使用驾驶人瞳孔直径的固定物冲突识别方法

以寻找可反映驾驶人心理负荷的交通冲突识别指标及基于该指标的交通冲突识别方法为目的,通过比较分析明确了冲突刺激与瞳孔直径的相关关系,针对原始GSA(gravitational search algorithm)识别方法仅可搜索最优解的缺陷并面向交通冲突识别要求提出了基于瞳孔直径的GSA-T交通冲突快速识别方法.撞固定物冲突验证结果显示GSA-T方法的对比次数和识别时间均比枚举方法少,证明GSA-T方法具有较低时间复杂度和空间复杂度的优势,可满足交通冲突识别和道路安全评价的要求.     

车辆虚拟跟随避撞中驾驶人制动时刻模型

为探索跟随避撞中驾驶人制动时刻的影响因素,应用汽车驾驶模拟器对多名被试驾驶人进行虚拟交通情景下制动行为测试。利用采集的驾驶人在不同交通情景中制动时刻数据,分析了驾驶人制动时刻与其影响因素之间关系,提出了基于驾驶人采取全制动时刻的危险判断指标,分别建立了多元线性回归、BP神经网络驾驶人制动时刻模型,并对两者的预测性能进行对比。结果表明:驾驶人的年龄、性别和两车运动状态是影响驾驶人制动时刻的重要因素;建立的BP神经网络模型预测精度高于回归模型,可用于揭示驾驶人在跟随避撞中危险判断机理,为驾驶辅助系统开发提供了一个具有体现人的个体差异能力的车辆安全行驶状态判断指标,将对改善驾驶辅助系统性能具有重要意义。     

交通冲突类型对驾驶人生理特性的影响

通过分析不同冲突下的驾驶人生理数据,研究交通冲突类型对驾驶人生理特性的影响.通过采用Pearson检验法、数理分析以及信度效度分析的方法,研究冲突类型和驾驶人生理变化之间的显著性影响关系.研究结果表明:有行人参与或非机动车参与的冲突场景对驾驶人肌电信号的影响较大,而仅有机动车参与的冲突场景和外在环境的冲突场景对驾驶人肌电信号的影响较弱;有行人参与或有外在环境参与的冲突场景对驾驶人皮电信号的影响较大,而仅有车辆参与的交通冲突对驾驶人皮电信号的影响较弱.     

隧道群不同间距对驾驶人视觉特性影响研究

为研究隧道群不同间距对驾驶人视觉特性的影响，选取了5个不同间距的隧道群路段进行实车试验，采集了28名驾驶人的眼动数据.采用瞳孔面积变化率、瞬时瞳孔面积变化速度、注视点一步转移概率矩阵等指标，分别从驾驶人视觉适应性、视觉舒适性和注视点转移规律3个方面对比分析了不同间距影响下视觉特性的差异.试验结果表明：驾驶人在隧道群不同间距路段的视觉特性变化规律存在一定共性，但隧道间距显著影响驾驶人视觉特性.随着隧道间距增大，瞳孔面积变化率分布区间范围逐渐减小，由区间范围为-70%～50%减小至区间范围为-40%～0%,且瞳孔面积变化率变化趋势趋于平稳；瞬时瞳孔面积变化速度总体呈现先上升、后倾向“M形”平稳波动、再上升的趋势，上升的突变点集中在上、下游隧道洞口处，极值点在上游隧道外20～30 m处和下游隧道内30～50 m处，且下游隧道入口段对驾驶人的视觉舒适性影响较大；驾驶人在隧道群连接段的注视点主要集中在道路近前方区域和后视镜区域而无法分散至道路其他区域，且隧道间距较小时，对于其他区域的“重复注视”的概率小于10%.研究成果可以为隧道群连接段安全设施设计及交通组织设计提供一定的理论参考依据.     

