一种危险驾驶行为识别方法技术

本发明专利技术涉及高速监控领域，特指一种危险驾驶行为识别方法，通过非扩展的卡尔曼滤波的信息融合算法将北斗定位的车辆轨迹跟踪与摄像机识别的车辆轨迹跟踪进行融合，并运用基于GMM描述输出的HMM模型对重点需要识别的危险换道行为作出预测，并结合摄像机识别判定验证，对超速行为、急加速与急减速行为、危险换道、疲劳驾驶行为进行识别。上述方案基于北斗高精定位与摄像机识别的车辆轨迹跟踪融合的危险驾驶行为识别系统再结合高精地图后，很好地完成了多种危险驾驶行为识别与预测功能。

【技术实现步骤摘要】
一种危险驾驶行为识别方法
本专利技术涉及高速监控领域，特指一种危险驾驶行为识别方法。
技术介绍
随着人们对交通安全的逐渐重视，加之国家相关政策的制定与推进，对危险驾驶的预警技术需求日益增加。随着高速公路的快速发展和扩张也带来了交通事故的持续增长。而造成交通事故的原因虽然有多样，但人为因素则是其主要组成部分。驾驶员的危险驾驶行为是一些重大交通事故的诱因，如果能够将这些异常驾驶行为加以识别，并结合提示警报则可以在一定程度上避免一些交通事故的发生。现有的对危险驾驶行为识别的算法机制较为简单，准确率和抗噪声干扰能力有限，且对于一些危险驾驶行为还未有相关识别能力，故需要提出一种新的危险驾驶行为识别系统。因此，本专利技术人对此做进一步研究，研发出一种危险驾驶行为识别方法，本案由此产生。
技术实现思路
为了实现上述目的，本专利技术的技术方案如下：一种危险驾驶行为识别方法，通过非扩展的卡尔曼滤波的信息融合算法将北斗定位的车辆轨迹跟踪与摄像机识别的车辆轨迹跟踪进行融合，并运用基于GMM描述输出的HMM模型对重点需要识别的危险换道行为作出预测，并结合摄像机识别判定验证，对超速行为、急加速与急减速行为、危险换道、疲劳驾驶行为进行识别。进一步，非扩展的卡尔曼滤波的信息融合算法如下：其中，A(y)是按矩阵加权融合后的观测量，B(y)是观测数据，C(y)是观测噪声方差；W(y)，V(y)是白噪声，O(y)是系统状态向量；融合后的观测方程：A(y)＝B(y)O(y)+V(y)将式(1)(2)(3)代入(4)得：故其等价系统方程为：O(y+1)＝Φ(y+1,y)O(y)+Γ(y+1,y)W(y)，A'(y)＝B'(y)O(y)+V'(y)(5)系统方差阵的递推式为：如果BTC-1B＝B'TC'-2B'(7)那么两个系统的误差方差阵是等价的；系统状态估计的更新方程为：由此可得系统变换前后是等价的，为保证滤波算法的可靠性，对等价后的系统采用卡尔曼滤波结合L-D分解的算法，通过系统的等价变换和L-D分解的算法可以大幅度提高系统的融合精度。进一步，引入驾驶时间Tj，其定义为从入高速公路被摄像机识别有记录开始或者从上一次休息时车辆轨迹长时间不变之后的连续行驶时间，并结合《道路交通安全法实施条例》第六十二条第七款之规定引入每次停车事件Tt，并对当日累计驾驶时间进行统计Tz＝Tj1+Tj2+…+Tjn；为判别疲劳驾驶行为程度，引入程度函数：进一步，基于GMM描述输出的HMM模型λ＝{Π,A,c,μ,U}(10)对HMM模型λ进行学习从而获得λ参数的最大似然估计，∏和A的初始值选取对基于GMM描述输出的HMM模型训练收敛影响较小，本系统则采用马尔科夫链随机取值对其初始化，而c，μ和U则采用K-means聚类算法按照状态数N和高斯混合数M将样本聚类得到其初始值：定义函数式中，x为观测向量，l为某一聚类类别；根据贝叶斯定理，和通过forward算法得出的似然值对其进行阈值分析获得最后的驾驶行为分类，其中eτH为设置的阈值，当BF＞eτH时判定为危险变道。进一步，急加速与急减速行为识别算法，根据车辆轨迹随时间变换的趋势统计出急加速的开始时间、结束时间、持续时间、最大加速度、平均加速度以及急加速的次数；当两个急加速行为间隔小于一定阈值是则合并；引入急加速阈值X≥3m/s2，引入合并时间阈值T≤3s，即可准确识别出车辆的急加速行为并作出预警，同理急减速行为则是急加速阈值X≤-3m/s2。采用上述方案后，本专利技术与现有技术相比，具有以下优点：基于北斗高精定位与摄像机识别的车辆轨迹跟踪融合的危险驾驶行为识别系统再结合高精地图后，很好地完成了多种危险驾驶行为识别与预测功能。提出的非扩展的卡尔曼滤波的信息融合算法有助于将北斗定位的车辆轨迹跟踪与摄像机识别的车辆轨迹跟踪进行融合，并运用基于GMM描述输出的HMM模型对重点需要识别的危险换道行为作出预测，并结合摄像机识别判定验证，使得预测模型具备自学习特性。本系统避免因单一信息源受干扰、传输延迟、设备故障等造成的较大误差，同时多源数据之间具备一定的冗余，提升系统的可用性、鲁棒性。从而得到比任何单一来源信息更加全面和精准的推理和判定。附图说明图1是基于北斗高精定位与摄像机识别的车辆轨迹跟踪融合的危险驾驶行为识别示意图；图2是非扩展的卡尔曼滤波的信息融合算法示意图；图3是基于GMM描述输出的HMM模型的车辆危险换道识别示意图；具体实施方式下面结合附图和具体实施例对本专利技术作进一步的说明。如图所示，一种危险驾驶行为识别方法，运用北斗高精定位技术、高精地图与基于摄像机的车辆轨迹跟踪系统进行对车辆信息的全方面获取，为危险驾驶行为的实时识别奠定数据基础。对多源信息进行综合，可以避免因单一信息源受干扰、传输延迟、设备故障等造成的较大误差，同时多源数据之间具备一定的冗余，提升系统的可用性、鲁棒性，从而得到比任何单一来源信息更加全面和精准的推理和判定。采用非扩展的卡尔曼滤波的信息融合算法，将由北斗高精定位技术得到的车辆轨迹跟踪与由摄像机获取的车辆轨迹跟踪进行处理得到最终的车辆轨迹详细数据，例如轨迹距离、时间等，再结合高精地图，可以将车辆轨迹与实际地图相结合，从而获取车辆更全面的信息，例如车速、横向加速度、方向角、车道确定等。运用基于GMM描述输出的HMM模型对重点需要识别的危险换道行为作出预测，并结合摄像机识别判定验证，对超速行为、急加速与急减速行为、危险换道、疲劳驾驶行为进行识别。非扩展的卡尔曼滤波的信息融合算法：其中，A(y)是按矩阵加权融合后的观测量，B(y)是观测数据，C(y)是观测噪声方差。W(y)，V(y)是白噪声，O(y)是系统状态向量。融合后的观测方程：A(y)＝B(y)O(y)+V(y)将式(1)(2)(3)代入(4)得：故其等价系统方程为：O(y+1)＝Φ(y+1,y)O(y)+Γ(y+1,y)W(y)，A'(y)＝B'(y)O(y)+V'(y)(5)系统方差阵的递推式为：如果BTC-1B＝B'TC'-2B'(7)那么两个系统的误差方差阵是等价的。系统状态估计的更新方程为：由此可得系统变换前后是等价的，为保证滤波算法的可靠性，对等价后的系统采用卡尔曼滤波结合L-D分解的算法，通过系统的等价变换和L-D分解的算法可以大幅度提高系统的融合精度。疲劳驾驶行为识别算法目前主流的疲劳驾驶检测主要使用大量车载传感设备，需要的成本过大，并不适用于广泛覆盖，因此本系统采用基于规定时间的疲劳驾驶行为识别算法，通过车辆轨迹融本文档来自技高网...

