CN110077416B - 一种基于决策树的驾驶员意图分析方法及系统 - Google Patents

Abstract

本公开提供了一种基于决策树的驾驶员意图分析方法及系统，本公开利用车载传感器采集驾驶员在实际驾驶过程中，车速、加速踏板的位移、制动踏板的位移、方向盘的转向角度以及距离路口的实时距离；然后，利用多流卷积神经网络检测驾驶员注视位置，并通过RGB摄像头获取驾驶员头部姿态信息；其次，对以上数据做相应标记后利用SVD降维筛选出关键特征；最后，使用决策树算法对以上采集到的数据进行分析得出驾驶员意图类型，以对汽车进行更好的控制。

Description

一种基于决策树的驾驶员意图分析方法及系统

技术领域

本公开属于信息处理领域，具体涉及一种基于决策树的驾驶员意图分析方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

随着经济的发展，人们对汽车的需求量逐年增加，同时对汽车各方面的配置要求也越来越高，为了更好地满足人们的需求，汽车技术也在快速发展，不仅表现在汽车外部部件的改善，还表现在汽车内部部件的升级，智能驾驶、无人驾驶等技术先后出现。

在驾驶过程中，驾驶员有时会受突发情况的干扰，但有时从驾驶员的生理表征，如表情等并无法正确判断是否受到干扰，进而无法准确识别驾驶员的驾驶意图，实用性不强。

发明内容

本公开为了解决上述问题，提出了一种基于决策树的驾驶员意图分析方法及系统，本公开利用车载传感器采集驾驶员在实际驾驶过程中，车速、加速踏板的位移、制动踏板的位移、方向盘的转向角度以及距离路口的实时距离；然后，利用多流卷积神经网络检测驾驶员注视位置，并通过RGB摄像头获取驾驶员头部姿态信息；其次，对以上数据做相应标记后利用SVD降维筛选出关键特征；最后，使用决策树算法对以上采集到的数据进行分析得出驾驶员意图类型，以对汽车进行更好的控制。

根据一些实施例，本公开采用如下技术方案：

一种基于决策树的驾驶员意图分析方法，包括以下步骤：

接收各训练时刻车速、加速踏板的位移、制动踏板的位移、方向盘的转动角度以及距离路口的实时距离；

利用多流卷积神经网络检测驾驶员注视位置，并通过车载RGB摄像头获取驾驶员头部姿态信息，根据相对应的驾驶员意图做标记，利用SVD降维筛选出关键特征；

根据采集到并经过降维处理的数据，通过训练数据构建决策树模型，利用生成的决策树模型对实时数据进行分析，得出驾驶员的意图。

作为一种可选择的实施例，利用车载传感器采集车速、加速踏板的位移、制动踏板的位移、方向盘的转动角度以及距离路口的实时距离。

作为一种可选择的实施例，利用多流卷积神经网络检测驾驶员注视位置的具体过程包括：搭建多流卷积神经网络；使用采集到的标注数据训练网络模型；将训练好的网络模型应用于驾驶员注视位置检测。

作为一种可选择的实施例，利用RGB摄像头获取驾驶员头部姿态信息，具体包括俯仰角、滚动角和偏航角。

作为一种可选择的实施例，进行意图标记和利用SVD降维筛选出关键特征的具体过程包括：

将采集到的每组数据按照左转向、右转向、超车变道、直行、刹车/停车意图做相应标记；

对数据进行奇异值分解，根据奇异值矩阵降维。

作为一种可选择的实施例，构建决策树模型的具体过程包括：

将所有数据看成是一个节点；

从训练数据中众多特征中挑选一个特征作为当前节点的分裂标准；

从上至下递归地生成若干子节点，直到数据集不可分，满足停止分裂的条件，至此生成决策树；

利用决策树针对测试数据分析驾驶员意图。

一种基于决策树的驾驶员意图分析系统，包括：

训练数模块，被配置为接收各训练时刻车速、加速踏板的位移、制动踏板的位移、方向盘的转动角度以及距离路口的实时距离；

标记模块，被配置为利用多流卷积神经网络检测驾驶员注视位置，并通过车载RGB摄像头获取驾驶员头部姿态信息，根据相对应的驾驶员意图做标记，利用SVD降维筛选出关键特征；

