[發(fā)明專利]一種基于深度稀疏濾波卷積神經(jīng)網(wǎng)絡的駕駛行為識別方法

有效

• 申請?zhí)枺?/td>: 201710232371.6
• 申請日: 2017-04-11
• 公開（公告）號: CN108694408B
• 公開（公告）日: 2023-05-09
• 發(fā)明（設計）人: 王忠民;衡霞;張瑤;韓帥;王希
• 申請（專利權）人: 西安郵電大學
• 主分類號: G06V10/70
• 分類號: G06V10/70;G06V10/774;G06V10/82;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于深度稀疏濾波卷積神經(jīng)網(wǎng)絡的駕駛行為識別方法，其特征在于，包括如下步驟：

(1)利用智能手機內(nèi)置的加速度傳感器和陀螺儀，采集駕駛者駕駛過程中的原始加速度信號和角度變化信息；并將這些原始加速度信號和角度變換信息投影至與手機方向無關的統(tǒng)一的大地坐標系中，獲得樣本矩陣為X∈R^N*M；

(2)通過深度稀疏濾波訓練坐標轉換后的加速度數(shù)據(jù)，采用逐層貪婪算法計算最終輸出的權值矩陣作為神經(jīng)網(wǎng)絡的輸入；

所述的稀疏濾波是一種優(yōu)化特征分布的無監(jiān)督特征學習算法，通過直接優(yōu)化樣本X的特征映射的稀疏性來獲得好的特征表達，因需對k類駕駛行為進行識別，若每種行為樣本表示為x_ij，則所有樣本構成訓練集為：

其中N＝n₁+n₂+...+n_k，即樣本總數(shù)，

假設M類特征用于描述待識別行為，先獲取樣本線性特征即第i個樣本的第j個特征值，w為特征提取函數(shù)，則構造的特征矩陣為：

再對特征矩陣進行行、列歸一化，使其落于二范數(shù)的單位球體面上；

特征矩陣行歸一化：

特征矩陣列歸一化：

設定特征學習數(shù)目M以及目標函數(shù)如下，使用L-BFGS有限內(nèi)存擬牛頓法來求解，直至收斂；

為了實現(xiàn)深度稀疏濾波，使用了由兩層組成的稀疏濾波器，層1為大小16*16的數(shù)據(jù)塊進行訓練，首先對自然數(shù)據(jù)進行歸一化，獲得特征數(shù)據(jù)的絕對值，作為后續(xù)層的輸入，第二層再次歸一化得到稀疏性，由兩層深度稀疏過濾計算得到優(yōu)化后的特征，通過逐層貪婪算法計算最終輸出；

(3)對稀疏濾波后的學習特征采用軟絕對值函數(shù)進行特征激活；每種駕駛行為隨機選取30％的樣本作為訓練樣本，其余為測試樣本；

(4)構造卷積神經(jīng)網(wǎng)絡，包括兩個卷積層、兩個池化層和全鏈接層；層與層之間局部連接構成多層深度網(wǎng)絡，將表達矩陣作為卷積神經(jīng)網(wǎng)絡首層的輸入，進行非線性分類來識別駕駛行為，信息在網(wǎng)絡的不同層上傳遞，并且在每個架構層，利用可訓練過濾器和局部鄰域聚集操作，產(chǎn)生易于觀察的數(shù)據(jù)分布特征；

(5)訓練識別后得到測試樣本的駕駛行為標簽，對于最終層輸出的損失估計，使用卷積神經(jīng)網(wǎng)絡架構中的交叉熵損耗，避免學習減速。

2.根據(jù)權利要求1所述的基于深度稀疏濾波卷積神經(jīng)網(wǎng)絡的駕駛行為識別方法，其特征在于，步驟(1)將原始加速度信號和角度變化信息投影至與手機方向無關的統(tǒng)一的大地坐標系中，借鑒剛體坐標系與參考坐標系之間的轉換方法，可以計算出大地坐標系下的X、Y、Z三軸加速度數(shù)據(jù)，盡量減少手機放置方位對分類器的影響。

3.根據(jù)權利要求1所述的基于深度稀疏濾波卷積神經(jīng)網(wǎng)絡的駕駛行為識別方法，其特征在于，步驟(3)中的特征激活函數(shù)采用軟絕對值函數(shù)：

其中ε＝10^-8。