基于駕駛行為的疲勞駕駛檢測方法
【專利摘要】本發(fā)明公開了一種基于駕駛行為的疲勞駕駛檢測方法，解決現(xiàn)有技術(shù)所存在的道路曲率因素會(huì)影響基于駕駛行為進(jìn)行疲勞駕駛檢測方法的準(zhǔn)確率的問題，其構(gòu)建了道路線形分類器及對(duì)應(yīng)的疲勞模式分類器，在車輛行駛過程中實(shí)時(shí)采集車輛的道路視頻和駕駛行為信息，分別提取不同的道路曲率（直道和彎道）下駕駛?cè)说鸟{駛行為特征參數(shù)，根據(jù)道路線形分類器輸出結(jié)果確定當(dāng)前道路線形，并調(diào)用對(duì)應(yīng)的疲勞模式分類器，即可實(shí)現(xiàn)對(duì)駕駛?cè)似跔顟B(tài)的辨識(shí)，本方法實(shí)現(xiàn)了疲勞駕駛的實(shí)時(shí)準(zhǔn)確檢測。
【專利說明】基于駕駛行為的疲勞駕駛檢測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及汽車安全【技術(shù)領(lǐng)域】的一種檢測方法，具體地說，本發(fā)明涉及一種基于駕駛行為的疲勞駕駛檢測方法。
【背景技術(shù)】
[0002]疲勞駕駛是造成道路交通事故的主要因素之一，每年由于疲勞駕駛而引起的交通事故占事故總數(shù)的20%左右，占特大交通事故的40%以上。因此，需要對(duì)駕駛?cè)笋{駛狀態(tài)進(jìn)行實(shí)時(shí)檢測，當(dāng)出現(xiàn)疲勞狀態(tài)時(shí)，給予有效的預(yù)警，避免道路交通事故的發(fā)生。
[0003]目前，疲勞駕駛檢測方法主要分為基于主觀評(píng)價(jià)的檢測方法、基于駕駛?cè)松硇盘?hào)的檢測方法、基于駕駛?cè)松矸磻?yīng)的檢測方法、基于駕駛行為的檢測方法和基于信息融合的檢測方法。其中，基于主觀評(píng)價(jià)的檢測方法存在評(píng)分主觀，評(píng)分標(biāo)準(zhǔn)不統(tǒng)一、被測試者故意隱瞞真實(shí)情況、迎合主觀期望等問題?；隈{駛?cè)松硇盘?hào)的檢測方法，侵入性強(qiáng)，易對(duì)駕駛?cè)水a(chǎn)生干擾，不易被接受?；谏矸磻?yīng)的檢測方法主要是通過機(jī)器視覺檢測駕駛?cè)嗣娌刻卣?，易受光線、車輛振動(dòng)、駕駛?cè)伺浯餮坨R等因素影響?；隈{駛行為的檢測方法為非接觸式檢測，測量過程不會(huì)對(duì)駕駛?cè)说恼ｑ{駛行為造成干擾，特征參數(shù)(車速、方向盤轉(zhuǎn)角等)容易提取，已成為國內(nèi)外研究熱點(diǎn)。
[0004]疲勞駕駛狀態(tài)下，駕駛?cè)藢?duì)車輛控制能力明顯下降，因此通過駕駛?cè)水?dāng)前的駕駛行為信息，能夠?qū)崿F(xiàn)對(duì)疲勞駕駛的檢測。然而道路曲率變化同樣是引發(fā)駕駛?cè)瞬倏v行為(方向盤轉(zhuǎn)角、方向盤轉(zhuǎn)角速度等)變化的一項(xiàng)重要因素，因此，道路曲率因素會(huì)影響基于駕駛行為進(jìn)行疲勞駕駛檢測方法的準(zhǔn)確率。

【發(fā)明內(nèi)容】

