CN116127360A - 一种基于图像识别与topsis综合评价的驾驶风格分类方法 - Google Patents

一种基于图像识别与topsis综合评价的驾驶风格分类方法 Download PDF

Info

Publication number
CN116127360A
CN116127360A CN202310137459.5A CN202310137459A CN116127360A CN 116127360 A CN116127360 A CN 116127360A CN 202310137459 A CN202310137459 A CN 202310137459A CN 116127360 A CN116127360 A CN 116127360A
Authority
CN
China
Prior art keywords
event
driving
events
driving style
speed
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
CN202310137459.5A
Other languages
English (en)
Inventor
陈慧勤
陈勇
陈海龙
朱嘉祺
刘昊
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202310137459.5A priority Critical patent/CN116127360A/zh
Publication of CN116127360A publication Critical patent/CN116127360A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于图像识别与TOPSIS综合评价的驾驶风格分类方法，包括以下步骤：步骤1，进行驾驶员驾驶数据的收集，将驾驶数据分割为操作事件和常规驾驶，并进一步将每个操作事件分为多个分事件；步骤2，根据操作事件持续时间设定驾驶风格，并使用Kmeans一维聚类算法进一步对操作事件持续时间进行分类；步骤3，通过模型获取操作事件中除操作事件持续时间各分事件和常规驾驶中各限速等级的驾驶风格；步骤4，基于分事件下驾驶风格确认对应的操作事件的驾驶风格。本发明创新的将整个驾驶数据分为不同的事件进行讨论，并且针对不同的事件使用了不同驾驶风格识别方法，并且最终通过TOPSIS综合评分的办法进行权重融合完成分类。

