CN117644870B - 一种基于情景感知的驾驶焦虑检测与车辆控制方法及系统 - Google Patents
一种基于情景感知的驾驶焦虑检测与车辆控制方法及系统 Download PDFInfo
- Publication number
- CN117644870B CN117644870B CN202410124507.1A CN202410124507A CN117644870B CN 117644870 B CN117644870 B CN 117644870B CN 202410124507 A CN202410124507 A CN 202410124507A CN 117644870 B CN117644870 B CN 117644870B
- Authority
- CN
- China
- Prior art keywords
- driving
- driver
- data
- anxiety
- vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 208000019901 Anxiety disease Diseases 0.000 title claims abstract description 117
- 230000036506 anxiety Effects 0.000 title claims abstract description 116
- 238000001514 detection method Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000008447 perception Effects 0.000 claims abstract description 55
- 230000004927 fusion Effects 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 51
- 230000006870 function Effects 0.000 claims description 33
- 230000008451 emotion Effects 0.000 claims description 20
- 238000012706 support-vector machine Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000001815 facial effect Effects 0.000 claims description 11
- 238000005286 illumination Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 230000006399 behavior Effects 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 206010039203 Road traffic accident Diseases 0.000 abstract description 4
- 208000027418 Wounds and injury Diseases 0.000 abstract description 3
- 230000002411 adverse Effects 0.000 abstract description 3
- 230000006378 damage Effects 0.000 abstract description 3
- 208000014674 injury Diseases 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 4
- 238000000222 aromatherapy Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008909 emotion recognition Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000006461 physiological response Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
- B60W2520/105—Longitudinal acceleration
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2540/00—Input parameters relating to occupants
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2540/00—Input parameters relating to occupants
- B60W2540/21—Voice
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
- B60W2555/20—Ambient conditions, e.g. wind or rain
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2556/00—Input parameters relating to data
- B60W2556/10—Historical data
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于道路车辆控制领域，涉及一种基于情景感知的驾驶焦虑检测与车辆控制方法及系统，该系统包括数据处理模块，获取车辆行驶状态信息、驾驶语音和视频信息；驾驶情景感知模块，对宏观环境、中观车流和微观驾驶空间进行感知；特征提取模块；驾驶人个体感知模块，根据每位驾驶人历史数据生成驾驶人的个体感知特征数据；中心化处理模块，用于得到中心化特征值；权重系数分配与更新模块，对驾驶情景感知模块的情景状态c分配一种权重系数分配方案a，并对现有权重系数分配方案进行更新：特征融合模块；驾驶焦虑检测模块；主控模块。该系统全面提升驾驶人焦虑检测的准确性，避免交通事故和人身伤害等不良事件发生。
Description
技术领域
本发明属于道路车辆控制领域，具体地，涉及一种基于情景感知的驾驶焦虑检测与车辆控制方法及系统。
背景技术
拥挤路段情景下驾驶人在驾驶过程中容易产生焦虑情绪，特别是实习期驾驶人，焦虑情绪的程度不同对驾驶人的感知、决策和操作能力影响也不相同，严重时这种情绪会导致交通事故，进而威胁到公众的生命财产安全。因此，需要对驾驶人焦虑情绪程度进行检测，进而采取干预措施，以便确保驾驶人驾驶安全。