[0005]為解決現(xiàn)有技術(shù)所存在的道路曲率因素會(huì)影響基于駕駛行為進(jìn)行疲勞駕駛檢測方法的準(zhǔn)確率的問題，本發(fā)明提供一種改進(jìn)的基于駕駛行為的疲勞駕駛檢測方法，分別提取不同的道路曲率(直道和彎道)下駕駛?cè)说鸟{駛行為特征參數(shù)，建立了道路線形分類器及對(duì)應(yīng)的疲勞模式分類器，根據(jù)道路線形分類器輸出結(jié)果確定當(dāng)前道路線形，并選擇對(duì)應(yīng)的疲勞模式分類器，實(shí)現(xiàn)對(duì)駕駛?cè)似跔顟B(tài)的辨識(shí)，能夠消除道路曲率因素對(duì)基于駕駛行為的疲勞駕駛檢測準(zhǔn)確度的影響，實(shí)現(xiàn)了疲勞駕駛的實(shí)時(shí)準(zhǔn)確檢測。
[0006]本發(fā)明是通過如下技術(shù)方案實(shí)現(xiàn)的:所述的基于駕駛行為的疲勞駕駛檢測方法，其包括如下步驟:
[0007]1.構(gòu)建道路線形分類器；
[0008]2.構(gòu)建疲勞模式分類器；
[0009]3.采集車輛行進(jìn)過程中的道路視頻，利用道路線形分類器判斷當(dāng)前道路線形；
[0010]4.采集駕駛?cè)笋{駛行為信息，并根據(jù)道路線形分類器的輸出結(jié)果，選擇對(duì)應(yīng)的疲勞模式分類器，實(shí)現(xiàn)對(duì)駕駛?cè)似跔顟B(tài)的辨識(shí)。
[0011]技術(shù)方案中所述的構(gòu)建道路線形分類器包括如下具體步驟:[0012]I)采集N張不同道路曲率的道路圖像，其中包括NI張直道圖像和N2張彎道圖像，其中，NI≥1000, N2≥2000，建立道路線形分類器的訓(xùn)練庫；
[0013]2)利用特征提取方法提取不同類型道路圖像特征參數(shù)，采用統(tǒng)計(jì)分析的方法檢驗(yàn)在不同道路線形(直道、彎道)下特征參數(shù)差異的顯著性，進(jìn)而篩選出有效特征參數(shù)組；
[0014]3)將篩選出的有效特征參數(shù)組全部引入特征空間，利用機(jī)器學(xué)習(xí)的方法構(gòu)建道路線形分類器。
[0015]技術(shù)方案中所述的構(gòu)建疲勞模式分類器包括如下具體步驟:
[0016]I)分別采集m，m^50名駕駛?cè)嗽诓煌{駛狀態(tài)(正常駕駛、疲勞駕駛)下的位于直道條件下的駕駛行為數(shù)據(jù)和位于彎道條件下的駕駛行為數(shù)據(jù)；
[0017]2)分別提取直道條件下的疲勞駕駛有效特征參數(shù)組和彎道條件下的疲勞駕駛有效特征參數(shù)組；
[0018]3)分別構(gòu)建直道條件下的疲勞模式分類器和彎道條件下的疲勞模式分類器。
[0019]技術(shù)方案中所述的分別采集m，m^50名駕駛?cè)嗽诓煌{駛狀態(tài)(正常駕駛、疲勞駕駛)下的位于直道條件下的駕駛行為數(shù)據(jù)和位于彎道條件下的駕駛行為數(shù)據(jù)包括如下具體步驟:
[0020](I)采集m，m ^ 50名駕駛?cè)嗽谡ｑ{駛條件下的駕駛行為數(shù)據(jù)和道路視頻，依據(jù)道路視頻信息，將駕駛行為數(shù)據(jù)劃分為直道條件下駕駛行為數(shù)據(jù)和彎道條件下駕駛行為數(shù)據(jù)；
[0021](2)采集m，m ^ 50名駕駛?cè)嗽谄隈{駛條件下的駕駛行為數(shù)據(jù)和道路視頻，依據(jù)道路視頻信息，將駕駛行為數(shù)據(jù)劃分為直道條件下駕駛行為數(shù)據(jù)和彎道條件下駕駛行為數(shù)據(jù)；
[0022]技術(shù)方案中所述的分別提取直道條件下的疲勞駕駛有效特征參數(shù)組和彎道條件下的疲勞駕駛有效特征參數(shù)組包括如下具體步驟:
[0023](I)利用特征提取方法提取直道條件下的疲勞駕駛特征參數(shù)，采用統(tǒng)計(jì)分析的方法檢驗(yàn)在不同駕駛狀態(tài)(正常駕駛、疲勞駕駛)下的特征參數(shù)差異的顯著性，進(jìn)而篩選出直道條件下疲勞駕駛有效特征參數(shù)組；
