CN113553900A - 一种驾驶员疲劳驾驶检测方法、系统及计算机可读介质 - Google Patents

Abstract

本发明涉及一种驾驶员疲劳驾驶检测方法、系统及计算机可读介质，其中检测方法包括：获取驾驶员驾驶特征数据集，构建样本数据集；对步骤1获取的驾驶特征数据集中的特征变量进行筛选；构建显著驾驶特征数据集；构建考虑时间累积效应的混合效应有序logit模型；将显著驾驶特征数据集输入混合效应有序logit模型，对驾驶员疲劳等级进行预测；输出驾驶员疲劳等级预测结果，完成驾驶员疲劳驾驶检测。与现有技术相比，本发明具有结果更加客观、可信度更高等优点。

Description

一种驾驶员疲劳驾驶检测方法、系统及计算机可读介质

技术领域

本发明涉及车辆主动安全，尤其是涉及一种基于考虑时间累积效应的混合效应有序Logit模型的驾驶员疲劳驾驶检测方法、系统及计算机可读介质。

背景技术

疲劳通常指“一种入睡的冲动”，它是生理需要的结果，这是一种身体的生理状态，在没有睡眠的情况下随时间累积且不可逆。在疲劳驾驶中出现的警觉性降低已被证明会增加驾驶员的反应时间，这可能导致驾驶人的驾驶表现受到影响，并成为造成交通事故的重要原因。研究表明，在疲劳驾驶过程中，撞车的概率是清醒驾驶状态的4-6倍。

疲劳驾驶的肇事车辆多为营运车辆，是许多重特大道路交通事故的重要诱因。随着机动车数量的快速增长及高速公路的大范围建设，疲劳驾驶问题愈发凸显。安装车载疲劳状态监控设备被认为是减少疲劳驾驶诱发的交通事故的重要手段，但是由于人体疲劳状态表征方式多样、个体差异大，疲劳驾驶不能像饮酒驾驶一样使用定量的医学生理指标进行判断。考虑到疲劳监测设备如脑电仪、生理多导仪等设备对驾驶员的侵入性，以驾驶人行为特征、眼动特征为基础的算法成为实用性及可行性最好的疲劳判别算法。

中国专利CN105740847A中公开了一种基于驾驶员眼部识别和车辆行驶轨迹的疲劳等级判别算法，先标定驾驶员清醒状态下睁眼及闭眼的眼睑开合度，确定眼睑闭合阈值，再以一分钟为时间窗口，一秒为步长在驾驶员行车途中实时监控驾驶员的眼部特征及车辆行驶轨迹，计算眼睑闭合时间比例及车道偏移标准差，最后结合驾驶员基本属性构建多层有序logit模型判定驾驶员的疲劳等级。结合生理信息及车辆运行信息实时监控驾驶员，解决了难以应用定量指标判别驾驶员疲劳状态的问题，但是该专利仅将眼动特征和车辆行驶轨迹相结合，判断较为片面，判断结果也较为片面，不能客观反映驾驶员的疲劳程度。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种结果更加客观、可信度更高的驾驶员疲劳驾驶检测方法、系统及计算机可读介质。

本发明的目的可以通过以下技术方案来实现：

一种驾驶员疲劳驾驶检测方法，所述的检测方法包括：

步骤1：获取驾驶员驾驶特征数据集，构建样本数据集；

步骤2：对步骤1获取的驾驶特征数据集中的特征变量进行筛选；

步骤3：构建显著驾驶特征数据集；

步骤4：构建考虑时间累积效应的混合效应有序logit模型；

步骤5：将显著驾驶特征数据集输入步骤4中的混合效应有序logit模型，对驾驶员疲劳等级进行预测；

步骤6：输出驾驶员疲劳等级预测结果，完成驾驶员疲劳驾驶检测。

优选地，所述的样本数据集为：

D＝{d₁,d₂,…,d_a,e₁,e₂,…,e_b,t,y}

其中，{d₁,d₂,…,d_a}为驾驶员驾驶行为特征数据集；{e₁,e₂,…,e_b}为驾驶员眼动特征数据集；a和b分别为驾驶员驾驶行为特征数据集和眼动特征数据集的维度；t为驾驶时间；y为预测目标，即驾驶员疲劳等级。

