基于行車(chē)記錄儀的汽車(chē)輔助駕駛策略

文/崔興文

1 模型分析

1.1 概念

這種模型用λ=（A，B，π）來(lái)表示，他是對(duì)記錄儀中畫(huà)面變化過(guò)程的描述，其原理是通過(guò)隱藏的馬爾科夫鏈生成觀測(cè)序列的過(guò)程，進(jìn)而形成的一個(gè)計(jì)算模型。這里的A 是指物體狀態(tài)移動(dòng)矩陣，B 是通過(guò)行車(chē)記錄儀觀測(cè)到這一現(xiàn)象的概率，π 表示初始概率分布。

1.2 計(jì)算問(wèn)題

概率計(jì)算是這一模型中非常重要的環(huán)節(jié)，需要先計(jì)算出觀測(cè)結(jié)果，然后結(jié)合數(shù)據(jù)模型進(jìn)行計(jì)算，最后得出概率。這一概率的高低，可以反應(yīng)出模型和觀測(cè)結(jié)果的匹配關(guān)系，即這一概率越高，就表示模型和觀測(cè)結(jié)果匹配度高，比較吻合。

1.3 學(xué)習(xí)問(wèn)題

學(xué)習(xí)問(wèn)題是隱馬爾科夫模型中必不可少的環(huán)節(jié)，給初始參數(shù)進(jìn)行定義，確定觀測(cè)數(shù)據(jù)，這里用O={O1,O2,…,OT}來(lái)表示，計(jì)算觀測(cè)數(shù)據(jù)由此模型生成的概率進(jìn)行迭代，在結(jié)合隱馬爾科夫模型生成數(shù)據(jù)概率最大化，這就是學(xué)習(xí)過(guò)程。通常情況下，這一學(xué)習(xí)方式主要有半監(jiān)督學(xué)習(xí)和監(jiān)督學(xué)習(xí)兩種方法，當(dāng)然，后者在進(jìn)行運(yùn)用的過(guò)程中的效率比較低，所有，一般情況下，都會(huì)采用前者來(lái)進(jìn)行。

1.4 預(yù)測(cè)問(wèn)題

隱馬爾科夫模型常常會(huì)在很多領(lǐng)域研究中使用，通過(guò)這一模型，來(lái)預(yù)計(jì)狀態(tài)序列的狀況，也就是隱馬爾科夫模型預(yù)測(cè)的一種應(yīng)用。他的主要方式是，對(duì)行車(chē)記錄儀所捕捉的畫(huà)面通過(guò)隱馬爾科夫模型模型進(jìn)行計(jì)算分析，以此來(lái)預(yù)判他產(chǎn)生流程，從而得出各狀態(tài)序列的位置。

在某些研究領(lǐng)域中，使用隱馬爾科夫模型估算狀態(tài)序列的情形也有很多。其原理是使用已知的隱馬爾科夫模型對(duì)觀測(cè)結(jié)果進(jìn)行計(jì)算分析，判斷其生成的流程，得到狀態(tài)序列的具體分布。

2 模型的應(yīng)用

主要是通過(guò)汽車(chē)行車(chē)記錄儀，來(lái)捕捉車(chē)輛前面的畫(huà)面，創(chuàng)建安全模型，對(duì)捕捉的畫(huà)面進(jìn)行分析，根據(jù)計(jì)算結(jié)果，結(jié)合安全模型安全狀態(tài)時(shí)的數(shù)據(jù)，判斷畫(huà)面中是否存在不安全因素，若有不安全因素，則需立即給汽車(chē)發(fā)生應(yīng)急指令。

2.1 訓(xùn)練階段

2.1.1 視頻特征提取

在汽車(chē)安全行駛時(shí)，通過(guò)行車(chē)記錄儀，獲取畫(huà)面中的三位梯度特，并將這一特征作為樣本。這里對(duì)畫(huà)面進(jìn)行縮放，選取三個(gè)不同尺寸，并把畫(huà)面均分為多塊區(qū)域，這樣，可以有效的獲取圖像中的局部信息和整體信息。與此同時(shí)，還需要將連續(xù)5 幀的部分合成同一個(gè)時(shí)空單元。

2.1.2 特征篩選

由于行車(chē)記錄儀中記錄的畫(huà)面很多，并且有很大一部分都是重復(fù)的，若是對(duì)每一個(gè)捕捉的畫(huà)面都進(jìn)行分析技術(shù)，這會(huì)在一定程度影響檢測(cè)效率，增大了計(jì)算量，提高了算法難度因此，對(duì)捕捉的信息進(jìn)行篩選是很有必要的。這里對(duì)數(shù)據(jù)信息進(jìn)行篩選是，使用的是主成分分析法，也就是在原始信息中，選取主要的部分進(jìn)行保留。

