建立复杂化,对模型的计算速度和准确性产生影响。
发明内容
针对现有技术中存在不足,本发明提供了一种基于视觉特性的GM-HMM预测驾驶行为方法,通过以下技术手段实现上述技术目的。
一种基于视觉特性的GM-HMM预测驾驶行为方法,其特征在于,包括如下步骤:
步骤1:对驾驶人的驾驶行为进行分类,分为跟驰、左换道、右换道和超车,并分别标记为CF,LCL,LCR和OT;
步骤2:对驾驶人兴趣视野区域的分布进行划分;
步骤3:确定驾驶人的视觉表征参数;
步骤4:建立GM-HMM驾驶行为预测模型,并分析GM-HMM驾驶行为预测模型的可信度。
所述步骤2,采用模糊K-means动态聚类算法对驾驶人兴趣视野区域的分布进行划分,然后再采用改进贝塞尔公式的Pauta准则剔除所划分的各驾驶人兴趣视野区域间无明确界限的异常视线点。
所述模糊K-means动态聚类算法对驾驶人兴趣视野区域的分布进行划分的具体步骤如下:
步骤2-1:确定驾驶人兴趣视野区域数为K个,第i个驾驶人兴趣视野区域标记为ωi,其中1<K≤N,1≤i≤K,N为驾驶人视线点总个数;
步骤2-2:确定驾驶人视线点Xj从属于各驾驶人兴趣视野区域的隶属度πij;建立初始隶属度矩阵Π=[πij],其中i为驾驶人兴趣视野区域的区域编号,j为驾驶人视线点的编号;πij表示第j个驾驶人视线点Xj对第i个驾驶人兴趣视野区域的隶属度,1≤j≤N;隶属度矩阵Π第j列表示第j个驾驶人视线点分别对各驾驶人兴趣视野区域的隶属度,隶属度矩阵Π的每列元素之和为1;
步骤2-3:求各驾驶人兴趣视野区域的聚类中心Οi(Λ),其中Λ为迭代次数;
其中,i=1,2,...,K,m为控制聚类结果模糊程度参数,m≥2;
步骤2-4:计算新隶属度矩阵Π(Λ+1),矩阵元素计算如下,
其中,i=1,2,...,K;j=1,2,…,N,m≥2;dij是完成第Λ次迭代时,第j个驾驶人视线点到第i个驾驶人兴趣视野区域聚类中心Οi(Λ)的距离;为避免分母为零,特别的,若dij=0,则若p=i时,πij(Λ+1)=1,若p≠i时,πij(Λ+1)=0;
步骤2-5:回到步骤2-3求聚类中心,重复至收敛,收敛条件为:
其中ε为收敛参数;当算法满足收敛条件时,得到驾驶人兴趣视野区域的聚类中心Οi(Λ)以及表示每个驾驶人视线点对各驾驶人兴趣视野区域隶属程度的隶属度矩阵Π=[πij],模糊K-means动态聚类算法到此结束;模糊K-means动态聚类算法中的聚类准则J为:
步骤2-6:根据新隶属度矩阵Π(Λ+1)聚类驾驶人视线点,按照隶属原则进行驾驶人兴趣视野区域划分,即若则Xj∈ωi,否则其中,
i=1,2,...,K;j=1,2,,N。
所述采用改进贝塞尔公式的Pauta准则剔除所划分的各驾驶人兴趣视野区域间无明确界限的异常视线点的具体方法如下:
步骤2.1:将驾驶员视线点在空间中的位置投影到与车辆行驶方向垂直的平面上,建立平面直角坐标系,得到驾驶员视线点Xj的平面坐标(xi,yi),根据公式求得剔除标准S和S',其中
步骤2.2:确定Pauta剔除准则:当(xi,yi)不满足时,剔除(xi,yi)。
所述步骤3中的驾驶人的视觉表征参数,采用数理统计中的箱型图分析方法,通过SPSS软件中的NEMENYI秩和检验验证参数的差异性,再通过R型指标聚类确定驾驶人的视觉表征参数序列
所述R型指标聚类确定驾驶人的视觉表征参数序列的实现步骤如下:
步骤3-1:求解驾驶人的视觉表征参数两两间的相关系数rab,rab表示第a个驾驶人的视觉表征参数vw(a)和第b个驾驶人的视觉表征参数vw(b)的相关系数,其中va,vb∈ν;
记驾驶人的视觉表征参数νw的取值(v1w,v2w,...vvw)T∈Rn(w=1,2,...,u);则两驾驶人的视觉表征参数vw(a)和vw(b)的样本相关系数可作为它们的相似性度量,即其中分别表示第a个和第b个驾驶人的视觉表征参数的样本平均值;
步骤3-2:按最长距离法完成驾驶人的视觉表征参数聚类;
定义两个驾驶人的视觉表征参数的距离R为:R=max{dab},式中,
所述步骤4中GM-HMM驾驶行为预测模型的建立与可信度分析具体步骤如下:
步骤4-1:用向量Φ描述HMM模型,Φ=[H,B,C];
H为时刻t=1时,各驾驶行为初始概率{H(Di);i=1,2,...,m}的矢量形式,其中m为驾驶行为种类个数;
B=[bij]=[H(Dj(t+1)|Di(t))]
其中,T表示采样时间窗口长度,bij表示从一种驾驶行为Di转移到另一种驾驶行为Dj的矩阵;
C=[H(νk(t))|Dj(t)]=[cjk],其中t=1,2,…,T;j,k=1,2,…,m,cjk表示驾驶行为为Dj观察到驾驶人视觉特征νk的概率;
步骤4-2:根据已知驾驶人视觉特征序列,通过前向-后向算法确定HMM模型参数[H,B,C];
(t-1)时刻驾驶行为Di,t时刻驾驶行为Dj且驾驶人的视觉表征参数序列为νp=(vp1,vp2,…vpv)∈Rn(p=1,2,...,u)的概率为:
H(Di(t-1)→Dj(t),νp|Φ)=αi(t-1)bijcjkβj(t)
式中,αi(t-1)为从(t-1)时刻驾驶行为Di观察到之前时刻所有驾驶行为概率和;βj(t)为从t时刻驾驶行为Dj观测到之后时刻所有驾驶行为概率和;bijcjk表示由驾驶行为Di(t-1)转移到Dj(t)并产生驾驶人的视觉表征参数序列νp的概率;
在产生驾驶人的视觉表征参数序列νp条件下,从驾驶行为Di(t-1)转移到行为Dj(t)的概率ξij为:
式中,H(νp|Φ)为所有可能的驾驶行为序列产生驾驶人的视觉表征参数序列νp的总概率;最后得到[H,B,C]的重估计公式:
式中,H(Dj(1))表示在t=1时刻观察到驾驶行为Dj时的完整驾驶人视觉表征参数序列的概率,l表示长为T的驾驶行为序列的标记;
步骤4-3:引入高斯混合过程,构建GM-HMM驾驶行为预测模型Φ'=[H,B,G];
其中,G=[gjk];
其中,ωjk为混合系数,表示不同高斯之间的比重;M为高斯个数,τ为ν的维数,∑jk为协方差矩阵,μjk为GM-HMM驾驶行为预测模型期望;
采用GM-HMM驾驶行为预测模型参数之间的函数关系反复迭代运算,直至参数bij,gjk收敛为止最终获得驾驶行为转移矩阵B=[bij],驾驶行为产生矩阵G=[gjk];
步骤4-4:已知Φ'=[H,B,G],计算视觉表征参数序列ν出现的似然估计值H(ν|Φ);前向计算αj(t)、后向计算βi(t)的迭代过程如下:
对于1≤t≤T,任意驾驶人视觉表征ν的GM-HMM驾驶行为预测模型预测驾驶行为Di':
