一種基于svm算法的駕駛員意圖識(shí)別方法
【專利摘要】本發(fā)明公開(kāi)了一種基于SVM算法的駕駛員意圖識(shí)別方法，先對(duì)駕駛員意圖類型按類別劃分，再按照劃分的類別進(jìn)行數(shù)據(jù)采集，將采集的數(shù)據(jù)用數(shù)字進(jìn)行分類編號(hào)，確定出特征值和駕駛員意圖類別，然后對(duì)采集的數(shù)據(jù)用PCA主成份分析法進(jìn)行降維處理，選擇適當(dāng)?shù)暮撕瘮?shù)將特征向量映射到高維的空間中，以便將本來(lái)不可分的數(shù)據(jù)分開(kāi)，再用預(yù)先分類好的SVM模型對(duì)參數(shù)進(jìn)行訓(xùn)練和離線驗(yàn)證，最后通過(guò)實(shí)時(shí)采集的數(shù)據(jù)對(duì)駕駛員意圖進(jìn)行識(shí)別。這樣簡(jiǎn)化了識(shí)別過(guò)程，減少了識(shí)別的出錯(cuò)率，提升了車載安全。
【專利說(shuō)明】一種基于SVM算法的駕駛員意圖識(shí)別方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于車載識(shí)別【技術(shù)領(lǐng)域】，更為具體地講，涉及一種基于SVM算法的駕駛員 意圖識(shí)別方法，以實(shí)現(xiàn)對(duì)駕駛員操控車輛運(yùn)行意圖的識(shí)別。

【背景技術(shù)】
[0002] 與本發(fā)明最為相似的發(fā)明專利號(hào)為WLP13048,WLP13048中所述為基于雙層 HMM(隱馬爾科夫模型）的駕駛員意圖識(shí)別方法，只通過(guò)車輛信息（如踏板、方向盤等信息） 來(lái)識(shí)別，而實(shí)際在車輛信息十分相似的駕駛員意圖中，很難準(zhǔn)確地識(shí)別，例如駕駛員在超車 換道時(shí)，要先駛?cè)胱蠓杰嚨?，再直行加速，完成超車換道的過(guò)程；而在路口左轉(zhuǎn)時(shí)，駕駛員也 要進(jìn)行左轉(zhuǎn)，再直行的過(guò)程。這兩種意圖的車輛信息十分相似，僅憑車輛信息很難進(jìn)行判 斷。


【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的在于克服上述技術(shù)的不足，提供了一種基于SVM算法的駕駛員意圖 識(shí)別方法，通過(guò)準(zhǔn)確識(shí)別駕駛員的意圖，提升了車載安全。
[0004] 為實(shí)現(xiàn)以上目的，本發(fā)明一種基于SVM算法的駕駛員意圖識(shí)別方法，其特征在于， 包括以下步驟：
[0005] (1)、駕駛意圖的劃分
[0006] 將駕駛員意圖劃分為直行、轉(zhuǎn)向、超車換道三類駕駛意圖，并分別標(biāo)記為1、2、3 ;
[0007] (2)、實(shí)驗(yàn)數(shù)據(jù)的采集和處理
[0008] 2.1)、實(shí)驗(yàn)數(shù)據(jù)的采集
[0009] 車載傳感器按照1、2、3三類駕駛意圖分別采集實(shí)驗(yàn)數(shù)據(jù)，每類實(shí)驗(yàn)數(shù)據(jù)均包括加 速踏板位移、制動(dòng)踏板位移、車速、方向盤轉(zhuǎn)向角、轉(zhuǎn)向角速度、橫擺角、橫擺角速度、車輛離 路口的實(shí)時(shí)距離；
[0010] 2. 2)、實(shí)驗(yàn)數(shù)據(jù)的處理
[0011] 將每類實(shí)驗(yàn)數(shù)據(jù)按照數(shù)字1-8進(jìn)行編號(hào)，然后采用PCA主成份分析法對(duì)編號(hào)完的 數(shù)據(jù)進(jìn)行降維處理，再通過(guò)高斯核函數(shù)將降維處理后的數(shù)據(jù)映射到高維特征空間，如下：