2.1.3 建立安全事件模型

建立隱馬爾科夫模型λ=(A,B,π)，這里需要對(duì)該模型的每一項(xiàng)參數(shù)進(jìn)行迭代，迭代時(shí)要結(jié)合所有觀測(cè)的安全事件的特征，通常情況下，采用baum-welch 算法進(jìn)行計(jì)算，這樣可以使這一模型生成的概率最大。這里的安全事件模型，考慮到了車(chē)輛行使的各種安全駕駛情況。

2.2 測(cè)試階段

（1）在特征提取和特征篩選方面，測(cè)試階段可以參考訓(xùn)練階段，方法基本一致。

（2）安全測(cè)試。在進(jìn)行安全測(cè)試時(shí)，可以結(jié)合隱馬爾科夫模型概率進(jìn)行分析，獲取全部測(cè)試時(shí)的畫(huà)面與安全事件模型的概率生成。通過(guò)這一概率，則可以判斷出當(dāng)前畫(huà)面中是否有不安全因素。例如，概率比較高，也就是他和安全事件模型的匹配度高，畫(huà)面中的安全性就高，反之就有不安全因素，即有危險(xiǎn)情況，需要應(yīng)急處理。

（3）制動(dòng)措施。通過(guò)系統(tǒng)分析計(jì)算，發(fā)現(xiàn)有不安全因素時(shí)，立即發(fā)出應(yīng)急信號(hào)，讓汽車(chē)采取有效措施進(jìn)行處理。

3 實(shí)驗(yàn)分析

結(jié)合上述理論，做一個(gè)檢測(cè)實(shí)驗(yàn)，獲取行車(chē)記錄儀記錄的視頻數(shù)據(jù)，并對(duì)這些數(shù)據(jù)進(jìn)行篩選整合，形成視頻數(shù)據(jù)庫(kù)，在此基礎(chǔ)上進(jìn)行訓(xùn)練和測(cè)算，以檢驗(yàn)行車(chē)記錄儀在汽車(chē)輔助駕駛中的可靠性。本次實(shí)驗(yàn)中，所使用的行車(chē)記錄儀像素為1080P，即普通的大眾型號(hào)。

圖1：檢測(cè)到騎車(chē)行人

圖2：檢測(cè)到前方車(chē)輛

本次實(shí)驗(yàn)中，在視頻數(shù)據(jù)庫(kù)中選取了具有代表性意義的兩張圖片（見(jiàn)圖1和圖2），圖片數(shù)據(jù)來(lái)自同一款行車(chē)記錄儀，實(shí)驗(yàn)地點(diǎn)為某街道。實(shí)驗(yàn)過(guò)程中，汽車(chē)前方整個(gè)畫(huà)面為背景，圖1中顯示，前方車(chē)道及房屋均為安全目標(biāo)，而突然出現(xiàn)的騎車(chē)行人是危險(xiǎn)目標(biāo)，圖2中前方突然出現(xiàn)的車(chē)輛為危險(xiǎn)目標(biāo)，當(dāng)這些危險(xiǎn)目標(biāo)出現(xiàn)時(shí)，會(huì)通過(guò)相應(yīng)的模型進(jìn)行計(jì)算，立刻檢測(cè)出危險(xiǎn)事件，并及時(shí)發(fā)出制動(dòng)信號(hào)，讓車(chē)輛及時(shí)采取相應(yīng)的措施，以規(guī)避風(fēng)險(xiǎn)。

4 結(jié)束語(yǔ)

筆者就基于行車(chē)記錄儀的汽車(chē)輔助駕駛作了研究，行車(chē)記錄儀記汽車(chē)行駛畫(huà)面，然后采用一定的技術(shù)，對(duì)該畫(huà)面進(jìn)行分析處理，檢測(cè)不安全因素，進(jìn)而找出一些不安全事件。在檢測(cè)過(guò)程中，需要結(jié)合行車(chē)記錄儀所記錄的畫(huà)面，創(chuàng)建一個(gè)三維安全模型，以此為基礎(chǔ)，判斷影像中有無(wú)不安全事件。通過(guò)研究發(fā)現(xiàn)，汽車(chē)在正常行駛中，若汽車(chē)前方出現(xiàn)不安全因素，這種方法能夠檢測(cè)出這一危險(xiǎn)事件，并給汽車(chē)傳達(dá)應(yīng)急指令，進(jìn)而為汽車(chē)的安全行駛提供了保障。