基于训练得到的4种换道模型参数Φ'=[H,B,G],计算同一驾驶人的视觉表征参数序列ν所对应的不同驾驶行为GM-HMM驾驶行为预测模型条件下似然估计值的H(ν|Φ'i),并比较它们的大小,将待识别行为分到H(ν|Φ'i)取最大值的类中,完成GM-HMM驾驶行为预测模型的驾驶行为分类。
所述步骤4中驾驶行为预测模型可信度分析的方法为:通过模型预测准确率Acc进行分
析;设某种驾驶行为样本总量为M,基于GM-HMM驾驶行为预测模型准确预测的样本量Q;
则
本发明的有益效果在于:
1、一般K均值算法中,某一类的聚类中心仅由该类样本决定,不涉及其他类。本发明提出了基于模糊K-means动态聚类算法对驾驶人视线点聚类的方法,各驾驶人兴趣视野区域的聚类中心的计算必须用到全部的N个样本,较前者聚类更加精确。然后采用改进贝塞尔公式的Pauta准则更加快速剔除异常视线点,确定驾驶人焦点区域,完成驾驶人兴趣视野区域划分。
2、提出采用R型指标聚类法按照所选视觉特征参数的相似关系把它们聚合成若干类,综合考虑视觉表征参数的差异显著性、易提取、易量化及通用性,构建能综合表征不同驾驶行为的驾驶人视觉特性参数序列。
附图说明
图1为本发明所述的一种基于视觉特性的GM-HMM预测驾驶行为方法的流程图。
图2为本发明所述的驾驶人视线点模糊5-means动态聚类初始结果示意图。
图3为本发明所述的基于改进贝塞尔公式的Pauta准则驾驶人视线点优化结果示意图。
图4为本发明所述的驾驶人兴趣视野区域划分结果示意图。
图5为本发明所述的R型指标聚类驾驶人的视觉表征参数结果示意图。
图6为本发明所述的GM-HMM预测驾驶行为可信度分析结果示意图。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明,但本发明的保护范围并不限于此。
如图1所示,一种基于视觉特性的GM-HMM预测驾驶行为方法,其特征在于,包括如下步骤:
步骤1:对驾驶人的驾驶行为进行分类,分为跟驰、左换道、右换道和超车,并分别标记为CF,LCL,LCR和OT;
步骤2:对驾驶人兴趣视野区域的分布进行划分;
步骤3:确定驾驶人的视觉表征参数;
步骤4:建立GM-HMM驾驶行为预测模型,并分析GM-HMM驾驶行为预测模型的可信度。
所述步骤2,首先选择smart-eye pro眼动仪系统作为主要实验设备,6自由度的驾驶模拟器作为实验平台,采集高速公路上完整行车过程中4类驾驶行为驾驶人视线点所处区域的坐标值,再采用模糊5-means动态聚类算法对驾驶人兴趣视野区域的分布进行划分,然后再采用改进贝塞尔公式的Pauta准则剔除所划分的各驾驶人兴趣视野区域间无明确界限的异常视线点,明确驾驶人视野焦点区域,完成驾驶人兴趣视野区域的划分。
如图2所示,所述模糊5-means动态聚类算法对驾驶人兴趣视野区域的分布进行划分的具体步骤如下:
步骤2-1:确定驾驶人兴趣视野区域数为K个,第i个驾驶人兴趣视野区域标记为ωi,其中1<K≤N,1≤i≤K,N为驾驶人视线点总个数,取K=5;
步骤2-2:确定驾驶人视线点Xj从属于各驾驶人兴趣视野区域的隶属度πij;建立初始隶属度矩阵Π=[πij],其中i为驾驶人兴趣视野区域的区域编号,j为驾驶人视线点的编号;πij表示第j个驾驶人视线点Xj对第i个驾驶人兴趣视野区域的隶属度,1≤j≤N;隶属度矩阵Π第j列表示第j个驾驶人视线点分别对各驾驶人兴趣视野区域的隶属度,隶属度矩阵Π的每列元素之和为1;
步骤2-3:求各驾驶人兴趣视野区域的聚类中心Οi(Λ),其中Λ为迭代次数;
其中,i=1,2,...,5,m为控制聚类结果模糊程度参数,m≥2;
步骤2-4:计算新隶属度矩阵Π(Λ+1),矩阵元素计算如下,
其中,i=1,2,...,5;j=1,2,…,N,m≥2;dij是完成第Λ次迭代时,第j个驾驶人视线点到第i个驾驶人兴趣视野区域聚类中心Οi(Λ)的距离;为避免分母为零,特别的,若dij=0,则若p=i时,πij(Λ+1)=1,若p≠i时,πij(Λ+1)=0;
步骤2-5:回到步骤2-3求聚类中心,重复至收敛,收敛条件为:
其中ε为收敛参数;当算法满足收敛条件时,得到驾驶人兴趣视野区域的聚类中心Οi(Λ)以及表示每个驾驶人视线点对各驾驶人兴趣视野区域隶属程度的隶属度矩阵Π=[πij],模糊5-means动态聚类算法到此结束;模糊5-means动态聚类算法中的聚类准则J为:
步骤2-6:根据新隶属度矩阵Π(Λ+1)聚类驾驶人视线点,按照隶属原则进行驾驶人兴趣视野区域划分,即若则Xj∈ωi,否则其中,
i=1,2,…,5;j=1,2,…,N。
所述采用改进贝塞尔公式的Pauta准则剔除所划分的各驾驶人兴趣视野区域间无明确界限的异常视线点的具体方法如下:
步骤2.1:将驾驶员视线点在空间中的位置投影到与车辆行驶方向垂直的平面上,建立平面直角坐标系,得到驾驶员视线点Xj的平面坐标(xi,yi),根据公式求得剔除标准S和S',其中
步骤2.2:确定Pauta剔除准则:当(xi,yi)不满足时,剔除(xi,yi),提除后的结果如图3所示,最终驾驶人兴趣视野区域划分如图4所示。
所述步骤3中的驾驶人的视觉表征参数,包括驾驶人对各驾驶人兴趣视野区域的平均注视频数GAf、平均注视时间GAt、平均扫视时间GLt、水平扫视角度GLa、平均扫视速度GLs、视线点转移概率GLp以及驾驶人头部水平转角Ha。采用数理统计中的箱型图分析方法,通过SPSS软件中的NEMENYI秩和检验验证参数的差异性,再通过R型指标聚类将驾驶人的视觉表征参数进行聚类如图5所示,可见七个驾驶人的视觉表征参数中,平均注视频数GAf与平均注视时间GLt相关性较高,平均扫视速度GLs与水平扫视角度GLa相关性较高,根据跟驰、超车以及左换道、右换道驾驶行为,以及驾驶人的视觉特性的变化规律及差异性分析结果,综合考虑驾驶人的视觉表征参数的差异显著性、易提取、易量化及通用性,七个驾驶人的视觉表征参数聚类成平均注视频数GAf、平均注视时间GAt、水平扫视角度GLa、视线点转移概率GLp以及驾驶人头部水平转角Ha五个驾驶人的视觉表征参数,再确定驾驶人的视觉表征参数序列
所述R型指标聚类确定驾驶人的视觉表征参数序列的实现步骤如下:
步骤3-1:求解驾驶人的视觉表征参数两两间的相关系数rab,rab表示第a个驾驶人的视觉表征参数vw(a)和第b个驾驶人的视觉表征参数vw(b)的相关系数,其中va,vb∈ν;
记驾驶人的视觉表征参数νw的取值(v1w,v2w,…vvw)T∈Rn(w=1,2,…,u);则两驾驶人的视觉表征参数vw(a)和vw(b)的样本相关系数可作为它们的相似性度量,即其中分别表示第a个和第b个驾驶人的视觉表征参数的样本平均值;
步骤3-2:按最长距离法完成驾驶人的视觉表征参数聚类;
