本发明涉及一种车辆行驶轨迹类型检测方法及装置，属于自动驾驶领域。该方法包括：采集车辆行驶轨迹，计算每条轨迹的轨迹点沿行驶方向的切线单位向量形成数据集，并标注每条轨迹的轨迹类型；将标注轨迹类型后的数据集作为样本按比例构建训练集和测试集；通过训练集对随机森林模型和SVM模型进行训练，并利用测试集测试随机森林模型和SVM模型是否达到预定准确率；达到预定准确率后，设定随机森林模型和SVM模型检测结果权重比例，根据待检测轨迹的检测结果及结果权重比例，判断轨迹类型。通过该方案可以实时准确地对车辆轨迹类型进行识别判定，方便快捷。
1.一种车辆行驶轨迹类型检测方法，其特征在于，包括：采集车辆行驶轨迹，计算每条轨迹的轨迹点沿行驶方向的切线单位向量形成数据集，并标注每条轨迹的轨迹类型；
将标注轨迹类型后的数据集作为样本按比例构建训练集和测试集；
通过所述训练集分别对随机森林模型和SVM模型进行训练，并利用所述测试集测试训练后的随机森林模型和SVM模型是否达到预定准确率；
当所述训练后的随机森林模型及SVM模型达到预定准确率，将待检测轨迹输入到所述训练后的随机森林模型和SVM模型中；
设定随机森林模型输出结果和SVM模型输出结果的权重比例，根据森林模型和SVM模型的输出结果和所述权重比例，判断待检测轨迹类型。
2.根据权利要求1所述的方法，其特征在于，所述通过所述训练集对随机森林模型进行训练包括：构建随机森林决策树集合，每棵决策树由样本量为K的训练样本X和随机向量θk生成，其中，随机向量构成的序列{θk,k＝1,2,…k}独立；
根据所述训练样本X和独立向量θk可以得到决策树集合为{h(X,θk),k＝1,2,…K}；
基于每棵决策树h(X,θK)的投票权，得到随机森林对输入样本的分类结果：其中，H(x)表示随机森林分类结果，hi(x)是单个决策树分类结果，Y表示分类目标，y为分类目标序号，I(·)表示示性函数。
3.根据权利要求1所述的方法，其特征在于，所述根据森林模型和SVM模型的输出结果和权重比例，判断待检测轨迹类型还包括：验证所述待检测轨迹类型识别结果是否准确，将准确识别的待检测轨迹加入到所述训练集。
4.一种车辆行驶轨迹类型检测装置，其特征在于，包括：采集模块，用于采集车辆行驶轨迹，计算每条轨迹的轨迹点沿行驶方向的切线单位向量形成数据集，并标注每条轨迹的轨迹类型；
构建模块，用于将标注轨迹类型后的数据集作为样本按比例构建训练集和测试集；
训练模块，用于通过所述训练集分别对随机森林模型和SVM模型进行训练，并利用所述测试集测试训练后的随机森林模型和SVM模型是否达到预定准确率；
输入模块，用于当所述训练后的随机森林模型及SVM模型达到预定准确率，将待检测轨迹输入到所述训练后的随机森林模型和SVM模型中；
检测模块，用于设定随机森林模型输出结果和SVM模型输出结果的权重比例，根据森林模型和SVM模型的输出结果和所述权重比例，判断待检测轨迹类型。
5.根据权利要求4所述的装置，其特征在于，所述通过所述训练集对随机森林模型进行训练还包括：构建随机森林决策树集合，每棵决策树由样本量为K的训练样本X和随机向量θk生成，其中，随机向量构成的序列{θk,k＝1,2,…k}独立；
根据所述训练样本X和独立向量θk可以得到决策树集合为{h(X,θk),k＝1,2,…K}；
基于每棵决策树h(X,θK)的投票权，得到随机森林对输入样本的分类结果：其中，H(x)表示随机森林分类结果，hi(x)是单个决策树分类结果，Y表示分类目标，y为分类目标序号，I(·)表示示性函数。
6.根据权利要求4所述的装置，其特征在于，所述检测模块还包括：添加模块，用于验证所述待检测轨迹类型识别结果是否准确，将准确识别的待检测轨迹加入到所述训练集。
一种车辆行驶轨迹类型检测方法及装置
技术领域
[0001] 本发明涉及自动驾驶领域，尤其涉及一种车辆行驶轨迹类型检测方法及装置。
背景技术
[0002] 对车辆的行驶轨迹的研究，对于获取自动驾驶车辆的行驶状态、地图信息生成具有重要作用。实际中，由于车辆行驶轨迹多样，定位设备误差产生的轨迹漂移都会导致对车辆轨迹类型误判，目前，较常采用的设定阈值判断车辆轨迹类型，这种方法计算量小但针对小范围内的轨迹大幅变化容易存在误判，而采用传统的神经网络进行行驶轨迹检测时，虽然结果判断较为准确，但检测过程耗时较长，且前期训练过程繁琐。
[0003] 因此，有必要提出一种能快速准确地检测车辆行驶轨迹类型的方法。
发明内容
[0004] 有鉴于此，本发明实施例提供了一种车辆行驶轨迹类型检测方法及装置，能快速高效地对车辆轨迹类型进行识别判定。