[0024](2)利用特征提取方法提取彎道條件下的疲勞駕駛特征參數(shù)，采用統(tǒng)計(jì)分析的方法檢驗(yàn)在不同駕駛狀態(tài)(正常駕駛、疲勞駕駛)下特征參數(shù)差異的顯著性，進(jìn)而篩選出彎道條件下疲勞駕駛有效特征參數(shù)組；
[0025]技術(shù)方案中所述的分別構(gòu)建直道條件下的疲勞模式分類器和彎道條件下的疲勞模式分類器包括如下具體步驟:
[0026](I)將篩選出的直道條件下的疲勞駕駛有效特征參數(shù)組全部引入特征空間，利用機(jī)器學(xué)習(xí)的方法構(gòu)建直道下疲勞模式分類器；
[0027](2)將篩選出的彎道條件下的疲勞駕駛有效特征參數(shù)組全部引入特征空間，利用機(jī)器學(xué)習(xí)的方法構(gòu)建彎道下疲勞模式分類器。
[0028]技術(shù)方案中所述的采集車輛行進(jìn)過程中的道路視頻，利用道路線形分類器判斷當(dāng)前道路線形包括如下具體步驟:
[0029]I)通過車載攝像頭實(shí)時(shí)采集道路圖像信息；
[0030]2)提取道路圖像信息的特征參數(shù)，輸入道路線形分類器，判斷當(dāng)前道路線形。[0031]技術(shù)方案中所述的采集駕駛?cè)笋{駛行為信息，并根據(jù)道路線形分類器的輸出結(jié)果，選擇對(duì)應(yīng)的疲勞模式分類器，實(shí)現(xiàn)對(duì)駕駛?cè)似跔顟B(tài)的辨識(shí)包括如下具體步驟:
[0032]I)利用駕駛行為采集設(shè)備實(shí)時(shí)采集駕駛?cè)水?dāng)前駕駛行為數(shù)據(jù)；
[0033]2)若道路線形分類器輸出結(jié)果為直道，則依據(jù)直道條件下的疲勞駕駛有效特征參數(shù)組處理并計(jì)算駕駛行為數(shù)據(jù)，并將該數(shù)據(jù)輸入到直道條件下的疲勞模式分類器中，判斷當(dāng)前駕駛?cè)说钠跔顟B(tài)；
[0034]3)若道路線形分類器輸出結(jié)果為彎道，則依據(jù)彎道條件下的疲勞駕駛有效特征參數(shù)組處理并計(jì)算駕駛行為數(shù)據(jù)，并將該數(shù)據(jù)輸入到彎道條件下的疲勞模式分類器中，判斷當(dāng)前駕駛?cè)说钠跔顟B(tài)。
[0035]與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果:
[0036]1.本發(fā)明基于駕駛行為特征實(shí)現(xiàn)駕駛?cè)似跔顟B(tài)實(shí)時(shí)檢測，構(gòu)建了道路線形分類器和對(duì)應(yīng)的疲勞模式分類器，在實(shí)際行車過程中，采集車輛行進(jìn)過程中的道路視頻，實(shí)時(shí)判斷當(dāng)前道路線形，調(diào)用對(duì)應(yīng)的疲勞模型分類器，即實(shí)現(xiàn)對(duì)駕駛?cè)似跔顟B(tài)的辨識(shí)，消除了道路曲率對(duì)檢測準(zhǔn)確率的影響。
[0037]2.本發(fā)明提高了疲勞駕駛檢測準(zhǔn)確率，有益于推廣應(yīng)用，可大幅降低由于疲勞駕駛而導(dǎo)致惡性交通事故的發(fā)生率。
【專利附圖】

【附圖說明】
[0038]圖1為基于駕駛行為的疲勞駕駛檢測方法的流程圖。
【具體實(shí)施方式】
[0039]下面結(jié)合附圖和具體實(shí)施 范例，對(duì)本發(fā)明的技術(shù)方案做進(jìn)一步說明:
[0040]本發(fā)明提供了一種基于駕駛行為的疲勞駕駛檢測方法，而道路曲率因素會(huì)影響基于駕駛行為進(jìn)行疲勞駕駛檢測方法的準(zhǔn)確率。于是，如何消除道路曲率因素對(duì)基于駕駛行為進(jìn)行疲勞駕駛檢測方法的影響已成為目前面臨的一項(xiàng)重大挑戰(zhàn)。基于此，本發(fā)明采集車輛行進(jìn)過程中的道路視頻和駕駛行為信息，分別提取不同的道路曲率(直道和彎道)下的有效特征參數(shù)組，根據(jù)道路線形分類器輸出結(jié)果確定當(dāng)前道路線形，建立了對(duì)應(yīng)的疲勞模式分類器，實(shí)現(xiàn)了對(duì)疲勞駕駛的實(shí)時(shí)準(zhǔn)確檢測。本方法具體步驟如下:
[0041]1.構(gòu)建道路線形分類器:
[0042]I)采集N張不同道路曲率的道路圖像，其中包括NI張(實(shí)施例中選1000張)直道圖像和N2張(實(shí)施例中選2000張)彎道圖像，建立道路線形分類器的訓(xùn)練庫，其中:N ^ 3000,NI ≤ 1000, N2 ≤ 2000 ；
[0043]2)基于類Haar-1ike方法對(duì)訓(xùn)練庫的圖像進(jìn)行特征提取，采用方差分析的方法對(duì)提取有效的類Haar-1ike特征進(jìn)行差異性檢驗(yàn)，進(jìn)而篩選出直道圖像和彎道圖像上存在顯著性差異的類Haar-1ike特征作為有效特征參數(shù)組；
[0044]3)將篩選出的有效特征參數(shù)組全部引入特征空間，采用AdaBoost算法構(gòu)建道路線形分類器。
[0045]2.構(gòu)建疲勞模式分類器:
[0046]分別采集m (m≤50)名駕駛?cè)嗽诓煌{駛狀態(tài)下的位于直道條件下和彎道條件下的駕駛行為數(shù)據(jù)，搭建不同道路線形條件下的疲勞模式分類器:
[0047]I)分別采集m (m≥50)名駕駛?cè)嗽谡ｑ{駛和疲勞駕駛狀態(tài)下的位于直道條件下的駕駛行為數(shù)據(jù)和位于彎道條件下的駕駛行為數(shù)據(jù):
[0048](I)采集50名駕駛?cè)嗽谡ｑ{駛條件下的駕駛行為數(shù)據(jù)和道路視頻，依據(jù)道路視頻信息，將駕駛行為數(shù)據(jù)劃分為直道條件下駕駛行為數(shù)據(jù)和彎道條件下駕駛行為數(shù)據(jù)；
[0049](2)采集50名駕駛?cè)嗽谄隈{駛條件下的駕駛行為數(shù)據(jù)和道路視頻，依據(jù)道路視頻信息，將駕駛行為數(shù)據(jù)劃分為直道條件下駕駛行為數(shù)據(jù)和彎道下條件駕駛行為數(shù)據(jù)；
[0050]2)分別提取直道條件下的疲勞駕駛有效特征參數(shù)組和彎道條件下的疲勞駕駛有效特征參數(shù)組:
[0051](I)利用特征提取方法提取直道條件下的疲勞駕駛特征參數(shù)，采用方差分析的方法檢驗(yàn)在不同駕駛狀態(tài)(正常駕駛、疲勞駕駛)下特征參數(shù)差異的顯著性，篩選出存在顯著性差異的特征參數(shù)作為直道條件下疲勞駕駛有效特征參數(shù)組，記為Ps:Ps=[meansa, stdsa,ensa, stdsv, pns, sdlp],式中，meansa為方向盤轉(zhuǎn)角均值、stdsa為方向盤轉(zhuǎn)角標(biāo)準(zhǔn)差、ensa為方向盤轉(zhuǎn)角熵、stdsv為方向盤轉(zhuǎn)角速度標(biāo)準(zhǔn)差、pns為零速百分比、sdlp為車道偏移量;
