CN104269026B - 基于Android平台的疲劳驾驶实时监控与预警方法 - Google Patents

Abstract

一种基于Android平台的疲劳驾驶实时监控与预警方法，系统设计以搭载Android操作平台的智能手机为载体，首先将智能手机固定在方向盘中央后，利用智能手机自带的GPS定位及陀螺仪传感器，每隔1s计算并存储车辆驾驶过程中的加速度及方向盘转角数据，然后每隔10s利用小波变换从存储数据中提取加速度的db5小波尺度1归一化能量、方向盘转向角速度标准差、方向盘转向db5小波尺度4归一化能量作为疲劳程度判定指标，接下来将指标带入计数模型确定疲劳程度，预警系统将疲劳程度分为：清醒、轻度疲劳、中度疲劳、深度疲劳四级。最后根据计数模型判定结果，对不同的疲劳程度采取不同的预警措施。系统设计实现成本低，可靠性高，容易实现市场推广，系统实现不涉及车辆改装，实现驾驶状态的实时监控。

Description

基于Android平台的疲劳驾驶实时监控与预警方法

技术领域

本发明涉及车载疲劳检测及监控。

背景技术

为了减少和防止驾驶员疲劳驾驶，《中华人民共和国道路交通安全法实施条例》第六十二条第七款规定：驾驶机动车不得连续驾驶超过4小时不停车休息或者停车休息时间少于20分钟。但由于缺乏有效监管手段，难以起到减少疲劳驾驶的实际效果。车载疲劳预警系统由于可以对驾驶员或车辆运行状态进行实时监控，并择机进行干预，被视为一种重要且有效的防疲劳驾驶主动安全手段。根据英国独立交通研究机构“交通研究实验室”一份回顾车载疲劳检测设别的报告，目前世界范围内的车载疲劳检测设备达49种之多。车载疲劳防治设备已经成为目前相关行业(汽车企业、科研机构)的研究热点。

目前车载疲劳检测设备的原理主要有：

一是利用人脸识别技术，通过视频检测驾驶员的眼部运动规律来判定驾驶员是否疲劳驾驶。这种技术的缺点主要是普通视频设备检测易受光线、灰尘的影响造成误判，而利用红外视频设备监控人脸特别是眼部，长期照射存在诱发眼部疾病的危险。

二是利用多普勒雷达等生理检测设备，非接触的采集驾驶员驾驶过程中心跳、呼吸等数据，来判定驾驶员的精神状态。这种车载疲劳检测方法的缺点主要是成本太高，对市场的大量应用产生了制约。

三是利用传感设备，检测驾驶员的动作和速度，如头部位置、方向盘运动等设计疲劳识别指标。这种技术的缺点主要是涉及到车辆改装，系统生产成本较高；驾驶员车辆操作容易受道路既有线形、道路交通环境等外在因素影响，利用单一指标检测往往识别率不高；相关疲劳判定指标阈值选取无充分科学实验验证，对个体差异性考虑不到位。

发明内容

本发明的目的在于克服现有技术的不足，公开一种基于Android平台的适用于驾驶疲劳实时监控与预警方法，系统设计实现成本低，可靠性高，容易实现市场推广，系统实现不涉及车辆改装，以广泛普及的智能手机为载体，借助智能手机自带的定位功能和传感设备，实现驾驶状态的实时监控。

本发明给出的技术方案：

一种基于Android平台的适用于驾驶疲劳实时监控与预警方法，其特征在于，系统设计以搭载Android操作平台的智能手机为载体，首先将智能手机固定在方向盘中央后，利用智能手机自带的GPS定位及陀螺仪传感器，每隔1s计算并存储车辆驾驶过程中的加速度及方向盘转角数据，然后每隔10s利用小波变换(Wavelet transform)从存储数据中提取加速度的db5小波尺度1归一化能量、方向盘转向角速度标准差、方向盘转向db5小波尺度4归一化能量作为疲劳程度判定指标，接下来将指标带入计数模型(Data Count Model)确定疲劳程度，预警系统将疲劳程度分为：清醒、轻度疲劳、中度疲劳、深度疲劳四级。最后根据计数模型判定结果，对不同的疲劳程度采取不同的预警措施。