[0005] 在本发明实施例的第一方面，提供了一种车辆行驶轨迹类型检测方法，包括：
[0006] 采集车辆行驶轨迹，计算每条轨迹的轨迹点沿行驶方向的切线单位向量形成数据集，并标注每条轨迹的轨迹类型；
[0007] 将标注轨迹类型后的数据集作为样本按比例构建训练集和测试集；
[0008] 通过所述训练集分别对随机森林模型和SVM模型进行训练，并利用所述测试集测试训练后的随机森林模型和SVM模型是否达到预定准确率；
[0009] 当所述训练后的随机森林模型及SVM模型达到预定准确率，将待检测轨迹输入到所述训练后的随机森林模型和SVM模型中；
[0010] 设定随机森林模型输出结果和SVM模型输出结果的权重比例，根据森林模型和SVM模型的输出结果和所述权重比例，判断待检测轨迹类型。
[0011] 在本发明实施例的第二方面，提供了一种车辆行驶轨迹类型检测装置，包括：
[0012] 采集模块，用于采集车辆行驶轨迹，计算每条轨迹的轨迹点沿行驶方向的切线单位向量形成数据集，并标注每条轨迹的轨迹类型；
[0013] 构建模块，用于将标注轨迹类型后的数据集作为样本按比例构建训练集和测试集；
[0014] 训练模块，用于通过所述训练集分别对随机森林模型和SVM模型进行训练，并利用所述测试集测试训练后的随机森林模型和SVM模型是否达到预定准确率；
[0015] 输入模块，用于当所述训练后的随机森林模型及SVM模型达到预定准确率，将待检测轨迹输入到所述训练后的随机森林模型和SVM模型中；
[0016] 检测模块，用于设定随机森林模型输出结果和SVM模型输出结果的权重比例，根据森林模型和SVM模型的输出结果和所述权重比例，判断待检测轨迹类型。
[0017] 本发明实施例中，对采集的轨迹数据进行预处理，形成训练集和测试集，通过训练集分别对随机森林模型和SVM模型进行训练，通过测试集对随机森林模型及SVM模型进行测试，设定随机森林模型和SVM模型检测结果权重，根据随机森林与SVM模型识别结果及权重比例，判断待检测轨迹类型，可以实现对轨迹的快速检测判断，并结合随机森林模型和SVM模型能够减少单独使用一个模型检测引起的偏差，保障检测的准确性。基于随机森林和SVM模型的训练识别，不仅算法训练过程简单快速，而且可以实现对高维数据并行处理，从而保证能够实时准确的对车辆轨迹类型进行判定。
附图说明
[0018] 图1为本发明实施例一提供的一种车辆行驶轨迹类型检测方法的流程示意图；
[0019] 图2为本发明实施例二提供的一种车辆行驶轨迹类型检测装置的结构示意图。
具体实施方式
[0020] 本发明实施例提供了一种车辆行驶轨迹类型检测方法及装置，用于准确快速识别车辆行驶轨迹类型。
[0021] 为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0022] 实施例一：
[0023] 请参阅图1，本发明实施例提供的车辆行驶轨迹类型检测方法的流程示意图，包括：
[0024] S101、采集车辆行驶轨迹，计算每条轨迹的轨迹点沿行驶方向的切线单位向量形成数据集，并标注每条轨迹的轨迹类型；
[0025] 收集原始车辆轨迹数据，对轨迹数据进行预处理，示例性的，将原始轨迹点处理为间隔为0.5米的轨迹点，将处理后的轨迹数据每45米分为一段。
[0026] 进一步的，在分段轨迹中寻找划分的轨迹类型，如拐弯，调头以及其他类型轨迹，计算出这些轨迹中的每个轨迹点沿行驶方向的切线单位向量数据集 即为样本数据。取n＝91,并对每一个数据集进行相应轨迹类型标签标注(如拐弯记为1，掉头记为2，其他类型记为3)，则有
[0027] S102、将标注轨迹类型后的数据集作为样本按比例构建训练集和测试集；
[0028] 在所述训练集中包含有训练样本，可以将训练样本输入到构建的随机森林中对决策树进行训练。
[0029] S103、通过所述训练集分别对随机森林模型和SVM模型进行训练，并利用所述测试集测试训练后的随机森林模型和SVM模型是否达到预定准确率；
[0030] 所述SVM模型即支持向量机模型，通过监督学习实现二元分类的线性分类器，该模型训练过程简单，可以得到最大分别边际，且鲁棒性好。
[0031] 在随机森林模型中，对输入的样本数据分别进行行采样和列采样，对于行采样，采用有放回的方式，在采样得到的样本集合中，可能有重复的样本。假设输入样本为N个，采样的样本也为N个。使在训练的时候，每一棵树的输入样本都不是全部的样本，避免出现过拟合。对于列采样，从M个特征中，选择m个(m
