CN104688252A - 采用方向盘转角信息的驾驶人疲劳状态检测方法 - Google Patents

Abstract

本发明公开了一种采用方向盘转角信息的驾驶人疲劳状态检测方法，具体为：步骤1：实时采集方向盘转角数据和车速数据；步骤2：对步骤1所得的方向盘转角数据和车速数据进行切片处理；步骤3：按照设定条件选择有效样本数据；步骤4：进行样本数据压缩处理；步骤5：提取疲劳特征指标；步骤6：将步骤5提取出的疲劳特征指标作为测试样本，并利用基于支持向量机的预测模型进行疲劳预测，从而得到驾驶人的疲劳状态。其显著效果是：算法简单，数据的采集和处理方便，能有效提取实车工况下方向盘转角的疲劳特征指标并能有效检测驾驶人疲劳状况，检测率高，同时便于工程实现，对不同驾驶者表现出了较高的工程泛化能力。

Description

采用方向盘转角信息的驾驶人疲劳状态检测方法

技术领域

本发明涉及到人机环境工程学技术领域，具体地说，是一种采用方向盘转角信息的驾驶人疲劳状态检测方法。

背景技术

疲劳驾驶是导致交通事故的主要原因之一，方向盘转角数据能实时反应驾驶人的转向操作特性，同时又可能通过非接触驾驶人的方式获取，因此，基于方向盘转角的驾驶人疲劳状态检测已成为汽车安全检测的一个研究热点。

当驾驶人处于驾驶疲劳状态时，驾驶人对环境的感知能力、形势的判断能力和车辆的操控能力都会有所下降，导致其对车辆的容忍误差变大、控制精度降低，从而车辆控制变量(方向盘转角)会出现异常波动，因此，驾驶人的转向操作特性差异反应了不同驾驶人的疲劳等级状态。然而，实车工况下的驾驶人转向操作数据由于受到安全因素的影响，使得各种疲劳状态下的样本数据采集异常困难。现有的技术往往基于实验室环境下的仿真数据，通过提取方向转角数据的过零点百分比以及大幅修正次数等特征指标进行疲劳辨识，这些疲劳指标表征了方向转角变量的绝对量化统计特性，在实验室环境下具有较高的疲劳等级检测率。但在实车工况条件下，方向盘转角数据往往存在很强的漂移现象，使得现有技术所提取的方向转角疲劳特征并不明显以及存在疲劳状态检测的正确率不高的问题。

发明内容

本发明在清华大学汽车安全与节能国家重点实验室开放基金项目：“基于时空特征的疲劳驾驶行为动态演化建模与稳健优化”(项目编号：KF14212)的支持下，提出了一种采用方向盘转角信息的驾驶人疲劳状态检测方法，目的就是为了克服现有技术对实车工况下方向盘转角的疲劳特征指标不明显以及疲劳检测率不高的技术问题，同时便于工程实现，对不同驾驶者表现出较高的工程泛化能力。

为达到上述目的，本发明所采用的具体技术方案如下：

一种采用方向盘转角信息的驾驶人疲劳状态检测方法，其关键在于按照以下步骤进行：

步骤1：按照采样频率f实时采集方向盘转角数据和车速数据；

步骤2：按照时间长度t对步骤1所得的方向盘转角数据和车速数据进行切片处理；

步骤3：按照设定条件从步骤2所得的数据片中筛选出有效样本数据；

步骤4：按照设定规则将有效样本数据中的方向盘转角数据进行样本数据压缩；

步骤5：从步骤4处理后的方向盘转角数据中提取疲劳特征指标；

步骤6：将步骤5提取出的疲劳特征指标作为测试样本的特征向量，并将样本特征向量送入基于支持向量机的预测模型进行疲劳状态预测，从而得到驾驶人的疲劳状态。

作为进一步描述，所述采样频率f的取值为100Hz，所述时间长度t的取值为60s，所述筛选条件为：每个采样点的方向盘转角的绝对值不大于20°，每个采样点的车速不小于70Km/h，通过设置预定的采样频率和一定时间长度的切片时间，使得每一数据片有6000个采样点，便于特征提取和数据分析，通过设定车速和方向盘转角的限制条件，保证样本数据的有效性，使其重点针对车辆高速、方向盘小范围转动情况下的驾驶人疲劳检测。