定义两个驾驶人的视觉表征参数的距离R为:R=max{dab},式中,
所述步骤4中GM-HMM驾驶行为预测模型的建立与可信度分析具体步骤如下:
步骤4-1:用向量Φ描述HMM模型,Φ=[H,B,C];
H为时刻t=1时,各驾驶行为初始概率{H(Di);i=1,2,…,m}的矢量形式,其中m为驾驶行为种类个数;
B=[bij]=[H(Dj(t+1)|Di(t))]
其中,T表示采样时间窗口长度,bij表示从一种驾驶行为Di转移到另一种驾驶行为Dj的矩阵;
C=[H(νk(t))|Dj(t)]=[cjk],其中t=1,2,…,T;j,k=1,2,…,m,cjk表示驾驶行为为Dj观察到驾驶人视觉特征νk的概率;
步骤4-2:根据已知驾驶人视觉特征序列,通过前向-后向算法确定HMM模型参数[H,B,C];
(t-1)时刻驾驶行为Di,t时刻驾驶行为Dj且驾驶人的视觉表征参数序列为νp=(vp1,vp2,…vpv)∈Rn(p=1,2,…,u)的概率为:
H(Di(t-1)→Dj(t),νp|Φ)=αi(t-1)bijcjkβj(t)
式中,αi(t-1)为从(t-1)时刻驾驶行为Di观察到之前时刻所有驾驶行为概率和;βj(t)为从t时刻驾驶行为Dj观测到之后时刻所有驾驶行为概率和;bijcjk表示由驾驶行为Di(t-1)转移到Dj(t)并产生驾驶人的视觉表征参数序列νp的概率;
在产生驾驶人的视觉表征参数序列νp条件下,从驾驶行为Di(t-1)转移到行为Dj(t)的概率ξij为:
式中,H(νp|Φ)为所有可能的驾驶行为序列产生驾驶人的视觉表征参数序列νp的总概率;最后得到[H,B,C]的重估计公式:
式中,H(Dj(1))表示在t=1时刻观察到驾驶行为Dj时的完整驾驶人视觉表征参数序列的概率,l表示长为T的驾驶行为序列的标记;
步骤4-3:引入高斯混合过程,构建GM-HMM驾驶行为预测模型Φ'=[H,B,G];
其中,G=[gjk];
其中,ωjk为混合系数,表示不同高斯之间的比重;M为高斯个数,τ为ν的维数,∑jk为协方差矩阵,μjk为GM-HMM驾驶行为预测模型期望;
采用GM-HMM驾驶行为预测模型参数之间的函数关系反复迭代运算,直至参数bij,gjk收敛为止最终获得驾驶行为转移矩阵B=[bij],驾驶行为产生矩阵G=[gjk];
步骤4-4:已知Φ'=[H,B,G],计算视觉表征参数序列ν出现的似然估计值H(ν|Φ);前向计算αj(t)、后向计算βi(t)的迭代过程如下:
对于1≤t≤T,任意驾驶人视觉表征ν的GM-HMM驾驶行为预测模型预测驾驶行为Di':
基于训练得到的4种换道模型参数Φ'=[H,B,G],计算同一驾驶人的视觉表征参数序列ν所对应的不同驾驶行为GM-HMM驾驶行为预测模型条件下似然估计值的H(ν|Φ'i),并比较它们的大小,将待识别行为分到H(ν|Φ'i)取最大值的类中,完成GM-HMM驾驶行为预测模型的驾驶行为分类。
所述步骤4中驾驶行为预测模型可信度分析的方法为:通过模型预测准确率Acc进行分
析;设某种驾驶行为样本总量为M,基于GM-HMM驾驶行为预测模型准确预测的样本量Q;
则
实施例
将模拟高速工况采集得到的458组驾驶人的视觉表征参数序列,其中跟驰102组、左换道125组、右换道122组、超车109组,导入建立的GM-HMM驾驶行为预测模型中,GM-HMM驾驶行为预测模型的可信度检验结果如图6所示,从实验结果可知高速道路行驶时依据本发明一种基于视觉特性的GM-HMM预测驾驶行为方法,准确率均在85%以上,能够较准确预测驾驶人操作行为。表明一种基于视觉特性的GM-HMM预测驾驶行为方法对于高速公路上行驶的车辆是可行的和实用的。
所述实施例为本发明的优选的实施方式,但本发明并不限于上述实施方式,在不背离本发明的实质内容的情况下,本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
Claims (9)
1.一种基于视觉特性的GM-HMM预测驾驶行为方法,其特征在于,包括如下步骤:
步骤1:对驾驶人的驾驶行为进行分类;
步骤2:对驾驶人兴趣视野区域的分布进行划分;
步骤3:确定驾驶人的视觉表征参数;
步骤4:建立GM-HMM驾驶行为预测模型,并分析GM-HMM驾驶行为预测模型的可信度。
2.根据权利要求1所述的一种基于视觉特性的GM-HMM预测驾驶行为方法,其特征在于,所述步骤1中驾驶人的驾驶行为,分为跟驰、左换道、右换道和超车。
3.根据权利要求1所述的一种基于视觉特性的GM-HMM预测驾驶行为方法,其特征在于,所述步骤2,采用模糊K-means动态聚类算法对驾驶人兴趣视野区域的分布进行划分,然后再采用改进贝塞尔公式的Pauta准则剔除所划分的各驾驶人兴趣视野区域间无明确界限的异常视线点。
4.根据权利要3所述的一种基于视觉特性的GM-HMM预测驾驶行为方法,其特征在于,所述模糊K-means动态聚类算法对驾驶人兴趣视野区域的分布进行划分的具体步骤如下:
步骤2-1:确定驾驶人兴趣视野区域数为K个,第i个驾驶人兴趣视野区域标记为ωi,其中1<K≤N,1≤i≤K,N为驾驶人视线点总个数;
步骤2-2:确定驾驶人视线点Xj从属于各驾驶人兴趣视野区域的隶属度πij;建立初始隶属度矩阵Π=[πij],其中i为驾驶人兴趣视野区域的区域编号,j为驾驶人视线点的编号;πij表示第j个驾驶人视线点Xj对第i个驾驶人兴趣视野区域的隶属度,1≤j≤N;隶属度矩阵Π第j列表示第j个驾驶人视线点分别对各驾驶人兴趣视野区域的隶属度,隶属度矩阵Π的每列元素之和为1;
步骤2-3:求各驾驶人兴趣视野区域的聚类中心Οi(Λ),其中Λ为迭代次数;
<mrow>
<msub>
<mi>O</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&Lambda;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>&pi;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>&Lambda;</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mi>m</mi>
</msup>
<msub>
<mi>X</mi>
<mi>j</mi>
</msub>
<mo>/</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>&pi;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>&Lambda;</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mi>m</mi>