现阶段针对驾驶人焦虑情绪检测的方法较少，很多方法是针对愤怒、兴奋、悲伤等情绪检测，且各种检测方法都忽略了以下问题：首先，忽略了所处情景对焦虑情绪检测的影响。2023年，Jiehao Tang研究发现多模态生理反应的分布在不同的情绪场景中有所不同，即相同情绪在不同情景下的行为表现存在差异；其次，忽略了个体差异性对焦虑情绪检测的影响，不同驾驶人焦虑时的行驶状态、语音和面部有异，所以在具体的情绪检测中需要考虑驾驶人的行驶状态、语音特点和面部结构这种个体差异；最后，现有情绪识别模型未能考虑语音数据的时间弹性，即包含相同信息的语音数据可能在时间长度上存在差异，因此对于语音数据的检测准确率仍存在优化空间。因此，在国家重点研发计划项目《道路运输车辆重大事故风险防范与应急避险技术》（2023YFC3009600）支撑下，亟需提供一种基于情景感知且准确性较高的驾驶焦虑检测与车辆控制方法及系统。
发明内容
鉴于上述技术问题和缺陷，本发明的目的在于提供一种基于情景感知的驾驶焦虑检测与车辆控制方法及系统，该方法既能消除情景差异和驾驶人个体差异对驾驶焦虑检测的影响，还能解决语音数据因时间弹性所带来的问题，全面提升驾驶人焦虑检测的准确性，并根据焦虑程度及时对车辆进行相应控制，以便确保驾驶人驾驶安全，避免交通事故和人身伤害等不良事件发生。
为实现上述目的，本发明采用如下技术方案：
一种基于情景感知的驾驶焦虑检测与车辆控制方法，该方法包括以下步骤：
步骤S1.数据采集与情景感知：
步骤S1.1.获取本车与周边车辆行驶状态信息，获取驾驶人的语音信息和视频信息；
步骤S1.2.进行驾驶情景感知，包括宏观环境感知、中观车流感知和微观驾驶空间感知；其中，所述宏观环境感知的宏观环境变量包括季节J、天气W、时段H、光照强度L；中观车流感知的中观环境变量为车流拥挤综合指数TCI；微观驾驶空间感知的微观环境变量为车辆内的人数P；
步骤S2.对采集的信息进行预处理，并对预处理后的数据进行特征提取：
步骤S2.1.根据车辆行驶状态数据，提取时间窗长度内的特征值，所述特征值包括车辆行驶间距均值、车辆平均速度、车辆平均加速度和车辆平均转向角速度，构建车辆行驶状态特征值矩阵；
步骤S2.2.根据驾驶语音数据，提取语音基频、短时能量、短时过零率、梅尔倒谱系数的特征值，构建语音信息特征值矩阵；
步骤S2.3.根据驾驶视频数据，提取驾驶人面部局部二值模式LBP特征向量，构建面部信息特征值矩阵；
步骤S3.根据每位驾驶人历史驾驶过程中生成的车辆行驶状态特征值矩阵S1、语音信息特征值矩阵S2、面部信息特征值矩阵S3生成驾驶人的个体感知特征数据；
其中，所述驾驶人的个体感知特征数据包括驾驶人的驾驶风格数值、驾驶人的语音特点数值、驾驶人的面部结构数值；
步骤S4.基于在线学习进行驾驶人个体感知特征数据的更新；
步骤S5.应用更新后的驾驶人个体感知特征数据进行特征中心化；
具体步骤为：将通过在线学习更新得到的驾驶人在正常状态下的最新个体感知特征数据与实时获取的现阶段行驶特征数据做差，得到中心化特征值，；
步骤S6.基于情景感知数据进行权重系数分配与更新；
步骤S7.根据步骤S6更新后的权重系数分配方案进行特征融合；
步骤S8. 将步骤S7融合后的综合特征S作为测试样本输入改进的支持向量机检测模型中，改进的支持向量机检测模型内的多类分类器分别求解决策函数的数值，并选择决策函数最大的类别i为该测试样本的焦虑识别结果，从而确定焦虑程度；
步骤S9.主控系统根据步骤S8的焦虑识别结果调整车辆控制参数。
作为本发明的优选，步骤S2.2中，每帧语音信号的语音基频 的计算公式表示如下：
；
其中，L为语音信号的分帧长度，表示语音信号，k为延迟量， 延迟后语音信号；
每帧语音信号的短时能量的计算公式表示如下：
；
其中，N指一帧包含的采样个数，x n (m) 为波形时域信号x(t)经过分帧处理后第n帧第m数据；
短时过零率的计算公式表示如下：
；
梅尔倒谱系数的计算公式表示如下：
；
其中，f指语音频率。
作为本发明的优选，步骤S2.3中，提取驾驶人面部局部二值模式LBP特征向量的具体步骤如下：
步骤S2.3.1.将检测窗口划分为16×16的小区域，每个小区域中的像素都与相邻的8个像素的灰度值进行比较，若任意一个邻近像素值大于中心像素值，则该像素点的位置被标记为1，否则为0，由此得到该窗口中心像素点的局部二值模式特征值LBP，计算公式如下：
；
其中，代表3×3邻域的中心元素，它的像素值为，代表邻域内其他像素的值，p表示某个相邻的像素，是符号函数，定义如下：
；
步骤S2.3.2.计算每个16×16小区域的直方图，并对该直方图进行归一化处理，将其连接成为LBP特征向量，则面部信息特征值矩阵。
作为本发明的优选，步骤S3中，驾驶人的驾驶风格数值为驾驶人历史驾驶过程中的车辆行驶状态特征值矩阵的均值，；驾驶人的语音特点数值为驾驶人历史驾驶过程中的语音信息特征值矩阵的均值，；驾驶人的面部结构数值为驾驶人历史驾驶过程中的语音信息特征值矩阵的均值，。
作为本发明的优选，步骤S4的具体步骤为：使用基于指数移动平均的滑动窗口来实现更新每个驾驶人的个体感知特征数据，将驾驶人的个体感知特征数值作为初始值，然后定义平滑因子，N为所选择的平滑周期数；当新数据到来时，使用以下公式对数据进行更新：
；
其中，是更新后的数据值，是本周期的观测值，是更新前的数据值。
作为本发明的优选，步骤S6的具体步骤为：
定义情景状态c：对不同环境因素进行赋值，排列组合后得到各种情景状态的集合；其中，赋值规则如下：
季节J：{春～1，夏～2，秋～3，冬～4}；天气W：{晴天～1，小雨～2，大雨～3，雪天～4，阴天～5}；时段H：{早高峰～1，平峰～2，晚高峰～3}；光照强度L：{良好～1，一般～2，较差～3}；TCI：{ 0-0.5～1、0.5-1.5～2、1.5-2～3}；车内人数P：{一人～1、二人～2、二人以上～3}；
定义权重系数分配方案a：每种情景状态分别对应一种权重系数分配方案； ；
在情景状态c下随机选取一个权重系数分配方案a进行初始化，然后随机迭代权重系数分配方案群并计算得出随机方案群中预期效用最大的权重系数分配方案，之后通过如下策略对现有权重系数分配方案进行更新：
；
其中，是更新后的权重系数分配方案在情景状态c下的预期效用，是权重系数分配方案a在情景状态c下的预期效用，是学习率，控制每次权重更新的步长，是折扣因子，是权重系数分配方案a在情景状态c下的即时效用，若在情景状态c下，使用权重系数分配方案a进行步骤S7特征融合和步骤S8焦虑识别，所识别的焦虑程度与实际情绪程度相符，则为1，否则 为0，是随机迭代下权重系数分配方案在情景状态c下的最大预期效用。
