[發明專利]一種基于卷積神經網絡的駕駛行為識別系統的搭建方法

在審

• 申請號: 201810959518.6
• 申請日: 2018-08-22
• 公開（公告）號: CN109214438A
• 公開（公告）日: 2019-01-15
• 發明（設計）人: 龍小輝;嚴岳欣
• 申請（專利權）人: 重慶信絡威科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 曾太平

本發明公開了一種基于卷積神經網絡的駕駛行為識別系統的搭建方法，依次進行以下步驟：采集駕駛行為樣本數據；數據濾波；數據格式規整；駕駛行為識別，將規整后的駕駛行為樣本數據作為輸入，輸入到搭建好的卷積神經網絡，經過池化，輸出為待識別的駕駛行為種類；通過卷積神經網絡對駕駛行為進行訓練。本發明解決了駕駛行為識別領域里傳統機器識別駕駛行為時依賴人工選擇，識別精度不高，同時傳統機器無法處理大規模數據的問題，提供一種基于卷積神經網絡的駕駛行為識別系統的搭建方法，其應用時基于卷積神經網絡根據系統需要自動地提取特征，提高駕駛行為的識別精度，而且可以有效利用大規模駕駛行為數據集，識別更多種類的駕駛行為。

技術領域

本發明涉及深度學習領域，具體涉及一種基于卷積神經網絡的駕駛行為識別系統的搭建方法。

背景技術

隨著經濟、社會的迅速發展，我國機動車保有量呈迅速增長態勢。機動車數量的快速增長在給人們帶來出行便利的同時，也導致了愈加嚴重的交通擁堵和頻發的交通事故。據公安部交管局統計顯示，90％的致命交通事故起因于人為因素。基于以上考慮，本發明將人的駕駛行為，如加速、剎車、轉彎、變道、連續變道和超車等識別出來，并將其反饋給駕駛人員或相關交管部門，提醒司機謹慎駕駛，提示相關交管部門及時應對。

隨著微機電系統朝著小體積、輕重量、低功耗、低成本和高集成度等方向的不斷演進，其集成的多種傳感器正為不同領域的研究提供數據支持，駕駛行為識別領域也不例外。利用加速度計和陀螺儀等慣性傳感器，可以采集到描述汽車運動狀態所需的慣性傳感數據。在處理這些數據時，傳統的機器學習方法存在一定的限制，一是系統表現依賴于特征矢量的選擇，即人工提取的數據特征不同，得到的駕駛行為識別精度也不同；二是傳統的機器學習方法在處理大規模數據集時捉襟見肘，不能有效利用所有樣本信息。

卷積神經網絡則不存在上述限制，其可以不受傳統統計特征的約束，能根據系統需要自動地提取特征，這一特性也使得其在圖像處理、視頻處理等領域大放異彩。具體到駕駛行為識別領域，卷積神經網絡不僅可以避免人工地在時域、頻域或小波域提取和篩選特征，而且可以有效利用大規模駕駛行為數據集，識別更多種類的駕駛行為。

發明內容

本發明解決了駕駛行為識別領域里傳統機器識別駕駛行為時依賴人工選擇，識別精度不高，同時傳統機器無法處理大規模數據的問題，提供一種基于卷積神經網絡的駕駛行為識別系統的搭建方法，其應用時基于卷積神經網絡根據系統需要自動地提取特征，提高駕駛行為的識別精度，而且可以有效利用大規模駕駛行為數據集，識別更多種類的駕駛行為。

本發明通過下述技術方案實現：

一種基于卷積神經網絡的駕駛行為識別系統的搭建方法，依次進行以下步驟：

A、采集駕駛行為樣本數據；

B、數據濾波，分析駕駛行為樣本數據中的噪聲組成，通過濾波器對數據進行濾波，消除噪聲對系統的影響；

C、數據格式規整，將濾波后的駕駛行為樣本數據規整成m行×n列的矩陣，以滿足卷積神經網絡的輸入要求；

D、駕駛行為識別，將規整后的駕駛行為樣本數據矩陣輸入到卷積神經網絡，對樣本數據矩陣進行池化采樣，首先執行1×2的池化，池化的具體操作就是以1×2的窗口在m×n 的特征層進行步長1×2的移動，每次取窗口中的最大值作為輸出得到的池化層輸出，而后執行1×3的池化，池化的具體操作就是以1×3的窗口在的特征層進行步長1×3 的移動，每次取窗口中的最大值作為輸出得到的池化層輸出，最后輸出駕駛行為種類；；

E、通過卷積神經網絡對駕駛行為進行訓練，完成整個駕駛行為識別系統的搭建。