更加优选地，所述的驾驶员驾驶行为特征数据集的采集方法为：通过车辆CAN总线采集驾驶员行为特征数据；

所述的驾驶员眼动特征数据集的采集方法为：通过摄像头采集驾驶员的眼动特征。

更加优选地，所述的步骤2具体为：

利用Spearman等级相关系数方法进行特征变量的筛选，将驾驶行为特征和眼动特征分别与预测目标进行相关性分析，获得驾驶行为特征变量和眼动特征变量与预测目标之间的相关系数R及显著性G；

其中，R＝{r₁,r₂,…,r_a+b}，G＝{g₁,g₂,…,g_a+b}。

更加优选地，所述的Spearman等级相关系数方法具体为：

其中，S为变量U和W之间的Spearman相关系数；z为分别对U和W取秩之后每对观测值(u,w)的秩之差；c为样本量。

更加优选地，所述的步骤3具体为：

筛选显著性g＜α的显著驾驶行为特征变量和眼动特征行为变量，组合时间变量t和预测目标y组成显著驾驶特征数据集H，即：

H＝{h₁,h₂,…,h_q,t,y}

其中，q为显著驾驶特征变量的数量。

优选地，所述的步骤4具体为：

设定m个阈值γ_kj(k＝1,2,…,M-1)，阈值γ_kj将驾驶员的疲劳状态分为M个等级，即：

其中，Y_ij为第i个路段上驾驶员j的观测疲劳等级；

为表示离散变量Y_ij的连续的隐变量；

考虑时间累积效应的混合效应有序logit模型表示为：

将上式表示为：

其中，p为发生疲劳等级m的概率；i为路段编号；j为驾驶员编号；f(t_[i-1]j)为时间函数，其中t_[i-1]j＝t_ij-t_1j，t_ij为驾驶员j通过路段i时的时间；

为受解释变量影响的驾驶员j的第m个累计logit分界点；β^Fixed与

分别为固定效应回归系数及随机效应回归系数；

和

分别为固定效应变量和随机效应变量。

一种驾驶员疲劳驾驶检测系统，所述的疲劳驾驶检测系统包括处理器、存储器和数据采集装置；所述的存储器和数据采集装置分别与处理器相连；

处理器，用于执行程序代码；

存储器，存储有上述任一项所述的驾驶员疲劳驾驶检测方法以供处理器调用；

数据采集装置，用于采集驾驶员驾驶行为特征和眼动特征。

优选地，所述的疲劳驾驶检测系统还包括用于对驾驶员进行疲劳驾驶提醒的报警装置；所述的报警装置与处理器相连。

一种计算机可读介质，所述的计算机可读介质内存储有上述任一项所述的驾驶员疲劳驾驶检测方法。

与现有技术相比，本发明具有以下有益效果：

疲劳检测结果更加客观，可信度高：本发明中的驾驶员疲劳驾驶检测方法不仅考虑了车辆横向偏移距离，还考虑了方向盘转动速度和车速等多项驾驶行为特征，从多种驾驶行为角度出发，考虑更加全面；同时，结合了平均眨眼持续时间、眼睑闭合百分比、平均瞳孔直径等眼动特征，通过对强相关特征的筛选，选取最后与疲劳等级最为相关的特征进行驾驶疲劳度的检测，检测结果更加客观，可信度更高；最后，本发明考虑了不同驾驶人之间驾驶行为或眼动特征的个体差异，使得疲劳检测更加灵活，对驾驶人的预警效果更佳准确。

