本发明属于汽车智能交互技术领域，尤其涉及一种基于图分类的危险场景识别方法及系统。
背景技术：
随着汽车智能化的起步，人们对于汽车良好的体验的需求，使得人们希望汽车越来越懂自己，并且根据自己的状态和需求定制对应的服务内容和辅助驾驶。
驾驶员对于危险场景识别不准确或识别迟缓是导致交通事故的重要原因之一，当前，危险场景识别方法存在很多问题，具体而言，在识别交通危险场景时，现有方法多是对交通环境中的要素(如车辆和非机动车等)分别进行识别并计算场景总体的危险程度，存在识别不准确等问题。并且由于没有统一的表示框架，导致不同的信息判断方法不同，存在运算量大识别迟缓，判断结果出现分歧时无法统一等问题。
技术实现要素：
为解决现有技术中交通危险场景识别准确率低、技术难度大，没有统一的框架表示交通场景的问题，本发明的目的是提供一种基于图分类的城区交通环境危险场景识别方法及系统，通过建立统一的框架表示交通场景，实现城区交通环境危险场景识别，提高交通危险场景识别准确率，且本发明有很强的环境适应性，所识别出的交通危险场景更加符合实际的驾驶环境，提高驾驶安全性。
本发明的目的是通过下述技术方案实现的：
本发明公开的一种基于图分类的城区交通环境危险场景识别方法，包括如下步骤：
根据采集的驾驶员操作信息，提取驾驶特征参数，使用单目摄像机和激光雷达采集本车周边交通场景信息。
根据采集的交通场景信息提取交通场景动静态特征，根据采集的交通场景动静态特征使用图方法表示为有节点标签的无向图；通过所述有节点标签的无向图表示方法将复杂的交通场景在统一框架下表示，即通过有节点标签的无向图表示方法建立统一的框架表示交通场景，简化交通场景的复杂程度，提取关键的交通场景信息。
在得到用于离线训练的危险场景标签时，训练分类器所使用的有节点标签无向图的危险场景标签为根据驾驶操作信息和车辆行驶信息聚类得到的，根据驾驶操作信息和车辆行驶信息聚类得到有节点标签无向图的危险场景标签的方法定义为危险场景标签生成方法。通过危险场景标签生成方法能够更符合数据的分布特征，通过驾驶信息精确识别交通场景中的危险场景；同时该危险场景标签生成方法得到的是驾驶员或无人驾驶系统对交通场景的个性化评价，有助于学习驾驶员或无人驾驶系统的个性化驾驶风格，提供个性化的驾驶辅助。
在识别交通场景危险等级时，根据生成的有节点标签无向图和危险场景标签训练分类器，识别交通场景危险等级，将复杂的危险交通场景识别问题转化为复杂度较低的图分类问题，提高运算速度和危险场景识别的准确率，节约运算资源。
还包括应用所述一种基于图分类的城区交通环境危险场景识别方法提高驾驶性能的步骤：利用基于图分类实现城区交通环境危险场景识别，根据驾驶操作信息和车辆行驶信息聚类得到危险场景标签，生成更符合数据分布特征的标签，通过驾驶信息精确识别交通场景中的危险场景，提高交通危险场景识别准确率，使所识别出的交通危险场景更加符合实际的驾驶环境，有助于学习驾驶员或无人驾驶系统的个性化驾驶风格，提供个性化的驾驶辅助，提高驾驶环境适应性和驾驶安全性。
进一步地，通过车辆can总线采集驾驶员操作信息，通过布设在车上的设备传感器采集驾驶车辆的车辆行驶信息，使操作数据采集更准确。
进一步地，使用单目摄像机和激光雷达采集本车周边交通场景信息，具体包括，
通过架设在前车窗的单目摄像机采集驾驶员视角下的交通场景图像信息，采集驾驶员视角的图像信息有助于理解驾驶员判断危险场景的决策依据，通过架设在车顶的激光雷达采集本车周边交通场景点云信息；
根据得到的交通场景图像和点云信息，通过预设的多传感器信息融合程序和目标识别程序，提取本车周边交通场景信息，本专利优选卡尔曼滤波作为多传感器信息融合程序和yolov3作为目标识别程序。
