CN112883760A - 基于线性调频连续波雷达的驾驶行为检测方法 - Google Patents

基于线性调频连续波雷达的驾驶行为检测方法 Download PDF

Info

Publication number
CN112883760A
CN112883760A CN201911200564.9A CN201911200564A CN112883760A CN 112883760 A CN112883760 A CN 112883760A CN 201911200564 A CN201911200564 A CN 201911200564A CN 112883760 A CN112883760 A CN 112883760A
Authority
CN
China
Prior art keywords
driving behavior
time
training
network
driving
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
Application number
CN201911200564.9A
Other languages
English (en)
Inventor
洪弘
徐小明
李彧晟
熊俊军
丁传威
马悦
冯晨
孙理
顾陈
朱晓华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN201911200564.9A priority Critical patent/CN112883760A/zh
Publication of CN112883760A publication Critical patent/CN112883760A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/91—Radar or analogous systems specially adapted for specific applications for traffic control
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/414—Discriminating targets with respect to background clutter
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/415—Identification of targets based on measurements of movement associated with the target
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/418—Theoretical aspects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
    • G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Electromagnetism (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于线性调频连续波雷达的驾驶行为检测方法，首先利用线性调频连续波雷达采集驾驶行为信息，对雷达信号进行预处理，之后提取驾驶行为雷达回波信号的时间多普勒时频图，接着利用卷积神经网络来确定驾驶行为和对应雷达回波信号的时间多普勒时频图之间的映射模型；最后根据映射模型，对受试者进行驾驶行为检测。本发明的方法性能可靠、可以准确地对驾驶行为进行检测。