模型构建模块，被配置为根据采集到并经过降维处理的数据，通过训练数据构建决策树模型，利用生成的决策树模型对实时数据进行分析，得出驾驶员的意图。

一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于决策树的驾驶员意图分析方法。

一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于决策树的驾驶员意图分析方法。

与现有技术相比，本公开的有益效果为：

本公开利用多流卷积神经网络模型检测驾驶员注视位置和决策树算法对驾驶员意图的分析，保证了分析结果的准确性，能够综合多种参数，排除了微表情等不易识别的问题。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1：驾驶场景下驾驶员意图分析的总体框图。

图2：数据采集。

图3：多流卷积神经网络模型。

图4：奇异值分解结果图。

图5(a)-(d)为多种驾驶员意图分析结果图，其中，(a)转向；(b)超车变道；(c)直行；(d)刹车/停车。

具体实施方式：

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

一种基于决策树的驾驶员意图分析方法。首先，利用车载传感器实时采集驾驶员在驾驶过程中，车速、加速踏板的位移、制动踏板的位移、方向盘的转动角度以及距离路口的实时距离；然后，利用多流卷积神经网络模型检测驾驶员的注视位置，以及通过车载RGB摄像头获取驾驶员头部姿态(俯仰角、滚动角、偏航角)；其次，根据驾驶员意图对采集的数据做相应的标记，利用SVD降维筛选出关键特征；最后，根据以上步骤采集到并经过降维处理的数据，通过训练数据构建决策树，利用生成的决策树对测试数据分析得出驾驶员的意图。如图1是驾驶场景下驾驶员意图分析的总体框图，即基于决策树的驾驶场景下驾驶员意图分析方法，具体实施方式如下：

(1)数据采集，如图2所示。利用车载传感器采集车速、加速踏板的位移、制动踏板的位移、方向盘的转动角度以及距离路口的实时距离。

(2)获取驾驶员注视位置以及头部姿态：利用多流卷积神经网络模型(如图3所示)检测驾驶员的注视位置。通过车载RGB摄像头拍摄驾驶员驾驶的二维图像，用Dlib人脸识别库标定68个特征点，并与三维平均模型进行对齐，如果二维图像与当前模型能够一一对应，则将当前坐标作为基准，然后通过运动跟踪和posit算法获取驾驶员头部姿态(俯仰角、滚动角、偏航角)。

(3)数据处理。将采集到的每组数据按照左转向、右转向、超车变道、直行、刹车/停车意图做相应标记。对数据进行奇异值分解，如图4所示，奇异值越大，变量对于最终结果的影响也就越大。根据奇异值矩阵降维，保留车速、加速踏板的位移、制动踏板的位移、方向盘转动角、距离路口的实时距离、注视位置六个变量用于驾驶员意图分析。

(4)驾驶员意图分析。将所有数据看成是一个节点。从训练数据中众多特征中挑选一个特征作为当前节点的分裂标准。从上至下递归地生成若干孩子节点，直到数据集不可分，满足停止分裂的条件，至此生成决策树。利用决策树针对测试数据分析驾驶员意图，如图5(a)-(d)所示。

