本發明涉及事故場景提取方法領域，尤其涉及一種考慮場景復雜度的輔助駕駛車輛事故場景提取方法領域。

背景技術：

1、現在生產生活中，輔助駕駛已經逐漸融入生活；為了讓駕駛更安全，需要對已發生過的事故進行分類，從而有利于為輔助駕駛系統的改進和事故預防提供科學依據；

2、因此如何發明一種輔助駕駛車輛事故場景提取方法實現考慮場景復雜度將輔助駕駛車輛事故場景進行分類，成為本領域亟需解決的難題。

技術實現思路

1、為了解決上述技術問題，本發明提供了一種考慮場景復雜度的輔助駕駛車輛事故場景提取方法，實現考慮場景復雜度將輔助駕駛車輛事故場景進行分類，每類事故場景信息包括：場景復雜程度信息、典型場景類別對應的場景指標類別、典型場景的特征信息。

2、根據本發明提供了一種考慮場景復雜度的輔助駕駛車輛事故場景提取方法，包括以下步驟：

3、設定輔助駕駛車輛事故場景的事故場景信息；

4、所述事故場景信息包括：場景復雜程度信息、典型場景類別對應的場景指標類別、典型場景的特征信息；

5、收集歷史輔助駕駛車輛的事故數據，得到輔助駕駛車輛事故數據集；

6、對輔助駕駛車輛事故數據集進行預處理，得到關鍵指標類別及其對應的特征信息；

7、對特征信息包括參數型特征信息、非參數型特征信息；所述非參數型特征信息進行獨熱編碼，參數型特征信息保持原始數值形式；

8、將各事故的關鍵指標類別對應的特征信息通過高斯混合模型進行聚類分析，得到三類場景復雜程度；

9、根據復雜程度評分方法進行復雜度評分，將三類場景復雜程度分別標記為簡單場景、一般場景和復雜場景；

10、將每類場景復雜程度對應的場景指標類別對應的特征信息使用dbscan聚類方法分為s類典型場景；對每類典型場景賦予典型場景的特征信息。

11、與現有技術相比，本發明具有以下有益效果：通過考慮場景復雜度的輔助駕駛車輛事故場景提取方法，實現考慮車輛事故的復雜度對輔助駕駛車輛事故場景分類，同時不同類別的車輛事故場景包括：場景復雜程度信息、典型場景類別對應的場景指標類別、典型場景的特征信息；

12、通過對輔助駕駛車輛事故數據集進行預處理，得到關鍵指標類別及其對應的特征信息，實現后續分類更靠近實際；

13、通過對特征信息包括參數型特征信息、非參數型特征信息，所述非參數型特征信息進行獨熱編碼，參數型特征信息保持原始數值形式，實現體現復雜度的信息已經可數據化、可分析、可分類；

14、通過將各事故的關鍵指標類別對應的特征信息通過高斯混合模型進行聚類分析，得到三類場景復雜程度，實現對事故場景按復雜度分為三大類；

15、通過根據復雜程度評分方法進行復雜度評分，實現更準確的對本類場景復雜程度標注與實際情況相近程度高；

16、通過將每類場景復雜程度對應的場景指標類別對應的特征信息使用dbscan聚類方法分為s類典型場景；對每類典型場景賦予典型場景的特征信息，實現對不同復雜度類別的事故場景再次進行分類分為若干個類別，且同時對每類賦予典型場景的特征信息；從而有利于為輔助駕駛系統的改進和事故預防提供科學依據。

17、進一步的，對輔助駕駛車輛事故數據集進行預處理包括以下步驟：

18、去除異常值，填補缺失值、提取關鍵指標類別以及關鍵指標類別包括的特征信息；

19、去除異常值包括，通過z-score標準化判斷遠離均值的異常值；

20、填補缺失值包括，對于類別型數據缺失值采用眾數填補，對于數值型數據缺失值使用插值法填補。

21、進一步的，所述關鍵指標類別包括：

22、道路類型、路面條件、環境照明條件、天氣狀況、車輛碰撞時刻速度、駕駛員行為、啟用的輔助駕駛功能、車輛類型、碰撞方類型、碰撞類型、相對運動方向。

23、進一步的，非參數型特征信息包括道路類型的特征信息、環境照明條件的特征信息、天氣狀況的特征信息、駕駛員行為的特征信、啟用的輔助駕駛功能的特征信息、車輛類型的特征信息、碰撞方類型的特征信息、碰撞類型的特征信息、相對運動方向的特征信息；

