基于多源数据的斑马线前避让行为识别方法技术

本发明专利技术涉及基于多源数据的斑马线前避让行为识别方法。其包括以下步骤：S1、获取驾驶人员的特征数据，进行分析；S2、获取车辆信息数据，进行处理；S3、获取道路信息数据；S4、对步骤S1、S2、S3中获得数据采用回归分析的方法确定各自的权重，分别得到步骤S1、S2、S3中各自的输入参数；S5、将步骤S4中得到的部分输入参数分别输入BP神经网络进行训练；S6、将步骤S4中得到的另一部分输入参数分别输入步骤S5中BP神经网络进行验证，获得可识别斑马线前驾驶人的避让行为的BP神经网络。获取驾驶人员的不同的特征数据、车辆的数据以及道路的数据，分别输入至神经网络识别模型中训练、验证，从而获取具有识别避让行为功能的BP神经网络。

Recognition method of zebra crossing avoidance behavior based on multi-source data

【技术实现步骤摘要】
基于多源数据的斑马线前避让行为识别方法
本专利技术涉及基于多源数据的斑马线前避让行为识别方法。
技术介绍
当前，非主干道马路上设置有斑马线，却没有设置相应的信号灯，行人与车辆同时汇聚在斑马线时，部分驾驶人员采取避让行为，但是行人无法判断驾驶人员是否采取了避让行为，导致双方均停滞不前，或者均向前行进，这样很容易引起交通事故的发生。
技术实现思路
本申请实施例提供了一种基于多源数据的斑马线前避让行为识别方法，以解决上述问题。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。基于多源数据的斑马线前避让行为识别方法，包括以下步骤：S1、获取驾驶人员的特征数据，利用工具进行分析；S2、获取车辆信息数据，利用小波理论进行处理；S3、获取道路信息数据；S4、对步骤S1、S2、S3中获得数据采用回归分析的方法确定各自的权重，分别得到步骤S1、S2、S3中各自的输入参数；S5、将步骤S4中得到的部分输入参数分别输入BP神经网络进行训练；S6、将步骤S4中得到的另一部分输入参数分别输入步骤S5中BP神经网络进行验证，获得可识别斑马线前驾驶人的避让行为的BP神经网络。可选地，BP神经网络采用粒子群算法进行优化。可选地，BP神经网络如下：A、确定参数输入向量：X＝[x1,x2,...,xn]T(n为输入层单元个数)；输出向量：Y＝[y1,y2,...,yq]T(q为输出层单元数)；希望输出向量：O＝[o1,o2,...,oq]T；确定隐含层输出向量：Cj＝[c1,c2,...,cp]T，j＝1，2，…，p；初始化输入层至隐含层的连接权值：Wj＝[wj1，wj2，...，wjq]T，j＝1，2，…，p；初始化隐含层至输出层的连接权值：Ak＝[ak1,ak2,...,akp]T，k＝1，2，…，q；B、输入模式隐含层各个神经元的激活值：激活函数采用S型函数，连续可微分，g(x)为S型激活函数；其中βk为阈值；S型函数为：将激活值代入激活函数中可得隐含层j单元的输出值：其中，wji为输入层至隐含层的连接权，βj为隐含层单元的阈值；输出层第k个单元的实际输出值为：yk＝g(sk)(k＝1,2,...,q)；C、输出模式当输出值与预设的输出值不一样时或者误差大于所预设的数值时，要对神经网络进行校正；先通过输出层到隐含层，再从隐含层到输入层，循环往复直至误差或者输出的实际值和输出的预设值一致为止；输出层的校正误差为：dk＝(ok-yk)yk(1-yk)(k＝1，2，...，q)，其中，ok为希望输出，yk为实际输出；隐含层各单元的校正误差为：对于输出层至隐含层连接权和输出层阈值的校正量为：Δakj＝σ.dk.cjΔβk＝σdk，其中，cj为隐含层j单元的输出；dk为输出层的校正误差；σ为学习系数，σ＞0；隐含层至输入层的校正量为：Δwji＝γ.ej.xiΔβj＝γ.ej，其中，ej为隐含层j单元的校正误差，γ为学习系数，0＜γ＜1。可选地，驾驶人员的特征数据包括：驾驶人员的年龄数据、驾龄数据和规范意识数据；运用回归分析模型，获得不同数据的不同权重，选取重要的权重数据作为驾驶人员的特征数据，并将其作为输入参数。可选地，车辆信息的数据包括：加速时间、制动时间和方向盘的转动角度，利用小波理论进行分析，运用回归分析模型，获得不同数据的不同权重，并将上述数据作为输入参数。可选地，粒子群算法的模型为：其中式中，ω为惯性权重，d＝1，2，…D，i＝1，2，…，n，k为当前迭代次数，为粒子当前的速度，c1，c2为加速度因子，γ1，γ2随机数，为本粒子历史上最好的位置，为种群中所有粒子中当前最好的位置。本专利技术具有如下优点：通过获取驾驶人员的不同的特征数据、车辆的数据以及道路的数据，将上述数据根据不同的权重分别输入至神经网络识别模型中训练、验证，从而获取具有识别避让行为功能的BP神经网络。附图说明图1：本专利技术的流程示意图。具体实施方式为了能够更加详尽地了解本公开实施例的特点与
技术实现思路
，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或多个实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和装置可以简化展示。本文中，术语“第一”、“第二”等仅被用来将一个元素与另一个元素区分开来，而不要求或者暗示这些元素之间存在任何实际的关系或者顺序。实际上第一元素也能够被称为第二元素，反之亦然。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的结构、装置或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种结构、装置或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的结构、装置或者设备中还存在另外的相同要素。本文中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。下面结合附图和实施例对本专利技术作进一步说明：如图1所示，本实施例的基于多源数据的斑马线前避让行为识别方法，包括以下步骤：S1、获取驾驶人员的特征数据，利用工具进行分析；S2、获取车辆信息数据，利用小波理论进行处理；S3、获取道路信息数据；S4、对步骤S1、S2、S3中获得数据采用回归分析的方法确定各自的权重，分别得到步骤S1、S2、S3中各自的输入参数；S5、将步骤S4中得到的部分输入参数分别输入BP神经网络进行训练；S6、将步骤S4中得到的另一部分输入参数分别输入步骤S5中BP神经网络进行验证，获得可识别斑马线前驾驶人的避让行为的BP神经网络。通过获取驾驶人员的不同的特征数据、车辆的数据以及道路的数据，将上述数据根据不同的权重分别输入至神经网络识别模型中训练、验证，从而获取具有识别避让行为功能的BP神经网络。可选地，BP神经网络采用粒子群算法进行优化。通过运用粒子群算法对BP神经网络进行优化，克服BP神经网络的某些数据的主观性，提高BP神经网络的识别率。可选地，BP神经网络如下：A、确定参数输入向量：X＝[x1,x2,...,xn]T(n为输入层单元个数)；本文档来自技高网...