作为本发明的优选，步骤S7的具体步骤为：对步骤S5的驾驶行为、语音和面部中心化特征值进行加权，然后将加权后的特征进行拼接，得到一个综合特征S，S表示如下：
。
作为本发明的优选，步骤S8中，结合动态时间弯曲与径向基函数的混合核函数来改进支持向量机模型，改进后的混合核函数定义为：
；
其中，为输入空间的两个数据点，为不含时间长度有焦虑标签的样本数据，为不含时间长度的样本数据，是一个调整DTW和RBF权重的参数，根据数据特点自适应调节，0＜a＜1，和 分别是DTW和RBF的缩放参数，和分别代表含时间长度有焦虑标签的样本数据和含时间长度的样本数据，和分别代表有焦虑标签样本数据的特征时间和样本数据的特征时间；
基于改进后的混合核函数对支持向量机模型进行训练，得到改进的支持向量机检测模型，具体步骤为：将驾驶人历史驾驶数据中的驾驶行为、语音和面部数据信息的80%作为训练集，20%作为测试集，识别平静、一般焦虑、重度焦虑，三种类别分别记为；
设训练样本集，其中，，l是样本数，X称为输入空间，输入空间中的x由综合特征S共同组成；
对于平静、一般焦虑、重度焦虑3种类别构造3类两类分类器，每个两类分类器需构造并求解问题如下：
目标函数：
；
约束条件：
；
第i类分类器的决策函数的表示如下：
；
其中，上角标，表示样本种类，j表示样本索引，、 均为分离超平面参数，是松弛变量，是由映射到高维空间中的点，C是惩罚参数，取值为10，表示拉格朗日乘子，，为测试样本；
通过训练确定不同两类分类器中各参数的值，在对测试样本进行预测分类时，将测试样本代入各两类分类器的决策函数中，根据各输出值进行判断，选择使决策函数最大的类别i为该测试样本所属的类别，即平静、一般焦虑、重度焦虑三个类别之一。
本发明还提供一种基于情景感知的驾驶焦虑检测与车辆控制系统，包括数据处理模块、驾驶情景感知模块、特征提取模块、驾驶人个体感知模块、中心化处理模块、权重系数分配与更新模块、特征融合模块、驾驶焦虑检测模块、主控模块；其中，所述数据处理模块，用于获取本车与周边车辆行驶状态信息，获取驾驶语音和视频信息，并对采集的信息进行预处理；
所述驾驶情景感知模块，用于对宏观环境、中观车流和微观驾驶空间进行感知；其中，宏观环境变量包括季节、天气、时段、光照强度；
所述特征提取模块，用于根据预处理后的车辆行驶状态数据、驾驶语音数据和驾驶视频数据进行特征提取，构建车辆行驶状态特征值矩阵、语音信息特征值矩阵和面部信息特征值矩阵；
所述驾驶人个体感知模块，用于根据每位驾驶人历史驾驶过程中生成的车辆行驶状态特征值矩阵、语音信息特征值矩阵、面部信息特征值矩阵生成驾驶人的个体感知特征数据；同时，基于在线学习进行驾驶人个体感知特征数据的更新；
所述中心化处理模块，用于将通过在线学习更新得到的驾驶人在正常状态下的最新个体感知特征数据与实时获取的现阶段行驶特征数据做差，得到中心化特征值；
所述权重系数分配与更新模块，用于对驾驶情景感知模块的情景状态c分配一种权重系数分配方案a，并通过如下策略对现有权重系数分配方案进行更新：
；
其中，是更新后的权重系数分配方案在情景状态c下的预期效用，是权重系数分配方案a在情景状态c下的预期效用，是学习率，控制每次权重更新的步长，是折扣因子，是权重系数分配方案a在情景状态c下的即时效用，若在情景状态c下，使用权重系数分配方案a进行步骤S7特征融合和步骤S8焦虑识别，所识别的焦虑程度与实际情绪程度相符，则为1，否则 为0，是随机迭代下可能的权重系数分配方案在情景状态c下的最大预期效用；
所述特征融合模块，根据更新后的权重系数分配方案对中心化特征值进行特征融合；
所述驾驶焦虑检测模块，用于根据融合后的特征对驾驶焦虑进行检测，确定焦虑程度；
所述主控模块，用于根据焦虑程度控制车辆速度参数、语音系统及可视化终端，用于辅助驾驶人安全行驶。
作为本发明的优选，所述数据处理模块与车载互联设施和车载设备相连，获取车辆行驶状态信息、驾驶语音和视频信息，并将其存储在存储器上；所述驾驶人个体感知模块通过调取存储器中历史行驶数据、驾驶人自身语音特点和面部结构，生成驾驶人的个体感知特征数据。
本发明的优点和有益效果：
（1）本发明提供的方法进行驾驶情景感知，并根据情景感知数据进行权利系数分配与更新，此种方式能够有效消除情景差异对驾驶焦虑检测的影响，提升焦虑检测结果的准确性。
（2）本发明提供的方法根据每位驾驶人历史驾驶过程中生成的车辆行驶状态特征值矩阵、语音信息特征值矩阵、面部信息特征值矩阵生成驾驶人的个体感知特征数据；同时，基于在线学习进行驾驶人个体感知特征数据的更新；之后将通过在线学习更新得到的驾驶人在正常状态下的最新个体感知特征数据与实时获取的现阶段行驶特征数据做差，得到中心化特征值，用于后续的特征融合，此种方式能够有效避免驾驶人个体差异对驾驶焦虑检测的影响，进一步提升焦虑检测结果的准确性。
（3）本发明提供的方法结合动态时间弯曲与径向基函数的混合核函数来改进支持向量机模型，之后利用驾驶员历史数据对改进的支持向量机模型进行训练，从而得到改进的支持向量机检测模型，此种方式能解决语音数据因时间弹性所带来的问题。
（4）本发明提供的方法从三个方面进行改进，可全面提升驾驶人焦虑检测的准确性，之后根据焦虑程度及时对车辆进行相应控制，以便确保驾驶人驾驶安全，避免交通事故和人身伤害等不良事件发生。
附图说明
通过参考以下结合附图的说明，并且随着对本发明的更全面理解，本发明的其它目的及结果将更加明白及易于理解。在附图中：
图1 本发明基于情景感知的驾驶焦虑检测与车辆控制方法流程图；
图2 本发明基于情景感知的驾驶焦虑检测与车辆控制系统结构框图。
具体实施方式
为使本领域技术人员能够更好的理解本发明的技术方案及其优点，下面结合附图对本申请进行详细描述，但并不用于限定本发明的保护范围。
实施例1，本实施例提供一种基于情景感知的驾驶焦虑检测与车辆控制方法，图1为本实施例的一种基于情景感知的驾驶焦虑检测与车辆控制方法流程图。
如图1所示，本实施例提供的一种基于情景感知的驾驶焦虑检测与车辆控制方法，包括以下步骤：
步骤S1.数据采集与情景感知：
步骤S1.1.通过车载联网设施，获取本车与周边车辆行驶状态信息；通过车载设备，获取驾驶人的语音信息和视频信息；
步骤S1.2.进行驾驶情景感知，包括宏观环境感知、中观车流感知和微观驾驶空间感知；其中，所述宏观环境感知的宏观环境变量包括季节J、天气W、时段H、光照强度L；中观车流感知的中观环境变量为车流拥挤综合指数TCI；微观驾驶空间感知的微观环境变量为车辆内的人数P；
步骤S2.对采集的信息进行预处理，并对预处理后的数据进行特征提取，具体步骤如下：
