CN104207791B

CN104207791B - 一种疲劳驾驶检测方法

Info

Publication number: CN104207791B
Application number: CN201410425869.0A
Authority: CN
Inventors: 陈志勇; 靳海伟; 杨乐; 彭力; 杨佩; 莫子兴; 蔡岗
Original assignee: Jiangnan University; Traffic Management Research Institute of Ministry of Public Security
Current assignee: Jiangnan University; Traffic Management Research Institute of Ministry of Public Security
Priority date: 2014-08-26
Filing date: 2014-08-26
Publication date: 2017-02-15
Anticipated expiration: 2034-08-26
Also published as: CN104207791A

Abstract

本发明公开了一种疲劳驾驶检测方法，属于汽车安全驾驶领域，通过采集驾驶员的行为指标(主要为方向盘数据、驾驶时间和驾驶车速)，进行信息预处理，得到疲劳生理参数作为检测指标变量，然后利用疲劳指标变量对BP神经网络进行训练建立相应的疲劳检测网络模型，利用该模型进行疲劳检测。本发明通过实时采集车辆数据，能在不影响驾驶员驾驶操作的情况下，客观、准确判断驾驶人员的疲劳状态。

Description

一种疲劳驾驶检测方法

技术领域

本发明涉及一种疲劳驾驶检测方法，属于汽车行驶安全领域。

背景技术

随着社会经济的发展和人们生活水平的提高，整个社会对交通运输的需求日益增加。交通量的快速增长使道路交通状况恶化，导致交通安全事故、环境污染、交通拥挤、经济损失等一系列严重的社会问题，尤其以涉及客运车辆的重特大交通事故更是引起了社会的广泛关注。驾驶员疲劳驾驶是重特大交通事故的主要原因之一。统计数据表明：由驾驶疲劳引起的交通事故占事故总数的20％左右，占特大交通事故的40％以上。在我国，2008年因疲劳驾驶导致的道路交通事故共2568起，其中死亡1353人，受伤3129人，造成的直接损失约5738万元。疲劳驾驶事故率高，后果严重，一直威胁着我国的交通安全。

实时检测驾驶员疲劳程度并及时给出警告信息可以较大程度地减少疲劳驾驶的情况发生，传统的检测方法是：主观评测方法或者客观评测方法(生理参数检测、行为特征检测)，主观评测法主要依靠驾驶员的主观因素来进行判断，很难量化疲劳的等级和程度，又因个人的理解存在一定的差异，填写的准确性必然大打折扣。因此一般只作为试验研究的辅助手段。疲劳驾驶客观的评测方法是通过监测驾驶员生理信息、驾驶员操作行为以及车辆信息，来判断驾驶员的疲劳状态，分为基于生理参数检测和行为特征检测两种手段。基于生理参数的检测主要有基于脑电图、眼电图、肌电图、心电图、呼吸气流(鼻声传感器)、呼吸效果(胸腔部传感器)、动脉血液氧饱和(手指探针)时的体温(用红外线耳朵探针获得)等测量方法。基于行为特征的检测方法主要有PERCLOS检测、头部位置检测、视线方向检测、嘴部状态检测、方向盘转动情况的检测、车辆行驶速度检测、车道偏离检测等。尽管基于驾驶员生理参数测量的测评方法的结果比较准确，由于一般是在驾驶前或者驾驶后测量，因此不能满足实时性的要求，而且在驾驶过程中由于传感器、电极或者其他检测仪器会直接接触驾驶员身体，将影响驾驶员的正常驾驶。

发明内容

本发明目的在于提供一种基于驾驶员行为指标的疲劳检测方法，能通过采集车辆行驶过程中的车辆自身信息来检测驾驶人员的疲劳程度。

为实现上述目的，本发明一种疲劳驾驶检测方法采用驾驶时间、方向盘角度、速度、车辆速度作为判断疲劳是否出现的驾驶行为特征，来判别是否属于疲劳驾驶。具体包括如下步骤：

(1)数据采集

利用驾驶模拟器或实装进行驾驶训练，按周期T1实时采集车速V、方向盘角度θ，被试人员按周期T2对自身疲劳状态进行自我评估一次，疲劳状态分为清醒和疲劳；

(2)建立疲劳指标变量

对采集到的车速V和方向盘角度θ数据进行分组，每组数据长度为L,利用方向盘角度θ计算出以下指标变量：

第一变量：方向盘角度均方差；

第二变量：方向盘角度过线面积S；

第三变量：方向盘速度均方差；

利用车速V计算出第四变量：车辆速度均方差；

根据被试人员按周期T2对自身疲劳状态进行自我评估的结果，统计得出驾驶员随驾驶时间的变化的疲劳时间函数F(x)为第五变量；

(3)利用疲劳指标变量对BP神经网络进行训练建立网络模型

将步骤(2)中的指标变量分为训练数据集和验证数据集，训练数据集包括第一变量、第二变量、第三变量和第四变量，验证数据集包括第五变量；①利用训练数据集中所有数据样本对BP神经网络进行训练，采用反向传播(BP)算法，以最小化疲劳判决错误率更新神经网络的连接权重和激励函数阈值；②训练后用验证数据集的样本带入，计算对验证数据集的判决错误率；上述①和②过程重复进行，直到当使用训练数据集获得的判决错误率不断减小而使用验证数据集获得的判决错误率开始上升时，终止训练并生成可用于疲劳检测的BP神经网络。

