一种行人与车辆交互状态识别方法及系统与流程

1.本发明涉及交互状态识别技术领域，特别是涉及一种行人与车辆交互状态识别方法及系统。


背景技术：

2.随着汽车智能化的发展，人们对于汽车安全性的要求越来越高。而在实际道路交通环境中，行人作为最为复杂的交通要素之一，与车辆发生事故的可能性较大，因此，准确识别行人与车辆交互的行为状态，对辅助车辆或驾驶员更好地做出反应有着极其重要的作用。
3.现阶段，大部分研究集中于对行人行为状态的识别方法进行研究，通常需要人为定义、标注交互行为，同时人为划定判断交互行为的参数范围，存在一定的主观性和局限性，难以适应现实情况中具有不同行为偏好的行人样本，降低模型泛化性；且其主要是直接通过原始图像数据来判断，这种识别方法的局限性在于数据量较大，运算复杂，同时干扰信息较多，使得该方法无法准确识别行人的行为状态，并且存在实用性不强的问题。同时，上述方法所定义的行人行为状态也没有考虑到行人与车辆的交互行为，无法直接辅助车辆或驾驶员的驾驶行为。
4.基于此，亟需一种能够对行人与车辆交互状态进行识别的技术。


技术实现要素：

5.本发明的目的是提供一种行人与车辆交互状态识别方法及系统，能够对行人与车辆的交互状态进行识别，辅助无人驾驶车辆或驾驶员的驾驶行为。
6.为实现上述目的，本发明提供了如下方案：一种行人与车辆交互状态识别方法，包括：获取多个训练样本；每一所述训练样本均包括车辆行驶过程中所采集的激光雷达点云数据和图像数据；对于每一所述训练样本，对所述激光雷达点云数据进行处理，得到行人与车辆的距离特征；对所述图像数据进行处理，得到行人头部朝向特征和行人运动状态特征；将所有所述训练样本的行人与车辆的距离特征组成第一特征样本集；利用谱聚类算法对所述第一特征样本集进行处理，得到第一标签集；将所有所述训练样本的行人头部朝向特征组成第二特征样本集；利用所述谱聚类算法对所述第二特征样本集进行处理，得到第二标签集；将所有所述训练样本的行人运动状态特征组成第三特征样本集；利用所述谱聚类算法对所述第三特征样本集进行处理，得到第三标签集；以所述第一特征样本集和所述第一标签集作为输入，利用分类器算法训练得到第一分类器；以所述第二特征样本集和所述第二标签集作为输入，利用所述分类器算法训练得到第二分类器；以所述第三特征样本集和所述第三标签集作为输入，利用所述分类器算
法训练得到第三分类器；利用所述第一分类器、所述第二分类器和所述第三分类器识别行人与车辆的交互状态。
7.一种行人与车辆交互状态识别系统，包括：样本获取模块，用于获取多个训练样本；每一所述训练样本均包括车辆行驶过程中所采集的激光雷达点云数据和图像数据；特征提取模块，用于对于每一所述训练样本，对所述激光雷达点云数据进行处理，得到行人与车辆的距离特征；对所述图像数据进行处理，得到行人头部朝向特征和行人运动状态特征；标签生成模块，用于将所有所述训练样本的行人与车辆的距离特征组成第一特征样本集；利用谱聚类算法对所述第一特征样本集进行处理，得到第一标签集；将所有所述训练样本的行人头部朝向特征组成第二特征样本集；利用所述谱聚类算法对所述第二特征样本集进行处理，得到第二标签集；将所有所述训练样本的行人运动状态特征组成第三特征样本集；利用所述谱聚类算法对所述第三特征样本集进行处理，得到第三标签集；训练模块，用于以所述第一特征样本集和所述第一标签集作为输入，利用分类器算法训练得到第一分类器；以所述第二特征样本集和所述第二标签集作为输入，利用所述分类器算法训练得到第二分类器；以所述第三特征样本集和所述第三标签集作为输入，利用所述分类器算法训练得到第三分类器；识别模块，用于利用所述第一分类器、所述第二分类器和所述第三分类器识别行人与车辆的交互状态。
