基于HMM和SVM级联算法的驾驶意图识别

LSTM 网络核心结构如图 1 所示。
个社会等级，并由 GWO 算法建立了一个模型，该算法通
过比较得到各个灰狼的社会等级来控制检索方向，相比
于其他群体智能算法，该优化算法通过引入可变的收敛
因子以及及时的信息反馈机制，可实现自我调节，进而
可以更好地提高算法的优化效率。使用 GWO 在 LSTM
模型的参数寻优中，当寻优范围设置得当时，会使模型
［1］
特征参数的基于支持向量机驾驶员超车辨识模型；Song
等［8］利用驱动模型对贝叶斯网络进行校准和执行，提出
为典型代表，使用隐马尔科夫理论（Hidden Markov Meth⁃
一种新型驾驶员模型与贝叶斯网络结合的机动变道算
究成果，主要内容是利用 HMM 模型从感观数据中识别
识别、翻译等领域取得一系列重大突破，有研究者开始
［6］
t−1
（2）
ℎ t − 1 为 t-1
w 0 为输出门的权重；
式中，o t 为输出门的输出；
时刻的隐藏状态；ℎ t 为 t 时刻的隐藏状态；x t 为输入数
据；b 0 为备选细胞状态的偏差。
31 长短期记忆网络
LSTM 模型利用细胞内的自循环来实现固定参数下
尺度上的动态变化。汽车驾驶行为数据隐藏着与车辆
司机的注意力也在被这些装置不断分散，继而使汽车在
量机、贝叶斯网络等，例如曲代丽［4］以制动踏板开度及
行驶过程中的风险大大增加，因此，人们正在致力于自
其变化率、制动减速度作为参数，给出一种基于模糊神
动 化 驾 驶 辅 助 系 统 的 研 究 ，如 使 用 驾 驶 员 辅 助 系 统
经网络的驾驶意图识别方法；王庆年等［5］将驾驶意图分
的准确性，基于数据集训练并评估模型，结果表明：所提方法对加速和制动意图识别的准确率、召回率

３ 西北 核 技 术 研 究 所 声 学 实 验 室 ， 安 ，１ ６ ３ ． 西 ７０ １）
摘 要 ： 弥 补 单 一 模 型 在 识 别 低 空 飞 行 目标 时 的 不足 ， 一 步 提 高 识 别 概 率 ， 出 了一 种 基 于 ＨＭＭ （ ｄ ｅ 为 进 提 Ｈｉ ｎ ｄ Ｍａｋ ｖｍｏ ｅ） Ｓ Ｍ ｓＳ ｐ ｏｔ ｅｔｒｍａｈｎ ｓ 串联 结 构 的 低 空 飞行 目标 声识 别 方 法 。针 对 战 场 环境 下声 信 ｒｏ ｄ １和 Ｖ （ ｕ ｐ ｒ ｖｃｏ ｃｉｅ ） 号 的 特 点 ， 方 法 综 合 考 虑 ＨＭ Ｍ 适 合 处理 连 续 动 态信 号 及 Ｓ 该 ＶＭ 小样 本 情 况 下 的 强 分 类 能 力 ， 由 ＨＭＭ 计 算 先
各 Ｈ Ｍ 模 型 与 待 辨 识 信 号 的 匹 配程 度 ， 成 匹配 度 特 征 向量 ， 利 用 Ｓ Ｍ 形 再 ＶＭ 适 合 分 类 的 优 势 ， 匹 配 度 特 征 向 对
量做进一步决策 ， 到最后的识别结果 ， 得 弥补 了单 一 模 型 在 识 别 低 空飞 行 目标 时 的 不足 。 实际数 据 的 识 别 分析 结 果表 明 了该 方 法在 低 空 飞行 目标 声识 别 中 的准 确 性 与 有 效 性 。 关 键 词 ： 空飞 行 目标 识 别 ； 低 隐马 尔科 夫模 型 ； 支持 向量 机 中 图 分 类 号 ： Ｎ９ ９ １ Ｔ ５． 文献 标 识 码 ： Ａ
（ ． ｎ ｏ ｍａ ｉ ｎ Ｄｅ ａ ｔ ｎ ，Ｅｌｃ ｒ ｎ ｃ Ｅｎ ｉ ｅ ｒｎ ｎ ｔｔ ｔ ，Ｈｅ ｅ ， ３ ０ ７ １ Ｉ ｆ ｒ ｔｏ ｐ ｒ ｍｅ ｔ ｅ ｔｏ ｉ ｇｎ ｅ ｉｇ Ｉｓ ｉ ｅ ｕ ｆ ｉ ２ ０ ３ ，Ｃｈ ｎ ｉａ；

Ｋｅ ｏｄ ：Ｓ ｐ ｏｔ ｅ ｔ ｃ ｉ （Ｖ ； ｄ ｅ ｒｏ ｄ ｌＨ ｙ ｗ ｒｓ ｕｐ ｒ Ｖ ｃｏ Ｍａｈｎ Ｓ Ｍ）Ｈｉ ｎ Ｍａｋｖ Ｍｏｅ（ ＭＭ）ｆ ｅ ｒｃｇ ｉｏ ；ｙｒ ｏｅ ｒ ｅ ｄ ； ｃ ｅｏｎｔｎ ｈ ｂｉ ｍ ｄｌ ａ ｉ ｄ
摘
要： 采用支持 向量机（ Ｖ 和 隐马 尔可夫模型（ ＭＭ） ｓ Ｍ） Ｈ 相结合的方法进行人脸识 别。首先对照片 中的人脸进 行定位 ， 从定位区
