[发明专利]一种基于视觉特性的GM‑HMM预测驾驶行为方法

说明书

技术领域

本发明涉及驾驶人辅助安全和汽车主动安全技术领域，特别是涉及一种基于视觉特性的GM-HMM预测驾驶行为方法。

背景技术

调查数据表明，变换车道导致的交通事故量占警方提供总事故数的4.0％左右，且约75％的此类事故与驾驶人直接相关。驾驶人作为人－车－路系统中唯一具有主观能动意识的客体对交通系统的安全起决定性作用。德国Daimler-Benz公司的研究报告表明，如果能在事故发生前0.5s对驾驶人进行警告可避免60％的追尾事故，如果时间再增加1s，则90％的追尾事故可以避免。因此，可认为预防驾驶人因素导致的交通事故发生的关键在于提前对其换道行为做出预测。

目前针对驾驶人换到行为的研究多是基于车载CAN获得的车辆行驶数据建立驾驶行为的识别预测模型，对作为执行者的驾驶人数据考虑较少。部分学者将驾驶人视野区域划分与其视觉搜索模式结合，确定了驾驶人眼动行为在时序上对应且领先其操作行为，从侧面说明了基于眼动特性预测驾驶人操作行为的可行性。此类研究只是通过采用一般的聚类方法确定驾驶人视线点的兴趣区域，忽略了对异常视线点的剔除，以至于实际对各区域划分不准确。在选择驾驶人视觉参数开展驾驶人视觉搜索规律研究时，忽略了各参数间的相似性，冗余的参数选择使驾驶行为研究模型的建立复杂化，对模型的计算速度和准确性产生影响。

发明内容

针对现有技术中存在不足，本发明提供了一种基于视觉特性的GM-HMM预测驾驶行为方法，通过以下技术手段实现上述技术目的。

一种基于视觉特性的GM-HMM预测驾驶行为方法，其特征在于，包括如下步骤：

步骤1：对驾驶人的驾驶行为进行分类，分为跟驰、左换道、右换道和超车，并分别标记为CF，LCL，LCR和OT；

步骤2：对驾驶人兴趣视野区域的分布进行划分；

步骤3：确定驾驶人的视觉表征参数；

步骤4：建立GM-HMM驾驶行为预测模型，并分析GM-HMM驾驶行为预测模型的可信度。

所述步骤2，采用模糊K-means动态聚类算法对驾驶人兴趣视野区域的分布进行划分，然后再采用改进贝塞尔公式的Pauta准则剔除所划分的各驾驶人兴趣视野区域间无明确界限的异常视线点。

所述模糊K-means动态聚类算法对驾驶人兴趣视野区域的分布进行划分的具体步骤如下：

步骤2-1：确定驾驶人兴趣视野区域数为K个，第i个驾驶人兴趣视野区域标记为ω_i，其中1＜K≤N，1≤i≤K,N为驾驶人视线点总个数；

步骤2-2：确定驾驶人视线点X_j从属于各驾驶人兴趣视野区域的隶属度π_ij；建立初始隶属度矩阵Π＝[π_ij]，其中i为驾驶人兴趣视野区域的区域编号，j为驾驶人视线点的编号；π_ij表示第j个驾驶人视线点X_j对第i个驾驶人兴趣视野区域的隶属度,1≤j≤N；隶属度矩阵Π第j列表示第j个驾驶人视线点分别对各驾驶人兴趣视野区域的隶属度，隶属度矩阵Π的每列元素之和为1；

步骤2-3：求各驾驶人兴趣视野区域的聚类中心Ο_i(Λ)，其中Λ为迭代次数；

其中，i＝1,2,...,K，m为控制聚类结果模糊程度参数，m≥2；

步骤2-4：计算新隶属度矩阵Π(Λ+1)，矩阵元素计算如下，

其中，i＝1,2,...,K；j＝1,2,…,N,m≥2；d_ij是完成第Λ次迭代时，第j个驾驶人视线点到第i个驾驶人兴趣视野区域聚类中心Ο_i(Λ)的距离；为避免分母为零，特别的，若d_ij＝0，则若p＝i时,π_ij(Λ+1)＝1,若p≠i时,π_ij(Λ+1)＝0；

步骤2-5：回到步骤2-3求聚类中心，重复至收敛，收敛条件为：

其中ε为收敛参数；当算法满足收敛条件时，得到驾驶人兴趣视野区域的聚类中心Ο_i(Λ)以及表示每个驾驶人视线点对各驾驶人兴趣视野区域隶属程度的隶属度矩阵Π＝[π_ij]，模糊K-means动态聚类算法到此结束；模糊K-means动态聚类算法中的聚类准则J为：