8.根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明用于提供一种行人与车辆交互状态识别方法及系统，先对每一训练样本的激光雷达点云数据进行处理，得到行人与车辆的距离特征，对图像数据进行处理，得到行人头部朝向特征和行人运动状态特征。然后将所有训练样本的每一种特征组成一特征样本集，并利用谱聚类算法对特征样本集进行处理，得到标签集。最后以特征样本集和标签集作为输入，利用分类器算法训练得到三种分类器，以利用三种分类器识别行人与车辆的交互状态，辅助无人驾驶车辆或驾驶员的驾驶行为。
附图说明
9.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
10.图1为本发明实施例1所提供的识别方法的方法流程图；图2为本发明实施例1所提供的识别方法的原理框图；图3为本发明实施例1所提供的行人骨架节点位置编号示意图；图4为本发明实施例2所提供的识别系统的系统框图；图5为本发明实施例2所提供的识别系统的原理框图。
具体实施方式
11.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
12.本发明的目的是提供一种行人与车辆交互状态识别方法及系统，能够对行人与车辆的交互状态进行识别，辅助无人驾驶车辆或驾驶员的驾驶行为。
13.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
14.实施例1：本实施例用于提供一种行人与车辆交互状态识别方法，如图1和图2所示，包括：s1：获取多个训练样本；每一所述训练样本均包括车辆行驶过程中所采集的激光雷达点云数据和图像数据；具体的，本实施例可利用车辆上安装的车载数据采集平台来采集行人数据，即使用多种传感器采集车辆行驶过程中的感知数据（包括激光雷达点云数据和图像数据），以获取多个训练样本。车载数据采集平台包括激光雷达和摄像头，激光雷达点云数据通过车辆上安装的激光雷达采集得到，图像数据通过车辆上安装的摄像头采集得到，激光雷达和摄像头会采集驾驶员视角的前方左、中、右的数据，以使所获得的数据尽可能全面的包括车辆周边的所有行人。
15.s2：对于每一所述训练样本，对所述激光雷达点云数据进行处理，得到行人与车辆的距离特征；对所述图像数据进行处理，得到行人头部朝向特征和行人运动状态特征；本实施例通过s2进行行人特征信息提取，对训练样本进行数据处理，得到行人多种特征信息，特征信息包括行人与车辆的距离特征d，行人头部朝向特征h与行人运动状态特征m。
16.需要说明的是，本实施例所述的激光雷达点云数据和图像数据均是在很短的一个时间间隔内采集得到的，故激光雷达点云数据为包括多帧点云数据的连续序列，图像数据为包括多帧图像的连续序列。比如，当时间间隔为0.3s，则点云数据和图像数据的总帧数可为10帧左右。
17.本实施例可从激光雷达点云数据中提取三类行人与车辆的距离特征，记作d={d1，d2，d3}，先从激光雷达点云数据的每帧点云数据中提取行人与车辆的距离d，再根据所有点云数据的距离进行三类行人与车辆的距离特征的提取。具体的，对激光雷达点云数据进行处理，得到行人与车辆的距离特征可以包括：（1）提取激光雷达点云数据所包括的每一帧点云数据对应的距离，距离为行人与车辆的距离；（2）计算所有点云数据对应的距离的平均值，得到行人与车辆的相对距离；行人与车辆的相对距离d1通过计算连续k帧内行人与车辆的距离的平均值得到，k为激光雷达点云数据所包括的点云数据的总帧数，d1的计算公式为：；
其中，di为第i帧点云数据对应的距离。
18.（3）对于每一帧点云数据，计算点云数据对应的距离与点云数据的前一帧点云数据对应的距离的差值，得到距离差；根据所有点云数据对应的距离差计算行人与车辆距离的增加量以及行人与车辆距离的减少量；行人与车辆的相对距离、行人与车辆距离的增加量以及行人与车辆距离的减少量组成行人与车辆的距离特征。
19.连续k帧内行人与车辆距离的增加量d2的计算公式为：；其中，d
i+1
为第i+1帧点云数据对应的距离。