再进一步描述，步骤4中所述的样本数据压缩步骤如下：

步骤4-1：将有效样本数据中的方向盘转角数据记为数组Z，数据压缩后的长度设为W，按照a＝fix(L_Z/2),b＝fix(L_Z/W)计算系数a和b；

其中，函数fix(x)表示返回不大于x的整数，L_Z表示数组Z的长度；

步骤4-2：新建空数组Za，从数组Z的第a-(W/2)×b+1个数据开始，按照间隔为b进行数据抽取，直到数组的最后一个元素结束，并将抽取出的数据依次赋值给新的数组Za；

步骤4-3：按照c＝fix((L_Za-W)/2)计算系数c，其中L_Za表示数组Za的长度；

步骤4-4：新建空数组Z*，从数组Za的第c个数据开始，依次选择W个数据赋值到数组Z*中，Z*即为数组Z经过设定规则压缩后的数组。

通过样本数据压缩处理后，每一个测试样本的长度相互统一，一方面可以克服数据采样时的漏帧现象，另一方面便于后续步骤进行特征提取和疲劳状态的判断。

作为优选，步骤4中数据压缩后的长度W设为3000～4000。

结合采样数据的统计特性，步骤5中提取的疲劳特征指标所构成的特征向量为X＝[F₁,F₂,F₃,F₄]，其中：

$F_1=\sqrt{\frac{\underset{i=1}{\overset{W}{\mathrm{\Σ}}}{(z_i-u)}^2}{W}},F_2=Z_{\max }-Z_{\min },F_3=\frac{Z_{\max }}{\sqrt{D}},F_4=\frac{1}{W}\underset{i=1}{\overset{W}{\mathrm{\Σ}}}{\left(\frac{z_i-u}{\mathrm{\σ}}\right)}^4$

式中z_i表示样本数据中第i个方向盘转角数据的采样值，u为样本数据的均值，D表示样本数据平方均值，Z_max表示样本数据的最大值，Z_min表示样本数据的最小值，σ表示样本数据的标准差。

作为一种疲劳预测方式，步骤6中所述的基于支持向量机的预测模型为二级疲劳预测模型，具体按照：

$L=\mathrm{sgn}(\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_j\×\exp (-1.5{\left|\right|S_j-X\left|\right|}^2)+d)$ 计算，其中sgn()为符号函数，S_j表示训练样本特征矩阵S中第j行的行向量，w_j表示S_j对应的权重系数，d为修正系数，n为训练样本特征矩阵S的行数，且式中的S_j、w_j、d以及n均是利用二级疲劳预测模型训练而得；

当预测结果L为1时，该测试样本对应的驾驶人处于疲劳状态；

当预测结果L为-1时，该测试样本对应的驾驶人处于清醒状态。

作为另一种疲劳预测方式，步骤6中所述的基于支持向量机的预测模型为三级疲劳预测模型，具体按照：

$P=\left\{\begin{array}{ccc}-1& \mathrm{if}& p_1=p_2\\ 1& \mathrm{if}& p_1=p_3\\ 3& \mathrm{if}& p_2=p_3\end{array}\right.$ 进行判断；

当预测结果P为-1时，该测试样本对应的驾驶人处于清醒状态；

当预测结果P为1时，该测试样本对应的驾驶人处于疲劳状态；

当预测结果P为3时，该测试样本对应的驾驶人处于非常疲劳状态，且：

$p_1=\left\{\begin{array}{ccc}-1& \mathrm{if}& f(X,C_{\mathrm{ap}1},C_{\mathrm{bp}1},X_{\mathrm{ap}1},X_{\mathrm{bp}1},e_{p1})>0\\ 1& \mathrm{if}& f(X,C_{\mathrm{ap}1},C_{\mathrm{bp}1},X_{\mathrm{ap}1},X_{\mathrm{bp}1},e_{p1})\≤0\end{array}\right.;$

$p_2=\left\{\begin{array}{ccc}-1& \mathrm{if}& f(X,C_{\mathrm{ap}2},C_{\mathrm{bp}2},X_{\mathrm{ap}2},X_{\mathrm{bp}2},e_{p2})>0\\ 3& \mathrm{if}& f(X,C_{\mathrm{ap}2},C_{\mathrm{bp}2},X_{\mathrm{ap}2},X_{\mathrm{bp}2},e_{p2})\≤0\end{array}\right.;$