</msup>
</mrow>
其中,i=1,2,...,K,m为控制聚类结果模糊程度参数,m≥2;
步骤2-4:计算新隶属度矩阵Π(Λ+1),矩阵元素计算如下,
<mrow>
<msub>
<mi>&pi;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>&Lambda;</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>1</mn>
<mo>/</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>d</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>d</mi>
<mrow>
<mi>p</mi>
<mi>j</mi>
</mrow>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mrow>
<mn>2</mn>
<mo>/</mo>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</msup>
</mrow>
其中,i=1,2,...,K;j=1,2,...,N,m≥2;dij是完成第Λ次迭代时,第j个驾驶人视线点到第i个驾驶人兴趣视野区域聚类中心Οi(Λ)的距离;为避免分母为零,特别的,若dij=0,则若p=i时,πij(Λ+1)=1,若p≠i时,πij(Λ+1)=0;
步骤2-5:回到步骤2-3求聚类中心,重复至收敛,收敛条件为:
<mrow>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</munder>
<mo>{</mo>
<mo>|</mo>
<msub>
<mi>&pi;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>&Lambda;</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>&pi;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>&Lambda;</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>}</mo>
<mo>&le;</mo>
<mi>&epsiv;</mi>
</mrow>
其中ε为收敛参数;当算法满足收敛条件时,得到驾驶人兴趣视野区域的聚类中心Οi(Λ)以及表示每个驾驶人视线点对各驾驶人兴趣视野区域隶属程度的隶属度矩阵Π=[πij],模糊K-means动态聚类算法到此结束;模糊K-means动态聚类算法中的聚类准则J为:
<mrow>
<mi>J</mi>
<mo>=</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>&pi;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>&Lambda;</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mi>m</mi>
</msup>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>X</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<msub>
<mi>O</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
1
步骤2-6:根据新隶属度矩阵Π(Λ+1)聚类驾驶人视线点,按照隶属原则进行驾驶人兴趣视野区域划分,即若则Xj∈ωi,否则其中,
i=1,2,...,K;j=1,2,...,N。
5.权利要3所述的一种基于视觉特性的GM-HMM预测驾驶行为方法,其特征在于,所述采用改进贝塞尔公式的Pauta准则剔除所划分的各驾驶人兴趣视野区域间无明确界限的异常视线点的具体方法如下:
步骤2.1:将驾驶员视线点在空间中的位置投影到与车辆行驶方向垂直的平面上,建立平面直角坐标系,得到驾驶员视线点Xj的平面坐标(xi,yi),根据公式求得剔除标准S和S',其中
步骤2.2:确定Pauta剔除准则:当(xi,yi)不满足时,剔除(xi,yi)。
6.根据权利要求1所述的一种基于视觉特性的GM-HMM预测驾驶行为方法,其特征在于,所述步骤3中的驾驶人的视觉表征参数,采用数理统计中的箱型图分析方法,通过SPSS软件中的NEMENYI秩和检验验证参数的差异性,再通过R型指标聚类确定驾驶人的视觉表征参数序列
7.根据权利要求6所述的一种基于视觉特性的GM-HMM预测驾驶行为方法,其特征在于,所述R型指标聚类确定驾驶人的视觉表征参数序列的实现步骤如下:
步骤3-1:求解驾驶人的视觉表征参数两两间的相关系数rab,rab表示第a个驾驶人的视觉表征参数vw(a)和第b个驾驶人的视觉表征参数vw(b)的相关系数,其中va,vb∈ν;
记驾驶人的视觉表征参数νw的取值(v1w,v2w,...vvw)T∈Rn(w=1,2,...,u);则两驾驶人的视觉表征参数vw(a)和vw(b)的样本相关系数可作为它们的相似性度量,即其中分别表示第a个和第b个驾驶人的视觉表征参数的样本平均值;
步骤3-2:按最长距离法完成驾驶人的视觉表征参数聚类;
定义两个驾驶人的视觉表征参数的距离R为:R=max{dab},式中,
8.根据权利要求1所述的一种基于视觉特性的GM-HMM预测驾驶行为方法,其特征在于,所述步骤4中GM-HMM驾驶行为预测模型的建立与可信度分析具体步骤如下:
步骤4-1:用向量Φ描述HMM模型,Φ=[H,B,C];
H为时刻t=1时,各驾驶行为初始概率{H(Di);i=1,2,...,m}的矢量形式,其中m为驾驶行为种类个数;
B=[bij]=[H(Dj(t+1)|Di(t))]
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>T</mi>
<mo>-</mo>
<mn>1</mn>
<mo>;</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>m</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mn>0</mn>
