基于自适应谐振理论变种算法的驾驶行为识别方法技术

本发明专利技术公开了一种基于自适应谐振理论变种算法的驾驶行为识别方法，按如下步骤进行：1利用车载传感器收集驾驶人的驾驶行为操纵数据，预处理后提取相应驾驶操纵动作；2构建驾驶人的驾驶行为操纵模式；3构建基于自适应谐振理论变种算法的驾驶行为识别方法；4将所有驾驶行为操纵模式各输入网络一次完成网络对所有驾驶行为的记忆；5输入任意驾驶行为操纵模式，网络即可识别相应驾驶行为，并具有在线增量自学习的特点。本发明专利技术能使驾驶行为识别方法更好的贴近驾驶人驾驶操纵的个性特征，从而提高驾驶行为的识别率。

【技术实现步骤摘要】

本专利技术是一种基于自适应谐振理论变种算法的驾驶行为识别方法，用于解决传统驾驶行为识别技术与驾驶人个体特性之间的不协调，属于驾驶行为识别

技术介绍
交通事故原因的统计结果表明，80％-90％的交通事故是由驾驶人的个体因素造成的，而车辆及环境因素造成的交通事故仅占10-20％。数据充分说明驾驶人在交通事故预防中的核心地位和作用，驾驶人不仅是道路交通系统的信息处理者、决策者，也是调节者和控制者，其行为是否安全对于整个系统的状态有重大影响。但实际驾驶过程中，不同驾驶人的个体因素存在一定的差别，主要体现在驾驶行为及相应的一系列驾驶操纵动作操纵序列中。目前，国内外已有一些驾驶行为识别领域相关的技术方法。数据来源大致可分为两种：一种是针对驾驶人本身，通过摄像头采集驾驶人手部与方向盘的图像；另一种是针对车辆及车道，通过各类车载传感器采集车辆状态及前方车道情况，最后都通过计算机图像识别、传感器数据融合、模式识别等技术分析采集到的数据，识别出当前驾驶行为。现有技术方法虽然能够有效实现驾驶行为识别，但都主要对驾驶人行为特征及行为识别等方面进行分析研究，没有考虑驾驶人个体特征对驾驶行为识别的影响，导致实际识别率偏低。
技术实现思路
本专利技术为了克服现有技术的不足之处，提出一种基于自适应谐振理论变种算法的驾驶行为识别方法，以期能使驾驶行为识别方法更好的贴近驾驶人驾驶操纵的个性特征，从而提高驾驶行为的识别率。本专利技术为解决技术问题，采用如下技术方案：本专利技术一种基于自适应谐振理论变种算法的驾驶行为识别方法的特点是按如下步骤进行：步骤1、利用车载传感器对驾驶人的H种驾驶行为分别收集N组时长为T的原始操纵数据；从而获得H×N组时长为T的原始操纵数据；步骤2、对收集的第h种驾驶行为的第n组原始操纵数据进行预处理，得到第h种驾驶行为的第n组操纵数据，记为表示第h种驾驶行为的第n组操纵数据中第k类操纵动作数据；并有：表示第h种驾驶行为的第n组操纵数据中第k类操纵动作在第m个时间节点的数据；1≤h≤H；1≤n≤N；1≤k≤K；1≤m≤M；步骤3、判断所述第h种驾驶行为的第n组操纵数据中第k类操纵动作在第m个时间节点的数据是否发生操纵动作，若发生，则提取第h种驾驶行为的第n组操纵数据中第k类操纵动作在第m个时间节点的数据否则，令第h种驾驶行为的第n组操纵数据中第k类操纵动作在第m个时间节点的数据为“0”；从而获第h种驾驶行为的第n组操纵数据中第k类操纵动作节点，记为步骤4、重复步骤3，对所述第h种驾驶行为的第n组操纵数据中K类操纵动作数据的操纵动作均进行判断和提取，得到第h种驾驶行为的第n组操纵数据中K类操纵动作节点，从而构建第h种驾驶行为的第n个操纵模式为：步骤5、重复步骤2-步骤4，从而得到第h种驾驶行为的N个操纵模式为：A(h)＝[A(h)(1)；A(h)(2)；…；A(h)(n)；…；A(h)(N)]，进而对H种驾驶行为分别构建N个操纵模式为A＝[A(1)；A(2)；…；A(h)；…；A(H)]；步骤6、基于自适应谐振理论变种算法对所述操纵模式A进行判别，分别得到相应的驾驶行为类型；步骤6.1、将所述第h种驾驶行为的第n个操纵模式A(h)(n)中每一类操纵动作节点数据行向量按序首尾相接，得到第h种驾驶行为的第n个一维行向量，记为并作为第h种驾驶行为的第n个网络输入特征向量，从而获得第h种驾驶行为的N个网络输入特征向量，记为I(h)＝{I(h)(1),I(h)(2),…,I(h)(n),…,I(h)(N)本文档来自技高网...