20.连续k帧内行人与车辆距离的减少量d3的计算公式为：；s2中，对图像数据进行处理，得到行人头部朝向特征和行人运动状态特征可以包括：（1）采用行人骨架识别方法对图像数据所包括的每一帧图像进行识别，得到每一帧图像的行人骨架节点坐标数据。行人骨架节点坐标数据包括鼻尖节点坐标数据、脊柱上止点坐标数据、脊柱下止点坐标数据、左胯关节节点坐标数据、右胯关节节点坐标数据、左膝关节节点坐标数据、右膝关节节点坐标数据、左踝关节节点坐标数据、右踝关节节点坐标数据；本实施例的行人骨架识别方法可以采用openpose等现有算法。如图3所示，本实施例所涉及的行人骨架节点包括鼻尖节点（节点0）、脊柱上止点（节点1）、脊柱下止点（节点8）、左胯关节节点（节点9）、右胯关节节点（节点12）、左膝关节节点（节点10）、右膝关节节点（节点13）、左踝关节节点（节点11）、右踝关节节点（节点14），通过行人骨架识别方法可以得到上述节点在每一帧图像中的坐标数据。
21.（2）对于每一帧图像，根据鼻尖节点坐标数据和脊柱上止点坐标数据计算行人的鼻尖和脊柱上止点的连线与水平线的第一夹角；根据脊柱上止点坐标数据和脊柱下止点坐标数据计算行人的脊柱高度；根据左膝关节节点坐标数据和右膝关节节点坐标数据计算行人的双膝距离；根据左踝关节节点坐标数据和右踝关节节点坐标数据计算行人的双踝距离；根据左胯关节节点坐标数据、左膝关节节点坐标数据和左踝关节节点坐标数据计算行人的左腿弯曲角度；根据右胯关节节点坐标数据、右膝关节节点坐标数据和右踝关节节点坐标数据计算行人的右腿弯曲角度；行人的鼻尖和脊柱上止点的连线与水平线所成的第一夹角的计算公式为：；其中，y0为节点0的y坐标；y1为节点1的y坐标；x0为节点0的x坐标；x1为节点1的x坐标。
22.行人的左腿弯曲角度的计算公式为：
；其中，x9为节点9的x坐标；x
10
为节点10的x坐标；x
11
为节点11的x坐标；y9为节点9的y坐标；y
10
为节点10的y坐标；y
11
为节点11的y坐标；d
（9,10）
为节点9和节点10之间的距离；d
（10,11）
为节点10和节点11之间的距离。
23.行人的右腿弯曲角度的计算公式为：；其中，x
12
为节点12的x坐标；x
13
为节点13的x坐标；x
14
为节点14的x坐标；y
12
为节点12的y坐标；y
13
为节点13的y坐标；y
14
为节点14的y坐标。d
（12,13）
为节点12和节点13之间的距离；d
（13,14）
为节点13和节点14之间的距离。
24.（3）计算所有图像的第一夹角的平均值，得到行人头部朝向特征；从图像数据提取一类行人头部朝向特征，记作h={h}。通过求解连续k帧内行人鼻尖和脊柱上止点连线与水平线的第一夹角的均值，得到行人在连续k帧内的头部面朝方向h，其计算公式为：；其中，为第i帧图像的第一夹角。
25.（4）根据所有图像的脊柱高度、双膝距离以及双踝距离，计算双腿运动幅度变化特征；根据所有图像的左腿弯曲角度以及右腿弯曲角度，计算双腿弯曲程度特征；双腿运动幅度变化特征和双腿弯曲程度特征组成行人运动状态特征。
26.从图像数据提取六类行人运动状态特征，记作m={m1，m2，m3，m4，m5，m6}。
27.在六类行人运动状态特征中，m1，m2描述行人的双腿运动幅度变化特征，能够较好地区分静止与运动中的行人。m1通过双膝之间距离的方差获得，m2通过双踝之间距离的方差获得，计算公式如下：；；其中，dis1为左右膝盖节点的距离（即双膝距离）除以脊柱高度的第一比值；dis2为左右脚踝节点的距离（即双踝距离）除以脊柱高度的第二比值，dis
1,i
为第i帧图像的第一比值；为所有图像的第一比值的平均值；dis
2,i
为第i帧图像的第二比值；为所有图像的第二比值的平均值。
28.第一比值和第二比值的计算公式为：
；其中，第一比值的计算公式的分子即为双膝距离，分母即为脊柱高度；x
10
为节点10的x坐标；x
13
为节点13的x坐标；y
10