所述的交通场景，包括本车车道内前方有车场景、本车右侧车道内有车场景和本车左侧车道内有车场景中至少一种；
所述的交通场景信息，包括周边车辆的标注框信息、车道线信息、交通场景图像信息、周边车辆相对于本车的距离信息、交通场景点云信息。
进一步地，根据采集的交通场景信息提取交通场景动静态特征，具体包括，
根据采集到的交通场景信息提取交通场景静态特征，根据提取的车道线信息将交通场景图像划分为5x4的网格区域，根据周边车辆的标注框信息确定车辆所在网格位置，得到车辆的(x,y)坐标。
根据采集到的交通场景信息提取交通场景动态特征，根据采集的周边车辆相对于本车的距离信息计算相对于本车的速度，并根据本车运行特征参数中的本车速度得到交通场景中所有车辆的绝对速度。
进一步地，提取所述交通场景静态特征，具体实现方法为：
根据提取的车道线信息将交通场景图像横向划分为五个区域；所述的五个区域包含三条车道以及两条车道线；根据所述图像上标注的车道线信息，以道路消失点为终点，将交通场景图像纵向划分为三个区域，从而将路面划分为5x4的网格；所述5x4的网格包括路面横向划分的五个区域以及路面纵向划分的三个区域加上本车所在的一个区域，网格左下角顶点为零点，横轴为x轴纵轴为y轴，得到5x4网格坐标。根据周边车辆的标注框底边所在的网格确定车辆所属网格位置和(x,y)坐标，确定的车辆所属网格位置和(x,y)坐标即为提取的所述交通场景静态特征。
进一步地，为了解决不同场景车道数量不一致的问题，将本车位置始终固定于5x4网格的坐标(3,1)处，将交通场景中的车道和本车周边车辆投影到网格坐标上。
进一步地，根据采集的交通场景动静态特征使用图方法表示为有节点标签的无向图，具体实现方法为：
将所述采集的每一帧交通场景信息序列中的车辆(包含本车)定义为节点，车辆所属网格位置之间的距离定义为边，从而得到每一帧交通场景序列的无向图；从所述交通场景动态特征中提取车辆绝对速度，将车辆绝对速度在预设自监督聚类算法中聚类得到速度聚类标签，与车辆的(x,y)坐标编码从而进一步得到节点标签；根据所述的无向图和节点标签得到每一帧交通场景信息序列的带有节点标签的无向图，实现根据采集的交通场景动静态特征使用图方法表示为有节点标签的无向图，从而将复杂的交通场景在统一框架下表示，即通过有节点标签的无向图表示方法建立统一的框架表示交通场景，简化交通场景的复杂程度。
进一步地，根据生成的交通场景有节点标签的无向图，识别交通场景危险等级，具体实现方法为：
根据得到的带有节点标签的无向图，在预设的危险场景识别分类器中进行分类，根据所述分类器给出的分类结果识别交通场景的危险等级。
进一步地，建立所述预设的危险场景识别分类器，具体实现方法为：
在识别前的离线阶段，从所述操作信息中提取本车运行特征参数，根据本车运行特征参数在预设的自监督聚类算法中进行聚类，聚类结果作为与所述本车运行特征参数相对应的交通场景危险级别标签；
同时根据采集的交通场景信息，得到所述的带有节点标签的无向图；
通过无向图和交通场景危险级别的关系预先训练危险场景识别分类器；
其中所述本车运行特征参数包括但不限于：本车加速度、方向盘转角、方向盘角加速度。
本发明公开的一种基于图分类的危险场景识别系统，用于实现所述一种基于图分类的危险场景识别方法，包括数据采集模块、交通场景特征提取模块、图场景表示模块和危险场景识别模块；
数据采集模块，用于采集驾驶员操作信息以及本车周边交通场景信息；
交通场景特征提取模块，用于根据采集的交通场景信息，提取交通场景动静态特征；