步骤S2.1.根据车辆行驶状态数据，提取时间窗长度内的特征值，所述特征值包括车辆行驶间距均值、车辆平均速度、车辆平均加速度和车辆平均转向角速度，构建车辆行驶状态特征值矩阵；
步骤S2.2. 根据驾驶语音数据，提取语音基频、短时能量、短时过零率、梅尔倒谱系数的特征值，构建语音信息特征值矩阵；
其中，每帧语音信号的语音基频 的计算公式表示如下：
；
其中，L为语音信号的分帧长度，表示语音信号，k为延迟量， 延迟后语音信号；
波形时域信号为x(t)，经过分帧处理后第n帧第m数据为x n (m)，则每帧语音信号的短时能量的计算公式表示如下：
；
其中，N指一帧包含的采样个数；
短时过零率的计算公式表示如下：
；
梅尔倒谱系数的计算公式表示如下：
；
其中，f指语音频率。
步骤S2.3.根据驾驶视频数据，提取驾驶人面部局部二值模式（LBP）特征向量，构建面部信息特征值矩阵；
其中，提取驾驶人面部局部二值模式（LBP）特征向量的具体步骤如下：
步骤S2.3.1.将检测窗口划分为16×16的小区域，每个小区域中的像素都与相邻的8个像素的灰度值进行比较，若任意一个邻近像素值大于中心像素值，则该像素点的位置被标记为1，否则为0，由此得到该窗口中心像素点的局部二值模式特征值LBP，计算公式如下：
；
其中，代表3×3邻域的中心元素，它的像素值为，代表邻域内其他像素的值，p表示某个相邻的像素，是符号函数，定义如下：
；
步骤S2.3.2.计算每个16×16小区域的直方图，并对该直方图进行归一化处理，将其连接成为LBP特征向量，则面部信息特征值矩阵；
步骤S3.根据每位驾驶人历史驾驶过程中生成的车辆行驶状态特征值矩阵S1、语音信息特征值矩阵S2、面部信息特征值矩阵S3生成驾驶人的个体感知特征数据；
其中，所述驾驶人的个体感知特征数据包括驾驶人的驾驶风格数值、驾驶人的语音特点数值、驾驶人的面部结构数值；
具体地，对于每位驾驶人历史驾驶过程中的车辆行驶状态特征值矩阵的均值信息进行存储，生成各驾驶人的驾驶风格数值；根据驾驶人自身语言特点和面部结构，分别建立各驾驶人的语音特点数值和面部结构数值，三者共同组成了驾驶人的个体感知特征数据；其中，为驾驶人历史驾驶过程中的语音信息特征值矩阵的均值；为驾驶人历史驾驶过程中的语音信息特征值矩阵的均值；
步骤S4.基于在线学习进行驾驶人个体感知特征数据的更新；
具体地，使用基于指数移动平均的滑动窗口来实现更新每个驾驶人的个体感知特征数据，将驾驶人的个体感知特征数值作为初始值，然后定义平滑因子，N为所选择的平滑周期数；当新数据到来时，使用以下公式对数据进行更新：
；
其中，是更新后的数据值，是本周期的观测值，是更新前的数据值；
步骤S5.应用更新后的驾驶人个体感知特征数据进行特征中心化；
具体地，将通过在线学习更新得到的驾驶人在正常状态下的最新个体感知特征数据与实时获取的现阶段行驶特征数据做差，得到中心化特征值，中心化过程表示为：
；
由此得到的中心化特征值消除了个体差异性对焦虑状态检测的影响。
步骤S6.基于情景感知数据进行权重系数分配与更新，具体步骤如下：
定义情景状态c：对不同环境因素进行赋值，排列组合后得到各种情景状态的集合；
本实施例中，具体赋值规则如下：
宏观环境变量——季节J：{春～1，夏～2，秋～3，冬～4}；天气W：{晴天～1，小雨～2，大雨～3，雪天～4，阴天～5}；时段H：{早高峰～1，平峰～2，晚高峰～3}；光照强度L：{良好～1，一般～2，较差～3}；
中观环境变量——TCI：{ 0-0.5～1、0.5-1.5～2、1.5-2～3}；
微观环境变量——车内人数P：{一人～1、二人～2、二人以上～3}。
定义权重系数分配方案a：每种情景状态分别对应一种权重系数分配方案： 。
本实施例中，基于效用值对情境感知模型进行训练，以便利用情境感知模型输出更新后的权重系数分配方案结果。为保证情境感知模型的有效性，本发明使用带情绪（焦虑）标签的训练数据对情境感知模型进行训练。
模型训练思路为：在已知情景下，使用权重系数分配方案进行特征融合和焦虑检测，然后将检测结果与实际情绪进行比较，如此进行多轮权重系数分配方案迭代，直至检测结果与实际情绪相匹配。
具体模型训练策略为：定义效用函数u：若在情景状态c下，使用权重系数分配方案a进行步骤S7特征融合和步骤S8焦虑识别，所识别的焦虑程度与实际情绪程度相符，则定义效用值为1；否则，定义效用值为0。
；
之后，以效用值最大为导向，使用训练数据对情境感知模型进行训练。首先在情景状态c下随机选取一个权重系数分配方案a进行初始化，然后随机迭代可能的权重系数分配方案群并计算得出随机方案群中预期效用最大的权重系数分配方案，权重系数分配方案群在前一轮分配方案的基础上随机进行增加减小变换得到，最后通过如下策略对现有权重系数分配方案进行更新：
；
其中，是更新后的权重系数分配方案在情景状态c下的预期效用，是权重系数分配方案a在情景状态c下的预期效用，是学习率，控制每次权重更新的步长，取值0.1，是折扣因子，考虑未来效用对当前决策的影响，取值0.95，是权重系数分配方案a在情景状态c下的即时效用，是随机迭代下可能的权重系数分配方案在情景状态c下的最大预期效用。
步骤S7.根据步骤S6更新后的权重系数分配方案进行特征融合；
具体地，对步骤S5的驾驶行为、语音和面部中心化特征值进行加权，然后将加权后的特征进行拼接，得到一个综合特征S，S表示如下：
；
步骤S8.将步骤S7融合后的综合特征S作为测试样本输入改进的支持向量机检测模型中，改进的支持向量机检测模型内的多个分类器分别求解决策函数的数值，并选择决策函数最大的类别i为该测试样本的焦虑识别结果，从而确定焦虑程度。
本实施例中，考虑到语音基频、短时能量、短时过零率等语音特征存在时间弹性，提出一个结合动态时间弯曲（DTW）与 径向基函数（RBF）的混合核函数来改进支持向量机（SVM）模型，改进后的混合核函数定义为：
；
其中，为输入空间的两个数据点，为不含时间长度有焦虑标签的样本数据，为不含时间长度的样本数据，是一个调整DTW和RBF权重的参数，根据数据特点自适应调节，0＜a＜1，和 分别是DTW和RBF的缩放参数，和分别代表含时间长度有焦虑标签的样本数据和含时间长度的样本数据，和分别代表有焦虑标签样本数据的特征时间和样本数据的特征时间。
此外，本发明基于改进后的混合核函数对支持向量机（SVM）模型进行训练，得到改进的支持向量机检测模型。
具体地，将驾驶人历史驾驶数据中的驾驶行为、语音和面部数据信息的80%作为训练集，20%作为测试集，识别平静、一般焦虑、重度焦虑，三种类别分别记为。
（1）输入训练数据集。设训练样本集，其中，，l是样本数，X称为输入空间，输入空间中的x由综合特征S共同组成。
