專利名稱：基于軟計(jì)算的疲勞駕駛?cè)诤蠙z測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種駕駛員疲勞駕駛?cè)诤蠙z測方法，尤其涉及一種基于軟計(jì)算的疲勞駕駛?cè)诤蠙z測方法，它是利用TS模糊神經(jīng)網(wǎng)絡(luò)融合兩個(gè)面部疲勞特征和兩個(gè)車輛行為特征，并運(yùn)用減法聚類和遺傳算法對(duì)網(wǎng)絡(luò)進(jìn)行優(yōu)化和訓(xùn)練，進(jìn)而對(duì)駕駛員疲勞駕駛進(jìn)行融合檢測的方法，屬于駕駛員疲勞駕駛檢測技術(shù)領(lǐng)域。

背景技術(shù)：
疲勞駕駛檢測和預(yù)警已成為汽車主動(dòng)安全領(lǐng)域中的研究熱點(diǎn)。其中，基于物理傳感器的非接觸式疲勞駕駛檢測方法在理論研究和應(yīng)用領(lǐng)域近年來引起廣泛重視。但現(xiàn)有的疲勞駕駛檢測方法大都只針對(duì)駕駛員某一方面的單一疲勞特征，如頻繁的眨眼和打呵欠，頭部轉(zhuǎn)動(dòng)異常，或車輛行駛狀態(tài)異常等。隨著信息融合技術(shù)的發(fā)展，不少檢測方法雖然已開始考慮融合多個(gè)疲勞特征，但它們大多只融合駕駛員面部的幾個(gè)疲勞特征，而對(duì)于間接反應(yīng)駕駛員是否疲勞的車輛行為特征，如因疲勞駕駛而產(chǎn)生的車輛異常偏離車道，方向盤轉(zhuǎn)動(dòng)和車速變化異常等卻被忽略，導(dǎo)致目前這些方法的檢測效果不夠理想，容易造成誤檢，漏檢等。同時(shí)，疲勞駕駛是一個(gè)非常復(fù)雜的生理現(xiàn)象，存在誘發(fā)原因多，癥狀復(fù)雜，難以檢測和識(shí)別等問題，這些都給傳統(tǒng)的疲勞駕駛檢測方法帶來了極大地挑戰(zhàn)。


發(fā)明內(nèi)容
本發(fā)明的目的是克服現(xiàn)有基于單一特征疲勞駕駛檢測方法的不足，提供一種可靠性高的基于軟計(jì)算的疲勞駕駛?cè)诤蠙z測方法。
本發(fā)明采用如下技術(shù)方案 一種基于軟計(jì)算的疲勞駕駛?cè)诤蠙z測方法，該方法的主要步驟如下 步驟1被測駕駛員疲勞特征參數(shù)xi的計(jì)算對(duì)被測駕駛員的疲勞特征參數(shù)xi進(jìn)行采集，i＝1、2、3或4，所采集的疲勞特征參數(shù)包括駕駛員面部圖像特征信號(hào)、車輛前方車道標(biāo)志線信號(hào)、方向盤轉(zhuǎn)動(dòng)信號(hào)，其中，駕駛員面部圖像特征信號(hào)包括駕駛員眨眼信號(hào)及打哈欠信號(hào)，并根據(jù)所采集的數(shù)據(jù)，計(jì)算眨眼頻率x1、打哈欠頻率x2、車輛異常偏離車道的頻率x3及方向盤轉(zhuǎn)動(dòng)異常頻率x4，其中，x1＝n1/N1，N1為Δt1時(shí)間內(nèi)采集的圖片幀數(shù)，n1為其中眼睛閉合的圖片幀數(shù)，x2＝n2/N2，N2為Δt2時(shí)間內(nèi)采集的圖片幀數(shù)，n2為其中打呵欠的圖片幀數(shù)，x3＝n3/N3，N3為Δt3時(shí)間內(nèi)采集的圖片幀數(shù)，n3為其中異常偏離車道的圖片幀數(shù)，x4＝t/10，t為每10秒內(nèi)方向盤持續(xù)不動(dòng)的時(shí)間，單位為秒； 步驟2將眨眼頻率x1、打哈欠頻率x2、車輛異常偏離車道頻率x3及方向盤轉(zhuǎn)動(dòng)異常頻率x4代入TS模糊神經(jīng)網(wǎng)絡(luò)的高斯隸屬函數(shù)μij中，i＝1，2，3或4，j為正整數(shù)，j＝1，2，3，…，(cR-1)或cR，cR為模糊規(guī)則個(gè)數(shù)，式中，ωij、σij和μij分別表示疲勞特征參數(shù)xi的第j個(gè)模糊規(guī)則的隸屬函數(shù)的中心、寬度和隸屬度； 步驟3利用步驟2得到的隸屬度μij計(jì)算激勵(lì)強(qiáng)度αj，即i＝1，2，3或4，再計(jì)算歸一化激勵(lì)強(qiáng)度