【技术保护点】
1.一种危险驾驶行为识别方法，其特征在于：通过非扩展的卡尔曼滤波的信息融合算法将北斗定位的车辆轨迹跟踪与摄像机识别的车辆轨迹跟踪进行融合，并运用基于GMM描述输出的HMM模型对重点需要识别的危险换道行为作出预测，并结合摄像机识别判定验证，对超速行为、急加速与急减速行为、危险换道、疲劳驾驶行为进行识别。/n

【技术特征摘要】
1.一种危险驾驶行为识别方法，其特征在于：通过非扩展的卡尔曼滤波的信息融合算法将北斗定位的车辆轨迹跟踪与摄像机识别的车辆轨迹跟踪进行融合，并运用基于GMM描述输出的HMM模型对重点需要识别的危险换道行为作出预测，并结合摄像机识别判定验证，对超速行为、急加速与急减速行为、危险换道、疲劳驾驶行为进行识别。


2.根据权利要求1所述的一种危险驾驶行为识别方法，其特征在于：非扩展的卡尔曼滤波的信息融合算法如下：









其中，A(y)是按矩阵加权融合后的观测量，B(y)是观测数据，C(y)是观测噪声方差；W(y)，V(y)是白噪声，O(y)是系统状态向量；
融合后的观测方程：
A(y)＝B(y)O(y)+V(y)
将式(1)(2)(3)代入(4)得：



故其等价系统方程为：
O(y+1)＝Φ(y+1,y)O(y)+Γ(y+1,y)W(y)，A'(y)＝B'(y)O(y)+V'(y)(5)
系统方差阵的递推式为：



如果BTC-1B＝B'TC'-2B'(7)
那么两个系统的误差方差阵是等价的；
系统状态估计的更新方程为：



由此可得系统变换前后是等价的，为保证滤波算法的可靠性，对等价后的系统采用卡尔曼滤波结合L-D分解的算法，通过系统的等价变换和L-D分解的算法可以大幅度提高系统的融合精度。


3.根据权利要求1所述的一种危险驾驶行为识别方法，其特征在于：引入驾驶时间Tj，其定义为从入高速...

【专利技术属性】
技术研发人员：亓凌，王长华，陶杰，朱熙豪，汪内利，郑于海，于涵诚，
申请(专利权)人：浙江省机电设计研究院有限公司，
类型：发明
国别省市：浙江;33