支持向量機在換道行為識別中的應用研究

袁 偉，張亞岐，王 暢

(長安大學汽車學院，陜西西安710064)

0 引言

換道行為是駕駛員常見的操作行為之一，也是影響到車輛運行安全性的重要因素［1］。安全駕駛輔助系統成為改善道路交通環境的重要手段，研究人員已經研制出許多安全輔助駕駛及預警系統，比較典型的有ACC自適應巡航控制系統、SWA換道輔助系統以及LKAS車道保持輔助系統，而行為識別技術就成為影響這些系統可靠工作的決定性因素。目前，駕駛意圖識別技術主要包括:隱馬爾科夫模型［2］，貝葉斯網絡，神經網絡以及圖像檢測［3］等等，這些技術需將連續數據離散化，易造成信號失真，且需對短時間內的駕駛行為進行歸類，這樣會影響到識別的連續性，而貝葉斯網絡和神經網絡需大量樣本，泛化能力較差，圖像檢測技術受環境因素干擾大，可靠性較低。所以，尋求一種識別精度高、識別耗時短的識別技術成為科研人員關注的焦點。

支持向量機是目前公認的具有較強泛化能力的識別方法。能夠在較短時間內準確識別出駕駛行為。本文以真實道路試驗數據為基礎，建立支持向量機的換道行為識別模型。從能夠表征換道行為的眾多指標中篩選出車道線距離和方向盤轉角作為最終換道指標。對采集到的樣本數據進行Kalman濾波［4］、歸一化處理以及主成分分析，利用遺傳算法［5］優化SVM的核參數，選擇最佳的參數組合，最后，對優化后的模型進行訓練與測試，測試結果能夠滿足現有車載換道預警系統的實時性和可靠性要求。

1 換道識別模型建立

1.1 線性支持向量機理論

支持向量機 (support vector machine)是Cortes和Vap-nik于1995年首先提出，主要用于解決平面上的二分類問題，如圖1 所示［6］。

圖1 線性可分情況下最優分類面

由圖1可知，平面H、H1和H2的都能實現二分類的功能，即分類面H并不是唯一的，但最佳的分類面是唯一的，即最大間隔超平面，該平面使得使H1和H2之間的間隔最大。圖中H為一個超平面，H1、H2與H互相平行。最優分界面的求解問題通常表述為二次優化的問題，對于給定的樣本 {xi，yi}(i=1，2，3………l)，求使下列二次泛函取極小值的w

其約束條件為

對于此類二次規劃問題，通常轉換成與其對應的拉格朗日對偶問題來求解，該問題的拉格朗日函數為［7-9］

式中αi0，其為拉格朗日乘子。根據庫恩-塔克條件可得

將以上兩式代入式 (3)可得原規劃問題的對偶優化問題，即

相應的約束條件變為

通過求解以上對偶優化問題，獲取最優超平面的特征參數，實現最佳二分類功能。

1.2 換道行為表征參數

與換道行為識別關聯性較強的參數包括:車輛與車道線距離、方向盤轉角、橫向加速度、縱向加速度、航向等。參考其他研究人員的結論，根據參數特點，本文中所使用的特征集包含兩個參數:

(1)車輛與車道線距離d。車輛與車道線距離是表征車道變換行為最直接的參數，該參數須在車輛發生橫向位移后才能體現出換道特征。

(2)方向盤轉角θ。方向盤轉角也在一定程度上能夠表征車道變換行為，大部分換道過程中方向盤轉角均會呈現一定程度的變化規律，但其他非換道情況下方向盤轉角也會出現一定程度的波動，且在僅靠方向盤轉角很難區分車輛曲線行駛和車道變換，從而使得無法單獨使用方向盤轉角來對換道行為進行識別。

1.3 表征參數濾波

受限于傳感器的采集精度，特征參數d和θ均存在一定程度的階躍性，弱化了數據之間的關聯性。支持向量機識別模型最重要的思想是從換道數據內部挖掘數據的相關特性，為削弱原始數據的階躍性，本文采用卡爾曼濾波器對d和θ進行濾波處理。濾波過程采用標準離散型卡爾曼濾波器，基于MATLAB卡爾曼濾波工具箱完成，濾波結果如圖2圖3所示。