Description

一种基于图像识别与TOPSIS综合评价的驾驶风格分类方法
技术领域
本发明涉及智能驾驶技术领域，特别涉及一种基于图像识别与TOPSIS综合评价的驾驶风格分类方法。
背景技术
随着汽车工业和人工智能的发展，汽车在人们生活中的地位越来越高，对自动驾驶和智能网联汽车的研究也越来越多。根据美国汽车工业协会(SAE)提出的自动驾驶等级分类标准，汽车的自动化程度从L0(No Driving Automation)级别到L5(Full DrivingAutomation)级别的发展过程中，由于当前技术发展的限制，目前市面上可以进行商用的基本为L2(Partial Driving Automation)级别自动驾驶汽车，因此目前大量的研究指向L3(Conditional Driving Automation)级别驾驶。在L3级别的驾驶研究中，大部分的研究者认为研究驾驶权的分配是一个可行的方向。
在驾驶权的分配问题上，驾驶风格分类方式的研究对其产生至关重要的作用，驾驶风格的分类可以作为驾驶权分配模型的输入端对驾驶权模型进行优化和修正，使得驾驶权分配模型更加智能化和人性化。对于驾驶风格分类而言，早期的研究主要是通过问卷调查等主观的方式进行专家打分和人为分类。随着计算机网络技术的发展，目前大部门的研究基本在通过分析汽车车辆的数据(其中最为常见的为汽车的加速度数据)来进行分类。也有研究者使用卷积神经网络的机器学习方式对数据进行处理和分类，但是在以往的研究中并没有将驾驶过程中的常规驾驶和操作事件进行区分讨论。
以往的研究和专利在对驾驶风格的数据来源上通常有使用网络公共数据集和采集车辆与驾驶人数据集两种，在数据的处理和分类方式上主要有传统统计分析的方法和使用机器学习的端到端分类方法，在对驾驶风格的分类种类上，部分研究者认为分为激进和正常即可，另外的部分研究者则认为应该分为激进、正常、谨慎三种，也有研究者认为再加入运动形成四种驾驶风格。或将其更加细致的分为了6种驾驶风格。另一方面，不乏有研究者将驾驶风格分为-1到+1之间的一个无级范围内，以使得其形成更细致的分类风格。
但是太多的分类种类不仅仅是带来计算的复杂度提升，同时也不利于模型的简化和高效，然而分成太少的2种风格则容易造成数据的丢失，造成较大的误差。
发明内容
本发明提供一种基于图像识别与TOPSIS综合评价的驾驶风格分类方法，所述基于图像识别与TOPSIS综合评价的驾驶风格分类方法包括以下步骤：
步骤1，进行驾驶员驾驶数据的收集，将驾驶数据分割为操作事件和常规驾驶，并进一步将每个操作事件分为多个分事件；所述分事件包括整个事件持续时间、油门踏板速度、油门踏板加速度、方向盘转角速度和方向盘转角加速度；
步骤2，根据操作事件持续时间设定驾驶风格，并使用Kmeans一维聚类算法进一步对操作事件持续时间进行分类；
步骤3，通过模型获取操作事件中除操作事件持续时间各分事件和常规驾驶中各限速等级的驾驶风格；
步骤4，基于分事件下驾驶风格确认对应的操作事件的驾驶风格。
更近一步地，在步骤1中还包括以下步骤：
步骤1.1，通过数据分析统计的方式分类出整个驾驶过程中的常规驾驶路段和操作事件路段；其中操作事件进一步细分为在平时驾驶过程中极其常见的启停事件、超车事件和会车事件；常规事件定义为驾驶员在驾驶过程中没有进行相应的油门或者踏板操作，具体分为在某一段限速道路上0-60km/h、60-80km/h和80-120km/h三个限速模式下的汽车速度变化；
步骤1.2，将操作事件下的启停事件、超车事件和会车事件分别又进行细分，具体分为整个事件持续时间、油门踏板速度、油门踏板加速度、方向盘转角速度和方向盘转角加速度各5个分事件。
更近一步地，在步骤2中还包括以下步骤：
步骤2.1，根据激进型、正常型和谨慎型3种驾驶风格将数据分为3类，确定聚类算法的样本中心k值为3；
步骤2.2，从整个事件持续时间中持续的时间数据点中随机选择3个点，作为3个簇的初始样本中心；
步骤2.3，计算数据点与各样本中心之间的距离，并将最近的中心所在的簇作为该数据点所属的簇；
步骤2.4，计算每个簇的数据点的平均值，并将其作为新的样本中心；
步骤2.5，重复步骤2.2～2.4，直到所有簇的样本中心不再发生变化，或达到最大迭代次数为止，得到整个事件持续时间这一分事件上的驾驶风格。
更近一步地，在步骤3中还包括以下步骤：
步骤3.1，根据采集到的油门踏板和方向盘位置数据，由vi＝(xi+1-xi)/t和ai＝2(xi+1-xi)/t2两个公式计算其速度和加速度，并生成分别对应启停事件、超车事件和会车事件下的油门踏板速度、油门踏板加速度、方向盘转角速度和方向盘转角加速度4条曲线；
步骤3.2，根据生成的速度与加速度曲线与横轴围成的面积纵坐标的高低赋予不同颜色深度，形成更容易识别的速度与加速度图像。
步骤3.3，将众多不同的速度与加速度图像输入超轻量图像分类模型进行分类的和识别。
更近一步地，在步骤3.3中还包括以下步骤：
步骤3.3.1，对于原始图片，通过数据增强策略集成，融合图像变换、图像裁剪和图像混叠3种数据增强方法，通过调整触发概率p％，增强模型的泛化能力，以此得到通过处理后的图片，通过此模型将经过处理和增强的图片作为输出进入半监督蒸馏算法SSLD进行权重的预训练；
步骤3.3.2，对上述步骤3.3.1中得到的未贴标签的图片数据，通过小模型学习到ImageNet22k无标签大规模数据的知识，并将通过半监督蒸馏算法SSLD预训练得到的权重作为模型的初始化参数，进入骨干网络模型PP-LCNet；
步骤3.3.3，通过步骤3.3.2的算法训练出来的权重对骨干网络模型PP-LCNet进行初始化，再将图片数据输入模型进行优化，经过该网络处理后得到一个全连接层网络，并将结果输入到SKL蒸馏损失函数；
步骤3.3.4，将步骤3.3.3中的图片数据同时进入教室预训练模型进行训练，再通过SKL-UGI知识蒸馏算法，在经典的KL知识蒸馏算法的基础上引入对称信息，将该算法输出的图片输入到SKL蒸馏损失函数，得到最终的图像识别结果；
通过该识别结果分别得到启停、超车和会车三个操作事件下油门踏板速度、油门踏板加速度、方向盘转角速度和方向盘转角加速度四个分事件、以及常规驾驶下60km/h、60-80km/h和80-120km/h三个限速模式表现的驾驶风格。
更近一步地，在步骤4中还包括以下步骤：
步骤4.1，根据启停、超车和会车三个事件确定样本条数3和激进型、正常型和谨慎型三个驾驶风格确定样本维度数3，取得每一个分事件下驾驶风格，并根据影响大小给每一个驾驶风格确定一个值，作为算法中随机变量的取值xij，即得到变量矩阵：
Figure BDA0004086409330000051
其中，i分别表示启停、超车和会车三个事件，j表示激进型、正常型和谨慎型三个驾驶风格；
步骤4.2，对上述矩阵进行标准化处理，即根据不同指标的含义，使用公式
Figure BDA0004086409330000052
和
Figure BDA0004086409330000053
将其分为正向指标和逆向指标，其中，xj表示同一个事件下三个驾驶风格的变量取值；
步骤4.3，通过公式
Figure BDA0004086409330000054
其中
Figure BDA0004086409330000055
Figure BDA0004086409330000056
对数据中每个维度的熵值进行计算；
步骤4.4，通过公式dj＝1-Ej计算冗余度和公式
Figure BDA0004086409330000057
进行每个冗余度的权重计算，并由上述计算得到加权后的范化矩阵Z＝(Zij)n×m＝(pij*ωj)；
步骤4.5，通过样本中表现最好的值和表现最差的值分别确定正理想解
Figure BDA0004086409330000058
和负理想解
Figure BDA0004086409330000059
再根据公式
Figure BDA00040864093300000510
计算每个样本距离正理想解的距离
Figure BDA00040864093300000511
和每个样本距离负理想解的距离
Figure BDA00040864093300000512
步骤4.6，通过以下公式
Figure BDA00040864093300000513
计划各评价对象与最优方案的贴近程度，其结果的取值范围为[0,1]，越接近1表明样本评分越好；该评分值即每个分事件下驾驶风格所占权重，表明其对最终结果的影响程度，并取权重最大值作为该事件下表现的驾驶风格；
步骤4.7，通过上述方式，重复步骤4.1～4.6分别对启停事件、超车事件和会车事件下的整个事件持续时间、油门踏板速度、油门踏板加速度、方向盘转角速度和方向盘转角加速度等各5个分事件进行底层的权重融合；再重复步骤4.1～4.6对常规驾驶中60km/h、60-80km/h和80-120km/h三个限速模式进行次顶层权重融合；同理重复步骤4.1～4.6对操作事件和常规驾驶进行顶层权重融合，最终得到驾驶员的驾驶风格，完成驾驶风格的分类。
本发明达到的有益效果是：
与现有的仅使用汽车速度和加速度或者使用机器学习的方式进行驾驶风格分类的方法相比，本发明创新的将整个驾驶数据分为不同的事件进行讨论，并且针对不同的事件使用了不同驾驶风格识别方法，并且最终通过TOPSIS综合评分的办法进行权重融合完成分类。针对整个事件持续时间使用经典Kmeans聚类的方式进行分类，在少量数据的情况下可以达到更高的分类精度；针对油门踏板和方向盘转角的速度与加速度图像，创新的使用了超轻量图像分类(PLUC)模型进行分类，有效保证了在数据量很小情况下的图像分类精度；最终通过基于熵权法的TOPSIS综合评分方法对分事件的各个驾驶风格进行多层权重融合，使得驾驶风格的分类更具客观性、提高了分类可信度、简化了分类算法和模型，使得驾驶风格的分类在进行驾驶权分配的研究中提供更好的模型输入参数。
附图说明
图1为一种基于图像识别与TOPSIS综合评价的驾驶风格分类方法的流程示意图；
图2为一种基于图像识别与TOPSIS综合评价的驾驶风格分类方法中PLUC算法流程示意图；
图3为一种基于图像识别与TOPSIS综合评价的驾驶风格分类方法中各分事件和三种限速模式中的速度或加速度随时间变化曲线的示意图；
图4为一种基于图像识别与TOPSIS综合评价的驾驶风格分类方法的操作事件中三个分事件的权重分配图。
具体实施方式
下面结合附图对本发明的技术方案进行更详细的说明，本发明包括但不仅限于下述实施例。
如附图1所示，本发明提出了一种基于图像识别与TOPSIS综合评价的驾驶风格分类方法。包括以下步骤：
步骤1，通过驾驶模拟器或者实车数据采集的方式进行驾驶员驾驶数据的收集，并根据驾驶汽车速度和加速度的变化特征，将整个驾驶数据进行分割。
进一步的，具体区分的步骤为：
步骤1.1，通过数据分析统计的方式分类出整个驾驶过程中的常规驾驶路段和操作事件路段。其中操作事件进一步细分为在平时驾驶过程中极其常见的启停事件、超车事件和会车事件。常规事件定义为驾驶员在驾驶过程中没有进行相应的油门或者踏板操作，具体分为在某一段限速道路上0-60km/h、60-80km/h和80-120km/h三个限速模式下的汽车速度变化。
步骤1.2，将操作事件下的启停事件、超车事件和会车事件分别又进行细分，具体分为整个事件持续时间、油门踏板速度、油门踏板加速度、方向盘转角速度和方向盘转角加速度等各5个分事件。
步骤2，在上述5个分事件中，对于整个事件持续时间分事件上表现的驾驶风格，考虑分类的简洁性，若该时间持续的很长，则该驾驶员的驾驶风格偏向谨慎型驾驶风格，反之，假如该时间持续得很短则认为更偏向于激进型驾驶风格，居于二者之间则偏向正常型驾驶风格。整个事件持续时间部分数据具体使用Kmeans一维聚类算法进行分类。进一步的，具体的步骤为：
步骤2.1，根据本发明所界定的激进型、正常型和谨慎型3种驾驶风格将数据分为3类，即确定聚类算法的样本中心k值为3；
步骤2.2，从整个事件持续时间中持续的时间数据点中随机选择3个点，作为3个簇的初始样本中心；
步骤2.3，计算数据点与各样本中心之间的距离，并将最近的中心所在的簇作为该数据点所属的簇；
步骤2.4，计算每个簇的数据点的平均值，并将其作为新的样本中心；
步骤2.5，重复步骤2.2～2.4，直到所有簇的样本中心不再发生变化，或达到最大迭代次数为止，得到整个事件持续时间这一分事件上的驾驶风格。