图场景表示模块，用于根据提取的交通场景动静态特征，生成有节点标签的无向图；
危险场景识别模块，用于根据生成的有节点标签的无向图，识别对应交通场景的危险等级。
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书、权利要求书以及附图中所特别指出的内容中来实现和获得。
有益效果：
1、本发明公开的一种基于图分类的危险场景识别方法及系统，根据采集的驾驶员操作信息，提取驾驶特征参数，使用单目摄像机和激光雷达采集本车周边交通场景信息，根据采集的交通场景信息提取交通场景动静态特征，根据采集的交通场景动静态特征使用图方法表示为有节点标签的无向图；通过所述有节点标签的无向图表示方法将复杂的交通场景在统一框架下表示，即通过有节点标签的无向图表示方法建立统一的框架表示交通场景，简化交通场景的复杂程度，提取关键的交通场景信息，即将危险交通场景识别问题转化为复杂度较低的图分类问题，提高识别速度和危险场景识别的准确率，节约识别运算资源。
2、本发明公开的一种基于图分类的危险场景识别方法及系统，提出一种危险场景标签生成方法，利用基于图分类实现城区交通环境危险场景识别，根据驾驶操作信息和车辆行驶信息聚类得到危险场景标签，生成更符合数据分布特征的标签，通过驾驶信息精确识别交通场景中的危险场景，提高交通危险场景识别准确率，使所识别出的交通危险场景更加符合实际的驾驶环境，有助于学习驾驶员或无人驾驶系统的个性化驾驶风格，提供个性化的驾驶辅助，提高驾驶环境适应性和驾驶安全性。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1为本发明公开的一种基于图分类的危险场景识别方法流程示意图；
图2为本发明公开的一种基于图分类的危险场景识别系统示意图。
具体实施方式
为了更好的说明本发明的目的和优点，下面结合附图和实例对发明内容做进一步说明。
实施例1：
如图1所示，本实施例公开的一种基于图分类的城区交通环境危险场景识别方法，具体实现方法如下：
步骤s101、根据采集的驾驶员操作信息，提取驾驶特征参数，使用单目摄像机和激光雷达采集本车周边交通场景信息。
具体的，通过车辆can总线采集驾驶员操作信息，通过布设在车上的设备传感器采集驾驶车辆的车辆行驶信息，所述车辆行驶信息包括车辆的速度信息、姿态信息、当前车况信息、车辆行驶轨迹信息等。通过架设在前车窗的单目摄像机采集驾驶员视角下的交通场景图像信息，通过架设在车顶的激光雷达采集本车周边交通场景点云信息；根据得到的交通场景图像和点云信息，通过预设的多传感器信息融合程序和目标识别程序，提取本车周边交通场景信息(例如，周边车辆的标注框信息，车道线信息，交通场景图像信息，周边车辆相对于本车的距离信息，交通场景点云信息)。
本发明实施例中，所述的交通场景，包括本车车道内前方有车场景、本车右侧车道内有车场景和本车左侧车道内有车场景中至少一种。
步骤s102、根据采集的交通场景信息提取交通场景动静态特征，根据采集的交通场景动静态特征使用图方法表示为有节点标签的无向图；通过所述有节点标签的无向图表示方法将复杂的交通场景在统一框架下表示，即通过有节点标签的无向图表示方法建立统一的框架表示交通场景，简化交通场景的复杂程度，提取关键的交通场景信息。
