[发明专利]基于特征选择的自动驾驶目标识别方法

说明书

基于特征选择的自动驾驶目标识别方法属于目标识别技术领域，本发明围绕基于差分相关信息熵的特征选择和提取展开，通过较好的特征选择和提取方法，方便分类器将目标区分开，实现计算机对不同目标的识别，为自动驾驶车辆在道路上对运动物体识别提供一种新思路。

技术领域

本发明属于目标识别技术领域，尤其涉及一种基于特征选择的自动驾驶目标识别方法。

背景技术

近年来随着深度学习的发展，自动驾驶汽车成为减少交通事故、缓解交通拥堵等问题的有效途径之一。自动驾驶车辆关键技术之一就是对道路上其他行驶车辆的识别，以便车辆进行判断并进行变道、停车等不同操作。

目前国内外很多科技企业和教育研究机构已经开展了无人驾驶汽车的多种里程路测。美国高速公路安全管理局(NHTSA)将自动驾驶划分为六个阶段即L0-L5，但至今只有特斯拉和谷歌Waymo的测试车辆达到了L3级(有条件自动化驾驶)，其他公司的无人驾驶技术依旧徘徊在L2级(部分自动化驾驶)，在没有人为参与的情况下，测试车辆还是不能很好地处理复杂多变的道路状况。而对真实驾驶场景的快速准确的检测与算法处理则是自动驾驶中所面临的众多难题之一，也是最重要的部分之一。

在国内外的文献中了解到基于特征选择的移动目标识别是自动驾驶的重要算法之一。特征选择可以消除无关和冗余特征，降低空间复杂度，提高机器学习模型的准确性和效率。特征选择的优点概述如下：降维可以降低学习模型的计算复杂度；降噪可以提高分类精度；更可解释的特征可以有助于识别和监测目标问题或功能类型。

特征选择方法一般有三种：Wrappers,Filters and Embeded。Filter methods将分类过程和特征选择部分分开，并定义一个标准称作“相关性指数”或“评分”，以独立于任何特定分类器评估数据的统计，从而提取通用的特征，而不加入特定的假设。Wrappermethods的特征选择过程包括搜索策略、评价函数和性能函数。首先利用搜索策略在特征空间中进行搜索，将搜索策略分为穷举、顺序和随机三类。其次利用评价函数对候选特征子集的优劣进行评价。最后利用性能函数对所选特征子集进行验证。Emeded methods克服了Wrapper methods需要更多计算量和Filter分类并不充足的特点。

发明内容

本发明公开了一种基于特征选择的自动驾驶目标识别方法，主要围绕基于差分相关信息熵的特征选择和提取展开，克服了现有的最小冗余最大相关(mRMR)的贪婪特征选择算法的局限性，可以在一定程度上检测出相关的多变量特征之间的关系，通过较好的特征选择和提取方法，方便分类器将目标区分开，实现计算机对不同目标的识别，为自动驾驶车辆在道路上对运动物体识别提供一种新思路。

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、进一步，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。