【權(quán)利要求】
1. 一種基于SVM算法的駕駛員意圖識(shí)別方法，其特征在于，包括以下步驟： (1) 、駕駛意圖的劃分 將駕駛員意圖劃分為直行、轉(zhuǎn)向、超車換道三類，并分別標(biāo)記為1、2、3 ; (2) 、實(shí)驗(yàn)數(shù)據(jù)的采集和處理 2.1)、實(shí)驗(yàn)數(shù)據(jù)的采集 車載傳感器按照1、2、3三類分別采集實(shí)驗(yàn)數(shù)據(jù)，每類實(shí)驗(yàn)數(shù)據(jù)均包括加速踏板位移、 制動(dòng)踏板位移、車速、方向盤轉(zhuǎn)向角、轉(zhuǎn)向角速度、橫擺角、橫擺角速度、車輛離路口的實(shí)時(shí) 距離； 2. 2)、實(shí)驗(yàn)數(shù)據(jù)的處理 將每類實(shí)驗(yàn)數(shù)據(jù)按照數(shù)字1-8進(jìn)行編號(hào)，然后采用PCA主成份分析法對(duì)編號(hào)完的數(shù)據(jù) 進(jìn)行降維處理，再通過(guò)高斯核函數(shù)將降維處理后的數(shù)據(jù)映射到高維特征空間。如下：
其中，Xi，Xj為降維后的實(shí)驗(yàn)數(shù)據(jù)，且i < j，i，j e [1，8]，〇為、和^_的協(xié)方差矩陣； (3) 、運(yùn)用SVM訓(xùn)練機(jī)器學(xué)習(xí)算法進(jìn)行離線訓(xùn)練和離線驗(yàn)證 (3. 1)、離線訓(xùn)練 在抽取訓(xùn)練集時(shí)，將經(jīng)過(guò)高斯核函數(shù)處理后的一部分?jǐn)?shù)據(jù)作為訓(xùn)練數(shù)據(jù)，每類數(shù)據(jù)分 別標(biāo)記為一數(shù)據(jù)集，記為Kk，k = 1，2, 3 ; 先將K1作為正集，K 2、K3作為負(fù)集，K i、K2、K3-同輸入到SVM訓(xùn)練機(jī)器學(xué)習(xí)算法中進(jìn)行 訓(xùn)練，得到分類超平面(X);再將K2作為正集，K i、K3作為負(fù)集，K i、K2、K3-同輸入到SVM訓(xùn) 練機(jī)器學(xué)習(xí)算法中進(jìn)行訓(xùn)練，得到分類超平面f 2(x);最后將K3作為正集，Kp K2作為負(fù)集， 1^、1(2、1(3-同輸入到3￥11訓(xùn)練機(jī)器學(xué)習(xí)算法進(jìn)行訓(xùn)練，得到分類超平面匕〇〇; 三種訓(xùn)練得到的結(jié)果可表示為：fk(x) = ?TX+b 其中，為分類超平面的斜率，X= [Xl，X2，…，x8]，b為常數(shù)； 3. 2、離線驗(yàn)證 將經(jīng)過(guò)高斯核函數(shù)處理后的另一部分未用于離線訓(xùn)練的數(shù)據(jù)進(jìn)行離線驗(yàn)證；分別計(jì)算 出每類數(shù)據(jù)到GO、f2 GO、f3(x)的歐氏距離，尋找出距離最小的分類超平面fk(x)，即為為 駕駛員的意圖； (4) 、駕駛員意圖識(shí)別 將實(shí)時(shí)采集的加速踏板位移、制動(dòng)踏板位移、車速、方向盤轉(zhuǎn)向角、轉(zhuǎn)向角速度、橫擺 角、橫擺角速度、車輛離路口的實(shí)時(shí)距離等實(shí)驗(yàn)數(shù)據(jù)分別與fk(x)進(jìn)行歐氏距離計(jì)算，其中 距離最小的f k(x)即為駕駛員的意圖。
2.根據(jù)權(quán)利要求1所述的基于SVM算法的駕駛員意圖識(shí)別方法，其特征在于，所述的 PCA主成份分析法對(duì)編號(hào)完的數(shù)據(jù)進(jìn)行降維處理的方法為： 設(shè)編號(hào)完的數(shù)據(jù)為m行n列，則編號(hào)完的數(shù)據(jù)按m行n列組成矩陣X，再對(duì)X求出協(xié)方 差矩陣X% X*= E{[ (X-E[X]) (X-E[X]) T]} 再計(jì)算出協(xié)方差矩陣礦的特征值和特征向量，取出協(xié)方差矩陣)(#中特征值最大的k行 組成矩陣P，k e [1，m]，則降維到k維后的數(shù)據(jù)Y = PX。
3.根據(jù)權(quán)利要求1所述的基于SVM算法的駕駛員意圖識(shí)別方法，其特征在于，對(duì)于每個(gè) 駕駛行為進(jìn)行多次數(shù)據(jù)采集，一部分進(jìn)行用于離線訓(xùn)練，剩余的數(shù)據(jù)用于離線驗(yàn)證。
【文檔編號(hào)】B60W40/08GK104494600SQ201410781154
【公開(kāi)日】2015年4月8日 申請(qǐng)日期:2014年12月16日 優(yōu)先權(quán)日:2014年12月16日
【發(fā)明者】辛?xí)詭? 王藝霖, 鄒見(jiàn)效, 徐紅兵 申請(qǐng)人:電子科技大學(xué)