危險駕駛行為辨識算法研究

劉永濤，喬 潔，魏 朗，鞏建強，張亞岐

（1.長安大學(xué)汽車學(xué)院，陜西西安710064；2.交通運輸部公路科學(xué)研究院，北京100088）

0 引 言

為了提高車輛自身運行安全以及修正駕駛員的不良駕駛行為，出現(xiàn)眾多駕駛輔助系統(tǒng)，較為典型的有德國Va MoRs智能車系統(tǒng)、美國的Navlab智能車系統(tǒng)以及意大利的ARGO系統(tǒng)［1］，這些系統(tǒng)大多配置豪華，數(shù)據(jù)獲取成本過高，致使它們難以普遍推廣。目前針對現(xiàn)有預(yù)警系統(tǒng)成本過高和誤報率高問題提出的對策有構(gòu)造基于DSP和FPGA計算的車道偏離預(yù)警系統(tǒng)［2］，使用補償圖像處理時間延遲的方法［3］等，但這些系統(tǒng)算法處理的滯后性制約了預(yù)警系統(tǒng)工作的有效性。

因此，為了提高危險駕駛行為辨識效能，本文提出利用方差貝葉斯網(wǎng)絡(luò)模型對危險駕駛行為進(jìn)行辨識。利用車載CCD實時獲取道路圖像信息，經(jīng)過圖像處理，一方面確定車道線與車輛前輪的距離，通過判定車輪距車道線距離變化情況確定車輛是否存在或者將會出現(xiàn)車道偏離的情況，另一方面從處理后的圖像中提取出前車與自車的間距，依據(jù)車間距的變化情況判定車輛是否存在跟車過近的危險駕駛行為。

1 危險駕駛行為的標(biāo)定

不同研究人員對危險駕駛行為的界定也不盡相同，而危險駕駛行為的存在方式和表現(xiàn)形式也多種多樣。部分危險駕駛行為已劃分為違規(guī)駕駛，例如酒駕，但還有大部分危險駕駛行為不能很好地受到監(jiān)管部門的監(jiān)管，致使交通事故頻發(fā)。為此，本文從眾多危險駕駛行為中篩選出最具代表性的車道偏離和跟車過近行為進(jìn)行分析研究，由于換道時車輛與車道線的相對位置關(guān)系也會發(fā)生相應(yīng)變化，為了能夠有效區(qū)分車道偏離行為與換道行為，此處將轉(zhuǎn)向燈是否開啟作為換道的唯一標(biāo)識，將換道不打轉(zhuǎn)向燈的駕駛行為也劃分為車道偏離行為。

1.1 坐標(biāo)系定義

要精確確定車道線的位置，就必須在路面與圖像之間建立一一對應(yīng)關(guān)系。假設(shè)，照相機與地面的夾角為，地面坐標(biāo)系為XYZ，鏡面坐標(biāo)系為XCYCZC，圖像坐標(biāo)系為uv，各坐標(biāo)系之間對應(yīng)關(guān)系如圖1所示。

圖1 路面坐標(biāo)系與圖像坐標(biāo)系

根據(jù)各個坐標(biāo)系之間幾何關(guān)系以及照相機成像原理即可得到路面坐標(biāo)系與圖像坐標(biāo)系之間的關(guān)系［4，5］為

式中:f——攝像機焦距。假設(shè)車道實際寬度為W，則圖像坐標(biāo)系下車道寬度w為

1.2 時窗長度標(biāo)定

時窗長度對模型的識別率影響重大，時窗過大會使單個時窗內(nèi)包含多個狀態(tài)數(shù)據(jù)，數(shù)據(jù)冗雜，難以準(zhǔn)確判定當(dāng)前時窗下的駕駛行為，若時窗過小，時窗包含的數(shù)據(jù)特征不明顯，致使模型的識別率較低。因此，本文為確定最佳時窗長度，將不同時窗下模型的識別率作為選取時窗長度的唯一判定條件。不同時窗下模型的識別率變化情況如圖2所示，從圖2中可以看出，時窗長度為1.5s時模型的識別率最高，因此確定的時窗大小為1.5s。

1.3 車道偏離行為特征指標(biāo)選取及特性分析

能夠表征車道偏離的參數(shù)很多，較為常見的有方向盤轉(zhuǎn)角、橫擺角速度、側(cè)向加速度、側(cè)向速度、距車道線距離、航向角等，這些指標(biāo)能否作為表征車道偏離的特征指標(biāo)，還需對車道偏離過程中這些參數(shù)變化規(guī)律進(jìn)行分析。圖3為側(cè)向加速度在車道偏離過程中的變化情況，單純從側(cè)向加速度的原始值來看，數(shù)據(jù)的波動性很大，規(guī)律并不明顯，經(jīng)過濾波處理后的數(shù)據(jù)的振動幅度大幅降低，但數(shù)據(jù)的規(guī)律還是不明顯，側(cè)向加速度的最大變化幅度達(dá)到近2m/s2，這顯然不符合車輛運行的基本安全條件。因此，若將側(cè)向加速度作為車道偏離的指標(biāo)必將產(chǎn)生大量誤判樣本。