$p_3=\left\{\begin{array}{ccc}1& \mathrm{if}& f(X,C_{\mathrm{ap}3},C_{\mathrm{bp}3},X_{\mathrm{ap}3},X_{\mathrm{bp}3},e_{p3})>0\\ 3& \mathrm{if}& f(X,C_{\mathrm{ap}3},C_{\mathrm{bp}3},X_{\mathrm{ap}3},X_{\mathrm{bp}3},e_{p3})\≤0\end{array}\right.;$

函数 $f(X,C_a,C_b,X_a,X_b,e)=$

$\mathrm{sgn}(\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{C}_a^j\×\exp (-1.5{\left|\right|X_a^j-X\left|\right|}^2)+\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{C}_b^j\×\exp (-1.5{\left|\right|X_b^j-X\left|\right|}^2)+e);$

其中X,C_a,C_b,X_a,X_b,e表示函数的输入变量，sgn()为符号函数，为向量C_a中的第j个元素的值，为向量C_b中的第j个元素的值，X为测试样本的特征向量，为训练样本特征矩阵X_a中第j行的行向量，为训练样本特征矩阵X_b中第j行的行向量，n为训练样本特征矩阵X_a的行数，C_ap1,C_bp1,X_ap1,X_bp1,e_p1，C_ap2,C_bp2,X_ap2,X_bp2,e_p2，C_ap3,C_bp3,X_ap3,X_bp3,e_p3均是利用三级疲劳预测模型训练而得样本参数。

本发明的显著效果是：算法简单，数据的采集和处理方便，能有效提取实车工况下方向盘转角的疲劳特征指标并能有效检测驾驶人疲劳状况，检测率高，同时便于工程实现，对不同驾驶者表现出了较高的工程泛化能力。

附图说明

图1是本发明的方法流程图。

具体实施方式

下面结合附图对本发明的具体实施方式以及工作原理作进一步详细说明。

如图1所示，一种采用方向盘转角信息的驾驶人疲劳状态检测方法，具体步骤如下：

步骤1：按照采样频率f实时采集方向盘转角数据和车速数据，这里的采样频率f取值为100Hz；

步骤2：按照时间长度t对步骤1所得的方向盘转角数据和车速数据进行切片处理，这里的时间长度t取值为60s；

步骤3：按照设定的条件从步骤2所得的数据片中筛选出有效样本数据，这里的筛选条件为：每个采样点的方向盘转角的绝对值不大于20°，每个采样点的车速不小于70Km/h；

步骤4：将有效样本数据中的方向盘转角数据进行样本数据压缩处理；

所述的样本数据压缩处理步骤如下：

步骤4-1：将有效样本数据中的方向盘转角数据记为数组Z，数据压缩后的长度设为W，按照a＝fix(L_Z/2),b＝fix(L_Z/W)计算系数a和b；

其中，函数fix(x)表示返回不大于x的整数，L_Z表示数组Z的长度；

步骤4-2：新建空数组Za，从数组Z的第a-(W/2)×b+1个数据开始，按照间隔为b进行数据抽取，直到数组的最后一个元素结束，并将抽取出的数据依次赋值给新的数组Za；

步骤4-3：按照c＝fix((L_Za-W)/2)计算系数c，其中L_Za表示数组Za的长度；

步骤4-4：新建空数组Z*，从数组Za的第c个数据开始，依次选择W个数据赋值到数组Z*中，Z*即为数组Z经过设定规则压缩后的数组。

步骤4中数据压缩后的长度W通常设为3000～4000，本例中优选为4000，从而将所有的样本数据统一为长度为4000的样本片。

步骤5：从步骤4处理后的方向盘转角数据中提取疲劳特征指标；

本例中提取的疲劳特征指标所构成的特征向量为X＝[F₁,F₂,F₃,F₄]，其中：

$F_1=\sqrt{\frac{\underset{i=1}{\overset{W}{\mathrm{\Σ}}}{(z_i-u)}^2}{W}},F_2=Z_{\max }-Z_{\min },F_3=\frac{Z_{\max }}{\sqrt{D}},F_4=\frac{1}{W}\underset{i=1}{\overset{W}{\mathrm{\Σ}}}{\left(\frac{z_i-u}{\mathrm{\σ}}\right)}^4$

式中z_i表示样本数据中第i个方向盘转角数据的采样值，u为样本数据的均值，D表示样本数据平方均值，Z_max表示样本数据的最大值，Z_min表示样本数据的最小值，σ表示样本数据的标准差。

步骤6：将步骤5提取出的疲劳特征指标作为测试样本的特征向量，并样本特征向量送入基于支持向量机(Support Vector Machine，图中简写为SVM)的预测模型进行疲劳状态预测，从而得到驾驶人的疲劳状态。

作为一种实施方式：

步骤6中所述的基于支持向量机的预测模型为二级疲劳预测模型，具体按照：

$L=\mathrm{sgn}(\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_j\×\exp (-1.5{\left|\right|S_j-X\left|\right|}^2)+d)$ 计算，其中sgn()为符号函数，S_j表示训练样本特征矩阵S中第j行的行向量，w_j表示S_j对应的权重系数，d为修正系数，n为训练样本特征矩阵S的行数，且式中的S_j、w_j、d以及n均是利用二级疲劳预测模型训练而得；

当预测结果L为1时，该测试样本对应的驾驶人处于疲劳状态；

当预测结果L为-1时，该测试样本对应的驾驶人处于清醒状态。

基于本例而言：

首先用顺序最小优化方法求解满足下式的n维向量w；

$\max =\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_i-\frac{1}{2}\underset{i,j=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_j{w}_j{y}_i{y}_j<S_i,S_j>,$

$\begin{array}{cc}s.t& 0<w_i<1,\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_i{y}_i=0\end{array}$

其中，s.t表示限定条件，y_j表示训练样本S_j的标签值，且y_j∈(-1,1)，＜S_i,S_j＞表示向量S_i与S_j内积运算；

然后按照计算出加权向量V；

最后按照y_i(V^T·S_i+d)-1＝0求d；

本例中采用了26个4维特征训练样本S＝[S₁S₂…S₂₆]，训练得出权重系数W＝[w₁w₂…w₂₆]，修正系数d＝0.096,其中：

W₁＝[0.9086 0.8648 0.9040 1.0000 1.0000 0.9043 0.8569 1.0000 1.0000]

W₂＝[1.0000 0.8569 1.0000 1.0000 -1.0000 -0.9950 -1.0000 -0.6108 -1.0000]

W₃＝[-1.0000 -1.0000 -1.0000 -1.0000 -1.0000 -0.6897 -1.0000 -1.0000]

W₁中的各个元素依次对应为系数w₁～w₉的值，W₂中的各个元素依次对应为系数w₁₀～w₁₈的值，W₃中的各个元素依次对应为系数w₁₉～w₂₆的值，所采用的方向转角特征训练样本依次为：

$S_1=\left[\begin{array}{ccccccccc}7.2744& 7.5725& 6.1442& 6.6108& 6.0695& 7.0728& 4.0970& 5.2020& 3.4208\\ 5.2961& 3.2603& 12.0996& 2.9215& 2.8563& 3.9161& 3.7701& 12.7181& 3.8757\\ 1.3982& 1.2151& 2.4729& 1.2269& 1.1960& 1.2131& 1.6595& 3.0839& 1.5406\\ 4.8235& 2.3463& 4.6303& 3.4010& 4.5534& 6.3344& 3.7374& 36.5443& 2.8124\end{array}\right]$

$S_2=\left[\begin{array}{ccccccccc}4.0843& 2.7744& 1.2019& 3.9108& 3.2950& 3.4415& 2.9701& 3.6132& 6.3073\\ 3.4220& 10.0483& 5.5354& 3.8011& 4.3761& 4.9946& 3.9503& 5.5136& 21.4485\\ 1.4745& 2.3790& 3.4461& 1.5518& 1.6277& 1.8465& 1.6121& 1.6882& 2.5691\\ 2.8463& 3.7468& 3.9541& 3.0454& 2.3651& 4.4795& 2.6458& 3.8386& 3.8632\end{array}\right]$

$s_3=\left[\begin{array}{cccccccc}6.6088& 5.9293& 0.7973& 3.2280& 4.2090& 3.3907& 3.6658& 5.1451\\ 6.4491& 3.0086& 5.6659& 5.2401& 5.2836& 4.0715& 5.7809& 4.8174\\ 1.3937& 1.1975& 4.3992& 1.8560& 1.8111& 1.6972& 1.8793& 1.4399\\ 3.3541& 3.9388& 4.8731& 2.9524& 6.9024& 3.2756& 6.0711& 3.7717\end{array}\right]$

S₁中的每一个列向量依次对应为训练样本S₁～S₉的值，S₂中的每一个列向量依次对应为训练样本S₁₀～S₁₈的值，S₃中的每一个列向量依次对应为训练样本S₁₉～S₂₆的值，通过基于支持向量机的预测模型，利用26组训练样本即可准确的对测试样本进行分类判别，最终确定出该测试样本所对应的驾驶人疲劳状态。

作为另一种实施方式：

步骤6中所述的基于支持向量机的预测模型为三级疲劳预测模型，具体按照：

$P=\left\{\begin{array}{ccc}-1& \mathrm{if}& p_1=p_2\\ 1& \mathrm{if}& p_1=p_3\\ 3& \mathrm{if}& p_2=p_3\end{array}\right.$ 进行判断；

当预测结果P为-1时，该测试样本对应的驾驶人处于清醒状态；

当预测结果P为1时，该测试样本对应的驾驶人处于疲劳状态；

当预测结果P为3时，该测试样本对应的驾驶人处于非常疲劳状态，且：

$p_1=\left\{\begin{array}{ccc}-1& \mathrm{if}& f(X,C_{\mathrm{ap}1},C_{\mathrm{bp}1},X_{\mathrm{ap}1},X_{\mathrm{bp}1},e_{p1})>0\\ 1& \mathrm{if}& f(X,C_{\mathrm{ap}1},C_{\mathrm{bp}1},X_{\mathrm{ap}1},X_{\mathrm{bp}1},e_{p1})\&le;0\end{array}\right.;$

$p_2=\left\{\begin{array}{ccc}-1& \mathrm{if}& f(X,C_{\mathrm{ap}2},C_{\mathrm{bp}2},X_{\mathrm{ap}2},X_{\mathrm{bp}2},e_{p2})>0\\ 3& \mathrm{if}& f(X,C_{\mathrm{ap}2},C_{\mathrm{bp}2},X_{\mathrm{ap}2},X_{\mathrm{bp}2},e_{p2})\&le;0\end{array}\right.;$

$p_3=\left\{\begin{array}{ccc}1& \mathrm{if}& f(X,C_{\mathrm{ap}3},C_{\mathrm{bp}3},X_{\mathrm{ap}3},X_{\mathrm{bp}3},e_{p3})>0\\ 3& \mathrm{if}& f(X,C_{\mathrm{ap}3},C_{\mathrm{bp}3},X_{\mathrm{ap}3},X_{\mathrm{bp}3},e_{p3})\&le;0\end{array}\right.;$

函数 $f(X,C_a,C_b,X_a,X_b,e)=$

$\mathrm{sgn}(\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{C}_a^j\&times;\exp (-1.5{\left|\right|X_a^j-X\left|\right|}^2)+\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{C}_b^j\&times;\exp (-1.5{\left|\right|X_b^j-X\left|\right|}^2)+e);$

其中X,C_a,C_b,X_a,X_b,e表示函数的输入变量，sgn()为符号函数，为向量C_a中的第j个元素的值，为向量C_b中的第j个元素的值，X为测试样本的特征向量，为训练样本特征矩阵X_a中第j行的行向量，为训练样本特征矩阵X_b中第j行的行向量，n为训练样本特征矩阵X_a的行数，C_ap1,C_bp1,X_ap1,X_bp1,e_p1，C_ap2,C_bp2,X_ap2,X_bp2,e_p2，C_ap3,C_bp3,X_ap3,X_bp3,e_p3均是利用三级疲劳预测模型训练而得样本参数。

