李 歡， 程寒寒， 王吉武， 安毅生

(長(zhǎng)安大學(xué) 信息工程學(xué)院， 西安 710064)

汽車保有量的不斷增加使得社會(huì)愈發(fā)關(guān)注交通安全問(wèn)題， 統(tǒng)計(jì)分析發(fā)現(xiàn)不良駕駛行為是造成交通事故頻發(fā)的主要原因之一. 換道行為是駕駛?cè)司C合考慮自己的駕駛需要、安全性、周圍車輛及道路狀況等多個(gè)因素之后， 駛離當(dāng)前所在車道同時(shí)駛?cè)胂噜彽哪繕?biāo)車道的一種典型的駕駛行為[1]. 危險(xiǎn)的換道行為極有可能造成嚴(yán)重的交通事故， 因此在車輛實(shí)際行駛過(guò)程中識(shí)別出駕駛員的換道行為是非常有意義的.

在實(shí)際駕駛環(huán)境中， 換道一般存在兩種情況: 一種是不完全必要的自主換道， 這一般只是駕駛員為了獲得更好的駕駛體驗(yàn)， 比如更快的速度； 另一種是完全必要的強(qiáng)制換道， 這一般是駕駛員出于駕駛需要， 比如即將行駛至轉(zhuǎn)彎、匝道分流或出口處等情況[2，3].

現(xiàn)如今， 隱馬爾科夫模型(HMM)、貝葉斯網(wǎng)絡(luò)(BN)、神經(jīng)網(wǎng)絡(luò)(NN)、支持向量機(jī)(SVM)及圖像檢測(cè)等方法在識(shí)別駕駛意圖的問(wèn)題中被廣泛采用[4，5]. 此外還有基于GPS數(shù)據(jù)、車輛軌跡數(shù)據(jù)及視頻圖像等方法. 對(duì)于換道行為的識(shí)別， 國(guó)內(nèi)外有大量的相關(guān)研究:如A.Bhatt等人提出的駕駛員行為識(shí)別方法是利用HMM對(duì)駕駛機(jī)動(dòng)進(jìn)行表征和檢測(cè)， 并將其置于人類行為認(rèn)知模型的框架中[6]. 而楊龍海等人建立的基于HMM的換道行為識(shí)別模型是利用車載GPS定位數(shù)據(jù)和換道時(shí)換道車與其周圍車輛的參數(shù)分布特征[7].Li等人結(jié)合HMM和貝葉斯濾波提出換道意向識(shí)別算法[8]. Cao等人提出的基于多隱馬爾可夫模型是通過(guò)對(duì)交通場(chǎng)景中車輛機(jī)動(dòng)行為的識(shí)別和預(yù)測(cè)， 建立了多因素影響下交通微觀情景的時(shí)空依賴性模型[9]. Leonhardt等人在評(píng)估駕駛員行為、駕駛狀況及車輛運(yùn)動(dòng)的基礎(chǔ)上， 提出一種預(yù)測(cè)即將發(fā)生的變道情況的算法， 并應(yīng)用機(jī)器學(xué)習(xí)參數(shù)化的人工神經(jīng)網(wǎng)絡(luò)對(duì)所獲得信息進(jìn)行融合和分類[10]. Zhu提出基于SVM的駕駛行為識(shí)別方法[11]. Moridpour等人提出了換道模型， Yang等人提出了換道模型的同時(shí)還提出了判斷換道執(zhí)行開(kāi)始時(shí)刻點(diǎn)和結(jié)束時(shí)刻點(diǎn)的標(biāo)準(zhǔn)[12，13]. Zhao等人提出基于駕駛行為、道路環(huán)境和自車狀態(tài)等多類信息的駕駛員變道意圖識(shí)別模型[14]. Chen等人利用視頻圖像處理技術(shù)提取和擬合車道線， 再結(jié)合使用SVM進(jìn)行分類訓(xùn)練， 來(lái)對(duì)換道行為進(jìn)行識(shí)別[15].