Description

基于线性调频连续波雷达的驾驶行为检测方法
技术领域
本发明属于雷达技术领域，具体涉及一种基于线性调频连续波雷达的驾驶行为检测方法。
背景技术
驾驶是现代社会的重要组成成分，而疏忽驾驶一直是车祸的主要原因之一，超过20％的车祸是由疏忽驾驶造成的，因此检测驾驶员的注意力具有重要的意义。
目前，对驾驶行为检测的研究，主要为以下三种：(1)基于生理信号的检测。通过检测驾驶者的生理指数，如脑电波、心率和脉搏等，对驾驶行为进行有效监督。通常驾驶者身上需要附着相应的生理信息采集装备，诸如一些与皮肤直接接触的电极，这会给驾驶者带来严重的不适感，影响正常的驾驶。(2)基于车辆状态的驾驶检测。车辆的状态可以在侧面反应驾驶者的驾驶状态，通过对车辆状态的检测可以实现对驾驶者的监督。但是不同的驾驶者的驾驶习惯、不同的车辆类型以及错综复杂的道路状况，都会对车辆状态的检测带来影响，从而导致最终的驾驶检测的错误判断。(3)基于人脸视觉信息的驾驶检测。采集驾驶者的面部视频图像信息，检测眼球运动，头部动作和打哈欠等，来判断驾驶者的状态。不过环境的变化诸如光线的强暗会对视觉信息的采集产生影响，此外，视觉信息的采集必然会涉及到个人隐私问题。
由上可知，现有的检测方法抗干扰能力差、影响驾驶者的正常驾驶行为，并且无法有效保护驾驶者的隐私。
发明内容
本发明的目的在于提供一种基于线性调频连续波雷达的驾驶行为检测方法。
实现本发明目的的技术解决方案为：一种基于线性调频连续波雷达的驾驶行为检测方法，包括以下步骤：
步骤1、采集驾驶行为的动作回波信号；
步骤2、对采集到的雷达回波信号进行预处理，具体为：对雷达信号进行去直流处理，然后在快时间域上作快速傅里叶变换得到驾驶行为的时间距离分布图；
步骤3、在慢时间域上作快速傅里叶变换得到驾驶行为的时间多普勒分布图，根据对应的驾驶行为对时频图进行标记，建立驾驶行为的时频图数据库TF_Data；
步骤4、将上述驾驶行为时频图数据库TF_Data分为两个互斥的集合，其中一个为驾驶行为训练集TF_train，另一个为驾驶行为测试集TF_test，每个集合中各种驾驶行为的比例一致；
步骤5、构建卷积神经网络，确定网络结构，并使用卷积自编码器对网络进行预训练以使参数初始化，接着利用驾驶行为训练集TF_train和测试集TF_test对网络进行训练及调优，最终得到驾驶行为识别模型M；
步骤6、对于驾驶行为的实测雷达回波信号，根据步骤3中提取驾驶行为的时间多普勒分布图，将其输入到识别驾驶行为识别映射模型M中，完成驾驶行为检测识别。
本发明和现有技术相比，其显著优点为：1)本发明的识别方法抗干扰能力强，不受光线等外部条件影响；2)本发明的方法为非接触式监测，能够在不与驾驶者发生身体接触的情况下，实现疏忽驾驶的监测；3)本发明的方法可以有效保护驾驶者的隐私。
下面结合说明书附图对本发明做进一步描述。
附图说明
图1为本发明7种常见驾驶行为示意图。
图2为本发明实现驾驶行为识别方法的流程图。
图3为本发明的实验场景图。
图4为受试者头部向前倾斜的时间多普勒时频图及灰度图。
图5为受试者头部向前倾斜后抬起的时间多普勒时频图及灰度图。
图6为受试者头部后仰的时间多普勒时频图及灰度图。
图7为受试者颈部旋转的时间多普勒时频图及灰度图。
图8为受试者前向身体行为的时间多普勒时频图及灰度图。
图9为受试者上下摇头行为的时间多普勒时频图及灰度图。
图10为受试者拿起手机行为的时间多普勒时频图及灰度图。
图11卷积层数1层时的测试集的分类结果曲线图。
图12卷积层数2层时的测试集的分类结果曲线图。
图13卷积层数3层时的测试集的分类结果曲线图。
图14卷积层数4层时的测试集的分类结果曲线图。
图15为本发明卷积神经网络的网络结构示意图。
图16为本发明卷积自编码器预训练的网络结构示意图。
图17为学习率为0.01时训练集和测试集的损失函数曲线图。
图18为学习率为0.001时训练集和测试集的损失函数曲线图。
