[发明专利]基于特征选择的自动驾驶目标识别方法

权利要求书

1.一种基于特征选择的自动驾驶目标识别方法，其特征在于，包括：

步骤1、获取来自雷达和相机的自动驾驶目标识别数据，并进行数据预处理；

步骤2、基于最小冗余最大相关(mRMR)框架提出了一种新的特征子集评价方法，即差分相关信息法熵(DCIE)；

步骤3、结合前向搜索算法，使用随机森林分类器(RF)和支持向量机分类器(SVM)，实现特征子集的选择。

2.如权利要求1所述的基于特征选择的自动驾驶目标识别方法，其特征在于，步骤1中，将摄像机和雷达收集到的数据信息进行预处理，对于摄像机数据利用图像滤波过滤掉干扰信息，然后可分类为车道线、行人、车辆、交通标志牌、交通信号灯型，其中，对于车道的识别需要进行边缘提取和二值化，通过直线拟合算法计算出车道方程；对于其余类型的图片进行，可将分类器模型进行训练构成不同的数据集；对于雷达收集到的数据，对数据清洗后进行标注，最终形成雷达数据集；

针对汽车速度分类，有多个汽车速度样本，特征为主要速度和其相关的活动标签，分别为来自加速度计的三轴加速度(总加速度)，来自陀螺仪的三轴角速度，具有时域和频域变量的561特征向量；数据形式为每一个样本数据针对每一个特征只有一个数值，针对此样本数据会有人工标记的分类结果。

3.如权利要求1所述的基于特征选择的自动驾驶目标识别方法，其特征在于，步骤2中，对DCIE进行了详细的定义；基于标签数据，设i为选取的数据，是多个汽车速度样本，0≤i≤M，M为数据总量，则每个特征A_i都可以用一个M维向量表示为A_i＝(a_i,1,a_i,2,…,a_i，M)，特征为主要速度和其相关的活动标签，分别为来自加速度计的三轴加速度，来自陀螺仪的三轴角速度，具有时域和频域变量的561特征向量；特征选择的目的是发现将A_i量化为A_i＝(a_i，1，a_i，2，…，a_i，P)；

首先，构造一个特征集S的随机特征矩阵如下：

其中R携带所有特征的互信息，N＝|S|；式中，r_ij＝r(a_i，a_j)为a_i与a_j计算的相关性度量，0≤i，j≤N；

得到特征与标签之间的相关值，并通过在矩阵R中加入标签与特征的互信息表示特征与标签之间的关系定义R′；

令表示矩阵R的特征值并满足引入相关信息熵的概念作为评价多个特征与标签之间相关性的统一评价标准；相关信息熵定义如下:

相关信息熵作为变量之间相关性的不确定度度量，其值在[0,1]之间；多变量之间的相关度越大，冗余度越小，相关信息熵越大；矩阵R′的相关信息熵H_R′测量特征子集与标签之间的相关性，R的相关信息熵H_R表示特征子集中特征之间的相关性；在算法的执行过程中，所选择的特征应该与标签有较强的相关性；即特征与类别之间的相关信息熵越大，特征之间的相关信息熵越小，选择的特征子集越好；因此，H_R′应大于H_R；故以此定义DCIE，并记为I_R:

其中C为标签，利用I_R对选出来的特征子集进行评价。

4.如权利要求1所述的基于特征选择的自动驾驶目标识别方法，其特征在于，上述步骤已完成特征选择和提取，获得了最优特征选择排序；步骤3中，按照应选择的特征子集个数，使用序列前向搜索(SFS)作为搜索策略，向所选特征子集添加新特征；训练随机森林分类器(RF)和支持向量机分类器(SVM)，并进行十倍交叉验证(随机)；而其后对数据的测试即采用此分类器形成分类结果；选择了精确率、准确率、召回率和F1评分作为评估标准，评估哪种算法可更好地实现自动驾驶车辆在道路上对运动物体的目标分类。