<mo>&le;</mo>
<msub>
<mi>b</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&le;</mo>
<mn>1</mn>
<mo>;</mo>
<mo>&ForAll;</mo>
<mi>i</mi>
<mo>,</mo>
<munder>
<mo>&Sigma;</mo>
<mi>j</mi>
</munder>
<msub>
<mi>b</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中,T表示采样时间窗口长度,bij表示从一种驾驶行为Di转移到另一种驾驶行为Dj的矩阵;
C=[H(νk(t))|Dj(t)]=[cjk],其中cjk表示驾驶行为为Dj观察到驾驶人视觉特征νk的概率;
步骤4-2:根据已知驾驶人视觉特征序列,通过前向-后向算法确定HMM模型参数[H,B,C];
(t-1)时刻驾驶行为Di,t时刻驾驶行为Dj且驾驶人的视觉表征参数序列为νp=(vp1,vp2,...vpv)∈Rn(p=1,2,...,u)的概率为:
H(Di(t-1)→Dj(t),νp|Φ)=αi(t-1)bijcjkβj(t)
式中,αi(t-1)为从(t-1)时刻驾驶行为Di观察到之前时刻所有驾驶行为概率和;βj(t)为从t时刻驾驶行为Dj观测到之后时刻所有驾驶行为概率和;bijcjk表示由驾驶行为Di(t-1)转移到Dj(t)并产生驾驶人的视觉表征参数序列νp的概率;
在产生驾驶人的视觉表征参数序列νp条件下,从驾驶行为Di(t-1)转移到行为Dj(t)的概率ξij为:
<mrow>
<msub>
<mi>&xi;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>H</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>D</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>&RightArrow;</mo>
<msub>
<mi>D</mi>
<mi>j</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>|</mo>
<msub>
<mi>&nu;</mi>
<mi>p</mi>
</msub>
<mo>,</mo>
<mi>&Phi;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<msub>
<mi>b</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>c</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<msub>
<mi>&beta;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>H</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&nu;</mi>
<mi>p</mi>
</msub>
<mo>|</mo>
<mi>&Phi;</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
式中,H(νp|Φ)为所有可能的驾驶行为序列产生驾驶人的视觉表征参数序列νp的总概率;最后得到[H,B,C]的重估计公式:
<mrow>
<mover>
<mi>H</mi>
<mo>~</mo>
</mover>
<mo>=</mo>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>D</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&alpha;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<msub>
<mi>&beta;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>&nu;</mi>
<mo>|</mo>
<mi>&Phi;</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>,</mo>
<msub>
<mover>
<mi>b</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<msub>
<mi>&xi;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>&xi;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>,</mo>
<msub>
<mover>
<mi>c</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
</munder>
<mrow>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>v</mi>
<mi>k</mi>
</msub>
</mrow>
<mi>T</mi>
</munderover>
<munder>
<mi>&Sigma;</mi>
<mi>l</mi>
</munder>
<msub>
<mi>&xi;</mi>
<mrow>
<mi>l</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<munder>
<mi>&Sigma;</mi>
<mi>l</mi>
</munder>
<msub>
<mi>&xi;</mi>
<mrow>
<mi>l</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
式中,H(Dj(1))表示在t=1时刻观察到驾驶行为Dj时的完整驾驶人视觉表征参数序列的概率,l表示长为T的驾驶行为序列的标记;
步骤4-3:引入高斯混合过程,构建GM-HMM驾驶行为预测模型Φ'=[H,B,G];
其中,G=[gjk];