圖2 時窗的確定

圖3 車道偏離過程中側(cè)向加速度的變化

車道偏離過程中橫擺角速度的變化如圖4所示。橫擺角速度也存在一定的波動性，但是數(shù)據(jù)經(jīng)過濾波后，呈現(xiàn)出一定的規(guī)律性，在第400個采樣時橫擺角速度出現(xiàn)迅速下降趨勢。車道偏離是個漸變到恒定的過程，一旦車輛壓線行駛或者偏離車道穩(wěn)定行駛時，在無外部交通環(huán)境干擾情況下，車輛一般維持當(dāng)前運動狀態(tài)，而橫擺角速度只要車輛橫向運動狀態(tài)不發(fā)生變化，基本維持不變或者小范圍波動。若系統(tǒng)在車道偏離時沒能準(zhǔn)確辨識出車道偏離行為，則后續(xù)的壓線行駛基本無法判定，即便在車輛有橫向位移時識別出車道偏離，做出預(yù)警，若在有限時間內(nèi)未引起駕駛員的關(guān)注，后續(xù)行駛過程預(yù)警系統(tǒng)基本失去功效。可見將橫擺角速度作為表征車道偏離的指標(biāo)也不適合。經(jīng)過同樣分析，發(fā)現(xiàn)側(cè)向速度以及方向盤轉(zhuǎn)角均不適合作為車道偏離的表征指標(biāo)。而車道線距離在車道偏離過程中表現(xiàn)出良好的統(tǒng)計特征，圖5所示為車道線距離的變化情況。

一般車道寬度為350cm，實驗車寬度為179.4cm，車輛若沿車道中心行駛時，車輛左右前輪距車道線距離約為90cm。單純依據(jù)數(shù)據(jù)的波動性變化規(guī)律而言，車道線距離只是波動性減小，曲線近似呈現(xiàn)出帶狀分布，有一定的規(guī)律性但是并不明顯。然而，車道線距離能夠反映車輛時刻偏離車道的程度，若設(shè)定閾值，在轉(zhuǎn)向燈未開啟的情況下，一旦車道線距離的變化量超過設(shè)定閾值，即可判定當(dāng)前駕駛行為是車道偏離行為。因此，最終將車道線距離作為唯一表征車道偏離的指標(biāo)。

圖4 車道偏離過程中橫擺角速度的變化

圖5 車道偏離過程中車道線距離的變化

1.4 跟車過近行為

在車輛正常行駛過程中，由于駕駛員駕駛疲勞或者誤操作會產(chǎn)生跟車過近行為，跟車過近的表征指標(biāo)是前車距，根據(jù)ISO標(biāo)準(zhǔn)，跟車過程中車速不同，安全車距也不盡相同。本文主要是通過坐標(biāo)變換以及圖像處理來獲取前方車輛與自車的位置關(guān)系，首先根據(jù)車輛在圖像中大小以及車輛與自車中心線的夾角確定前車與自車的位置關(guān)系，如圖6所示。

圖6 臨近車道上的前車在圖像中表現(xiàn)

圖6中A車在自車的當(dāng)前車道，A車與圖像縱向?qū)ΨQ軸線的夾角較小，B車較大，且兩車相近，依據(jù)夾角大小就能判定A、B兩車與自車的位置關(guān)系，從而根據(jù)安全車距判定當(dāng)前自車是否存在跟車過近行為。

2 數(shù)據(jù)濾波

從圖3－圖5可以看出，采集設(shè)備采集圖像經(jīng)過處理后，數(shù)據(jù)基本都是階躍變化，數(shù)據(jù)之間的連續(xù)性較差，這對數(shù)據(jù)分析以及駕駛行為的判定帶來不小影響，因此，本文選用Kalman濾波器［6－10］對車道線距離數(shù)據(jù)進(jìn)行相應(yīng)的濾波處理。

卡爾曼濾波器用于估計離散時間過程的狀態(tài)變量x∈Rn。離散線性定常系統(tǒng)狀態(tài)方程如下

定義觀測變量z∈Rm，得到量測方程

式中，A——狀態(tài)轉(zhuǎn)移矩陣，B——輸入輸出矩陣，H——觀測矩陣，uk－1——系統(tǒng)控制變量，wk－1和vk——過程激勵噪聲和觀測噪聲?？柭鼮V波器用反饋控制的方法估計過程狀態(tài)，濾波器估計過程某一時刻的狀態(tài)，然后以含噪聲測量變量的方式獲得反饋。最終的Kalman估計算法成為一種具有數(shù)值解的預(yù)估－校正算法，利用Kalman濾波器對車道線距離濾波的結(jié)果如圖5所示。

