1.一种基于改进HMM和SVM双层算法的驾驶意图识别方法，其特征在于，包括如下步骤：步骤1：驾驶员驾驶意图的分类：将驾驶员驾驶意图分为急左换道、正常左换道、车道保持、正常右换道和急右换道五类；

步骤2：实验数据采集与处理：采集自车在高速路行驶时车道保持和车道变换的实验数据，先通过多传感器采集特定换道意图对应的换道行为数据序列，紧接着对换道行为数据序列进行卡尔曼滤波处理、归一化处理后进行PCA主成分分析；

归一化处理的方法为：对同一时间序列中的任一特征向量中样本数据X(n)，n＝1，

2，…，N归一化处理得到Y(k)：

Y(k)＝(X(k)-min(X(n)))/(max(X(n))-min(X(n)))，k∈[1，N]；

步骤3：改进的HMM和SVM双层算法的离线训练，构建出第一层HMM模型和第二层SVM模型；

所述步骤3的具体过程为：

步骤3.1：用向量θ描述驾驶意图HMM模型，θ＝[P0，A，B]；P0为时刻t＝1各驾驶意图的初始概率{P(Qi)；i＝1，2，…，m}的矢量形式；

A＝[aij]＝[P(Qj(t+1)|Qi(t))]

t＝1，2，…，T-1；i，j＝1，2，…，m

aij表示从驾驶意图ui到驾驶意图uj的转移矩阵；

B＝[P(νk(t)|Qj(t))]＝[bjk]

t＝1，2，…，T；j＝1，2，…，m；k＝1，2，…，nbjk表示驾驶意图为uj观察到换道行为νk的概率；

步骤3.2：根据已知的换道行为序列，通过前向-后向算法确定HMM模型参数[P0，A，B]；在(t-1)时刻驾驶意图为Qi，在t时刻驾驶意图为Qj且可见换道行为序列为v的概率为：P(Qi(t-1)→Qj(t)，v|θ)＝αi(t-1)aijbjkβj(t)式中，αi(t-1)为(t-1)时刻驾驶意图ui观察到之前时刻所有换道行为的概率和；βj(t)为t时刻驾驶意图uj观测到之后时刻所有换道行为的概率和；aijbjk(t)表示系统有驾驶意图Qi(t-1)转移到Qj(t)并产生换道行为序列νk(t)的概率；产生换道行为序列v条件下，从驾驶意图Qi(t-1)转移到驾驶意图Qj(t)的概率γij为，γij(t)＝P(Qi(t-1)→Qj(t)|v，θ)＝P(Qi(t-1)→Qj(t)，v|θ)/P(v|θ)即

式中，P(v|θ)为所有可能的驾驶意图序列产生可见换道行为序列v的总概率；最后得到[P0，A，B]的重估计公式：式中，P(Qj(1))表示在t＝1时刻观察到驾驶意图Qj时的完整驾驶操作序列的概率，l表示长为T的驾驶意图序列的标记，根据上式多次迭代，逐步修正，求解最大化P(v|θ)得出模型参数向量[P0，A，B]；

步骤3.3：已知θ＝[P0，A，B]，计算出现观察序列v的概率P(v|θ)；前向计算αj(t)、后向计算βi(t)的迭代过程如下：对于任何1≤t≤T，都有：

基于训练得到的5种换道模型参数[P0，A，B]，计算不同驾驶意图HMM模型条件下的P(v|θi)，并比较它们的大小，将待识别意图分到P(v|θi)取最大值的类中，完成第一层HMM的分类，然后比较HMM的输出概率，判断是否为易混淆驾驶意图，若是，把易混淆意图对应的换道行为数据序列作为候选模式集，用第二层SVM进行意图识别，反之，直接输出HMM识别结果；

步骤：4：驾驶员驾驶意图识别：将选择的主特征量导入第一层HMM模型中获得驾驶员换道意图输出概率识别率较高的直接输出换道意图，然后选择易混淆换道意图对应的换道行为序列，导入第二层SVM模型利用径相基核函数映射到高维可分空间，计算其到各个换道意图SVM模型的欧氏距离，寻找出距离最小的分类超平面，即为SVM驾驶员的驾驶意图，投票表决判断第一层HMM算法和第二层SVM算法对于易混淆意图的输出概率，选择概率较大的作为换道意图输出；

SVM算法的离线训练方法为：

根据第一层HMM模型输出的易混淆驾驶意图对应的换道行为序列对应的驾驶意图种类确定SVM分类器个数，易混淆意图对应的的前处理后的数据及对应的标签量导入SVM模型，通过网格寻优算法获得支持向量机参数[C，g]，完成分类器的训练和优化，最后将第一层HMM模型对应的易混淆行为序列输入训练好的SVM模型，最后通过投票表决算法输出驾驶意图：给定训练样本集{(v1，l1)，(v2，l2)，…，(vn，ln)}输入SVM模型，式中v1(t)，ν2(t)，...，vn(t)分别表示时窗T＝1.2s内对应的驾驶行为特征向量，根据步骤1驾驶意图分类，驾驶意图标签l(t)＝1、2、3、4和5分别表示：紧急左变道、左变道、车道保持、右变道和紧急右变道换五类；