附图说明

图1为本发明中驾驶员疲劳驾驶检测方法的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

如图1所示，本实施例涉及一种驾驶员疲劳驾驶检测方法，包括：

步骤1：获取驾驶员驾驶特征数据集，构建样本数据集；

提取驾驶行为相关特征、驾驶员眼动特征以及驾驶时间，构建特征数据集：

V＝{d₁,d₂,…,d_a,e₁,e₂,…,e_b,t}

则样本数据集D的结构为：

D＝{d₁,d₂,…,d_a,e₁,e₂,…,e_b,t,y}

其中，{d₁,d₂,…,d_a}为驾驶员驾驶行为特征数据集；{e₁,e₂,…,e_b}为驾驶员眼动特征数据集；a和b分别为驾驶员驾驶行为特征数据集和眼动特征数据集的维度；t为驾驶时间；y为预测目标，即驾驶员疲劳等级；

本实施例中驾驶员驾驶行为特征数据集通过……采集，驾驶员眼动特征数据集通过眼动仪采集；

步骤2：对步骤1获取的驾驶特征数据集中的特征变量进行筛选；

利用Spearman等级相关系数方法进行特征变量的筛选，将驾驶行为特征和眼动特征分别与预测目标进行相关性分析，获得驾驶行为特征变量和眼动特征变量与预测目标之间的相关系数R及显著性G，r的绝对值越大，则说明特征变量与预测目标y的相关性越强，该特征越重要；g越小，则表明特征变量与预测目标的相关性越显著，该特征越重要；

其中，R＝{r₁,r₂,…,r_a+b}，G＝{g₁,g₂,…,g_a+b}；

Spearman等级相关系数方法具体为：

其中，S为变量U和W之间的Spearman相关系数；z为分别对U和W取秩之后每对观测值(u,w)的秩之差；c为样本量。

步骤3：构建显著驾驶特征数据集；

筛选显著性g＜α的显著驾驶行为特征变量和眼动特征行为变量，组合时间变量t和预测目标y组成显著驾驶特征数据集H，即：

H＝{h₁,h₂,…,h_q,t,y}

其中，q为显著驾驶特征变量的数量；

步骤4：构建考虑时间累积效应的混合效应有序logit模型；

设定m个阈值γ_kj(k＝1,2,…,M-1)，阈值γ_kj将驾驶员的疲劳状态分为M个等级，即：

其中，Y_ij为第i个路段上驾驶员j的观测疲劳等级；

为表示离散变量Y_ij的连续的隐变量；

考虑时间累积效应的混合效应有序logit模型表示为：

将上式表示为：

其中，p为发生疲劳等级m的概率；i为路段编号；j为驾驶员编号；f(t_[i-1]j)为时间函数，其中t_[i-1]j＝t_ij-t_1j，t_ij为驾驶员j通过路段i时的时间；

为受解释变量影响的驾驶员j的第m个累计logit分界点；β^Fixed与

分别为固定效应回归系数及随机效应回归系数；

和

分别为固定效应变量和随机效应变量；

步骤5：将显著驾驶特征数据集输入步骤4中的混合效应有序logit模型，对驾驶员疲劳等级进行预测；

步骤6：输出驾驶员疲劳等级预测结果，完成驾驶员疲劳驾驶检测。

下面提供一种具体的应用例：

首先，获取驾驶员特征数据集，包括驾驶行为特征集、眼动特征集和驾驶时间。

将驾驶员疲劳等级分为无疲劳、中等疲劳和重度疲劳三个等级。

驾驶行为特征集包含车辆车辆横向偏移距离、方向盘转动速度、车速等；眼动特征集包含平均眨眼持续时间、眼睑闭合百分比、平均瞳孔直径；驾驶时间为驾驶人从开始正式实验到完成实验的时刻记录。全部变量共计17个，如表1所示。

