CN110946595B - 一种基于dms系统的驾驶员疲劳程度的检测方法 - Google Patents

Abstract

本发明提供了一种基于DMS系统的驾驶员疲劳程度的检测方法通过DMS系统收集的驾驶员的驾驶状态数据，识别并分析与疲劳程度相关的驾驶行为，建立了驾驶员的疲劳程度评估模型，定义了针对驾驶员的整体驾驶行为的疲劳程度等级；让用户直观、清晰地知晓自己的疲劳程度，从而纠正或规避其危险驾驶行为导致的安全风险。本发明通过基于计算机图像检测技术识别包括闭眼、打呵欠、低头等与疲劳相关的驾驶员状态信息，但不会约束驾驶员的正常驾驶；本方法直接实用，且成本低廉，易于推广。

Description

一种基于DMS系统的驾驶员疲劳程度的检测方法

技术领域

本发明属于图像检测技术领域，具体涉及一种基于DMS系统的驾驶员疲劳程度的检测方法。

背景技术

随着汽车保有量的增加，交通安全形势也越发严峻，而疲劳驾驶仍然是引起交通事故的最主要原因，因此这一问题必须引起高度重视。关于疲劳程度的监测方法的技术包括以下两种方式：

(1)利用生理传感器监测驾驶员的脑电、心电、呼吸等指标的变化；

(2)利用车载传感器监测驾驶员驾驶途中，其驾驶车辆在车道中的位置等行驶状态特征的变化。

技术(1)虽然可以测出驾驶员的疲劳程度，但缺点是限制了驾驶员正常的驾驶动作，且成本高昂，不实用；技术(2)是通过车载传感器间接测量，该方法的缺点是只能在驾驶员疲劳程度严重到即将发生事故时才能起到警告的作用，警告比较滞后，不实用。

另外有驾驶员疲劳检测技术是通过配置在车辆上的DMS(Driver MonitoringSystem,驾驶员检测系统)系统全天候检测驾驶员的驾驶行为以及疲劳状况。当检测到驾驶员有闭眼、打呵欠、低头等异常驾驶行为发生时，DMS系统进行语音报警，提醒驾驶员注意驾驶安全，纠正其异常驾驶行为或停车休息。

但该检测方法局限于警示和纠正驾驶员在驾驶途中的异常状态，并没有建立驾驶员的疲劳程度评估模型，也没有针对驾驶员的整体驾驶行为定义疲劳程度等级。

发明内容

本发明要解决的技术问题是：提供一种基于DMS系统的驾驶员疲劳程度的检测方法，用于建立驾驶员的疲劳程度评估模型，并定义针对驾驶员的整体驾驶行为的疲劳程度等级。

本发明为解决上述技术问题所采取的技术方案为：一种基于DMS系统的驾驶员疲劳程度的检测方法，包括以下步骤：

S1：通过DMS系统采集并存储行车数据；

S2：对步骤S1得到的数据进行分类识别；

S3：对DMS系统采集的原始数据依次做包括清洗原始数据、划分评估时段和提取待评估数据的预处理；

S4：依次通过拟合曲线、得出单项异常驾驶行为的疲劳程度分数、设置单项异常驾驶行为的权重系数，以及设定驾驶员的疲劳程度分数的公式，建立驾驶员疲劳程度的评估模型；

S5：根据驾驶员的疲劳程度分数划分驾驶员的疲劳程度等级为不疲劳、轻度疲劳、中度疲劳和重度疲劳。

按上述方案，所述的步骤S1中，具体步骤为：

S11：通过DMS系统采集并存储驾驶员的行为数据；

S12：通过DMS系统采集并存储车辆的行驶数据。

进一步的，所述的步骤S2中，具体步骤为：

S21：将步骤S11得到的数据识别分类为包括闭眼、打呵欠和低头的驾驶员的行为数据；

S22：将步骤S12得到的数据识别分类为包括持续时间、速度和公里数的车辆的行驶数据。

进一步的，所述的步骤S3中，具体步骤为：

S31：清洗DMS系统采集的原始数据，即检查原始数据的一致性，处理原始数据中的无效值和缺失值；

S32：设n为异常驾驶行为的种类数；按每0.5h划分步骤S11得到的数据，统计每0.5h时段内的每种单项异常驾驶行为次数分别为X_i，i＝1，2，3，…，n；

S33：设过程变量为λ_i＜0，采用R语言powerTransform函数或博克斯-柯克斯变换求λ_i的值，分别用正态变换处理每种单项异常驾驶行为次数的待评估数据_i为：

待评估数据_i＝(lgX_i+4)^λi。

进一步的，所述的步骤S33中，采用powerTransform函数计算λ_i的值的具体步骤为：通过最大似然估计得到一个最优的λ_i的值。

进一步的，所述的步骤S33中，采用博克斯-柯克斯变换计算λ_i的值的具体步骤为：筛选出最合适的λ_i的值，然后进行博克斯-柯克斯变换得到λ_i的值的估计精确值。

进一步的，所述的步骤S4中，具体步骤为：

S41：按横轴为X_i，纵轴为每种单项异常驾驶行为次数分别对应的频次，将步骤S1得到的数据拟合为正态分布曲线；并按横轴为X_i，纵轴为每种单项异常驾驶行为次数分别对应的概率密度模型PDF，通过正态分布曲线绘制概率密度曲线；

S42：按概率密度曲线从0％到100％，概率密度每增加2.5％,将对应的单项异常驾驶行为的疲劳程度分数减去1分，得到该单项异常驾驶行为的疲劳程度分数score_i：

0≤score_i≤40；

score_i值越大，代表该驾驶员的异常驾驶行为越严重；score_i值越小，代表该驾驶员的异常驾驶行为越轻微；

S43：设每种单项异常驾驶行为的权重系数分别为W_i，则

0≤W_i≤1；

W_i值越大，表示该项异常驾驶行为对驾驶员疲劳程度的影响越大；W_i值越小，表示该项异常驾驶行为对驾驶员疲劳程度的影响越小；

S44：设驾驶员的疲劳程度分数为t，则

t值越大，代表该驾驶员的疲劳程度越高；t值越小，代表该驾驶员的疲劳程度越低。

进一步的，所述的步骤S5中，具体步骤为：

当疲劳程度分数满足0≤t＜15时，设定驾驶员的疲劳程度等级为不疲劳；

当疲劳程度分数满足15≤t＜30时，设定驾驶员的疲劳程度等级为轻度疲劳；

当疲劳程度分数满足30≤t＜35时，设定驾驶员的疲劳程度等级为中度疲劳；

当疲劳程度分数满足35≤t≤40时，设定驾驶员的疲劳程度等级为重度疲劳。

本发明的有益效果为：

1.本发明的一种基于DMS系统的驾驶员疲劳程度的检测方法通过DMS系统收集的驾驶员的驾驶状态数据，识别并分析与疲劳程度相关的驾驶行为，建立了驾驶员的疲劳程度评估模型，定义了针对驾驶员的整体驾驶行为的疲劳程度等级。

2.本发明让用户直观、清晰地知晓自己的疲劳程度，从而纠正或规避其危险驾驶行为导致的安全风险。

3.本发明通过基于计算机图像检测技术识别包括闭眼、打呵欠、低头等与疲劳相关的驾驶员状态信息，但不会约束驾驶员的正常驾驶；本方法直接实用，且成本低廉，易于推广。

附图说明

图1是本发明实施例的流程图。

图2是本发明实施例的闭眼次数的柱状图和拟合正态分布曲线图。

图3是本发明实施例的闭眼次数的拟合正态分布概率密度曲线图。

图4是本发明实施例的打呵欠次数的柱状图和拟合正态分布曲线图。

图5是本发明实施例的打呵欠次数的拟合正态分布概率密度曲线图。

图6是本发明实施例的低头次数的柱状图和拟合正态分布曲线图。

图7是本发明实施例的低头次数的拟合正态分布概率密度曲线图。

图8是本发明实施例的不同分数区间内各行为次数的堆叠柱状图。

图9是本发明实施例的疲劳程度分数的箱线图。

图10是本发明实施例的疲劳程度分布情况的柱状图和折线图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细的说明。

据统计经验，闭眼、打呵欠和低头是与驾驶疲劳程度相关性较大的三个因素，因此本实施例主要分析这三个方面的数据。

参见图1，本发明的一种基于DMS系统的驾驶员疲劳程度的检测方法通过数据分析软件MATLAB、R或Excel分析DMS系统采集的驾驶行为数据和车辆行驶数据，制定驾驶员疲劳程度评估模型，进一步划分评估得到驾驶员的疲劳程度等级，包括以下步骤：

S1：通过DMS系统采集并存储行车数据；

S11：通过DMS系统采集并存储驾驶员的行为数据；

S12：通过DMS系统采集并存储车辆的行驶数据。

S2：对步骤S1得到的数据进行分类识别；

S21：将步骤S11得到的数据识别分类为包括闭眼、打呵欠和低头的驾驶员的行为数据；

S22：将步骤S12得到的数据识别分类为包括持续时间、速度和公里数的车辆的行驶数据。

S3：为了缩小数据跨度区间、便于得到拟合正态分布曲线以及易于数据分析，对DMS系统采集的原始数据进行预处理：

S31：清洗DMS系统采集的原始数据，即检查原始数据的一致性，处理原始数据中的无效值和缺失值；

S32：设n为异常驾驶行为的种类数；按每0.5h划分步骤S11得到的数据，统计每0.5h时段内的三种单项异常驾驶行为次数分别为X_闭眼、X_打呵欠和X_低头；

S33：设过程变量为λ_i＜0，采用R语言powerTransform函数通过最大似然估计得到一个最优的λ_i的值，或采用博克斯-柯克斯变换(Box-Cox transformation)筛选出最合适的λ_i的值，然后进行博克斯-柯克斯变换得到λ_i的值的估计精确值，来计算λ_i的值：

λ_闭眼＝-1.33，λ_打呵欠＝-1.13，λ_低头＝-2.70；

分别用正态变换处理三种单项异常驾驶行为次数的待评估数据为闭眼待评估数据＝(lgX_闭眼+4)^-1.33，

打呵欠待评估数据＝(lgX_打呵欠+4)^-1.13，

低头待评估数据＝(lgX_低头+4)^-2.70。

S4：建立驾驶员疲劳程度的评估模型：

S41：分别参见图2、图4和图6，按横轴分别为处理后的闭眼X_闭眼、打呵欠X_打呵欠和低头数据X_低头，纵轴为三种单项异常驾驶行为次数分别对应的频次，将步骤S1得到的数据拟合为正态分布曲线；分别参见图3、图5和图7，按横轴分别为处理后的闭眼X_闭眼、打呵欠X_打呵欠和低头数据X_低头，纵轴为三种单项异常驾驶行为次数分别对应的概率密度模型PDF，通过正态分布曲线绘制概率密度曲线；

S42：按概率密度曲线从0％到100％，概率密度每增加2.5％,将对应的单项异常驾驶行为的分数减去1分，得到三种单项异常驾驶行为的疲劳程度分数分别为score_闭眼、score_打呵欠和score_低头，且

0≤score_闭眼≤40，

0≤score_打呵欠≤40，

0≤score_低头≤40，

分数越高，代表该驾驶员的异常驾驶行为越严重；分数越低，代表该驾驶员的异常驾驶行为越轻微；

S43：设三种单项异常驾驶行为的权重系数分别为W_闭眼、W_打呵欠和W_低头，跟据大量统计平台数据结果、相关经验和学术文献资料，闭眼行为对驾驶员疲劳程度的影响大于打呵欠对驾驶员疲劳程度的影响，且闭眼、打呵欠这两个因素均远大于低头对驾驶员疲劳程度的影响(因为低头还有可能是受到其他因素，比如低头看手机的影响，而非驾驶员进入疲劳状态)；因此设

W_闭眼＝0.45，

W_打呵欠＝0.40，

W_低头＝0.15，

权重系数越大，表示该项异常驾驶行为对驾驶员疲劳程度的影响越大；权重系数越小，表示该项异常驾驶行为对驾驶员疲劳程度的影响越小；

S44：设驾驶员的疲劳程度分数为t，则

t＝score_闭眼·W_闭眼+score_打呵欠·W_打呵欠+score_低头·W_低头，

0≤t≤40；

分数越高，代表该驾驶员的疲劳程度越高；分数越低，代表该驾驶员的疲劳程度越低。

S5：参见图8，将驾驶员的疲劳程度分数t的区间按照每5分划分，0到15分的分数区间内平均每0.5h发生异常驾驶行为的次数非常小，尤其是闭眼数和打呵欠的次数很小，所以将分数在0≤t＜15区间的疲劳程度等级定为不疲劳；

在15到20分的分数区间内，闭眼和打呵欠的次数明显增加，因此需要在15分的位置划分新的一级疲劳程度；在30到35分的分数区间内，闭眼、打呵欠和低头的次数都明显增加，所以在30分的位置也需要划分新的一级疲劳程度，所以将分数在15≤t＜30区间的疲劳程度等级定为轻度疲劳；

同理，在35到40分的分数区间内，闭眼、打呵欠和低头的次数明显急剧增加，因此需要在35分的位置划分新的一级疲劳程度；所以将分数在30≤t＜35区间的疲劳程度等级定为中度疲劳，将分数在35≤t≤40区间的疲劳程度等级定为重度疲劳。

根据上述分析，评估驾驶员的疲劳程度分数和疲劳程度等级的分布情况：

参见图9可知，大部分驾驶员的疲劳程度分数集中在1.35分到13.95分(近似为1分到14分)的范围区间内，少部分驾驶员的疲劳程度分数获得最高疲劳程度分数40分或最低疲劳程度分数0分；所有驾驶员的疲劳程度分数的中位数为6.98分。

参见图10,可以看到属于不疲劳的驾驶员人次最多，其次属于轻度疲劳程度的驾驶员人次较多，属于中度疲劳和重度疲劳程度的驾驶员人次最少。即通过DMS系统采集的大量数据中，大多数驾驶员的驾驶行为习惯良好，没有疲劳驾驶，应继续保持；对于少数中度和重度疲劳程度驾驶的驾驶员，应提醒他们改正不良驾驶行为习惯，注意避免疲劳驾驶，减少交通事故的发生率。

