基于神经网络的高危路段车辆驾驶行为识别方法与流程

1.本发明涉及车辆驾驶领域，具体涉及一种基于神经网络的高危路段车辆驾驶行为识别方法。


背景技术：

2.随着智能交通系统在现代城市生活中的普遍应用，其对于保证城市交通的平稳运行、保障人民的出行安全起着至关重要的作用。在日常机动车驾驶过程中，由于复杂的道路环境往往易引发交通事故。而导致事故发生的原因主要是由于驾驶员不同的驾驶习惯造成车辆的不稳定。因此以驾驶行为为基础的车辆状态识别成为道路安全的研究热点。
3.目前，现有技术研究主要是利用驾驶辅助系统对车辆的驾驶行为进行检测，并在一定程度上为驾驶员提供安全引导，但多在高端车辆中载才有类似功能的车载设备，如前碰撞预警fcw、车道偏离预警ldw、自动紧急刹车aeb等，且只能实现单一行为的预警。
4.驾驶辅助系统虽然可以为行车安全提供一定的安全保障，但不具备车辆普适性的驾驶行为识别能力，特别是在高危路段，当无法识别车辆的驾驶行为时，会引发交通事故，造成重大损失。


技术实现要素：

5.有鉴于此，本发明的目的是克服现有技术中的缺陷，提供基于神经网络的高危路段车辆驾驶行为识别方法，能够提高驾驶行为识别的准确性与可靠性，有利于对驾驶员进行警示，降低了高危路段的事故发生率。
6.本发明的基于神经网络的高危路段车辆驾驶行为识别方法，包括如下步骤：
7.s1.获取车辆的若干速度与加速度数据对；
8.s2.将车辆的若干速度与加速度数据对作为神经网络的输入，对所述神经网络进行训练，使得所述神经网络输出设定的驾驶行为类别；
9.s3.获取目标车辆的速度与加速度信息；
10.s4.将所述目标车辆的速度与加速度信息输入到训练后的神经网络，并输出目标车辆的驾驶行为类别。
11.进一步，所述步骤s1，具体包括：
12.s11.在目标路段设置监控设备，采集车辆在不同时刻的视频与图像信息；
13.s12.分别对车辆在不同时刻的视频与图像信息进行处理，得到车辆的若干速度与加速度数据对。
14.进一步，根据如下公式确定车辆的速度v：
15.v＝ksp/δn；
16.其中，k为比列系数；s为车道线长达；p为监控设备的采集帧率；δn为帧数差。
17.进一步，根据如下步骤确定车辆的速度与加速度数据对个数：
18.a.设定车辆的速度与加速度数据对个数的初始值n0；
19.b.当所述数据对个数为n0时，判断测试检测率与训练检测率的差值是否小于阈值m；若是，则以n0作为车辆的速度与加速度数据对个数，若否，则进入步骤c；
20.c.将步骤b中的数据对个数与设定的步距k相加，并按照步骤b进行类推判断；
21.d.重复步骤c，得到车辆的速度与加速度数据对个数。
22.进一步，所述测试检测率与训练检测率的计算方法相同，并根据如下公式进行确定所述测试检测率或训练检测率：
[0023][0024]
其中：dr为测试检测率或训练检测率；e
p
为正确检测的异常行为数；e
f
为实际发生的异常行为数。
[0025]
进一步，所述神经网络采用s函数作为激活函数，所述s函数的数学表达式为：
[0026]
进一步，确定神经网络中隐含层节点的个数，具体包括：
[0027]
根据如下公式确定隐含层节点的初始个数：
[0028][0029]
其中，l为隐含层节点数，m为输入层节点数，n为输出层节点数，a为1～10之间的常数；
[0030]
调整隐含层节点的个数，使得训练误差满足期望误差，并将满足期望误差时设置的节点数作为隐含层节点的个数。
[0031]
进一步，所述设定的驾驶行为类别包括超速行为、倒车逆行、低速行驶、紧急制动、停车行为以及正常驾驶；
[0032]
所述超速行为的判断方法为：在连续的若干速度值中，超过一半的速度值都超过目标路段规定的限制速度值，且没有下降趋势；
[0033]
所述倒车逆行的判断方法为：速度值为负值；
[0034]
所述低速行驶的判断方法为：在连续的若干速度值中，超过一半的速度值都低于目标路段规定的限制速度值，且没有加速趋势；
[0035]
