專利名稱：車輛行駛狀態(tài)實時判別的方法
技術(shù)領(lǐng)域：
本發(fā)明涉及車載導(dǎo)航領(lǐng)域，具體地說是一種車輛行駛狀態(tài)實時判別的方法
背景技術(shù)：
近年來，車載導(dǎo)航設(shè)備已經(jīng)成功地應(yīng)用在各種類型的交通車輛上，目前市場上的導(dǎo)航設(shè)備一般都有能夠提供GPS導(dǎo)航，導(dǎo)航模式，全國地圖，路徑規(guī)劃，語音提示，音樂欣賞，文件管理等功能，為車輛駕駛者和交通管理者提供了極大的方便。但是隨著交通系統(tǒng)的日益壯大和各類交通車輛的日益增多，交通違規(guī)現(xiàn)象層出不窮，由此導(dǎo)致的交通事故更是屢見不鮮。為了進一步完善車載導(dǎo)航軟件功能，從減少交通違規(guī)的角度開發(fā)一種能告知駕駛者實時行駛狀態(tài)信息，能夠為駕駛者的行駛狀態(tài)提供實時預(yù)警的車載功能已經(jīng)勢在必行，因此，需要車載對交通車輛行駛狀態(tài)進行判別的市場需求便應(yīng)運而生。目前在智能交通系統(tǒng)領(lǐng)域，對車輛行為判別的研究受到了國內(nèi)外學(xué)者的普遍關(guān)注并出現(xiàn)了許多有關(guān)車輛行為的判別技術(shù)方法，這些方法通常以傳統(tǒng)的車輛運動軌跡模式聚類算法為基礎(chǔ)，首先從車輛行駛軌跡中提取表征車輛行駛狀態(tài)的特征，進而利用機器學(xué)習(xí)或者模式分類方法進行行為判別。神經(jīng)網(wǎng)絡(luò)模型是一類被廣泛應(yīng)用的智能判別模型，利用神經(jīng)網(wǎng)絡(luò)模型較強的數(shù)據(jù)處理能力對數(shù)據(jù)進行分類和手勢狀態(tài)識別，取得了很好的分類識別效果，但神經(jīng)網(wǎng)絡(luò)模型對具有時序數(shù)據(jù)的車輛軌跡的建模能力較弱，而且需要大量的樣本數(shù)據(jù)進行訓(xùn)練才能達(dá)到準(zhǔn)確收斂，用在車載中，則加重了車載系統(tǒng)的數(shù)據(jù)存儲負(fù)擔(dān)；為了克服神經(jīng)網(wǎng)絡(luò)模型的建模局限性，研究者又構(gòu)建了動態(tài)貝葉斯網(wǎng)絡(luò)模型進行交通場景車輛軌跡的識別分析，該模型能夠很好地適應(yīng)車輛軌跡數(shù)據(jù)隨時間變化的特點，但卻沒能改進神經(jīng)網(wǎng)絡(luò)模型的對訓(xùn)練數(shù)據(jù)要求維度高，復(fù)雜性高的缺點，仍然會因為訓(xùn)練過度或不足導(dǎo)致低比率的車輛軌跡的識別率；隱馬爾科夫模型繼動態(tài)貝葉斯網(wǎng)絡(luò)模型之后，改進了其對訓(xùn)練數(shù)據(jù)維度高的缺點，并能夠利用其良好的數(shù)據(jù)建模能力對軌跡模式進行建模，可以很大程度上提高車輛軌跡的識別率，若將隱馬爾科夫模型技術(shù)運用于車載當(dāng)中無疑是一個很好的選擇。隱馬爾科夫模型是一種基于參數(shù)表示的描述隨機過程統(tǒng)計特性的概率模型，通常由馬爾可夫鏈和一般隨機過程兩部分構(gòu)成，前者用于描述狀態(tài)的轉(zhuǎn)移，后者則用以描述狀態(tài)與觀察值序列間的關(guān)系。隱馬爾科夫模型可以定義為一個五元組λ (X，V，π，Α，Β)，其中五個參數(shù)的含義如下(I)X = (S1, S2, - ,SJ代表一組馬爾可夫狀態(tài)的集合，其中N為狀態(tài)個數(shù)，狀態(tài)之間可以相互轉(zhuǎn)換，可把t時刻馬爾可夫鏈處于狀態(tài)Si表示成qt的形式qt = Si (1≤i≤N)；(2) V= (V1, V2,…，VT}是T個相互獨立的觀察值符號組成的序列，其中T表示序列中觀察值的個數(shù)，也代表序列的長度。在時域范圍內(nèi)V可等價于按照時間先后次序排列的觀察值的集合。(3) A = IaijINXN(1≤i，j≤N)表示從t時刻的狀態(tài)Si轉(zhuǎn)向t+Ι時刻的狀態(tài)。的