以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (7)

1.一种基于DMS系统的驾驶员疲劳程度的检测方法，其特征在于：包括以下步骤：

S1：通过DMS系统采集并存储行车数据；

S2：对步骤S1得到的数据进行分类识别；

S3：对DMS系统采集的原始数据依次做包括清洗原始数据、划分评估时段和提取待评估数据的预处理；

S4：依次通过拟合曲线、得出单项异常驾驶行为的疲劳程度分数、设置单项异常驾驶行为的权重系数，以及设定驾驶员的疲劳程度分数的公式，建立驾驶员疲劳程度的评估模型；

所述的步骤S4中，具体步骤为：

S41：按横轴为X_i，纵轴为每种单项异常驾驶行为次数分别对应的频次，将步骤S1得到的数据拟合为正态分布曲线；并按横轴为X_i，纵轴为每种单项异常驾驶行为次数分别对应的概率密度模型PDF，通过正态分布曲线绘制概率密度曲线；

S42：按概率密度曲线从0％到100％，概率密度每增加2.5％,将对应的单项异常驾驶行为的疲劳程度分数减去1分，得到该单项异常驾驶行为的疲劳程度分数score_i：

0≤score_i≤40；

score_i值越大，代表该驾驶员的异常驾驶行为越严重；score_i值越小，代表该驾驶员的异常驾驶行为越轻微；

S43：设每种单项异常驾驶行为的权重系数分别为W_i，则

0≤W_i≤1；

W_i值越大，表示该项异常驾驶行为对驾驶员疲劳程度的影响越大；W_i值越小，表示该项异常驾驶行为对驾驶员疲劳程度的影响越小；

S44：设驾驶员的疲劳程度分数为t，则

0≤t≤40；

t值越大，代表该驾驶员的疲劳程度越高；t值越小，代表该驾驶员的疲劳程度越低；

S5：根据驾驶员的疲劳程度分数划分驾驶员的疲劳程度等级为不疲劳、轻度疲劳、中度疲劳和重度疲劳。

2.根据权利要求1所述的一种基于DMS系统的驾驶员疲劳程度的检测方法，其特征在于：所述的步骤S1中，具体步骤为：

S11：通过DMS系统采集并存储驾驶员的行为数据；

S12：通过DMS系统采集并存储车辆的行驶数据。

3.根据权利要求2所述的一种基于DMS系统的驾驶员疲劳程度的检测方法，其特征在于：所述的步骤S2中，具体步骤为：

S21：将步骤S11得到的数据识别分类为包括闭眼、打呵欠和低头的驾驶员的行为数据；

S22：将步骤S12得到的数据识别分类为包括持续时间、速度和公里数的车辆的行驶数据。

4.根据权利要求3所述的一种基于DMS系统的驾驶员疲劳程度的检测方法，其特征在于：所述的步骤S3中，具体步骤为：

S31：检查原始数据的一致性，处理原始数据中的无效值和缺失值；

S32：设n为异常驾驶行为的种类数；按每0.5h划分步骤S11得到的数据，统计每0.5h时段内的每种单项异常驾驶行为次数分别为X_i，i＝1，2，3，…，n；

S33：设过程变量为λ_i＜0，采用R语言powerTransform函数或博克斯-柯克斯变换的求λ_i的值，分别用正态变换处理每种单项异常驾驶行为次数的待评估数据_i为：

待评估数据_i＝(lgX_i+4)^λi。

5.根据权利要求4所述的一种基于DMS系统的驾驶员疲劳程度的检测方法，其特征在于：所述的步骤S33中，采用powerTransform函数计算λ_i的值的具体步骤为：通过最大似然估计得到一个最优的λ_i的值。

6.根据权利要求4所述的一种基于DMS系统的驾驶员疲劳程度的检测方法，其特征在于：所述的步骤S33中，采用博克斯-柯克斯变换计算λ_i的值的具体步骤为：筛选出最合适的λ_i的值，然后进行博克斯-柯克斯变换得到λ_i的值的估计精确值。

7.根据权利要求1所述的一种基于DMS系统的驾驶员疲劳程度的检测方法，其特征在于：所述的步骤S5中，具体步骤为：

当疲劳程度分数满足0≤t＜15时，设定驾驶员的疲劳程度等级为不疲劳；

当疲劳程度分数满足15≤t＜30时，设定驾驶员的疲劳程度等级为轻度疲劳；

当疲劳程度分数满足30≤t＜35时，设定驾驶员的疲劳程度等级为中度疲劳；

当疲劳程度分数满足35≤t≤40时，设定驾驶员的疲劳程度等级为重度疲劳。

Images