有广泛的应 用前景 。当前 ， 人脸检测 与识别是模式识别领域 中 的一个研究热 点 ： 文献 『 采用弹性 匹配 的方法 ， ４ 】 该方法速度较
域提取人脸各个器官的独立基特征 ，然后使 用支持向量机 和隐马 尔可夫混合模 型对定位 区域进行人脸识别 。利 用 Ｓ Ｍ和 Ｈ Ｖ ＭＭ 结合的优点 ， 取得较 高的识别率。
关键 词 ： 支持 向量 机 ； 马 尔可 夫模 型 ； 脸 识 别 ； 合 模 型 隐 人 混
文章编号 ：０２ ８ ３ （ ０ ７ ３ — １３ ０ 文献标识码 ： 中图 分类号 ：Ｐ ９ ． １０ — ３ １２ ０ ）０ ０ ９ — ３ Ａ Ｔ３１ ４
有五官的特征及分布。通过对这些特征的研究 ， 以理解 人的 可 情绪等状况。与其他 利用视 网膜识别（ 无法确保 对人体 的安全 性） 及指纹识别 （ 个人隐私 ） 涉及 等人体生物特征进 行身份验 证 相比 ， 人脸识别的应用具有直观 、 友好及方便等特点 ， 正越来 越 受到国际学术界、 企业界 、 政府及国防军事部 门的高度关注 ， 具
要手段 。 人脸是一种极为复 杂的 、 多维的模式 ， 也是一种典型的
非刚性模式 ， 人的面部特征十分丰 富 ， 除了形状 、 表情之外 ， 还

基于驾驶人决策机制的换道意图识别模型倪捷;刘志强【摘要】According to the producing mechanism of driver's lane change decision, desired speed satisfaction, risk perception coefficient and change feasibility coefficient are put forward and quantified as the identification parameters of lane change decision. The results of analyzing real vehicle test data indicate that quantitative indicators have different correlation with lane change decision, and there is a significant difference among the beginning of lane changing, lane keeping and transition state stage. Fuzzy neural network model is established to identify driver's lane change intention by using desired speed satisfaction, risk perception coefficient and feasibility coefficient of lane change as the input feature index. The research results show that the model accuracy in the early stage of lane change is 89.93%, and the false alarm rate is 9.52%, which both are better than BP neural network model by taking the collision time TTC as input vectors and the Logistic model by using RV, RP and RS as variables. It shows that the model has a good predictive accuracy.%依据驾驶人换道决策的产生机制，提出速度期望满足度、危险感知系数和换道可行性系数作为换道决策的识别指标并确定其量化方法.