表1样本数据集变量

序号	变量名称	变量含义
			1	Time	时间(s)
2	LP_stdev	车辆横向偏移标准差(m)
			3	LP_avg	平均车辆横向偏移量(m)
4	SW_Speed_stdev	方向盘转动角速度标准差(°/s)
			5	SW_Area_MA	方向盘转动扫过面积
6	SW Range 1	方向盘转动角速度为0-2.5°/s的百分比
			7	SW Range 2	方向盘转动角速度为2.5–5°/s的百分比
8	SW Range 3	方向盘转动角速度为5–7.5°/s的百分比
			9	SW Range 4	方向盘转动角速度为7.5–10°/s的百分比
10	SW Range 5	方向盘转动角速度超过10°/s的百分比
			11	Speed	平均车速(km/h)
12	Speed_stdev	车速标准差(km/h)
			13	Speeding_T	速度超过限速120公里/小时的时间百分比
14	Blink_duration	平均眨眼持续时间(s)
			15	PERCLOS	眼睑闭合百分比
16	Pupil	平均瞳孔直径(mm)
			17	Drowsiness_level	疲劳等级

对表1中驾驶行为、眼动特征变量与疲劳等级进行Spearman相关性分析，结果见表2所示。

表2各变量与疲劳等级的相关性分析结果

变量名称	相关系数	显著性	变量名称	相关系数	显著性
						LP_stdev	0.192	0.000<sup>*</sup>	SW_Range_5	-0.003	0.953
LP_avg	-0.096	0.027	Speed	-0.067	0.124
						SW_Speed_stdev	0.001	0.973	Speed_stdev	0.037	0.397
SW_Area_MA	-0.015	0.730	Speeding_T	-0.001	0.981
						SW_Range_1	0.031	0.472	Blink_duration	0.090	0.038
SW_Range_2	-0.044	0.314	PERCLOS	0.489	0.000<sup>*</sup>
						SW_Range_3	-0.016	0.708	Pupil	-0.134	0.002<sup>*</sup>
SW_Range_4	-0.001	0.988

注：*表示显著性<0.01

整理最终数据集H共包含5个变量，分别为自变量LP_stdev、PERCLOS、Pupil、Time和因变量Drowsiness_level。

通过依次将LP_stdev、PERCLOS、Pupil三个变量设为随机变量并检验随机性是否显著，最终确定变量LP_stdev受到驾驶员特征Pupil的影响，具有随机效应，因此将LP_stdev×Pupil作为协变量引入模型，将其作为模型的解释变量；PERCLOS经检验虽然不具有随机效应，但是PERCLOS与Pupil的交互作用显著，因此将PERCLOS×Pupil作为固定效应协变量引入模型，将其作为模型的解释变量。

疲劳的时间累积效应通过将驾驶时间取对数型函数进行表示。

则考虑时间累积效应的混合效应有序Logit模型可表示为：

利用该模型对驾驶人疲劳状态进行判别，其准确率如表3所示。

表3模型对疲劳状态检测的准确率

模型的总体预测精度可达80％以上，可见上述检测方法的有效性。

本实施例还涉及一种驾驶员疲劳驾驶检测系统，包括处理器、存储器、数据采集装置和报警装置，存储器、数据采集装置和报警装置分别与处理器相连；

处理器，用于执行程序代码；

存储器，存储有如权利要求1～8中任一项所述的驾驶员疲劳驾驶检测方法以供处理器调用；

数据采集装置，用于采集驾驶员驾驶行为特征和眼动特征；

报警装置，用于对驾驶员进行疲劳驾驶提醒。

本实施例还涉及一种计算机可读介质，该介质内存储有上述任一项驾驶员疲劳检测方法。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种驾驶员疲劳驾驶检测方法，其特征在于，所述的检测方法包括：