为节点10的y坐标；y
13
为节点13的y坐标；x1为节点1的x坐标；x8为节点8的x坐标；y1为节点1的y坐标；y8为节点8的y坐标；第二比值的计算公式的分子即为双踝距离，分母即为脊柱高度；x
11
为节点11的x坐标；x
14
为节点14的x坐标；y
11
为节点11的y坐标；y
14
为节点14的y坐标。
29.m3，m4，m5，m6为双腿弯曲程度特征，描述双腿的弯曲程度。由于人体在运动时双腿会更加弯曲，因此该双腿弯曲程度特征能够较好地评估行人运动的剧烈程度，指示行人跑步或行走的状态。m3，m4描述行人双腿弯曲程度，通过计算行人在连续k帧内双腿弯曲角度的均值获得，m5，m6描述行人双腿过大或过小弯曲时的帧数在连续k帧内的占比。具体的，根据所有图像的左腿弯曲角度以及右腿弯曲角度，计算双腿弯曲程度特征可以包括：（4.1）计算所有图像的左腿弯曲角度的平均值，得到左腿弯曲程度；左腿弯曲程度m3的计算公式为：；其中，为第i帧图像的左腿弯曲角度。
30.（4.2）计算所有图像的右腿弯曲角度的平均值，得到右腿弯曲程度；右腿弯曲程度m4的计算公式为：；其中，为第i帧图像的右腿弯曲角度。
31.（4.3）统计所有图像中左腿弯曲角度大于第一预设角度的第一个数，统计所有图像中右腿弯曲角度大于第一预设角度的第二个数，并计算第一个数和第二个数的和值与图像总帧数的比值，得到第一占比；当第一预设角度为175度时，第一占比m5的计算公式为：；其中，n代表个数；k代表图像总帧数。
32.（4.4）统计所有图像中左腿弯曲角度小于第二预设角度的第三个数，统计所有图像中右腿弯曲角度小于第二预设角度的第四个数，并计算第三个数和第四个数的和值与图像总帧数的比值，得到第二占比；当第二预设角度为160度时，第二占比m6的计算公式为：；左腿弯曲程度、右腿弯曲程度、第一占比和第二占比即组成双腿弯曲程度特征。
33.s3：将所有所述训练样本的行人与车辆的距离特征组成第一特征样本集；利用谱聚类算法对所述第一特征样本集进行处理，得到第一标签集；将所有所述训练样本的行人头部朝向特征组成第二特征样本集；利用所述谱聚类算法对所述第二特征样本集进行处理，得到第二标签集；将所有所述训练样本的行人运动状态特征组成第三特征样本集；利用所述谱聚类算法对所述第三特征样本集进行处理，得到第三标签集；通过行人特征提取，本实施例可获得三种特征样本集，包括第一特征样本集d={d1，d2，......，dn}，第二特征样本集h={h1，h2，......，hn}，第三特征样本集m={m1，m2，......，mn}，n为样本总个数。对于每种特征样本集中的第i个数据，有di={，，}；hi={hi}；mi={，，，，，}。
34.在获得三种特征样本集后，便可进行行人与车辆交互行为状态分类。对于获取的行人特征样本集，通过谱聚类算法，识别不同行人与车辆交互状态。
35.谱聚类算法主要分两步。
36.第一，对特征样本集进行谱分解：通过对特征样本集中的原始数据进行维度变换和内积计算，将特征样本集中的原始数据分解为一组线性无关的特征向量，并选取一组特定数目的特征向量组成特征谱，该特征谱提取了原始数据关键信息，降低了数据中的噪声对聚类效果的影响，同时也降低了聚类运算的运算量。其中，选取的特征向量的数目根据特征向量对应的特征值大小判定，当前k个非零特征值大小明显低于第k+1个非零特征值时，令k为选取的特征向量数目，该特征向量数目k反映了原始数据主要可分为k种类群，因此可聚为k类。
37.第二，将原始数据投影到由前k个非零特征向量组成的特征谱中，对该投影数据进行k均值聚类，指定聚类类别数为k。k均值聚类通过计算数据间的相似度，使具有相似结构特征的样本聚到同一类别，具有不同结构特征的样本尽可能远离，聚类出k种类群。通过分析所得各类群的特征数据分布，定义出不同类群代表的实际行人与车辆交互状态含义。
