[发明专利]一种基于HMM-SVM双层改进模型的复杂路况下周边车辆行为识别方法

说明书

本发明公开了一种基于HMM‑SVM双层改进模型的复杂路况下周边车辆行为识别方法，包括1)离线训练：划分典型周边车辆行为，提取出周边车辆的状态特征信息，通过车联网传至本车，结合本车信息转化为道路联合坐标系下的状态特征信息，生成特征向量X，将X分别输入给HMM和SVM参数学习；2)模型改进：在HMM与SVM中间安置阈值处理器，使用NSGA‑II算法优化获得最佳差异因子，得出HMM‑SVM双层改进模型；3)在线测试：本车利用HMM‑SVM双层改进模型辨别被跟踪车辆所属行为模式。本发明利用高精度地图构建的道路联合坐标系，拓展周边车辆行为系统的应用场合；将HMM优良的时序建模能力和SVM极强的二分类能力有机结合，并对双层模型进行改进，提高车辆行为识别的准确率和识别速度。

技术领域

本发明属于车辆智能驾驶技术领域，具体涉及一种基于HMM-SVM双层改进模型的复杂路况下周边车辆行为识别方法。

背景技术

道路场景理解是车辆驾驶辅助系统的重要组成部分之一，同时也是未来车辆自动驾驶的基础要求。现实的交通环境是一个多交通参与者相互影响、动态变化的复杂系统，在这个复杂的系统中智能汽车不仅要具备视觉感知、检测与跟踪能力，还需要能通过车-路状态信息识别甚至是预测周边车辆的行为，从而提高感知深度。

在对周边车辆进行行为识别时，获取准确实用的周边车辆状态特征是必不可少的。现有的车辆行为识别方法在获取车辆状态特征时，将道路默认为直行路段，并不适用于复杂路况(弧形弯、U形弯等)下车辆行为的识别。高精度地图是指高精度、精细化定义的地图，涵盖道路网数据、车道线数据、车道线、道路边缘的类型和交通标志等数据，其精度可达到厘米级。且近年来，随着自动驾驶产业的飞速发展，高精地图产业进入了发展的快车道，许多主流电子地图企业如高德、百度等也已经逐步对外免费开放了高精度地图的数据，给其广泛应用迎来了机遇。利用高精度地图建立道路联合坐标系，获取车辆在该坐标系下的状态特征信息，突破了仅在直行道路对车辆行为识别的限制，拓展了周边车辆行为系统的应用场合。

目前有关车辆行为识别的机器学习算法可大致分为贝叶斯网络、隐马尔科夫模型、支持向量机和相关向量机等。其中，隐马尔科夫(HMM)模型因具有强大的时序建模能力受到最广泛的运用，但其忽略了负样本的影响，且仅用最大似然值进行分类，尤其当输出的多维概率之间差异性较小时，容易造成较高的误识别率。支持向量机算法(SVM)在二分类问题上有显著的优势，能够更大程度地反映了类别间的差异性，能够通过将低维空间线性不可分的样本映射至高维空间中，以尽可能大的欧氏距离将相似的样本很好地分隔开。因此，为充分利用好HMM优良的时序建模能力和SVM极强的二分类能力，同时考虑到识别结果的实时性与可靠性，此发明提出一种HMM-SVM双层改进模型，引入差异因子，发挥好两种分类器各自的优势，从而显著提高周边车辆行为系统的识别能力。

发明内容

本发明针对周边车辆行为识别实时性、可靠性的要求，提出了一种基于HMM-SVM双层改进模型的复杂路况下周边车辆行为识别方法，能够实时准确地对复杂路况下周边车辆的行为作出识别，为智能车辆的决策规划提供参考依据。

本发明的目的可以通过以下技术方案来实现，一种基于HMM-SVM双层改进模型的复杂路况下周边车辆行为识别方法，具体包括：

步骤(1)：离线训练阶段

划分N种典型周边车辆行为，提取出周边车辆的状态特征信息，通过车联网传至本车，将本车及周边车辆的状态特征信息转化均为道路联合坐标系下的状态特征信息，并生成新的特征向量X(△X，△Y，△V_X，△V_Y，△a_X，△a_Y)，将同一类别周边车辆行为的特征向量X作为观测序列输入到HMM模型，获取各个车辆行为类别的HMM；周边车辆行为两两为一组，将每组中两种行为类别对应的特征向量输给每个SVM模型进行参数学习，获取每组SVM模型；

步骤(2)：模型改进阶段