所述紧急制动的判断方法为：速度值在设定的距离阈值内从正常速度下降至零，且加速度绝对值增大；
[0036]
所述停车行为的判断方法为：速度值减为0，且加速度也为0；
[0037]
所述正常驾驶的判断方法为：速度值在速度范围[
‑
k1 v1，k2 v1]内，且加速度在阈值范围[
‑
a1，a2]内；v1为目标路段规定的限制速度值，k1、k2、a1以及a2均为设定值。
[0038]
本发明的有益效果是：本发明公开的一种基于神经网络的高危路段车辆驾驶行为识别方法，通过采用深度学习中的神经网络对车辆的速度以及加速度数据进行网络训练学习，进而使用训练好的神经网络来识别车辆的不同驾驶状态，提高了驾驶行为识别的准确性与可靠性，有利于对驾驶员进行警示，降低了高危路段的事故发生率。
附图说明
[0039]
下面结合附图和实施例对本发明作进一步描述：
[0040]
图1为本发明的方法流程示意图；
[0041]
图2为本发明的神经网络的分类识别示意图。
具体实施方式
[0042]
以下结合说明书附图对本发明做出进一步的说明，如图所示：
[0043]
本发明的基于神经网络的高危路段车辆驾驶行为识别方法，包括如下步骤：
[0044]
s1.获取车辆的若干速度与加速度数据对；
[0045]
s2.将车辆的若干速度与加速度数据对作为神经网络的输入，对所述神经网络进行训练，使得所述神经网络输出设定的驾驶行为类别；
[0046]
s3.获取目标车辆的速度与加速度信息；
[0047]
s4.将所述目标车辆的速度与加速度信息输入到训练后的神经网络，并输出目标车辆的驾驶行为类别。
[0048]
其中，车辆在运行过程中其参数变化是非线性的、随机的、时变的，驾驶行为的分类可看作一个非线性分类识别问题。由于人工神经网络具有较好的非线性映射、分类、识别与优化计算等功能，因此引入bp(back propagation)神经网络对车辆驾驶行为进行分类识别。
[0049]
所述神经网络的学习规则使用梯度下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小,所述神经网络的模型拓扑结构包括输入层、隐含层和输出层。所述神经网络具有降低识别误差的优势，在大量数据的训练下，可以提高驾驶行为分类的准确性。
[0050]
本发明基于大量的车辆检测数据，通过对每一类驾驶行为的速度、加速度进行判断分析，来确定高危路段的驾驶行为类别，解决了基础数据量较大的问题，优化了驾驶行为的判别过程，极大地提高了不同驾驶行为的识别率，为后续高危路段异常驾驶行为预警系统的设计提供了支持。
[0051]
本实施例中，所述步骤s1，具体包括：
[0052]
s11.在目标路段设置监控设备，采集车辆在不同时刻的视频与图像信息；其中，在高危路段特征断面布设交通监控摄像头，形成摄像头网络，为实现路段层面的连续性检测提供了很好的数据支撑；
[0053]
s12.分别对车辆在不同时刻的视频与图像信息进行处理，得到车辆的若干速度与加速度数据对。其中，采用目标跟踪的视频检测技术来处理视频与图像信息，包括检测运动目标、前后帧的目标匹配、图像坐标与车辆空间坐标之间的转换等过程，最后获得所测车辆的速度、加速度等参数信息。
[0054]
本实施例中，对所测车辆的速度进行检测，具体包括：输入车辆的视频帧，通过opencv自带的运动目标检测来处理车辆的视频信息，利用背景差分法结合帧差法得到运动区域，再经过图像二值化及形态学进行处理，从而完整地检测出运动目标；
[0055]
通过kalman滤波器预测车辆行驶轨在当前图像中的大小和具体位置，完成前后帧的目标匹配；通过对摄像机进行标定，得到图像坐标与车辆空间坐标之间的转换关系，然后
根据平面坐标求得车辆实际空间的坐标，则车辆的速度v为：
[0056]
v＝ksp/δn；
[0057]
其中，k为比列系数；s为车道线长达；p为监控设备的采集帧率；δn为帧数差。
[0058]
根据计算得到的车辆速度，并结合车辆速度与加速度之间的物理学关系，可以计算得到车辆加速度。
