一种基于计划行为理论的行人违章穿行行为辨识方法
技术领域
本发明涉及智能交通系统安全驾驶技术领域，特别是关于一种基于计划行为理论的行人违章穿行行为辨识方法。
背景技术
近年来，随着智能车的逐步发展，由汽车造成的交通事故数量不断上升，而造成结果最为严重的人车交通事故逐渐成为社会关注的重点。行人违章穿行行为的辨识对保证车辆行车安全，降低驾驶人与道路行人交通风险具有重要意义。因此，对行人违章穿行行为意图的识别和对其违章穿行行为的辨识十分必要。对行人违章穿行行为的辨识需要综合考虑人、车和路各要素之间的耦合关系，进而识别行人穿行意图，并为驾驶决策提供支持。
现有技术中，Zhou等人提出了一种基于计划行为理论的行人违章穿行行为预测方法。该方法通过问卷调查手段，获得行人的行为观念、主观规范、观测行为控制、客观规范、场景危险程度等变量，以计划行为理论解释行人的违章穿行行为。但问卷调查过于理想化，实际车辆无法获得相关信息，且没有考虑实际场景人与车辆、道路的交互，因此无法用于实际场景，只能用于事故分析领域。Dommes等人通过分析影响行人闯红灯决策的因素，试图找到行人违章穿行的主客观原因。该研究提取了13个行为指标(12个在过马路前和过马路时，以及闯红灯指标)，并研究了一些人口统计、环境和行动相关变量的作用，对行人违章穿行决策过程的研究具有指导意义。但其研究止步于影响因素的分析，没有挖掘其内在的原因与联系，且偏重于特定场景，与实际场景行人违章穿行决策具有一定偏差，因此难以对行人实际行为做出辨识，不适合实际应用。因此，有必要开发一种基于计划行为理论的行人违章穿行行为辨识方法。
发明内容
本发明的目的在于提供一种基于计划行为理论的行人违章穿行行为辨识方法，其能够实时准确识别行人违章穿行意图，并有效辨识行人违章穿行行为，进而支持驾驶决策。
为实现上述目的，本发明提供一种基于计划行为理论的行人违章穿行行为辨识方法，该方法包括：
步骤1，采集当前交通场景中的相关感知信息；
步骤2，根据所述相关感知信息中的行人个体特性，识别行人的激进程度；
步骤3，根据所述相关感知信息中的行人群体特性，识别行人的从众效应；
步骤4，根据与当前交通场景类似或相同交通场景的历史违章穿行行人数据，获知行人违章穿行行为的主要影响因素；
步骤5，通过计划行为理论，将步骤2、步骤3和步骤4获得的结果进行融合，获得行人的违章穿行意图，进而辨识行人的违章穿行行为，并输出辨识结果。
进一步地，所述步骤2中的行人的激进程度可具体表示为式(1)：
Anorm＝S(Av+Aa+Aw+Ab+Ad+Ao)(1)
式(1)中，S表示sigmoid函数，Av表示平均速度导致的激进程度，Aa表示最大加速度导致的激进程度，Aw表示等待时间导致的激进程度，Ab表示后退导致的激进程度，Ad表示干扰物导致的激进程度，Ao表示观察车流导致的激进程度。
进一步地，Av、Aa、Aw、Ab、Ad、和Ao为取值在0～1范围内的连续变量，或者，取值为0或1的离散变量。
进一步地，所述步骤3中，识别得到的行人的从众效应CE的获取方式表示为式(2)：
式(2)中，将行人的从众效应CE定义为违章行人比例
通过下式(9)对从众效应CE进行标准化，得到从众效应CEnorm：
CEnorm＝S(CE)(9)
式(9)中，S为sigmoid函数，将从众效应C转化为0～1之间的标准变量。
进一步地，所述步骤4具体包括：
步骤4.1，使用数据分类方法，将与当前交通场景相同或类似交通场景的历史行人数据划分为未违章穿行行人类和违章穿行行人类，并选择可能违章穿行的交通场景，以预设比例划分训练集与测试集，获知上述两类人群差异行为的主要场景影响因素；