图19为学习率为0.0001时训练集和测试集的损失函数曲线图。
图20为学习率为0.00001时训练集和测试集的损失函数曲线图。
图21为不同dropout值下测试集的分类准确率图。
图22为learning_rate为0.001、dropout为0.2时的测试集的分类结果曲线。
图23为本发明模型在实测驾驶行为数据下的分类准确率。
具体实施例
结合附图，本发明的一种基于线性调频连续波雷达的驾驶行为检测方法，包括以下步骤：
步骤1、使用线性调频连续波雷达对驾驶行为进行数据采集，所述驾驶行为为常见的驾驶行为，包括：(a)受试者的头部以一定角度向前倾斜；(b)受试者在初始头部向前倾斜后抬起头部；(c)受试者头部后仰；(d)受试者颈部旋转；(e)受试者的头部和上身向前移动而没有一定角度向下弯曲；(f)受试者的上下摇头行为；(g)受试者拿起手机的动作。
所述驾驶行为的动作回波信号，具体通过线性调频连续波雷达进行采集，采集所得雷达数据以矩阵形式表示为：R[n,m]＝s(t＝mTf+nTs)，其中R为雷达矩阵信号，矩阵行数据为调频周期内的采样点，对应的时域为快时间域，矩阵列数据为调频周期间的采样点，对应的时域为慢时间域，s为雷达回波模拟信号，Tf为快时间域采样间隔，Ts为慢时间域采样间隔，t为矩阵中处于n行m列的数据点对应的采样时刻；
步骤2、对采集到的雷达信号进行预处理，具体为：
步骤2-1、去直流处理，在快时域上计算回波信号的均值，将回波信号减去均值；
步骤2-2、在快时域上作快速傅里叶变换处理，得到驾驶行为的时间距离分布图；
步骤3、在慢时间域上作快速傅里叶得到驾驶行为的时间多普勒时频图，根据对应的驾驶行为对时频图进行标记，建立驾驶行为的时频图数据库TF_Data，具体为：
步骤3-1、对步骤2-2所得驾驶行为的时间距离分布图，在慢时间域上作快速傅里叶变换得到驾驶行为的时间多普勒时频图；
步骤3-2、将所得时频图作灰度化处理，根据对应的驾驶行为对时频图进行标记，建立驾驶行为的时频图数据库TF_Data；
步骤4、将得到的驾驶行为时频图数据库TF_Data分为两个互斥的集合，其中一个为驾驶行为训练集TF_train，另一个为驾驶行为测试集TF_test，每个集合中各种驾驶行为的比例一致；
步骤5、构建卷积神经网络，确定网络结构，并使用卷积自编码器对网络进行预训练以使参数初始化，接着利用驾驶行为训练集TF_train和测试集TF_test对网络进行训练及调优，最终得到驾驶行为识别模型M，具体为：
步骤5-1、构建卷积神经网络，搜索选择合适的网络结构，使用驾驶行为训练集TF_train对网络进行试训练，当测试集TF_test的分类准确率最高时，确定为最佳的网络卷积层数，其中对卷积神经网络进行训练的具体步骤为：
步骤5-1-1、对于驾驶行为训练集TF_train中的单个样本(x，y)，通过前向传播计算其损失函数
Figure BDA0002295775790000041
式中，x为驾驶行为对应的时频图，y为驾驶行为种类，hW,b(x)为前向传播预测值，W和b为网络参数。则对应一个批次大小为p的样本的数据集，其整体损失函数为
Figure BDA0002295775790000042
步骤5-1-2、反向传播计算损失函数J(W,b)对W和b的偏导
Figure BDA0002295775790000043
Figure BDA0002295775790000044
其中l表示网络第l层，并更新网络参数W,b，更新公式为；
Figure BDA0002295775790000045
Figure BDA0002295775790000051
步骤5-2、对于步骤5-1中构建完毕的卷积神经网络，在其卷积层和池化层后连接对应的反池化层和反卷积层，构成卷积自编码器，并将全连接层移除，对网络进行预训练以初始化网络权值参数，具体为：
步骤5-2-1、对于驾驶行为训练集TF_train中的单个样本(x，y)，其中x为驾驶行为的时频图，y为对应的驾驶行为类别，构建预训练样本(x，x_)，其中训练目标x_为x本身，建立驾驶行为预训练集TF_pre_train；