[0052] (2)利用特征提取方法提取彎道條件下的疲勞駕駛特征參數(shù)，采用方差分析的方法檢驗(yàn)在不同駕駛狀態(tài)(正常駕駛、疲勞駕駛)下特征參數(shù)差異的顯著性，篩選出存在顯著性差異的特征參數(shù)作為彎道條件下疲勞駕駛有效特征參數(shù)組，記為P。:pc= [cvsa, ensa,cvsv, maxsv, pns, sdlp],式中，cvsa為方向盤轉(zhuǎn)角變異系數(shù)、ensa為方向盤轉(zhuǎn)角熵、cvsv為方向盤轉(zhuǎn)角速度變異系數(shù)、maxsv為方向盤轉(zhuǎn)角速度幅值、pns為零速百分比、sdlp為車道偏移量；
[0053]3)將篩選出的有效特征參數(shù)組全部引入特征空間，采用支持向量機(jī)分別構(gòu)建直道條件下的疲勞模式分類器和彎道條件下的疲勞模式分類器:
[0054](I)將篩選出的直道條件下的疲勞駕駛有效特征參數(shù)組Ps全部引入特征空間，利用支持向量機(jī)的方法構(gòu)建直道下疲勞模式分類器；
[0055](2)將篩選出的彎道條件下的疲勞駕駛有效特征參數(shù)組P。全部引入特征空間，利用支持向量機(jī)的方法構(gòu)建彎道下疲勞模式分類器。
[0056]3.通過車載攝像頭實(shí)時(shí)采集車輛行進(jìn)過程中的道路視頻，利用道路線形分類器判斷當(dāng)前道路線形:
[0057]I)通過車載攝像頭實(shí)時(shí)采集道路圖像信息；
[0058]2)提取道路圖像信息的有效類Haar-1ike特征，輸入道路線形分類器，判斷當(dāng)前道路線形。
[0059]4.采集駕駛?cè)笋{駛行為信息，根據(jù)道路線形分類器的輸出結(jié)果，選擇對(duì)應(yīng)的疲勞模式分類器，實(shí)現(xiàn)對(duì)駕駛?cè)似跔顟B(tài)的辨識(shí):
[0060]I)通過車載攝像頭采集圖像計(jì)算車道偏移量，通過車輛的CAN總線讀取方向盤轉(zhuǎn)角和方向盤轉(zhuǎn)角速度；
[0061]2)若道路線形分類器輸出結(jié)果為直道，則提取直道條件下的疲勞駕駛有效特征參數(shù)組Ps，并將其輸入到直道條件下的疲勞模式分類器中，判斷當(dāng)前駕駛?cè)似跔顟B(tài)；3)若道路線形分類器輸出結(jié)果為彎道，則提取彎道條件下的疲勞駕駛有效特征參數(shù)組P。，并將其輸入到彎道條件下的疲勞模式分類器中，判斷當(dāng)前駕駛?cè)似跔顟B(tài)。
[0062]下面給出本方法的一個(gè)具體實(shí)施例:
[0063]1.構(gòu)建道路線形分類器:
[0064]I)通過車載攝像頭采集3000張不同道路曲率的道路圖像，其中包括1000張直道圖像和2000張彎道圖像，建立道路線形分類器的訓(xùn)練庫；
[0065]2)基于類Haar-1ike方法對(duì)訓(xùn)練庫的圖像進(jìn)行特征提取，采用方差分析的方法對(duì)提取有效的類Haar-1ike特征進(jìn)行差異性檢驗(yàn)，進(jìn)而篩選出直道圖像和彎道圖像上存在顯著性差異的類Haar-1ike特征作為有效特征參數(shù)組；
[0066]3)將篩選出的有效特征參數(shù)組全部引入特征空間，采用AdaBoost算法構(gòu)建道路線形分類器。
[0067]2.構(gòu)建疲勞模式分類器:
[0068]分別采集50名駕駛?cè)嗽诓煌{駛狀態(tài)下的位于直道條件下和彎道條件下的駕駛行為數(shù)據(jù)，搭建不同道路線形條件下的疲勞模式分類器:
[0069]I)駕駛行為采集設(shè)備分別采集50名駕駛?cè)嗽谡ｑ{駛和疲勞駕駛狀態(tài)下的位于直道條件下的駕駛行為數(shù)據(jù)和位于彎道條件下的駕駛行為數(shù)據(jù):