（2）输出分类决策函数。采取的分类策略是从数据集中挑出一类作为正类，将其作为1类，剩下的所有样本类别作为负类，将其作为-1类；再对分好的两个集合训练构造出一个两类分类器；基于同样方式，对于平静、一般焦虑、重度焦虑3种类别共需构造3类两类分类器，每个两类分类器需构造并求解问题如下：
目标函数：
；
约束条件：
；
求解出第i类分类器的决策函数为：
；
其中，上角标，表示样本种类，j表示样本索引，、 均为分离超平面参数，是松弛变量，是由映射到高维空间中的点，C是惩罚参数，取值为10，表示拉格朗日乘子，，代表y j 等于第i类， 代表y j 不等第i类；针对平静类别（第1类分类器），若y j 为平静，即y j =1=第1类，y j =-1，则不等于第1类；针对一般焦虑（第2类分类器），若y j 为一般焦虑，即y j =1=第2类，y j =-1则不等于第2类，以此类推。
本发明通过训练可确定不同分类器中各参数的值，在对测试样本进行预测分类时，将测试样本代入各两类分类器的决策函数中，根据各输出值进行判断，选择使决策函数最大的类别i为该测试样本所属的类别，即平静、一般焦虑、重度焦虑三个类别之一。
步骤S9.主控系统根据步骤S8的焦虑识别结果调整车辆控制参数。
具体地，当驾驶人出现一般焦虑情绪时，车载可视化终端将显示文字提醒，并自动开启实时路况播报功能，开启车载香薰喷雾；控制车辆速度参数，限制最大车速为60km/h，确保行车安全；
当驾驶人出现重度焦虑情绪时，车载可视化终端将发出红色预警，并自动开启广播电台功能，开启车载香薰喷雾；控制车辆速度参数，对车辆进行减速辅助，限制最大车速为10km/h，并开启危险警示灯。
需要说明，本实施例中，确定驾驶人的焦虑程度后，关于具体的焦虑情绪抚慰及车辆控制并不限于上述方式，本领域技术人员还可采用其他能够抚慰驾驶人焦虑情绪并保证车辆安全行驶的其他控制策略。
进一步，本实施例中，驾驶情景感知的宏观环境感知为：获取季节J、天气W、时段H与光照强度L作为宏观环境变量；
；
中观车流感知为：提取车流密度G与空间占有率O，然后计算车流拥挤综合指数TCI用以表征中观车流感知变量，TCI数值越大，代表车流拥挤程度越高；
；
微观驾驶空间感知为：获取车辆内的人数P作为微观驾驶空间变量；
。
实施例2，如图2所示，本实施例提供一种基于情景感知的驾驶焦虑检测与车辆控制系统，包括数据处理模块、驾驶情景感知模块、特征提取模块、驾驶人个体感知模块、中心化处理模块、权重系数分配与更新模块、特征融合模块、驾驶焦虑检测模块、主控模块；其中，所述数据处理模块，用于获取本车与周边车辆行驶状态信息，获取驾驶语音和视频信息，并对采集的信息进行预处理；
所述驾驶情景感知模块，用于对宏观环境、中观车流和微观驾驶空间进行感知；其中，宏观环境变量包括季节、天气、时段、光照强度；
所述特征提取模块，用于根据预处理后的车辆行驶状态数据、驾驶语音数据和驾驶视频数据进行特征提取，构建车辆行驶状态特征值矩阵、语音信息特征值矩阵和面部信息特征值矩阵；
所述驾驶人个体感知模块，用于根据每位驾驶人历史驾驶过程中生成的车辆行驶状态特征值矩阵、语音信息特征值矩阵、面部信息特征值矩阵生成驾驶人的个体感知特征数据；同时，基于在线学习进行驾驶人个体感知特征数据的更新；
所述中心化处理模块，用于将通过在线学习更新得到的驾驶人在正常状态下的最新个体感知特征数据与实时获取的现阶段行驶特征数据做差，得到中心化特征值；
所述权重系数分配与更新模块，用于对驾驶情景感知模块的情景状态c分配一种权重系数分配方案a，并通过如下策略对现有权重系数分配方案进行更新：
；
其中，是更新后的权重系数分配方案在情景状态c下的预期效用，是权重系数分配方案a在情景状态c下的预期效用，是学习率，控制每次权重更新的步长，是折扣因子，是权重系数分配方案a在情景状态c下的即时效用，若在情景状态c下，使用权重系数分配方案a进行步骤S7特征融合和步骤S8焦虑识别，所识别的焦虑程度与实际情绪程度相符，则为1，否则 为0，是随机迭代下可能的权重系数分配方案在情景状态c下的最大预期效用；
所述特征融合模块，根据更新后的权重系数分配方案对中心化特征值进行特征融合；
所述驾驶焦虑检测模块，用于根据融合后的特征对驾驶焦虑进行检测，确定焦虑程度；
所述主控模块，用于根据焦虑程度控制车辆速度参数、语音系统及可视化终端，用于辅助驾驶人安全行驶。
在具体实施过中，所述数据处理模块与车载互联设施和车载设备相连，获取车辆行驶状态信息、驾驶语音和视频信息，并将其存储在存储器上；
所述驾驶人个体感知模块通过调取存储器中历史行驶数据、驾驶人自身语音特点和面部结构，生成驾驶人的个体感知特征数据；同时，基于在线学习进行驾驶人个体感知特征数据的更新。
本发明还提供一种电子设备，包括：一个或多个处理器、存储器；其中，所述存储器用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，一个或多个处理器实现上述所述的一种基于情景感知的驾驶焦虑检测与车辆控制方法。
本发明还提供一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现实施例1所述的基于情景感知的驾驶焦虑检测与车辆控制方法。
本领域技术人员可以理解，上述实施方式中各种方法/模块的全部或部分功能可以通过硬件的方式实现，也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器、随机存储器、磁盘、光盘、硬盘等，通过计算机执行该程序以实现上述功能。例如，将程序存储在设备的存储器中，当通过处理器执行存储器中程序，即可实现上述全部或部分功能。
另外，当上述实施方式中全部或部分功能通过计算机程序的方式实现时，该程序也可以存储在服务器、另一计算机、磁盘、光盘、闪存盘或移动硬盘等存储介质中，通过下载或复制保存到本地设备的存储器中，或对本地设备的系统进行版本更新，当通过处理器执行存储器中的程序时，即可实现上述实施方式中全部或部分功能。
以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于情景感知的驾驶焦虑检测的车辆控制方法，其特征在于，该方法包括以下步骤：
步骤S1.数据采集与情景感知：
步骤S1.1.获取本车与周边车辆行驶状态信息，获取驾驶人的语音信息和视频信息；
步骤S1.2.进行驾驶情景感知，包括宏观环境感知、中观车流感知和微观驾驶空间感知；其中，所述宏观环境感知的宏观环境变量包括季节J、天气W、时段H、光照强度L；中观车流感知的中观环境变量为车流拥挤综合指数TCI；微观驾驶空间感知的微观环境变量为车辆内的人数P；
步骤S2.对采集的信息进行预处理，并对预处理后的数据进行特征提取：
步骤S2.1.根据车辆行驶状态数据，提取时间窗长度内的特征值，所述特征值包括车辆行驶间距均值、车辆平均速度、车辆平均加速度和车辆平均转向角速度，构建车辆行驶状态特征值矩阵；
