CN117885743A - 一种驾驶员异常状态识别恢复方法及系统 - Google Patents
一种驾驶员异常状态识别恢复方法及系统 Download PDFInfo
- Publication number
- CN117885743A CN117885743A CN202410220387.5A CN202410220387A CN117885743A CN 117885743 A CN117885743 A CN 117885743A CN 202410220387 A CN202410220387 A CN 202410220387A CN 117885743 A CN117885743 A CN 117885743A
- Authority
- CN
- China
- Prior art keywords
- driver
- state
- abnormal
- data
- random forest
- 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.)
- Pending
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000007637 random forest analysis Methods 0.000 claims abstract description 59
- 238000012544 monitoring process Methods 0.000 claims abstract description 34
- 238000011084 recovery Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000005856 abnormality Effects 0.000 claims description 30
- 210000003128 head Anatomy 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 15
- 230000004399 eye closure Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000004424 eye movement Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000005611 electricity Effects 0.000 claims description 5
- 210000001747 pupil Anatomy 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 230000036387 respiratory rate Effects 0.000 claims description 4
- 238000005507 spraying Methods 0.000 claims description 4
- 101000872084 Danio rerio Delta-like protein B Proteins 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 206010016256 fatigue Diseases 0.000 description 35
- 241001282135 Poromitra oscitans Species 0.000 description 2
- 206010048232 Yawning Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000036391 respiratory frequency Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 244000248349 Citrus limon Species 0.000 description 1
- 235000005979 Citrus limon Nutrition 0.000 description 1
- 241000764238 Isis Species 0.000 description 1
- 235000006679 Mentha X verticillata Nutrition 0.000 description 1
- 235000002899 Mentha suaveolens Nutrition 0.000 description 1
- 235000001636 Mentha x rotundifolia Nutrition 0.000 description 1
- 230000036626 alertness Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000000744 eyelid Anatomy 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000004886 head movement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种驾驶员异常状态识别恢复方法，包括对驾驶员的驾驶状态进行监控并采集状态数据，提取驾驶状态特征；根据不同驾驶状态特征的权重，建立用于识别驾驶员状态的随机森林模型；基于驾驶状态特征和随机森林模型，对驾驶员驾驶状态进行划分分类；针对异常驾驶状态的分类对驾驶员驾驶能力进行恢复。一种驾驶员异常状态识别恢复系统包括：数据采集单元、数据处理和分析单元、预警显示单元。本发明采用两阶段识别分类法，初步识别分类检测出状态趋势后采用随机森林模型进行精确状态分类，减少交通流等其他因素对分类准确性的影响、提高系统分类精度和效率，从而提高驾驶安全性。
Description
技术领域
本发明属于车辆安全驾驶技术领域，尤其是涉及一种驾驶员异常状态识别恢复方法及系统。
背景技术
随着自动驾驶汽车技术引入公共道路系统，需要了解驾驶员将如何与车辆自动驾驶系统互动并适应这些系统，目前这些自动驾驶系统在一定程度上能控制车辆，但仍需要驾驶员参与。美国国家公路交通安全管理局(NHTSA)，考虑到不同功能被纳入车辆自动化的可能性，定义了五个级别的自动化。其中L2车辆设计的主要目标是提供一定程度的驾驶辅助，以减轻驾驶员的负担和提高驾驶的舒适性。然而，驾驶员仍然必须监控道路并保持警惕，以便在接到接管请求的瞬间重新控制车辆。因此，即使L2车辆功能处于激活状态，驾驶员也需要保持一定的态势感知能力。
现有技术中，主要对驾驶员在驾驶过程中的一些异常状态，比如分心和疲劳，需要对其进行监测与警告，且能够保证实时反映驾驶员的驾驶状态，大多监控系统都是对驾驶员的状态进行单一监测与警告，且检测结果不够精准，导致错报误报的情况出现；现有监测系统也未能根据驾驶员的具体驾驶状态进行详细分类并给予相应的驾驶能力恢复的干预任务。
发明内容
发明目的：本发明的目的旨在提供一种监测识别精度高、状态分类准确的驾驶员异常状态识别恢复方法；本发明的另一目的旨在提供一种驾驶员异常状态识别恢复系统。
技术方案：本发明所述的驾驶员异常状态识别恢复方法，包括以下步骤：
步骤1、对驾驶员的驾驶状态进行监控并采集状态数据，提取驾驶状态特征；
步骤2、根据不同驾驶状态特征的权重，建立用于识别驾驶员状态的随机森林模型；
步骤3、基于驾驶状态特征和随机森林模型，对驾驶员驾驶状态进行划分分类；
步骤4、针对步骤3中异常驾驶状态的分类对驾驶员驾驶能力进行恢复。
其中，所述步骤1中采集的状态数据包括驾驶员眼部运动、头部三维姿势、生理参数及手部位置的信息；对采集的数据进行预处理得到驾驶状态特征。
其中，所述步骤2中随机森林模型的使用包括以下步骤：
步骤211、准备用于训练和测试模型的数据，这些数据包括采集到的驾驶员眼部数据、生理参数数据、驾驶员头部及手部行为数据；
步骤212、将步骤211中的数据进行标记，保证提取的驾驶状态特征与相应的驾驶员状态标记相对应；
步骤213、对驾驶状态特征进行划分，划分为训练集和测试集；
步骤214、使用训练集数据来训练随机森林模型，使用测试集数据来评估训练好的随机森林模型。
其中，所述步骤2中随机森林模型基于特征在森林中的权重来控制树的构建和数量，包括以下步骤：
步骤221、建立一个规模为B0的初始随机森林模型F0；
步骤222、计算随机森林中每棵树的权重ωτ(·)，设驾驶异常特征向量 根据驾驶员疲劳、分心、生理异常状态，分别取ω＝9，6，8，其组成的样本集T＝{(ti,ci)},i＝1,2,…，m，m为特征向量个数，ci为ti对应的异常状态类别，基于全局权重/>对驾驶员特征/>的重要性进行评估；
步骤223、将各个类别的特征分别进行集合分类，包括重要特征集合 和非重要特征集合/>两部分，Thω为不同驾驶员状态类别对应于不同的阈值；
步骤224、在构建树的迭代过程中对两个集合进行更新，计算第n+1次迭代后的重要特征集合和非重要特征集合，并计算各自基数Δu、以及Δv的变化量，从而通过随机森林模型F得到驾驶员某一时刻异常驾驶状态的概率，并判断该概率的准确率；
步骤225、基于随机森林模型Fn，用Bn+1＝Bn+ΔB来更新得到随机森林Fn+1，ΔB为随机森林模型F中B的变化量。
其中，所述步骤224中随机森林模型F判断驾驶员某一时刻异常驾驶状态的概率包括：设一颗有Nαv个节点的树τ，其所有节点都被合适分裂的概率为定义：
以此来表征随机森林模型F中至少一棵树τ中所有节点都被合适分裂的概率，则F中任何一树对(τx，τy)所有的Nαv对节点中至少有一个异常驾驶特征在/>中的概率为：
显然ρ<<1，则可得树对(τx,τy)中至少有一对节点特征在中的概率为：
其中，所述步骤224中判断异常状态概率的准确率包括定义随机森林F对异常状态分类的准确率为：
其中，为常数因子，/>为至少一棵树τ中所有节点都被合适分裂的概率，/>为至少有一对节点特征在/>中的概率，ρ为至少有一个异常驾驶特征/>在/>中的概率，/>为所有节点都被合适分裂的概率，B为随机森林模型F的规模。
其中，所述步骤3驾驶状态包括将驾驶员在L2级自动驾驶模式下的道路监控状态分为专注、疲劳、分心以及生理异常四种，提取其异常状态分别对应的特征向量；疲劳状态特征向量包括嘴巴张开度、嘴巴张开持续时间、嘴巴张开频率、眼睛张开度、眼睛闭合持续时间、眼睛闭合频率、头部俯仰、头部摆动、手部位置九个维度；分心状态特征向量包括注视位置、注视持续时间、瞳孔直径、眼睛闭合持续时间、头部转动、手部位置六个维度；生理异常状态特征向量包括心率变化率、呼吸频率、皮肤电、眼睛闭合持续时间、眼睛闭合频率、头部俯仰、头部摆动、手部位置八个维度。
其中，所述驾驶员的三种异常监控状态分别分为一级疲劳、二级疲劳；一级分心、二级分心；一级生理异常、二级生理异常，划分依据为各个状态对应特征向量的阈值。
其中，针对异常驾驶状态的分类对驾驶员驾驶能力进行恢复，所述一级疲劳对应的恢复任务包括：气味刺激和声音刺激；二级疲劳对应的恢复任务包括：通过温控系统实现温度调节并语音交互使驾驶员进行相关简易肢体舒展动作任务；一级分心恢复任务包括：通过声光警告、座椅震动；二级分心恢复任务包括：语音提醒驾驶员无效后发出接管请求信号，让驾驶员接管车辆控制权；一级生理异常恢复任务包括：自动驾驶系统得到驾驶员许可后就近找安全位置停车休息；二级生理异常恢复任务包括：系统实时监测驾驶员各项特征指标，在驾驶员未回复语音问题时，定位车辆信息并紧急呼救。
一种驾驶员异常状态识别恢复系统，包括：数据采集单元、数据处理和分析单元、预警显示单元，所述数据采集单元：包括摄像头单元以及传感器单元，用于采集驾驶员在L2级自动驾驶模式下的道路监控状态数据，包括眼动数据、头部及手部运动数据以及生理数据；所述数据处理和分析单元：用于整合各个传感器单元所采集到的数据，进行数据处理和分析，采用基于特征权重的随机森林算法根据各个特征向量，对驾驶员的监控状态进行分类并输出识别结果；所述预警显示单元：根据模型算法对驾驶员的监控状态评估结果，产生相应的提醒和驾驶能力恢复任务，如声光警告、振动座椅、自动调温、喷雾系统、发布接管请求等方法来提醒驾驶员恢复监控道路的状态，以提高驾驶安全性。
有益效果：与现有技术相比，本发明具有以下显著的进步：
(1)本发明将驾驶员在监控道路时的各项眼动数据、头部及手部行为数据以及生理数据进行特征融合，将驾驶员的状态分为专注、疲劳、分心、生理异常四种。为减少交通流等其他因素对分类准确性的影响、提高系统分类精度和效率，采用两阶段识别分类法，初步识别分类检测出状态趋势后采用随机森林模型进行精确状态分类。
(2)本发明基于模型输出结果，对应不同的驾驶员监控状态给予相应的道路监控能力恢复任务及帮助，如声光警告、振动座椅、自动调温、喷雾系统、发布接管任务等，从而提高驾驶安全性。
附图说明
图1为本发明流程示意图；
图2为头部运动坐标示意图；
图3为嘴巴开合度状态检测流程图；
图4为驾驶员监控状态识别流程图；
图5为系统装置结构示意图。
具体实施方式
本发明中的驾驶员异常状态识别恢复方法，包括以下步骤；
步骤1、对驾驶员的驾驶状态进行监控并采集状态数据，提取驾驶状态特征；
步骤2、根据不同驾驶状态特征的权重，建立用于识别驾驶员状态的随机森林模型；
步骤3、基于驾驶状态特征和随机森林模型，对驾驶员驾驶状态进行划分分类；
步骤4、针对步骤3中异常驾驶状态的分类对驾驶员驾驶能力进行恢复。
具体而言是一种基于特征权重随机森林算法的驾驶员监控状态识别分类模型，并根据模型输出结果，给出相应驾驶能力恢复及帮助的系统，本发明具体工作流程如图1所示，包括：
驾驶员监控状态数据获取，首先进行数据采集，使用红外摄像头和深度传感器来捕捉驾驶员的眼睛运动和头部的三维姿势、生理参数及手部位置信息，其中头部运动示意如图2所示。使用可穿戴无线多传感腕带采集生理测量数据(包括皮肤电阻、心率、呼吸频率)。
其次对预处理后的数据进行特征提取，提取出能够描述驾驶员状态的特征。例如，对眼部数据可以提取注视位置、持续注视时间、瞳孔直径、眼睛张开度、眨眼频率，对头部数据可以提取头部姿势各方向转角，对生理数据可以提取心率变化率、呼吸频率、皮肤电，对手部动作行为数据可以提取手部位置特征(是否脱离方向盘)。其中眼睛张开度采用PERCLOS算法，即将眼睛闭合时间占据一段时间的百分比作为判断疲劳的指标；类比此方法，用驾驶员的嘴巴张开度(打哈欠)来衡量其疲劳程度，其过程如图3所示。
基于特征权重的随机森林模型建立：数据准备：首先需要准备用于训练和测试模型的数据。这些数据包括采集到的驾驶员眼动数据、生理参数数据、驾驶员头部及手部行为数据。确保数据集中包含足够的样本以覆盖各种情况，并且要对数据进行去除缺失值、标准化或归一化等预处理。
特征提取：从准备好的数据中进行数据标记，将提取的特征与相应的驾驶员状态(专注、疲劳、分心、生理异常)进行标记。以便用于训练随机森林模型。特征可以包括各项数据的统计特征(如平均值、标准差等)、频域特征、时域特征，以及驾驶行为数据的统计特征等。
数据划分：将数据集划分为训练集和测试集。通常可以采用交叉验证或留出法等方法来确保模型的泛化能力。
模型训练：使用准备好的训练集数据来训练随机森林模型。在训练过程中，随机森林会对每个特征的重要性进行评估，并根据这些特征的重要性来进行分类。
模型评估：使用测试集数据来评估训练好的随机森林模型的性能。可以使用准确率、精确率、召回率、F1值等指标来评估模型的分类性能。
本发明所使用的方法基于特征在森林中的权重来控制树的构建和数量，以此提高驾驶员监控状态识别的有效性，包括：建立一个规模为B0的初始随机森林F0；计算随机森林中每棵树的权重ωτ(·)；
设驾驶疲劳(分心/生理异常)的特征向量根据驾驶员疲劳，分心，生理异常状态，分别可以取ω＝9，6，8，其组成的样本集T＝{(ti,ci)},i＝1,2,…，m，m为特征向量个数，ci为ti对应的疲劳(分心/生理异常)状态类别，用/>对应于随机森林中树τ上的节点nj,得到/>为该节点相对于疲劳(分心/生理异常)驾驶状态类别c的一个先验概率，其中Nc是类别为c的样本总数，Nd为符合/>的疲劳(分心/生理异常)样本数量，Tha为阈值(分为一级疲劳阈值及二级疲劳阈值，分心及生理异常同理)。基于pi(c)可计算节点ni的熵：
用分裂节点nk，其左右子树的熵分别是El和Er。定义/>衡量特征分裂节点nk的可行性，并且(Q(i,k))的值越大则可行性越高。定义驾驶员特征/>的初始权重为：
式中Nt为树τ中的节点数。值越大则表明用特征j进行分裂的效果越好。设δτ为用袋外数据在树τ上的分类错误率，通过：
来衡量树τ的分类效果，γτ值越大则表示树τ的分类错误越少。综上可以得到疲劳(分心/生理异常)驾驶特征在随机森林中的全局权重为：
基于对特征/>的重要性进行评估。将各个类别的特征分别进行集合分类；
通过阈值Thω(不同驾驶员状态类别对应于不同的阈值)将所有特征分为重要特征集合和非重要特征集合/>两部分，/>和/>分别为其对应的基数。
计算Δu、以及Δv；在构建树的迭代过程中对两个集合进行更新，第n次迭代后可得特征集合/>和/>可得基数分别为/>和/>记/>则有设/>为从/>中随机选择的特征集合，如满足特征且/>则认为tj对节点的分裂是合适的。由此可知，获得该合适分裂的最小概率就是从/>中挑选至少一个特征/>的概率，记为q，则r＝1-q为/>中不包含特征/>的概率。由于在树的构建过程中/>也可能包含非重要特征，所以r的最大值为对于一个包含B棵树的随机森林F，令/>则有：
设一颗有Nαv个节点的树τ，其所有节点都被合适分裂的概率为定义：
来表征F中至少一棵树τ中所有节点都被合适分裂的概率，则F中任何一棵树对(τx，τy)所有的Nαv对节点中至少有一个疲劳(分心/生理异常)驾驶特征在/>中的概率为：
显然ρ＜＜1，则可得树对(τx,τy)中至少有一对节点特征在中的概率为：
鉴于树τ中节点被有效分裂的概率越高(即值越大)，且非重要特征被分类的概率越低(即/>值越小)，则随机森林F的分类精度越高。定义随机森林F对疲劳(分心/生理异常)状态分类的准确率为：
其中为常数因子。
模型迭代更新；
ΔB为随机森林F中B的变化量，有 由上述分析可知qu>0，qv<0，l>0，Δv<0，则只需要Δu>0，且满足/>则可使/>成立。当满足以上条件时，用Bn+1＝Bn+ΔB来更新随机森林Fn+1，保证随机森林F的正确率在训练中不断提高。其过程如图4所示。
驾驶员监控状态识别分类
将驾驶员在L2级自动驾驶模式下的道路监控状态分为专注、疲劳、分心以及生理异常四种，提取其异常状态分别对应的特征向量：疲劳状态：嘴巴张开度、嘴巴张开持续时间、嘴巴张开频率、眼睛张开度、眼睛闭合持续时间、眼睛闭合频率、头部俯仰、头部摆动、手部位置九个维度来衡量。分心状态：注视位置、注视持续时间、瞳孔直径、眼睛闭合持续时间、头部转动、手部位置六个维度来衡量。生理异常状态：心率变化率、呼吸频率、皮肤电、眼睛闭合持续时间、眼睛闭合频率、头部俯仰、头部摆动、手部位置八个维度来衡量。
进一步将驾驶员的三种异常监控状态分别分为一级疲劳、二级疲劳；一级分心、二级分心；一级生理异常、二级生理异常，划分依据为各个状态对应特征向量的阈值。例如，驾驶员持续注视非驾驶相关区域(相关区域如：仪表盘、后视镜、前方道路等……)超过3s，认为驾驶员处于一级分心。在10s的时间段内，当|俯仰角|≥20°或者|摆动角|≥20°的时间比例超过30％时，就认为驾驶员处于一级疲劳状态；当眼睑遮盖瞳孔的面积超过50％时为一级疲劳状态眼睛闭合状态，超过80％时为二级疲劳眼睛闭合状态。
为了减少其他因素对于驾驶员状态识别的干扰，通过分阶段特征识别来减少系统的总计算并提高系统分类的准确性。第一阶段先监测驾驶员的面部及生理特征，当监测到疑似疲劳(眼睛开合度明显减小/闭眼持续时间较长，打哈欠)、分心(注视非驾驶区域持续时间较长，头部转向角较大)、生理异常(心率变化率异常，皮肤电异常，呼吸频率异常)之后，再进一步提取生成时域内所有的疲劳(分心/生理异常)特征，并调用随机森林模型进行具体疲劳(分心/生理异常)特征识别分类。
基于监控状态的驾驶能力恢复任务:根据随机森林模型的输出结果对驾驶员进行对应的道路监控能力恢复任务。
一级疲劳：为提高驾驶员的意识，减少疲劳，可以通过喷雾系统释放一些清新气味(薄荷、柠檬)，并自动播放轻快的音乐。
二级疲劳：为提高驾驶安全性，温控系统实现温度调节并语音交互使驾驶员进行相关简易肢体舒展动作任务。
一级分心：通过声光警告、座椅震动等方式使驾驶员监控道路。
二级分心：语音提醒驾驶员无效后发出接管请求信号，让驾驶员接管车辆控制权。
一级生理异常：自动驾驶系统得到驾驶员许可后就近找安全位置停车休息。
二级生理异常：系统实时监测驾驶员各项特征指标，在驾驶员未回复语音问题时，
定位车辆信息并紧急呼救。
人机交互过程中，语音提示前可采用个性化提醒设计，加上驾驶员的名字，从而提高驾驶员对警示信息的关注度和认可度，有助于唤起驾驶员的注意和警觉。
如图5所示，一种驾驶员异常状态识别恢复系统包括：数据采集单元、数据处理和分析单元、预警显示单元。
数据采集单元：包括摄像头单元以及传感器单元，用于采集驾驶员在L2级自动驾驶模式下的道路监控状态数据，包括眼动数据、头部及手部运动数据以及生理数据。
数据处理和分析单元：用于整合各个传感器单元所采集到的数据，进行数据处理和分析，采用基于特征权重的随机森林算法根据各个特征向量，对驾驶员的监控状态进行分类并输出识别结果。
预警显示单元：根据模型算法对驾驶员的监控状态评估结果，产生相应的提醒和驾驶能力恢复任务，如声光警告、振动座椅、自动调温、喷雾系统、发布接管请求等方法来提醒驾驶员恢复监控道路的状态，以提高驾驶安全性。
Claims (10)
1.一种驾驶员异常状态识别恢复方法，其特征在于，包括以下步骤：
步骤1、对驾驶员的驾驶状态进行监控并采集状态数据，提取驾驶状态特征；
步骤2、根据不同驾驶状态特征的权重，建立用于识别驾驶员状态的随机森林模型；
步骤3、基于驾驶状态特征和随机森林模型，对驾驶员驾驶状态进行划分分类；
步骤4、针对步骤3中异常驾驶状态的分类对驾驶员驾驶能力进行恢复。
2.根据权利要求1所述的一种驾驶员异常状态识别恢复方法，其特征在于，所述步骤1中采集的状态数据包括驾驶员眼部运动、头部三维姿势、生理参数及手部位置的信息；对采集的数据进行预处理得到驾驶状态特征。
3.根据权利要求1所述的一种驾驶员异常状态识别恢复方法，其特征在于，所述步骤2中随机森林模型的使用包括以下步骤：
步骤211、准备用于训练和测试模型的数据，这些数据包括采集到的驾驶员眼部数据、生理参数数据、驾驶员头部及手部行为数据；
步骤212、将步骤211中的数据进行标记，保证提取的驾驶状态特征与相应的驾驶员状态标记相对应；
步骤213、对驾驶状态特征进行划分，划分为训练集和测试集；
步骤214、使用训练集数据来训练随机森林模型，使用测试集数据来评估训练好的随机森林模型。
4.根据权利要求1所述的一种驾驶员异常状态识别恢复方法，其特征在于，所述步骤2中随机森林模型基于特征在森林中的权重来控制树的构建和数量，包括以下步骤：
步骤221、建立一个规模为B0的初始随机森林模型F0；
步骤222、计算随机森林中每棵树的权重ωτ(·)，设驾驶员异常特征向量 根据驾驶员疲劳、分心、生理异常状态，分别取ω＝9，6，8，其组成的样本集T＝{(ti,ci)},i＝1,2,…，m，m为特征向量个数，ci为ti对应的异常状态类别，/>对特征/>的重要性进行评估，基于全局权重/>对驾驶员特征/>的重要性进行评估；
步骤223、将各个类别的特征分别进行集合分类，包括重要特征集合 和非重要特征集合/>两部分，Thω为不同驾驶员状态类别对应于不同的阈值；
步骤224、在构建树的迭代过程中对两个集合进行更新，计算第n+1次迭代后的重要特征集合和非重要特征集合，并计算各自基数Δu、以及Δv的变化量，从而通过随机森林模型F得到驾驶员某一时刻异常驾驶状态的概率，并判断该概率的准确率；
步骤225、随机森林模型Fn，用Bn+1＝Bn+ΔB来更新随机森林Fn+1，ΔB为随机森林模型F中B的变化量。
5.根据权利要求4所述的一种驾驶员异常状态识别恢复方法，其特征在于，所述步骤224中随机森林模型F判断驾驶员某一时刻异常驾驶状态的概率包括：设一颗有Nαv个节点的树τ，其所有节点都被合适分裂的概率为定义：
以此来表征随机森林模型F中至少一棵树τ中所有节点都被合适分裂的概率，则F中任何一树对(τx，τy)所有的Nαv对节点中至少有一个异常驾驶特征在/>中的概率为：
其中，ρ＜＜1，则可得树对(τx,τy)中至少有一对节点特征在中的概率为：
其中，树τ中节点被有效分裂的概率越高即值越大，且非重要特征被分类的概率越低即/>值越小，则随机森林F的分类精度越高。
6.根据权利要求4所述的一种驾驶员异常状态识别恢复方法，其特征在于，所述步骤224中判断异常状态概率的准确率包括定义随机森林F对异常状态分类的准确率为：
其中，ε为常数因子，为至少一棵树τ中所有节点都被合适分裂的概率，/>为至少有一对节点特征在/>中的概率，ρ为至少有一个异常驾驶特征/>在/>中的概率，/>为所有节点都被合适分裂的概率，B为随机森林模型F的规模。
7.根据权利要求1所述的一种驾驶员异常状态识别恢复方法，其特征在于，所述步骤3驾驶状态包括将驾驶员在L2级自动驾驶模式下的道路监控状态分为专注、疲劳、分心以及生理异常四种，提取其异常状态分别对应的特征向量；疲劳状态特征向量包括嘴巴张开度、嘴巴张开持续时间、嘴巴张开频率、眼睛张开度、眼睛闭合持续时间、眼睛闭合频率、头部俯仰、头部摆动、手部位置九个维度；分心状态特征向量包括注视位置、注视持续时间、瞳孔直径、眼睛闭合持续时间、头部转动、手部位置六个维度；生理异常状态特征向量包括心率变化率、呼吸频率、皮肤电、眼睛闭合持续时间、眼睛闭合频率、头部俯仰、头部摆动、手部位置八个维度。
8.根据权利要求7所述的一种驾驶员异常状态识别恢复方法，其特征在于，所述驾驶员的三种异常监控状态分别分为一级疲劳、二级疲劳；一级分心、二级分心；一级生理异常、二级生理异常，划分依据为各个状态对应特征向量的阈值。
9.根据权利要求7所述的一种驾驶员异常状态识别恢复方法，其特征在于，针对异常驾驶状态的分类对驾驶员驾驶能力进行恢复，所述一级疲劳对应的恢复任务包括：气味刺激和声音刺激；二级疲劳对应的恢复任务包括：通过温控系统实现温度调节并语音交互使驾驶员进行相关简易肢体舒展动作任务；一级分心恢复任务包括：通过声光警告、座椅震动；二级分心恢复任务包括：语音提醒驾驶员无效后发出接管请求信号，让驾驶员接管车辆控制权；一级生理异常恢复任务包括：自动驾驶系统得到驾驶员许可后就近找安全位置停车休息；二级生理异常恢复任务包括：系统实时监测驾驶员各项特征指标，在驾驶员未回复语音问题时，定位车辆信息并紧急呼救。
10.一种应用于权利要求1所述驾驶员异常状态识别恢复方法的系统，其特征在于，包括：数据采集单元、数据处理和分析单元、预警显示单元；所述数据采集单元：包括摄像头单元以及传感器单元，用于采集驾驶员在L2级自动驾驶模式下的道路监控状态数据，包括眼动数据、头部及手部运动数据以及生理数据；所述数据处理和分析单元：用于整合各个传感器单元所采集到的数据，进行数据处理和分析，采用基于特征权重的随机森林算法根据各个特征向量，对驾驶员的监控状态进行分类并输出识别结果；所述预警显示单元：根据模型算法对驾驶员的监控状态评估结果，产生相应的提醒和驾驶能力恢复任务，如声光警告、振动座椅、自动调温、喷雾系统、发布接管请求等方法来提醒驾驶员恢复监控道路的状态，以提高驾驶安全性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410220387.5A CN117885743A (zh) | 2024-02-28 | 2024-02-28 | 一种驾驶员异常状态识别恢复方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410220387.5A CN117885743A (zh) | 2024-02-28 | 2024-02-28 | 一种驾驶员异常状态识别恢复方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117885743A true CN117885743A (zh) | 2024-04-16 |
Family
ID=90646881
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410220387.5A Pending CN117885743A (zh) | 2024-02-28 | 2024-02-28 | 一种驾驶员异常状态识别恢复方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117885743A (zh) |
-
2024
- 2024-02-28 CN CN202410220387.5A patent/CN117885743A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Picot et al. | Drowsiness detection based on visual signs: blinking analysis based on high frame rate video | |
| EP2363067B1 (en) | Arousal state classification model generating device, arousal state classifying device, and warning device | |
| JP5045492B2 (ja) | 覚醒度推定装置 | |
| Wu et al. | Reasoning-based framework for driving safety monitoring using driving event recognition | |
| CN106236047A (zh) | 驾驶员疲劳监测系统的控制方法 | |
| CN113743471A (zh) | 一种驾驶评估方法及其系统 | |
| Tansakul et al. | Fatigue driver detection system using a combination of blinking rate and driving inactivity | |
| CN110901385A (zh) | 一种基于驾驶员疲劳状态的主动限速方法 | |
| Tibrewal et al. | A deep learning approach to detect driver drowsiness | |
| Salzillo et al. | Evaluation of driver drowsiness based on real-time face analysis | |
| Baccour et al. | Camera-based driver drowsiness state classification using logistic regression models | |
| CN114601478A (zh) | 一种提高司机警觉度的方法、装置、设备及可读存储介质 | |
| Biju et al. | Drowsy driver detection using two stage convolutional neural networks | |
| Dehankar et al. | Design of drowsiness and yawning detection system | |
| CN117272155A (zh) | 基于智能手表的驾驶人路怒症检测方法 | |
| Wu et al. | Fuzzy logic based driving behavior monitoring using hidden markov models | |
| JPH08332871A (ja) | 覚醒度検出装置 | |
| CN117885743A (zh) | 一种驾驶员异常状态识别恢复方法及系统 | |
| Qureshi et al. | An Effective IOT based Driver's Drowsiness Detection and Monitoring System to Avoid Real-Time Road Accidents | |
| KR20160067681A (ko) | 운전자의 운행 집중도 레벨 분석방법 | |
| Chatterjee et al. | Smartphone-based drowsiness detection system for drivers in real-time | |
| Rusmin et al. | Design and implementation of driver drowsiness detection system on digitalized driver system | |
| Ahir et al. | Driver inattention monitoring system: A review | |
| Jyothi et al. | Drowsiness Detection of Driver | |
| Subbaiah et al. | Driver drowsiness detection methods: A comprehensive survey |
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 |