将第一层HMM模型中易混淆驾驶意图对应的的行为序列导入第二层SVM，假设易混淆意图有3种，分别是紧急左变道、左变道和车道保持，需要 个分类器；

选择RBF径向基核函数将易混淆换道行为数据映射到高维空间，来解决在原始空间中线性不可分的问题，如下：式中，νi，νj表示第一层HMM中易混淆驾驶意图对应的换道行为数据，且i＜j，i，j∈[1，

8]；σ＝cov(νi，νj)；

首先利用训练数据建立的决策函数f1＝sgn(g1(x))以把类“1”分出，同样f2＝sgn(g2(x))，f3＝sgn(g3(x))能实现“2，3”分类，三分类训练得到的分类超平面：其中 b由下式获得：

所述步骤2采集自车在高速路行驶时车道保持和车道变换的实验数据主要包括：自车的方向盘转角、与车道中心线的横向距离、横摆角速度、制动踏板力；同时，通过安装在模拟驾驶器方向盘上的疲劳检测仪实时采集驾驶员头部运动视频信息；运用KLT算法计算采集驾驶员头部运动视频信息以获取驾驶员脸部中心横坐标偏离其均值的大小；

所述运用KLT算法计算采集驾驶员头部运动视频信息以获取驾驶员脸部中心横坐标偏离其均值的大小，采用了以下步骤：步骤a：选取驾驶员头部视频信息中的关键帧，并提取其中的图像点特征；

步骤b：提取驾驶员头部图像样本中的点特征；

步骤c：将前两步提取的图像点特征进行匹配，输出驾驶员头部位移结果；

利用卡尔曼滤波方法对实验采集数据进行滤波处理的方法为：先引入一个离散控制过程的系统：X(k)＝MX(k-1)+NU(k)+W(k)，Z(k)＝HX(k)+V(k)式中，X(k)：k时刻的系统状态，U(k)：k时刻对系统的控制量，M和N是系统参数矩阵，Z(k)：k时刻测量值，H：测量系统参数矩阵，W(k)和V(k)分别表示过程噪声和测量噪声，假设现在的系统状态是k，基于系统的上一状态预测现在状态：X(k|k-1)＝MX(k-1|k-1)+NU(k)

式中X(k|k-1)：利用上一状态预测的结果，X(k-1|k-1)：上一状态最优的结果，U(k)：现在状态的控制量，对应于X(k|k-1)的协方差：P更新：

T

P(k|k-1)＝MP(k-1|k-1)M+Q

式中，MT：M的转置矩阵，Q：系统过程的协方差；

现在状态k的最优化估算值：

X(k|k)＝X(k|k-1)+Kg(k)(Z(k)-HX(k|k-1))Kg(k)＝P(k|k1)H′/(HP(k|k-1)H′+R(k))式中R(k)表示k时刻测量噪声矩阵；至此得到了k状态下最优的估算值X(k|k)；

更新k状态下X(k|k)的协方差：

P(k|k)＝(I-Kg(k)H)P(k|k-1)

其中I为单位矩阵；依此可计算出所采集数据样本中每一个特征向量的滤波值。

2.根据权利要求1所述的一种基于改进HMM和SVM双层算法的驾驶意图识别方法，其特征在于：所述PCA主成分分析法对计算的样本向量的进行降维处理，具体包括以下步骤：步骤1：对原始数据进行标准化处理，假设进行主成份分析的指标变量有p个，分别为x1，x2，…，xn，共有q组换道数据，第i组换道数据的第j个指标的取值eij，将各指标值eij转换成标准化指标值 有式中： 即μj，sj为第j个指标的样本均值和

样本标准差，对应地， 为标准化指标变量；

步骤2：计算相关系数矩阵R.相关系数矩阵R＝(rij)p×p，有式中rii＝1，rij＝rji，rij为第i个指标与第j个指标的相关系数；

步骤3：计算特征值和特征向量，计算相关系数矩阵R的特征值λ1≥λ2≥…≥λp≥0，及对应的特征向量ω1，ω2，…，ωp，其中ωj＝[ω1j，ω2j，…，ωpj]T，由特征向量组成p个新的指标向量：式中，F1、F2、…、Fp分别为第一主成分、第二主成分…，第p主成分；

步骤4：选择r(r≤p)个主成分计算累计贡献率选择主成分：上式为主成份F1，F2，…，Fr的累计贡献率，当αr接近于95％时则选择前r个指标变量F1，F2，…，Fr作为r个主成分，代替原来p个指标。