具体实施时，根据采集到的交通场景信息提取交通场景静态特征，根据提取的车道线信息，将交通场景图像横向划分为五个区域；所述的五个区域包含三条车道以及两条车道线并在每一帧图像上标注出来；根据所述图像上标注的车道线信息，以道路消失点为终点，将交通场景图像纵向划分为三个区域，从而将路面划分为5x4的网格；所述5x4的网格包括路面横向划分的五个区域以及路面纵向划分的三个区域加上本车所在的一个区域，网格左下角顶点为零点，横轴为x轴，纵轴为y轴，得到5x4网格坐标。根据周边车辆的标注框底边所在的网格确定车辆所属网格位置和(x,y)坐标。根据采集到的交通场景信息提取交通场景动态特征，通过采集的周边车辆相对于本车的距离信息计算相对于本车的速度，并根据本车运行特征参数中的本车速度得到交通场景中所有车辆的绝对速度。
步骤s103、根据采集的交通场景动静态特征使用图方法表示为有节点标签的无向图；
具体的，将所述采集的每一帧交通场景信息序列中的车辆(包含本车)定义为节点，车辆所属网格位置之间的距离定义为边时，包括：在根据所述每一帧交通场景图像信息划分的5x4网格上，网格左下角顶点为零点，横轴为x轴，纵轴为y轴，得到5x4网格坐标。车辆(包含本车)被定义为节点，并依据其标注框底边所在的网格确定(x,y)坐标，本车由于没有标注框信息，因此始终位于(3,1)坐标处。以每辆车为中心，判断其前后一格，左右两格内是否有车辆，若有车辆则定义两车之间有边连接，从而根据以上定义生成交通场景无向图。
从所述交通场景动态特征中提取车辆绝对速度，将车辆绝对速度在自监督聚类算法，如gmm算法，中聚类得到速度聚类标签c，与车辆的x坐标和y坐标排列编码从而进一步得到节点标签；根据所述的无向图和节点标签得到每一帧交通场景信息序列的带有节点标签的无向图g(t)。
步骤s104、根据生成的交通场景有节点标签的无向图，识别交通场景危险等级。
具体的，根据得到的带有节点标签的无向图g(t)，在预设的危险场景识别分类器中进行分类，根据所述分类器给出的分类结果识别交通场景的危险等级。
本实施例中，所述的危险等级包括但不限于为：不危险，轻度危险和重度危险。
上述预设分类器的建立过程具体包括：在离线状态的预设时间内采集驾驶员的操作信息和本车运行特征参数(如，方向盘转角加速度ω(t)和本车加速度a(t))，利用预设的自监督聚类算法，如gmm算法，对采集的操作信息和特征参数聚类，聚类结果定义为交通场景不危险
根据所述的分类器识别出与所述相关交通场景信息对应的交通场景危险等级过程具体包括：使用单目摄像机和激光雷达采集本车周边交通场景信息，提取出的上述的带有节点标签的无向图g(t)并输入到所述的分类器中，得到交通场景危险等级
本发明实施例提供的一种基于图分类的城区交通环境危险场景识别方法，能够通过主动采集本车周边的交通场景信息，通过图方法统一表示交通场景动静态特征识别出交通场景的危险等级；所述方法能够解决现有技术中交通危险场景识别准确率低、技术难度大，缺乏统一框架表示的问题，提高了交通危险场景识别的准确性，并且有很强的环境适应性，因而，所识别出的交通危险场景更加符合实际的驾驶环境。
实施例2
如图2所示，本实施例公开一种基于图分类的城区交通环境危险场景识别系统，所述系统具体包括数据采集模块、交通场景特征提取模块、图场景表示模块和危险场景识别模块；
数据采集模块，用于根据采集的驾驶员操作信息，提取驾驶特征参数，使用单目摄像机和激光雷达采集本车周边交通场景信息；
数据采集模块通过can总线采集驾驶员操作信息，通过布设在车上的设备传感器采集驾驶车辆的车辆行驶信息，所述车辆行驶信息包括车辆的速度信息、姿态信息、当前车况信息、车辆行驶轨迹信息等。通过架设在前车窗的单目摄像机采集驾驶员视角下的交通场景图像信息，通过架设在车顶的激光雷达采集本车周边交通场景点云信息；根据得到的交通场景图像和点云信息，通过预设的多传感器信息融合程序和目标识别程序，提取本车周边交通场景信息(例如，周边车辆的标注框信息，车道线信息，交通场景图像信息，周边车辆相对于本车的距离信息，交通场景点云信息)。