步骤1：获取驾驶员驾驶特征数据集，构建样本数据集；

步骤2：对步骤1获取的驾驶特征数据集中的特征变量进行筛选；

步骤3：构建显著驾驶特征数据集；

步骤4：构建考虑时间累积效应的混合效应有序logit模型；

步骤5：将显著驾驶特征数据集输入步骤4中的混合效应有序logit模型，对驾驶员疲劳等级进行预测；

步骤6：输出驾驶员疲劳等级预测结果，完成驾驶员疲劳驾驶检测。

2.根据权利要求1所述的一种驾驶员疲劳驾驶检测方法，其特征在于，所述的样本数据集为：

D＝{d₁,d₂,…,d_a,e₁,e₂,…,e_b,t,y}

其中，{d₁,d₂,…,d_a}为驾驶员驾驶行为特征数据集；{e₁,e₂,…,e_b}为驾驶员眼动特征数据集；a和b分别为驾驶员驾驶行为特征数据集和眼动特征数据集的维度；t为驾驶时间；y为预测目标，即驾驶员疲劳等级。

3.根据权利要求2所述的一种驾驶员疲劳驾驶检测方法，其特征在于，所述的驾驶员驾驶行为特征数据集的采集方法为：通过车辆CAN总线采集驾驶员行为特征数据；

所述的驾驶员眼动特征数据集的采集方法为：通过摄像头采集驾驶员的眼动特征。

4.根据权利要求2所述的一种驾驶员疲劳驾驶检测方法，其特征在于，所述的步骤2具体为：

利用Spearman等级相关系数方法进行特征变量的筛选，将驾驶行为特征和眼动特征分别与预测目标进行相关性分析，获得驾驶行为特征变量和眼动特征变量与预测目标之间的相关系数R及显著性G；

其中，R＝{r₁,r₂,…,r_a+b}，G＝{g₁,g₂,…,g_a+b}。

5.根据权利要求4所述的一种驾驶员疲劳驾驶检测方法，其特征在于，所述的Spearman等级相关系数方法具体为：

其中，S为变量U和W之间的Spearman相关系数；z为分别对U和W取秩之后每对观测值(u,w)的秩之差；c为样本量。

6.根据权利要求4所述的一种驾驶员疲劳驾驶检测方法，其特征在于，所述的步骤3具体为：

筛选显著性g＜α的显著驾驶行为特征变量和眼动特征行为变量，组合时间变量t和预测目标y组成显著驾驶特征数据集H，即：

H＝{h₁,h₂,…,h_q,t,y}

其中，q为显著驾驶特征变量的数量。

7.根据权利要求1所述的一种驾驶员疲劳驾驶检测方法，其特征在于，所述的步骤4具体为：

设定m个阈值γ_kj(k＝1,2,…,M-1)，阈值γ_kj将驾驶员的疲劳状态分为M个等级，即：

其中，Y_ij为第i个路段上驾驶员j的观测疲劳等级；

为表示离散变量Y_ij的连续的隐变量；

考虑时间累积效应的混合效应有序logit模型表示为：

将上式表示为：

其中，p为发生疲劳等级m的概率；i为路段编号；j为驾驶员编号；f(t_[i-1]j)为时间函数，其中t_[i-1]j＝t_ij-t_1j，t_ij为驾驶员j通过路段i时的时间；

为受解释变量影响的驾驶员j的第m个累计logit分界点；β^Fixed与

分别为固定效应回归系数及随机效应回归系数；

和

分别为固定效应变量和随机效应变量。

8.一种驾驶员疲劳驾驶检测系统，其特征在于，所述的疲劳驾驶检测系统包括处理器、存储器和数据采集装置；所述的存储器和数据采集装置分别与处理器相连；

处理器，用于执行程序代码；

存储器，存储有如权利要求1～7中任一项所述的驾驶员疲劳驾驶检测方法以供处理器调用；

数据采集装置，用于采集驾驶员驾驶行为特征和眼动特征。

9.根据权利要求8所述的一种驾驶员疲劳驾驶检测系统，其特征在于，所述的疲劳驾驶检测系统还包括用于对驾驶员进行疲劳驾驶提醒的报警装置；所述的报警装置与处理器相连。

10.一种计算机可读介质，其特征在于，所述的计算机可读介质内存储有如权利要求1～7中任一项所述的驾驶员疲劳驾驶检测方法。

Images