24、參數型特征信息包括車輛碰撞時刻速度的特征信息。

25、進一步的，道路類型的特征信息包括：隧道、急彎、橋梁、十字交叉口、人行道、普通路段中的一種；

26、路面條件的特征信息包括：干、濕、積水、結冰、積雪中的一種；

27、環境照明條件的特征信息包括：白天、夜間有路燈、夜間無路燈中的一種；

28、天氣狀況的特征信息包括：晴天、雨天、雪天、霧天中的一種；

29、駕駛員行為的特征信息包括：正常駕駛、分心、疲勞駕駛、超速、急剎車中的一種或多種；

30、啟用的輔助駕駛功能的特征信息包括：fcw、aeb、acc、ldw中的一種或多種；

31、車輛類型的特征信息包括：小轎車、客車、貨車、其他車型中的一種；

32、碰撞方類型的特征信息包括：行人、客車、小轎車、貨車、固定物、其他碰撞方類型中的一種；

33、碰撞類型的特征信息包括：撞人、刮擦、撞固定物、側翻、追尾、正面碰撞、其他碰撞類型中的一種；

34、相對運動方向的特征信息包括：同向、側向中的一種。

35、采用上一步的有益效果在于，實現復雜程度分類時，考慮的更全面，將與實際駕駛過程中與影響事故發生的相關現象均考慮在內。

36、進一步的，復雜度評分方法包括以下步驟：

37、將關鍵指標類別對應的特征信息采用最小-最大標準化方法進行標準化處理，確保所有特征值在[0,1]范圍內；

38、通過熵權法計算各個關鍵指標類別的特征權重；

39、通過構建決策矩陣，基于tops?i?s方法計算每個事故樣本的復雜度評分；

40、將復雜度評分最高的一類場景標識為簡單場景、復雜度評分居中的一類場景標識為一般場景、復雜度評分最低的一類場景標識為復雜場景。

41、進一步的，將關鍵指標類別對應的特征信息進行標準化處理的標準化公式為：

42、

43、x為特征信息的原始數據，min(x)和max(x)分別是關鍵指標類別對應的特征信息的最小值和最大值，xscaled是關鍵指標類別對應的特征信息的標準化數據。

44、進一步的，熵權法計算各個關鍵指標類別的特征權重過程包括以下步驟：

45、通過公式一計算每個關鍵指標類別的信息熵ej；

46、公式一：

47、

48、表示第i個樣本在第j個關鍵指標類別對應的特征信息的標準化值占該特征信息總和比重；n為事故樣本數量；ej為第j個關鍵指標類別的信息熵；

49、通過公式二計算每個關鍵指標類別的特征權重；

50、公式二：

51、

52、wj為第j個關鍵指標類別的特征權重；m為關鍵指標類別的數量。

53、采用上一步的有益效果在于，實現對每個事故樣本通過每個關鍵指標類別的特征信息進行復雜度評分時，對不同關鍵指標類別結合相應的特征權重，從而實現每個事故樣本計算的復雜度與實際相近。

54、進一步的，基于tops?i?s方法計算每個事故樣本的復雜度評分的基體過程為：

55、對標準化數據進行加權處理；

56、

57、xij為第i個事故樣品第j個關鍵指標類別的特征信息的標準化數據；

58、xi'j為加權之后第i個事故樣品第j個關鍵指標類別的特征信息的標準化數據；

59、n為共n個事故樣本；

60、通過n個事故樣本加權之后關鍵指標類別對應的特征信息的標準化數據構建決策矩陣d′；

61、

62、xnm為第n個事故樣品第m個關鍵指標類別的特征信息的標準化數據；

63、

64、為第j關鍵指標類別的每個理想解，為第j關鍵指標類別的負理想解；

65、

66、ci為第i個事故樣本的復雜度評分。

67、采用上一步的有益效果，得到參與復雜程度分類的各個事故樣本得到相應的復雜度評分。

68、進一步的，將每類場景復雜程度使用dbscan聚類方法分為s個類典型場景過程中；所述場景指標類別包括道路類型、車輛類型、碰撞方類型、相對運動方向、碰撞類型、啟用的輔助駕駛功能；

69、以每類場景復雜程度中事故樣品的場景指標類別對應的特征信息作為數據點；

70、計算每個數據點與其他點的距離，并繪制k-距離圖，通過圖中的“膝點”選擇最佳的ε值，圖中“膝點”的個數為典型場景類別數量s；

71、通過計算每個點與其前k個最近鄰的平均距離，選取合適的統計95％百分位點來確定m?i?npts；對于每一對ε和m?i?npts組合，應用dbscan聚類算法進行聚類，得到s簇數據點，每簇數據點對應一類典型場景；得到每類場景復雜程度對應的s類典型場景；

72、和/或

73、對每類典型場景賦予典型場景的特征信息的過程包括以下步驟：

74、使用局部密度估計方法找到簇內密度最高的數據點代表此簇對應的典型場景；每簇最高數據點的場景指標類別對應的特征信息為對應的典型場景的特征信息。

75、采用上一步有益效果，實現對每類典型場景賦予典型場景的特征信息，實現對不同復雜度類別的事故場景再次進行分類分為若干個類別，且同時對每類賦予典型場景的特征信息；從而有利于為輔助駕駛系統的改進和事故預防提供科學依據。