基于行车记录仪汽车辅助驾驶策略.docVIP

基于行车记录仪汽车辅助驾驶策略 　　摘要：文章提出对行车记录仪捕捉的画面进行分析，将不安全的因素出现的情形作为危险事件检测出来。检测方案是通过事先提取视频画面的三维梯度特征建立安全事件模型，并计算当前画面中是否存在危险事件。实验结果表明，本策略能够在正常行驶的汽车前方出现危险时，有效对汽车进行制动。 　　关键词：辅助驾驶；隐马尔科夫模型；三维梯度特征 　　车辆在行驶过程中时，行车记录仪捕捉的画面为一个整体、平稳的事件，而典型的危险事件因其突发性、偶然性的特点，在整体画面中异常突出，具体表现为：画面中目标速度的异常、目标出现在危险区域等，包含了在时间域和空间域上的特征‘1]。为了识别危险状态，本文首先将事件发生的过程模拟为对应的模型，然后提取图像的三维梯度信息，将画面分割为大小相同的时空单元，计算每个单元在实际和空间轴上的梯度变化，并作为当前画面的特征信息。当画面中存在不符合安全模型的事件，则系统判定当前驾驶环境不安全，并立即发出制动信号。 　　1 隐马尔科夫模型 　　1.1隐马尔科夫模型的定义 　　隐马尔可夫模型描述的是通过隐藏的马尔科夫链生成观测序列的过程，是一种生成模型，表示为：λ=（A，B，兀）。其中，A代表状态转移矩阵，B为观测概率分布。兀为初始概率分布。隐马尔科夫模型的组成示意如图1所示。 　　A，B，兀3个参数可以有效地表示出一个完整的隐马尔可夫模型。隐马尔科夫模型的核心问题为：概率计算问题、学习问题和预测问题，根据需要解决的问题的不同，使用模型的方式也不相同。 　　1.2隐马尔科夫模型的概率计算问题 　　隐马尔科夫模型中最重要的是概率计算问题，计算观测结果由当前模型生成的概率。同时，这个概率可以理解为某个观测结果与现模型的匹配度，即若某观测结果由现模型生成的概率低，则判定此观测结果与模型匹配度不高。 　　隐马尔科夫模型的概率计算方式有两种：直接计算法和前向后向算法。直接计算法计算量相对较大，本文采用的是前向后向算法。前向概率的定义为at（i）=P（o1，o2，…，oi=q），表示在给定模型的前提下，到时刻t部分观测序列o1，o2，…，oi对应状态为97的概率。后向概率的计算与前向概率的计算在时间上相反，将数据信息逐步导入概率计算中进行迭代，即可得到条件概率P（O|λ）。 　　1.3隐马尔科夫模型的学习问题 　　隐马尔科夫的参数学习过程是在给定输入观测数据O={o1，o2，…，oT）的条件下，定义初始参数，计算观测数据由此模型生成的概率进行迭代，使得最终模型λ= （A，B，兀）生成观测数据的概率最大化。 　　一般来说，隐马尔科夫模型参数学习的方式有两种：监督学习方法、半监督学习方法。由于监督学习方式在实际应用中效率过低，半监督模式的Baum-Welch算法是应用最普遍的算法。Baum-Welch算法可以理解为期望最大化算法的应用，通过对数据的迭代计算事先参数的约束，最大化期望值，得到最后的模型参数λ= （A，B，兀）。 　　1.4隐马尔科夫模型的预测问题 　　在某些研究领域中，使用隐马尔科夫模型估算状态序列的情形也有很多。其原理是使用己知的隐马尔科夫模型对观测结果进行计算分析，判断其生成的流程，得到状态序列的具体分布。常用的预测算法为Viterbi算法，用动态规划进行隐马尔科夫模型的预测问题，从每个节点逐步推测，使得每个节点生成的路径状态生成观测序列的概率最大，则观测结果是按照最优的状态路径逐步生成[2]。 　　2 算法框架 　　车辆的行车记录仪记录车前方的画面，通过提取的视频画面进行特征分析，建立仅包含安全情形的安全模型；对测试视频进行分析，检测出画面中是否出现异于常态的危险事件，并在危险事件发生时及时发出制定信号，保汪行车安全。 　　2.1训练阶段 　　2.1.1视频特征提取 　　提取视频图像的三位梯度特征作为样本特征。为了保证保存图像的全局信息和局部信息，将画面缩放到3个不同的尺度，并分割为大小相同的区域。同时将时间上连续的5帧对应区域组成一个时空单元D，其中的像素d的特征为： 　　其中，x，y，t代表像素d的横向、纵向和实践维度 　　2.1.2特征筛选 　　当前使用的行车记录仪获取的视频数据存在信息冗余的问题，为提高检测速率、降低算法复杂度，本文采用主成分分析法进行信息筛选处理，仅保留原始信息中的主要成分，将原始维度过高的特征信息根据精确度要求进行选择。 　　2.1.3建立安全事件模型 　　隐马尔科夫模型λ=（A，B，π）神的各项参数通过所有观测的安全事件的特征进行迭代，使用Baum-Welch算法进行计算，使得训练数据库的所有视频由此模型生成的概率最大。此时的安全事件模型为包含所有安全驾驶情形的模型。 　　2.2测试阶段 　　2.2.1视频特征提取及