步骤4.2，通过步骤4.1获知未违章穿行行人类和违章穿行行人类人群差异行为的n维主要场景影响因素后，进一步地，使用主成分分析方法，获得人群差异行为场景影响因素的主成分，其表示为式(10)：
式(10)中，Yi表示第i个主成分，Ci表示第i个场景影响因素；p表示主成分维数，n表示场景影响因素的维数，A为p×n维的主成分矩阵，其矩阵元素为a11至apn，最终场景影响因素主成分表示为式(11)：
Y＝[Y1，Y2，...，Yp]T(11)。
进一步地，步骤4.1中通过方差分析方法获知上述两类人群差异行为的主要场景影响因素，将所述未违章穿行行人类定义为A类，将所述违章穿行行人类定义为B类，将所述场景影响因素定义为C因素；
情况一，C因素在A、B类人群中含有显著的方差差异，在置信度水平处于[0.95，1.00]的情况下，其假设检验值P-value处于[0，0.01]，则认为该因素是两类人群差异行为的主要场景影响因素之一；
情况二，C因素在A、B类人群中不含有显著的方差差异，在置信度水平处于[0.95，1.00]的情况下，其假设检验值P-value处于[0.1，1.0]，则认为该因素不是两类人群差异行为的主要场景影响因素之一；
情况三，C因素在A，B类人群中含有显著的方差差异，但在置信度水平处于[0.95，1.00]的情况下，其假设检验值P-value处于(0.01，0.1)，则需要多次划分训练集与测试集，检验该因素的显著性。
进一步地，所述步骤5具体包括：
步骤5.1，根据步骤2、步骤3、步骤4获得的行人激进程度Anorm，从众效应CEnorm，场景影响因素主成分Y，通过计划行为理论获得行人的违章穿行意图I，表示为式(12)至式(14)，进而求解未知参数{a，b，c，d}：
Io＝a+bAnorm_0+cCEnorm_0+dY0(12)
It＝αIt-1+(1-α)(a+bAnorm_t+cCEnorm_t+dYt)(13)
It∈[0，1](14)
式中，Io表示行人的违章穿行意图的初始值，Anorm_0、CEnorm_0、Y0则分别表示行人的激进程度、从众效应、场景影响因素主成分在初始时刻的值，It代表行人在t时刻的违章穿行意图，α是预设的经验值，It＝0代表行人完全不存在违章穿行意图，It＝1代表行人有确信的违章穿行意图，It＝(0，1)代表不确定的违章穿行意图，并部分符合行人违章穿行的概率分布；
步骤5.2，根据步骤5.1得到的行人违章穿行意图It及场景影响因素主成分Yt，根据计划行为理论，将行人的违章穿行行为ACTt表示为式(18)：
ACTt＝Rule(It，Yt)(18)
其中，Rule(It，Yt)表示预定义的穿行规则。
本发明由于采取以上技术方案，其具有以下优点：1.本发明建立了综合考虑人、车、路各要素之间耦合关系的行人违章穿行行为辨识方法，该方法分析了行人的激进程度与从众效应带来的影响，考虑了人车路交互环境对行人行为决策影响因素的主成分，能够客观真实描述行人的违章穿行过程。2.本发明通过激进程度识别模块，生成了支持不同类别行人的违章穿行行为辨识方法，为实现车辆差异化决策奠定基础。3.本发明基于从众效应识别，反映了人群聚集带来的监督效应，和当违章行人比例过大时带来的包庇效应，为研究人群对个体的效果提供了一个可行的理论方向。4.本发明基于交通环境真实历史数据，分析了未违章穿行行人与违章穿行行人受到交通环境影响因素的主成分，反映了人车路耦合环境下行人受到的客观影响，并基于计划行为理论，结合了行人内在因素影响，实现了行人违章穿行行为内外影响因素的分离与融合。相比已有的行人违章穿行行为辨识方法，能更全面的体现行人违章穿行过程的决策机制，也证明了本发明方法的有效性、可行性和科学性。
附图说明
图1是本发明实施例提供的违章行为辨识流程示意图；
图2是本发明实施例提供的信息流向图；