[0070](I)采集50名駕駛?cè)嗽谡ｑ{駛條件下的駕駛行為數(shù)據(jù)和道路視頻，依據(jù)道路視頻信息，將駕駛行為數(shù)據(jù)劃分為直道條件下駕駛行為數(shù)據(jù)和彎道條件下駕駛行為數(shù)據(jù)；
[0071](2)采集50名駕駛?cè)嗽谄隈{駛條件下的駕駛行為數(shù)據(jù)和道路視頻，依據(jù)道路視頻信息，將駕駛行為數(shù)據(jù)劃分為直道下駕駛行為數(shù)據(jù)和彎道下駕駛行為數(shù)據(jù)；
[0072]2)分別提取直道條件下的疲勞駕駛有效特征參數(shù)組和彎道條件下的疲勞駕駛有效特征參數(shù)組:
[0073](I)利用特征提取方法提取直道條件下的疲勞駕駛特征參數(shù)，采用方差分析的方法檢驗(yàn)在不同駕駛狀態(tài)(正常駕駛、疲勞駕駛)下特征參數(shù)差異的顯著性，篩選出存在顯著性差異的特征參數(shù)作為直道條件下疲勞駕駛有效特征參數(shù)組，記為Ps:PS= [meansa, stdsa,ensa, stdsv, pns, sdlp],式中，meansa為方向盤轉(zhuǎn)角均值、stdsa為方向盤轉(zhuǎn)角標(biāo)準(zhǔn)差、ensa為方向盤轉(zhuǎn)角熵、stdsv為方向盤轉(zhuǎn)角速度標(biāo)準(zhǔn)差、pns為零速百分比、sdlp為車道偏移量;
[0074](2)利用特征提取方法提取彎道條件下的疲勞駕駛特征參數(shù)，采用方差分析的方法檢驗(yàn)在不同駕駛狀態(tài)(正常駕駛、疲勞駕駛)下特征參數(shù)差異的顯著性，篩選出存在顯著性差異的特征參數(shù)作為彎道條件下疲勞駕駛有效特征參數(shù)組，記為P。:pc= [cvsa, ensa,cvsv, maxsv, pns, sdlp],式中，cvsa為方向盤轉(zhuǎn)角變異系數(shù)、ensa為方向盤轉(zhuǎn)角熵、cvsv為方向盤轉(zhuǎn)角速度變異系數(shù)、maxsv為方向盤轉(zhuǎn)角速度幅值、pns為零速百分比、sdlp為車道偏移量；
[0075]3)將篩選出的有效特征參數(shù)組全部引入特征空間，采用支持向量機(jī)分別構(gòu)建直道條件下的疲勞模式分類器和彎道條件下的疲勞模式分類器:
[0076](I)將篩選出的直道條件下的疲勞駕駛有效特征參數(shù)組Ps全部引入特征空間，利用支持向量機(jī)的方法構(gòu)建直道下疲勞模式分類器；
[0077](2)將篩選出的彎道條件下的疲勞駕駛有效特征參數(shù)組P。全部引入特征空間，利用支持向量機(jī)的方法構(gòu)建彎道下疲勞模式分類器。[0078]3.通過車載攝像頭實(shí)時(shí)采集車輛行進(jìn)過程中的道路視頻，利用道路線形分類器判斷當(dāng)前道路線形:
[0079]I)通過車載攝像頭實(shí)時(shí)采集道路圖像信息；
[0080]2)提取道路圖像信息的有效類Haar-1ike特征，輸入道路線形分類器，判斷當(dāng)前道路線形。
[0081]4.采集駕駛?cè)笋{駛行為信息，根據(jù)道路線形分類器的輸出結(jié)果，選擇對(duì)應(yīng)的疲勞模式分類器，實(shí)現(xiàn)對(duì)駕駛?cè)似跔顟B(tài)的辨識(shí):
[0082]I)通過車載攝像頭采集圖像計(jì)算車道偏移量，通過車輛的CAN總線讀取方向盤轉(zhuǎn)角和方向盤轉(zhuǎn)角速度；