步骤5-2-2、对于驾驶行为预训练集TF_pre_train中的单个预训练样本(x，x_)，通过前向传播计算其损失函数
Figure BDA0002295775790000052
式中，x和x_均为驾驶行为对应的时频图，
Figure BDA0002295775790000053
为自编码器前向传播预测值，W和b为网络参数。则对应一个批次大小为p的预训练样本的数据集，其整体损失函数为
Figure BDA0002295775790000054
步骤5-2-3、反向传播计算损失函数Jpre(W,b)对W和b的偏导
Figure BDA0002295775790000055
其中l表示网络第l层，并更新网络参数W,b，更新公式为；
Figure BDA0002295775790000056
Figure BDA0002295775790000057
步骤5-3、将步骤5-2中网络的反卷积层和反池化层移除，保留卷积层及其权值参数值，添加全连接层，构成卷积神经网络，使用驾驶行为训练集TF_train训练卷积神经网络；
步骤5-4、结合驾驶行为训练集TF_train和驾驶行为测试集TF_test的损失函数及驾驶行为识别准确率，对网络进行调节优化，修改调节网络的超参数，以使模型达到最优，最终得到驾驶行为识别模型，具体为：
步骤5-4-1、以对数标尺对learning_rate(学习率)在[1e-4,1e-1]进行搜索取值，当训练集损失函数收敛平稳且测试集损失损失函数收敛值最小时，确定为最佳的learning_rate；
步骤5-4-2、对dropout值(神经网络单元被抑制的概率)在[0，1]内间隔取值，分别进行卷积神经网络的训练，当测试集TF_test的识别准确率最高时，确定为最佳的dropout取值；
步骤5-4-3、对于神经网络的迭代次数，当驾驶行为测试集TF_test的预测准确率平稳收敛时，确定为最终的迭代次数。
步骤6、对于驾驶行为的实测雷达回波信号，根据步骤3中提取驾驶行为的时间多普勒时频图，输入到识别驾驶行为识别映射模型M中，最终完成驾驶行为检测识别。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
步骤1、采集驾驶行为的动作回波信号；
步骤2、对采集到的雷达回波信号进行预处理，具体为：对雷达信号进行去直流处理，然后在快时间域上快速作傅里叶变换得到驾驶行为的时间距离分布图；
步骤3、在慢时间域上作快速傅里叶变换得到驾驶行为的时间多普勒分布图，根据对应的驾驶行为对时频图进行标记，建立驾驶行为的时频图数据库TF_Data；
步骤4、将上述驾驶行为时频图数据库TF_Data分为两个互斥的集合，其中一个为驾驶行为训练集TF_train，另一个为驾驶行为测试集TF_test，每个集合中各种驾驶行为的比例一致；
步骤5、构建卷积神经网络，确定网络结构，并使用卷积自编码器对网络进行预训练以使参数初始化，接着利用驾驶行为训练集TF_train和测试集TF_test对网络进行训练及调优，最终得到驾驶行为识别模型M；
步骤6、对于驾驶行为的实测雷达回波信号，根据步骤3中提取驾驶行为的时间多普勒分布图，将其输入到识别驾驶行为识别映射模型M中，完成驾驶行为检测识别。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
步骤1、采集驾驶行为的动作回波信号；
步骤2、对采集到的雷达回波信号进行预处理，具体为：对雷达信号进行去直流处理，然后在快时间域上作快速傅里叶变换得到驾驶行为的时间距离分布图；
步骤3、在慢时间域上作快速傅里叶变换得到驾驶行为的时间多普勒分布图，根据对应的驾驶行为对时频图进行标记，建立驾驶行为的时频图数据库TF_Data；