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>g</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<msub>
<mi>c</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mfrac>
<mrow>
<mi>exp</mi>
<mo>{</mo>
<mo>-</mo>
<mn>0.5</mn>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&nu;</mi>
<mi>t</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>&nu;</mi>
<mi>t</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>}</mo>
</mrow>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mi>&pi;</mi>
<mo>)</mo>
</mrow>
<mrow>
<mi>&tau;</mi>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msup>
<mo>|</mo>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mi>m</mi>
</mrow>
</msub>
<msup>
<mo>|</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
</msup>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中,ωjk为混合系数,表示不同高斯之间的比重;M为高斯个数,τ为ν的维数,∑jk为协方差矩阵,μjk为GM-HMM驾驶行为预测模型期望;
采用GM-HMM驾驶行为预测模型参数之间的函数关系反复迭代运算,直至参数bij,gjk收敛为止最终获得驾驶行为转移矩阵B=[bij],驾驶行为产生矩阵G=[gjk];
步骤4-4:已知Φ'=[H,B,G],计算视觉表征参数序列ν出现的似然估计值H(ν|Φ);前向计算αj(t)、后向计算βi(t)的迭代过程如下:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&alpha;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
<msub>
<mi>b</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>g</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&alpha;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
<msub>
<mi>&alpha;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<msub>
<mi>g</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>v</mi>
<mo>|</mo>
<mi>&theta;</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>T</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&beta;</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&beta;</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>b</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>g</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<msub>
<mi>&beta;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
对于1≤t≤T,任意驾驶人视觉表征ν的GM-HMM驾驶行为预测模型预测驾驶行为Di':
<mrow>
<msubsup>
<mi>D</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
<mo>=</mo>
<mi>max</mi>
<mi> </mi>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>&nu;</mi>
<mo>|</mo>
<msubsup>
<mi>&Phi;</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</msubsup>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>&beta;</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
基于训练得到的4种换道模型参数Φ'=[H,B,G],计算同一驾驶人的视觉表征参数序列ν所对应的不同驾驶行为GM-HMM驾驶行为预测模型条件下似然估计值的H(ν|Φ'i),并比较它们的大小,将待识别行为分到H(ν|Φ'i)取最大值的类中,完成GM-HMM驾驶行为预测模型的驾驶行为分类。
9.根据权利要求1所述的一种基于视觉特性的GM-HMM预测驾驶行为方法,其特征在于,所述步骤4中驾驶行为预测模型可信度分析的方法为:通过模型预测准确率Acc进行分析;设某种驾驶行为样本总量为M,基于GM-HMM驾驶行为预测模型准确预测的样本量Q;
则
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710351618.6A CN107273805A (zh) | 2017-05-18 | 2017-05-18 | 一种基于视觉特性的gm‑hmm预测驾驶行为方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710351618.6A CN107273805A (zh) | 2017-05-18 | 2017-05-18 | 一种基于视觉特性的gm‑hmm预测驾驶行为方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107273805A true CN107273805A (zh) | 2017-10-20 |