步骤S2.2.根据驾驶语音数据，提取语音基频、短时能量、短时过零率、梅尔倒谱系数的特征值，构建语音信息特征值矩阵；
步骤S2.3.根据驾驶视频数据，提取驾驶人面部局部二值模式LBP特征向量，构建面部信息特征值矩阵；
步骤S3.根据每位驾驶人历史驾驶过程中生成的车辆行驶状态特征值矩阵S1、语音信息特征值矩阵S2、面部信息特征值矩阵S3生成驾驶人的个体感知特征数据；
其中，所述驾驶人的个体感知特征数据包括驾驶人的驾驶风格数值、驾驶人的语音特点数值、驾驶人的面部结构数值；
步骤S4.基于在线学习进行驾驶人个体感知特征数据的更新；
步骤S5.应用更新后的驾驶人个体感知特征数据进行特征中心化；
具体步骤为：将通过在线学习更新得到的驾驶人在正常状态下的最新个体感知特征数据与实时获取的现阶段行驶特征数据做差，得到中心化特征值，；
步骤S6.基于情景感知数据进行权重系数分配与更新；
步骤S7.根据步骤S6更新后的权重系数分配方案进行特征融合；
步骤S8. 将步骤S7融合后的综合特征S作为测试样本输入改进的支持向量机检测模型中，改进的支持向量机检测模型内的多类分类器分别求解决策函数的数值，并选择决策函数最大的类别i为该测试样本的焦虑识别结果，从而确定焦虑程度；
步骤S9.主控系统根据步骤S8的焦虑识别结果调整车辆控制参数。
2.根据权利要求1所述的一种基于情景感知的驾驶焦虑检测的车辆控制方法，其特征在于，步骤S2.2中，每帧语音信号的语音基频 的计算公式表示如下：
；
其中，L为语音信号的分帧长度，表示语音信号，k为延迟量， 延迟后语音信号；
每帧语音信号的短时能量的计算公式表示如下：
；
其中，N指一帧包含的采样个数，x n (m) 为波形时域信号x(t)经过分帧处理后第n帧第m数据；
短时过零率的计算公式表示如下：
；
梅尔倒谱系数的计算公式表示如下：
；
其中，f指语音频率。
3.根据权利要求1所述的一种基于情景感知的驾驶焦虑检测的车辆控制方法，其特征在于，步骤S2.3中，提取驾驶人面部局部二值模式LBP特征向量的具体步骤如下：
步骤S2.3.1.将检测窗口划分为16×16的小区域，每个小区域中的像素都与相邻的8个像素的灰度值进行比较，若任意一个邻近像素值大于中心像素值，则该任意一个邻近像素值对应的像素点的位置被标记为1，否则为0，由此得到该检测窗口中心像素点的局部二值模式特征值LBP，计算公式如下：
；
其中，代表3×3邻域的中心元素，它的像素值为，代表邻域内其他像素的值，p表示某个相邻的像素，是符号函数，定义如下：
；
步骤S2.3.2.计算每个16×16小区域的直方图，并对该直方图进行归一化处理，将其连接成为LBP特征向量，则面部信息特征值矩阵。
4.根据权利要求1所述的一种基于情景感知的驾驶焦虑检测的车辆控制方法，其特征在于，步骤S3中，驾驶人的驾驶风格数值为驾驶人历史驾驶过程中的车辆行驶状态特征值矩阵的均值，；驾驶人的语音特点数值为驾驶人历史驾驶过程中的语音信息特征值矩阵的均值，；驾驶人的面部结构数值为驾驶人历史驾驶过程中的语音信息特征值矩阵的均值，。
5.根据权利要求1所述的一种基于情景感知的驾驶焦虑检测的车辆控制方法，其特征在于，步骤S4的具体步骤为：使用基于指数移动平均的滑动窗口来实现更新每个驾驶人的个体感知特征数据，将驾驶人的个体感知特征数值作为初始值，然后定义平滑因子，N为所选择的平滑周期数；当新数据到来时，使用以下公式对数据进行更新：
；
其中，是更新后的数据值，是本周期的观测值，是更新前的数据值。
6.根据权利要求1所述的一种基于情景感知的驾驶焦虑检测的车辆控制方法，其特征在于，步骤S6的具体步骤为：
定义情景状态c：对不同环境因素进行赋值，排列组合后得到各种情景状态的集合；其中，赋值规则如下：
季节J：{春～1，夏～2，秋～3，冬～4}；天气W：{晴天～1，小雨～2，大雨～3，雪天～4，阴天～5}；时段H：{早高峰～1，平峰～2，晚高峰～3}；光照强度L：{良好～1，一般～2，较差～3}；TCI：{ 0-0.5～1、0.5-1.5～2、1.5-2～3}；车内人数P：{一人～1、二人～2、二人以上～3}；
定义权重系数分配方案a：每种情景状态分别对应一种权重系数分配方案；；
在情景状态c下随机选取一个权重系数分配方案a进行初始化，然后随机迭代权重系数分配方案群并计算得出随机方案群中预期效用最大的权重系数分配方案，之后通过如下策略对现有权重系数分配方案进行更新：
；
其中，是更新后的权重系数分配方案在情景状态c下的预期效用，是权重系数分配方案a在情景状态c下的预期效用，是学习率，控制每次权重更新的步长，是折扣因子，是权重系数分配方案a在情景状态c下的即时效用，若在情景状态c下，使用权重系数分配方案a进行步骤S7特征融合和步骤S8焦虑识别，所识别的焦虑程度与实际情绪程度相符，则为1，否则 为0，是随机迭代下权重系数分配方案在情景状态c下的最大预期效用。
7.根据权利要求1所述的一种基于情景感知的驾驶焦虑检测的车辆控制方法，其特征在于，步骤S7的具体步骤为：对步骤S5的驾驶行为、语音和面部中心化特征值进行加权，然后将加权后的特征进行拼接，得到一个综合特征S，S表示如下：
。
8.根据权利要求1所述的一种基于情景感知的驾驶焦虑检测的车辆控制方法，其特征在于，步骤S8中，结合动态时间弯曲与径向基函数的混合核函数来改进支持向量机模型，改进后的混合核函数定义为：
；
其中，为输入空间的两个数据点，为不含时间长度有焦虑标签的样本数据，为不含时间长度的样本数据，是一个调整动态时间弯曲 DTW 和径向基函数 RBF权重的参数，根据数据特点自适应调节，0＜a＜1，和 分别是DTW和RBF的缩放参数，和含时间长度有焦虑标签的样本数据和含时间长度的样本数据，和分别代表有焦虑标签样本数据的特征时间和样本数据的特征时间；
基于改进后的混合核函数对支持向量机模型进行训练，得到改进的支持向量机检测模型，具体步骤为：将驾驶人历史驾驶数据中的驾驶行为、语音和面部数据信息的80%作为训练集，20%作为测试集，识别平静、一般焦虑、重度焦虑，三种类别分别记为；
设训练样本集，其中，，l是样本数，X称为输入空间，输入空间中的x由综合特征S共同组成；
对于平静、一般焦虑、重度焦虑3种类别构造3类两类分类器，每个两类分类器需构造并求解问题如下：
目标函数：
；
约束条件：
；
第i类分类器的决策函数的表示如下：
；
其中，上角标，表示样本种类，j表示样本索引，、 均为分离超平面参数，是松弛变量，是由映射到高维空间中的点，C是惩罚参数，取值为10，表示拉格朗日乘子，，为测试样本；
通过训练确定不同两类分类器中各参数的值，在对测试样本进行预测分类时，将测试样本代入各两类分类器的决策函数中，根据各输出值进行判断，选择使决策函数最大的类别i为该测试样本所属的类别，即平静、一般焦虑、重度焦虑三个类别之一。