在本例中，通过三级疲劳预测模型训练而得样本参数为：

$C_{\mathrm{ap}1}=\left[\begin{array}{c}0.9968\\ 1.0000\\ 0.9968\\ 0.9975\\ 1.0000\\ 1.0000\\ -0.9968\\ -1.0000\\ -0.9961\\ -1.0000\\ -0.9991\\ 0.9991\end{array}\right];$ $C_{\mathrm{bp}1}=\left[\begin{array}{c}0.8264\\ 0.8264\\ 0.8265\\ 0.8264\\ 1.0000\\ 0.8411\\ 0.8433\\ 0.8544\\ 0.8435\\ 1.0000\\ 0.8520\\ 0.8459\end{array}\right];$ $C_{\mathrm{ap}2}=\left[\begin{array}{c}0.9968\\ 1.0000\\ 0.9968\\ 0.9975\\ 1.0000\\ 1.0000\\ -0.5297\\ -0.8512\\ -0.9710\\ -1.0000\\ -0.7948\\ -1.0000\end{array}\right];$ $C_{\mathrm{bp}2}=\left[\begin{array}{c}0.8264\\ 0.8264\\ 0.8265\\ 0.8264\\ 1.0000\\ 0.8411\\ -0.5046\\ -0.8702\\ -0.9364\\ -1.0000\\ -1.0000\\ -0.9281\end{array}\right];$

$C_{\mathrm{ap}3}=\left[\begin{array}{c}-0.9968\\ -1.0000\\ -0.9961\\ -1.0000\\ -0.9991\\ -0.9991\\ -0.5297\\ -0.8512\\ -0.9710\\ -1.0000\\ -0.7948\\ -1.0000\end{array}\right];$ $C_{\mathrm{bp}3}=\left[\begin{array}{c}0.8433\\ 0.8544\\ 0.8435\\ 1.0000\\ 0.8520\\ 0.8459\\ -0.5046\\ -0.8702\\ -0.9364\\ -1.0000\\ -1.0000\\ -0.9281\end{array}\right];$

e_p1＝0.0028；e_p2＝0.1735；e_p3＝0.1511；

为了简化运算，本例将训练样本选择为：

$X_{\mathrm{ap}1}=X_{\mathrm{bp}1}=\left[\begin{array}{cccc}10.3589& 3.7576& 1.2357& 4.0854\\ 3.7276& 4.3730& 1.8031& 5.6879\\ 9.7849& 7.3163& 1.1888& 10.4905\\ 9.7490& 9.8805& 1.3111& 17.3715\\ 4.9874& 3.0428& 1.3776& 3.4590\\ 6.7323& 3.4686& 1.2892& 4.1333\\ 3.4659& 9.1096& 2.8925& 4.5264\\ 5.4384& 4.2145& 1.3188& 4.7925\\ 4.3213& 7.7203& 2.1085& 4.8306\\ 5.8096& 6.2875& 1.5068& 2.8181\\ 8.8377& 5.2122& 1.3253& 2.4616\\ 9.7653& 6.7569& 1.3611& 3.1761\end{array}\right];$

$X_{\mathrm{ap}2}=X_{\mathrm{bp}2}=\left[\begin{array}{cccc}10.3589& 3.7576& 1.2357& 4.0854\\ 3.7276& 4.3730& 1.8031& 5.6879\\ 9.7849& 7.3163& 1.1888& 10.4905\\ 9.7490& 9.8805& 1.3111& 17.3715\\ 4.9874& 3.0428& 1.3776& 3.4590\\ 6.7323& 3.4686& 1.2892& 4.1333\\ 5.5163& 5.1718& 1.5064& 2.3990\\ 6.6943& 5.0972& 1.4187& 2.7905\\ 7.2346& 4.3077& 1.3127& 2.7740\\ 5.1175& 2.9868& 1.2715& 3.0277\\ 5.2408& 5.5572& 1.5156& 2.8092\\ 5.0848& 4.2020& 1.4282& 2.9450\end{array}\right];$

$X_{\mathrm{ap}3}=X_{\mathrm{bp}3}=\left[\begin{array}{cccc}3.4659& 9.1096& 2.8925& 4.5264\\ 5.4384& 4.2145& 1.3188& 4.7925\\ 4.3213& 7.7203& 2.1085& 4.8306\\ 5.8096& 6.2875& 1.5068& 2.8181\\ 8.8377& 5.2122& 1.3253& 2.4616\\ 9.7653& 6.7569& 1.3611& 3.1761\\ 5.5163& 5.1718& 1.5064& 2.3990\\ 6.6943& 5.0972& 1.4187& 2.7905\\ 7.2346& 4.3077& 1.3127& 2.7740\\ 5.1175& 2.9868& 1.2715& 3.0277\\ 5.2408& 5.5572& 1.5156& 2.8092\\ 5.0848& 4.2020& 1.4282& 2.9450\end{array}\right];$