Family
ID=60065597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710351618.6A Pending CN107273805A (zh) | 2017-05-18 | 2017-05-18 | 一种基于视觉特性的gm‑hmm预测驾驶行为方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107273805A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108447303A (zh) * | 2018-03-20 | 2018-08-24 | 武汉理工大学 | 基于人眼视觉与机器视觉耦合的外周视野危险识别方法 |
CN108891414A (zh) * | 2018-05-22 | 2018-11-27 | 通化市聚诚网络科技有限公司 | 一种车道变换辅助方法及装置 |
CN109002907A (zh) * | 2018-06-25 | 2018-12-14 | 江苏智通交通科技有限公司 | 驾驶人危险度预测结果可靠性验证方法 |
CN109447182A (zh) * | 2018-11-19 | 2019-03-08 | 深圳市元征科技股份有限公司 | 基于hmm算法的驾驶行为分类方法和装置 |
CN110751054A (zh) * | 2019-09-26 | 2020-02-04 | 江苏大学 | 一种异常驾驶行为的检测系统 |
CN112686127A (zh) * | 2020-12-26 | 2021-04-20 | 浙江天行健智能科技有限公司 | 基于gm-hmm的驾驶员超车意图识别方法 |
CN113378771A (zh) * | 2021-06-28 | 2021-09-10 | 济南大学 | 驾驶员状态确定方法、装置、驾驶员监控系统、车辆 |
CN114048425A (zh) * | 2021-11-17 | 2022-02-15 | 长春工业大学 | 一种用于表征驾驶员意图的预测模型的建模方法 |
CN115171389A (zh) * | 2022-07-22 | 2022-10-11 | 吉林大学 | 基于gmm-hmm的高速公路他车超车换道意图识别方法 |
CN116680519A (zh) * | 2023-04-18 | 2023-09-01 | 同济大学 | 一种基于gm-hmm模型的车辆换道意图识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102004962A (zh) * | 2010-12-01 | 2011-04-06 | 福州维胜信息技术有限公司 | 实现对个人综合绩效进行智能整理以供考评的实现方法 |
CN105528593A (zh) * | 2016-01-22 | 2016-04-27 | 江苏大学 | 一种前向车辆驾驶人驾驶行为预测系统及预测方法 |
US20170016734A1 (en) * | 2015-07-17 | 2017-01-19 | Honda Motor Co., Ltd. | Turn predictions |
CN106564496A (zh) * | 2016-10-19 | 2017-04-19 | 江苏大学 | 基于前向车辆驾驶行为的智能车辆安全环境包络重构方法 |
-
2017
- 2017-05-18 CN CN201710351618.6A patent/CN107273805A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102004962A (zh) * | 2010-12-01 | 2011-04-06 | 福州维胜信息技术有限公司 | 实现对个人综合绩效进行智能整理以供考评的实现方法 |
US20170016734A1 (en) * | 2015-07-17 | 2017-01-19 | Honda Motor Co., Ltd. | Turn predictions |
CN105528593A (zh) * | 2016-01-22 | 2016-04-27 | 江苏大学 | 一种前向车辆驾驶人驾驶行为预测系统及预测方法 |
CN106564496A (zh) * | 2016-10-19 | 2017-04-19 | 江苏大学 | 基于前向车辆驾驶行为的智能车辆安全环境包络重构方法 |
Non-Patent Citations (2)
Title |
---|
冀秉魁: "基于驾驶员视觉特性的驾驶行为预测方法研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
赵婕: "《图像特征提取与语义分析》", 31 July 2015, 重庆大学出版社 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108447303B (zh) * | 2018-03-20 | 2021-01-15 | 武汉理工大学 | 基于人眼视觉与机器视觉耦合的外周视野危险识别方法 |
CN108447303A (zh) * | 2018-03-20 | 2018-08-24 | 武汉理工大学 | 基于人眼视觉与机器视觉耦合的外周视野危险识别方法 |
CN108891414A (zh) * | 2018-05-22 | 2018-11-27 | 通化市聚诚网络科技有限公司 | 一种车道变换辅助方法及装置 |
CN109002907A (zh) * | 2018-06-25 | 2018-12-14 | 江苏智通交通科技有限公司 | 驾驶人危险度预测结果可靠性验证方法 |
CN109002907B (zh) * | 2018-06-25 | 2021-07-13 | 江苏智通交通科技有限公司 | 驾驶人危险度预测结果可靠性验证方法 |
CN109447182A (zh) * | 2018-11-19 | 2019-03-08 | 深圳市元征科技股份有限公司 | 基于hmm算法的驾驶行为分类方法和装置 |