3 基于方差貝葉斯（V－BF）的危險駕駛行為識別

方差識別模型是對采集到的數(shù)據(jù)進(jìn)行閾值判斷，判定當(dāng)前駕駛行為是否危險，方差貝葉斯模型［11－14］綜合方差的判斷以及貝葉斯的預(yù)測值，最終輸出預(yù)警狀態(tài)。所謂預(yù)警狀態(tài)是指預(yù)警或者不預(yù)警（0是預(yù)警狀態(tài)，1是非預(yù)警狀態(tài)），方差貝葉斯模型的應(yīng)用流程如圖7所示。

圖7 方差貝葉斯模型

車載CCD采集道路圖像信息，經(jīng)過圖像處理獲取車道線距離數(shù)據(jù)以及與前車距離數(shù)據(jù)?？紤]到數(shù)據(jù)的采樣精度以及數(shù)據(jù)的波動性，利用Kalman濾波器對數(shù)據(jù)進(jìn)行濾波處理，獲得可信基礎(chǔ)數(shù)據(jù)后，確定每個時窗長度內(nèi)數(shù)據(jù)方差的變化量，依據(jù)方差變化量是否大于閾值確定方差模型輸出。而方差模型的輸出是貝葉斯模型的輸入，貝葉斯模型根據(jù)前n個狀態(tài)預(yù)測下一時刻預(yù)警狀態(tài)，下一時刻方差模型的輸出結(jié)果與上一時刻貝葉斯模型預(yù)測值進(jìn)行比較，利用貝葉斯對方差模型的輸出進(jìn)行再分類，修正誤判樣本，從而提升模型的識別率。通過分析不同閾值下模型識別率得出方差模型及貝葉斯模型最佳閾值分別為22和31。若方差模型輸出與貝葉斯模型預(yù)測結(jié)果一致，則貝葉斯模型無需對方差模型輸出結(jié)果進(jìn)行修正，當(dāng)二者輸出存在差異時就需修正。綜合方差模型輸出與貝葉斯模型輸出時存在權(quán)重分配問題，由于方差模型輸入數(shù)據(jù)是最新的，因此，給方差模型分配較高權(quán)值，其權(quán)值為0.6，由于貝葉斯模型需考慮前n個時刻的輸出，數(shù)據(jù)時效性不強，其權(quán)值取為0.4?，F(xiàn)就取10個樣本對模型予以說明，表1是模型的輸出結(jié)果，其中樣本不是連續(xù)采樣。

表1 方差輸出結(jié)果修正

從表1可以看出，方差模型對第7個樣本存在誤判（見灰色底紋數(shù)據(jù)），BF模型輸出非預(yù)警狀態(tài)概率為0.61，預(yù)警狀態(tài)概率為0.39，所以綜合結(jié)果為:0.71＊0.4＞0.29＊0.6。因此，該時刻是非預(yù)警狀態(tài)概率大于預(yù)警狀態(tài)概率，所以修正方差模型輸出，同樣對第9個樣本進(jìn)行修正，顯然，修正結(jié)果跟實際結(jié)果相一致。經(jīng)過對模型的測試，測試結(jié)果表明該模型識別率達(dá)到96%以上。

4 結(jié)束語

本文提出了一種利用方差貝葉斯網(wǎng)絡(luò)模型對危險駕駛駕駛行為進(jìn)行識別的方法，通過車載攝像頭和DSP芯片獲取可靠的車道線距離數(shù)據(jù)以及與前車距離數(shù)據(jù)，通過判定每個最佳時窗內(nèi)特征指標(biāo)的變量確定方差模型的輸出，進(jìn)而將方差模型的輸出作為貝葉斯模型的輸入，綜合貝葉斯的預(yù)測結(jié)果和方差模型輸出的結(jié)果，最終輸出V－BF的識別結(jié)果，根據(jù)識別結(jié)果決定預(yù)警策略。實車測試結(jié)果表明，該模型辨識車道偏離和跟車過近危險駕駛行為的識別率達(dá)96%以上，可用來降低由危險駕駛行為造成的潛在危險，提高交通運行效率。

［1］LIU Bohang，LI Qingbing，WU Shuang，et al.Method of lane－changing track access based on video［C］//The Fourth International Conference on Innovative Computing，Information and Control，2009:476－480.