上述方法各有優(yōu)劣， HMM對(duì)動(dòng)態(tài)時(shí)間序列有較強(qiáng)的建模能力， 計(jì)算量小， 不足是過(guò)多依賴先驗(yàn)知識(shí).Bayes分類法需要的參數(shù)較少， 但通常需假設(shè)屬性之間獨(dú)立， 這經(jīng)常不成立， 并且也要知道先驗(yàn)概率. NN分類準(zhǔn)確率高， 魯棒性強(qiáng)， 但需大量參數(shù)， 訓(xùn)練時(shí)間過(guò)長(zhǎng). SVM在小樣本， 高維模式， 非線性問(wèn)題中表現(xiàn)突出， 泛化能力優(yōu)秀， 缺點(diǎn)是對(duì)缺失數(shù)據(jù)敏感. 綜合考慮， 本文擬采用SVM來(lái)建立識(shí)別車輛換道行為的模型； 更進(jìn)一步地， 本文在連續(xù)換道行為識(shí)別時(shí)提出了一種基于滑動(dòng)窗口模型的改進(jìn)的數(shù)據(jù)流處理算法.

概括來(lái)講， 本文的具體研究?jī)?nèi)容如下: 一方面是基于SVM算法對(duì)單一換道行為和連續(xù)換道行為訓(xùn)練出換道模型， 建立換道行為分類器； 另一方面， 在連續(xù)換道行為的識(shí)別過(guò)程中提出了一種改進(jìn)的滑動(dòng)窗口算法暨N-δ滑動(dòng)窗口截取算法， 旨在準(zhǔn)確獲取連續(xù)變換過(guò)程中的車輛行為， 對(duì)包含多個(gè)行為的數(shù)據(jù)進(jìn)行快速劃分.

這是由于在處理連續(xù)換道的數(shù)據(jù)流時(shí)， 一定的數(shù)據(jù)窗口內(nèi)可能會(huì)包含兩種或多種車輛行為， 影響識(shí)別準(zhǔn)確率， 本文提出的N-δ滑動(dòng)窗口截取算法在一定范圍內(nèi)對(duì)數(shù)據(jù)窗口進(jìn)行調(diào)節(jié)， 即將待檢測(cè)的未知樣本劃分為可用于換道行為識(shí)別的測(cè)試集， 這樣大大提高了對(duì)連續(xù)換道行為的識(shí)別準(zhǔn)確率.

本文提出的改進(jìn)算法可對(duì)連續(xù)換道數(shù)據(jù)進(jìn)行分段，訓(xùn)練的分類器可以用于換道行為的識(shí)別.

圖1表示完整的車輛換道過(guò)程， 依次是換道意圖產(chǎn)生(ab)、換道行為準(zhǔn)備(bc)、換道行為實(shí)施(ce)和換道完成調(diào)整(ef)四個(gè)階段. 本文則主要關(guān)注車輛在ce段車輛參數(shù)特征， 然后根據(jù)這些特征使用SVM算法建立換道行為模型進(jìn)行識(shí)別.

圖1 車輛換道過(guò)程

1 支持向量機(jī)概論

支持向量機(jī)是二類分類模型， 其核心是尋求一個(gè)使兩類樣本間隔最大的最優(yōu)超平面.

1.1 線性分類

當(dāng)兩類樣本線性可分時(shí)， 如圖2， 正方形和圓為兩類樣本， H為劃分超平面， H1、H2為平行H且分別距兩類樣本最近的超平面， 當(dāng)分類間隔(H1和H2間隔)最大時(shí)， H即為最優(yōu)超平面.

圖2 線性分類的最優(yōu)超平面

H在樣本空間可表示為:

式中， ω =(ω1;ω2;···;ωd)為法向量，b為位移項(xiàng).

最優(yōu)超平面H所對(duì)應(yīng)的模型為:

可得分類間隔:

使用拉格朗日乘子法對(duì)式(5)進(jìn)行求解可得所求模型:

1.2 非線性分類

1.3 近似線性可分

實(shí)際問(wèn)題中較為困難的是選擇出合適的核函數(shù).退而求其次， 我們?cè)试S支持向量在一些樣本上出錯(cuò)， 即允許某些樣本可以不滿足約束條件(3)， 于是引入懲罰因子C＞0和松弛變量ξi≥ 0， 可得SVM為:

2 數(shù)據(jù)模塊

2.1 數(shù)據(jù)獲取

IOS智能設(shè)備中嵌入的加速計(jì)和陀螺儀能夠感知宿主設(shè)備的狀態(tài). 我們將iPad固定在車輛上， 獲取車輛行駛過(guò)程中加速計(jì)和陀螺儀的數(shù)據(jù)來(lái)代表宿主車輛的行為數(shù)據(jù)， 借此實(shí)現(xiàn)了低成本的數(shù)據(jù)采集. 提取數(shù)據(jù)特征來(lái)構(gòu)造特征向量， 使用SVM進(jìn)行模型的訓(xùn)練和測(cè)試.

在后續(xù)步驟里換道行為識(shí)別準(zhǔn)確率受此處設(shè)備采樣頻率影響， 若頻率過(guò)高會(huì)影響設(shè)備工作性能， 產(chǎn)生額外負(fù)擔(dān)， 過(guò)低則可能出現(xiàn)信號(hào)失真， 導(dǎo)致識(shí)別效果不佳.由Nyquist采樣定理知: 采樣頻率大于信號(hào)最高頻率2倍時(shí)， 采集的信號(hào)可以完整保留原始信號(hào)的信息. 實(shí)際中， 一般保持采樣頻率為最大頻率的2.56～4倍. 本文綜合權(quán)衡要保留信號(hào)特征的需要及對(duì)設(shè)備性能的考慮，設(shè)定加速計(jì)與陀螺儀采樣頻率均為50 Hz.

2.2 數(shù)據(jù)預(yù)處理

采集到的原始數(shù)據(jù)存在一定的誤差. 其來(lái)源首先是由于路況和速度的不同， 車輛行駛時(shí)會(huì)產(chǎn)生一些隨機(jī)噪聲； 其次， 加速計(jì)和陀螺儀本身也存在穩(wěn)定性和精度的不足； 另外， 即使車輛靜止， 采集到的傳感器數(shù)據(jù)也存在上下抖動(dòng)的現(xiàn)象. 因此， 若對(duì)采集到的數(shù)據(jù)不加修正就計(jì)算特征值會(huì)存在明顯的累計(jì)誤差， 為了降低這樣的累計(jì)誤差， 使數(shù)據(jù)盡可能的準(zhǔn)確， 我們必須對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理. 在此我們針對(duì)原始數(shù)據(jù)存在的“漂零”現(xiàn)象采用數(shù)據(jù)標(biāo)零， 為去除高頻噪聲采用低通濾波，分別如下兩式表示:

式(10)中，y′(i)為濾波后數(shù)據(jù)，為當(dāng)前獲得數(shù)據(jù)，y′(i-1)為前一個(gè)經(jīng)過(guò)濾波的數(shù)據(jù).

2.3 特征提取

本文采集數(shù)據(jù)畫(huà)出向左、向右換道過(guò)程中的數(shù)據(jù)曲線如圖3至圖6所示.

由圖3至圖6可以看出， 車輛換道過(guò)程中加速計(jì)的X、Y、Z軸數(shù)據(jù)和陀螺儀X軸和Y軸的數(shù)據(jù)變化都不太明顯， 只是在零附近上下抖動(dòng)， 但是陀螺儀Z軸的數(shù)據(jù)卻有十分明顯的變化. 由圖4可以看出， 車輛向左換道時(shí)， 陀螺儀Z軸數(shù)據(jù)呈現(xiàn)出從0附近開(kāi)始增大、減小， 再增大的走勢(shì)； 由圖 6 可以看出， 車輛向右換道時(shí)， 陀螺儀Z軸數(shù)據(jù)呈現(xiàn)出從0附近開(kāi)始減小、增大， 再減小的走勢(shì)， 即在換道過(guò)程中相較于其它軸細(xì)微的變化， 陀螺儀Z軸數(shù)據(jù)變化最為明顯. 因此， 本文擬選擇陀螺儀Z軸數(shù)據(jù)的最大值、最小值、前后差值、均值以及方差組成特征向量， 使用SVM算法訓(xùn)練出車輛換道的模型用于識(shí)別車輛換道行為.

圖3 向左換道加速計(jì)曲線圖

圖4 向左換道陀螺儀曲線圖

圖5 向右換道加速計(jì)曲線圖

3 模型建立

車輛換道行為識(shí)別模型的整體架構(gòu)如圖7所示，主要由參數(shù)獲取模塊和訓(xùn)練識(shí)別模塊組成.

圖6 向右換道陀螺儀曲線圖

3.1 單一換道行為模型

對(duì)于單一換道行為， 訓(xùn)練時(shí)使用標(biāo)準(zhǔn)支持向量機(jī)，第一步將正常行駛和換道區(qū)分開(kāi)來(lái)， 第二步再將換道中的向左和向右區(qū)分出來(lái). 第一步分類模型訓(xùn)練的過(guò)程如下描述:

1) 選擇由換道時(shí)和正常行駛時(shí)陀螺儀Z軸的數(shù)據(jù)得到的特征向量構(gòu)成訓(xùn)練樣本集；

2) 基于1)得到的訓(xùn)練樣本構(gòu)造支持向量機(jī)；

3) 使用拉格朗日乘子法求解2)中構(gòu)造的支持向量機(jī).