与现有技术相比，本发明的优点

1.实现成本低，可靠性高，容易实现市场推广。本系统不涉及车辆改装，以广泛普及的智能手机为载体，借助智能手机自带的定位功能和传感设备，实现驾驶状态的实时监控。

2.系统所采用疲劳检测算法运算速度快，识别精度高。检测算法采用计数模型算法，可实现疲劳判定的快速性要求；算法同时对车辆加速度及方向盘修正进行监控，利用小波变换分析数据可实现较高精度的识别率，实验显示平均精度可达93.6％。

3.系统能根据疲劳程度的不同有针对性的采取不同的预警措施，缓解驾驶员疲劳。

附图说明

图1为本发明的结构框图。

图2为本发明的软件流程图。

图3.小波变换二通道滤波器组实现原理图。

具体实施方式

基于Android平台的适用于驾驶疲劳实时监控与预警系统设计实现方法，该系统以搭载Android操作平台的智能手机为载体，首先将智能手机固定在方向盘中央后，利用智能手机自带的GPS定位及陀螺仪传感器，每隔1s计算并存储车辆驾驶过程中的加速度及方向盘转角数据，然后每隔10s利用小波变换(Wavelet transform)从存储数据中提取加速度的db5小波尺度1归一化能量、方向盘转向角速度标准差、方向盘转向db5小波尺度4归一化能量作为疲劳程度判定指标，接下来将指标带入计数模型(Data Count Model)确定疲劳程度，预警系统将疲劳程度分为：清醒、轻度疲劳、中度疲劳、深度疲劳四级。最后根据计数模型判定结果，对不同的疲劳程度采取不同的预警措施。驾驶疲劳实时监控与预警系统工作具体包括以下步骤：

a)开始驾驶，将智能手机固定在方向盘中央，启动驾驶疲劳实时监控与缓解的预警系统；

b)系统进入“绩效获取”模块：驾驶1min后，待驾驶操作稳定进入该模块。该模块下系统将进行3min的车辆加速度及方向盘转角变化数据采集工作，采集频率为1s；并每隔10s计算和存储一次加速度的db5小波尺度1归一化能量、方向盘转向角速度标准差、方向盘转向db5小波尺度4归一化能量值；

(1)加速度级方向盘转向角度的小波尺度归一能量值计算包括两个步骤：

●加速度及方向盘转向角度小波尺度分解与重构：采用二通道滤波器组与Daubechies小波对加速度及方向盘信号分别进行1层和4层分解与重构。将指标信号{x_n}与低通滤波器做卷积，再向下抽样得到低频系数{a_n}；信号与高通滤波器做卷积后再向下抽样，得到高频系数{d_n}。重构过程与此相反，重构后的信号为{y_n}。对于Daubechies小波，其低通滤波器和高通滤波器系数为：

$\tilde{h}=\left[\begin{array}{c}0.0024;-0.0089;-0.0044;\\ 0.0549;-0.0228;-0.1713;\\ 0.0979;0.5122;0.4270;0.1132\end{array}\right]$

$\tilde{g}=\left[\begin{array}{c}-0.1132;0.4270;-0.5122;\\ 0.0979;0.1713;-0.0228;\\ -0.0549;-0.0044;0.0089;0.0024\end{array}\right]$

该小波变换二通道滤波器组实现原理图，如图3所示。

●加速度及方向盘转向角度小波尺度归一化能量计算：令尺度j上的小波系数矢量为尺度j的能量定义为：

$E_j={\left|\right|W_j\left|\right|}^2={\mathrm{\Σ}}_{i=1}^n{\left|w_{\mathrm{ji}}\right|}^2---\left(1\right)$

能量序列的分布定义为各尺度的归一化能量：

p_i＝E_i/E(i＝1,2,…,M) (2)