通过实车试验数据的分析表明：量化指标与换道决策存在不同程度的相关性；同时在换道初期、车道保持及过渡状态阶段存在显著差异.以速度期望满足度、危险感知系数和换道可行性系数为特征输入参数，建立基于模糊神经网络的驾驶人换道意图识别模型，进行驾驶人换道意图的识别.结果表明，该模型在换道初期的预测准确率达到89.93%，虚警率为9.52%，优于以碰撞时间TTC为输入指标的BP神经网络模型，以及以RV、RP、RS为变量的Logistic模型，说明模型具有较好的预测准确性.【期刊名称】《交通运输系统工程与信息》【年(卷),期】2016(000)001【总页数】6页(P58-63)【关键词】智能交通;换道意图;决策机制;换道辅助系统;模糊神经网络【作者】倪捷;刘志强【作者单位】江苏大学汽车与交通工程学院，江苏镇江212013;江苏大学汽车与交通工程学院，江苏镇江212013【正文语种】中文【中图分类】U491.25随着车辆辅助驾驶系统的产生和智能车辆系统的研究，越来越多的人开始考虑使用各种车载辅助系统降低事故的潜在危险.换道辅助系统LAC就是通过判断驾驶人的换道意图，当环境感知模块判断当前环境不满足安全换道条件时，进行预警或自动干预驾驶人驾驶.然而，当系统发出与驾驶意图相异的预警时，会导致驾驶人分心并降低系统的可信度.因此，准确的换道意图识别成为提高换道辅助系统可靠性的关键技术之一.换道意图识别的研究通常有两个方面：一是驾驶人换道意图表征参数的提取；二是换道意图的识别算法.国内外在换道意图表征参量方面主要包含三类指标：驾驶人的眼动及头部特性参数[1]、车辆运行状态表征参数[2-3]和周围环境状态参数；在换道意图识别算法方面，hMM[2，4]、贝叶斯决策、神经网络[5]、支持向量机[6]等模式识别方法均有广泛应用.然而，上述研究中表征参数大多提取的是驾驶人换道时的外在表现，故在预测的精度和时序上会存在博弈.事实上，驾驶人换道决策的内在触发通常来源于周围车辆的行驶状态.鉴于此，本文通过换道决策机制的分析，考虑周围车辆行驶状态的影响，从换道意图的触发及可行性判断两方面设计换道决策识别表征参数，并构建基于模糊神经网络的驾驶人换道意图识别模型，为驾驶辅助系统的换道意图识别及智能车辆自主换道的决策设计提供依据.换道意图产生阶段的驾驶人行为决策是集驾驶人环境感知、分析判断和决策的综合认知过程，是“驾驶人-车辆-道路”三者交互的综合体现.仅考虑选择性换道的情况.在换道行为产生前，一般会有两种触发驾驶人换道意图的诱因：一是当前车道的平均车速或前导车车速无法满足驾驶人的速度期望；二是由于前导车临时制动等原因导致两车间距过近，驾驶人产生危险感知.为此，将此过程设定为第一次感知判断；产生换道意图后，驾驶人根据目标车道的后车距离，进行第二次感知判断，即可行性判断.当无法满足可行性要求时，车辆继续维持跟车状态；一旦满足可行性要求，驾驶人将根据本车的性能进行换道目标位置的规划并执行换道.驾驶人换道决策产生机制如图1所示.2.1换道决策指标设计与量化驾驶过程中影响驾驶人换道决策的信息主要来自本车道前车的驾驶条件、自车的运行状态及目标车道后方的驾驶条件三个方面.根据驾驶人换道决策机制的分析，将驾驶人产生换道需求的两种触发诱因定义为速度期望和空间危险感知，将目标车道可行性判断定义为换道可行性感知，设计换道决策量化方法.车辆换道时与周围车辆的位置关系如图2所示，SV代表自车，LV代表当前车道前方车辆，AFV代表目标车道后方车辆，ALV代表目标车道前方车辆.速度期望的触发工况通常以期望速度的满足度，即本车当前速度与期望速度的比值来表征.然而，驾驶人的期望速度由驾驶人的行为特性、道路等级、天气状况、车辆类型等因素共同决定，不同情形下的特征规律迥异，难以估算；同时，在实际行车过程中，影响驾驶期望最直接的因素是前导车的行驶车速，如果驾驶人认为当前车道前车速度过慢，驾驶人便会产生换道意图.因此，笔者提出以当前车道前导车的车速与目标车道车流的平均车速之比RV作为速度期望满足度的量化指标，如式（1）所示.式中：VLV为当前车道前导车的车速；Vdmean为目标车道的车流平均车速.在满足期望车速的状态下，驾驶人会与前导车保持安全车距.