38.具体的，利用谱聚类算法对第一特征样本集进行处理，得到第一标签集可以包括：对第一特征样本集进行谱分解，得到特征谱；将第一特征样本集内的数据向特征谱投影，得到投影数据；对投影数据进行k均值聚类，得到k种类群；确定每一种类群的标签，得到第一标签集。利用谱聚类算法对第二特征样本集和第三特征样本集进行处理的过程与上述过程相同，在此不再赘述。
39.更为具体的，对第一特征样本集d={d1，d2，......，dn}进行谱聚类，先对第一特征样本集中原始数据进行分析，获得维度为kd的特征谱，并使聚类数为kd。将样本数据投影到特征谱上后，获得投影数据ф（d）。对ф（d）进行聚类数为kd的k均值聚类，可将第一特征样本集划分为kd种具有不同距离分布和距离变化趋势的类群sd={，，...，}，即对于第一特征样本集d={d1，d2，......，dn}，有对应的第一标签集ld={，，...，}，其中对于第i个样本点，有，不同数字代表不同类群标签，即第一标签集包括第一特征样本集中每一样本点的标签。本实施例可根据需求对类群标签进行自定义，具体的，可根据不同类群对应的特征数据分布，对聚类出的每种类群进行行人与车辆交互状态定义。类群特征中，相对距离d1的均值越小的，说明该类行人距离车辆越近；距离的增加量d2的均值越小、距离的减少量d3的均值越大的，说明该类行人越有靠近车辆的趋势；具有这种特征分布的类群距车辆较近、且有靠近趋势，车辆对其安全警戒度应当越高，因此可定义距离较小且有靠
近趋势的类群为危险交互距离类群。同理，这三类特征反向增加的，则代表交互危险程度相对更低，定义为安全交互距离类群。
40.对第二特征样本集h={h1，h2，......，hn}进行谱聚类后，可以获得具有不同头部朝向特征的类群sh={，，...，}，且有对应的第二标签集lh={，，...，}，其中对于第i个样本点，有，kh对应第二特征样本集的聚类类群总数。对于车辆而言，头部朝向两侧的行人对车辆的注意程度较低，难以主动避让车辆，聚类类群中，h的均值越小，说明行人头部朝向与车辆行驶方向偏角越大，其对车辆的关注程度较低，车辆对其安全警戒度应当越高，因此定义h的均值较大的类群为危险交互类群。同理，h的均值较小的，则代表交互危险程度更低，定义为安全交互类群。
41.对第三特征样本集m={m1，m2，......，mn}进行谱聚类之后，可以获得具有不同双腿运动幅度以及双腿弯曲程度的类群sm={，，...，}，且有对应的第三标签集lm={，，...，}，其中对于第i个样本点，有，km对应第三特征样本集的聚类类群总数。m1、m2均值较大的类群，表明其双腿之间的距离变化更大，双腿的运动幅度更大；m3、m4均值较小的类群，表明其双腿膝关节夹角度较小，双腿更加弯曲；m5均值较小，m6均值较大的类群，表明其双腿膝关节呈大弯曲幅度的频率更高，呈小弯曲幅度的频率更低，其双腿弯曲程度也较大；具有这种特征分布的类群双腿运动幅度较大，双腿弯曲程度较大，表明行人的运动更加剧烈，运动速度以及不确定性更大，对车辆而言更为危险，因此可定义双腿运动幅度较大，双腿较为弯曲的类群为危险动作人群，而双腿运动幅度较小，双腿倾向于伸直的类群为安全动作人群。同理，这六类特征反向增加的，则代表交互危险程度相对更低，定义为安全交互距离类群。
42.s4：以所述第一特征样本集和所述第一标签集作为输入，利用分类器算法训练得到第一分类器；以所述第二特征样本集和所述第二标签集作为输入，利用所述分类器算法训练得到第二分类器；以所述第三特征样本集和所述第三标签集作为输入，利用所述分类器算法训练得到第三分类器；具体的，根据第一特征样本集d={d1，d2，......，dn}，第二特征样本集h={h1，h2，......，hn}，第三特征样本集m={m1，m2，......，mn}，以及不同特征样本集对应的标签集ld，lh，lm，通过分类器算法，训练行人与车辆交互行为分类器。以所获得的特征样本集d，h，m为输入，其对应的标签集ld，lh，lm为输出，分类器算法训练不同的行人与车辆交互行为状态分类器，分别记作第一分类器，第二分类器，第三分类器。其中，分类器算法包括但不限于支持向量机算法，多层神经网络等。利用上述过程，即可完成行人与车辆交互行为状态分类器训练。