本发明实施例中，所述的交通场景，包括本车车道内前方有车场景、本车右侧车道内有车场景和本车左侧车道内有车场景中至少一种。
交通场景特征提取模块，用于根据采集的交通场景信息，提取交通场景动静态特征。
交通场景特征提取模块根据采集到的交通场景信息提取交通场景静态特征，根据提取的车道线信息，将交通场景图像横向划分为五个区域；所述的五个区域包含三条车道以及两条车道线并在每一帧图像上标注出来；根据所述图像上标注的车道线信息，以道路消失点为终点，将交通场景图像纵向划分为三个区域，从而将路面划分为5x4的网格；所述5x4的网格包括路面横向划分的五个区域以及路面纵向划分的三个区域加上本车所在的一个区域，网格左下角顶点为零点，横轴为x轴，纵轴为y轴，得到5x4网格坐标。根据周边车辆的标注框底边所在的网格确定车辆所属网格位置和(x,y)坐标。根据采集到的交通场景信息提取交通场景动态特征，通过采集的周边车辆相对于本车的距离信息计算相对于本车的速度，并根据本车运行特征参数中的本车速度得到交通场景中所有车辆的绝对速度。
图场景表示模块，用于根据采集的交通场景动静态特征使用图方法表示为有节点标签的无向图；
图场景表示模块将所述采集的每一帧交通场景信息序列中的车辆(包含本车)定义为节点，车辆所属网格位置之间的距离定义为边时，包括：在根据所述每一帧交通场景图像信息划分的5x4网格上，网格左下角顶点为零点，横轴为x轴，纵轴为y轴，得到5x4网格坐标。车辆(包含本车)被定义为节点，并依据其标注框底边所在的网格确定(x,y)坐标，本车由于没有标注框信息，因此始终位于(3,1)坐标处。以每辆车为中心，判断其前后一格，左右两格内是否有车辆，若有车辆则定义两车之间有边连接，从而根据以上定义生成交通场景无向图。
从所述交通场景动态特征中提取车辆绝对速度，将车辆绝对速度在自监督聚类算法，如gmm算法，中聚类得到速度聚类标签c，与车辆的x坐标和y坐标排列编码从而进一步得到节点标签；根据所述的无向图和节点标签得到每一帧交通场景信息序列的带有节点标签的无向图g(t)。
危险场景识别模块，用于根据生成的交通场景有节点标签的无向图，识别交通场景危险等级；
危险场景识别模块根据得到的带有节点标签的无向图g(t)，在预设的危险场景识别分类器中进行分类，根据所述分类器给出的分类结果识别交通场景的危险等级。
本发明实施例中，所述的危险等级包括但不限于为：不危险，轻度危险和重度危险。
上述预设分类器的建立过程具体包括：在离线状态的预设时间内采集驾驶员的操作信息和本车运行特征参数(如，方向盘转角加速度ω(t)和本车加速度a(t))，利用预设的自监督聚类算法，如gmm算法，对采集的操作信息和特征参数聚类，聚类结果定义为交通场景不危险
根据所述的分类器识别出与所述相关交通场景信息对应的交通场景危险等级过程具体包括：使用单目摄像机和激光雷达采集本车周边交通场景信息，提取出的上述的带有节点标签的无向图g(t)并输入到所述的分类器中，得到交通场景危险等级
本发明实施例提供的一种基于图分类的城区交通环境危险场景识别系统，能够通过主动采集本车周边的交通场景信息，通过图方法统一表示交通场景动静态特征识别出交通场景的危险等级；本发明实施例能够解决现有技术中交通危险场景识别准确率低、技术难度大，缺乏统一框架表示的问题，提高了交通危险场景识别的准确性，并且有很强的环境适应性，因而，所识别出的交通危险场景更加符合实际的驾驶环境。