即然后計(jì)算第j個(gè)模糊規(guī)則的后件加權(quán)值yi，即

其中ρdj為權(quán)值系數(shù)，d＝0，1，2，3或4，再計(jì)算歸一化后件加權(quán)值

即最后計(jì)算疲勞度檢測值

即 得到所述cR、ωij、σij和ρdj的方法是首先對(duì)6名男性和4名女性共10名駕駛員進(jìn)行疲勞度量化實(shí)驗(yàn)，選擇200組包含疲勞特征參數(shù)x1，x2，x3，x4及相應(yīng)的疲勞度量化值Y的數(shù)據(jù)作為實(shí)驗(yàn)樣本，為保證樣本的時(shí)效性和完備性，疲勞度量化值Y的量化實(shí)驗(yàn)應(yīng)在疲勞特征參數(shù)采集之后1分鐘內(nèi)開始，同時(shí)樣本應(yīng)盡量全面地包含駕駛員的各種疲勞程度，如不疲勞、輕微疲勞、中等疲勞，重度疲勞，其中，x1＝n1/N1，N1為Δt1時(shí)間內(nèi)采集的圖片幀數(shù)，n1為其中眼睛閉合的圖片幀數(shù)，x2＝n2/N2，N2為Δt2時(shí)間內(nèi)采集的圖片幀數(shù)，n2為其中打呵欠的圖片幀數(shù)，x3＝n3/N3，N3為Δt3時(shí)間內(nèi)采集的圖片幀數(shù)，n3為其中異常偏離車道的圖片幀數(shù)，x4＝t/10，t為每10秒內(nèi)方向盤持續(xù)不動(dòng)的時(shí)間，單位為秒，疲勞度量化值δb為對(duì)第b次彈出的交通標(biāo)志圖片識(shí)別錯(cuò)誤的當(dāng)量系數(shù)，
tb為疲勞度量化時(shí)對(duì)第b次彈出的交通標(biāo)識(shí)圖片進(jìn)行識(shí)別和響應(yīng)所用的時(shí)間，單位為秒，上述疲勞度量化值Y的量化采用編制的測試程序進(jìn)行計(jì)算，實(shí)驗(yàn)前先讓駕駛員對(duì)4張配有文字說明的交通標(biāo)志圖片進(jìn)行學(xué)習(xí)，編程時(shí)每張圖片被用一個(gè)圖片標(biāo)識(shí)符進(jìn)行定義，與其相對(duì)應(yīng)的文字說明按鈕也被定義一個(gè)跟圖片標(biāo)識(shí)符相同的文字說明按鈕標(biāo)識(shí)符；實(shí)驗(yàn)時(shí)，程序界面每隔2秒隨機(jī)彈出4張交通標(biāo)志圖片中的任一張，此時(shí)駕駛員須在限定的1秒時(shí)間內(nèi)對(duì)圖片所代表的含義進(jìn)行識(shí)別和響應(yīng)，并用鼠標(biāo)迅速點(diǎn)擊相應(yīng)的文字說明按鈕，根據(jù)每次出現(xiàn)的圖片的圖片標(biāo)識(shí)符跟鼠標(biāo)點(diǎn)擊的文字說明按鈕標(biāo)識(shí)符是否相同來判斷每次識(shí)別是否正確，當(dāng)出現(xiàn)的圖片的圖片標(biāo)識(shí)符跟鼠標(biāo)點(diǎn)擊的文字說明按鈕標(biāo)識(shí)相同時(shí)，此次識(shí)別正確，否則識(shí)別錯(cuò)誤，同時(shí)計(jì)算從圖片出現(xiàn)到鼠標(biāo)擊中文字說明按鈕之間的響應(yīng)時(shí)間，用tb表示，根據(jù)識(shí)別結(jié)果是否正確以及響應(yīng)時(shí)間的長短確定每次識(shí)別錯(cuò)誤的當(dāng)量系數(shù)δb；每次實(shí)驗(yàn)圖片共隨機(jī)出現(xiàn)100次，實(shí)驗(yàn)結(jié)束時(shí)程序會(huì)自動(dòng)計(jì)算本次實(shí)驗(yàn)圖片識(shí)別的錯(cuò)誤率并將其作為疲勞程度的量化值在程序界面上進(jìn)行顯示； 然后利用減法聚類確定模糊規(guī)則個(gè)數(shù)cR，以及ωij和σij的初始值，減法聚類的步驟為 (1)計(jì)算第k個(gè)樣本Xk中xi和Y的歸一化值

和


(j′＝1，2，3或4)，其中，對(duì)每一個(gè)樣本值Xk，Xk＝{xk，1，xk，2，xk，3，xk，4，Yk}，k＝1，2，…，200，前4項(xiàng)為第k個(gè)樣本對(duì)應(yīng)的四個(gè)疲勞特征參數(shù)值x1，x2，x3和x4，第5項(xiàng)為相應(yīng)的疲勞度量化值Y，歸一化樣本值

經(jīng)比較確定 (2)計(jì)算每一個(gè)

對(duì)應(yīng)的密度值Pk，

Pa＝0.4，然后經(jīng)統(tǒng)計(jì)比較得到具有最大密度值Pkmax的數(shù)據(jù)點(diǎn)

定義并初始化聚類個(gè)數(shù)cN＝0； (3)令 (4)如果Rp＞εA，執(zhí)行(6)，其中，接收率εA＝0.8； (5)如果Rp＜εR，輸出聚類中心Ci″及聚類個(gè)數(shù)cN，并將聚類個(gè)數(shù)作為模糊規(guī)則個(gè)數(shù)cR的值，即cR＝cN，程序結(jié)束，其中，拒絕率εR＝0.15；否則，統(tǒng)計(jì)計(jì)算

跟已求得的聚類中心Ci″之間的最小距離dmin，i″為正整數(shù)，1≤i″≤cN，C表示由聚類中心組成的聚類中心集合，C＝{Ci″}，Ci″表示第i″個(gè)聚類中心，如果拒絕

成為聚類中心，并令其密度值Pk＝0，重新進(jìn)行統(tǒng)計(jì)比較，選擇具有最大密度值Pkmax的數(shù)據(jù)點(diǎn)作為新的

轉(zhuǎn)至(3)，否則轉(zhuǎn)至(6)； (6)令將

作為新的聚類中心依次添加到集合C中，并令cN＝cN+1，接著根據(jù)

對(duì)其余未聚類的

的密度值Pk進(jìn)行更新，即

其中，Rb＝1.5Ra，以避免出現(xiàn)距離相近的聚類中心； (7)統(tǒng)計(jì)并找到新的具有最高密度值Pkmax的

返回步驟(3)繼續(xù)運(yùn)行程序； 減法聚類完成后，將聚類中心集合C中的cR個(gè)聚類中心Cj進(jìn)行轉(zhuǎn)換求得歸一化前的聚類中心Cj′，其中，




再將xi，j*作為隸屬函數(shù)μij中相應(yīng)ωij的初始值

即在集合C中統(tǒng)計(jì)計(jì)算跟第一個(gè)聚類中心C1′的歐氏距離最近的另一個(gè)聚類中心Cs′，s＝2，3，…，(cR-1)或cR，σij的初始值