步骤4、将上述驾驶行为时频图数据库TF_Data分为两个互斥的集合，其中一个为驾驶行为训练集TF_train，另一个为驾驶行为测试集TF_test，每个集合中各种驾驶行为的比例一致；
步骤5、构建卷积神经网络，确定网络结构，并使用卷积自编码器对网络进行预训练以使参数初始化，接着利用驾驶行为训练集TF_train和测试集TF_test对网络进行训练及调优，最终得到驾驶行为识别模型M；
步骤6、对于驾驶行为的实测雷达回波信号，根据步骤3中提取驾驶行为的时间多普勒分布图，将其输入到识别驾驶行为识别映射模型M中，完成驾驶行为检测识别。
本发明的识别方法抗干扰能力强，不受光线等外部条件影响；本发明的方法为非接触式监测，能够在不与驾驶者发生身体接触的情况下，实现疏忽驾驶的监测。
下面结合实施例对本发明做进一步详细的描述。
实施例
一种基于线性调频连续波雷达的驾驶行为检测方法，包括以下步骤：
步骤1、在图3的实验场景中，实验测量的驾驶行为共有7个，(a)受试者的头部以一定角度向前倾斜；(b)受试者在初始头部向前倾斜后抬起头部；(c)受试者头部后仰；(d)受试者颈部旋转；(e)受试者的头部和上身向前移动而没有一定角度向下弯曲；(f)受试者的上下摇头行为；(g)受试者拿起手机的动作。实验对象共有6人，每个动作分别进行15次，最终得到630包数据。
步骤2、对采集到的雷达回波信号进行预处理，具体为：对雷达信号进行去直流处理，然后在快时间域上作快速傅里叶变换得到时间距离分布图；
步骤3、在慢时间域上作快速傅里叶变换得到驾驶行为的时间多普勒时频图，并作灰度化处理，得到图4、图5、图6、图7、图8、图9、图10的处理结果。根据对应的驾驶行为对时频图进行标记，建立驾驶行为的时频图数据库TF_Data；
步骤4、将得到的驾驶行为时频图数据库TF_Data分为两个互斥的集合，其中一个为驾驶行为训练集TF_train，另一个为驾驶行为测试集TF_test，每个集合中各种驾驶行为的比例一致；
步骤5、构建卷积神经网络，确定网络结构，对网络进行预训练，接着利用驾驶行为训练集TF_train和测试集TF_test对网络进行训练及调优，具体实施步骤为：
步骤5-1、依次选择网络的卷积层数为1、2、3、4层，使用驾驶行为训练集TF_train对网络进行试训练，图11、图12、图13、图14为测试集TF_test的分类结果曲线，由图可知，当卷积层数为3层时，准确率最高，故选择网络的卷积层数为3层，具体网络结构如图15；
步骤5-2、使用卷积自编码器对网络进行预训练，对网络权值参数进行初始化，卷积自编码示意图如图16所示；
步骤5-3、使用驾驶行为训练集TF_train对卷积神经网络进行训练；
步骤5-4、结合驾驶行为训练集TF_train和驾驶行为测试集TF_test的损失函数及驾驶行为识别准确率，对网络进行调节优化，修改调节网络的超参数，以使模型达到最优，具体实施步骤为：
步骤5-4-1、依次选取learning_rate(学习率)为0.0001、0.001、0.01、0.1对神经网络进行训练，图17、图18、图19、图20为不同学习率下训练集和测试集的损失函数曲线，当学习率为0.001时，训练集损失函数收敛平稳，且测试集损失函数收敛值最小，故选定学习率为0.001；
步骤5-4-2、对dropout值在[0，1]内间隔取值，分别进行卷积神经网络的训练，图21为不同dropout值下测试集的分类准确率，由图可知，当drop值为0.2时，训练结果最佳。
步骤5-4-3、图22为learning_rate为0.001、dropout为0.2时的测试集的分类结果曲线，由图可知，当迭代次数为1000时最合适，模型最佳。自此，得到最终的驾驶行为模型M。
步骤6、对于驾驶行为的实测雷达回波信号，提取驾驶行为的时间多普勒时频图，灰度化处理后，输入到驾驶行为识别映射模型M中，最终完成驾驶行为检测识别。从图23的分类结果的混淆矩阵可以看出，最后七种驾驶行为的分类成功率达到了98.4％。
由实施例可知，本发明的方法性能可靠，可以准确地对驾驶行为进行检测。