其中总能量为：

$E={\mathrm{\Σ}}_{j=1}^M{E}_j---\left(3\right)$

(2)方向盘转向角速度标准差σ计算采用公式：

$\mathrm{\σ}=\sqrt{\frac{1}{N}{\mathrm{\Σ}}_{i=1}^N{(x_i-\mathrm{\μ})}^2}---\left(4\right)$

x_i为方向盘转向角度，μ为方向盘转向角均值。

c)系统进入“模型训练”模块：该模块用于后期疲劳程度判别模型——计数模型(Data Count Model)的参数标定。计数模型有关公式为：

P(y＝s)＝(e^(-λ)λ^s)/s！ (5)

λ＝E(y|x)＝e^xβ (6)

xβ＝β₀+x₁β₁+…+x_kβ_k (7)

S表示驾驶疲劳等级，λ表示驾驶疲劳等级的均值。该公式可用于计算出现某种驾驶疲劳等级的概率。用户可以选择经过大量样本实验得到的系统默认参数，也可以选择根据自身情况重新标定模型参数，选择后者需进行30min的驾驶过程与过程中不定时的驾驶状态自评操作。

●选择系统默认参数，λ＝exp(1.20+0.51*x₁+0.76*x₂+(-0.45)*x₃)

x₁表示加速度的db5小波尺度一归一化能量；x₂表示方向盘转向角速度标准差；x₃表示方向盘转向db5小波尺度四归一化能量；

●选择个体参数重新标定，根据自身需要自主决定一段时间的驾驶操作，驾驶过程中不定时对自身驾驶状态进行自评，驾驶状态按从清醒到深度疲劳1～10评分，随后由系统根据采集到的车辆加速度、方向盘转角数据以及对应的驾驶状态，进行计数模型中λ表达式参数β＝(β₀，β₁，β₂)^T生成，参数生成方法采用最小二乘估计法计算，公式如下

$\widehat{\mathrm{\β}}={\left(X^{T}X\right)}^{-1}{X}^{T}S---\left(8\right)$

d)系统进入“状态判别”模块：驾驶4min后进入该模块，利用计数模型(Data CountModel)，根据车辆加速度的db5小波尺度1归一化能量、方向盘转向角速度标准差、方向盘转向db5小波尺度4归一化能量值情况，对驾驶员驾驶状态进行判定。

先利用公式(6)得到疲劳程度Y的期望值。再利用公式(5)求得y在1到10的之间整数点对应的概率。最后，概率最大处的y值即为预测的疲劳程度。算法每隔1min判定一次，每次判定取最近3min驾驶数据计算得到的平均状态。该模块将疲劳程度分为：清醒、轻度疲劳、中度疲劳、深度疲劳四级。

e)系统进入“预警模块”：每次驾驶状态判定结束后启动该模块。根据不同的判定结果，模块采取不同的预警措施。

1)清醒：不采取任何措施；

2)轻度疲劳：播放轻音乐，缓解疲劳；

3)中度疲劳：低频警报声；

4)深度疲劳：高频警报声；

上述驾驶疲劳实时监控与预警系统设计实现，是以搭载Android操作平台的智能手机为载体，使用前需将手机固定在方向盘中央。

对照附图详细说明本发明的具体实施方式(实施例)

图1所示为疲劳驾驶实时监控与预警系统工作的具体流程。系统执行所述流程，完成驾驶状态的实时监控。结合图1对各步骤进行详细描述：

在步骤401中，系统提示用户选择模型训练方式，提供“采用默认参数”和“个体参数生成”两个选项。然后进入步骤402；

在步骤402中，系统判断用户选择的模型训练类型。若用户选择的是“默认参数”，则系统采用默认的疲劳程度判定模型及参数，该模型经由大量真车实验确定，并进入步骤405；若用户选择的是“个体参数生成”，系统将进入步骤403；