需要说明的是，上述实施例之间，其相同或相似之处可相互借鉴。尤其对于系统实施例而言，由于其基本相似与方法实施例，所以，描述的比较简单，相关之处参见方法实施例的部分说明即可。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
1.一种基于图分类的城区交通环境危险场景识别方法，其特征在于：包括如下步骤，
根据采集的驾驶员操作信息，提取驾驶特征参数，使用单目摄像机和激光雷达采集本车周边交通场景信息；
根据采集的交通场景信息提取交通场景动静态特征，根据采集的交通场景动静态特征使用图方法表示为有节点标签的无向图；通过所述有节点标签的无向图表示方法将复杂的交通场景在统一框架下表示，即通过有节点标签的无向图表示方法建立统一的框架表示交通场景，简化交通场景的复杂程度，提取关键的交通场景信息；
在得到用于离线训练的危险场景标签时，训练分类器所使用的有节点标签无向图的危险场景标签为根据驾驶操作信息和车辆行驶信息聚类得到的，根据驾驶操作信息和车辆行驶信息聚类得到有节点标签无向图的危险场景标签的方法定义为危险场景标签生成方法；通过危险场景标签生成方法能够更符合数据的分布特征，通过驾驶信息精确识别交通场景中的危险场景；同时该危险场景标签生成方法得到的是驾驶员或无人驾驶系统对交通场景的个性化评价，有助于学习驾驶员或无人驾驶系统的个性化驾驶风格，提供个性化的驾驶辅助；
在识别交通场景危险等级时，根据生成的有节点标签无向图和危险场景标签训练分类器，识别交通场景危险等级，将复杂的危险交通场景识别问题转化为复杂度较低的图分类问题，提高运算速度和危险场景识别的准确率，节约运算资源。
2.如权利要求1所述的一种基于图分类的城区交通环境危险场景识别方法，其特征在于：还包括应用所述一种基于图分类的城区交通环境危险场景识别方法提高驾驶性能的步骤，利用基于图分类实现城区交通环境危险场景识别，根据驾驶操作信息和车辆行驶信息聚类得到危险场景标签，生成更符合数据分布特征的标签，通过驾驶信息精确识别交通场景中的危险场景，提高交通危险场景识别准确率，使所识别出的交通危险场景更加符合实际的驾驶环境，有助于学习驾驶员或无人驾驶系统的个性化驾驶风格，提供个性化的驾驶辅助，提高驾驶环境适应性和驾驶安全性。
3.如权利要求1或2所述的一种基于图分类的城区交通环境危险场景识别方法，其特征在于：通过车辆can总线采集驾驶员操作信息，通过布设在车上的设备传感器采集驾驶车辆的车辆行驶信息，使操作数据采集更准确；
使用单目摄像机和激光雷达采集本车周边交通场景信息，具体包括，
通过架设在前车窗的单目摄像机采集驾驶员视角下的交通场景图像信息，采集驾驶员视角的图像信息有助于理解驾驶员判断危险场景的决策依据，通过架设在车顶的激光雷达采集本车周边交通场景点云信息。
4.如权利要求3所述的一种基于图分类的城区交通环境危险场景识别方法，其特征在于：
根据得到的交通场景图像和点云信息，通过预设的多传感器信息融合程序和目标识别程序，提取本车周边交通场景信息，选卡尔曼滤波作为多传感器信息融合程序和yolov3作为目标识别程序；
所述的交通场景，包括本车车道内前方有车场景、本车右侧车道内有车场景和本车左侧车道内有车场景中至少一种；
所述的交通场景信息，包括周边车辆的标注框信息、车道线信息、交通场景图像信息、周边车辆相对于本车的距离信息、交通场景点云信息。
5.如权利要求1或2所述的一种基于图分类的城区交通环境危险场景识别方法，其特征在于：根据采集的交通场景信息提取交通场景动静态特征，具体包括，