基于上述样本数据可以发现，本实施例中分别选择了12组特征数据作为训练样本，每一组数据包含4个特征值，与测试样本的特征向量X＝[F₁,F₂,F₃,F₄]中的4个特征值相互对应，经过支持向量机的预测模型进行训练后，对应的得到12个权重系数以及一个修正系数，在实验过程中，利用本方法训练好的模型对6个驾驶人累计约20个小时的疲劳驾驶进行测试，驾驶人疲劳平均正确检测率达到79％。

综上所述，本发明通过对方向盘转角数据进行采样和筛选，然后经过样本数据压缩处理来统一样本数据长度以及减少数据计算量，接着利用样本数据的一些统计特征作为疲劳特征参数，最后采用基于支持向量机的疲劳预测模型进行疲劳检测，该方法能有效提取实车工况下方向盘转角的疲劳特征指标并能有效检测驾驶人疲劳状况，检测率高，同时便于工程实现，对不同驾驶者表现出了较高的工程泛化能力。

Claims (7)

1.一种采用方向盘转角信息的驾驶人疲劳状态检测方法，其特征在于按照以下步骤进行：

步骤1：按照采样频率f实时采集方向盘转角数据和车速数据；

步骤2：按照时间长度t对步骤1所得的方向盘转角数据和车速数据进行切片处理；

步骤3：按照设定条件从步骤2所得的数据片中筛选出有效样本数据；

步骤4：按照设定规则将有效样本数据中的方向盘转角数据进行样本数据压缩；

步骤5：从步骤4处理后的方向盘转角数据中提取疲劳特征指标；

步骤6：将步骤5提取出的疲劳特征指标作为测试样本的特征向量，并将样本特征向量送入基于支持向量机的预测模型进行疲劳状态预测，从而得到驾驶人的疲劳状态。

2.根据权利要求1所述的采用方向盘转角信息的驾驶人疲劳状态检测方法，其特征在于：所述采样频率f的取值为100Hz，所述时间长度t的取值为60s，所述筛选条件为：每个采样点的方向盘转角的绝对值不大于20°，每个采样点的车速不小于70Km/h。

3.根据权利要求1或2所述的采用方向盘转角信息的驾驶人疲劳状态检测方法，其特征在于，步骤4中所述的样本数据压缩步骤如下：

步骤4-1：将有效样本数据中的方向盘转角数据记为数组Z，数据压缩后的长度设为W，按照a＝fix(L_Z/2),b＝fix(L_Z/W)计算系数a和b；

其中，函数fix(x)表示返回不大于x的整数，L_Z表示数组Z的长度；

步骤4-2：新建空数组Za，从数组Z的第a-(W/2)×b+1个数据开始，按照间隔为b进行数据抽取，直到数组的最后一个元素结束，并将抽取出的数据依次赋值给新的数组Za；

步骤4-3：按照c＝fix((L_Za-W)/2)计算系数c，其中L_Za表示数组Za的长度；

步骤4-4：新建空数组Z*，从数组Za的第c个数据开始，依次选择W个数据赋值到数组Z*中，Z*即为数组Z经过设定规则压缩后的数组。

4.根据权利要求3所述的采用方向盘转角信息的驾驶人疲劳状态检测方法，其特征在于：步骤4中数据压缩后的长度W设为3000～4000。

5.根据权利要求3所述的采用方向盘转角信息的驾驶人疲劳状态检测方法，其特征在于，步骤5中提取的疲劳特征指标所构成的特征向量为X＝[F₁,F₂,F₃,F₄]，其中：

$F_1=\sqrt{\frac{\underset{i=1}{\overset{W}{\mathrm{\&Sigma;}}}{(z_i-u)}^2}{W}},F_2=Z_{\max }-Z_{\min },F_3=\frac{Z_{\max }}{\sqrt{D}},F_4=\frac{1}{W}\underset{i=1}{\overset{W}{\mathrm{\&Sigma;}}}{\left(\frac{z_i-u}{\mathrm{\&sigma;}}\right)}^4$

