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