【技术保护点】
一种基于自适应谐振理论变种算法的驾驶行为识别方法，其特征是按如下步骤进行：步骤1、利用车载传感器对驾驶人的H种驾驶行为分别收集N组时长为T的原始操纵数据；从而获得H×N组时长为T的原始操纵数据；步骤2、对收集的第h种驾驶行为的第n组原始操纵数据进行预处理，得到第h种驾驶行为的第n组操纵数据，记为表示第h种驾驶行为的第n组操纵数据中第k类操纵动作数据；并有：表示第h种驾驶行为的第n组操纵数据中第k类操纵动作在第m个时间节点的数据；1≤h≤H；1≤n≤N；1≤k≤K；1≤m≤M；步骤3、判断所述第h种驾驶行为的第n组操纵数据中第k类操纵动作在第m个时间节点的数据是否发生操纵动作，若发生，则提取第h种驾驶行为的第n组操纵数据中第k类操纵动作在第m个时间节点的数据否则，令第h种驾驶行为的第n组操纵数据中第k类操纵动作在第m个时间节点的数据为“0”；从而获第h种驾驶行为的第n组操纵数据中第k类操纵动作节点，记为步骤4、重复步骤3，对所述第h种驾驶行为的第n组操纵数据中K类操纵动作数据的操纵动作均进行判断和提取，得到第h种驾驶行为的第n组操纵数据中K类操纵动作节点，从而构建第h种驾驶行为的第n个操纵模式为：步骤5、重复步骤2‑步骤4，从而得到第h种驾驶行为的N个操纵模式为：A(h)＝[A(h)(1)；A(h)(2)；…；A(h)(n)；…；A(h)(N)]，进而对H种驾驶行为分别构建N个操纵模式为A＝[A(1)；A(2)；…；A(h)；…；A(H)]；步骤6、基于自适应谐振理论变种算法对所述操纵模式A进行判别，分别得到相应的驾驶行为类型；步骤6.1、将所述第h种驾驶行为的第n个操纵模式A(h)(n)中每一类操纵动作节点数据行向量按序首尾相接，得到第h种驾驶行为的第n个一维行向量，记为并作为第h种驾驶行为的第n个网络输入特征向量，从而获得第h种驾驶行为的N个网络输入特征向量，记为I(h)＝{I(h)(1),I(h)(2),…,I(h)(n),…,I(h)(N)}；步骤6.2、对H种驾驶行为的N个操纵模式分别重复步骤6.1，从而得到H种驾驶行为的H×N个网络输入特征向量，记为I＝{I(1),I(2),…,I(h),…,I(H)}；步骤6.3、网络进入对H种驾驶行为的记忆阶段；步骤6.3.1、根据所述网络输入特征向量I(h)(n)元素的个数，设定网络的输入神经元个数为K×M；设定输出神经元个数为J，并记输出神经元的序号为1,2,…,j,…,J，1≤j≤J；设定序号为j的输出神经元对应的记忆权向量为Wj；设定网络运行次数为p，1≤p≤H×N，第p次网络运行时被占用输出神经元个数为μ(p)，0≤μ(p)≤H×N；步骤6.3.2、以第h种驾驶行为的第1个网络输入特征向量I(h)(1)为基准，计算与第h种驾驶行为的N个网络输入特征向量之间的欧式距离，记为表示第h种驾驶行为的第1个网络输入特征向量与第n个网络输入特征向量之间的欧式距离；利用式(1)获得第h种驾驶行为的第1个网络输入特征向量与第n个网络输入特征向量之间的相似度从而获得第h种驾驶行为的第1个网络输入特征向量与N个网络输入特征向量之间的相似度，记为ξ1,n(h)=1-O1,n(h)K×M---(1)]]>步骤6.3.3、对H种驾驶行为重复步骤6.3.2，分别得到N个网络输入特征向量之间的相似度ξ＝{ξ(1),ξ(1)…,ξ(h),…,ξ(H)}，计算ξ＝{ξ(1),ξ(1)…,ξ(h),…,ξ(H)}包含的H×N个相似度的均值及标准差Sξ，从而利用式(2)获得网络的警戒参数ρ：ρ=ξ‾-Sξ---(2)]]>步骤6.3.4、初始化p＝1，h＝1，j＝1，μ(p‑1)＝0；步骤6.3.5、第p次网络运行时，输入第h种驾驶行为的第1个网络输入特征向量至网络中，利用式(3)更新第p次网络运行时被占用输出神经元个数μ(p)：μ(p)＝μ(p‑1)+1    (3)利用式(4)获得序号为j的输出神经元所对应的记忆权向量Wj：Wj＝I(h)(1)    (4)步骤6.3.6、将p+1赋值给p，将h+1赋值给h，将j+1赋值给j；重复步骤6.3.5‑步骤6.3.6；直到h＝H时，表示已将H种驾驶行为的第1个网络输入特征向量全部输入网络，完成网络对H种驾驶行为的记忆；并获得被占用输出神经元个数μ(p)＝H及所有被占用输出神经元的记忆权向量W＝[W1；W2；…；Wj；…；WH]；步骤6.4、利用式(5)获得第p次网络运行时序号为j的被占用输出神经元所对应的记忆权向量从而获得第p次网络运行时所有被占用输出神经元的记忆权向量为Wj(p)=Wj---(5)]]>步骤6.5、网络进入驾驶行为识别阶段；步骤6.5.1、将p+1赋值给p；步骤6.5.2、输入第h种驾驶行...