具体的：

步骤1的具体实现步骤如下：

利用车载传感器采集车速、加速踏板的位移、制动踏板的位移、方向盘的转动角度以及距离路口的实时距离；

步骤2的具体实现步骤如下：

搭建多流卷积神经网络；

使用采集到的标注数据训练网络模型；

将训练良好的网络模型应用于驾驶员注视位置检测；

利用RGB摄像头获取驾驶员头部姿态信息(俯仰角、滚动角、偏航角)。

步骤3的具体实现步骤如下：

a.将采集到的每组数据按照左转向、右转向、超车变道、直行、刹车/停车意图做相应标记；

b.对数据进行奇异值分解；

c.根据奇异值矩阵降维。

步骤4的具体实现步骤如下：

将所有数据看成是一个节点；

从训练数据中众多特征中挑选一个特征作为当前节点的分裂标准；

从上至下递归地生成若干孩子节点，直到数据集不可分，满足停止分裂的条件，至此生成决策树；

利用决策树针对测试数据分析驾驶员意图。

还提供相应的产品实施例如下：

一种基于决策树的驾驶员意图分析系统，包括：

训练数模块，被配置为接收各训练时刻车速、加速踏板的位移、制动踏板的位移、方向盘的转动角度以及距离路口的实时距离；

标记模块，被配置为利用多流卷积神经网络检测驾驶员注视位置，并通过车载RGB摄像头获取驾驶员头部姿态信息，根据相对应的驾驶员意图做标记，利用SVD降维筛选出关键特征；

模型构建模块，被配置为根据采集到并经过降维处理的数据，通过训练数据构建决策树模型，利用生成的决策树模型对实时数据进行分析，得出驾驶员的意图。

一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于决策树的驾驶员意图分析方法。

一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于决策树的驾驶员意图分析方法。

本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (5)

1.一种基于决策树的驾驶员意图分析方法，其特征是：包括以下步骤：

接收各训练时刻车速、加速踏板的位移、制动踏板的位移、方向盘的转动角度以及距离路口的实时距离；

利用多流卷积神经网络检测驾驶员注视位置，并通过车载RGB摄像头获取驾驶员头部姿态信息，根据相对应的驾驶员意图做标记，利用SVD降维筛选出关键特征，具体为：利用多流卷积神经网络检测驾驶员注视位置的具体过程包括：搭建多流卷积神经网络；使用采集到的标注数据训练网络模型；将训练好的网络模型应用于驾驶员注视位置检测；通过车载RGB摄像头拍摄驾驶员驾驶的二维图像，用Dlib人脸识别库标定68个特征点，并与三维平均模型进行对齐，如果二维图像与当前模型能够一一对应，则将当前坐标作为基准，然后通过运动跟踪和posit算法获取驾驶员头部姿态；

根据采集到并经过降维处理的数据，通过训练数据构建决策树模型，利用生成的决策树模型对实时数据进行分析，得出驾驶员的意图；

进行意图标记和利用SVD降维筛选出关键特征的具体过程包括：

将采集到的每组数据按照左转向、右转向、超车变道、直行、刹车/停车意图做相应标记；

对数据进行奇异值分解，根据奇异值矩阵降维；

利用车载传感器采集车速、加速踏板的位移、制动踏板的位移、方向盘的转动角度以及距离路口的实时距离；

构建决策树模型的具体过程包括：

将所有数据看成是一个节点；

从训练数据中众多特征中挑选一个特征作为当前节点的分裂标准；

从上至下递归地生成若干子节点，直到数据集不可分，满足停止分裂的条件，至此生成决策树；

利用决策树针对测试数据分析驾驶员意图。

2.如权利要求1所述的一种基于决策树的驾驶员意图分析方法，其特征是：驾驶员头部姿态信息具体包括俯仰角、滚动角和偏航角。

3.一种基于决策树的驾驶员意图分析系统，其特征是：包括：

训练数模块，被配置为接收各训练时刻车速、加速踏板的位移、制动踏板的位移、方向盘的转动角度以及距离路口的实时距离；

标记模块，被配置为利用多流卷积神经网络检测驾驶员注视位置，并通过车载RGB摄像头获取驾驶员头部姿态信息，根据相对应的驾驶员意图做标记，利用SVD降维筛选出关键特征；

模型构建模块，被配置为根据采集到并经过降维处理的数据，通过训练数据构建决策树模型，利用生成的决策树模型对实时数据进行分析，得出驾驶员的意图。

4.一种计算机可读存储介质，其特征是：其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行权利要求1-2中任一项所述的一种基于决策树的驾驶员意图分析方法。

5.一种终端设备，其特征是：包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行权利要求1-2中任一项所述的一种基于决策树的驾驶员意图分析方法。

Images