[发明专利]一种基于智能手机与RNN的周边车辆行为识别方法

说明书

本发明公开了一种基于智能手机与RNN的周边车辆行为识别方法，属于智能驾驶领域，包括：a.离线训练环节：归纳并划分典型的周边车辆行为，利用智能手机采集到的车辆行驶数据对被跟踪车辆与主车的相对特征和车辆行为进行向量编码，作为RNN参数学习的训练集。b.在线检测环节：基于实时交通场景，主车通过4G通讯结合被跟踪车辆与自车的行驶数据形成新的特征矩阵作为训练好的RNN的输入，辨别周边车辆所属行为模式。本发明以智能手机作为数据搜集、车辆通讯的硬件，具备可行性和便捷性的优势；利用RNN善于处理高维矩阵运算的特性，在丰富自车与周边车辆相对特征、提升识别率的同时，保证行为识别具备较高的实时性。

技术领域

本发明属于车辆智能驾驶领域，特别是涉及一种基于智能手机与RNN的周边车辆行为识别方法。

背景技术

近年来，车辆行为识别正在从固定位置的监控系统车辆行为识别转向动态的基于行驶车辆的周边车辆行为识别。行为识别的关键是学习车辆的行为模式，建立行为识别模型，然后通过训练好的车辆行为识别模型进行车辆行为识别，甚至能对车辆行为进行预测。

为了给周边车辆行为识别模型提供训练集，首先要利用智能手机传感器搜集车辆行驶状态信息，并通过4G网络建立车与车的通讯族群。目前利用智能手机作为智能汽车状态搜集、信息传输的研究较少。国外学者Mucahit Karaduman利用智能手机的GPS，加速度计，陀螺仪作为车辆行驶信息获取的传感器，利用HMM对车辆行驶轨迹进行分类，取得了不错的效果。

对于周边车辆行为识别，现有的解决方案无论是采用雷达、摄像头主动获取周边车辆的行驶数据，还是采用机动车辆间基于无线的数据传输V2V被动接收数据，都需要额外搭建昂贵的硬件设备，而智能手机在获取丰富信息的同时，在成本考虑上不会给研究人员设置太大的障碍，同时智能手机都带有GPS和惯性传感器，能够方便实现定位、测速功能，因此利用智能手机作为数据采集、信息传输的硬件，具有高度的可行性和便捷性。

在车辆行为识别建模方面，传统的方法一般采用HMM，即隐马尔可夫模型，虽然在模型建立方面，HMM能很好地满足车辆行为建模对于序列模型的要求，但是HMM的分类能力较差，同时作为模型输入的观测序列能涵盖的车辆行驶特征也十分有限，所以HMM的误识率依然较高。RNN，即循环神经网络，早在90年代末就已经被提出，但直到近两年深度学习的大热才得到广泛的应用，特别是在自然语言处理NLP领域，RNN帮助其取得了飞跃式的进步。特别在对于英文语句的情绪识别方面，常采用多输入对单输出的RNN模型，即将一句英文语句的各个单词作为多个输入，RNN模型输出喜、怒、哀、乐中的一种判定句子想要表达的情绪。本发明受该研究启发，借鉴自然语言处理中词嵌入的方法对车辆行驶过程中的相对特征采用特征向量的形式进行编码，利用RNN对于高维矩阵运算的支持，以Softmax作为分类器处理多分类问题，可以在丰富车辆相对行驶特征的同时，有效提高识别算法的精确性、实时性。

发明内容

本发明提出了一种车辆行为识别方法，能够准确地对周边车辆的行为作出识别，为智能车辆的轨迹规划提供参考依据。

本发明的目的通过以下技术方案来实现：

一种基于智能手机与RNN的周边车辆行为识别方法，其特征在于，包括：

步骤1，离线训练环节：归纳并划分典型的周边车辆行为，基于实时交通场景利用在车辆内按特定位置摆放的智能手机搜集周边车辆的行驶数据，采用特征向量的形式对同一时刻主车与周边车辆的相对特征进行编码，使用一个特征矩阵来表示一个完整的车辆行为，其对应的行为采用标签向量的形式进行人工标记；将采集、标记完的周边车辆相对特征数据(包括特征矩阵及其对应的标签向量)作为RNN参数学习的输入，更新模型参数；

步骤2，在线检测环节：被跟踪目标车辆将采集到的自车行驶信息通过智能手机实时传输给主车上的智能手机，主车结合两车相对特征生成新的特征矩阵，利用训练好的RNN辨别被跟踪车辆所属行为模式。