基于自动编码机-分类器的视频交通状态自动识别

为了及时、有效地识别道路交通状态,提出了结合自动编码机与分类器的视频交通状态识别方法。首先,建立交通状态视频图像数据集,对自动编码机隐藏层和降维数据维度等结构参数进行优化测试。然后,提出自动编码机定量评价方法,选出最优自动编码机模型A~*。最后,将A~*与线性分类器、支持向量机、深度神经网络、DNN Linear分类方法相结合,构建了4个交通状态识别模型。对前述模型及AlexNet、LeNet、GoogLeNet、VGG16等CNN模型进行训练测试,结果显示:本文模型精确率和召回率均为94.5%～97.1%,F1值均为94.4%～97.1%,CNN模型中AlexNet表现最佳,精准率、召回率以及F1值均为94%,表明A~*与常用分类器结合,达到或超越了复杂CNN模型的交通状态识别效果。本文方法训练测试简便、计算成本低,适用于视频图像的交通状态识别。     

互通式立交风险冲突识别与预警综述

围绕数据采集、交通冲突相关指标及冲突风险预警方法, 从适用范围、工作原理及优缺点方面, 介绍风险冲突识别与预警技术的各个环节及国内外相关研究成果。基于实时多传感器数据融合及路侧预警方式, 对城市互通式立交风险冲突识别与预警技术的未来发展趋势及实际应用做出展望。     

面向车辆识别的样本自反馈式级联检测方法

以解决机器学习的样本提取问题、提高车辆识别的精度为目的,以Adaboost算法、级联检测方法、样本自反馈方法为基础,提出了一种面向车辆识别的样本自反馈式级联检测方法。方法兼具Adaboost级联检测器的架构优势和样本自反馈方法的样本扩充能力。通过前车图像的识别实例阐述了样本自反馈式级联检测方法的识别过程,进而使用常规Adaboost检测器和样本自反馈式级联检测方法对图像数据集进行了识别,将生产者精度、用户精度、总体识别精度、k值作为评价指标对识别效果进行了比较,证明了样本自反馈式级联检测方法具有较高的识别精度。分析了样本自反馈式级联检测方法个别评价指标较低的原因,提出了相应问题的解决思路。     

城市道路人行横道处照明指标的确定

为了合理确定城市道路人行横道处的照明指标,保证驾驶人对过街行人的有效视认,进行了驾驶人夜间视认距离试验研究。分析了过街行人数量、状态(静止或运动)及衣服颜色对驾驶人夜间识别距离的影响,以及不同车速条件下驾驶人夜间视认距离随平均照度的变化规律,构建了驾驶人夜间视认距离-平均照度-车速关系模型。基于驾驶人夜间视认距离与反应制动距离间的安全行驶判别条件,提出了城市道路人行横道处平均照度的计算方法,并给出了实际案例。研究结果表明:当单个过街行人静止且衣服颜色较深时,驾驶人夜间对其进行视认最为困难;驾驶人夜间视认距离与平均照度呈正对数相关,与行驶速度呈负线性相关。     

照明对“本本族”驾驶人生理特性影响分析

为探寻"本本族"驾驶人安全行车的驾驶操作,针对光线突变时生理特性的变化展开研究.借助UC-winroad软件和模拟驾驶仪搭建的平台,要求被试者在突发照明场景下进行模拟驾驶试验,同时采用眼动仪、MP150收集驾驶人生理参数.分析能够反映驾驶负荷的脑电信号(α+θ)/β、RR间期平均值和瞳孔面积变化情况,然后建立基于驾驶人脑电波、心率增长率、单次注视持续时间和瞳孔面积变化率在明适应过程中的驾驶负荷模型,以研究不同视觉及生理指标对驾驶负荷的影响程度.研究结果表明:"本本族"驾驶人会对突发照明更快地作出反应,但会产生更大的驾驶负荷,需要更长的适应时间.     