在步骤403中，系统启用智能手机自带的GPS定位及陀螺仪功能，测算车辆移动加速度及方向盘转角数据，数据采集频率为每1秒采集一次，共进行30min的数据前期采集。期间用户需不定时对自身驾驶状态进行评定，按驾驶状态从清醒到深度疲劳1～10打分，系统记录驾驶员驾驶状态，并每隔10s利用小波变换(Wavelet transform)从采集数据中提取加速度的db5小波尺度1归一化能量、方向盘转向角速度标准差、方向盘转向db5小波尺度4归一化能量值并存储。随后进入步骤404；

在步骤404中，系统将根据采集到的车辆加速度和方向盘转角小波能量、方向盘转向角速度标准差数据以及对应的驾驶状态，进行计数模型(DataCount Model)个体化参数生成，然后进入步骤406；

在步骤405中，系统启用智能手机自带的GPS定位及陀螺仪功能，测算车辆移动加速度及方向盘转角数据，数据采集频率为每1秒采集一次，共进行3min的数据前期采集。期间每隔10s(不足1)利用小波变换(Wavelet transform)从采集数据中提取加速度的db5小波尺度1归一化能量、方向盘转向角速度标准差、方向盘转向db5小波尺度4归一化能量值并存储。随后进入步骤406；

在步骤406中，系统利用疲劳判别模型——计数模型(Data Count Model)进行驾驶员疲劳程度的判定，每次判定根据最近3min驾驶数据小波能量值。随后进入步骤407；

在步骤407中，系统启动预警模块，首先进入步骤408；

在步骤408中，若判定疲劳程度为清醒，则不采取任何措施进入步骤415；否则进入步骤409；

在步骤409中，若判定疲劳程度为轻度疲劳，则进入步骤410，自动播放轻音乐，然后进入步骤415；否则进入步骤411；

在步骤411中，若判定疲劳程度为中度疲劳，则进入步骤412，自动播放低频警报声，然后进入步骤415；否则进入步骤413；

在步骤413中，判定疲劳程度为深度疲劳，进入步骤414，自动播放高频警报声，然后进入步骤415；

在步骤415中，系统默认用户需继续进行驾驶状态监控，进入下一轮监控循环，否则结束整个监控。

Claims (1)

1.一种基于Android平台的疲劳驾驶实时监控与预警方法，其特征在于，系统设计以搭载Android操作平台的智能手机为载体；

首先将智能手机固定在方向盘中央后，利用智能手机自带的GPS定位及陀螺仪传感器，每隔1s计算并存储车辆驾驶过程中的加速度及方向盘转角数据；

然后每隔10s利用小波变换从存储数据中提取加速度的db5小波尺度一归一化能量、方向盘转向角速度标准差、方向盘转向db5小波尺度四归一化能量作为疲劳程度判定指标；

接下来将指标带入计数模型确定疲劳程度，预警系统将疲劳程度分为：清醒、轻度疲劳、中度疲劳、深度疲劳四级；

最后根据计数模型判定结果，对不同的疲劳程度采取不同的预警措施；

具体包括以下步骤：

a)开始驾驶，将智能手机固定在方向盘中央，启动驾驶疲劳实时监控与缓解的预警系统；

b)系统进入“绩效获取”模块：驾驶1min后，待驾驶操作稳定进入该模块；该模块下系统将进行3min的车辆加速度及方向盘转角变化数据采集工作，采集频率为1s；并每隔10s计算和存储一次加速度的db5小波尺度一归一化能量、方向盘转向角速度标准差、方向盘转向db5小波尺度四归一化能量值；

(1)加速度及方向盘转向角度的小波尺度归一化能量值计算包括两个步骤：

●加速度及方向盘转向角度小波尺度分解与重构：采用二通道滤波器组与Daubechies小波对加速度及方向盘信号分别进行1层和4层分解与重构；分解过程为:将指标信号{x_n}与低通滤波器做卷积，再向下抽样得到低频系数{a_n},信号与高通滤波器做卷积后再向下抽样，得到高频系数{d_n}；重构过程与分解过程相反，重构后的信号为{y_n}；对于Daubechies小波，其低通滤波器和高通滤波器系数为：