9.一种基于情景感知的驾驶焦虑检测的车辆控制系统，其特征在于，包括数据处理模块、驾驶情景感知模块、特征提取模块、驾驶人个体感知模块、中心化处理模块、权重系数分配与更新模块、特征融合模块、驾驶焦虑检测模块、主控模块；其中，所述数据处理模块，用于获取本车与周边车辆行驶状态信息，获取驾驶语音和视频信息，并对采集的信息进行预处理；
所述驾驶情景感知模块，用于对宏观环境、中观车流和微观驾驶空间进行感知；其中，宏观环境变量包括季节、天气、时段、光照强度；
所述特征提取模块，用于根据预处理后的车辆行驶状态数据、驾驶语音数据和驾驶视频数据进行特征提取，构建车辆行驶状态特征值矩阵、语音信息特征值矩阵和面部信息特征值矩阵；
所述驾驶人个体感知模块，用于根据每位驾驶人历史驾驶过程中生成的车辆行驶状态特征值矩阵、语音信息特征值矩阵、面部信息特征值矩阵生成驾驶人的个体感知特征数据；同时，基于在线学习进行驾驶人个体感知特征数据的更新；
所述中心化处理模块，用于将通过在线学习更新得到的驾驶人在正常状态下的最新个体感知特征数据与实时获取的现阶段行驶特征数据做差，得到中心化特征值；
所述权重系数分配与更新模块，用于对驾驶情景感知模块的情景状态c分配一种权重系数分配方案a，并通过如下策略对现有权重系数分配方案进行更新：
；
其中，是更新后的权重系数分配方案在情景状态c下的预期效用，是权重系数分配方案a在情景状态c下的预期效用，是学习率，控制每次权重更新的步长，是折扣因子，是权重系数分配方案a在情景状态c下的即时效用，若在情景状态c下，使用权重系数分配方案a进行步骤S7特征融合和步骤S8焦虑识别，所识别的焦虑程度与实际情绪程度相符，则为1，否则 为0，是随机迭代下权重系数分配方案在情景状态c下的最大预期效用；
所述特征融合模块，根据更新后的权重系数分配方案对中心化特征值进行特征融合；
所述驾驶焦虑检测模块，用于根据融合后的特征对驾驶焦虑进行检测，确定焦虑程度；
所述主控模块，用于根据焦虑程度控制车辆速度参数、语音系统及可视化终端，用于辅助驾驶人安全行驶。
10.根据权利要求9所述的一种基于情景感知的驾驶焦虑检测的车辆控制系统，其特征在于，所述数据处理模块与车载互联设施和车载设备相连，获取车辆行驶状态信息、驾驶语音和视频信息，并将其存储在存储器上；所述驾驶人个体感知模块通过调取存储器中历史行驶数据、驾驶人自身语音特点和面部结构，生成驾驶人的个体感知特征数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410124507.1A CN117644870B (zh) | 2024-01-30 | 2024-01-30 | 一种基于情景感知的驾驶焦虑检测与车辆控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410124507.1A CN117644870B (zh) | 2024-01-30 | 2024-01-30 | 一种基于情景感知的驾驶焦虑检测与车辆控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117644870A CN117644870A (zh) | 2024-03-05 |
| CN117644870B true CN117644870B (zh) | 2024-03-26 |
Family
ID=90048152
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410124507.1A Active CN117644870B (zh) | 2024-01-30 | 2024-01-30 | 一种基于情景感知的驾驶焦虑检测与车辆控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117644870B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106096717A (zh) * | 2016-06-03 | 2016-11-09 | 北京光年无限科技有限公司 | 面向智能机器人的信息处理方法及系统 |
| CN107212896A (zh) * | 2017-04-05 | 2017-09-29 | 天津大学 | 一种情绪稳定性综合评价系统及信息处理方法 |
| CN109927725A (zh) * | 2019-01-28 | 2019-06-25 | 吉林大学 | 一种具有驾驶风格学习能力的自适应巡航系统及实现方法 |
| CN113015984A (zh) * | 2018-01-08 | 2021-06-22 | 达莉娅·弗罗洛瓦 | 卷积神经网络中的错误校正 |
| CN115497153A (zh) * | 2022-11-16 | 2022-12-20 | 吉林大学 | 一种基于兴奋分析的车辆驾驶参数控制方法及系统 |
| CN115743137A (zh) * | 2022-10-29 | 2023-03-07 | 吉林大学 | 一种基于人机增强感知的驾驶情境理解方法 |
| KR20230139666A (ko) * | 2022-03-28 | 2023-10-05 | 부산대학교 산학협력단 | 졸음운전 형태 분류 및 앙상블 딥러닝 기반의 졸음운전 인식을 위한 장치 및 방법 |
| WO2023230740A1 (zh) * | 2022-05-28 | 2023-12-07 | 华为技术有限公司 | 一种异常驾驶行为识别的方法、装置和交通工具 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11074906B2 (en) * | 2017-12-07 | 2021-07-27 | Hed Technologies Sarl | Voice aware audio system and method |
| KR20220152829A (ko) * | 2021-05-10 | 2022-11-17 | 현대자동차주식회사 | 차량 사운드 기반 감성 케어 장치 및 방법 |
-
2024
- 2024-01-30 CN CN202410124507.1A patent/CN117644870B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106096717A (zh) * | 2016-06-03 | 2016-11-09 | 北京光年无限科技有限公司 | 面向智能机器人的信息处理方法及系统 |