【技术保护点】
1.基于多源数据的斑马线前避让行为识别方法，其特征在于，包括以下步骤：/nS1、获取驾驶人员的特征数据，利用工具进行分析；/nS2、获取车辆信息数据，利用小波理论进行处理；/nS3、获取道路信息数据；/nS4、对步骤S1、S2、S3中获得数据采用回归分析的方法确定各自的权重，分别得到步骤S1、S2、S3中各自的输入参数；/nS5、将步骤S4中得到的部分输入参数分别输入BP神经网络进行训练；/nS6、将步骤S4中得到的另一部分输入参数分别输入步骤S5中BP神经网络进行验证，获得可识别斑马线前驾驶人的避让行为的BP神经网络。/n

【技术特征摘要】
1.基于多源数据的斑马线前避让行为识别方法，其特征在于，包括以下步骤：
S1、获取驾驶人员的特征数据，利用工具进行分析；
S2、获取车辆信息数据，利用小波理论进行处理；
S3、获取道路信息数据；
S4、对步骤S1、S2、S3中获得数据采用回归分析的方法确定各自的权重，分别得到步骤S1、S2、S3中各自的输入参数；
S5、将步骤S4中得到的部分输入参数分别输入BP神经网络进行训练；
S6、将步骤S4中得到的另一部分输入参数分别输入步骤S5中BP神经网络进行验证，获得可识别斑马线前驾驶人的避让行为的BP神经网络。


2.根据权利要求1所述的基于多源数据的斑马线前避让行为识别方法，其特征在于：BP神经网络采用粒子群算法进行优化。


3.根据权利要求1所述的基于多源数据的斑马线前避让行为识别方法，其特征在于：BP神经网络如下：
A、确定参数
输入向量：X＝[x1,x2,...,xn]T(n为输入层单元个数)；
输出向量：Y＝[y1,y2,...,yq]T(q为输出层单元数)；
希望输出向量：O＝[o1,o2,...,oq]T；
确定隐含层输出向量：Cj＝[c1,c2,...,cp]T，j＝1，2，…，p；
初始化输入层至隐含层的连接权值：Wj＝[wj1，wj2，...，wjq]T，j＝1，2，…，p；
初始化隐含层至输出层的连接权值：Ak＝[ak1,ak2,...,akp]T，k＝1，2，…，q；
B、输入模式
隐含层各个神经元的激活值：



激活函数采用S型函数，连续可微分，g(x)为S型激活函数；
其中βk为阈值；
S型函数为：



将激活值代入激活函数中可得隐含层j单元的输出值：



其中，wji为输入层至隐含层的连接权，βj为隐含层单元的阈值；
输出层第k个单元的实际输出...

【专利技术属性】
技术研发人员：李敏，潘福全，张西龙，刘碧龙，朱永强，陈秀峰，
申请(专利权)人：青岛理工大学，
类型：发明
国别省市：山东;37