被確定為其中，


根據(jù)遺傳算法，將TS模糊神經(jīng)網(wǎng)絡(luò)需要優(yōu)化的ωij、σij和ρdj按實(shí)數(shù)編碼格式連接起來構(gòu)成一條染色體，共隨機(jī)產(chǎn)生100條染色體，組成群體Z，Z＝{z1，z2，…，z100}，其中，每條染色體的基因值由ωij′、σij′和ρd′j組成，第h條染色體zh可表示為




h為正整數(shù)，且h＝1，2，…，或100，其中，



計(jì)算網(wǎng)絡(luò)在訓(xùn)練集上產(chǎn)生的均方誤差ferr(Z)，
式中，

為代入第k個(gè)樣本的疲勞特征參數(shù)xi和染色體中的ωij′，σij′和ρd′j后TS模糊神經(jīng)網(wǎng)絡(luò)計(jì)算出的網(wǎng)絡(luò)實(shí)際輸出值，并根據(jù)ferr(Z)構(gòu)造適應(yīng)度函數(shù)，計(jì)算每條染色體的適應(yīng)度ffit(Z)，通過遺傳算法的選擇，交叉，變異操作對(duì)染色體中的ωij′，σij′和ρd′j進(jìn)行優(yōu)化，將在最大進(jìn)化代數(shù)范圍內(nèi)滿足最小均方誤差

的染色體z*作為最佳染色體，




根據(jù)最佳染色體z*，令并將ωij，σij和ρdj作為最佳網(wǎng)絡(luò)參數(shù)，其中，遺傳算法中設(shè)定的最小均方誤差最大進(jìn)化代數(shù)為Ne＝1000次； 選擇操作采用輪盤賭法選擇優(yōu)質(zhì)個(gè)體，交叉運(yùn)算時(shí)利用公式(1)以線性交叉的方式產(chǎn)生子代ZAe+1，ZBe+1，
ZAe、ZBe為待交叉的兩個(gè)染色體，η為(0，1)區(qū)間產(chǎn)生的隨機(jī)數(shù)，e為交叉運(yùn)算的代數(shù)， 變異操作采用非均勻變異，根據(jù)公式(2)和(3)，對(duì)原有的基因值做一隨機(jī)擾動(dòng)，以擾動(dòng)后的結(jié)果做為變異后的新基因值d′(Zm)，

式中κ＝gc/gm，γ為隨機(jī)數(shù)，γ＝rand(0，1)，g為形狀參數(shù)，g＝3，al和ar分別為染色體中各基因位取值區(qū)域的左右邊界、gc為當(dāng)前進(jìn)化代數(shù)、gm為最大進(jìn)化代數(shù)，sign為隨機(jī)數(shù)，取值為0或1，Zm為第m個(gè)染色體， 在交叉和變異操作過程中，交叉率pc和變異率pm采用一種自適應(yīng)的方法獲得，其表達(dá)式為

式中fmax、favg分別表示群體中的最大適應(yīng)度和平均適應(yīng)度，f′表示兩個(gè)待交叉?zhèn)€體中較大的適應(yīng)度，pc1、pc2、pm1、pm2為小于1的常數(shù)，其中，交叉率pc1＝0.9，pc2＝0.6，變異率pm1＝0.1，pm2＝0.001； 步驟4將最佳網(wǎng)絡(luò)參數(shù)ωij、σij和ρdj以及實(shí)時(shí)計(jì)算的疲勞特征參數(shù)xi代入到TS模糊神經(jīng)網(wǎng)絡(luò)中計(jì)算疲勞度檢測值

依據(jù)疲勞度檢測值

的大小，將駕駛員的駕駛行為劃分為四種狀態(tài)

最后根據(jù)

的大小檢測駕駛員是否疲勞并對(duì)疲勞的嚴(yán)重程度進(jìn)行有效分類。
與現(xiàn)有技術(shù)相比，本發(fā)明具有如下優(yōu)點(diǎn) (1)本發(fā)明綜合考慮反映疲勞駕駛的兩個(gè)直接特征和兩個(gè)間接特征，其中，兩個(gè)直接特征包括頻繁眨眼和打呵欠，兩個(gè)間接特征包括車輛異常偏離車道和方向盤轉(zhuǎn)動(dòng)異常。上述四個(gè)疲勞特征能夠全面、客觀、準(zhǔn)確的衡量駕駛員的疲勞駕駛行為。
(2)運(yùn)用TS模糊神經(jīng)網(wǎng)絡(luò)融合上述四個(gè)疲勞疲勞特征參數(shù)對(duì)駕駛員疲勞駕駛進(jìn)行實(shí)時(shí)檢測，克服基于單一特征疲勞駕駛檢測方法的局限性，降低其誤檢率和漏檢率，提高疲勞駕駛檢測的可靠性和準(zhǔn)確率，適合于實(shí)時(shí)性強(qiáng)的駕駛疲勞精確檢測場合。
(3)利用減法聚類確定TS模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和初始網(wǎng)絡(luò)參數(shù)，包括TS模糊神經(jīng)網(wǎng)絡(luò)的模糊規(guī)則個(gè)數(shù)以及隸屬函數(shù)的中心和寬度的初始值，從而優(yōu)化了TS模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，簡化了計(jì)算過程。
(4)采用遺傳算法訓(xùn)練TS模糊神經(jīng)網(wǎng)絡(luò)的初始網(wǎng)絡(luò)參數(shù)，進(jìn)而確定網(wǎng)絡(luò)參數(shù)的最佳值。避免了傳統(tǒng)方法訓(xùn)練TS模糊神經(jīng)網(wǎng)絡(luò)參數(shù)時(shí)容易陷入局部極小值的弊端，使得TS模糊神經(jīng)網(wǎng)絡(luò)的收斂性和檢測精度均得到顯著提高。



圖1是本發(fā)明方法的檢測流程圖； 圖2是疲勞度的量化流程圖； 圖3是基于TS模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖； 圖4是減法聚類的流程圖； 圖5是遺傳算法的流程圖； 圖6是基于軟計(jì)算的模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果圖； 圖7是疲勞特征參數(shù)計(jì)算及駕駛行為分類輸出框圖。