狀態(tài)轉(zhuǎn)移概率分布矩陣，即 = P {qt+1 = Sj I qt = SJ，且滿足
權(quán)利要求
1.一種車輛行駛狀態(tài)實時判別的方法，其特征在于，包括建立行駛車輛運行軌跡段的基于隱馬爾科夫模型數(shù)學(xué)定義的行駛車輛觀察值序列； 建立車輛各個允許行駛狀態(tài)的隱馬爾科夫模型，組成隱馬爾科夫模型庫； 將所述行駛車輛觀察值序列與所述隱馬爾科夫模型庫進行匹配、識別，判斷行駛車輛的行駛狀態(tài)。
2.根據(jù)權(quán)利要求1所述一種車輛行駛狀態(tài)實時判別的方法，其特征在于，所述建立行駛車輛運行軌跡段的基于隱馬爾科夫模型數(shù)學(xué)定義的行駛車輛觀察值序列包括采集車輛原始軌跡點，原始軌跡點數(shù)量不少于26個，形成原始軌跡點序列Linitail, Linitial = Kx1, Y1)，U2，J2)，…，(X1, Y1)! ；1為所述原始軌跡點序列Linitail的長度，其值等于所述原始軌跡點的數(shù)量；對所述原始軌跡點序列Linitail中的各點進行平滑濾波處理，形成有效軌跡點序列^filtering' filtering — 1' J ι)，(Χ 2' J 2)，· · ·，(Χ 1 J l) 1 ；對所述有效軌跡點序列Lfilteing，進行基于最小二乘法的分段擬合，獲得擬合軌跡點序列 Lfit，Lfit= {(χ",), (x" 2，y〃 2)，···，(χ〃χ)}；建立特征值序列L0 = Ie^e2,…，θ ，包括計算所述擬合軌跡點序列Lfit中兩個相鄰兩個點(x〃 i，y〃 i)、(x〃 i+1，y〃 i+1)的運動方向角度θ ” i的值依次為[1，1-1]范圍的整數(shù)；y"i+Γ-y"士≥0時，θ j=artan[ (y‘7 i+1-y"/(χ" i+「x"i)]；y"i+Γ-y"i≥0并且χ'‘ -χ “ = i+1 A i0時θ . 1="2 ；y"i+Γ-y"i≤0時，θ J=artan[ (y‘7 i+1-y"/(x" i+「x"y"i+l"-y"i≤0并且X'‘ -χ “ = i+1 A i0時；θ.=3 31 /2 ；根據(jù)所述原始軌跡點序列Linitail、所述特征值序列L0建立行駛車輛觀察值序列V，V = IV1HK包括劃分方向象限以所述原始軌跡點序列Linitail的點(Xi，Yi)為中心點，將范圍為
的方向角平均劃分為不少于4個方向象限；對方向象限進行編碼從0度角開始，按逆時針方向或順時針方向，依次對各個所述方向象限進行編碼，使每一個所述方向象限均對應(yīng)唯一的區(qū)域數(shù)值；根據(jù)所述特征值序列L0中運動方向角值所在的方向象限，獲得所述運動方向角 θ i對應(yīng)的區(qū)域數(shù)值，得到運動方向角θ i的基于隱馬爾科夫模型數(shù)學(xué)定義的觀察值Vi ； i的值依次為[1，1-1]范圍的整數(shù)。
3.根據(jù)權(quán)利要求1所述一種車輛行駛狀態(tài)實時判別的方法，其特征在于，所述建立車輛各個允許狀態(tài)的隱馬爾科夫模型包括對各個允許狀態(tài)建立樣本軌跡段模式類庫，每一個允許狀態(tài)對應(yīng)一個樣本軌跡段模式類庫；對所述樣本軌跡段模式類庫建立觀察值庫V,，V, = {V1, V2. . . VmI ；所述觀察值庫包含m 個觀察值序列f,VK= {ν,κ, V2K, Vf ...VTK},m的值等于所述樣本軌跡段模式類庫的樣本軌跡段數(shù)量，K依次為[l，m]范圍內(nèi)的整數(shù)；q為[1，M]范圍內(nèi)的整數(shù)，M為樣本軌跡段模式類庫的數(shù)量；對所述觀察值庫\ = {V1, V2. . . VmI進行軌跡模式訓(xùn)練，建立隱馬爾科夫模型入，。