1.4 訓練集和測試集

選擇實際道路正常駕駛過程中的部分換道數據，此外選擇部分車道保持數據，共挑選出945組數據，其中車道變換次數為503次，占總次數的53.23%;車道保持次數為442次，占總次數的46.77%。所挑選的數據中，一部分用于SVM模型訓練，訓練樣本集為645組;另一部分數據用于對訓練后模型進行測試，測試集樣本為300組，用于訓練模型和檢驗模型的數據比例約為2:1，具體的數據分布如圖4圖5所示。

1.5 SVM模型訓練

時間窗口的長短對于換道行為識別的有效率存在較大影響，一方面，時間窗口太短，則該時間窗口內所包含的換道信息不足，很難對該時窗所對應的駕駛行為進行準確分類，從而使得識別率偏低。另一方面，過長的時間窗口會使得特征集所包含的換道特征被淹沒或者特征不明顯，也容易造成識別率偏低。

最優時間窗口由兩點體現，第一為較高的識別率，第二為實時性要好，只有這兩點均得到滿足的情況下，所選時間窗口才有意義。最優時間窗口隨應用環境的不同而存在較大差異，因此無法根據經驗來確定，所以，只能對不同時間窗口下的換道行為分別進行分析，根據測試結果來挑選最佳的時間窗口。以0.8秒為最短時間窗口，以5.0秒為最長時間窗口，分別對 0.8、0.9、1.0、1.1、1.2、1.3、1.4、1.5、1.6、1.7、1.8、1.9、2.0、2.5、3.0、3.5、4.0、4.5和5.0秒間窗口下的換道行為進行識別。

在MATLAB環境中，利用libsvm支持向量機工具建立SVM訓練模型。將645組訓練樣本導入到SVC環境中，使用系統默認參數進行訓練，訓練過程結束之后輸出測試集的分類準確率。該參數的大小體現了訓練模型對訓練樣本的學習接受程度，分類準確率越高則表示訓練模型能將更多的數據準確劃分為車道保持或車道變換，同時分類準確率對于后續測試識別過程也具有重要影響。利用libsvm工具箱，對不同的時窗長度分別進行訓練，得到相對應的分類準確率，如表1所示。

表1表明，不同時間窗口長度的SVM模型分類準確率存在較大差異，時間窗口低于1.1秒時分類準確率均低于80%，1.2秒時窗的分類準確率開始上升，達到了92.8%，隨著時窗的增加，分類準確率進一步上升，在2.0秒的時候達到了最大值98.7%。

1.6 SVM模型識別結果

將300組待測試數據導入到SVC環境中進行測試，使用不同時間窗口值和該時間窗口值所對應的識別模型進行測試識別。以5%的錯誤接受率 (誤報率)為基準，分析不同時窗長度對應的識別率，結果如表2所示。

表1 訓練集分類準確率

表2 測試集識別率 (5%FP)

表2表明，測試集識別率在時窗小于1.2秒過程中呈 現增加趨勢，其中從1.1秒到1.2秒區間內測試集識別率增加了24.1%，相應的訓練集分類準確率增加了19.3%，此區間內訓練集和測試集均表現出相同的增加趨勢。從1.2秒到2.0秒區間內，測試集識別率從90.6%增加到了97.8%，相應的，訓練集側類準確率也呈現上升趨勢。時窗大于2.5秒的數據表明，測試集識別率出現下降趨勢，從92.2%下降到83.1%。

換道行為識別對于實時性有較高要求，而識別實時性由時窗長度直接決定。對換道預警系統需求而言，實時性越好則時窗長度越短，實時性很好時則留給駕駛員更多的反應時間，因此換道識別所使用的時窗長度需要控制在一定范圍內，此范圍通常設定為1.2秒以內。表2中，1.2秒以內時窗的識別率最高為90.6%，處于較低的范圍，無法滿足換道預警系統的需求，因此需要進一步對SVM模型進行優化，提高時窗長度小于或等于1.2秒情況下的識別率。

2 換道識別模型優化

2.1 數據歸一化［10］

換道過程中，車輛與車道線的距離一般在-300～ +120cm之間變化，而方向盤轉角值的變換范圍通常小于10°，從而使得兩類參數之間的數據差異性較大，容易引起部分數據被淹沒。此外，數據變化范圍大會使計算過程較為復雜，訓練SVM的時間較長，對SVM識別精度造成負面影響。為降低數據計算量，通常采用數據歸一化方法降低數據復雜程度。進行數據歸一化的公式如下