具體實(shí)施例方式 下面參照說明書附圖，對(duì)本發(fā)明的具體實(shí)施方式
做出更為詳細(xì)地說明 本發(fā)明基于軟計(jì)算的疲勞駕駛?cè)诤蠙z測方法可通過兩個(gè)階段來實(shí)現(xiàn)，一是離線訓(xùn)練階段，二是在線檢測階段。該方法的檢測流程圖如圖1所示。
1、通過對(duì)數(shù)據(jù)樣本進(jìn)行離線訓(xùn)練確定最佳網(wǎng)絡(luò)結(jié)構(gòu)及網(wǎng)絡(luò)參數(shù) 最佳網(wǎng)絡(luò)結(jié)構(gòu)及網(wǎng)絡(luò)參數(shù)可通過六步完成 (1)數(shù)據(jù)采集 在實(shí)驗(yàn)車上安裝兩個(gè)CCD攝像頭C1和C2，C1負(fù)責(zé)駕駛員面部圖像特征信號(hào)的采集，C2負(fù)責(zé)車輛前方車道標(biāo)志線信號(hào)的采集，另外在方向盤上安裝光電式轉(zhuǎn)角傳感器負(fù)責(zé)對(duì)方向盤轉(zhuǎn)動(dòng)信號(hào)的采集。
(2)特征參數(shù)計(jì)算 對(duì)被測駕駛員的疲勞特征參數(shù)xi進(jìn)行采集，i＝1、2、3或4，所采集的疲勞特征參數(shù)包括駕駛員面部圖像特征信號(hào)、車輛前方車道標(biāo)志線信號(hào)、方向盤轉(zhuǎn)動(dòng)信號(hào)，其中，駕駛員面部圖像特征信號(hào)包括駕駛員眨眼信號(hào)及打哈欠信號(hào)，并根據(jù)所采集的數(shù)據(jù)，計(jì)算眨眼頻率x1、打哈欠頻率x2、車輛異常偏離車道的頻率x3及方向盤轉(zhuǎn)動(dòng)異常頻率x4，其中，x1＝n1/N1，N1為Δt1時(shí)間內(nèi)采集的圖片幀數(shù)，n1為其中眼睛閉合的圖片幀數(shù)，x2＝n2/N2，N2為Δt2時(shí)間內(nèi)采集的圖片幀數(shù)，n2為其中打呵欠的圖片幀數(shù)，x3＝n3/N3，N3為Δt3時(shí)間內(nèi)采集的圖片幀數(shù)，n3為其中異常偏離車道的圖片幀數(shù)，x4＝t/10，t為每10秒內(nèi)方向盤持續(xù)不動(dòng)的時(shí)間，單位為秒； (3)疲勞度的量化 首先對(duì)6名男性和4名女性共10名駕駛員進(jìn)行疲勞度量化實(shí)驗(yàn)，選擇200組包含疲勞特征參數(shù)x1，x2，x3，x4及相應(yīng)的疲勞度量化值Y的數(shù)據(jù)作為實(shí)驗(yàn)樣本，為保證樣本的時(shí)效性和完備性，疲勞度量化值Y的量化實(shí)驗(yàn)應(yīng)在疲勞特征參數(shù)采集之后1分鐘內(nèi)開始，同時(shí)樣本應(yīng)盡量全面地包含駕駛員的各種疲勞程度，如不疲勞、輕微疲勞、中等疲勞，重度疲勞，其中，x1＝n1/N1，N1為Δt1時(shí)間內(nèi)采集的圖片幀數(shù)，n1為其中眼睛閉合的圖片幀數(shù)，x2＝n2/N2，N2為Δt2時(shí)間內(nèi)采集的圖片幀數(shù)，n2為其中打呵欠的圖片幀數(shù)，x3＝n3/N3，N3為Δt3時(shí)間內(nèi)采集的圖片幀數(shù)，n3為其中異常偏離車道的圖片幀數(shù)，x4＝t/10，t為每10秒內(nèi)方向盤持續(xù)不動(dòng)的時(shí)間，單位為秒，疲勞度量化值δb為對(duì)第b次彈出的交通標(biāo)志圖片識(shí)別錯(cuò)誤的當(dāng)量系數(shù)，
tb為疲勞度量化時(shí)對(duì)第b次彈出的交通標(biāo)識(shí)圖片進(jìn)行識(shí)別和響應(yīng)所用的時(shí)間，單位為秒，上述疲勞度量化值Y的量化采用編制的測試程序進(jìn)行計(jì)算，實(shí)驗(yàn)前先讓駕駛員對(duì)4張配有文字說明的交通標(biāo)志圖片進(jìn)行學(xué)習(xí)，編程時(shí)每張圖片被用一個(gè)圖片標(biāo)識(shí)符進(jìn)行定義，與其相對(duì)應(yīng)的文字說明按鈕也被定義一個(gè)跟圖片標(biāo)識(shí)符相同的文字說明按鈕標(biāo)識(shí)符；實(shí)驗(yàn)時(shí)，程序界面每隔2秒隨機(jī)彈出4張交通標(biāo)志圖片中的任一張，此時(shí)駕駛員須在限定的1秒時(shí)間內(nèi)對(duì)圖片所代表的含義進(jìn)行識(shí)別和響應(yīng)，并用鼠標(biāo)迅速點(diǎn)擊相應(yīng)的文字說明按鈕，根據(jù)每次出現(xiàn)的圖片的圖片標(biāo)識(shí)符跟鼠標(biāo)點(diǎn)擊的文字說明按鈕標(biāo)識(shí)符是否相同來判斷每次識(shí)別是否正確，當(dāng)出現(xiàn)的圖片的圖片標(biāo)識(shí)符跟鼠標(biāo)點(diǎn)擊的文字說明按鈕標(biāo)識(shí)相同時(shí)，此次識(shí)別正確，否則識(shí)別錯(cuò)誤，同時(shí)計(jì)算從圖片出現(xiàn)到鼠標(biāo)擊中文字說明按鈕之間的響應(yīng)時(shí)間，用tb表示，根據(jù)識(shí)別結(jié)果是否正確以及響應(yīng)時(shí)間的長短確定每次識(shí)別錯(cuò)誤的當(dāng)量系數(shù)δb；每次實(shí)驗(yàn)圖片共隨機(jī)出現(xiàn)100次，實(shí)驗(yàn)結(jié)束時(shí)程序會(huì)自動(dòng)計(jì)算本次實(shí)驗(yàn)圖片識(shí)別的錯(cuò)誤率并將其作為疲勞程度的量化值在程序界面上進(jìn)行顯示，疲勞度的量化流程如圖2所示。
(4)構(gòu)建TS模糊神經(jīng)網(wǎng)絡(luò)模型 本文采用TS模糊神經(jīng)網(wǎng)絡(luò)模型對(duì)疲勞特征進(jìn)行融合檢測，該模型由前件網(wǎng)絡(luò)和后件網(wǎng)絡(luò)組成，具有收斂速度快，樣本需要量少的優(yōu)點(diǎn)，其網(wǎng)絡(luò)結(jié)構(gòu)圖如圖3所示。
前件網(wǎng)絡(luò)由四層組成，各層的功能及運(yùn)算如下 1)輸入層節(jié)點(diǎn)數(shù)為4，對(duì)應(yīng)4個(gè)輸入疲勞特征參數(shù)x1、x2、x3和x4； 2)模糊化層對(duì)每一個(gè)節(jié)點(diǎn)利用高斯隸屬函數(shù)計(jì)算其隸屬度μij，其運(yùn)算為i＝1，2，3或4，j為正整數(shù)，j＝1，2，3，…，(cR-1) 或cR，cR為模糊規(guī)則個(gè)數(shù)，式中，ωij、σij分別表示疲勞特征參數(shù)xi的第j個(gè)模糊規(guī)則的隸屬函數(shù)的中心、寬度； 3)規(guī)則層該層用來計(jì)算每條規(guī)則的激勵(lì)強(qiáng)度αj， 4)歸一化層該層用來計(jì)算規(guī)則的歸一化激勵(lì)強(qiáng)度
以下是后件網(wǎng)絡(luò)各層的功能與計(jì)算 1)輸入層比前件網(wǎng)絡(luò)的輸入層多一個(gè)節(jié)點(diǎn)輸入x0＝1，用來補(bǔ)償模糊規(guī)則后件中的常數(shù)項(xiàng)； 2)函數(shù)層計(jì)算每一條規(guī)則的后件加權(quán)值yj，節(jié)點(diǎn)間的權(quán)值系數(shù)為后件參數(shù)。該層的輸出為輸入的線性組合，即
其中ρdj為權(quán)值系數(shù)，d＝0，1，2，3或4； 3)結(jié)合層用來歸一化后件加權(quán)值
4)輸出層該層有唯一節(jié)點(diǎn)，它將輸入信號(hào)求和，計(jì)算疲勞度檢測值