在求解過(guò)程中對(duì)核函數(shù)和參數(shù)進(jìn)行選擇， 結(jié)果分別如表1、表2所示. 從C值和訓(xùn)練集分類準(zhǔn)確率兩方面綜合權(quán)衡考慮， 在此選擇線性核函數(shù)且C值取10.

第二步分類訓(xùn)練: 向左換道和向右換道時(shí)， 由陀螺儀Z軸數(shù)據(jù)提取得特征向量， 形成訓(xùn)練集后分析可知線性可分， 所以用線性SVM進(jìn)行求解.

3.2 連續(xù)換道行為模型

在實(shí)際道路駕駛環(huán)境中， 頻繁換道或連續(xù)換道是一種極不安全的駕駛行為， 其大大增加了交通事故發(fā)生的風(fēng)險(xiǎn). 因此， 針對(duì)連續(xù)換道行為的識(shí)別， 本文提出了一種N-δ滑動(dòng)窗口截取算法， 它是將滑動(dòng)窗口模型與端點(diǎn)檢測(cè)算法結(jié)合實(shí)現(xiàn)的一種改進(jìn)算法.

滑動(dòng)窗口模型采取流量控制的方式， 只關(guān)注從某一時(shí)刻開(kāi)始向前的最近的一定量的數(shù)據(jù)， 持續(xù)到達(dá)的數(shù)據(jù)流在固定窗口里的不斷流動(dòng)更新. 這種模型的優(yōu)點(diǎn)包括更強(qiáng)調(diào)新到達(dá)的數(shù)據(jù)， 消除隨機(jī)選擇不當(dāng)導(dǎo)致的誤差， 很好的定義和處理待檢測(cè)數(shù)據(jù).

車輛換道行為的端點(diǎn)檢測(cè)就是通過(guò)一定的方法檢測(cè)出換道行為的開(kāi)始和結(jié)束. 本文使用的端點(diǎn)檢測(cè)是建立在語(yǔ)音端點(diǎn)檢測(cè)的基礎(chǔ)上， 而語(yǔ)音端點(diǎn)檢測(cè)通常有短時(shí)平均能量法和平均過(guò)零率兩種方法. 本文通過(guò)短時(shí)能量平均法計(jì)算車輛換道行為起點(diǎn)和終點(diǎn)的能量值來(lái)實(shí)現(xiàn)對(duì)換道行為的端點(diǎn)檢測(cè). 具體以陀螺儀Z軸數(shù)據(jù)為例， 窗口的大小為k， 樣本點(diǎn)i至i+k-1之間的短時(shí)平均能量可通過(guò)下式計(jì)算:

圖7 車輛換道行為識(shí)別整體架構(gòu)圖

表1 線性核

表2 多項(xiàng)式核和高斯核

此改進(jìn)算法的具體思路是首先截取一定大小的數(shù)據(jù)窗口， 計(jì)算指定數(shù)據(jù)點(diǎn)的能量值， 通過(guò)與起點(diǎn)、終點(diǎn)能量值的比較， 在一定范圍內(nèi)來(lái)進(jìn)行相應(yīng)的數(shù)據(jù)窗口前移、縮小、擴(kuò)大等移動(dòng)調(diào)節(jié)操作， 重復(fù)計(jì)算和比較，直至樣本點(diǎn)數(shù)小于某個(gè)要求數(shù)值， 完成截取過(guò)程. 它實(shí)現(xiàn)了將待檢測(cè)未知樣本劃分為多個(gè)測(cè)試樣本， 即對(duì)包含多個(gè)行為的數(shù)據(jù)進(jìn)行快速劃分， 顯著提高了連續(xù)換道行為的識(shí)別準(zhǔn)確率.

對(duì)多組換道樣本分析知， 換道行為一般持續(xù)5 s(大約250個(gè)樣本點(diǎn))左右， 分別取前10個(gè)、后10個(gè)樣本點(diǎn)計(jì)算換道行為起點(diǎn)、終點(diǎn)能量值. 樣本截取的原始窗口大小設(shè)置為250.

算法步驟具體描述如算法1.