图3是本发明实施例提供的聚类算法将人群预先分为两类的算法结果示意图；
图4是本发明实施例提供的应用场景示意图；
图5是本发明实施例提供的基于计划行为理论的信息融合及违章行为辨识示意图；
图6是本发明实施例提供的针对人工驾驶车辆的驾驶辅助屏幕的信息提示示意图。
具体实施方式
下面结合附图对本发明进行详细描述。
例如，当智能车辆从道路一侧进入有红绿灯、斑马线的路口时，行人指示灯处于红色，行人位于路缘。车辆需判断行人是否会产生违章穿行行为，以进行减速避让行为，其具体场景如图4所示。
如图1和图2所示，本发明所提供的基于计划行为理论的行人违章穿行行为辨识方法包括：
步骤1，采集当前交通场景中的相关感知信息。其中，“相关感知信息”通过车载摄像头、雷达等传感器，由车载感知系统采集获得，该信息可以理解为与时间相关的、并不断更新的数据。
步骤2，根据所述相关感知信息中的行人个体特性，识别行人的激进程度。其中，“行人个体特性”包括行人的平均速度、最大加速度、等待时间、是否后退、是否有干扰物、以及是否观察车流六项信息。其中的平均速度信息和加速度信息可以通过激光雷达直接获得，等待时间信息可通过计时器计算得到，是否后退信息通过行人位置信息计算获得，是否有干扰物信息通过摄像头获得，是否观察车流信息通过摄像头获得行人头部朝向即可。每一项信息是针对每个行人的，这一项是行人的“个体”特性。具体地，比如：平均速度，为了避免这帧的数据采集有误，因此采用当前帧和之前五六帧的数据进行平均处理，可以避免误差。
步骤3，根据所述相关感知信息中的行人群体特性，识别行人的从众效应。其中，“行人群体特性”包括人群数量和人群违章比例。“从众效应”可以是人群数量与人群违章比例的二元函数。“人群数量”可以理解为人群所包含的行人数量。
步骤4，根据与当前交通场景类似或相同交通场景的历史违章穿行行人数据，获知行人违章穿行行为的主要影响因素。其中，“场景影响因素”是指通过方差分析和主成分分析手段，获知场景影响行人违章穿行因素的主成分。其中，“历史违章穿行数据”包括大量公开数据集、监控摄像头得到的视频、以及航拍相机获得的数据等。
步骤5，通过计划行为理论，将步骤2、步骤3和步骤4获得的结果进行融合，获得行人的违章穿行意图，进而辨识行人的违章穿行行为，并在针对人工驾驶车辆的驾驶辅助屏幕提供对应信息。
本实例综合考虑行人违章穿行过程中的行人内在特性，人群特性及环境影响因素，能适用于实际交通场景行人违章穿行行为的准确识别，为车辆智能决策提供支持。
作为步骤2中识别行人激进程度的一种优选实现方式，其可以表示为式(1)：
Anorm＝S(Av+Aa+Aw+Ab+Ad+Ao)(1)
式(1)中，S表示sigmoid函数，Av表示平均速度导致的激进程度，Aa表示最大加速度导致的激进程度，Aw表示等待时间导致的激进程度，Ab表示后退导致的激进程度，Ad表示干扰物导致的激进程度，Ao表示观察车流导致的激进程度。Av、Aa、Aw、Ab、Ad和Ao的取值可以是0～1范围内的连续变量，也可以是离散变量，如：0或1。这些带有不同下标的A的具体取值方法包括：
首先，定义Av、Aa、Aw、Ab、Ad、和Ao是离散变量还是连续变量；然后，根据行人历史真实数据对行人的激进程度以及Av、Aa、Aw、Ab、Ad、和Ao的值进行深度学习训练，得到Av、Aa、Aw、Ab、Ad、和Ao的真实值。其中的行人历史真实数据包括行人个体特性的历史真实数据和历史行人激进度的真值(通过问卷调查或他们穿行时的危险程度计算得到)。
本实施例中的sigmoid函数还可以替换为selu函数或tanh函数等，目的在于将定义的激进度映射到(0，1)之间，从而消除输入的差异。