[0083]2)若道路線形分類器輸出結(jié)果為直道，則提取直道條件下的疲勞駕駛有效特征參數(shù)組Ps，并將其輸入到直道條件下的疲勞模式分類器中，判斷當(dāng)前駕駛?cè)似跔顟B(tài)；
[0084]3)若道路線形分類器輸出結(jié)果為彎道，則提取彎道條件下的疲勞駕駛有效特征參數(shù)組P。，并將其輸入到彎道條件下的疲勞模式分類器中，判斷當(dāng)前駕駛?cè)似跔顟B(tài)。
[0085]以上具體實(shí)施范例中，采集不同道路曲率的道路圖像的張數(shù)為3000張，其中包括1000張直道圖像和2000張彎道圖像，但本發(fā)明對(duì)道路圖像采集張數(shù)的范圍不限于本實(shí)施例，基于公知常識(shí)，前期數(shù)據(jù)采集量越大，后期數(shù)據(jù)處理的準(zhǔn)確度越高，故本實(shí)施例中只給出端值，即最小值的范例；同理，本具體實(shí)施范例中分別采集50名駕駛?cè)嗽谡ｑ{駛和疲勞駕駛狀態(tài)下的位于直道條件下的駕駛行為數(shù)據(jù)和位于彎道條件下的駕駛行為數(shù)據(jù)，該駕駛?cè)藬?shù)也不限于50名，本實(shí)施例中只給出端值，即最小值的范例。
[0086]以上僅是本發(fā)明的具體應(yīng)用范例，對(duì)本發(fā)明的保護(hù)范圍不構(gòu)成任何限制。除上述實(shí)施例外，本發(fā)明還可以有其它實(shí)施方式。凡采用等同替換或等效變換形成的技術(shù)方案，均落在本發(fā)明所要求保護(hù)的范圍之內(nèi)。
【權(quán)利要求】
1.一種基于駕駛行為的疲勞駕駛檢測方法，其特征在于，該方法包括以下步驟: 1)構(gòu)建道路線形分類器； 2)構(gòu)建疲勞模式分類器； 3)采集車輛行進(jìn)過程中的道路視頻，利用道路線形分類器判斷當(dāng)前道路線形； 4)采集駕駛?cè)笋{駛行為信息，并根據(jù)道路線形分類器的輸出結(jié)果，選擇對(duì)應(yīng)的疲勞模式分類器，實(shí)現(xiàn)對(duì)駕駛?cè)似跔顟B(tài)的辨識(shí)。
2.如權(quán)利要求1所述的一種基于駕駛行為的疲勞駕駛檢測方法，其特征在于，所述構(gòu)建道路線形分類器包括以下步驟: 1)采集N張不同道路曲率的道路圖像，其中包括NI張直道圖像和N2張彎道圖像，其中，NI≥1000, N2≥2000，建立道路線形分類器的訓(xùn)練庫； 2)利用特征提取方法提取不同類型道路圖像特征參數(shù)，采用統(tǒng)計(jì)分析的方法檢驗(yàn)在不同道路線形下特征參數(shù)差異的顯著性，進(jìn)而篩選出有效特征參數(shù)組； 3)將篩選出的有效特征參數(shù)組全部引入特征空間，利用機(jī)器學(xué)習(xí)的方法構(gòu)建道路線形分類器。
3.如權(quán)利要求1所述的一種基于駕駛行為的疲勞駕駛檢測方法，其特征在于，所述構(gòu)建疲勞模式分類器包括以下步驟: 1)分別采集m，m^ 50名駕駛?cè)嗽谡ｑ{駛和疲勞駕駛狀態(tài)下的位于直道條件下的駕駛行為數(shù)據(jù)和位于彎道條件下的駕駛行為數(shù)據(jù)； 2)分別提取直道條件下的疲勞駕駛有效特征參數(shù)組和彎道條件下的疲勞駕駛有效特征參數(shù)組； 3)分別構(gòu)建直道條件下的疲勞模式分類器和彎道條件下的疲勞模式分類器。