Claims (10)

1.一种基于线性调频连续波雷达的驾驶行为检测方法，其特征在于，包括以下步骤：
步骤1、采集驾驶行为的动作回波信号；
步骤2、对采集到的雷达回波信号进行预处理，具体为：对雷达信号进行去直流处理，然后在快时间域上作快速傅里叶变换得到驾驶行为的时间距离分布图；
步骤3、在慢时间域上作快速傅里叶变换得到驾驶行为的时间多普勒分布图，根据对应的驾驶行为对时频图进行标记，建立驾驶行为的时频图数据库TF_Data；
步骤4、将上述驾驶行为时频图数据库TF_Data分为两个互斥的集合，其中一个为驾驶行为训练集TF_train，另一个为驾驶行为测试集TF_test，每个集合中各种驾驶行为的比例一致；
步骤5、构建卷积神经网络，确定网络结构，并使用卷积自编码器对网络进行预训练以使参数初始化，接着利用驾驶行为训练集TF_train和测试集TF_test对网络进行训练及调优，最终得到驾驶行为识别模型M；
步骤6、对于驾驶行为的实测雷达回波信号，根据步骤3中提取驾驶行为的时间多普勒分布图，将其输入到识别驾驶行为识别映射模型M中，完成驾驶行为检测识别。
2.根据权利要求1所述的基于线性调频连续波雷达的驾驶行为检测方法，其特征在于，步骤1所述驾驶行为的动作回波信号，具体通过线性调频连续波雷达进行采集，采集所得雷达数据以矩阵形式表示为：R[n,m]＝s(t＝mTf+nTs)，其中R为雷达矩阵信号，矩阵行数据为调频周期内的采样点，对应的时域为快时间域，矩阵列数据为调频周期间的采样点，对应的时域为慢时间域，s为雷达回波模拟信号，Tf为快时间域采样间隔，Ts为慢时间域采样间隔，t为矩阵中处于n行m列的数据点对应的采样时刻。
3.根据权利要求1所述的基于线性调频连续波雷达的驾驶行为检测方法，其特征在于，步骤2中对采集到的雷达信号的预处理，具体为：
步骤2-1、去直流处理，在快时域上计算回波信号的均值，将回波信号减去均值；
步骤2-2、在快时域上作快速傅里叶变换处理，得到驾驶行为的时间距离分布图。
4.根据权利要求3所述的基于线性调频连续波雷达的驾驶行为检测方法，其特征在于，步骤3中建立驾驶行为的时频图数据库TF_Data，具体为：
步骤3-1、对步骤2-2所得驾驶行为的时间距离分布图，在慢时域上作FFT得到驾驶行为的时间多普勒时频图；
步骤3-2、将所得时频图作灰度化处理，根据对应的驾驶行为对灰度化后的时频图进行标记，建立驾驶行为的时频图数据库TF_Data。
5.根据权利要求1所述的基于线性调频连续波雷达的驾驶行为检测方法，其特征在于，步骤5中卷积神经网络的构建、训练以及调优，具体为：
步骤5-1、构建卷积神经网络，使用驾驶行为训练集TF_train对卷积神经网络进行试训练，当测试集TF_test的分类准确率最高时，确定为最佳的网络卷积层数；
步骤5-2、对于步骤5-1中构建完毕的卷积神经网络，在其卷积层和池化层后连接对应的反池化层和反卷积层，构成卷积自编码器，并将全连接层移除，对网络进行预训练以初始化网络权值参数；
步骤5-3、将步骤5-2中网络的反卷积层和反池化层移除，保留卷积层及其权值参数值，添加全连接层，构成卷积神经网络，使用驾驶行为训练集TF_train训练卷积神经网络；
步骤5-4、结合驾驶行为训练集TF_train和驾驶行为测试集TF_test的损失函数及驾驶行为识别准确率，对卷积神经网络进行调节优化，修改调节网络的超参数，最终得到驾驶行为识别模型。
6.根据权利要求5所述的基于线性调频连续波雷达的驾驶行为检测方法，其特征在于，步骤5-1中的对卷积神经网络进行训练，具体为：
步骤5-1-1、对于驾驶行为训练集TF_train中的单个样本(x，y)，通过前向传播计算其损失函数
Figure FDA0002295775780000021
式中，x为驾驶行为对应的时频图，y为驾驶行为种类，hW,b(x)为前向传播预测值，W和b为网络参数，则对应一个批次大小为p的样本的数据集，其整体损失函数为
Figure FDA0002295775780000031
步骤5-1-2、反向传播计算损失函数J(W,b)对W和b的偏导
Figure FDA0002295775780000032
Figure FDA0002295775780000033
其中l表示网络第l层，并更新网络参数W,b，更新公式为；
Figure FDA0002295775780000034
Figure FDA0002295775780000035
7.根据权利要求5所述的基于线性调频连续波雷达的驾驶行为检测技术，其特征在于，步骤5-2中使用卷积自编码器对网络进行初始化，具体为：
步骤5-2-1、对于驾驶行为训练集TF_train中的单个样本(x，y)，其中x为驾驶行为的时频图，y为对应的驾驶行为类别，构建预训练样本(x，x_)，其中训练目标x_为x本身，建立驾驶行为预训练集TF_pre_train；
步骤5-2-2、对于驾驶行为预训练集TF_pre_train中的单个预训练样本(x，x_)，通过前向传播计算其损失函数
Figure FDA0002295775780000036
式中，x和x_均为驾驶行为对应的时频图，
Figure FDA0002295775780000037
为自编码器前向传播预测值，W和b为网络参数，则对应一个批次大小为p的预训练样本的数据集，其整体损失函数为
Figure FDA0002295775780000038
步骤5-2-3、反向传播计算损失函数Jpre(W,b)对W和b的偏导
Figure FDA0002295775780000039
其中l表示网络第l层，并更新网络参数W,b，更新公式为；
Figure FDA00022957757800000310
Figure FDA0002295775780000041
8.根据权利要求5所述的基于线性调频连续波雷达的驾驶行为检测技术，其特征在于，步骤5-4中的对卷积神经网络的调参优化，具体为：
步骤5-4-1、以对数标尺对学习率learning_rate在[1e-4,1e-1]进行搜索取值，当训练集损失函数收敛平稳且测试集损失函数收敛值最小时，确定为最佳的learning_rate；
步骤5-4-2、对神经网络单元被抑制的概率dropout值在[0，1]内间隔取值，分别进行卷积神经网络的训练，当测试集TF_test的识别准确率最高时，确定为最佳的dropout取值；
步骤5-4-3、对于神经网络的迭代次数，当驾驶行为测试集TF_test的预测准确率平稳收敛时，确定为最终的迭代次数。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
CN201911200564.9A 2019-11-29 2019-11-29 基于线性调频连续波雷达的驾驶行为检测方法 Pending CN112883760A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911200564.9A CN112883760A (zh) 2019-11-29 2019-11-29 基于线性调频连续波雷达的驾驶行为检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911200564.9A CN112883760A (zh) 2019-11-29 2019-11-29 基于线性调频连续波雷达的驾驶行为检测方法