即 (5)減法聚類確定網(wǎng)絡(luò)結(jié)構(gòu) 利用減法聚類確定模糊規(guī)則個(gè)數(shù)cR，以及ωij和σij的初始值，減法聚類的步驟為 (1)計(jì)算第k個(gè)樣本Xk中xi和Y的歸一化值

和


(j′＝1，2，3或4)，其中，對(duì)每一個(gè)樣本值Xk，Xk＝{xk，1，xk，2，xk，3，xk，4，Yk}，k＝1，2，…，200，前4項(xiàng)為第k個(gè)樣本對(duì)應(yīng)的四個(gè)疲勞特征參數(shù)值x1，x2，x3和x4，第5項(xiàng)為相應(yīng)的疲勞度量化值Y，歸一化樣本值

經(jīng)比較確定 2)計(jì)算每一個(gè)

對(duì)應(yīng)的密度值Pk，

Ra＝0.4，然后經(jīng)統(tǒng)計(jì)比較得到具有最大密度值Pkmax的數(shù)據(jù)點(diǎn)

定義并初始化聚類個(gè)數(shù)cN＝0； 3)令 4)如果Rp＞εA，執(zhí)行6)，其中，接收率εA＝0.8； 5)如果Rp＜εR，輸出聚類中心Ci″及聚類個(gè)數(shù)cN，并將聚類個(gè)數(shù)作為模糊規(guī)則個(gè)數(shù)cR的值，即cR＝cN，程序結(jié)束，其中，拒絕率εR＝0.15；否則，統(tǒng)計(jì)計(jì)算

跟已求得的聚類中心Ci″之間的最小距離dmin，i″為正整數(shù)，1≤i″≤cN，C表示由聚類中心組成的聚類中心集合，C＝{Ci″}，Ci″表示第i″個(gè)聚類中心，如果拒絕

成為聚類中心，并令其密度值Pk＝0， 重新進(jìn)行統(tǒng)計(jì)比較，選擇具有最大密度值Pkmax的數(shù)據(jù)點(diǎn)作為新的

轉(zhuǎn)至3)，否則轉(zhuǎn)至6)； 6)令將

作為新的聚類中心依次添加到集合C中，并令cN＝cN+1，接著根據(jù)

對(duì)其余未聚類的

的密度值Pk進(jìn)行更新，即

其中，Rb＝1.5Ra，以避免出現(xiàn)距離相近的聚類中心； 7)統(tǒng)計(jì)并找到新的具有最高密度值Pkmax的

返回步驟3)繼續(xù)運(yùn)行程序；減法聚類的流程如圖4所示，減法聚類完成后，將聚類中心集合C中的cR個(gè)聚類中心Cj進(jìn)行轉(zhuǎn)換求得歸一化前的聚類中心Cj′，其中，




再將xi，j*作為隸屬函數(shù)μij中相應(yīng)ωij的初始值

即在集合C中統(tǒng)計(jì)計(jì)算跟第一個(gè)聚類中心C1′的歐氏距離最近的另一個(gè)聚類中心Cs′，s＝2，3，…，(cR-1)或cR，σij的初始值

被確定為其中，


(6)遺傳算法優(yōu)化網(wǎng)絡(luò)參數(shù) 根據(jù)遺傳算法，將TS模糊神經(jīng)網(wǎng)絡(luò)需要優(yōu)化的ωij、σij和ρdj按實(shí)數(shù)編碼格式連接起來構(gòu)成一條染色體，共隨機(jī)產(chǎn)生100條染色體，組成群體Z，Z＝{z1，z2，…，z100}，其中，每條染色體的基因值由ωij′、σij′和ρd′j組成，第h條染色體zh可表示為




h為正整數(shù)，且h＝1，2，…，或100，其中，


按如圖5所示的遺傳算法計(jì)算流程計(jì)算網(wǎng)絡(luò)在訓(xùn)練集上產(chǎn)生的均方誤差ferr(Z)，

式中，

為代入第k個(gè)樣本的疲勞特征參數(shù)xi和染色體中的ωij′，σij′和ρd′j后TS模糊神經(jīng)網(wǎng)絡(luò)計(jì)算出的網(wǎng)絡(luò)實(shí)際輸出值，并根據(jù)ferr(Z)構(gòu)造適應(yīng)度函數(shù)，計(jì)算每條染色體的適應(yīng)度ffit(Z)，通過遺傳算法的選擇，交叉，變異操作對(duì)染色體中的ωij′，σij′和ρd′j進(jìn)行優(yōu)化，將在最大進(jìn)化代數(shù)范圍內(nèi)滿足最小均方誤差

