基于深度卷积神经网络的驾驶员决策特征提取方法技术

本发明专利技术公开了一种基于深度卷积神经网络的驾驶员决策特征提取方法，包括：S1,建立训练样本库，以用于卷积神经网络的训练；S2,建立深度卷积神经网络，以用于提取驾驶决策特征；S3,根据训练样本对深度卷积神经网络进行离线训练，来优化卷积神经网络；S4,保留调整好的深度卷积神经网络，得到新的深度卷积神经网络；S5,将实际驾驶数据经过调整后输入新的深度卷积神经网络得到输出，即决策相关的特征。本申请无需依赖于研究人员对于当前场景的理解进行设定所需要提取特征的类型和种类，只需要选定不同场景下训练样本来对于深度卷积神经网络进行训练，避免了复杂的设定实验过程。

Driver Decision Feature Extraction Method Based on Deep Convolution Neural Network

The invention discloses a method for extracting driver decision feature based on deep convolution neural network, which includes: S1, establishing training sample bank for training convolution neural network; S2, establishing deep convolution neural network for extracting driver decision feature; S3, separating deep convolution neural network according to training sample. Line training is used to optimize the convolution neural network; S4 is used to retain the adjusted depth convolution neural network and get the new depth convolution neural network; S5 is used to input the actual driving data into the new depth convolution neural network to get the output, that is, the characteristics related to decision-making. This application does not depend on the type and type of features that researchers need to extract to set the understanding of the current scene. It only needs to select training samples in different scenarios to train the deep convolution neural network, avoiding the complex setting experiment process.

【技术实现步骤摘要】
基于深度卷积神经网络的驾驶员决策特征提取方法
本专利技术涉及一种特征提取方法，具体说是一种基于深度卷积神经网络的驾驶员决策特征提取方法。
技术介绍
自主驾驶作为智能交通领域的一个重要部分。受当前主观信任感和客观技术等原因，自主车依旧需要智能驾驶系统(智能辅助驾驶系统)和人类驾驶员相互协作以完成驾驶任务。而在这个过程中，无论是更好的量化驾驶员的信息以供智能系统决策，还是通过区分驾驶员的不同以为人们提供个性化的服务，驾驶员建模都是必不可少的重要步骤。而为了更好的描述驾驶员模型，深入了解驾驶环境与对应驾驶行为之间的关系，建立起来驾驶环境到驾驶员策略之间的映射，因而提取驾驶决策相关的环境特征都是必不可少的一环。通过对于相关技术文献的检索发现，当前对于提取驾驶决策特征包括两种主要的研究思路：思路一是借助传统的基于模型的方法：借助计算机视觉、雷达探测技术、超声波探测技术等信息提取方法，通过复杂的数学推导和模型设计从而实现特定数据集的特征提取，进而基于研究人员的经验来选择其中需要的驾驶决策特征，用于驾驶决策过程。但该方法受特定环境因素影响较大，导致方法的适用性的下降。同时因为需要涉及复杂的数学推导本文档来自技高网...

【技术保护点】
1.一种基于深度卷积神经网络的驾驶员决策特征提取方法，其特征在于，包括：S1,建立训练样本库，以用于卷积神经网络的训练；S2,建立深度卷积神经网络，以用于提取驾驶决策特征；S3,根据训练样本对深度卷积神经网络进行离线训练，来优化卷积神经网络；S4,保留调整好的深度卷积神经网络，得到新的深度卷积神经网络；S5,将实际驾驶数据经过调整后输入新的深度卷积神经网络得到输出，即决策相关的特征。

【技术特征摘要】
1.一种基于深度卷积神经网络的驾驶员决策特征提取方法，其特征在于，包括：S1,建立训练样本库，以用于卷积神经网络的训练；S2,建立深度卷积神经网络，以用于提取驾驶决策特征；S3,根据训练样本对深度卷积神经网络进行离线训练，来优化卷积神经网络；S4,保留调整好的深度卷积神经网络，得到新的深度卷积神经网络；S5,将实际驾驶数据经过调整后输入新的深度卷积神经网络得到输出，即决策相关的特征。2.根据权利要求1所述一种基于深度卷积神经网络的驾驶员决策特征提取方法，其特征在于，步骤S1的具体实现过程是：S11,借助实际车辆对不同地点、气候、天气下的行驶活动进行数据采集，具体方法是利用放在车辆挡风玻璃后面的摄像机对于驾驶活动得到驾驶视频，同时记录对应的驾驶操作数据，所述驾驶操作数据根据具体需要的决策信息而变化，如若想获取转向决策结果，收集方向盘转向角度情况；若想获得制动决策结果，则收集包括油门踏板和自动踏板的传感数据；S12,将收集得到的视觉数据和操作数据进行同步；S13,对驾驶视频进行采样，离散化数据，以完成训练样本库的建立。3.根据权利要求1所述一种基于深度卷积神经网络的驾驶员决策特征提取方法，其特征在于，步骤S2中建立的深度卷积神经网络包括1个输入层、3个卷积层、3个池化层、4个全连接层；输入层依次连接第一个卷积层、第一个池化层，然后连接第二个卷积层、第二个池化层，再连接第三个卷积层、第三个池化层，最后依次连接第一个全连接层、第二个全连接层、第三个全连接层、第四个全连接层。4.根据权利要求1...

【专利技术属性】
技术研发人员：邹启杰，李昊宇，
申请(专利权)人：大连大学，
类型：发明
国别省市：辽宁,21