基于因子长短期记忆的驾驶人接管行为及意图识别

为识别自动驾驶环境下驾驶人的接管行为及意图,面向18.95 km双向六车道高速公路场景,借助驾驶模拟器和眼动仪,实施驾驶人10次面对5种紧急情境之一接管自动驾驶车辆的模拟试验。利用所得车辆运行和视觉注意力数据,根据因子分析提取得到3个公因子,采用K-means聚类分析定性识别驾驶人接管行为及意图。将因子分析分别与支持向量机和长短期记忆神经网络进行结合,获得两个定量识别驾驶人接管行为及意图的模型。研究结果表明,驾驶人接管行为受其纵向反应、横向反应和视觉注意力影响;聚类分析可定性描述不同类型驾驶人的接管行为及意图,并揭示潜在的驾驶安全隐患;相比支持向量机、长短期记忆神经网络和因子支持向量机模型,因子长短期记忆模型能更有效地识别驾驶人接管意图,其精确率、召回率、F1分数和准确率4项性能指标均最优;利用因子分析进行数据降维和有效信息浓缩所得公因子有助于提高驾驶接管意图识别模型的分类性能。本研究有助于识别出接管风险较高的驾驶人,进而设计有针对性的驾驶辅助策略。     

基于车牌识别数据的交通拥堵识别方法

针对目前缺少基于车牌识别数据的交通拥堵识别方法的相关研究,使得建设及维护成本均较高的车牌识别系统只能实现交通监控、流量检测等初级功能,导致系统性价比较低的问题,分别设计了基于车牌识别数据的单车行程速度采集方法及区间平均行程速度采集方法,对交通拥堵的识别方法进行了研究,并进行了实例分析.结果表明,单车行程速度采集方法及区...     

小波分解在移动用户行为识别中的应用

针对目前行为识别通用模型对步行、上楼、下楼等易混淆行为识别准确率较低的情况,提出了一种基于小波分解的移动用户行为识别方法,从小波分解后不同频率子信号的低频近似系数中提取小波能量、小波峰个数和平均波峰幅值等特征,基于决策树分类器建立与用户无关的行为识别通用模型. 分别用典型时域特征数据集和小波特征数据集对该通用模型进行验证. 实验结果表明,采用新方法后,3种易混淆行为的平均识别准确率提高了14.82%,减少了误判.     

基于应激响应的驾驶人视觉特性

为了研究应激情况下驾驶人的视觉特性,分析了不同应激场景下驾驶人的眼动数据。采取动态聚类方法划分注视区域,选取了合适的视觉特性指标作为分析指标。运用主成分分析法及统计分析方法研究了被试驾驶人眼动数据,得到了基于应激响应的驾驶人视觉特性。试验结果表明:驾驶人在应激场景下视觉分配较为集中,遇到应激场景时,驾驶人更习惯于从前方近处区域作为获取交通信息的主要区域,当场景中出现移动的目标物时,驾驶人会根据目标物的移动范围选取1~2个相关的辅助区域进行信息获取的补充。同时,驾驶人对主要区域以注视为主,辅助区域以扫视为主。     

基于应变能均化指标和云模型的结构损伤识别

为了解决测量噪声等引起的损伤识别不确定问题,提出了基于应变能均化指标和云模型相结合的识别方法。分析了结构的模态应变能以及两种损伤指标,并考虑到模态应变能耗散率指标和等效指标之间的互补性质,通过均化方法建立了模态应变能均化指标;给出了云模型的基本理论,分析了云模型的数字特征、云处理算法以及确定度计算方法;结合随机测量噪声等引起的不确定性问题,建立了基于应变能均化指标和云模型的损伤识别方法。数值计算结果表明,应变能均化指标的识别结果略优于应变能耗散率指标和应变能等效指标,当考虑随机测量噪声时,云模型与应变能均化指标相结合的方法可以较好地进行含噪数据的损伤识别。     

一种压缩感知域心律失常心拍识别方法

为实现压缩域心电信号的直接识别,提出了一种基于级联深度稀疏学习的压缩域心律失常心拍识别方法。对心电信号进行压缩传感采样;通过级联深度稀疏滤波模型对压缩域心电信号进行特征学习;并将学习后的特征以及对应心拍的前、后向RR间期作为支持向量机的输入进行心拍分类。实验结果表明:该方法在压缩比为2倍时,能够对四类心电信号实现准确率为95.53%,误判风险为0.8%的压缩域下的高准确率直接识别。     

