[发明专利]基于高斯混合隐马尔科夫模型的驾驶员换道意图识别方法

权利要求书

1.基于高斯混合隐马尔科夫模型的驾驶员换道意图识别方法，其特征在于包括如下步骤：

步骤一，确定通过行车记录仪获得的图像中驾驶员人脸区域所在边框及该边框左右边界对应水平方向的坐标，基于YCbCr颜色空间进行肤色提取的方法对驾驶员脸部区域进行提取，得出人脸粗定位图；

所述的坐标是指以图像左下角的像素点为原点的坐标系；

步骤二，基于ASEF滤波器进行人眼定位，首先需要使用图片对该滤波器进行训练，将通过行车记录仪获得的驾驶员视频数据拆解成序列图片作为训练样本，对每张图片手动指定左眼和右眼的中心位置作为输出，这样每张序列图片和输出为一对训练对，将训练对输入ASEF滤波器中进行训练，求训练样本中的人眼定位滤波器的平均值得到人眼定位最终滤波器；

步骤三，分别将驾驶员的头部转动、眼部转动和转动方向盘定量化为驾驶员头部偏转角度p、驾驶员的视线方向q和方向盘转角熵值Hp；

步骤四，基于隐马尔科夫模型HMM的换道驾驶意图识别模型建立：

采用隐马尔科夫模型HMM中的高斯混合隐马尔科夫模型作为换道驾驶意图识别模型，该模型的隐含状态即驾驶意图与观测值之间的概率关系，训练换道驾驶意图识别模型来进行驾驶意图识别：

将三种换道驾驶意图，即左换道意图，右换道意图和道路保持意图，分别作为三个换道驾驶意图识别模型的隐含状态，分别使用能够表征相应驾驶意图的观测数据训练这三个换道驾驶意图识别模型，得到训练好的左换道意图识别模型，右换道意图识别模型以及道路保持意图识别模型；

具体地说：

采用隐马尔科夫模型HMM中的高斯混合隐马尔科夫模型作为左换道意图识别模型、右换道意图识别模型和道路保持意图识别模型，并在每个模型中定义三个隐含状态j，其中定义隐含状态j＝1时表示轻度意图状态S1，隐含状态j＝2时表示中度意图状态S2，隐含状态j＝3时表示强烈意图状态S3，将外部观测数据根据其值大小定义为三个外部观测数据区间，并将三个外部观测数据区间记为OL、OR和OS；

其中左换道意图下的外部观测数据区间为OL，OL为驾驶员头部偏转角度p大于1.2，驾驶员任意一只眼睛中心的相对位置，即驾驶员的视线方向q大于1.5，方向盘转角熵值Hp大于0.4，在左换道意图模型内，系统自动根据数值大小将OL分为三个区间：OL1,OL2,OL3；

右换道意图下的外部观测数据区间为OR，OR为驾驶员头部偏转角度p小于0.8，驾驶员任意一只眼睛中心的相对位置，即驾驶员的视线方向q小于0.6，方向盘转角熵值Hp大于0.4，在右换道意图模型内，系统自动根据数值大小将OR分为三个区间：OR1,OR2,OR3；

道路保持意图下的外部观测数据区间为OS，OS为驾驶员头部偏转角度p在0.8到1.2之间，驾驶员任意一只眼睛中心的相对位置，即驾驶员的视线方向q在0.6到1.5之间，方向盘转角熵值Hp小于0.4，在道路保持意图模型内，系统自动根据数值大小将OS分为三个区间：OS1,OS2,OS3；

采用的高斯混合隐马尔科夫模型为：

其中观测值概率集合B＝{b_j(O)}，表示模型中的隐含状态j和外部观测数据的联系，即为隐含状态j对应的高斯混合模型；m为组成高斯混合模型的高斯函数个数，具体是指外部观测数据区间，m＝1时，取外部观测数据区间(OL1,OR1,OS1)，m＝2时，取外部观测数据区间(OL2,OR2,OS2)，m＝3时，取外部观测数据区间(OL3,OR3,OS3)；M＝3；O为观测值序列，其中o₁,o₂,...,o_t,...,o_T都是一个三维的列向量，每个列向量均包含三种数据，分别为驾驶员头部偏转角度p、驾驶员的视线方向q和方向盘转角熵值Hp；