当然，式(1)中的参数还可以使用其它因素表示，比如：年龄带来的激进度、性别带来的激进度、和/或者干扰物带来的激进度等。但是，式(1)中所选用的参数能够通过车辆感知获得，容易应用于实际场景中。且通过文献调研可以证明：sigmoid函数中所选择的参数对行人激进度的影响具有显著性。
在一个实施例中，步骤3识别得到的从众效应CE的获取方式表示为式(2)：
式(2)中，将行人的从众效应CE定义为违章行人比例
具体地，行人的从众效应CE定义的人群数量N和违章行人比例
式中，a、b、c、d、e、f均为预定义正系数，例如：a＝0.04，b＝1.1，d＝f＝1，c＝e＝2，此时当
由此可以看出：人群数量N以4作为分界点，在1≤N≤4的范围内，随着人群数量N的增多，监督效应增强，从众效应的值增大；在N＞4时，从众效应的值不再发生变化。违章行人比例
具体地，行人的从众效应CE定义的人群数量N和违章行人比例
式中，abs(*)为绝对值函数，趋势相同即可。
本实施例中使用sigmoid激活函数，及下式(9)对从众效应CE进行标准化，得到从众效应CEnorm：
CEnorm＝S(CE)(9)
式(9)中，S为sigmoid函数，将从众效应CE转化为0～1之间的标准变量，以进行后续处理。
本实施例中的sigmoid函数还可以替换为selu函数或tanh函数等。式(8)中所选用的参数能够通过车辆感知获得，容易应用于实际场景中。通过文献调研证明：式(6)-(8)中所选择的参数可找到对从众效应影响显著的证明与对应数据。
通过式(9)对从众效应进行标准化，能消除输入规模给最后神经网络训练得到违章行为带来的误差。不进行标准化，如有些参数过大(比如从众效应)，有些参数过小(如激进度)，激进度带来的影响可能会被直接忽略(值太小)。
在一个实施例中，上述的从众效应CE也可以采用问卷调查的方式获得，参与者对提出的多个问题，通过打分的方式来体现自己从众的倾向。也就是说，从众效应也可表示为打分的函数：CE(i)＝grade(pedes(i))，i表示第i个行人。但该方法只能充当先验知识，难以作为实际应用，因为实际道路遇到的行人无法进行打分。
从众效应CE还可以使用规则进行定义，如：CE(i)＝CE(j)＝f(N)，i表示一组行人当中的第i个和第j个行人。即：当第i个行人为领头者且违章时，跟随者第j个行人从众效应CE大于阈值时，会同样违章。这样也体现了从众效应，但难以确认领头者与追随者，阈值难以寻找，定义的规则也往往难以达到完美。
在一个实施例中，步骤4具体包括：
步骤4.1，如图3所示，使用数据分类方法，将图4所示的、与当前交通场景相同或类似交通场景的历史行人数据划分为：将未违章穿行行人定义为A类，将违章穿行行人定义为B类。仅选择可能违章穿行的交通场景，以预设比例(比如3：1的比例)划分训练集与测试集，通过方差分析方法，获知上述两类人群差异行为的主要场景影响因素。其中，数据分类方法可以是聚类算法，也可以是支持向量机、滑膜算法等。
情况一，C因素在A、B类人群中含有显著的方差差异，在置信度水平处于[0.95，1.00]的情况下，其假设检验值P-value处于[0，0.01]，则认为该因素是两类人群差异行为的主要场景影响因素之一。
情况二，C因素在A、B类人群中不含有显著的方差差异，在置信度水平处于[0.95，1.00]的情况下，其假设检验值P-value处于[0.1，1.0]，则认为该因素不是两类人群差异行为的主要场景影响因素之一。
情况三，C因素在A，B类人群中含有显著的方差差异，但在置信度水平处于[0.95，1.00]的情况下，其假设检验值P-value处于(0.01，0.1)，则需要多次划分训练集与测试集，检验该因素的显著性。
步骤4.2，通过步骤4.1获知A、B类人群差异行为的n维主要场景影响因素后，进一步地，使用主成分分析方法，获得人群差异行为场景影响因素的主成分，其表示为式(10)：