CN110751054B (zh) * | 2019-09-26 | 2023-06-16 | 江苏大学 | 一种异常驾驶行为的检测系统 |
CN110751054A (zh) * | 2019-09-26 | 2020-02-04 | 江苏大学 | 一种异常驾驶行为的检测系统 |
CN112686127A (zh) * | 2020-12-26 | 2021-04-20 | 浙江天行健智能科技有限公司 | 基于gm-hmm的驾驶员超车意图识别方法 |
CN113378771A (zh) * | 2021-06-28 | 2021-09-10 | 济南大学 | 驾驶员状态确定方法、装置、驾驶员监控系统、车辆 |
CN114048425A (zh) * | 2021-11-17 | 2022-02-15 | 长春工业大学 | 一种用于表征驾驶员意图的预测模型的建模方法 |
CN114048425B (zh) * | 2021-11-17 | 2024-05-24 | 长春工业大学 | 一种用于表征驾驶员意图的预测模型的建模方法 |
CN115171389A (zh) * | 2022-07-22 | 2022-10-11 | 吉林大学 | 基于gmm-hmm的高速公路他车超车换道意图识别方法 |
CN115171389B (zh) * | 2022-07-22 | 2023-10-31 | 吉林大学 | 基于gmm-hmm的高速公路他车超车换道意图识别方法 |
CN116680519A (zh) * | 2023-04-18 | 2023-09-01 | 同济大学 | 一种基于gm-hmm模型的车辆换道意图识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107273805A (zh) | 一种基于视觉特性的gm‑hmm预测驾驶行为方法 | |
CN106971194B (zh) | 一种基于改进hmm和svm双层算法的驾驶意图识别方法 | |
Chen et al. | Key feature selection and risk prediction for lane-changing behaviors based on vehicles’ trajectory data | |
CN107492251B (zh) | 一种基于机器学习与深度学习的驾驶员身份识别与驾驶状态监测方法 | |
CN103996287B (zh) | 一种基于决策树模型的车辆强制换道决策方法 | |
CN110949398B (zh) | 一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法 | |
CN106740861B (zh) | 基于驾驶行为区分驾驶员的方法和设备 | |
Hauer et al. | Clustering traffic scenarios using mental models as little as possible | |
CN108091132B (zh) | 一种交通流量预测方法及装置 | |
CN111738337B (zh) | 一种混行交通环境下的驾驶人分心状态检测识别方法 | |
Wirthmüller et al. | Predicting the time until a vehicle changes the lane using LSTM-based recurrent neural networks | |
CN113232669B (zh) | 一种基于机器学习的驾驶风格辨识方法 | |
CN115588310A (zh) | 一种基于轨迹数据的车辆碰撞风险预测方法 | |
CN112668172A (zh) | 考虑车型和驾驶风格异质性的跟驰行为建模方法及其模型 | |
He et al. | Probabilistic intention prediction and trajectory generation based on dynamic bayesian networks | |
Wang et al. | A probabilistic approach to measuring driving behavior similarity with driving primitives | |
Liu et al. | Classification of highway lane change behavior to detect dangerous cut-in maneuvers | |
CN112863245A (zh) | 基于深度神经网络的车辆换道轨迹实时预测方法 | |
Bouhoute et al. | On the application of machine learning for cut-in maneuver recognition in platooning scenarios | |
Carlos et al. | Becoming smarter at characterizing potholes and speed bumps from smartphone data—introducing a second-generation inference problem | |
CN113761715B (zh) | 一种基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法 | |
CN115860461A (zh) | 一种平面交叉口下非机动车交通冲突的风险因子评估方法 | |
Wang et al. | Utilizing random forest and neural network to extract lane change events on shanghai highway | |
Safont et al. | Multichannel signal processing for road surface identification | |
Ma et al. | Lane change analysis and prediction using mean impact value method and logistic regression model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171020 |
|
RJ01 | Rejection of invention patent application after publication |