$\tilde{h}=\left[\begin{array}{c}0.0024;-0.0089;-0.0044;\\ 0.0549;-0.0228;-0.1713;\\ 0.0979;0.5122;0.4270;0.1132\end{array}\right]$

$\tilde{g}=\left[\begin{array}{c}-0.1132;0.4270;-0.5122;\\ 0.0979;0.1713;-0.0228;\\ -0.0549;-0.044;0.0089;0.0024\end{array}\right]$

●加速度及方向盘转向角度小波尺度归一化能量计算：令尺度j上的小波系数矢量为尺度j的能量定义为：

$E_j=\left|\right|W_j|{|}^2={\mathrm{\Σ}}_{i=1}^n|w_{j_i}{|}^2---\left(1\right)$

能量序列的分布定义为各尺度的归一化能量：

p_i＝E_i/E(i＝1，2，…，M) (2)

其中总能量为：

$E={\mathrm{\Σ}}_{j=1}^M{E}_j---\left(3\right)$

(2)方向盘转向角速度标准差σ计算采用公式：

$\mathrm{\σ}=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{(x_i-\mathrm{\μ})}^2}---\left(4\right)$

x_i为方向盘转向角度，μ为方向盘转向角均值；

c)系统进入“模型训练”模块：该模块用于后期疲劳程度判别模型——计数模型(DataCount Model)的参数标定；计数模型有关公式为：

P(y＝s)＝(e^(-λ)λ^s)/s！ (5)

λ＝E(y|x)＝e^xβ (6)

xβ＝β₀+x₁β₁+…+x_kβ_k (7)

s表示驾驶疲劳等级，λ表示驾驶疲劳等级的均值；该公式可用于计算出现某种驾驶疲劳等级的概率；用户可以选择经过大量样本实验得到的系统默认参数，或者选择根据自身情况重新标定模型参数，选择后者需进行30min的驾驶过程与过程中不定时的驾驶状态自评操作；

●选择系统默认参数，

●λ＝exp(1.20+0.51*x₁+0.76*x₂+(-0.45)*x₃)

x₁表示加速度的db5小波尺度一归一化能量；x₂表示方向盘转向角速度标准差；x₃表示方向盘转向db5小波尺度四归一化能量；

●选择个体参数重新标定，根据自身需要自主决定一段时间的驾驶操作，驾驶过程中不定时对自身驾驶状态进行自评，驾驶状态按从清醒到深度疲劳1～10评分，随后由系统根据采集到的车辆加速度、方向盘转角数据以及对应的驾驶状态，进行计数模型中λ表达式参数β＝(β₀，β₁，β₂)^T生成，参数生成方法采用最小二乘估计法计算，公式如下

$\widehat{\mathrm{\β}}={\left(X^{T}X\right)}^{-1}{X}^{T}S---\left(8\right)$

d)系统进入“状态判别”模块：驾驶4min后进入该模块，利用计数模型(Data CountModel)，根据车辆加速度的db5小波尺度一归一化能量、方向盘转向角速度标准差、方向盘转向db5小波尺度四归一化能量值情况，对驾驶员驾驶状态进行判定；

先利用公式(6)得到疲劳程度y的期望值；再利用公式(5)求得y在1到10的之间整数点对应的概率；最后，概率最大处的y值即为预测的疲劳程度；算法每隔1min判定一次，每次判定取最近3min驾驶数据计算得到的平均状态；该模块将疲劳程度分为：清醒、轻度疲劳、中度疲劳、深度疲劳四级；

e)系统进入“预警模块”：每次驾驶状态判定结束后启动该模块,根据不同的判定结果，模块采取不同的预警措施：

1)清醒：不采取任何措施；

2)轻度疲劳：播放轻音乐，缓解疲劳；

3)中度疲劳：低频警报声；

4)深度疲劳：高频警报声。