基于行车记录仪的汽车辅助驾驶策略

文/崔兴文

1 模型分析

1.1 概念

这种模型用λ=（A，B，π）来表示，他是对记录仪中画面变化过程的描述，其原理是通过隐藏的马尔科夫链生成观测序列的过程，进而形成的一个计算模型。这里的A 是指物体状态移动矩阵，B 是通过行车记录仪观测到这一现象的概率，π 表示初始概率分布。

1.2 计算问题

概率计算是这一模型中非常重要的环节，需要先计算出观测结果，然后结合数据模型进行计算，最后得出概率。这一概率的高低，可以反应出模型和观测结果的匹配关系，即这一概率越高，就表示模型和观测结果匹配度高，比较吻合。

1.3 学习问题

学习问题是隐马尔科夫模型中必不可少的环节，给初始参数进行定义，确定观测数据，这里用O={O1,O2,…,OT}来表示，计算观测数据由此模型生成的概率进行迭代，在结合隐马尔科夫模型生成数据概率最大化，这就是学习过程。通常情况下，这一学习方式主要有半监督学习和监督学习两种方法，当然，后者在进行运用的过程中的效率比较低，所有，一般情况下，都会采用前者来进行。

1.4 预测问题

隐马尔科夫模型常常会在很多领域研究中使用，通过这一模型，来预计状态序列的状况，也就是隐马尔科夫模型预测的一种应用。他的主要方式是，对行车记录仪所捕捉的画面通过隐马尔科夫模型模型进行计算分析，以此来预判他产生流程，从而得出各状态序列的位置。

在某些研究领域中，使用隐马尔科夫模型估算状态序列的情形也有很多。其原理是使用已知的隐马尔科夫模型对观测结果进行计算分析，判断其生成的流程，得到状态序列的具体分布。

2 模型的应用

主要是通过汽车行车记录仪，来捕捉车辆前面的画面，创建安全模型，对捕捉的画面进行分析，根据计算结果，结合安全模型安全状态时的数据，判断画面中是否存在不安全因素，若有不安全因素，则需立即给汽车发生应急指令。

2.1 训练阶段

2.1.1 视频特征提取

在汽车安全行驶时，通过行车记录仪，获取画面中的三位梯度特，并将这一特征作为样本。这里对画面进行缩放，选取三个不同尺寸，并把画面均分为多块区域，这样，可以有效的获取图像中的局部信息和整体信息。与此同时，还需要将连续5 帧的部分合成同一个时空单元。

2.1.2 特征筛选

由于行车记录仪中记录的画面很多，并且有很大一部分都是重复的，若是对每一个捕捉的画面都进行分析技术，这会在一定程度影响检测效率，增大了计算量，提高了算法难度因此，对捕捉的信息进行筛选是很有必要的。这里对数据信息进行筛选是，使用的是主成分分析法，也就是在原始信息中，选取主要的部分进行保留。

2.1.3 建立安全事件模型

建立隐马尔科夫模型λ=(A,B,π)，这里需要对该模型的每一项参数进行迭代，迭代时要结合所有观测的安全事件的特征，通常情况下，采用baum-welch 算法进行计算，这样可以使这一模型生成的概率最大。这里的安全事件模型，考虑到了车辆行使的各种安全驾驶情况。

2.2 测试阶段

（1）在特征提取和特征筛选方面，测试阶段可以参考训练阶段，方法基本一致。

（2）安全测试。在进行安全测试时，可以结合隐马尔科夫模型概率进行分析，获取全部测试时的画面与安全事件模型的概率生成。通过这一概率，则可以判断出当前画面中是否有不安全因素。例如，概率比较高，也就是他和安全事件模型的匹配度高，画面中的安全性就高，反之就有不安全因素，即有危险情况，需要应急处理。

（3）制动措施。通过系统分析计算，发现有不安全因素时，立即发出应急信号，让汽车采取有效措施进行处理。

3 实验分析

结合上述理论，做一个检测实验，获取行车记录仪记录的视频数据，并对这些数据进行筛选整合，形成视频数据库，在此基础上进行训练和测算，以检验行车记录仪在汽车辅助驾驶中的可靠性。本次实验中，所使用的行车记录仪像素为1080P，即普通的大众型号。

图1：检测到骑车行人

图2：检测到前方车辆

本次实验中，在视频数据库中选取了具有代表性意义的两张图片（见图1和图2），图片数据来自同一款行车记录仪，实验地点为某街道。实验过程中，汽车前方整个画面为背景，图1中显示，前方车道及房屋均为安全目标，而突然出现的骑车行人是危险目标，图2中前方突然出现的车辆为危险目标，当这些危险目标出现时，会通过相应的模型进行计算，立刻检测出危险事件，并及时发出制动信号，让车辆及时采取相应的措施，以规避风险。

4 结束语

笔者就基于行车记录仪的汽车辅助驾驶作了研究，行车记录仪记汽车行驶画面，然后采用一定的技术，对该画面进行分析处理，检测不安全因素，进而找出一些不安全事件。在检测过程中，需要结合行车记录仪所记录的画面，创建一个三维安全模型，以此为基础，判断影像中有无不安全事件。通过研究发现，汽车在正常行驶中，若汽车前方出现不安全因素，这种方法能够检测出这一危险事件，并给汽车传达应急指令，进而为汽车的安全行驶提供了保障。