【技术实现步骤摘要】
一种基于隐式马尔可夫链的危险跟驰行为识别方法
[0001]本专利技术涉及交通安全、危险识别领域,具体涉及一种基于隐式马尔可夫链的危险跟驰行为识别方法。
技术介绍
[0002]随着我国城市化水平的进一步提高和道路系统的不断完善,汽车已成为人们必不可少的交通工具。根据历史数据统计,我国每年有超过10万人死于交通事故,其中人为因素导致的交通事故占到总事故数的80%,其外在表现就是“危险驾驶行为”。因此,对行驶过程中潜在的危险行为进行识别,对道路交通安全和运行效率的提升具有现实意义和社会效益。
[0003]目前,针对危险驾驶行为识别的研究,主要分为三个方面:一方面,研究者们对驾驶行为的表征参数进行了研究,驾驶人生理参数获取方式为侵入式,在实时性和应用性上有所欠缺,车辆动力学参数的研究大多只针对自车信息进行提取,未能充分考虑潜在危险行为附近的微观交通流条件以及车辆与周围更多车辆的交互作用;另一方面,专家学者对危险行为的标定方法进行了讨论,研究多使用单一安全替代指标进行描述,并以固定阈值进行危险判定,忽略了车辆动态特征以及车辆在空间和时间两个维度的潜在危险;最后,机器学习算法常被用于车辆换道、转弯等驾驶行为的识别,意图识别模型比较丰富,对危险行为的识别研究较少。
技术实现思路
[0004]本专利技术的技术解决问题:解决以上现有的危险行为识别方法所存在的问题,提供一种基于隐式马尔可夫链的危险跟驰行为识别方法,大大提高了驾驶安全性,有效避免交通事故的产生。且本专利技术的识别方法与驾驶人实际的跟驰行为和危险感知 ...
【技术保护点】
【技术特征摘要】
1.一种基于隐式马尔可夫链的危险跟驰行为识别方法,其特征在于,包括以下步骤:步骤1:采集路段车辆信息,提取车辆跟驰行为片段,建立多维度数据集S,多维度数据集S包括描述自车与周围车辆交互行为的数据集S
cfw
以及描述路段交通流特征的数据集S
cfh
;所述数据集S
cfw
共包含自车速度、前车速度、自车加速度、前车加速度、车头间距、车头时距、前后两车相对速度和加速度8个特征;数据集S
cfh
共包含路段交通量、车流密度、路段车辆时间平均车速、平均加速度、速度标准差以及加速度标准差6个特征;S
cfw
={v,v
p
,a,a
p
,SH,TH,Δv,Δa}其中,v为自车速度;v
p
为前车速度;a为自车加速度;a
p
为前车加速度;SH为车头间距;TH为车头时距;Δv为自车与前车相对速度;Δa为自车与前车相对加速度;Q为路段交通量;K为路段车流密度;为路段车辆时间平均车速;为路段车辆平均加速度;σ
v
为路段车速标准差;σ
a
为路段加速度标准差;步骤2:基于步骤1中的数据集S
cfw
,分别计算车辆的时间危险量化指标、距离危险量化指标和减速度危险量化指标;所述时间危险量化指标包括碰撞时间TTC和改进碰撞时间MTTC;距离危险量化指标包括可接受最小停车距离MSD和紧急减速碰撞指数PICUD;所述减速度危险量化指标是指避免碰撞减速度DRAC;使用各指标熵值和模糊规则,对这五种危险量化指标进行融合,得到时空综合维度的危险量化指标DMI;步骤3:利用步骤2的时空综合维度的危险量化指标DMI,计算得到不同道路交通服务水平下的车辆每一时刻危险量化值的累积分布曲线,当累积分布<90%时为低风险,DMI累积分布≥90%时为高风险,并根据车辆每一时刻的风险状态标定得到观测序列内车辆的跟驰状态;步骤4:对步骤1中的多维度数据集S中的各个特征进行统计学扩增,计算各个特征的最大值、最小值、平均值和差分值,构成新的数据集S
′
,S
′
包括特征扩增后的自车与周围车辆交互行为的数据集S
′
cfw
以及特征扩增后的路段交通流特征的数据集S
′
cfh
;采用随机森林算法分别对S
′
cfw
与S
′
cfh
数据集中影响危险跟驰行为识别结果的特征进行重要度排序及筛选,得到危险跟驰行为识别模型的输入F;步骤5:利用步骤3得到的车辆跟驰状态和步骤4的输入F,结合高斯函数与隐马尔可夫模型,构建并训练高斯混合隐马尔可夫模型GMM
‑
HMM,由此实现危险跟驰行为的识别。2.根据权利要求1所述的基于隐式马尔可夫链的危险跟驰行为识别方法,其特征在于:所述步骤2中,对五种危险量化指标进行融合,得到时空综合维度的危险量化指标DMI的步骤如下:a.构建原始评价矩阵D=(d
ij
)
n
×
m
,其中,n为车辆跟驰片段中的总时间戳个数;m为危险量化指标的个数;d
ij
表示在车辆跟驰片段中第i个时间戳对应的第i个危险量化指标,共有TTC、MTTC、MSD、PICUD、DRAC五种危险量化指标;b.对五种危险量化指标进行归一化处理;c.计算第j个危险量化指标的熵...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。