式中:ymax、ymin——歸一化之后y的最大值和最小值，可以根據需要自行設定，通常取為+1、-1，xmax和xmin分別為采集原始數據中最大值和最小值。利用式8對方向盤轉角θ和車輛與車道線距離d進行歸一化，結果如下:

原始數據: (2.975，1.487，0，-1.487，-2.975，4.463，7.438)T

歸一化結果:(0.1428，-0.1429，-0.4285，-0.7142，-1，0.4285，1)T

原始數據:(-200，-195，-190，-185，-180，-175，-160)T

歸一化結果: (-1，-0.6667，-0.3333，0，0.3333，0.6667，1)T

未進行數據歸一化處理和進行歸一化處理之后的訓練集分類準確率如表3所示。

表3 訓練集分類準確率 (1.2秒時窗)

2.2 主成分分析 (數據降維)［11-12］

考慮到SVM對二分類問題具有良好的處理能力，通常將多分類問題轉化為二分類問題處理，即通過采用數據降維方式將高維數據降低到低維空間。主成分分析 (PCA)是應用范圍最廣的一種數據降維方法，該方法通過提取包含特征信息的主元，舍棄其他非主要元，在保證所選擇主元能夠表征原始數據特征信息的情況下降低數據維數，從而簡化計算過程，節約SVM運行過程中對計算機資源的消耗，提高訓練速度和測試速度。實際應用過程中，通常根據累計方差來對主成分的個數進行選擇，在保證精度的前提下主元數越少對SVM模型的訓練和測試越有利。

利用SPSS軟件，對實際道路所采集到的車道保持和車道變換數據進行主成分分析，總的樣本數量為945組。本文中采用2個參數對換道行為進行識別，以1.2秒時窗為例，數據中共包含24個參數，因此主成分分析方法中相應的存在24個變量。求解結果見表4。

表4 公因子方差

表4中的公因子方差表示變量對原始參數的解釋程度，公因子為1表示變量能完全表征原始參數，共因子為0則表示變量對原始參數無任何表征意義。表4中，最大公因子方差為0.987，最小公因子方差為0.840，共因子的平均值為0.926，標準偏差為0.043，這表明，共因子中包含了絕大部分的變量信息，從而保證了新變量的有效性。

繪制計算得到的累計貢獻率圖，結果如圖6所示。

圖6表明，從單個成分比例而言，第一主成分和第二主成分所占比例較大，這兩個成分所占比例之和達到了92.57%。第三主成分所占比例為3.71%，除此之外的21個成分比例之和為3.72%，由此可知，第一主成分和第二主成分的貢獻率占到了主要部分，因此本文中選取第一主成分和第二主成分。根據第一、第二主成分的系數矩陣即可得到第一主成分F1和第二主成分F2，結果如下

圖6 累計貢獻率分布

通過將數據進行降維處理后，時窗選擇1.2秒，未進行數據降維和利用主成分分析法進行降維之后的訓練集分類準確率如表5所示。

表5 訓練集分類準確率 (1.2秒時窗)

2.3 優化模型識別結果

通過采用數據歸一化、主成分析數據降維方法，同時采用遺傳算法對SVM模型進行優化，限于篇幅，本文不詳細介紹利用遺傳算法對SVM模型的優化過程。利用優化模型對測試樣本重新進行識別，在5%的錯誤接受率情況下，不同時窗長度的換道行為識別結果見表6。

表6 優化模型識別結果 (5%FP)

對比表6和表2中的識別率，結果表明，對于不同長度的時窗，經過優化后的SVM模型識別有效率均有大幅度的提高，對于小于或等于1.2秒時窗長度，識別率分別增加了36.8%、37.1%、35.8%、30.4%、6.6%，同時所有時窗長度的識別率均超出了90%。這表明，通過使用數據歸一化、數據降維處理和利用遺傳算法對SVM模型進行優化后，換道行為識別模型的有效率得到了大幅提高，從而在保證實時性的基礎上提高了換道預警系統的有效率。1.2秒時窗下的識別結果的圖形表示如圖7所示。

圖7中，在曲線 (超平面)內部的‘+’表示模型將車道變換錯誤識別成車道保持，同樣，曲線外側的‘*’表示將車道保持錯誤的判定為車道變換。從圖7中可以看出，圖中的超平面能夠將大部分的駕駛行為準確的區分開來。

