1.一种前车换道意图预测方法，其特征在于，所述前车换道意图预测方法包括：建立以自车车头中心点为零点的动态栅格地图，基于语义分割的方法获取前方车辆的轮廓特征与车道线，并检测前方障碍车辆车头中心与自车的相对距离；

利用栅格坐标表示前方障碍车辆实时位置，获取前车的位置信息，并根据前车的横纵向速度，分析前方障碍车辆的相关运动状态信息；

将动态栅格地图与混合高斯隐马尔科夫模型相结合，进行前车换道行为的预测；

所述前车换道意图预测方法包括：

步骤一，建立动态栅格地图，并将前方障碍车辆在建立的动态栅格地图上进行表示；

步骤二，采用基于语义分割的方法通过将图像分为多个区域并提取每个区域特征实现物体分类，得到前方车辆的轮廓特征；利用VGG16基础网络为预训练网络，构建SegNet分割网络模型，基于MATLAB与含有对象类语义标签的CamVid数据集进行迁移学习训练；

步骤三，建立基于混合高斯隐马尔科夫的换道预测模型；

步骤四，利用建立的基于混合高斯隐马尔科夫的换道预测模型进行前车换道行为的预测；

步骤三中，所述基于混合高斯隐马尔科夫的换道预测模型建立方法包括：

1)设置观测状态参数：进行前方障碍车辆的横向速度vh、前方障碍车辆的纵向速度vz、前方障碍车辆车头中心位于的栅格单元横坐标i与纵坐标j四种观测状态参数的设置；

2)建立混合高斯隐马尔科夫模型：

λ＝{A，B，π，S，O}；

λ＝{A，π，ciq，μiq，∑iq}；

式中：λ表示混合高斯隐马尔科夫模型；A表示状态转移概率矩阵，A＝[aij]＝P(qt+1＝sj|qt＝si)，aij表示t时刻状态为si时t+1时刻转移为状态sj的概率，且 B表示状态观测输出概率矩阵，B＝[bi(Ok)]，bi(k)表示前车状态为si时，输出变量为Ok的概率，且 其中Q表示高斯混合数目，ciq表示前车状态为si第q个混合函数的混合权重，μiq与∑iq分别表示混合函数的均值矩阵与协方差矩阵；π表示初始状态概率向量，且∑πi＝1；S表示隐藏状态的数量；O表示观测变量的数量；

3)训练获取混合高斯隐马尔科夫模型参数：使用MATLAB的HMM工具箱对训练样本进行学习训练，得到换道意图的混合高斯隐马尔科夫模型，采用Baum‑Welch算法获得前方障碍车辆换道模型参数A、π、ciq、μiq、∑iq，获得完整的混合高斯隐马尔科夫模型λ；

4)验证换道预测模型的准确性：将验证样本输入到混合高斯隐马尔科夫模型中，采用Viterbi算法解码换道状态，获得三种换道状态中最大概率值对应的状态，表示此刻预测的前方障碍车辆的换道行为。

2.如权利要求1所述前车换道意图预测方法，其特征在于，步骤一中，所述栅格地图建立方法包括：将车辆坐标系下的前方车辆信息转换到局部坐标系下，以自车车头中心所在位置为零点，选取周围一定范围的区域，设置栅格单元的分辨率，并将该区域划分为一定数量栅格的地图。

3.如权利要求1所述前车换道意图预测方法，其特征在于，步骤一中，所述前方障碍车辆在建立的动态栅格地图上的表示方法包括：通过获取前方障碍车辆车头中心相对于自车车头中心的相对横向距离dh与相对纵向距离dz，计算前方障碍车辆车头中心所落在的栅格单元(i，j)，采用(i，j)表示该车车头中心的实时位置，并根据检测到的前车尺寸测算出其所占用的栅格坐标。

4.如权利要求1所述前车换道意图预测方法，其特征在于，所述混合高斯隐马尔科夫模型参数设置如下：S表示隐藏状态的数量，前方障碍车辆隐藏状态设置为三种：左换道、保持车道与右换道，即S＝3；

O表示观测变量的数量，观测状态参数共计4种，即O＝4；

状态转移概率矩阵A由左换道、保持车道与右换道三种状态相互转换概率组成；

获取状态观测输出概率矩阵B等同于获取ciq、μiq、Σiq三个参数；

T

初始状态概率向量π随机设置为π[0 1 0]。

5.一种实施权利要求1～4任意一项所述前车换道意图预测方法的前车换道意图预测系统，其特征在于，所述前车换道意图预测系统包括：动态栅格地图构建模块，用于建立动态栅格地图，并将前方障碍车辆在建立的动态栅格地图上进行表示；

分割网络模型构建与迁移学习训练模块，用于采用基于语义分割的方法通过将图像分为多个区域并提取每个区域特征实现物体分类，得到前方车辆的轮廓特征；利用VGG16基础网络为预训练网络，构建SegNet分割网络模型，基于MATLAB与含有对象类语义标签的CamVid数据集进行迁移学习训练；

换道预测模型构建模块，用于建立基于混合高斯隐马尔科夫的换道预测模型；

前车换道行为预测模块，利用建立的基于混合高斯隐马尔科夫的换道预测模型进行前车换道行为的预测。

6.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：建立以自车车头中心点为零点的动态栅格地图，并检测前方障碍车辆车头中心与自车的相对距离；