【技术特征摘要】
1.一种基于自适应谐振理论变种算法的驾驶行为识别方法，其特征是按如下步骤进行：步骤1、利用车载传感器对驾驶人的H种驾驶行为分别收集N组时长为T的原始操纵数据；从而获得H×N组时长为T的原始操纵数据；步骤2、对收集的第h种驾驶行为的第n组原始操纵数据进行预处理，得到第h种驾驶行为的第n组操纵数据，记为表示第h种驾驶行为的第n组操纵数据中第k类操纵动作数据；并有：表示第h种驾驶行为的第n组操纵数据中第k类操纵动作在第m个时间节点的数据；1≤h≤H；1≤n≤N；1≤k≤K；1≤m≤M；步骤3、判断所述第h种驾驶行为的第n组操纵数据中第k类操纵动作在第m个时间节点的数据是否发生操纵动作，若发生，则提取第h种驾驶行为的第n组操纵数据中第k类操纵动作在第m个时间节点的数据否则，令第h种驾驶行为的第n组操纵数据中第k类操纵动作在第m个时间节点的数据为“0”；从而获第h种驾驶行为的第n组操纵数据中第k类操纵动作节点，记为步骤4、重复步骤3，对...

【专利技术属性】
技术研发人员：肖献强，周凌侃，王家恩，殷延杰，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽;34