4.如權(quán)利要求3所述的一種基于駕駛行為的疲勞駕駛檢測方法，其特征在于，所述分別采集m，m^50名駕駛?cè)嗽谡ｑ{駛和疲勞駕駛狀態(tài)下的位于直道條件下的駕駛行為數(shù)據(jù)和位于彎道條件下的駕駛行為數(shù)據(jù)包括以下步驟: (1)采集m，m^ 50名駕駛?cè)嗽谡ｑ{駛條件下的駕駛行為數(shù)據(jù)和道路視頻，依據(jù)道路視頻信息，將駕駛行為數(shù)據(jù)劃分為直道條件下駕駛行為數(shù)據(jù)和彎道條件下駕駛行為數(shù)據(jù)； (2)采集m，m^ 50名駕駛?cè)嗽谄隈{駛條件下的駕駛行為數(shù)據(jù)和道路視頻，依據(jù)道路視頻信息，將駕駛行為數(shù)據(jù)劃分為直道下駕駛行為數(shù)據(jù)和彎道下駕駛行為數(shù)據(jù)； 所述分別提取直道條件下的疲勞駕駛有效特征參數(shù)組和彎道條件下的疲勞駕駛有效特征參數(shù)組包括以下步驟: (1)利用特征提取方法提取直道條件下的疲勞駕駛特征參數(shù)，采用統(tǒng)計(jì)分析的方法檢驗(yàn)在正常駕駛和疲勞駕駛狀態(tài)下的特征參數(shù)差異的顯著性，進(jìn)而篩選出直道條件下疲勞駕駛有效特征參數(shù)組； (2)利用特征提取方法提取彎道條件下的疲勞駕駛特征參數(shù)，采用統(tǒng)計(jì)分析的方法檢驗(yàn)在正常駕駛和疲勞駕駛狀態(tài)下特征參數(shù)差異的顯著性，進(jìn)而篩選出彎道條件下疲勞駕駛有效特征參數(shù)組； 所述分別構(gòu)建直道條件下的疲勞模式分類器和彎道條件下的疲勞模式分類器包括以下步驟: (I)將篩選出的直道條件下的疲勞駕駛有效特征參數(shù)組全部引入特征空間，利用機(jī)器學(xué)習(xí)的方法構(gòu)建直道下疲勞模式分類器； (2)將篩選出的彎道條件下的疲勞駕駛有效特征參數(shù)組全部引入特征空間，利用機(jī)器學(xué)習(xí)的方法構(gòu)建彎道下疲勞模式分類器。
5.如權(quán)利要求1所述的一種基于駕駛行為的疲勞駕駛檢測方法，其特征在于，所述采集車輛行進(jìn)過程中的道路視頻，利用道路線形分類器判斷當(dāng)前道路線形包括以下步驟: 1)通過車載攝像頭實(shí)時(shí)采集道路圖像信息； 2)提取道路圖像信息的特征參數(shù)，輸入道路線形分類器，判斷當(dāng)前道路線形。
6.如權(quán)利要求1所述的一種基于駕駛行為的疲勞駕駛檢測方法，其特征在于，所述采集駕駛?cè)笋{駛行為信息，并根據(jù)道路線形分類器的輸出結(jié)果，選擇對(duì)應(yīng)的疲勞模式分類器，實(shí)現(xiàn)對(duì)駕駛?cè)似跔顟B(tài)的辨識(shí)包括以下步驟: 1)利用駕駛行為采集設(shè)備實(shí)時(shí)采集駕駛?cè)水?dāng)前駕駛行為數(shù)據(jù)； 2)若道路線形分類器輸出結(jié)果為直道，則依據(jù)直道條件下的疲勞駕駛有效特征參數(shù)組處理并計(jì)算駕駛行為數(shù)據(jù)，并將該數(shù)據(jù)輸入到直道條件下的疲勞模式分類器中，判斷當(dāng)前駕駛?cè)说钠跔顟B(tài)； 3)若道路線形分類器輸出結(jié)果為彎道，則依據(jù)彎道條件下的疲勞駕駛有效特征參數(shù)組處理并計(jì)算駕駛行為數(shù)據(jù)，并將該數(shù)據(jù)輸入到彎道條件下的疲勞模式分類器中，判斷當(dāng)前駕駛?cè)说钠跔顟B(tài)。`
【文檔編號(hào)】G06K9/66GK103489010SQ201310442805
【公開日】2014年1月1日 申請(qǐng)日期:2013年9月25日 優(yōu)先權(quán)日:2013年9月25日
【發(fā)明者】金立生, 牛清寧, 秦彥光, 頊美姣, 楊冬梅, 李科勇, 李玲, 張義花, 高琳琳, 程蕾 申請(qǐng)人:吉林大學(xué)