[0059]
本实施例中，步骤s3中，获取目标车辆的速度与加速度信息的方式或原理与步骤s1相同，在此不再赘述。
[0060]
本实施例中，根据如下步骤确定车辆的速度与加速度数据对个数：
[0061]
a.设定车辆的速度与加速度数据对个数的初始值n0；
[0062]
b.当所述数据对个数为n0时，判断测试检测率与训练检测率的差值是否小于阈值m；若是，则以n0作为车辆的速度与加速度数据对个数，若否，则进入步骤c；
[0063]
c.将步骤b中的数据对个数与设定的步距k相加，并按照步骤b进行类推判断；
[0064]
d.重复步骤c，得到车辆的速度与加速度数据对个数。
[0065]
其中，所述阈值n0取值为3，所述阈值m根据实际使用场景进行设定，所述步距k取值为1。
[0066]
本实施例中，所述测试检测率与训练检测率的计算方法相同，并根据如下公式进行确定所述测试检测率或训练检测率：
[0067][0068]
其中：dr为测试检测率或训练检测率；e
p
为正确检测的异常行为数；e
f
为实际发生的异常行为数。
[0069]
本实施例中，所述神经网络采用s函数作为激活函数，所述s函数的数学表达式为：其中，通过激活函数来描述神经网络中层与层输出之间的关系，从而模拟各层神经元之间的交互反应。
[0070]
本实施例中，确定神经网络中隐含层节点的个数，具体包括：
[0071]
根据如下公式确定隐含层节点的初始个数：
[0072][0073]
其中，l为隐含层节点数，m为输入层节点数，n为输出层节点数，a为1～10之间的常数；
[0074]
调整隐含层节点的个数，使得训练误差满足期望误差，并将满足期望误差时设置的节点数作为隐含层节点的个数。其中，所述训练误差是指输出值与输入值之间的差值，所述期望误差根据实际使用场景进行设定。
[0075]
需要说明的是，为了进一步完善所使用的所述神经网络，神经网络中的其它相关参数，可以利用试算法逐一调试进行确定。
[0076]
本实施例中，所述设定的驾驶行为类别包括超速行为、倒车逆行、低速行驶、紧急制动、停车行为以及正常驾驶；
[0077]
所述超速行为的判断方法为：在连续的若干速度值中，超过一半的速度值都超过
目标路段规定的限制速度值，且没有下降趋势；其中，车辆超速时，其加速度变化同正常行驶情况下的加速度变化无明显差别，而速度则由正常速度缓慢加速，逐渐超过最高限速值；
[0078]
所述倒车逆行的判断方法为：速度值为负值；其中，车辆会先减速为0然后反向加速行驶，车辆在倒车逆行过程中车辆的速度为负值，此时对应的加速度负值表示车辆在逆向加速，而加速度正值表示该车在减速，在倒车逆行过程中车辆的加速度变化不大；
[0079]
所述低速行驶的判断方法为：在连续的若干速度值中，超过一半的速度值都低于目标路段规定的限制速度值，且没有加速趋势；其中，车辆在低速行驶时存在一个由正常速度减速至最低限速以下的车速变化过程；
[0080]
所述紧急制动的判断方法为：速度值在设定的距离阈值内从正常速度下降至零，且加速度绝对值增大；所述距离阈值可根据实际情况进行设定；其中，汽车在行驶过程中遇到紧急情况时，驾驶者迅速、正确的采取制动措施，在短距离内将车停住，在此过程中，车辆从正常速度迅速下降至零，加速度绝对值存在一个激增的过程，根据车辆速度和加速度来判断车辆是否发生紧急制动；
[0081]
所述停车行为的判断方法为：速度值减为0，且加速度也为0，最后车辆静止不动；其中，车辆在发生紧急停车行为包含两个过程，一是紧急制动，二是停车；
[0082]
所述正常驾驶的判断方法为：速度值在速度范围[
‑
k1 v1，k2 v1]内，且加速度在阈值范围[
‑
a1，a2]内；v1为目标路段规定的限制速度值，k1、k2、a1以及a2均为设定值；其中，所述k1、k2可根据实际工况进行设定；所述a1取值为2，所述a2取值为2。
[0083]
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。