式中z_i表示样本数据中第i个方向盘转角数据的采样值，u为样本数据的均值，D表示样本数据平方均值，Z_max表示样本数据的最大值，Z_min表示样本数据的最小值，σ表示样本数据的标准差。

6.根据权利要求5所述的采用方向盘转角信息的驾驶人疲劳状态检测方法，其特征在于：步骤6中所述的基于支持向量机的预测模型为二级疲劳预测模型，具体按照：

$L=\mathrm{sgn}(\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_j\&times;\exp (-1.5{\left|\right|S_j-X\left|\right|}^2)+d)$ 计算，其中sgn()为符号函数，S_j表示训练样本特征矩阵S中第j行的行向量，w_j表示S_j对应的权重系数，d为修正系数，n为训练样本特征矩阵S的行数，且式中的S_j、w_j、d以及n均是利用二级疲劳预测模型训练而得；

当预测结果L为1时，该测试样本对应的驾驶人处于疲劳状态；

当预测结果L为-1时，该测试样本对应的驾驶人处于清醒状态。

7.根据权利要求5所述的面向实车工况方向盘转角的驾驶人疲劳检测方法，其特征在于：步骤6中所述的基于支持向量机的预测模型为三级疲劳预测模型，具体按照：

$P=\left\{\begin{array}{ccc}-1& \mathrm{if}& p_1=p_2\\ 1& \mathrm{if}& p_1=p_3\\ 3& \mathrm{if}& p_2=p_3\end{array}\right.$ 进行判断；

当预测结果P为-1时，该测试样本对应的驾驶人处于清醒状态；

当预测结果P为1时，该测试样本对应的驾驶人处于疲劳状态；

当预测结果P为3时，该测试样本对应的驾驶人处于非常疲劳状态，且：

$p_1=\left\{\begin{array}{ccc}-1& \mathrm{if}& f(X,C_{\mathrm{ap}1},C_{\mathrm{bp}1},X_{\mathrm{ap}1},X_{\mathrm{bp}1},e_{p1})>0\\ 1& \mathrm{if}& f({X,C}_{\mathrm{ap}1},C_{\mathrm{bp}1},X_{\mathrm{ap}1},X_{\mathrm{bp}1},e_{p1})\&le;0\end{array}\right.;$

$p_2=\left\{\begin{array}{ccc}-1& \mathrm{if}& f(X,C_{\mathrm{ap}2},C_{\mathrm{bp}2},X_{\mathrm{ap}2},X_{\mathrm{bp}2},e_{p2})>0\\ 3& \mathrm{if}& f({X,C}_{\mathrm{ap}2},C_{\mathrm{bp}2},X_{\mathrm{ap}2},X_{\mathrm{bp}2},e_{p2})\&le;0\end{array}\right.;$

$p_3=\left\{\begin{array}{ccc}1& \mathrm{if}& f(X,C_{\mathrm{ap}3},C_{\mathrm{bp}3},X_{\mathrm{ap}3},X_{\mathrm{bp}3},e_{p3})>0\\ 3& \mathrm{if}& f({X,C}_{\mathrm{ap}3},C_{\mathrm{bp}3},X_{\mathrm{ap}3},X_{\mathrm{bp}3},e_{p3})\&le;0\end{array}\right.;$

函数 $f(X,C_a,C_b,X_a,X_b,e)=$

$\mathrm{sgn}(\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{C}_a^j\&times;\exp (-1.5{\left|\right|X_a^j-X\left|\right|}^2)+\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{C}_b^j\&times;\exp (-1.5{\left|\right|X_b^j-X\left|\right|}^2)+e);$

其中X,C_a,C_b,X_a,X_b,e表示函数的输入变量，sgn()为符号函数，为向量C_a中的第j个元素的值，为向量C_b中的第j个元素的值，X为测试样本的特征向量，为训练样本特征矩阵X_a中第j行的行向量，为训练样本特征矩阵X_b中第j行的行向量，n为训练样本特征矩阵X_a的行数，C_ap1,C_bp1,X_ap1,X_bp1,e_p1，C_ap2,C_bp2,X_ap2,X_bp2,e_p2，C_ap3,C_bp3,X_ap3,X_bp3,e_p3均是利用三级疲劳预测模型训练而得样本参数。