的染色體z*作為最佳染色體，




根據(jù)最佳染色體z*，令從而確定ωij，σij和ρdj并將其作為最佳網(wǎng)絡(luò)參數(shù)； 選擇操作采用輪盤賭法選擇優(yōu)質(zhì)個(gè)體，交叉運(yùn)算時(shí)利用公式(1)以線性交叉的方式產(chǎn)生子代ZAe+1，ZBe+1，
ZAe、ZBe為待交叉的兩個(gè)染色體，η為(0，1)區(qū)間產(chǎn)生的隨機(jī)數(shù)，e為交叉運(yùn)算的代數(shù)， 變異操作采用非均勻變異，根據(jù)公式(2)和(3)，對(duì)原有的基因值做一隨機(jī)擾動(dòng)，以擾動(dòng)后的結(jié)果做為變異后的新基因值d′(Zm)，

式中κ＝gc/gm，γ為隨機(jī)數(shù)，γ＝rand(0，1)，g為形狀參數(shù)，g＝3，al和ar分別為染色體中各基因位取值區(qū)域的左右邊界、gc為當(dāng)前進(jìn)化代數(shù)、gm為最大進(jìn)化代數(shù)，sign為隨機(jī)數(shù)，取值為0或1，Zm為第m個(gè)染色體， 在交叉和變異操作過程中，交叉率pc和變異率pm采用一種自適應(yīng)的方法獲得，其表達(dá)式為

式中fmax、favg分別表示群體中的最大適應(yīng)度和平均適應(yīng)度，f′表示兩個(gè)待交叉?zhèn)€體中較大的適應(yīng)度，pc1、pc2、pm1、pm2為小于1的常數(shù)，其中，交叉率pc1＝0.9，pc2＝0.6，變異率pm1＝0.1，pm2＝0.001； 選擇200個(gè)實(shí)驗(yàn)樣本，利用減法聚類算法對(duì)其進(jìn)行聚類，最終確定的模糊規(guī)則個(gè)數(shù)cR＝5，遺傳算法中設(shè)定的最小均方誤差最大進(jìn)化代數(shù)Ne＝1000次，網(wǎng)絡(luò)訓(xùn)練過程中獲得的均方誤差曲線如圖6所示； 2、將離線訓(xùn)練階段獲得的最佳網(wǎng)絡(luò)參數(shù)ωij，σij和ρdj代入TS模糊神經(jīng)網(wǎng)絡(luò)中，根據(jù)實(shí)時(shí)采集和計(jì)算的疲勞特征參數(shù)對(duì)駕駛員是否疲勞駕駛進(jìn)行在線檢測。
(1)將離線訓(xùn)練階段獲得的最佳網(wǎng)絡(luò)參數(shù)ωij，σij和ρdj代入TS模糊神經(jīng)網(wǎng)絡(luò)中； (2)數(shù)據(jù)采集 在線檢測階段的數(shù)據(jù)采集跟離線訓(xùn)練階段的數(shù)據(jù)采集方式相同； (3)特征參數(shù)計(jì)算 在線檢測階段的特征參數(shù)計(jì)算跟離線訓(xùn)練階段的特征參數(shù)計(jì)算方法相同； (4)疲勞度分類輸出 將最佳網(wǎng)絡(luò)參數(shù)ωij、σij和ρdj以及實(shí)時(shí)計(jì)算的疲勞特征參數(shù)xi代入到TS模糊神經(jīng)網(wǎng)絡(luò)中計(jì)算疲勞度檢測值

依據(jù)疲勞度檢測值

的大小，將駕駛員的駕駛行為劃分為四種狀態(tài)

最后根據(jù)

