• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于隨機(jī)圖模型的車輛行為預(yù)測(cè)模型研究

    2021-07-18 08:53捷,孟
    現(xiàn)代電子技術(shù) 2021年13期
    關(guān)鍵詞:右向軌跡概率

    張 捷,孟 軻

    (1.內(nèi)蒙古農(nóng)業(yè)大學(xué) 能源與交通工程學(xué)院,內(nèi)蒙古 呼和浩特 010018;2.武漢理工大學(xué) 智能交通系統(tǒng)研究中心,湖北 武漢 430000)

    0 引言

    車輛的換道、強(qiáng)行加塞等行為會(huì)引起交通事故或交通擁堵,是影響城市交通秩序與安全的主要因素之一,但現(xiàn)有的監(jiān)控視頻設(shè)備識(shí)別車輛行為的功能還不夠完善。因此,自動(dòng)識(shí)別車輛的換道、強(qiáng)行加塞等行為可以為安全預(yù)警及執(zhí)法提供支撐,以降低交通事故發(fā)生和緩解交通擁堵。

    在車輛運(yùn)動(dòng)特征分析領(lǐng)域,國(guó)外專家學(xué)者及企業(yè)法人在相關(guān)領(lǐng)域的研究比較突出[1?2]。文獻(xiàn)[3]利用歷史數(shù)據(jù)建立HMM 模型,采用Viterbi 算法預(yù)測(cè)車輛行為,建立了大數(shù)據(jù)集作為訓(xùn)練集,能夠依據(jù)聯(lián)網(wǎng)車輛實(shí)時(shí)反饋的行車數(shù)據(jù)對(duì)當(dāng)前車輛軌跡進(jìn)行預(yù)測(cè)。文獻(xiàn)[4]采用視頻圖像前后幀數(shù)據(jù)關(guān)聯(lián)的方法獲得車輛運(yùn)動(dòng)信息,并實(shí)現(xiàn)準(zhǔn)確跟蹤,能準(zhǔn)確識(shí)別車輛軌跡狀態(tài)。由于從高速監(jiān)控視頻中提取的車輛軌跡中只有少量的變道、超車等類型軌跡,采用經(jīng)典的最長(zhǎng)公共子串(LCSS)相似度和譜聚類等算法無(wú)法有效地區(qū)分軌跡數(shù)據(jù)中所有類型的軌跡。

    為了解決上述問(wèn)題,本文以HMM(Hidden Markov Model)為基礎(chǔ)的車輛軌跡分析方法的一個(gè)主要益處就是:隨著樣本的增加,模型會(huì)變得越來(lái)越好。然而,由于HMM 的統(tǒng)計(jì)特性,HMM 可以處理不定時(shí)間產(chǎn)生的噪音輸出[5];相對(duì)于神經(jīng)網(wǎng)絡(luò),HMM 的評(píng)估速度很快。因此,即使和其他算法一樣,HMM 得到一個(gè)局部解的結(jié)果,但是HMM 的計(jì)算效率允許HMM 從不同的起始點(diǎn)開始評(píng)估,這樣就增加了取得全局解的可能性[6?7]。鑒于車輛行為的強(qiáng)時(shí)間序列性,選取HMM 作為理論基礎(chǔ),進(jìn)行車輛行為分析的研究。

    1 軌跡序列特征

    運(yùn)動(dòng)物體軌跡特征是一個(gè)多輸入、多輸出、輸入輸出關(guān)系復(fù)雜多變,多干擾源的復(fù)雜非線性系統(tǒng)的模型,車輛行為既受環(huán)境(如擁擠、旁車、前方或兩側(cè)行人等)的影響,更受汽車運(yùn)動(dòng)狀態(tài)(如車速、側(cè)向偏移等)的影響。

    運(yùn)用模式識(shí)別方法對(duì)現(xiàn)有道路視頻監(jiān)控?cái)?shù)據(jù)進(jìn)行分析處理,高效、精確提取車輛行為特征的視頻數(shù)據(jù)。設(shè)計(jì)各類采集數(shù)據(jù)濾波降噪處理及并行式預(yù)處理方法。通過(guò)對(duì)道路使用者的交通行為展開定量分析,結(jié)合換道分析方法,實(shí)時(shí)提取監(jiān)控視頻中車輛行車軌跡及車輛速度大小、方向,以及方向角等信息,分析車輛左換道、右換道及直行行為。

    典型軌跡序列特征包含車輛向左變道、向右變道等特殊駕駛行為模式,本文采用基于軌跡行為特征的HMM 方法獲得軌跡的行為特征,并對(duì)其進(jìn)行檢測(cè),對(duì)新軌跡進(jìn)行分類。