[0032] 可选的，构建随机森林决策树集合，每棵决策树由样本量为K的训练样本X和随机向量θk生成，其中，随机向量构成的序列{θk,k＝1,2,…k}独立；
[0033] 根据所述训练样本X和独立向量θk可以得到决策树集合为{h(X,θk),k＝1,2,…K}；
[0034] 基于每棵决策树h(X,θK)的投票权，得到随机森林对输入样本的分类结果：
[0035]
[0036] 其中，H(x)表示随机森林分类结果，hi(x)是单个决策树分类结果，Y表示分类目标，y为分类目标序号，I(·)表示示性函数，i为决策树序号，k为样本量。
[0037] 通过所述测试集测试随机森林模型准确率，当准确率不能达到预定要求，则调整所述随机森林模型的参数，再次训练，直到指标合格。
[0038] S104、当所述训练后的随机森林模型及SVM模型达到预定准确率，将待检测轨迹输入到所述训练后的随机森林模型和SVM模型中；
[0039] S105、设定随机森林模型输出结果和SVM模型输出结果的权重比例，根据森林模型和SVM模型的输出结果和权重比例，判断待检测轨迹类型。
[0040] 结合随机森林模型和SVM模型可以减少样本数据影响，平衡单个模型对某一类数据分类偏差，保障结果的准确，两者权重比例可以根据实际分类需要进行调整。
[0041] 对待检测的车辆轨迹进行预处理，将车辆轨迹分段，计算待检测轨迹的轨迹点沿行驶方向的切线单位向量，再将分段数据输入到训练后的随机森林模型和SVM模型，根据设定的两个模型检测结果的权重比例及输出结果，得到轨迹类型识别结果，优选的，所述待检测轨迹类型一般包括转弯、掉头和其他类型。
[0042] 可选的，验证所述待检测轨迹类型识别结果是否准确，将准确识别的待检测轨迹加入到所述训练集。
[0043] 本实施例提供的方法基于随机森林和支持向量机可以有效简化轨迹类型检测模型的训练过程，应用于车辆轨迹检测能够保障类型识别的准确性，同时有效提升检测速度。
[0044] 实施例二：
[0045] 图2为本发明实施例二提供的车辆行驶轨迹类型检测装置的结构示意图，包括：
[0046] 采集模块210，用于采集车辆行驶轨迹，计算每条轨迹的轨迹点沿行驶方向的切线单位向量形成数据集，并标注每条轨迹的轨迹类型；
[0047] 构建模块220，用于将标注轨迹类型后的数据集作为样本按比例构建训练集和测试集；
[0048] 训练模块230，用于通过所述训练集分别对随机森林模型和SVM模型进行训练，并利用所述测试集测试训练后的随机森林模型和SVM模型是否达到预定准确率；
[0049] 可选的，所述通过所述训练集对随机森林模型进行训练还包括：
[0050] 构建随机森林决策树集合，每棵决策树由样本量为K的训练样本X和随机向量θk生成，其中，随机向量构成的序列{θk,k＝1,2,…k}独立；
[0051] 根据所述训练样本X和独立向量θk可以得到决策树集合为{h(X,θk),k＝1,2,…K}；
[0052] 基于每棵决策树h(X,θK)的投票权，得到随机森林对输入样本的分类结果：
[0053]
[0054] 其中，H(x)表示随机森林分类结果，hi(x)是单个决策树分类结果，Y表示分类目标，y为分类目标序号，I(·)表示示性函数。
[0055] 输入模块240，用于当所述训练后的随机森林模型及SVM模型达到预定准确率，将待检测轨迹输入到所述训练后的随机森林模型和SVM模型中；
[0056] 检测模块250，用于设定随机森林模型输出结果和SVM模型输出结果的权重比例，根据森林模型和SVM模型的输出结果和权重比例，判断待检测轨迹类型。
[0057] 可选的，所述检测模块还包括：
[0058] 添加模块，用于验证所述待检测轨迹类型识别结果是否准确，将准确识别的待检测轨迹加入到所述训练集。
[0059] 通过本实施例的装置，可以快速准确的对车辆轨迹类型进行识别判定，同时简化轨迹检测判断过程。
[0060] 在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0061] 以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然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；而这些修改或者替换，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。