4.根據(jù)權(quán)利要求1所述一種車輛行駛狀態(tài)實時判別的方法，其特征在于，將所述行駛車輛觀察值序列與隱馬爾科夫模型庫進行匹配、識別，判斷行駛車輛的行駛狀態(tài)包括依次計算所述行駛車輛觀察值序列V = (V1,V2,…，VT}對于隱馬爾科夫模型庫的前向概率Ρ(ν| λ》，得到最大前向概率，其中
5.根據(jù)權(quán)利要求2所述一種車輛行駛狀態(tài)實時判別的方法，其特征在于，所述采集車輛軌跡點包括以車輛圖像幀的質(zhì)心坐標(biāo)，作為所述車輛原始軌跡點坐標(biāo)，依次連續(xù)提取車輛26個連續(xù)圖像幀的質(zhì)心坐標(biāo)，所述原始軌跡點序列Linitail的長度等于所述連續(xù)圖像幀的數(shù)量；
6.根據(jù)權(quán)利要求2所述一種車輛行駛狀態(tài)實時判別的方法，其特征在于，對所述有效軌跡點序列Lfilteing，進行基于最小二乘法的分段擬合，所采用的擬合函數(shù)y = f(x)采用三次多項式函數(shù)。
7.根據(jù)權(quán)利要求3所述一種車輛行駛狀態(tài)實時判別的方法，其特征在于，對所述觀察值庫V, = {V1, V2... VmI進行軌跡模式訓(xùn)練，建立隱馬爾科夫模型λ q，包括采用隨機賦值方法初始化隱馬爾科夫模型λ initail的模型參數(shù)； 根據(jù)隱馬爾科夫模型Xinitail的模型參數(shù)，分別計算觀察值庫Vtl的各個觀察值序列廣,Γ/...Γ/沖的觀察值對應(yīng)的隱馬爾科夫前變量3f以)、后向變量光以)， 計算并累加中間變量和《(n)，t值依次為[1，T]范圍內(nèi)的整數(shù)，T為觀察值序列 Vk的長度，K的值依次為[l，m]范圍內(nèi)的整數(shù)；利用隱馬爾科夫重估式對隱馬爾科夫模型Xinitail的模型參數(shù)進行重新估計，得到新隱馬爾科夫模型采用baum-welch算法前向概率進行模型評價，比較前后兩次迭代計算得到前向概率 Plri (Vl λ)和Pn (V| Anew)；判斷Plri (V I λ )與Pn (V I λ new)的差是否小于先驗自定義閾值thresdhold,其中 thresdhold的取值范圍為
，如果是，則隱馬爾科夫模型λ new收斂，隱馬爾科夫模型λ new即為得到所述觀察值庫\ = {V1, V2. . . VmI對應(yīng)的隱馬爾科夫模型λ q0
全文摘要
本發(fā)明提供一種車輛行駛狀態(tài)實時判別的方法，其特征在于，包括以下步驟建立行駛車輛運行軌跡段的基于隱馬爾科夫模型數(shù)學(xué)定義的車輛觀察值序列；建立車輛各個允許行駛狀態(tài)的隱馬爾科夫模型，組成隱馬爾科夫模型庫；將所述車輛觀察值序列與所述隱馬爾科夫模型庫進行匹配、識別，判斷行駛車輛的行駛狀態(tài)；本發(fā)明采用的隱馬爾科夫模型軌跡分段判別技術(shù)能夠保證車輛行駛狀態(tài)判別的實時性和準(zhǔn)確性，本發(fā)明能夠進一步完善車載導(dǎo)航軟件，為駕駛者實時報告行駛狀態(tài)。
文檔編號G08G1/017GK102568200SQ201110431408
公開日2012年7月11日 申請日期2011年12月21日 優(yōu)先權(quán)日2011年12月21日
發(fā)明者叢志環(huán), 宋傳鳴, 王相海 申請人:遼寧師范大學(xué)