    2 基于馬爾科夫隨機(jī)過(guò)程的交通行為模式分析

    2.1 隱馬爾科夫的概念

    HMM 包含兩個(gè)隨機(jī)過(guò)程:第一個(gè)隨機(jī)過(guò)程為隱馬爾可夫鏈(Hidden Markov Chain,HMC),其表述狀態(tài)轉(zhuǎn)移離散過(guò)程;第二個(gè)隨機(jī)過(guò)程是離散序列處于某一狀態(tài)時(shí)其觀察值的離散過(guò)程序列。因HMM 的隨機(jī)特性適用范圍廣,其在聲紋分析領(lǐng)域、醫(yī)學(xué)圖像識(shí)別領(lǐng)域和軌跡序列分析領(lǐng)域均得到了很好的應(yīng)用。

    馬爾科夫過(guò)程的廣泛適用性使其逐漸成為隨機(jī)過(guò)程理論分支一個(gè)極其重要的組成部分。如果一個(gè)離散序列發(fā)生過(guò)程中,即將發(fā)生的狀態(tài)僅取決于當(dāng)前離散序列狀態(tài),而與過(guò)去任一狀態(tài)無(wú)關(guān),則將該離散序列過(guò)程定義為馬爾科夫過(guò)程。

    2.2 HMM 的主要算法

    如圖1 所示,HMC 可以用五元素(π,N,M,A,B)表示,包括2個(gè)狀態(tài)集合(N,M)和3個(gè)概率矩陣(π,A,B)。

    圖1 HMM 模型示意圖

    圖1 中包含3 種隱狀態(tài),由圓形表示,6 種觀測(cè)值由三角形表示,隱狀態(tài)間有狀態(tài)轉(zhuǎn)移發(fā)生,并以一定概率aij呈現(xiàn),隱狀態(tài)與觀測(cè)值有必然聯(lián)系,每種狀態(tài)與每一觀測(cè)值有相關(guān)關(guān)系,隱狀態(tài)由觀測(cè)值序列表達(dá),不同的觀測(cè)值序列表達(dá)不同的隱狀態(tài),以概率不同及排列不同呈現(xiàn)。HMM 拓?fù)浣Y(jié)構(gòu)如圖2 所示。

    圖2 HMM 拓?fù)浣Y(jié)構(gòu)示意圖

    在HMC 的狀態(tài)轉(zhuǎn)移評(píng)判體系中,觀測(cè)序列y(t)鏈隨時(shí)間延續(xù)發(fā)生連續(xù)變化,觀測(cè)序列具有連續(xù)性、客觀可判定性,將圍繞隱狀態(tài)的轉(zhuǎn)移及相應(yīng)觀測(cè)序列的變化規(guī)律展開理論分析及實(shí)踐驗(yàn)證。

    在道路法規(guī)與行車狀態(tài)等的約束條件下各交通路段所能夠得到的車輛行駛狀態(tài)模式數(shù)是有限的,對(duì)道路交通單向三車道中就某一單一的觀測(cè)量來(lái)說(shuō),模式數(shù)是可數(shù)的。

    本文采用HMM 的Baum?Welch 算法與前向?后向算法實(shí)時(shí)預(yù)測(cè)軌跡下一時(shí)刻的狀態(tài),根據(jù)當(dāng)前道路視頻場(chǎng)景中車輛行駛的不同狀態(tài)對(duì)軌跡進(jìn)行模式劃分,在優(yōu)化軌跡曲線后提取每條軌跡的狀態(tài)量、觀測(cè)量序列。根據(jù)道路監(jiān)控視頻場(chǎng)景中車輛軌跡間的相對(duì)獨(dú)立特性,采用多觀察值序列下的Baum?Welch 算法與前向?后向算法對(duì)軌跡進(jìn)行模式類訓(xùn)練,獲得HMM 模型參數(shù)。基于Baum?Welch 與前向?后向算法的軌跡特征訓(xùn)練實(shí)質(zhì)是對(duì)HMM 參數(shù)的反復(fù)計(jì)算更新,最終取得一個(gè)最優(yōu)模型的過(guò)程。

    3 交通行為模式分析機(jī)制

    模型需要的樣本集來(lái)自于設(shè)定的軌跡模式類中不同的軌跡模式段,在確保采樣隨機(jī)性的前提下,根據(jù)該軌跡序列特征計(jì)算得出HMM 的初始參數(shù),最后利用樣本集進(jìn)行訓(xùn)練。具體的訓(xùn)練過(guò)程如下:

    步驟1:已知某一軌跡序列特征C1的訓(xùn)練樣本集,其中包含L條特征向量序列及其狀態(tài)值,即L個(gè)觀察值序列與MC,n表示反復(fù)計(jì)算次數(shù),初始n=l。

    步驟2:開始對(duì)第l個(gè)觀察值序列與馬爾科夫序列進(jìn)行初始狀態(tài)參數(shù)的提取,初始l=1,1 ≤l≤L。

    步驟3:在獲得觀察值序列Vl及模型λ參數(shù)后(第1次迭代為初始化的λ模型參數(shù)),計(jì)算前向變量?t(Si)和后向變量βt(Si)。

    步驟5:將t設(shè)置為1,得到第一組三維狀態(tài)概率向量。

    步驟6:將t設(shè)置值改為12,50,100 等,得到一系列不同的狀態(tài)概率向量。取最大概率得到軌跡下一時(shí)刻的預(yù)測(cè)狀態(tài)量。

    通過(guò)對(duì)道路使用者的交通行為模式進(jìn)行定量分析,以實(shí)驗(yàn)臺(tái)架為基礎(chǔ),研究了單一方向直行車道上車輛行駛狀態(tài)的六種狀態(tài)轉(zhuǎn)移變化規(guī)律,包括車輛的左換道、右換道、直行這三種狀態(tài)之間的轉(zhuǎn)移切換。設(shè)定場(chǎng)景中車輛的左換道、右換道與直行三個(gè)狀態(tài)之間是互斥、互補(bǔ)的關(guān)系,可以通過(guò)對(duì)每一條車輛軌跡的車輛行駛方向角的區(qū)間變換分析得到車輛在這三種狀態(tài)間的切換規(guī)律,從而建立隱狀態(tài)為車輛的左換道、右換道、直行,觀測(cè)狀態(tài)為車輛運(yùn)動(dòng)方向角的0~180°均等六個(gè)區(qū)間的結(jié)果。

    其中,基于視頻的道路信息數(shù)據(jù)的采集,可以獲得軌跡序列基于時(shí)間的分布數(shù)據(jù),從而獲得分別沿著道路線與垂直于道路線位置、速度大小及方向、方向角等。所收集的道路信息為車輛單向行駛路段信息,其中,設(shè)定車輛行駛速度為vi,沿著車道線方向的速度分解為viy,垂直于車道線方向的速度分解為vix。圖3 為軌跡轉(zhuǎn)化特征示例圖,則方向角αi=arctan(vixviy),1 ≤i≤11。

    圖3 軌跡轉(zhuǎn)化特征示例圖

    4 模型評(píng)估

    為了驗(yàn)證HMM 對(duì)于實(shí)際的道路交通軌跡數(shù)據(jù)具有適用性,采用鐵機(jī)路行駛至華城廣場(chǎng)的道路實(shí)車數(shù)據(jù)對(duì)HMM 模型進(jìn)行分析并檢驗(yàn)預(yù)測(cè)效果。圖4 為應(yīng)用HMM預(yù)測(cè)的路段場(chǎng)景圖。

    圖4 應(yīng)用HMM 預(yù)測(cè)的路段場(chǎng)景圖

    4.1 采用HMM 的單向三車道車輛行駛狀態(tài)解析

    采用武漢理工大學(xué)友誼大道路段理工二橋下自友誼大道駛向鐵機(jī)路的約60 m 監(jiān)控路段對(duì)單向三車道交通進(jìn)行實(shí)時(shí)監(jiān)測(cè)并對(duì)道路狀況進(jìn)行實(shí)時(shí)分析及預(yù)測(cè)。

    檢測(cè)并對(duì)圖像進(jìn)行標(biāo)定,獲取物方空間坐標(biāo)系下車輛軌跡后,采用圖4 方式獲得軌跡方向角特征(因車輛行駛方向確定,方向角變化區(qū)間在-90°~90°,采用區(qū)間劃分規(guī)則),獲得50 條軌跡數(shù)據(jù),利用其中41 條軌跡數(shù)據(jù)作為訓(xùn)練樣本,9 條軌跡作為測(cè)試樣本。選取的作為測(cè)試的9條軌跡中每條至少可提取15個(gè)特征觀測(cè)值,前10 個(gè)觀測(cè)值作為初始軌跡序列,HMM中以每5 次車輛跟蹤點(diǎn)作為一個(gè)時(shí)間段,進(jìn)行模型分析。對(duì)于HMM模型中三個(gè)隱狀態(tài)情況,其滿足拓?fù)浣Y(jié)構(gòu)圖2。HMM 模型中訓(xùn)練與檢測(cè),設(shè)定初始狀態(tài)向量為[直行、右向換道、左向換道]。

