Abnormal driving behavior detection based on covariance manifold

为了应对因驾驶员因素引发交通事故比例居高不下的现状，辅助安全驾驶技术已经成为当前智能交通领域的研究前沿和研究热点。因此，使用图像处理和模式识别技术，研究一种通过分析驾驶员活动状态对异常驾驶行为正确识别分类的识别方法，对减少由于异常驾驶行为引发的交通事故具有重要的意义。本文研究了一种新的基于协方差流形和多类LogitBoost分类器的异常驾驶行为识别方法。首先对图像进行预处理，通过对图像的预处理以及边缘检测操作，确定方向盘的轮廓及位置，进而得到只包含驾驶员行为活动的图像感兴趣区域，能够提高后续方法识别的精确性，并减少后续算法的计算量。其次提取驾驶行为图像的纹理、颜色和梯度方向等基础特征，以克服基于单一特征识别驾驶行为的不足；并利用协方差流形进行多特征融合，以消除特征冗余，同时降低由于不同特征数值差异过大可能对图像处理及识别带来的影响。最后使用基于二分类器的多类LogitBoost分类器对图片进行分类识别。针对测试数据集，相对传统的直接使用LogitBoost多分类方法，基于二分类思想的多类LogitBoost分类方法较大幅地提高了多分类的正确率。为验证本文所提出的异常驾驶行为识别方法，在MATLAB平台下进行仿真试验，针对测试数据集，平均正确识别率可达81.08%，有效地提高了对多类异常驾驶行为识别的效果