的大小檢測駕駛員是否疲勞并對(duì)疲勞的嚴(yán)重程度進(jìn)行有效分類，疲勞特征參數(shù)計(jì)算及駕駛行為分類輸出框圖如圖7所示。
權(quán)利要求
1.一種基于軟計(jì)算的疲勞駕駛?cè)诤蠙z測方法，其特征在于，包括如下步驟
步驟1被測駕駛員疲勞特征參數(shù)xi的計(jì)算對(duì)被測駕駛員的疲勞特征參數(shù)xi進(jìn)行采集，i＝1、2、3或4，所采集的疲勞特征參數(shù)包括駕駛員面部圖像特征信號(hào)、車輛前方車道標(biāo)志線信號(hào)、方向盤轉(zhuǎn)動(dòng)信號(hào)，其中，駕駛員面部圖像特征信號(hào)包括駕駛員眨眼信號(hào)及打哈欠信號(hào)，并根據(jù)所采集的數(shù)據(jù)，計(jì)算眨眼頻率x1、打哈欠頻率x2、車輛異常偏離車道的頻率x3及方向盤轉(zhuǎn)動(dòng)異常頻率x4；
步驟2將眨眼頻率x1、打哈欠頻率x2、車輛異常偏離車道頻率x3及方向盤轉(zhuǎn)動(dòng)異常頻率x4代入高斯隸屬函數(shù)i＝1，2，3或4，j為正整數(shù)，j＝1，2，3，…，(cR-1)或cR，cR為模糊規(guī)則個(gè)數(shù)，式中，ωij、σij和μij分別表示疲勞特征參數(shù)xi的第j個(gè)模糊規(guī)則的隸屬函數(shù)的中心、寬度和隸屬度；
步驟3利用步驟2得到的隸屬度μij計(jì)算激勵(lì)強(qiáng)度αj，即i＝1，2，3或4，再計(jì)算歸一化激勵(lì)強(qiáng)度
即然后計(jì)算第j個(gè)模糊規(guī)則的后件加權(quán)值yj，即其中ρdj為權(quán)值系數(shù)，d＝0，1，2，3或4，再計(jì)算歸一化后件加權(quán)值
即最后計(jì)算疲勞度檢測值
即
得到所述cR、ωij、σij和ρdj的方法是首先對(duì)6名男性和4名女性共10名駕駛員進(jìn)行疲勞度量化實(shí)驗(yàn)，選擇200組包含疲勞特征參數(shù)x1，x2，x3，x4及相應(yīng)的疲勞度量化值Y的數(shù)據(jù)作為實(shí)驗(yàn)樣本，為保證樣本的時(shí)效性和完備性，疲勞度量化值Y的量化實(shí)驗(yàn)應(yīng)在疲勞特征參數(shù)采集之后1分鐘內(nèi)開始，同時(shí)樣本應(yīng)盡量全面地包含駕駛員的各種疲勞程度，如不疲勞、輕微疲勞、中等疲勞，重度疲勞，其中，x1＝n1/N1，N1為Δt1時(shí)間內(nèi)采集的圖片幀數(shù)，n1為其中眼睛閉合的圖片幀數(shù)，x2＝n2/N2，N2為Δt2時(shí)間內(nèi)采集的圖片幀數(shù)，n2為其中打呵欠的圖片幀數(shù)，x3＝n3/N3，N3為Δt3時(shí)間內(nèi)采集的圖片幀數(shù)，n3為其中異常偏離車道的圖片幀數(shù)，x4＝t/10，t為每10秒內(nèi)方向盤持續(xù)不動(dòng)的時(shí)間，單位為秒，疲勞度量化值δb為對(duì)第b次彈出的交通標(biāo)志圖片識(shí)別錯(cuò)誤的當(dāng)量系數(shù)，
tb為疲勞度量化時(shí)對(duì)第b次彈出的交通標(biāo)識(shí)圖片進(jìn)行識(shí)別和響應(yīng)所用的時(shí)間，單位為秒，上述疲勞度量化值Y的量化采用編制的測試程序進(jìn)行計(jì)算，實(shí)驗(yàn)前先讓駕駛員對(duì)4張配有文字說明的交通標(biāo)志圖片進(jìn)行學(xué)習(xí)，編程時(shí)每張圖片被用一個(gè)圖片標(biāo)識(shí)符進(jìn)行定義，與其相對(duì)應(yīng)的文字說明按鈕也被定義一個(gè)跟圖片標(biāo)識(shí)符相同的文字說明按鈕標(biāo)識(shí)符；實(shí)驗(yàn)時(shí)，程序界面每隔2秒隨機(jī)彈出4張交通標(biāo)志圖片中的任一張，此時(shí)駕駛員須在限定的1秒時(shí)間內(nèi)對(duì)圖片所代表的含義進(jìn)行識(shí)別和響應(yīng)，并用鼠標(biāo)迅速點(diǎn)擊相應(yīng)的文字說明按鈕，根據(jù)每次出現(xiàn)的圖片的圖片標(biāo)識(shí)符跟鼠標(biāo)點(diǎn)擊的文字說明按鈕標(biāo)識(shí)符是否相同來判斷每次識(shí)別是否正確，當(dāng)出現(xiàn)的圖片的圖片標(biāo)識(shí)符跟鼠標(biāo)點(diǎn)擊的文字說明按鈕標(biāo)識(shí)相同時(shí)，此次識(shí)別正確，否則識(shí)別錯(cuò)誤，同時(shí)計(jì)算從圖片出現(xiàn)到鼠標(biāo)擊中文字說明按鈕之間的響應(yīng)時(shí)間，用tb表示，根據(jù)識(shí)別結(jié)果是否正確以及響應(yīng)時(shí)間的長短確定每次識(shí)別錯(cuò)誤的當(dāng)量系數(shù)δb；每次實(shí)驗(yàn)圖片共隨機(jī)出現(xiàn)100次，實(shí)驗(yàn)結(jié)束時(shí)程序會(huì)自動(dòng)計(jì)算本次實(shí)驗(yàn)圖片識(shí)別的錯(cuò)誤率并將其作為疲勞程度的量化值在程序界面上進(jìn)行顯示；
然后利用減法聚類確定模糊規(guī)則個(gè)數(shù)cR，以及ωij和σij的初始值，減法聚類的步驟為
(1)計(jì)算第k個(gè)樣本Xk中xi和Y的歸一化值
和(j′＝1，2，3或4)，其中，對(duì)每一個(gè)樣本值Xk，Xk＝{xk，1，xk，2，xk，3，xk，4，Yk}，k＝1，2，…，200，前4項(xiàng)為第k個(gè)樣本對(duì)應(yīng)的四個(gè)疲勞特征參數(shù)值x1，x2，x3和x4，第5項(xiàng)為相應(yīng)的疲勞度量化值Y，歸一化樣本值經(jīng)比較確定
(2)計(jì)算每一個(gè)
對(duì)應(yīng)的密度值Pk，Ra＝0.4，然后經(jīng)統(tǒng)計(jì)比較得到具有最大密度值Pkmax的數(shù)據(jù)點(diǎn)
定義并初始化聚類個(gè)數(shù)cN＝0，
(3)令
(4)如果Rp＞εA，執(zhí)行(6)，其中，接收率εA＝0.8，
(5)如果Rp＜εR，輸出聚類中心Ci″及聚類個(gè)數(shù)cN，并將聚類個(gè)數(shù)作為模糊規(guī)則個(gè)數(shù)cR的值，即cR＝cN，程序結(jié)束，其中，拒絕率εR＝0.15，否則，統(tǒng)計(jì)計(jì)算
跟已求得的聚類中心Ci″之間的最小距離dmin，i″為正整數(shù)，1≤i″≤cN，C表示由聚類中心組成的聚類中心集合，C＝{Ci″}，Ci″表示第i″個(gè)聚類中心，如果拒絕
成為聚類中心，并令其密度值Pk＝0，重新進(jìn)行統(tǒng)計(jì)比較，選擇具有最大密度值Pkmax的數(shù)據(jù)點(diǎn)作為新的
轉(zhuǎn)至(3)，否則轉(zhuǎn)至(6)，
(6)令將
作為新的聚類中心依次添加到集合C中，并令cN＝cN+1，接著根據(jù)
對(duì)其余未聚類的
的密度值Pk進(jìn)行更新，即其中，Rb＝1.5Ra，以避免出現(xiàn)距離相近的聚類中心，
(7)統(tǒng)計(jì)并找到新的具有最高密度值Pkmax的
返回步驟(3)繼續(xù)運(yùn)行程序，
減法聚類完成后，將聚類中心集合C中的cR個(gè)聚類中心Cj進(jìn)行轉(zhuǎn)換求得歸一化前的聚類中心Cj′，其中，再將xi，j*作為隸屬函數(shù)μij中相應(yīng)ωij的初始值
即在集合C中統(tǒng)計(jì)計(jì)算跟第一個(gè)聚類中心C1′的歐氏距離最近的另一個(gè)聚類中心Cs′，s＝2，3，…，(cR-1)或cR，σij的初始值
被確定為其中，
根據(jù)遺傳算法，將TS模糊神經(jīng)網(wǎng)絡(luò)需要優(yōu)化的ωij、σij和ρdj按實(shí)數(shù)編碼格式連接起來構(gòu)成一條染色體，共隨機(jī)產(chǎn)生100條染色體，組成群體Z，Z＝{z1，z2，…，z100}，其中，每條染色體的基因值由ωij′、σij′和ρd′j組成，第h條染色體zh可表示為
h為正整數(shù)，且h＝1，2，…，或100，其中，
計(jì)算網(wǎng)絡(luò)在訓(xùn)練集上產(chǎn)生的均方誤差ferr(Z)，式中，
為代入第k個(gè)樣本的疲勞特征參數(shù)xi和染色體中的ωij′，σij′和ρd′j后TS模糊神經(jīng)網(wǎng)絡(luò)計(jì)算出的網(wǎng)絡(luò)實(shí)際輸出值，并根據(jù)ferr(Z)構(gòu)造適應(yīng)度函數(shù)，計(jì)算每條染色體的適應(yīng)度ffit(Z)，通過遺傳算法的選擇，交叉，變異操作對(duì)染色體中的ωij′，σij′和ρd′j進(jìn)行優(yōu)化，將在最大進(jìn)化代數(shù)范圍內(nèi)滿足最小均方誤差
的染色體z*作為最佳染色體，
根據(jù)最佳染色體z*，令并將ωij，σij和ρdj作為最佳網(wǎng)絡(luò)參數(shù)，其中，遺傳算法中設(shè)定的最小均方誤差最大進(jìn)化代數(shù)為Ne＝1000次，
選擇操作采用輪盤賭法選擇優(yōu)質(zhì)個(gè)體，交叉運(yùn)算時(shí)利用公式(1)以線性交叉的方式產(chǎn)生子代ZAe+1，ZRe+1，
ZAe、ZBe為待交叉的兩個(gè)染色體，η為(0，1)區(qū)間產(chǎn)生的隨機(jī)數(shù)，e為交叉運(yùn)算的代數(shù)，
變異操作采用非均勻變異，根據(jù)公式(2)和(3)，對(duì)原有的基因值做一隨機(jī)擾動(dòng)，以擾動(dòng)后的結(jié)果做為變異后的新基因值d′(Zm)，
式中κ＝gc/gm，γ為隨機(jī)數(shù)，γ＝rand(0，1)，g為形狀參數(shù)，g＝3，al和ar分別為染色體中各基因位取值區(qū)域的左右邊界、gc為當(dāng)前進(jìn)化代數(shù)、gm為最大進(jìn)化代數(shù)，sign為隨機(jī)數(shù)，取值為0或1，Zm為第m個(gè)染色體，
在交叉和變異操作過程中，交叉率pc和變異率pm采用一種自適應(yīng)的方法獲得，其表達(dá)式為
式中fmax、favg分別表示群體中的最大適應(yīng)度和平均適應(yīng)度，f′表示兩個(gè)待交叉?zhèn)€體中較大的適應(yīng)度，pc1、pc2、pm1、pm2為小于1的常數(shù)，其中，交叉率pc1＝0.9，pc2＝0.6，變異率pm1＝0.1，pm2＝0.001；
步驟4將最佳網(wǎng)絡(luò)參數(shù)ωij、σij和ρdj以及實(shí)時(shí)計(jì)算的疲勞特征參數(shù)xi代入到TS模糊神經(jīng)網(wǎng)絡(luò)中計(jì)算疲勞度檢測值
依據(jù)疲勞度檢測值
的大小，將駕駛員的駕駛行為劃分為四種狀態(tài)
最后根據(jù)
的大小檢測駕駛員是否疲勞并對(duì)疲勞的嚴(yán)重程度進(jìn)行有效分類。
全文摘要
本發(fā)明公開了一種用于檢測駕駛員疲勞駕駛的基于軟計(jì)算的疲勞駕駛?cè)诤蠙z測方法，其特征是從直接反映駕駛員疲勞的兩個(gè)面部特征和間接反映駕駛員疲勞的兩個(gè)車輛行為特征兩個(gè)方面對(duì)疲勞駕駛進(jìn)行融合檢測，兩個(gè)面部特征分別為頻繁眨眼和打呵欠，兩個(gè)車輛行為特征分別為車輛異常偏離車道和方向盤轉(zhuǎn)動(dòng)異常；該方法運(yùn)用TS模糊神經(jīng)網(wǎng)絡(luò)來識(shí)別疲勞駕駛，采用減法聚類對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化辨識(shí)，確定模糊神經(jīng)網(wǎng)絡(luò)的模糊規(guī)則個(gè)數(shù)以及相關(guān)網(wǎng)絡(luò)參數(shù)的初始值；運(yùn)用遺傳算法對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行訓(xùn)練和優(yōu)化，確定最佳網(wǎng)絡(luò)參數(shù)；根據(jù)最佳網(wǎng)絡(luò)參數(shù)和上述四個(gè)疲勞特征參數(shù)利用TS模糊神經(jīng)網(wǎng)絡(luò)對(duì)駕駛員疲勞駕駛進(jìn)行實(shí)時(shí)檢測。
文檔編號(hào)B60W40/09GK101746269SQ20101001714
公開日2010年6月23日 申請(qǐng)日期2010年1月8日 優(yōu)先權(quán)日2010年1月8日
發(fā)明者張為公, 孫偉, 張小瑞, 林國余, 王雨辰, 于家河 申請(qǐng)人:東南大學(xué)