式(10)中，Yi表示第i个主成分，Ci表示第i个场景影响因素；p表示主成分维数，n表示场景影响因素的维数，A为p×n维的主成分矩阵，其矩阵元素为a11至apn。最终场景影响因素主成分表示为式(11)：
Y＝[Y1，Y2，...，Yp]T(11)
步骤4.1中的方差分析方法还可以采用聚类、t检验、或z检验方法等进行替代。
步骤4.2中的主成分分析方法还可以采用因子分析方法等进行替代。
在一个实施例中，步骤5具体包括：
步骤5.1，根据步骤2、步骤3、步骤4获得的行人激进程度Anorm，从众效应CEnorm，场景影响因素主成分Y，将其转化为行为观念、主观规范、观测行为控制三个变量，如图5所示，通过计划行为理论获得行人的违章穿行意图I，表示为式(12)至式(14)，进而求解未知参数{a，b，c，d}：
Io＝a+bAnorm_0+cCEnorm_0+dY0(12)
It＝αIt-1+(1-α)(a+bAnorm_t+cCEnorm_t+dYt)(13)
It∈[0，1](14)
式(12)中，Io表示行人的违章穿行意图的初始值，其根据初始时刻帧的行人激进度、从众效应和场景主成分进行计算获得，或者直接设置一个任意的0-1的值也可以，因为很快就会随着时间增加被迭代掉，趋近真实值；Anorm_0、CEnorm_0、Y0则分别表示行人的激进程度、从众效应、场景影响因素主成分在初始时刻的值，其中的初始时刻是车辆开始观测到行人的时刻，终止时刻则是传感器无法感知到行人的时刻。Anorm_0、CEnorm_0、Y0的具体数值是根据当前帧传感器感知到的行人特性、群体特性、场景信息，通过之前提出的公式、模型进行计算得到。
式(13)中，It代表行人在t时刻的违章穿行意图，其受到上一时刻违章穿行意图It-1和t时刻行人激进程度、从众效应、场景影响因素主成分Anorm_t、CEnorm_t、Yt的共同影响，其影响比例为α∶(1-α)；α是预设的经验值，比如0.5。
式(14)中，It＝0代表行人完全不存在违章穿行意图，It＝1代表行人有确信的违章穿行意图，It＝(0，1)代表不确定的违章穿行意图，并部分符合行人违章穿行的概率分布。
也可以通过式(15)至式(17)表示的一次二次项，获得行人的违章穿行意图I，进而求解未知参数{a1，b1，b2，c1，c2，d1，d2}：
It∈[0，1](17)
同理，还可以通过三次、四次项，获得行人的违章穿行意图I。
步骤5.2，根据步骤5.1得到的行人违章穿行意图It及场景影响因素主成分Yt，同样如图5所示，根据计划行为理论，将行人的违章穿行行为ACTt表示为式(18)：
ACTt＝Rule(It，Yt)(18)
其中，Rule(It，Yt)表示预定义的穿行规则。如：
即当且仅当行人违章穿行意图大于一半，且场景影响因素主成分的危险分量也小于一半时，才认为行人会违章穿行，否则认为其不会违章穿行。
当然，行人的违章穿行行为ACTt表也可以根据实际情况做出简单的判断，但正确率难以达到80％以上。还可以通过意图It与场景因素Yt，再使用神经网络方法进行训练，类似的方法包括支持向量机SVM、k-means分类方法和神经网络neutral network等。
在一个实施例中，如图6所示，对人工驾驶车辆，需要在驾驶辅助屏幕显示当前建议车速、信号灯状态、行人违章概率与建议决策信息，辅助驾驶人进行合理决策，避免行人违章穿行行为带来的碰撞事故。
最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。本领域的普通技术人员应当理解：可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