Publications (1)

Publication Number Publication Date
CN112883760A true CN112883760A (zh) 2021-06-01

Family

ID=76038619

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911200564.9A Pending CN112883760A (zh) 2019-11-29 2019-11-29 基于线性调频连续波雷达的驾驶行为检测方法

Country Status (1)

Country Link
CN (1) CN112883760A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109407067A (zh) * 2018-10-13 2019-03-01 中国人民解放军海军航空大学 基于时频图卷积神经网络的雷达动目标检测与分类一体化方法
CN110175560A (zh) * 2019-05-24 2019-08-27 哈尔滨工程大学 一种雷达信号脉内调制识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109407067A (zh) * 2018-10-13 2019-03-01 中国人民解放军海军航空大学 基于时频图卷积神经网络的雷达动目标检测与分类一体化方法
CN110175560A (zh) * 2019-05-24 2019-08-27 哈尔滨工程大学 一种雷达信号脉内调制识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CHUANWEI DING等: "Inattentive Driving Behavior Detection Based on Portable FMCW Radar", 《IEEE》 *

Similar Documents

Publication Publication Date Title
CN111507233B (zh) 一种多模态信息融合的智能车路面类型识别方法
CN108520199B (zh) 基于雷达图像与生成对抗模型的人体动作开集识别方法
CN109124625B (zh) 一种驾驶员疲劳状态水平分级方法
CN110796207A (zh) 一种疲劳驾驶检测方法及系统
CN111505632B (zh) 基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法
CN106295555A (zh) 一种活体指纹图像的检测方法
CN108464839A (zh) 一种基于机器学习的车载疲劳驾驶监测预警系统
CN113296087B (zh) 一种基于数据增强的调频连续波雷达人体动作识别方法
CN110728241A (zh) 一种基于深度学习多特征融合的驾驶员疲劳检测方法
CN104107042A (zh) 基于粒子群优化-支持向量机的肌电信号步态识别方法
CN112617835B (zh) 一种基于迁移学习的多特征融合疲劳检测方法
CN114469120B (zh) 一种基于相似度阈值迁移的多尺度Dtw-BiLstm-Gan心电信号生成方法
CN103559508A (zh) 一种基于连续型Adaboost视频车辆检测方法
CN114926825A (zh) 一种基于时空特征融合的车辆驾驶行为检测方法
CN105405253A (zh) 一种驾驶员疲劳状态的监测方法及监测装置
CN110263836B (zh) 一种基于多特征卷积神经网络的不良驾驶状态识别方法
CN106448059A (zh) 基于腕带仪器的驾驶员疲劳检测方法
CN116687411B (zh) 一种游戏综合分数获取方法、装置、智能终端和存储介质
CN111717210B (zh) 一种驾驶员手部相对静止状态下脱离方向盘检测方法
CN112883760A (zh) 基于线性调频连续波雷达的驾驶行为检测方法
CN116712075A (zh) 基于腕部多轴向加速度熵的驾驶疲劳识别方法及设备
CN115937977A (zh) 一种基于多维特征融合的少样本人体动作识别方法
CN113143275B (zh) 一种样本与特征质量联合量化评估的脑电疲劳检测方法
CN114118157A (zh) 一种基于植物电信号的光照信息诊断方法及系统
CN118070154B (zh) 一种基于lstm神经网络驾驶疲劳判别方法和装置

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: 20210601

RJ01 Rejection of invention patent application after publication