算法1. N-δ滑動(dòng)窗口截取算法 輸入: 包含n個(gè)樣本點(diǎn)的待檢測(cè)未知樣本段， 換道行為的起始能量值， 結(jié)束能量值 ， 原始窗口大小p， 計(jì)算能量值的樣本點(diǎn)數(shù)δ.輸出: 截取完成的用于換道行為識(shí)別的測(cè)試集.1 N←第1個(gè)樣本點(diǎn)到第p個(gè)樣本點(diǎn)的數(shù)據(jù)窗口；2 Tc←N窗口內(nèi)最后δ個(gè)樣本點(diǎn)的能量值；3 while(剩余樣本點(diǎn)數(shù)＞250) 4 while()5 N←第1個(gè)樣本點(diǎn)到第N-δ個(gè)樣本點(diǎn)的數(shù)據(jù)窗口；6 Tc←N窗口內(nèi)最后δ個(gè)樣本點(diǎn)的能量值；7 end while 8 M←第N+1個(gè)樣本點(diǎn)到第N+p個(gè)樣本點(diǎn)的數(shù)據(jù)窗口；9 Tc←M窗口內(nèi)最后δ個(gè)樣本點(diǎn)的能量值；10 while()11 M←第N+1個(gè)樣本點(diǎn)到第M+δ個(gè)樣本點(diǎn)的數(shù)據(jù)窗口；12 Tc←M窗口內(nèi)最后δ個(gè)樣本點(diǎn)的能量值；13 end while 14 if(剩余樣本點(diǎn)數(shù)＜250)then 15 output 截取完成的測(cè)試集else 16 N←第M+1個(gè)樣本點(diǎn)到第M+p個(gè)樣本點(diǎn)的數(shù)據(jù)窗口；17 Tc←N窗口內(nèi)最后δ個(gè)樣本點(diǎn)的能量值；18 end else 19 end if 20 end while

4 模型分析

用SVM訓(xùn)練得到的模型對(duì)測(cè)試樣本進(jìn)行識(shí)別， 當(dāng)識(shí)別結(jié)果與測(cè)試樣本的實(shí)際標(biāo)識(shí)一致時(shí)， 認(rèn)為識(shí)別正確， 反之認(rèn)為誤判. 對(duì)單一換道行為， 采集多組數(shù)據(jù)直接進(jìn)行識(shí)別； 對(duì)連續(xù)換道行為， 采集多組包含多個(gè)換道行為的數(shù)據(jù)， 使用N-δ滑動(dòng)窗口截取算法得到每組數(shù)據(jù)的測(cè)試集， 再使用已經(jīng)訓(xùn)練好的分類器對(duì)測(cè)試集進(jìn)行識(shí)別， 實(shí)驗(yàn)結(jié)果如表3所示.

表3 單一換道行為和連續(xù)換道行為的識(shí)別結(jié)果

由表3可以看出， 單一換道行為模型的識(shí)別率較高， 基本都達(dá)到了90%以上， 可知由選擇的核函數(shù)和參數(shù)訓(xùn)練得到的模型能夠很好的識(shí)別車輛的單一換道行為. 另外， 雖然連續(xù)換道行為模型對(duì)測(cè)試集的識(shí)別率比單一換道行為模型低， 但也大都達(dá)到70%以上， 并且樣本數(shù)增多時(shí)， 識(shí)別率呈上升趨勢(shì). 所以本文提出的N-δ滑動(dòng)窗口截取算法可以用于對(duì)連續(xù)換道數(shù)據(jù)進(jìn)行分段， 訓(xùn)練的分類器可以用于換道行為的識(shí)別.

5 主要結(jié)論

本文采集iPad中嵌入的加速計(jì)和陀螺儀數(shù)據(jù)來(lái)代表宿主車輛的行為數(shù)據(jù)， 通過(guò)提取車輛換道時(shí)陀螺儀Z軸數(shù)據(jù)的相關(guān)數(shù)據(jù)組成特征向量， 再使用SVM算法訓(xùn)練出車輛換道模型. 針對(duì)連續(xù)換道行為的識(shí)別， 提出了一種N-δ滑動(dòng)窗口截取算法， 能對(duì)樣本數(shù)據(jù)進(jìn)行快速有效的劃分. 通過(guò)驗(yàn)證得到單一換道行為模型的識(shí)別率可達(dá)到90%以上， 連續(xù)換道模型的識(shí)別率可達(dá)到70%以上. 顯著證明了本文提出的N-δ滑動(dòng)窗口截取算法的可行性和基于SVM建立的分類器的有效性.