| CN107212896A (zh) * | 2017-04-05 | 2017-09-29 | 天津大学 | 一种情绪稳定性综合评价系统及信息处理方法 |
| CN113015984A (zh) * | 2018-01-08 | 2021-06-22 | 达莉娅·弗罗洛瓦 | 卷积神经网络中的错误校正 |
| CN109927725A (zh) * | 2019-01-28 | 2019-06-25 | 吉林大学 | 一种具有驾驶风格学习能力的自适应巡航系统及实现方法 |
| KR20230139666A (ko) * | 2022-03-28 | 2023-10-05 | 부산대학교 산학협력단 | 졸음운전 형태 분류 및 앙상블 딥러닝 기반의 졸음운전 인식을 위한 장치 및 방법 |
| WO2023230740A1 (zh) * | 2022-05-28 | 2023-12-07 | 华为技术有限公司 | 一种异常驾驶行为识别的方法、装置和交通工具 |
| CN115743137A (zh) * | 2022-10-29 | 2023-03-07 | 吉林大学 | 一种基于人机增强感知的驾驶情境理解方法 |
| CN115497153A (zh) * | 2022-11-16 | 2022-12-20 | 吉林大学 | 一种基于兴奋分析的车辆驾驶参数控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117644870A (zh) | 2024-03-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10176405B1 (en) | Vehicle re-identification techniques using neural networks for image analysis, viewpoint-aware pattern recognition, and generation of multi- view vehicle representations | |
| CN110949398B (zh) | 一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法 | |
| CN111460919B (zh) | 一种基于改进YOLOv3的单目视觉道路目标检测及距离估计方法 | |
| CN112487954B (zh) | 一种面向平面交叉口的行人过街行为预测方法 | |
| CN105354986A (zh) | 汽车司机驾驶状态监测系统及方法 | |
| CN110077398B (zh) | 一种用于智能驾驶的危险处理方法 | |
| Kuang et al. | Bayes saliency-based object proposal generator for nighttime traffic images | |
| CN112793576B (zh) | 一种基于规则与机器学习融合的换道决策方法及系统 | |
| Jain et al. | An automated hyperparameter tuned deep learning model enabled facial emotion recognition for autonomous vehicle drivers | |
| Karunasena et al. | Tea bud leaf identification by using machine learning and image processing techniques | |
| CN114049677B (zh) | 基于驾驶员情绪指数的车辆adas控制方法及系统 | |
| CN110858312A (zh) | 基于模糊c均值聚类算法的驾驶员驾驶风格分类方法 | |
| Zhang et al. | A framework for turning behavior classification at intersections using 3D LIDAR | |
| CN114735010B (zh) | 基于情绪识别的智能车辆行驶控制方法、系统及存储介质 | |
| Al Mamun et al. | Lane marking detection using simple encode decode deep learning technique: SegNet | |
| Kim et al. | Lane change intention classification of surrounding vehicles utilizing open set recognition | |
| Wu et al. | Driver lane change intention recognition based on Attention Enhanced Residual-MBi-LSTM network | |
| EP3885973A1 (en) | Measuring the sensitivity of neural network image classifiers against adversarial attacks | |
| Sayeed et al. | Bangladeshi traffic sign recognition and classification using cnn with different kinds of transfer learning through a new (btsrb) dataset | |
| CN117644870B (zh) | 一种基于情景感知的驾驶焦虑检测与车辆控制方法及系统 | |
| Lad et al. | Computer vision enabled adaptive speed limit control for vehicle safety | |
| CN117935388A (zh) | 一种基于联网的高速公路计费监控系统和方法 | |
| Mijic et al. | Autonomous driving solution based on traffic sign detection | |
| CN112348718B (zh) | 智能辅助驾驶指导方法、装置和计算机存储介质 | |
| CN113343903A (zh) | 一种自然场景下的车牌识别方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |