本發(fā)明涉及車輛智能駕駛和主動安全技術領域，特別是涉及一種基于改進hmm和svm雙層算法的駕駛意圖識別方法。

背景技術：

道路事故通常是由于駕駛員的一些不合規(guī)范的駕駛操作行為導致，換道過程引發(fā)的道路事故約占駕駛員操作不當引發(fā)的交通事故總數(shù)的23％。因此，系統(tǒng)完整的感知換道過程中駕駛員的操作行為，開展駕駛員駕駛意圖識別研究，對減少道路事故的發(fā)生，提高機動車道路行駛的安全水平有著十分重要的意義。

目前，一些先進的駕駛員意圖識別系統(tǒng)已實車應用。當前常見的駕駛員駕駛意圖識別系統(tǒng)主要針對自車行駛信息和道路信息的情況，系統(tǒng)通常使用多種傳感器對自車的行駛狀態(tài)與前方路況等行實時監(jiān)控，然后使用單一的學習模型分析駕駛員可能的駕駛意圖，根據(jù)駕駛方式不同分為：車道左變換、車道保持、車道右變換。由此可見，現(xiàn)有的駕駛員駕駛意圖識別系統(tǒng)對駕駛意圖分類較少，且僅考慮自車的運動狀態(tài)和道路的信息，沒有考慮駕駛員本身的信息，分類的學習模型也較為單一。因此，目前需要一種基于多學習模型考慮完整人-車-路交通系統(tǒng)的駕駛員駕駛意圖識別方法提高駕駛員意圖識別系統(tǒng)的完整性和精確性。

技術實現(xiàn)要素：

本發(fā)明的目的在于克服上述技術的不足，提出了一種基于改進hmm和svm雙層算法考慮完整人-車-路交通信息的駕駛員駕駛意圖識別方法，通過準確識別駕駛員駕駛意圖，提高車輛行駛的安全性。為實現(xiàn)以上目的，本文發(fā)明了一種基于改進hmm和svm雙層算法的駕駛員意圖識別方法，其特征在于包括以下步驟：

步驟1：駕駛意圖分類

將駕駛員駕駛意圖分為急左變道、一般左變道、車道保持、一般右變道和急右變道五類。并分別標記為1、2、3、4和5。

步驟2：實驗數(shù)據(jù)采集與預處理

采用6自由度scanerii駕駛模擬器作為主要實驗設備，采集自車在高速道路行駛時車道保持和車道變換的實驗數(shù)據(jù)，主要包括：自車的方向盤轉角、與車道中心線的橫向距離、橫擺角速度、制動踏板力。同時，通過安裝在模擬駕駛器方向盤上的疲勞檢測儀實時采集駕駛員頭部運動視頻信息。

首先運用klt算法計算采集駕駛員頭部運動視頻信息以獲取駕駛員臉部中心橫坐標偏離其均值的大小。為消除由于原始數(shù)據(jù)部分階躍性導致的關聯(lián)性降低，對所采集的1.2秒時間窗口的駕駛行為數(shù)據(jù)均進行卡爾曼濾波預處理獲得樣本集，并對樣本集向量進行歸一化處理以提高分類精度。為提高雙層算法的運算速度，利用pca主成分分析方法提取主成分降低數(shù)據(jù)維度。

步驟3：改進的hmm和svm雙層算法的離線訓練。

3.1hmm模型構建及訓練

預處理后的駕駛行為數(shù)據(jù)輸入第一層hmm模型，通過前向-后向算法得到各意圖hmm模型參數(shù)，建立各意圖hmm模型完成駕駛員駕駛意圖的分類及分類準確率的計算。在對未知意圖識別時，排除概率相對較小的類，然后比較剩余hmm模型輸出概率值，判斷是否為易混淆意圖，如非則輸出hmm算法識別的結果；反之，把意圖類別相關行為數(shù)據(jù)作為候選模式集導入第二層svm模型進行識別。

3.2svm模型構建及訓練

預處理后的駕駛行為信息數(shù)據(jù)輸入第二層svm模型，通過網格尋優(yōu)算法得到支持向量機分類器模型參數(shù)，建立各意圖的svm識別模型。將hmm模型中易混淆意圖的數(shù)據(jù)導入所建立的svm模型，通過投票表決算法輸出駕駛員駕駛意圖。

步驟4：駕駛意圖識別。

將新采集的駕駛行為數(shù)據(jù)預處理后輸入改進的hmm-svm雙層算法進行模型驗證，獲得各行為數(shù)據(jù)序列對應的駕駛員的駕駛意圖。

本發(fā)明實現(xiàn)過程：

本發(fā)明基于改進hmm-svm雙層算法的駕駛意圖識別方法，開始對駕駛員的駕駛意圖類型分類，根據(jù)不同的類別進行數(shù)據(jù)的采集。然后將采集的數(shù)據(jù)進行分類編號，確定特征向量及其對應的駕駛員的駕駛意圖類別。接著對采集的數(shù)據(jù)進行卡爾曼濾波，歸一化處理濾波后的數(shù)據(jù)，然后利用pca主成分分析法數(shù)據(jù)降維，將數(shù)據(jù)輸入hmm模型獲得駕駛員駕駛意圖的各個hmm模型，并得到對應的駕駛意圖。同時將預處理后的數(shù)據(jù)輸入svm模型獲得駕駛員駕駛意圖的各個svm模型。將hmm模型中所得到識別率較低的駕駛意圖對應的駕駛行為序列導入svm模型中，利用徑向基核函數(shù)將特征向量映射到高維空間中，以便將本來不可分的數(shù)據(jù)分開，再用預先建立的的svm模型對參數(shù)進行分類，選擇投票表決算法確定駕駛意圖。最后將實時采集的數(shù)據(jù)導入改進的hmm-svm雙層算法對駕駛員駕駛意圖進行識別。

與現(xiàn)有技術相比，本發(fā)明的優(yōu)點在于：

1、除了利用多傳感器采集自車信息及道路信息，本發(fā)明通過klt算法對實時采集換道過程駕駛員視頻信息進行處理作為駕駛員信息輸入，構成完整人-車-路交通系統(tǒng)的信息采集。

2、與一般的hmm-svm混合算法識別駕駛員駕駛意圖，將整個hmm輸出作為svm輸入不同，本發(fā)明著重利用hmm和svm算法的互補性，建立hmm和svm雙層算法，先利用第一層hmm根據(jù)數(shù)據(jù)類間相似性進行駕駛意圖識別，輸出能夠識別的駕駛意圖，將其中易混淆的駕駛意圖對應的駕駛行為序列導入第二層svm根據(jù)類別間差異性進行駕駛意圖識別，并在最后采用投票表決算法根據(jù)輸出概率大小確定駕駛員的駕駛意圖。

3、為消除由于原始數(shù)據(jù)部分階躍性導致的關聯(lián)性降低，對所采集的時間窗口的數(shù)據(jù)均進行卡爾曼濾波預處理獲得樣本集，并對樣本集向量進行歸一化處理以提高分類精度；為提高向量機的運算速度，利用pca主成分分析方法提取主成分降低數(shù)據(jù)維度。

附圖說明：

圖1：基于改進hmm和svm雙層算法的駕駛員駕駛意圖識別流程圖

圖2：隱馬爾科夫原理圖

圖3：支持向量機原理圖

圖4：駕駛員駕駛主要意圖分類

圖5：svm離線數(shù)據(jù)意圖識別原理

圖6：模型駕駛意圖識別

具體實施方式

結合附圖對本發(fā)明的具體實施方式進行描述，以便以后的研究人員更好的理解本發(fā)明。

圖1是改進的hmm和svm雙層算法的駕駛員駕駛意圖識別流程圖。整體上介紹本發(fā)明的主體思路，先進行數(shù)據(jù)的采集與預處理獲得訓練向量，然后同時訓練第一層hmm分類器和第二層svm分類器，其次通過第一層hmm分類器排除其可以識別的意圖，減少第二層svm分類器負擔。將第一層中的易混淆意圖對應的訓練向量導入第二層svm分類器通過投票表決算法完成駕駛員駕駛意圖的識別。

圖2隱馬爾科夫原理圖。q＝(q1,q2,q3)表示駕駛員的駕駛意圖為不可觀察的隱狀態(tài)，ν＝[v1,v2,v3,v4]表示可觀察的駕駛行為序列。a＝[aij]表示從意圖qi到意圖qj的轉移矩陣，b＝[bjk]表示從意圖qj產生行為νk的產生矩陣。

圖3支持向量機原理圖.支持向量分類機通過某種事先選擇的非線性映射κ(v，vi)(核函數(shù))將輸入換到行為向量ν＝[v1,ν2,…,νn]映射到一個高維特征空間，在這個空間中尋找最優(yōu)分類超平面。使得它能夠盡可能多的將兩類數(shù)據(jù)點正確的分開，同時使分開的兩類數(shù)據(jù)點距離

分類面最遠。其中輸出為標簽量l,權值為λili。接下來對基于改進hmm和svm雙層算法的駕駛員駕駛意圖識別方法進行具體說明。

本發(fā)明首先對駕駛員的駕駛意圖進行分類，急左變道、一般左變道、車道保持、一般右變道和急右變道。分別標記為1、2、3、4和5。對采集的數(shù)據(jù)進行卡爾曼濾波、歸一化處理、pca主成分分析降維。運用第一層hmm模型獲得能夠識別的駕駛意圖，將易混淆的駕駛行為序列輸入第二層已經訓練、優(yōu)化的svm模型完成對駕駛員駕駛意圖識別。最后將hmm-svm模型用于對駕駛員駕駛意圖的識別。

步驟1：駕駛員駕駛意圖的分類

本發(fā)明對駕駛員的駕駛意圖進行分類：急左變道、正常左變道、車道保持、正常右變道和急右變道，分別標記為1、2、3、4和5，其中車道保持和車道左右變換三大類如圖4所示。

步驟2：實驗數(shù)據(jù)采集與處理：采集自車在高速路行駛時車道保持和車道變換的實驗數(shù)據(jù)，先通過多傳感器采集特定換道意圖對應的換到行為數(shù)據(jù)序列，緊接著對換道行為數(shù)據(jù)序列進行卡爾曼濾波處理、歸一化處理后進行pca主成分分析。

采用6自由度scanerii駕駛模擬器作為主要實驗設備，采集自車在高速路行駛時車道保持和車道變換的實驗數(shù)據(jù)，主要包括：通過klt算法將安裝在模擬駕駛器方向盤上的疲勞檢測儀實時采集駕駛員頭部運動視頻信息裝變?yōu)轭^部位移量a(t)、自車的方向盤轉角b(t)、制動踏板力c(t)、與車道中心線的橫向距離d(t)。

將每類試驗數(shù)據(jù)按1-5進行編號，然后對樣本數(shù)據(jù)中的每個特征向量均進行卡爾曼濾波處理其中處理的方法為：先引入一個離散控制過程的系統(tǒng),

x(k)＝mx(k-1)+nu(k)+w(k)，z(k)＝hx(k)+v(k)(1)

式中，x(k)：k時刻的系統(tǒng)狀態(tài)，u(k)：k時刻對系統(tǒng)的控制量。m和n是系統(tǒng)參數(shù)矩陣。z(k)：k時刻測量值，h：測量系統(tǒng)參數(shù)矩陣。w(k)和v(k)分別表示過程噪聲和測量噪聲。

假設現(xiàn)在的系統(tǒng)狀態(tài)是k，基于系統(tǒng)的上一狀態(tài)預測現(xiàn)在狀態(tài)：

x(k|k-1)＝mx(k-1|k-1)+nu(k)(2)

式中x(k|k-1):利用上一狀態(tài)預測的結果，x(k-1|k-1):上一狀態(tài)最優(yōu)的結果，u(k):現(xiàn)在狀態(tài)的控制量。對應于x(k|k-1)的協(xié)方差

p更新：p(k|k-1)＝mp(k-1|k-1)m^t+q(3)

式中，m^t:m的轉置矩陣，q:系統(tǒng)過程的協(xié)方差。

現(xiàn)在狀態(tài)k的最優(yōu)化估算值：

x(k|k)＝x(k|k-1)+kg(k)(z(k)-hx(k|k-1))(4)

kg(k)＝p(k|k-1)h'/(hp(k|k-1)h'+r(k))(5)

式中r(k)表示k時刻測量噪聲矩陣。

至此得到了k狀態(tài)下最優(yōu)的估算值x(k|k)；

更新k狀態(tài)下x(k|k)的協(xié)方差：

p(k|k)＝(i-kg(k)h)p(k|k-1)(6)

其中i為單位矩陣。依此可計算出所采集數(shù)據(jù)樣本中每一個特征向量的濾波值。

對濾波后的特征向量進行歸一化處理的方法為：對同一時間序列中的任一特征向量中樣本數(shù)據(jù)x(n),n＝1,2,…，n歸一化處理得到y(tǒng)(k)：y(k)＝(x(k)-min(x(n)))/(max(x(n))-min(x(n))),k∈[1,n](7)

利用pca主成分分析法對對計算的樣本向量的進行降維處理的方法為：對原始數(shù)據(jù)進行標準化處理。假設進行主成份分析的指標變量有p個，分別為x1，x2，…,xn，共有q組駕駛數(shù)據(jù)，第i組駕駛數(shù)據(jù)的第j個指標的取值eij。將各指標值eij轉換成標準化指標值有

式中：即μj,sj為第j個指標的樣本均值和樣本標準差。對應地，為標準化指標變量。

pro2：計算相關系數(shù)矩陣r.相關系數(shù)矩陣r＝(rij)p×p，有

式中rii＝1，rij＝rji,rij為第i個指標與第j個指標的相關系數(shù)。

pro3：計算特征值和特征向量。計算相關系數(shù)矩陣r的特征值λ1≥λ2≥…≥λp≥0，及對應的特征向量ω1,ω2,…,ωp，其中ωj＝[ω1j,ω2j,…,ωpj]^t,由特征向量組成p個新的指標向量：

式中，f1、f2、…、fp分別為第一主成分、第二主成分…，第p主成分。

pro4：選擇r(r≤p)個主成分計算累計貢獻率選擇主成分。

上式為主成份f1,f2,…,fr的累計貢獻率。當αr接近于95％時則選擇前r個指標變量

f1,f2,…,fr作為r個主成分，代替原來p個指標。

本專利中最終選擇r＝4。

步驟3：hmm和svm雙層算法的構建與優(yōu)化，進而構建出第一層hmm模型和第二層svm模型。

3.1.hmm訓練及構建

將前處理后的數(shù)據(jù)輸入第一層hmm模型，通過得到的駕駛員駕駛的最大似然估計組對駕駛意圖進行初步分類的方法為：

pro1:用向量θ描述駕駛意圖hmm模型，θ＝[p0,a,b]。

p0為時刻t＝1各駕駛意圖的初始概率{p(qi)；i＝1,2,…,m}的矢量形式。

a＝[aij]＝[p(qj(t+1)|qi(t))](12)

t＝1,2,…,t-1；i,j＝1,2,…,m

aij表示從駕駛意圖ui到駕駛意圖uj的轉移矩陣。

b＝[p(νk(t)|qj(t))]＝[bjk](13)

t＝1,2,…,t；j＝1,2,…,m；k＝1,2,…，n

bjk表示駕駛意圖為uj觀察到駕駛行為νk的概率。

pro2:根據(jù)已知的駕駛行為序列，通過前向-后向算法確定hmm模型參數(shù)[p0,a,b]。

在(t-1)時刻駕駛意圖為qi，在t時刻駕駛意圖為qj且可見駕駛行為序列為ν的概率為：

p(qi(t-1)→qj(t),v|θ)＝αi(t-1)aijbjkβj(t)(14)

式中，αi(t-1)為(t-1)時刻駕駛意圖ui觀察到之前時刻所有駕駛行為的概率和；βj(t)為t時刻駕駛意圖uj觀測到之后時刻所有駕駛行為的概率和；aijbjk(t)表示系統(tǒng)有駕駛意圖qi(t-1)轉移到qj(t)并產生駕駛行為序列vk(t)的概率。

產生駕駛行為序列ν條件下，從駕駛意圖qi(t-1)轉移到駕駛意圖qj(t)的概率γij為，

γij(t)＝p(qi(t-1)→qj(t)|ν,θ)＝p(qi(t-1)→qj(t),ν|θ)/p(ν|θ)(15)

即

式中，p(ν|θ)為所有可能的駕駛意圖序列產生可見駕駛行為序列ν的總概率。

最后得到[p0,a,b]的重估計公式：

式中，p(qj(1))表示在t＝1時刻觀察到駕駛意圖qj時的完整駕駛操作序列的概率,l表示長為t的駕駛意圖序列的標記。根據(jù)上式多次迭代，逐步修正，求解最大化p(ν|θ)得出模型參數(shù)向量[p0,a,b]。

pro3：已知θ＝[p0，a，b]，計算出現(xiàn)觀察序列ν的概率p(ν|θ)；

前向計算αj(t)、后向計算βi(t)的迭代過程如下：

對于任何1≤t≤t,都有：

基于訓練得到的5種駕駛模型參數(shù)[p0,a,b]，計算不同駕駛意圖hmm模型條件下的的p(ν|θi)，并比較它們的大小，將待識別意圖分到p(ν|θi)取最大值的類中，完成第一層hmm的分類，然后比較hmm的輸出概率，判斷是否為易混淆駕駛意圖，若是，把易混淆意圖對應的駕駛行為數(shù)據(jù)序列作為候選模式集，用第二層svm進行意圖識別，反之，直接輸出hmm識別結果。

3.2svm模型訓練及構建

根據(jù)第一層hmm模型輸出的易混淆駕駛意圖對應的駕駛行為序列對應的駕駛意圖種類確定svm分類器個數(shù)。易混淆意圖對應的的前處理后的數(shù)據(jù)及對應的標簽量導入svm模型，通過網格尋優(yōu)算法獲得支持向量機參數(shù)[c,g]，完成分類器的訓練和優(yōu)化。最后將第一層hmm模型對應的易混淆行為序列輸入訓練好的svm模型，最后通過投票表決算法輸出駕駛意圖。

給定訓練樣本集{(v1,l1),(v2,l2),…,(vn,ln)}輸入svm模型。式中ν1(t),ν2(t),...，νn(t)分別表示時窗t＝1.2s內對應的駕駛行為特征向量。根據(jù)步驟1駕駛意圖分類，駕駛意圖標簽li(t)＝1、2、3、4和5分別表示：急左變道、左變道、車道保持、右變道和急右變道換五類。

將第一層hmm模型中易混淆駕駛意圖對應的的行為序列導入第二層svm，假設易混淆意圖有3種，分別是急左變道、左變道和車道保持，需要個分類器。

選擇rbf徑向基核函數(shù)將易混淆駕駛行為數(shù)據(jù)映射到高維空間，來解決在原始空間中線性不可分的問題，如下：

式中，νi,νj表示第一層hmm中易混淆駕駛意圖對應的駕駛行為數(shù)據(jù)，且i＜j,i,j∈[1,4]；σ＝cov(νi,νj)。

首先利用訓練數(shù)據(jù)建立的決策函數(shù)f¹＝sgn(g¹(x))以把類“1”分出，同樣f²＝sgn(g²(x))，f³＝sgn(g³(x))能實現(xiàn)“2，3”分類。三分類訓練得到的分類超平面：

其中b由下式獲得：

3.3模型驗證

將剩余的未用于模型訓練的數(shù)據(jù)驗證基于hmm和svm雙層算法的駕駛意圖識別的精確度，計算第一層hmm模型的駕駛意圖的概率輸出與第二層svm模型對易混淆駕駛意圖的概率輸出，通過投票表決算法概率取值較大的即為識別的駕駛意圖。若能達到準確識別，則可用于實際中進行駕駛員駕駛意圖識別。

本實施例中,svm分類原理如圖5所示,圖中的實心圓即為駕駛行為數(shù)據(jù)點,通過計算hmm中易混淆換到行為序列到gⁱ(x)距離的d1、d2和d3大小,可以看出d3為最短距離,即樣例驗證數(shù)據(jù)點與g³(x)最為靠近,則駕駛員的駕駛意圖最有可能是第3類。

步驟4：駕駛員意圖識別

將采用6自由度scanerii駕駛模擬器作為主要實驗設備，采集的自車的方向盤轉角、與車道中心線的橫向距離、橫擺角速度、縱向速度、制動踏板位移和通過klt算法獲取的駕駛員臉部中心橫坐標偏離其均值的大小等數(shù)據(jù)進行以卡爾曼濾波、歸一化處理后pca主成份分析降維,將數(shù)據(jù)輸入第一層hmm模型中獲得駕駛員駕駛意圖輸出概率識別率較高的直接輸出駕駛意圖，然后選擇易混淆駕駛意圖對應的駕駛行為序列，導入第二層svm模型計算其到gⁱ(x)的歐氏距離,尋找出距離最小的分類超平面,即為svm駕駛員的駕駛意圖,投票表決判斷第一層hmm算法和第二層svm算法對于易混淆意圖的輸出概率，選擇較大的作為駕駛意圖輸出。

本實施例依據(jù)江蘇大學汽車安全重點實驗室6自由度scanerii模擬駕駛儀平臺進行試驗，將50組駕駛行為數(shù)據(jù)預處理后導入建立的改進的hmm和svm雙層算法中，意圖識別結果如圖6所示，從實驗結果可知高速道路行駛時依據(jù)本發(fā)明基于改進hmm和svm雙層算法的駕駛員駕駛意圖識別方法能夠較準確識別駕駛意圖。該測試結果數(shù)據(jù)表明基于改進hmm和svm雙層算法的駕駛員駕駛意圖識別方法對于高速公路上行駛的車輛是可行的和實用的。

綜上，本發(fā)明的一種基于改進hmm和svm雙層算法的駕駛員換道意圖辨識方法，先通過多傳感器采集特定換道意圖對應的換到行為數(shù)據(jù)序列，緊接著對換道行為數(shù)據(jù)序列進行卡爾曼濾波處理、歸一化處理后主成分分析，將選擇的主特征量導入第一層hmm模型中獲得駕駛員換道意圖輸出概率識別率較高的直接輸出換道意圖，然后選擇易混淆換道意圖對應的換道行為序列，導入第二層svm模型利用徑相基核函數(shù)映射到高維可分空間，計算其到各個換道意圖svm模型的歐氏距離,尋找出距離最小的分類超平面,即為svm駕駛員的駕駛意圖,投票表決判斷第一層hmm算法和第二層svm算法對于易混淆意圖的輸出概率，選擇概率較大的作為換道意圖輸出。本發(fā)明完整的的考慮人-車-路系統(tǒng)，采集自車、道路和駕駛員信息，采用hmm和svm雙層學習模型，提高了駕駛員換道意圖辨識模型的準確度和及時性。

在本說明書的描述中，參考術語“一個實施例”、“一些實施例”、“示意性實施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結合該實施例或示例描述的具體特征、結構、材料或者特點包含于本發(fā)明的至少一個實施例或示例中。在本說明書中，對上述術語的示意性表述不一定指的是相同的實施例或示例。而且，描述的具體特征、結構、材料或者特點可以在任何的一個或多個實施例或示例中以合適的方式結合。

盡管已經示出和描述了本發(fā)明的實施例，本領域的普通技術人員可以理解：在不脫離本發(fā)明的原理和宗旨的情況下可以對這些實施例進行多種變化、修改、替換和變型，本發(fā)明的范圍由權利要求及其等同物限定。