根据采集到的交通场景信息提取交通场景静态特征，根据提取的车道线信息将交通场景图像划分为5x4的网格区域，根据周边车辆的标注框信息确定车辆所在网格位置，得到车辆的(x,y)坐标；
根据采集到的交通场景信息提取交通场景动态特征，根据采集的周边车辆相对于本车的距离信息计算相对于本车的速度，并根据本车运行特征参数中的本车速度得到交通场景中所有车辆的绝对速度。
6.如权利要求1或2所述的一种基于图分类的城区交通环境危险场景识别方法，其特征在于：提取所述交通场景静态特征，具体实现方法为，
根据提取的车道线信息将交通场景图像横向划分为五个区域；所述的五个区域包含三条车道以及两条车道线；根据所述图像上标注的车道线信息，以道路消失点为终点，将交通场景图像纵向划分为三个区域，从而将路面划分为5x4的网格；所述5x4的网格包括路面横向划分的五个区域以及路面纵向划分的三个区域加上本车所在的一个区域，网格左下角顶点为零点，横轴为x轴纵轴为y轴，得到5x4网格坐标；根据周边车辆的标注框底边所在的网格确定车辆所属网格位置和(x,y)坐标，确定的车辆所属网格位置和(x,y)坐标即为提取的所述交通场景静态特征。
7.如权利要求1或2所述的一种基于图分类的城区交通环境危险场景识别方法，其特征在于：根据生成的交通场景有节点标签的无向图，识别交通场景危险等级，具体实现方法为，
根据得到的带有节点标签的无向图，在预设的危险场景识别分类器中进行分类，根据所述分类器给出的分类结果识别交通场景的危险等级。
8.如权利要求1或2所述的一种基于图分类的城区交通环境危险场景识别方法，其特征在于：建立所述预设的危险场景识别分类器，具体实现方法为，
在识别前的离线阶段，从所述操作信息中提取本车运行特征参数，根据本车运行特征参数在预设的自监督聚类算法中进行聚类，聚类结果作为与所述本车运行特征参数相对应的交通场景危险级别标签；
同时根据采集的交通场景信息，得到所述的带有节点标签的无向图；
通过无向图和交通场景危险级别的关系预先训练危险场景识别分类器；
其中所述本车运行特征参数包括但不限于：本车加速度、方向盘转角、方向盘角加速度。
9.如权利要求1或2所述的一种基于图分类的城区交通环境危险场景识别方法，其特征在于：根据采集的交通场景动静态特征使用图方法表示为有节点标签的无向图，具体实现方法为，
将所述采集的每一帧交通场景信息序列中的车辆(包含本车)定义为节点，车辆所属网格位置之间的距离定义为边，从而得到每一帧交通场景序列的无向图；从所述交通场景动态特征中提取车辆绝对速度，将车辆绝对速度在预设自监督聚类算法中聚类得到速度聚类标签，与车辆的(x,y)坐标编码从而进一步得到节点标签；根据所述的无向图和节点标签得到每一帧交通场景信息序列的带有节点标签的无向图，实现根据采集的交通场景动静态特征使用图方法表示为有节点标签的无向图，从而将复杂的交通场景在统一框架下表示，即通过有节点标签的无向图表示方法建立统一的框架表示交通场景，简化交通场景的复杂程度。
10.一种基于图分类的城区交通环境危险场景识别系统，用于实现如权利要求1或2所述的一种基于图分类的城区交通环境危险场景识别方法，其特征在于：包括数据采集模块、交通场景特征提取模块、图场景表示模块和危险场景识别模块；
数据采集模块，用于采集驾驶员操作信息以及本车周边交通场景信息；
交通场景特征提取模块，用于根据采集的交通场景信息，提取交通场景动静态特征；
图场景表示模块，用于根据提取的交通场景动静态特征，生成有节点标签的无向图；
危险场景识别模块，用于根据生成的有节点标签的无向图，识别对应交通场景的危险等级。
技术总结