步骤3，对于上述操作事件中油门踏板速度、油门踏板加速度、方向盘转角速度和方向盘转角加速度等4个分事件，以及常规驾驶中上60km/h、60-80km/h和80-120km/h三个限速模式下的驾驶风格的识别。将各分事件和三种限速模式中的速度或加速度随时间变化的曲线，三个限速模式下为速度随时间的变化曲线；该曲线的横轴为时间，纵轴为速度值，再根据每一个时间刻度上速度值的高低不同赋予不同的颜色深度(从黑(R＝0G＝0B＝0)到白(R＝255G＝255B＝255))，因此便形成了如附图3所示一维图像。
根据数据生成的一维图像通过对其进行特征提取和图像识别的方式进行分类，进一步的，其步骤为：
步骤3.1，根据采集到的油门踏板和方向盘位置数据，由vi＝(xi+1-xi)/t和ai＝2(xi+1-xi)/t2两个公式计算其速度和加速度，并生成分别对应启停事件、超车事件和会车事件下的油门踏板速度、油门踏板加速度、方向盘转角速度和方向盘转角加速度4条曲线；
步骤3.2，根据生成的速度与加速度曲线与横轴围成的面积纵坐标的高低赋予不同颜色深度，形成更容易识别的速度与加速度图像。
步骤3.3，将众多不同的速度与加速度图像输入超轻量图像分类模型(PLUC)进行分类的和识别。如图2所示，其步骤进一步表现为：
步骤3.3.1，对于原始图片，通过数据增强策略集成，融合图像变换、图像裁剪和图像混叠3种数据增强方法，通过调整触发概率p％，增强模型的泛化能力，以此得到通过处理后的图片，通过此模型将经过处理和增强的图片作为输出进入半监督蒸馏算法SSLD进行权重的预训练；
步骤3.3.2，对上述步骤3.3.1中得到的未贴标签的图片数据，通过小模型学习到ImageNet22k无标签大规模数据的知识，并将通过半监督蒸馏算法SSLD预训练得到的权重作为模型的初始化参数，进入骨干网络模型PP-LCNet；
步骤3.3.3，通过步骤3.3.2的算法训练出来的权重对骨干网络模型PP-LCNet进行初始化，再将图片数据(包括贴标签的未贴标签的数据)输入模型进行优化，经过该网络处理后得到一个全连接层网络(FC)，并将结果输入到SKL蒸馏损失函数。
步骤3.3.4，将步骤3.3.3中的图片数据同时进入教室预训练模型进行训练，再通过SKL-UGI知识蒸馏算法，在经典的KL知识蒸馏算法的基础上引入对称信息，将该算法输出的图片输入到SKL蒸馏损失函数，得到最终的图像识别结果。通过该识别结果分别得到启停、超车和会车三个操作事件下油门踏板速度、油门踏板加速度、方向盘转角速度和方向盘转角加速度四个分事件、以及常规驾驶下60km/h、60-80km/h和80-120km/h三个限速模式表现的驾驶风格。
步骤4，基于上述各个分事件情况下得到驾驶风格以后，若各个分事件下得到的驾驶风格分类结果相同，则即可认定该事件下表现的驾驶风格；若各个分事件得到的驾驶风格分类结果不同，则视为异常值使用权重融合的方式进行判断。由于各个事件下均有五个分事件，所构成的操作事件五维空间不利于可视化，故以操作事件下的超车事件、启停事件和会车事件所构成的风格分类三维空间对操作事件的影响为例，如图4所示，两两事件之间深灰色块为驾驶风格判断结果相同的正常值(即两两事件之间均判断为激进型、正常型或谨慎型)；浅灰色块为驾驶风格判断结果相邻的异常值(即两两事件之间判断为激进型和正常型、或判断为正常型和谨慎型)；黑色块为驾驶风格判断结果相反的异常值(即两两事件之间判断为激进型和谨慎型)；黑色箭头区域为两两事件之间判断风格正常值区域；白色箭头区域(即图中三维空间体对角线区域)为所以事件之间判断风格正常值区域。若三个事件下均表现为同一种驾驶风格(即同为激进型、正常型或谨慎型的正常值)，则可以认为在操作事件下表现为该驾驶风格；若三个事件表现为不同的驾驶风格(即图中三维空间非体对角线区域的异常值)，则使用基于熵权法的TOPSIS综合评分进行次顶层(即操作事件下启停、超车和会车三个事件层和后文常规驾驶下60km/h、60-80km/h和80-120km/h三个限速模式层)权重融合。具体的步骤为：