    選取的41 條實(shí)驗(yàn)軌跡序列驗(yàn)算HMM 模型,依據(jù)上述特征選取的方法得到軌跡序列的狀態(tài)模式并提取其特征,得到初始狀態(tài)矩陣、狀態(tài)轉(zhuǎn)移矩陣與觀測(cè)值概率矩陣,后利用實(shí)際軌跡序列中與所選取訓(xùn)練的軌跡完全不同的9 條軌跡序列,采用前后向算法不限次迭代得到此9 條軌跡序列的狀態(tài)模式。

    設(shè)定Straight Line(SL)表示直行,Right Turn(RT)表示右向換道,左向換道表現(xiàn)形式為L(zhǎng)eft Turn(LT),由HMM 的定義,可得其狀態(tài)轉(zhuǎn)移矩陣Aij,其形式為:

    4.2 采用HMM 的單向三車道車輛行駛狀態(tài)驗(yàn)算

    在原觀測(cè)序列為[2,2,2,2,2,2,1,2,1,2],維度為10 的狀態(tài)下,采用前后向算法對(duì)上述狀態(tài)進(jìn)行前后向概率分析,前向概率矩陣的形式為3×10,后向概率矩陣形式同為3×10 的矩陣。

    前向概率矩陣為:

    后向概率矩陣為:

    觀測(cè)序列概率為2.296 7×10-11。由原始軌跡序列轉(zhuǎn)移到第一個(gè)軌跡序列[2,1,2,1,2,2,2,2,2,2]時(shí),得出9 個(gè)前一時(shí)刻狀態(tài)轉(zhuǎn)移至后一時(shí)刻狀態(tài)矩陣?t(Si,Sj),表示由時(shí)刻t延續(xù)至t+1 隱狀態(tài)由Si轉(zhuǎn)變?yōu)镾j事件的概率。由1 時(shí)刻至2 時(shí)刻的狀態(tài)轉(zhuǎn)移矩陣為:

    式中:0.017 1 表示時(shí)刻1 延續(xù)至2 時(shí)狀態(tài)由1 轉(zhuǎn)換至1的概率;0.036 5 表示時(shí)刻1 延續(xù)至2 時(shí)狀態(tài)由1 轉(zhuǎn)換至2的概率;0.695 5 表示在時(shí)刻1 延續(xù)至2 時(shí)狀態(tài)由2 轉(zhuǎn)換至2 的概率;反復(fù)迭代,得:

    利用上述參數(shù),采用Baum?Welch 對(duì)原觀測(cè)序列、狀態(tài)為右向換道的軌跡序列分別進(jìn)行多次迭代,當(dāng)?shù)螖?shù)為1 時(shí),概率向量為[5.37%,94.63%,0],當(dāng)?shù)螖?shù)為12 時(shí),概率向量為[0,1,0],當(dāng)?shù)螖?shù)為100 時(shí),概率向量為[0,1,0],預(yù)測(cè)軌跡狀態(tài)為右向換道。

    依據(jù)上述方法預(yù)測(cè)依次獲得的另外8 對(duì)測(cè)試軌跡序列。實(shí)際道路中車輛行駛對(duì)應(yīng)的狀態(tài)依次為:右向換道、右向換道、右向換道、左向換道、右向換道、直行狀態(tài)、右向換道、右向換道、直行狀態(tài)。因狀態(tài)概率形式為[SL,RT,LT],經(jīng)HMM 的Baum?Welch 算法預(yù)測(cè),迭代次數(shù)選為1,概率向量分別為[11.16%,85.43%,3.41%],[7.32%,84.62%,8.06%],[4.52%,86.41%,9.07%],[0,0,1],[11.4%,67.66%,20.94%],[84.63%,6.7%,8.67%],[5.53%,77.91%,16.56%],[3.42%,87.38%,9.2%],[1.21%,77.37%,21.42%],知預(yù)測(cè)狀態(tài)量分別為:右向換道、右向換道、右向換道、左向換道、右向換道、直行狀態(tài)、右向換道、右向換道、右向換道。

