[发明专利]一种基于运动轮廓语义图预测行车危险场景的方法

说明书

本发明涉及一种基于运动轮廓语义图预测行车危险场景的方法，包括以下步骤：步骤S1：获取驾驶视频，分割感兴趣区域；步骤S2：将感兴趣区域使用目标检测算法来检测交通对象并生成运动轮廓语义图；步骤S3：统计运动数据，加速度阈值，将运动轮廓语义图划分为高风险事件或正常事件；步骤S4：输入到随机森林分类器，根据特征重要性进行排序获得重要运动学特征；步骤S5：构建多模态深度神经网络模型；步骤S6：获得待检测驾驶视频的运动轮廓语义图和重要运动学特征并输入至多模态深度神经网络模型，预测行车是否具有风险，若有风险则向驾驶员报警。与现有技术相比，本发明具有提高行车危险场景的预测准确度、减少测量波动等优点。

技术领域

本发明涉及汽车辅助驾驶领域，尤其是涉及一种基于运动轮廓语义图预测行车危险场景的方法。

背景技术

使用深度学习的数据融合模型是交通安全性预测的新趋势，因为视频数据和运动学数据都有各自的局限性，以合理的方式融合这两类数据从而提高在场景风险预测的精度是当前研究的热点。目前已有一些关于高风险驾驶场景辨识的研究，但仍存在一定问题。有研究采用车辆速度和方向突变并结合视频的帧差异来检测危险情况，其中自动编码器比较视频的帧差异的方式较适用于拐角危险情况，在一般情况准确率仅为71％，不够理想。另外有研究基于运动学数据使用了经典机器学习分类器，包括kNN、随机森林、SVM、决策树、高斯邻域和AdaBoost，但测试结果的精度具有波动性，受预测范围的影响很大。此外，还有研究提出基于驾驶前向视频创建Motion图像，通过轨迹进行TTC计算或者其他信息的捕捉来预测风险，该方法需要采集大量的行车视频，用Motion图像将庞大的视频数据高效压缩，才能有效提取运动特征来判断风险。

发明内容

本发明的目的就是为了克服上述现有技术存在的准确率较低、测量精度波动较大的缺陷而提供一种基于运动轮廓语义图预测行车危险场景的方法。

本发明的目的可以通过以下技术方案来实现：

一种基于运动轮廓语义图预测行车危险场景的方法，包括以下步骤：

步骤S1：获取车辆的驾驶视频，分割所述驾驶视频的感兴趣(ROI)区域；

步骤S2：将所述驾驶视频的感兴趣区域使用目标检测算法来检测交通对象并生成包含语义的运动轮廓语义图；

步骤S3：统计车辆的运动数据，根据统计结果设置加速度阈值将所述运动轮廓语义图划分为高风险事件或正常事件；

步骤S4：将所述高风险事件或正常事件输入到随机森林分类器，根据特征重要性对分类结果进行排序，获得重要运动学特征；

步骤S5：根据所述运动轮廓语义图和重要运动学特征，构建多模态深度神经网络模型；

步骤S6：对待检测驾驶视频执行步骤S1-S4，获得所述待检测驾驶视频的运动轮廓语义图和重要运动学特征并输入至所述多模态深度神经网络模型，预测行车是否具有风险，若有风险则向驾驶员报警。

步骤S1中分割所述驾驶视频的感兴趣区域具体过程如下：

步骤S101：通过高斯滤波器滤除所述驾驶视频中不相关的图像纹理，然后通过边缘检测算法提取所述驾驶视频中道路的轮廓，具体包括：

步骤S1011：将彩色的驾驶视频的视频帧图转为灰度图，具体如下：

f＝0.299*R+0.587*G+0.114*B

其中，R、G、B分别代表RGB三通道每个通道的矩阵；

步骤S1012：通过高斯滤波器对灰度图进行过滤，具体如下：

其中，f(m，n)代表位置(m，n)处的原始图像灰度值，g(m，n)代表经过高斯滤波后的灰度值；