步骤4.1，根据启停、超车和会车三个事件确定样本条数3和激进型、正常型和谨慎型三个驾驶风格确定样本维度数3，取得每一个分事件下驾驶风格，并根据影响大小给每一个驾驶风格确定一个值，作为算法中随机变量的取值xij，即得到变量矩阵
Figure BDA0004086409330000101
其中，i分别表示启停、超车和会车三个事件，j表示激进型、正常型和谨慎型三个驾驶风格；
步骤4.2，对上述矩阵进行标准化处理，即根据不同指标的含义，使用公式
Figure BDA0004086409330000111
和
Figure BDA0004086409330000112
将其分为正向指标和逆向指标，其中，xj表示同一个事件下三个驾驶风格的变量取值；
步骤4.3，通过公式
Figure BDA0004086409330000113
(其中
Figure BDA0004086409330000114
Figure BDA0004086409330000115
)对数据中每个维度的熵值进行计算；
步骤4.4，通过公式dj＝1-Ej计算冗余度和公式
Figure BDA0004086409330000116
进行每个冗余度的权重计算，并由上述计算得到加权后的范化矩阵Z＝(Zij)n×m＝(pjj*ωj)；
步骤4.5，通过样本中表现最好的值和表现最差的值分别确定正理想解
Figure BDA0004086409330000117
和负理想解
Figure BDA0004086409330000118
再根据公式
Figure BDA0004086409330000119
计算每个样本距离正理想解的距离
Figure BDA00040864093300001110
和每个样本距离负理想解的距离
Figure BDA00040864093300001111
步骤4.6，通过以下公式
Figure BDA00040864093300001112
计划各评价对象与最优方案的贴近程度，其结果的取值范围为[0,1]，越接近1表明样本评分越好。该评分值即每个分事件下驾驶风格所占权重，表明其对最终结果的影响程度，并取权重最大值作为该事件下表现的驾驶风格。
步骤4.7，通过上述方式，若启停事件、超车事件和会车事件下的整个事件持续时间、油门踏板速度、油门踏板加速度、方向盘转角速度和方向盘转角加速度等各5个分事件的驾驶风格均通过上述聚类和图像识别的方式判断为同一种(即同为激进型、正常型或谨慎型)，则可以得到启停、超车或会车事件的驾驶风格即为该种；若5个分事件判断出来的风格不全一样，则重复步骤4.1～4.6，对其进行底层(即启停、超车和会车三个事件下都有的整个事件持续时间、油门踏板速度、油门踏板加速度、方向盘转角速度和方向盘转角加速度等5个分事件层)权重融合，所不同的是，针对5个分事件，步骤4.1中所取的样本条数和维数均为5，同理，得到的变量矩阵为
Figure BDA0004086409330000121
步骤4.8，同理，若常规驾驶中60km/h、60-80km/h和80-120km/h三个限速模式下，通过速度曲线变为一维图像的方式，再使用图像识别方法分类出的驾驶风格相同，则可以判定常规驾驶下表现的驾驶风格；若不同，则重复步骤4.1～4.6，对三种模式下判断的驾驶风格进行次顶层权重融合；
步骤4.9，经过步骤4.1～4.6对操作事件的风格进行确定和经过步骤4.8对常规驾驶下表现的风格进行确定后，若二者确定的风格为同一种(同为激进型、正常型或谨慎型)，即得到该驾驶员的驾驶风格，完成驾驶风格的分类；若二者确定的风格不同，则重复步骤4.1～4.6对操作事件和常规驾驶下表现的驾驶风格进行顶层(即操作事件与常规驾驶层)权重融合，所不同的是，由于只有操作事件和常规驾驶两个指标，因此步骤4.1中的样本条数和样本维度数均为2，得到的变量矩阵为
Figure BDA0004086409330000122
再依次完成4.2-4.6，最终得到驾驶员的驾驶风格，完成驾驶风格的分类。
本发明不仅局限于上述具体实施方式，本领域一般技术人员根据实施例和附图公开内容，可以采用其它多种具体实施方式实施本发明，因此，凡是采用本发明的设计结构和思路，做一些简单的变换或更改的设计，都落入本发明保护的范围。