(4)按照步骤(1)方法实时采集汽车行驶中车速、方向盘角度，按照步骤(2)方法计算出指标变量，带入步骤(3)中生成的疲劳检测的BP神经网络，生成疲劳指数，判断驾驶员的疲劳程度。

本发明通过采集汽车行驶过程中的自身数据，处理形成驾驶人员的行为信息，经过训练生成可用于疲劳检测的BP神经网络，应用时将采集的车辆数据带入疲劳检测神经网络，在不影响驾驶员驾驶操作的情况下，就可以准确判断驾驶人员的疲劳状态。

具体实施方式

一种疲劳驾驶检测方法，包括以下步骤：

(1)数据采集

(2)建立疲劳指标变量

第一变量：方向盘角度均方差；

第二变量：方向盘角度过线面积S；

第三变量：方向盘速度均方差；

利用车速V计算出第四变量：车辆速度均方差；

(3)利用疲劳指标变量对BP神经网络进行训练建立网络模型

(4)按照步骤(1)方法实时采集汽车行驶中车速、方向盘角度，按照步骤(2)方法计算出指标变量，带入步骤(3)中生成的疲劳检测的BP神经网络，生成疲劳指数，判断驾驶员疲劳程度。

优选的，为保证采样数据不丢失信息，所述T1不大于0.5s，20min≥T2≥10min,

优选的，为保证疲劳指标变量的统计特性，数据长度L不小于20。

优选的，当采样周期T1为0.1s，T2为15min时，数据长度L为300，处理出的指标变量更接近于实际情况。

进一步，为减小不同驾驶者驾驶习惯或个人差异对指标变量造成的影响，要对每组中的指标变量进行归一化处理，所述方向盘角度过线面积S的计算公式为：

其中

Claims

1.一种疲劳驾驶检测方法，包括以下步骤：

(1)数据采集

(2)建立疲劳指标变量

第一变量：方向盘角度均方差；

第二变量：方向盘角度过线面积S；

S = Σ_{i}^{L} \frac{| {θ^{,}}_{i} | + | {θ^{,}}_{i + 1} |}{2} \times T 1

其中，

第三变量：方向盘速度均方差；

利用车速V计算出第四变量：车辆速度均方差；

F (x) = \{\begin{matrix} 0 & x < 40 \min \\ \frac{1}{10} (x - 40) & 40 \min < x < 60 \min \\ 2 + \frac{9}{20} (x - 60) & 60 \min < x < 100 \min \\ 20 + \frac{3}{4} (x - 100) & 100 \min < x < 140 \min \\ 50 + \frac{1}{4} (x - 140) & 140 \min < x < 260 \min \end{matrix}

(3)利用疲劳指标变量对BP神经网络进行训练建立网络模型

将步骤(2)中的指标变量分为训练数据集和验证数据集，训练数据集包括第一变量、第二变量、第三变量和第四变量，验证数据集包括第五变量；①利用训练数据集中所有数据样本对BP神经网络进行训练，采用反向传播(BP)算法，以最小化疲劳判决错误率更新神经网络的连接权重和激励函数阈值；②训练后用验证数据集的样本带入，计算对验证数据集的判决错误率；上述①和②过程重复进行，直到当使用训练数据集获得的判决错误率不断减小而使用验证数据集获得的判决错误率开始上升时，终止训练并生成可用于疲劳检测的BP神经网络；

2.根据权利要求1所述的一种疲劳驾驶检测方法，其特征在于，所述T1不大于0.5s，20min≥T2≥10min。

3.根据权利要求1所述的一种疲劳驾驶检测方法，其特征在于，所述L不小于20。

4.根据权利要求1所述的一种疲劳驾驶检测方法，其特征在于，所述T1为0.1s，T2为15min,L为300。

5.根据权利要求1至4任一所述的一种疲劳驾驶检测方法，其特征在于，所述方向盘角度过线面积S的计算公式为：

S = Σ_{i}^{L} \frac{| {θ^{,}}_{i} | + | {θ^{,}}_{i + 1} |}{2} \times T 1.