基于本体特征的汽车领域命名实体识别

针对汽车领域命名实体识别中汽车属性名识别的准确率和召回率较低的问题,提出了一种基于本体特征的汽车领域命名实体识别方法。通过扩展现有叙词表,基于叙词表构建汽车领域本体,提取语料中的本体特征,利用CRFs模型对汽车领域命名实体进行识别。实验结果表明,本体特征能够有效地识别出汽车属性实体,准确率、召回率和F值分别为75.60%,66.12%和70.54%。     

基于小波总能量相对变化的拱桥吊杆损伤识别

为了识别拱桥吊杆损伤,提出基于小波总能量相对变化的损伤识别方法.以一典型钢管中承式拱桥为研究对象,通过对测点处的加速度动态响应信号进行离散小波变换,计算出测点处的小波总能量.以结构未损伤状态为基准,构造基于小波总能量相对变化的损伤指标.用提出的识别方法研究冲击类型、加载位置、噪音信号及损伤程度等参数对识别结果的影响.结果表明:提出的损伤指标可识别出不同位置设定下吊杆损伤,并对损伤程度具有较强的敏感性;对于不同的冲击类型及加载位置均能识别出拱桥吊杆损伤,且在不同信噪比(0,5,10和20)下鲁棒性好.     

深度特征提取下城轨客流异常状态识别

为实现对城市轨道交通突发大客流的及时预警,提出一种基于自动售检票数据的客流异常状态识别方法.首先,确定符合客流时变特性的滑动时间窗口长度以适应动态的数据环境;其次,建立深度置信网络模型以提取窗口内待检样本的客流特征,并实现样本特征模式的自适应划分;最后,将待检样本和相同模式的历史样本映射至多维特征空间,进行基于局部异常因子的客流异常状态识别.通过广州地铁的案例分析,结果表明:该方法的模式划分精度为92.5%,异常识别误检率和准确率分别为3.98%和91.9%,识别效果与异常的形式和程度相关,且受识别合格判定条件中反应时效要求的影响,整体上能够在保证较低误检率的情况下,实现对各类客流异常状态的灵敏识别.     

基于轮辙非接触测量的月壤非参数化识别方法

以非参数化的密实度对模拟月壤进行分级,分别定义为:松散、自然和密实状态,开展不同轮上载荷和滑转率条件下模型车牵引通过性试验,基于非接触测量提取轮辙特征参数表观沉陷和滑转率,分析表观沉陷随轮上载荷和模拟月壤力学状态的变化规律。以车轮驱动扭矩、轮上载荷、表观沉陷和滑转率为基础参数,建立多元标识量,提出4种识别准则,包括宽松、理想、偏严格和严格准则,建立非参数化的模拟月壤力学状态识别方法。基于模型车土槽试验数据,以模式识别的正确率、准确率和保守率为指标对识别方法进行评价,得到最优标识量和识别准则。识别方法验证结果表明:模拟月壤识别的准确率和保守率分别达到0.83和0.97,该方法能较为准确地识别模拟月壤力学状态。本文研究成果以期为面向低重力环境的月球车地面试验、性能评估以及对在轨月球车的地面任务支持提供技术指导。     

基于驾驶人视觉特性的换道意图识别方法

为改进现有换道辅助系统的工作效能,基于视觉特性分析,提出了一种对驾驶人换道意图进行有效甄别的方法。依托真实环境下的实车试验,提出以车辆横向位置与方向盘转角确定换道起始时刻,进一步基于换道前后视镜注视特性分析,确定驾驶人换道意图表征时窗为5s。依据车道保持阶段与意图阶段视觉特征参数的差异分析,构建驾驶人换道意图表征指标体系。引入证据理论,确定识别框架与证据链,基于广义汉明距离进行基本信任概率分配,对驾驶人换道意图进行多证据融合识别。结果表明,车道保持与意图阶段驾驶人视觉特性具有显著差异;基于视觉特性,运用证据理论可以有效识别驾驶人换道意图,且识别信度较高,时序性较强。