Claims (6)

1.一种基于图像识别与TOPSIS综合评价的驾驶风格分类方法，其特征在于，所述基于图像识别与TOPSIS综合评价的驾驶风格分类方法包括以下步骤：
步骤1，进行驾驶员驾驶数据的收集，将驾驶数据分割为操作事件和常规驾驶，并进一步将每个操作事件分为多个分事件；所述分事件包括整个事件持续时间、油门踏板速度、油门踏板加速度、方向盘转角速度和方向盘转角加速度；
步骤2，根据操作事件持续时间设定驾驶风格，并使用Kmeans一维聚类算法进一步对操作事件持续时间进行分类；
步骤3，通过模型获取操作事件中除操作事件持续时间各分事件和常规驾驶中各限速等级的驾驶风格；
步骤4，基于分事件下驾驶风格确认对应的操作事件的驾驶风格。
2.根据权利要求1所述基于图像识别与TOPSIS综合评价的驾驶风格分类方法，其特征在于，在步骤1中还包括以下步骤：
步骤1.1，通过数据分析统计的方式分类出整个驾驶过程中的常规驾驶路段和操作事件路段；其中操作事件进一步细分为在平时驾驶过程中极其常见的启停事件、超车事件和会车事件；常规事件定义为驾驶员在驾驶过程中没有进行相应的油门或者踏板操作，具体分为在某一段限速道路上0-60km/h、60-80km/h和80-120km/h三个限速模式下的汽车速度变化；
步骤1.2，将操作事件下的启停事件、超车事件和会车事件分别又进行细分，具体分为整个事件持续时间、油门踏板速度、油门踏板加速度、方向盘转角速度和方向盘转角加速度各5个分事件。
3.根据权利要求2所述基于图像识别与TOPSIS综合评价的驾驶风格分类方法，其特征在于，在步骤2中还包括以下步骤：
步骤2.1，根据激进型、正常型和谨慎型3种驾驶风格将数据分为3类，确定聚类算法的样本中心k值为3；
步骤2.2，从整个事件持续时间中持续的时间数据点中随机选择3个点，作为3个簇的初始样本中心；
步骤2.3，计算数据点与各样本中心之间的距离，并将最近的中心所在的簇作为该数据点所属的簇；
步骤2.4，计算每个簇的数据点的平均值，并将其作为新的样本中心；
步骤2.5，重复步骤2.2～2.4，直到所有簇的样本中心不再发生变化，或达到最大迭代次数为止，得到整个事件持续时间这一分事件上的驾驶风格。
4.根据权利要求3所述基于图像识别与TOPSIS综合评价的驾驶风格分类方法，其特征在于，在步骤3中还包括以下步骤：
步骤3.1，根据采集到的油门踏板和方向盘位置数据，由vi＝(xi+1-xi)/t和ai＝2(xi+1-xi)/t2两个公式计算其速度和加速度，并生成分别对应启停事件、超车事件和会车事件下的油门踏板速度、油门踏板加速度、方向盘转角速度和方向盘转角加速度4条曲线；
步骤3.2，根据生成的速度与加速度曲线与横轴围成的面积纵坐标的高低赋予不同颜色深度，形成更容易识别的速度与加速度图像。
步骤3.3，将众多不同的速度与加速度图像输入超轻量图像分类模型进行分类的和识别。
5.根据权利要求4所述基于图像识别与TOPSIS综合评价的驾驶风格分类方法，其特征在于，在步骤3.3中还包括以下步骤：
步骤3.3.1，对于原始图片，通过数据增强策略集成，融合图像变换、图像裁剪和图像混叠3种数据增强方法，通过调整触发概率p％，增强模型的泛化能力，以此得到通过处理后的图片，通过此模型将经过处理和增强的图片作为输出进入半监督蒸馏算法SSLD进行权重的预训练；
步骤3.3.2，对上述步骤3.3.1中得到的未贴标签的图片数据，通过小模型学习到ImageNet22k无标签大规模数据的知识，并将通过半监督蒸馏算法SSLD预训练得到的权重作为模型的初始化参数，进入骨干网络模型PP-LCNet；
步骤3.3.3，通过步骤3.3.2的算法训练出来的权重对骨干网络模型PP-LCNet进行初始化，再将图片数据输入模型进行优化，经过该网络处理后得到一个全连接层网络，并将结果输入到SKL蒸馏损失函数；
步骤3.3.4，将步骤3.3.3中的图片数据同时进入教室预训练模型进行训练，再通过SKL-UGI知识蒸馏算法，在经典的KL知识蒸馏算法的基础上引入对称信息，将该算法输出的图片输入到SKL蒸馏损失函数，得到最终的图像识别结果；
通过该识别结果分别得到启停、超车和会车三个操作事件下油门踏板速度、油门踏板加速度、方向盘转角速度和方向盘转角加速度四个分事件、以及常规驾驶下60km/h、60-80km/h和80-120km/h三个限速模式表现的驾驶风格。
6.根据权利要求5所述基于图像识别与TOPSIS综合评价的驾驶风格分类方法，其特征在于，在步骤4中还包括以下步骤：
步骤4.1，根据启停、超车和会车三个事件确定样本条数3和激进型、正常型和谨慎型三个驾驶风格确定样本维度数3，取得每一个分事件下驾驶风格，并根据影响大小给每一个驾驶风格确定一个值，作为算法中随机变量的取值xij，即得到变量矩阵：
Figure FDA0004086409320000031
其中，i分别表示启停、超车和会车三个事件，j表示激进型、正常型和谨慎型三个驾驶风格；
步骤4.2，对上述矩阵进行标准化处理，即根据不同指标的含义，使用公式
Figure FDA0004086409320000041
和
Figure FDA0004086409320000042
将其分为正向指标和逆向指标，其中，xj表示同一个事件下三个驾驶风格的变量取值；
步骤4.3，通过公式
Figure FDA0004086409320000043
其中
Figure FDA0004086409320000044
Figure FDA0004086409320000045
对数据中每个维度的熵值进行计算；
步骤4.4，通过公式dj＝1-Ej计算冗余度和公式
Figure FDA0004086409320000046
进行每个冗余度的权重计算，并由上述计算得到加权后的范化矩阵Z＝(Zij)n×m＝(ij*j)；
步骤4.5，通过样本中表现最好的值和表现最差的值分别确定正理想解
Figure FDA0004086409320000047
和负理想解
Figure FDA0004086409320000048
再根据公式
Figure FDA0004086409320000049
计算每个样本距离正理想解的距离
Figure FDA00040864093200000410
和每个样本距离负理想解的距离
Figure FDA00040864093200000411
步骤4.6，通过以下公式
Figure FDA00040864093200000412
计划各评价对象与最优方案的贴近程度，其结果的取值范围为[0,1]，越接近1表明样本评分越好；该评分值即每个分事件下驾驶风格所占权重，表明其对最终结果的影响程度，并取权重最大值作为该事件下表现的驾驶风格；
步骤4.7，通过上述方式，重复步骤4.1～4.6分别对启停事件、超车事件和会车事件下的整个事件持续时间、油门踏板速度、油门踏板加速度、方向盘转角速度和方向盘转角加速度等各5个分事件进行底层的权重融合；再重复步骤4.1～4.6对常规驾驶中60km/h、60-80km/h和80-120km/h三个限速模式进行次顶层权重融合；同理重复步骤4.1～4.6对操作事件和常规驾驶进行顶层权重融合，最终得到驾驶员的驾驶风格，完成驾驶风格的分类。
CN202310137459.5A 2023-02-20 2023-02-20 一种基于图像识别与topsis综合评价的驾驶风格分类方法 Pending CN116127360A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310137459.5A CN116127360A (zh) 2023-02-20 2023-02-20 一种基于图像识别与topsis综合评价的驾驶风格分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310137459.5A CN116127360A (zh) 2023-02-20 2023-02-20 一种基于图像识别与topsis综合评价的驾驶风格分类方法