［2］CHEN Qingyang，LI Jian，AN Xiangjing，et al.Architectural implementation of a lane departure warning system based on machine vision［J］.Microcomputer Information，2008，24（10）:29－31（in Chinese）.［陳清陽，李健，安向京，等.基于機器視覺的車道偏離預(yù)警系統(tǒng)的實現(xiàn)［J］.微計算機信息，2008，24（10）:29－31.］

［3］WANG Ye.Image processing time delay compensation for lane departure warning［J］.Science Technology and Engineering，2012，12（20）:4941－4945（in Chinese）.［王也.車道偏離預(yù)警圖像處理滯后時間補償［J］.科學(xué)技術(shù)與工程，2012，12（20）:4941－4945.］

［4］ZHANG Jinqiu，LI Guo.Solution of transform formula between image pixel distance and space distance［J］.Software Herald，2009，8（12）:179－180（in Chinese）.［張進(jìn)秋，李幗.圖像像素距離與空間距離變換公式的求解［J］.軟件導(dǎo)報，2009，8（12）:179－180.］

［5］ZHOU Chenyu，ZHANG Yaqi，LI Jian.Identification of vehicle based on SVM［J］.Science ＆Technology Review，2012，30（30）:53－55（in Chinese）.［周辰雨，張亞岐，李健.基于SVM的車輛識別技術(shù)［J］.科技導(dǎo)報，2012，30（30）:53－55.］

［6］FU Huimin，WU Yunzhang，LOU Taishan.Adaptive extended incremental Kalman filter method［J］.Journal of Aerospace Power，2012，27（8）:1734－1736（in Chinese）.［傅惠民，吳云章，婁泰山.自適應(yīng)擴(kuò)展增量Kalman濾波方法［J］.航空動力學(xué)報，2012，27（8）:1734－1736.］

［7］ZHANG Meiyang，JI Zhongmei，WANG Jianhui.Non－line－ofsight error mitigation algorithm based on Kalman filter［J］.Computer Engineering，2010，36（11）:291－293（in Chinese）.［張美楊，季仲梅，王建輝.基于Kalman濾波器的非視距誤差抑制算法［J］.計算機工程，2010，36（11）:291－293.］

［8］JIN Yong，BAI Guangwei.Kalman filter－based adaptive linklevel FEC mechanism for wireless media streaming［J］.Computer Engineering and Applications，2009，45（7）:129－134（in Chinese）.［靳勇，白光偉.Kalman濾波的自適應(yīng)鏈路層FEC控制策略［J］.計算機工程與應(yīng)用，2009，45（7）:129－134.］

［9］LIN Guohan，ZHANG Jing，LIU Zhaohua，et al.Speed estimation of motor using improved particle swarm algorithm optimized extended Kalman filter［J］.Application Research of Computers，2013，30（3）:17－21（in Chinese）.［林國漢，章兢，劉朝華，等.改進(jìn)粒子群算法優(yōu)化擴(kuò)展卡爾曼濾波器電機轉(zhuǎn)速估計［J］.計算機應(yīng)用研究，2013，30（3）:17－21.］

［10］GUO Luodan，KONG Jinsheng.Target tracking based on combined Kalman filter and fuzzy logic［J］.Microcomputer Information，2009，25（6）:246－247（in Chinese）.［郭洛丹，孔金生.基于卡爾曼濾波與模糊邏輯的目標(biāo)跟蹤［J］.微計算機信息，2009，25（6）:246－247.］

［11］HU Wenliang，WANG Huiwen.Prediction modeling based on Bayes support vector machine［J］.Journal of Beijing University of Aeronautics and Astronautics，2010，36（4）:486－489（in Chinese）.［呼文亮，王惠文.基于貝葉斯準(zhǔn)則的支持向量機預(yù)測模型［J］.北京航空航天大學(xué)學(xué)報，2010，36（4）:486－489.］

［12］LI Peng，LI Ling，LI Min.The bayesian network model construction in automatic interactive image segmentation［J］.Application Research of Computers，2013，30（3）:29－31（in Chinese）.［李鵬，李玲，李敏.自動交互圖像分割中的貝葉斯網(wǎng)絡(luò)模型構(gòu)建［J］.計算機應(yīng)用研究，2013，30（3）:29－31.］

［13］YANG Yanjiao，WANG Zhihe.Bayes text classification algorithm based on stump network［J］.Computer Engineering，2009，35（16）:201－205（in Chinese）.［楊延嬌，王治和.基于樹樁網(wǎng)絡(luò)的貝葉斯文本分類算法［J］.計算機工程，2009，35（16）:201－205.］

［14］ZHU Min，LIU Weidong.Prediction models of electronic products design defects based on rough set bayesian network theory［J］.Application Research of Computers，2012，29（1）:48－52（in Chinese）.［朱敏，劉衛(wèi)東.基于粗糙集貝葉斯網(wǎng)絡(luò)的電子產(chǎn)品設(shè)計缺陷評估模型［J］.計算機應(yīng)用研究，2012，29（1）:48－52.］