高斯函数为

其中权值c_jm为每个高斯函数在总体中所占的比重，即某个观测数据区间在当前隐含状态j下占总体的比重，需要满足所有权值之和为1；μ_jm为均值向量，Σ_jm为协方差矩阵；

使用能够表征左换道驾驶意图的观测数据即处于左换道意图识别模型中的外部观测数据区间OL内的数据训练左换道意图识别模型，得到训练好的左换道意图识别模型；

使用能够表征右换道驾驶意图的观测数据即处于右换道意图识别模型中的外部观测数据区间OR内的数据训练右换道意图识别模型，得到训练好的右换道意图识别模型；

使用能够表征道路保持意图的观测数据即处于道路保持意图识别模型中的外部观测数据区间OS内的数据训练道路保持意图识别模型，得到训练好的道路保持意图识别模型；

步骤五，根据驾驶员当前的外部观测数据，对步骤四中训练好的左换道意图识别模型，右换道意图识别模型以及道路保持意图识别模型通过模型评估的方法得到驾驶员当前的驾驶意图；

其中通过模型评估的方法分别计算三个换道驾驶意图识别模型下的观测序列概率P(O|λ)，并比较，概率最大的视为当前驾驶员的意图：

模型评估是一个概率值估算问题，即在给定己知模型，观测值序列的条件下，计算出观测值序列O＝{o₁,o₂,...,o_t,...,o_T}在模型λ下的概率P(O|λ)；

序列长度为T为序列中每一行元素的个数，对应的是各个时刻；

计算概率P(O|λ)，就是计算长度为T的观测值序列O产生所有隐含状态的概率；首先定义一个固定的状态序列V，

V＝{v₁,v₂,...,v_T}

其中v₁是初始状态，即某个意图识别模型中定义的三个隐含状态之一，v_T是T时刻的某个意图识别模型中定义的三个隐含状态之一，

根据训练的初始状态概率矢量π来确定；状态序列V中的每一个v对应某时刻的状态，即为三个隐含状态中的一种，某个意图识别模型下观测值序列O产生对应的状态序列V的概率，即各时刻隐含状态对应观测值的概率之和，可由高斯混合模型各分量表示，为

其中O为观测值序列，O＝{o₁,o₂,...,o_T}，o_t为其中第t个参数，V为状态序列，V＝{v₁,v₂,...,v_T}，v_T是其中第T个参数，λ为给定模型，即给定的三种训练好的左换道意图识别模型，右换道意图识别模型以及道路保持意图识别模型中的一种，等号左边的P是给定模型λ和状态序列V产生这段观测值序列O的概率，等号右边的P是给定模型λ，状态序列V中第T个状态v_T对应观测值序列O中第T个观测值o_T的概率；

给定模型λ下产生这段状态序列V的概率为

P(V|λ)为O与V的联合概率，其中π为给定模型λ初始状态的概率，为训练各个模型之后得到的定值，

a为上一个状态转移到下个状态的概率；a_v1v2就是指v1状态转移到v2状态的概率，V_T就是序列最后时刻的状态；

通过全概率公式，求和所有可能产生状态序列V的联合概率得到观测值序列O在给定模型λ的输出概率为

P(O|λ)＝∑P(O|V,λ)P(V|λ)

分别计算三个意图识别模型的概率，选择概率值最大的模型对应的驾驶意图视为驾驶员当前最可能发生的驾驶意图；

步骤六，将车辆驾驶模式的需求换道状态下产生的步骤五所述的驾驶员当前的驾驶意图定义为有效，具体为：

将车辆驾驶模式分为自由直行状态和跟车状态，其中自由直行状态为跟车时距大于3s的状态，反之则为跟车状态，其中跟车时距＝相对距离/本车速度；

对于跟车状态，定义其中两种车辆行驶状态为需求换道状态，分别为碰撞时间小于3s的状态以及两车快速接近的状态，其中碰撞时间＝相对距离/相对速度；

其中两车快速接近的状态，根据跟车时距的变化率来确定，跟车时距的变化率为跟车时距对时间求导，将跟车时距的变化率小于-0.1的状态视为两车快速接近的状态；

跟车时距的变化率：计算得到的跟车时距中每个时间点都对应一个跟车时距值，将时间点作为横坐标，则跟车时距可以视为一个时间的函数，得到跟车时距对时间的一阶导数。