当原车道前车突然减速或有其他车辆切入自车前方，导致本车与前车的距离缩短，驾驶人会产生不安全感，进而会以避碰或满足期望空间为目的产生换道需求.而换道可行性的判断考虑的主要因素是与目标车道后车的安全距离.这两个因素实质上均属于驾驶人的空间感知，有两种具体的量化方法：（1）实际距离与临界安全距离的比值RS.式中：d为自车与目标车的纵向距离；dsafeness为自车与目标车的安全车距，计算公式为式中：Vo，Vd分别为后车与前车的初速度；τreaction为后车驾驶员的反应时间，一般为0.3~1.0 s；τlast为制动增长所经历的时间；aojmax，adjmax分别为后车与前车的最大减速度；L为停车后所要保持的距离，一般取5 m.（2）Nissan公司[7]提出的危险感知程度Rp.将车头时距ThW与碰撞时间倒数TTCi进行组合计算，构成危险感知系数，目前被广泛用于量化驾驶人对空间的危险感知程度.式中：ThW为车头时距，由相对距离除以后车速度获得；TTC为碰撞时间，由相对距离除以相对速度获得，TTCi表示TTC的倒数；A,b分别为参数线性加权的系数.2.2试验验证验证数据来源于快速路实车试验，试验设备包括带有横向加速度传感器和CAN总线的试验车、毫米波雷达等，数据结构包括自车的速度、加减速等运动信息及驾驶员操控数据、周围车辆的位置及交通状况数据.选取三种工况下的149组周围车辆数据进行参数有效性的计算和分析.三种工况包括：换道初期、车道保持、过渡状态.换道工况选择自由换道工况，换道开始时的数据，以保证得出驾驶人的正常换道行为特征；过渡状态工况是指驾驶人产生换道需求但由于目标车道后车速度过快或车距过近等原因等待换道时机的过程.表1给出了采用点二列相关分析两种空间感知参数与决策的相关性结果.可知，就本车道空间感知系数的量化方法，Rp的相关系数略高于RS，选择Rp作为本车道危险感知参量更为合适；对于目标车道的空间感知，RS的相关系数明显高于Rp，故选择RS作为换道可行性的表征参量.图3给出了换道初期和车道保持阶段量化参数的箱图.由图3（a）可知，换道阶段的速度期望系数均值小于车道保持阶段，且两阶段具有显著差异（sig=0.000<0.05），可以作为换道决策识别的指标之一；车道保持阶段的空间危险感知系数均值小于换道初期，同样存在显著的差异，如图3（b），可以作为换道决策识别的指标之一；图3（c）给出了换道可行性感知系数的箱图，由图可知换道初期和车道保持阶段的可行性系数均值接近，不具有显著差异；但过渡阶段的可行性感知系数与换道初期具有显著差异.模糊神经网络FNN采用Takagi-Sugeno模糊模型，网络结构如图4所示.网络输入量为速度期望满足度RV、危险感知参数Rp和换道可行性参数RS.神经网络为5层结构，分别是输入层、模糊化层、规则层、输出隶属函数层和输出层.速度期望满足度RV的模糊语言值有3个：S、C和F3条曲线；危险感知系数Rp 的模糊语言值有5个：VD、D、N、S、VS；换道可行性感知系数RS的模糊语言值有3个：D、N、S，共产生模糊规则45条.选择60组实车试验数据（车道保持与换道各30组）作为模糊神经网络的输入训练数据，选择15组数据作为检验样本.训练数据中，过渡工况为未实施换道的状态，将换道决策标定为车道保持.数据结构如表2所示.其中，3个输入量的训练前后的隶属度变化如图5所示.设定换道的输出值为1，车道保持的输出值为0，设切割阈值为0.5，当输出值≥0.5时，预测为换道，当输出值<0.5时，预测为车道保持.检验结果如图6所示.由图6可以看出，模糊神经网络的输出值与检验数据的实际值差异小，对决策结果的识别精度较高.将所有149组样本的数据代入训练好的模型，检验预测的准确性.从表3可知，总的预测准确率为89.93%.其中，预测特异度为90.48%，灵敏度为89.23%，虚警率为9.52%.为了比较模型的合理性，本文分别采用预警参数碰撞时间TTC1、TTC2作为输入参数的Bp神经网络预测模型和基于RV、Rp、RS三参数的Logistic模型对149组样本进行预测.Logistic模型的拟合公式见式（5），预测结果如表4所示.