43.s5：利用所述第一分类器、所述第二分类器和所述第三分类器识别行人与车辆的交互状态。
44.通过向分类器输入行人特征，分类器能够输出行人与车辆之间的交互状态。输入行人特征包括d，h，m，行人与车辆之间的交互状态包括：靠近或远离车辆的程度、察觉到车辆的程度、运动幅度大小。
45.为了适应现实情况中多变的行人与车辆交互状态和行为模式，同时简化识别流程，本实施例提出一种行人与车辆交互状态识别方法，从激光雷达点云数据和图像数据中提取行人相对车辆的距离和行人骨架信息，并提取出多种表征行人与车辆交互状态的特
征，对特征进行聚类学习和分类器训练，以数据驱动的方式训练得到多种行人与车辆交互状态分类器，能够对行人与车辆交互状态进行识别。
46.相较于现有技术，本实施例的识别方法的优势包括：（1）训练时间短，传输数据量少不同于传统方法直接采用行人图像数据作为行人行为识别的数据源，本识别方法从激光雷达点云数据和图像数据中提取出距离信息和行人骨架节点，以进一步提取行人与车辆交互状态的相关特征，以该相关特征作为聚类算法的输入，简化了行人与车辆交互状态识别流程，训练时间短。同时所提取的特征数据量远远小于原始激光雷达点云数据和图像数据的数据量，降低了系统中数据传输的压力。
47.（2）直观性强，方便针对具体情况对系统进行调整本识别方法采用行人骨架关键节点作为行为识别的依据，具有较强的直观性，能够较为容易地为相关特征参数赋予实际意义，可解释性较强，降低特征选取的难度，方便针对具体情况对相关特征或参数进行调整。
48.（3）无需人为定义行人与车辆交互状态数学模型，避免通过手动划定参数范围来进行交互状态识别本识别方法采用谱聚类算法将不同特征参数的行人划分为多种类别，不同类别行人具有不同的人车交互状态；根据该聚类结果，能够训练行人与车辆交互状态分类器，分类器能够根据特征参数识别不同的人车交互状态，避免传统行人行为识别方法中通过人为主观划分参数范围来判定行人行为状态的主观性和弱泛化性。
49.实施例2：本实施例用于提供一种行人与车辆交互状态识别系统，如图4和图5所示，包括：样本获取模块m1，用于获取多个训练样本；每一所述训练样本均包括车辆行驶过程中所采集的激光雷达点云数据和图像数据；特征提取模块m2，用于对于每一所述训练样本，对所述激光雷达点云数据进行处理，得到行人与车辆的距离特征；对所述图像数据进行处理，得到行人头部朝向特征和行人运动状态特征；标签生成模块m3，用于将所有所述训练样本的行人与车辆的距离特征组成第一特征样本集；利用谱聚类算法对所述第一特征样本集进行处理，得到第一标签集；将所有所述训练样本的行人头部朝向特征组成第二特征样本集；利用所述谱聚类算法对所述第二特征样本集进行处理，得到第二标签集；将所有所述训练样本的行人运动状态特征组成第三特征样本集；利用所述谱聚类算法对所述第三特征样本集进行处理，得到第三标签集；训练模块m4，用于以所述第一特征样本集和所述第一标签集作为输入，利用分类器算法训练得到第一分类器；以所述第二特征样本集和所述第二标签集作为输入，利用所述分类器算法训练得到第二分类器；以所述第三特征样本集和所述第三标签集作为输入，利用所述分类器算法训练得到第三分类器；识别模块m5，用于利用所述第一分类器、所述第二分类器和所述第三分类器识别行人与车辆的交互状态。
50.本说明书中每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法
相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
51.本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。