论文部分内容阅读
车辆行为识别技术是实现智能交通领域中场景理解的有力工具，通过学习运动目标车辆的行为模式，对车辆行驶轨迹或速度行为进行理解与分析。由于交通场景的复杂性，车辆行为识别面临着很多困难和挑战。例如，不完整、重复、噪声等异常数据以及低质量、不合理的特征参数会大大降低识别率；现有基于智能手机的车辆行为识别方法是在形成完整的轨迹后再对该时间段内的行为数据进行模式识别，可视为对车辆行为最终状态的识别，无法满足智能交通中车辆行为实时判别和预测的需求。 为了解决上述问题，本文根据智能手机中传感器数据的特点，针对车辆行为识别的数据预处理、特征分析以及分类模型等关键技术进行了相关的研究，主要取得了以下几个方面的研究成果： （1）为了提高车辆行为识别的鲁棒性，本文提出了一种基于智能手机多传感器数据融合的预处理方法。该方法通过阈值判定的方式去除不完整轨迹，并利用路径重构算法和最小二乘拟合对车辆行驶轨迹进行恢复，保证了轨迹序列的完整性和有效性；在此基础上，本文设计了一个速度计算模型确定车辆行驶速度解决手机GPS信号丢失造成的速度数据丢失的问题，并采用小波变换对传感器数据进行滤波处理以还原真实数据。此外，本文还利用旋转矩阵进行姿态矫正将手机坐标系还原成车辆参考坐标系，使得手机可以在任意方向上放置，增强了系统实用性。 （2）为了提高车辆行为识别的效率，本文提出了基于SVM-RFE与PCA的车辆行为特征提取和选择方法。该方法首先对降噪后的传感器数据进行基于时域和频域两方面的特征提取，充分挖掘车辆驾驶行为特征，以保证车辆行为识别率。针对特征维度可能造成的“维度爆炸”以及算法的实时性需求，本文采用基因选择算法(SVM-RFE)对车辆行为特征进行重要度排序，并利用主成分分析法(PCA)进行特征降维，加快了算法的处理速度。另外，本文采用了基于方向角区间划分方法对运行轨迹进行编码，通过车辆行驶所产生的方向信息来描述车辆轨迹的几何形状，简化了轨迹序列的表达方式。 （3）针对车辆行为识别精确度和动态识别的要求，提出了一种基于时间分段矫正的行为识别方法。该方法采用支持向量机进行车辆行为识别，并利用RBF核函数以及遗传算法对识别效果进行优化。该方法在学习阶段对采集到的数据进行基于时间分段的训练，充分利用车辆行为渐进变化过程中的信息，以此保证本文算法能够达到在行为变化的过程中对当前行为进行实时判别和预测的目的。基于时间分段矫正的行为识别方法改变了传统方法中使用固定长度滑动窗口截取车辆行为数据的方式，能够自动检测出车辆行为的起止点，从而准确地获取车辆行为数据段，克服了滑动窗口的主观性强、适应性较差的缺点。 （4）为了验证本文提出的车辆行为识别方法的有效性，设计并实现了基于智能手机的车辆行为采集系统和车辆行为识别原型系统，对车辆事件进行自动采集和识别。