从预测结果及准确率可以看出，以RV、Rp、RS三参数作为输入的模糊神经网络模型优于其他两种方法.（1）分析了换道决策产生的机理，设计了换道决策的表征参量；采用实车试验数据，对空间危险感知和换道可行性感知的两种量化方法进行了相关性比较，对不同阶段的RV、Rp、RS进行了显著性检验.结果表明：对于本车道的空间危险感知，Rp的相关性高于RS；对于目标车道的换道可行性感知，RS的相关性高于Rp；换道初期和车道保持阶段的RV和Rp值存在显著差异，换道初期和过渡阶段的RS值存在显著差异.（2）建立了基于模糊神经网络的换道意图识别模型，给出了RV、Rp、RS三参数的隶属度函数，149组试验数据的识别结果显示，预测准确率达到89.93%，虚警率为9.52%；优于相同变量的logistic模型，以及以TTC为输入参数的Bp神经网络模型，验证了量化方法和识别模型的有效性.【相关文献】[1] Oliver N,pentland A p.Graphical models for driver behavior recognition in a SmartCar[C]// 2000 proceedings of the IEEE Intelligent Vehicles Symposium.2000:7-12.[2] Kuge,Yamamura T,Shimoyama O,et al.A driver behavior recognition method based on a driver model framework[J].SAE,2000-01-0349:1-8.[3] 彭金栓.基于视觉特性与车辆相对运动的驾驶人换道意图识别方法[D].西安：长安大学，2012. [pENG J S.Driver’s lane change intent identification based on visual characteristics and vehicles’relative movements[D].Xi'an：Chang’an University,2012.][4] Takuya MizushimA,pongsathorn Raksincharoensak, Masao Nagai.Directyaw-momentcontroladapted to driver behavior recognition[C]. SICE-ICASE International Joint Conference,2006：534-539.[5] 马勇，付锐，郭应时，等.基于实车试验的驾驶人换道行为多参数预测[J].长安大学学报（自然科学版），2014，34（5）：101-108.[MA Y,FU R,GUO Y S,et al. Multi-parameterprediction of driver's lane change behavior based on real-world driving tests[J].Journal of Chang'an University(Natural Science Edition),2014，34 （5）：101-108.][6] Van Leeuwen C J.Driver modeling and lane change maneuverprediction[D].Groningen: University of Groning,2010.[7] Kondoh T,Yamamura T,Kitazaki S,et al.Identification of visual cues and quantification of drivers'perception of proximity risk to the lead vehicle in car-followingsituations[J].Journal of Mechanical Systems for Transportation andLogistics,2008,1(2):170-180.。