圖7 經優化后的1.2秒時窗識別結果

3 結束語

換道行為的識別是影響到換道預警系統有效性的重要因素之一，本文通過采用實際試驗所采集得到的數據，建立了基于SVM的換道行為識別模型。通過采取數據歸一化、數據降維處理等方法對SVM模型進行優化，大幅度提高了識別時窗小于或等于1.2秒情況下的換道樣本識別成功率，從而提高了換道預警系統的實時性，當換道過程存在危險時能留給駕駛員更充裕的時間來進行避險操作，避免換道事故的發生。

［1］Dario D，Salvucci Hiren M，Mandalia，et al.Lane-change detection using a computational driver model［J］.Journal of the Human Factors and Ergonomics Society，2007，49(3):532-542.

［2］WANG Chang.Research on driving intention identification based on hidden markov model［D］.Changchun:Jilin University，2011(in Chinese).［王暢.基于隱馬爾科夫模型的駕駛員意圖辨識方法研究 ［D］.長春:吉林大學碩士學位論文，2011.］

［3］WU Bingfei，CHEN Weihsin，CHANG Chaiwei，et al.A new vehicle detection with distance estimation for lane change warning systems［C］//Proceedings of the IEEE Intelligent Vehicles Symposium Istanbul，Turkey，2007:698-703.

［4］PENG Dingcong.Basic principle and application of kalman filter［J］.Software Herald，2009，8(11):32-35(in Chinese).［彭丁聰.卡爾曼濾波的基本原理及應用 ［J］.軟件導報，2009.8(11):32-35.］

［5］ZHAO Luhua，PENG Tao.A kind of effective selection method of SVM optimized parameter［J］.Manufacturing Automation，2010，32(9):146-149(in Chinese).［趙璐華，彭濤.一種有效的SVM參數優化選擇方法［J］.制造業自動化，2010，32(9):146-149.］

［6］CHEN Qimai，CHEN Sengping.Sample selection method of the support vector machine based on kernel function ［J］.Computer Engineering and Design，2010，31(10):2266-2269(in Chinese).［陳啟買，陳森平.基于核函數的支持向量機樣本選取算法 ［J］.計 算 機 工 程 與 設 計，2010，31(10):2266-2269.］

［7］YANG Xun，ZHANG Yue.The recognition method of arrhythmia based on support vector machine［J］.Computer Engineering and Design，2007，28(18):4442-4445(in Chinese).［楊煦，張躍.基于支持向量機的心律失常識別方法［J］.計算機工程與設計，2007，28(18):4442-4445.］

［8］LIU Hui，YANG Junan，XV Xuezhong.Identification method of target fly low voice based on series model of HMM and SVM ［J］.Data Acquistion and Processsing，2011，25(6):751-755(in Chinese).［劉輝，楊俊安，許學忠.基于HMM和SVM串聯模型的低空飛行目標聲識別方法 ［J］.數據采集與處理，2011，25(6):751-755.］

［9］WANG Xvhui，SHU Ping，CAO Li.Performance study on support vector machine based on the ROC curves ［J］.Computer Science，2010，37(8):240-242(in Chinese).［王旭輝，舒平，曹立.基于ROC曲線尋優的支持向量機性能研究［J］.計算機科學，2010，37(8):240-242.

［10］DU Jianhui，SHI Yonghua，WANG Guorong，et al.Underwater weld deviation recognition based on the PCA Nu-SVR ［J］.British Welding Journal，2011，32(3):21-24(in Chinese).［杜健輝，石永華，王國榮，等.基于PCA_Nu-SVR的水下焊縫偏差識別方法 ［J］.焊接學報，2011，32(3):21-24.］

［11］WANG Huiting.Discriminant analysis method study based on the combination of principal component analysis and support vector machine［D］.Lanzhou:Lanzhou University，2009(in Chinese).［王惠婷.基于主成分分析和支持向量機的組合判別分析方法研究［D］.蘭州:蘭州大學，2009.］

［12］SUN Shenshen，REN Huizhi，KANG Yan.Pulmonary nodules detection based on genetic algorithm and support vector machine［J］.Journal of System Simulation，2011，23(3):497-501(in Chinese).［孫申申，任會之，康雁.基于遺傳算法和支持向量機的肺結節檢測 ［J］.系統仿真學報，2011，23(3):497-501.］