    5 模型驗(yàn)證

    為了檢驗(yàn)HMM 算法預(yù)測(cè)的有效性,另采用支持向量機(jī)(SVM)預(yù)測(cè)算法對(duì)上述車輛運(yùn)動(dòng)特征進(jìn)行預(yù)測(cè)分析,實(shí)驗(yàn)設(shè)計(jì)時(shí)首先將左向換道與右向換道規(guī)劃為一類,直行規(guī)劃為第二類,對(duì)其進(jìn)行二分類并對(duì)測(cè)試數(shù)據(jù)集進(jìn)行預(yù)測(cè)。第二次分類中,將左向換道規(guī)劃為一類,右向換道規(guī)劃為另一類,對(duì)其進(jìn)行二分類處理并對(duì)測(cè)試數(shù)據(jù)集進(jìn)行預(yù)測(cè),對(duì)上述9 個(gè)時(shí)間序列的預(yù)測(cè)得出結(jié)果為:右向換道、直行、右向換道、左向換道、右向換道、直行狀態(tài)、右向換道、右向換道、直行狀態(tài)。實(shí)驗(yàn)結(jié)果與HMM 預(yù)測(cè)算法進(jìn)行比較分析。

    采用預(yù)測(cè)準(zhǔn)確率μ及召回率η兩種數(shù)值方法對(duì)車輛狀態(tài)判斷效果進(jìn)行評(píng)價(jià)分析。設(shè)當(dāng)前時(shí)刻車輛運(yùn)動(dòng)模式呈現(xiàn)某一狀態(tài)W,利用前一時(shí)刻該車輛運(yùn)動(dòng)特征及HMM(或SVM)工具對(duì)當(dāng)前時(shí)刻進(jìn)行狀態(tài)預(yù)測(cè)時(shí)預(yù)測(cè)車輛處于狀態(tài)W 的次數(shù)為Ta,預(yù)測(cè)車輛不處于狀態(tài)W 的次數(shù)為Tb,Tc則表示實(shí)際不處于狀態(tài)W 卻被識(shí)別為W的次數(shù)。則:

    車輛運(yùn)動(dòng)狀態(tài)直行(SL)、左向換道(LT)、右向換道(RT)預(yù)測(cè)的準(zhǔn)確率與召回率如表1 所示。

    表1 車輛運(yùn)動(dòng)模式預(yù)測(cè)準(zhǔn)確率及召回率統(tǒng)計(jì)結(jié)果 %

    6 結(jié)語(yǔ)

    本文構(gòu)建了實(shí)際道路場(chǎng)景中基于監(jiān)控視頻HMM 典型換道行為分析模型,通過(guò)向HMM 輸入行車軌跡的方向角特征向量及其狀態(tài)量,得到當(dāng)前狀態(tài)轉(zhuǎn)移至下一狀態(tài)的概率向量,取概率最高值狀態(tài)為當(dāng)前車輛下一時(shí)刻的狀態(tài)量。通過(guò)對(duì)比實(shí)際狀態(tài)量與預(yù)測(cè)狀態(tài)量的差異,得到當(dāng)前車輛換道行為預(yù)測(cè)準(zhǔn)確率及召回率。

    本研究是在離線狀態(tài)下實(shí)現(xiàn)的,后續(xù)可以軌跡換道行為的實(shí)時(shí)預(yù)測(cè)為目標(biāo)繼續(xù)研究。當(dāng)車聯(lián)網(wǎng)普及率較高時(shí),實(shí)驗(yàn)加入車載信息采集器,可將速度、加速度等信息作為輸入導(dǎo)入HMM 中,預(yù)測(cè)更多更廣的車輛行為,以此推廣道路使用者行為的特征。

    猜你喜歡
    右向軌跡概率
    cTCD、cTTE、cTEE對(duì)卵圓孔未閉右向左分流的診斷價(jià)值
    第6講 “統(tǒng)計(jì)與概率”復(fù)習(xí)精講
    給牙齦按摩防萎縮
    第6講 “統(tǒng)計(jì)與概率”復(fù)習(xí)精講
    概率與統(tǒng)計(jì)(一)
    概率與統(tǒng)計(jì)(二)
    不同體位下經(jīng)顱多普勒增強(qiáng)試驗(yàn)對(duì)偏頭痛患者右向左分流的影響
    軌跡
    軌跡
    軌跡
    正宁县| 博客| 边坝县| 镶黄旗| 铅山县| 来宾市| 葫芦岛市| 肇东市| 治县。| 秀山| 呼图壁县| 潞城市| 靖宇县| 虹口区| 云霄县| 泰州市| 山阴县| 墨玉县| 江达县| 宁国市| 社会| 洪雅县| 漯河市| 泸西县| 永顺县| 柘城县| 中方县| 汨罗市| 东安县| 阳信县| 英吉沙县| 扶绥县| 周口市| 永修县| 吉隆县| 临安市| 临武县| 宜昌市| 东阳市| 即墨市| 禄丰县|