Publications (1)

Publication Number Publication Date
CN116127360A true CN116127360A (zh) 2023-05-16

Family

ID=86304507

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310137459.5A Pending CN116127360A (zh) 2023-02-20 2023-02-20 一种基于图像识别与topsis综合评价的驾驶风格分类方法

Country Status (1)

Country Link
CN (1) CN116127360A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117021959A (zh) * 2023-10-10 2023-11-10 北京航空航天大学 一种基于驾驶风格识别的滑行回收扭矩获取方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117021959A (zh) * 2023-10-10 2023-11-10 北京航空航天大学 一种基于驾驶风格识别的滑行回收扭矩获取方法
CN117021959B (zh) * 2023-10-10 2023-12-22 北京航空航天大学 一种基于驾驶风格识别的滑行回收扭矩获取方法

Similar Documents

Publication Publication Date Title
CN109993082B (zh) 卷积神经网络道路场景分类与道路分割方法
CN108830188B (zh) 基于深度学习的车辆检测方法
CN101447020B (zh) 基于直觉模糊的色情图像识别方法
CN111783826B (zh) 一种基于预分类与集成学习的驾驶风格分类方法
CN111008639B (zh) 一种基于注意力机制的车牌字符识别方法
CN105825212A (zh) 一种基于Hadoop的分布式车牌识别方法
CN113232669B (zh) 一种基于机器学习的驾驶风格辨识方法
CN105718889A (zh) 基于GB(2D)2PCANet深度卷积模型的人脸身份识别方法
CN112215847B (zh) 基于对抗学习多尺度特征的重叠染色体自动分割方法
CN114170511B (zh) 基于Cascade RCNN的路面裂缝病害识别方法
CN113947259B (zh) 一种基于gru神经网络的不同风格驾驶员车速预测方法
CN103839033A (zh) 一种基于模糊规则的人脸识别方法
CN116127360A (zh) 一种基于图像识别与topsis综合评价的驾驶风格分类方法
CN111563555A (zh) 一种司机驾驶行为分析方法及系统
CN115092165A (zh) 一种基于聚类模型的不同循环工况下驾驶员风格辨识方法
CN111524140A (zh) 基于cnn和随机森林法的医学图像语义分割方法
CN116092034A (zh) 一种基于改进的DeeplabV3+模型的车道线检测方法
CN116468935A (zh) 一种基于多核卷积网络的交通标志阶梯式分类识别方法
CN115186594A (zh) 一种人-车-路耦合影响下的节能速度优化方法
CN114882351A (zh) 一种基于改进YOLO-V5s的多目标检测与跟踪方法
CN110288041A (zh) 基于深度学习的中草药分类建模方法及系统
CN106326914A (zh) 一种基于svm的珍珠多分类方法
CN116946183A (zh) 一种考虑驾驶能力的商用车驾驶行为预测方法及车用设备
CN113591780A (zh) 一种驾驶员行车风险鉴定方法及系统
CN114722094A (zh) 一种基于kano-g1的供应链业务多源异构数据融合方法

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