利用栅格坐标表示前方障碍车辆实时位置，获取前车的位置信息，并根据前车的横纵向速度，分析前方障碍车辆的相关运动状态信息；

将动态栅格地图与混合高斯隐马尔科夫模型相结合，进行前车换道行为的预测；

步骤一，建立动态栅格地图，并将前方障碍车辆在建立的动态栅格地图上进行表示；

步骤二，采用基于语义分割的方法通过将图像分为多个区域并提取每个区域特征实现物体分类，得到前方车辆的轮廓特征；利用VGG16基础网络为预训练网络，构建SegNet分割网络模型，基于MATLAB与含有对象类语义标签的CamVid数据集进行迁移学习训练；

步骤三，建立基于混合高斯隐马尔科夫的换道预测模型；

步骤四，利用建立的基于混合高斯隐马尔科夫的换道预测模型进行前车换道行为的预测；

步骤三中，所述基于混合高斯隐马尔科夫的换道预测模型建立方法包括：

1)设置观测状态参数：进行前方障碍车辆的横向速度vh、前方障碍车辆的纵向速度vz、前方障碍车辆车头中心位于的栅格单元横坐标i与纵坐标j四种观测状态参数的设置；

2)建立混合高斯隐马尔科夫模型：

λ＝{A，B，π，S，O}；

λ＝{A，π，ciq，μiq，∑iq}；

式中：λ表示混合高斯隐马尔科夫模型；A表示状态转移概率矩阵，A＝[aij]＝P(qt+1＝sj|qt＝si)，aij表示t时刻状态为si时t+1时刻转移为状态sj的概率，且 B表示状态观测输出概率矩阵，B＝[bi(Ok)]，bi(k)表示前车状态为si时，输出变量为Ok的概率，且 其中Q表示高斯混合数目，ciq表示前车状态为si第q个混合函数的混合权重，μiq与∑iq分别表示混合函数的均值矩阵与协方差矩阵；π表示初始状态概率向量，且∑πi＝1；S表示隐藏状态的数量；O表示观测变量的数量；

3)训练获取混合高斯隐马尔科夫模型参数：使用MATLAB的HMM工具箱对训练样本进行学习训练，得到换道意图的混合高斯隐马尔科夫模型，采用Baum‑Welch算法获得前方障碍车辆换道模型参数A、π、ciq、μiq、∑iq，获得完整的混合高斯隐马尔科夫模型λ；

4)验证换道预测模型的准确性：将验证样本输入到混合高斯隐马尔科夫模型中，采用Viterbi算法解码换道状态，获得三种换道状态中最大概率值对应的状态，表示此刻预测的前方障碍车辆的换道行为。

7.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：建立以自车车头中心点为零点的动态栅格地图，并检测前方障碍车辆车头中心与自车的相对距离；

利用栅格坐标表示前方障碍车辆实时位置，获取前车的位置信息，并根据前车的横纵向速度，分析前方障碍车辆的相关运动状态信息；

将动态栅格地图与混合高斯隐马尔科夫模型相结合，进行前车换道行为的预测；

步骤一，建立动态栅格地图，并将前方障碍车辆在建立的动态栅格地图上进行表示；

步骤二，采用基于语义分割的方法通过将图像分为多个区域并提取每个区域特征实现物体分类，得到前方车辆的轮廓特征；利用VGG16基础网络为预训练网络，构建SegNet分割网络模型，基于MATLAB与含有对象类语义标签的CamVid数据集进行迁移学习训练；

步骤三，建立基于混合高斯隐马尔科夫的换道预测模型；

步骤四，利用建立的基于混合高斯隐马尔科夫的换道预测模型进行前车换道行为的预测；

步骤三中，所述基于混合高斯隐马尔科夫的换道预测模型建立方法包括：

1)设置观测状态参数：进行前方障碍车辆的横向速度vh、前方障碍车辆的纵向速度vz、前方障碍车辆车头中心位于的栅格单元横坐标i与纵坐标j四种观测状态参数的设置；

2)建立混合高斯隐马尔科夫模型：

λ＝{A，B，π，S，O}；

λ＝{A，π，ciq，μiq，∑iq}；

式中：λ表示混合高斯隐马尔科夫模型；A表示状态转移概率矩阵，A＝[aij]＝P(qt+1＝sj|qt＝si)，aij表示t时刻状态为si时t+1时刻转移为状态sj的概率，且 B表示状态观测输出概率矩阵，B[bi(Ok)]，bi(k)表示前车状态为si时，输出变量为Ok的概率，且 其中Q表示高斯混合数目，ciq表示前车状态为si第q个混合函数的混合权重，μiq与∑iq分别表示混合函数的均值矩阵与协方差矩阵；π表示初始状态概率向量，且∑πi＝1；S表示隐藏状态的数量；O表示观测变量的数量；

3)训练获取混合高斯隐马尔科夫模型参数：使用MATLAB的HMM工具箱对训练样本进行学习训练，得到换道意图的混合高斯隐马尔科夫模型，采用Baum‑Welch算法获得前方障碍车辆换道模型参数A、π、ciq、μiq、∑iq，获得完整的混合高斯隐马尔科夫模型λ；

4)验证换道预测模型的准确性：将验证样本输入到混合高斯隐马尔科夫模型中，采用Viterbi算法解码换道状态，获得三种换道状态中最大概率值对应的状态，表示此刻预测的前方障碍车辆的换道行为。