基于BP神经网络的驾驶精神疲劳识别方法

为了对驾驶精神疲劳予以有效识别,基于行为绩效结合心电信号指标构建了一种驾驶精神疲劳识别方法．以驾驶行为绩效为客观测评指标,给出了驾驶精神疲劳状态的分级划分方法．在此基础上,以心率变异性的6项指标作为疲劳识别特征因子,采用BP神经网络模型,建立了驾驶精神疲劳状态分类器．最后结合实例,依据驾驶行为绩效,将疲劳状态划分为2级,采用10名驾驶员连续4 h的驾驶行为绩效(反应时)、心电数据,对模型、方法予以测算．结果表明,10名驾驶员平均正确识别率在71％～80％之间,且其平均正确识别率为73％．BP神经网络模型与心率变异性指标相结合可有效的识别疲劳．     

基于EEG的驾驶疲劳识别算法及其有效性验证

为有效识别驾驶员疲劳状态,基于脑电信号(electroencephalogram,EEG)提出了一种驾驶疲劳状态识别方法.首先,以时间段划分疲劳等级,并采用主、客观测评指标对疲劳等级划分的合理性进行验证.然后,利用快速傅里叶变换对脑电信号进行分析,在此基础上选取3种频段的平均幅值和5项合成指标,通过核主元分析(kernel principal component analysis,KPCA)构建疲劳识别脑电指标,结合支持向量机(support vector machine,SVM),构建了驾驶员疲劳状态识别模型.最后,采用30名驾驶员连续驾驶2 h的脑电数据,对该模型方法进行试算.试算结果表明:疲劳状态识别正确率为79.17%~92.03%,平均正确率为84.62%,该方法可用于驾驶疲劳识别.     

基于驾驶员生命体征的智能监控系统

综合了传感器技术、单片机等各项技术.基于对驾驶员生命体征的分析,对不同精神状态时驾驶员的特异性生理指标进行分析比较,建立了驾驶员生理信息库.利用模糊聚类的方法及驾驶员生理信息采集正交实验,并综合直观分析法分析了不同实验因素对被测试精神状态的影响,建立驾驶操作和驾驶员生理指标之间的关系模型.然后找出驾驶操作行为和驾驶状态之间的关系,综合驾驶员各项生理指标,通过单片机技术及硬件设备实现对汽车司机疲劳的监控——判别驾驶员的不同精神状态:正常、临界或疲劳.实验结果显示:该方法对驾驶员体能状态能准确定位,同时能够满足实时性要求.     

心率变异性与驾驶疲劳相关性研究

为获取与驾驶疲劳程度相关性较高的、可以量化的、客观的心电指标,对10名成年男性司机在驾驶仿真平台上进行心率变异性(HRV)检测与眼动跟踪同步实验研究.对HRV信号指标与评估疲劳的客观指标——PER-CLOSp80值进行相关性分析.结果表明,在HRV信号的线性指标中,表征交感-副交感神经张力平衡状态的频谱低频与高频部分比值与PERCLOSp80值的相关程度最大,皮尔逊相关系数达到0.728,可以作为实时监测驾驶疲劳的量化心电指标.为进一步解释HRV信号的混沌特性,采用非线性动力学方法进行R-R间期C0复杂度计算,该非线性指标与疲劳累积过程相关,可以用来衡量驾驶员在遇到应急危险状况下的控制能力.     

基于EEG的驾驶持续性注意水平PSO-SVM识别模型

为了对驾驶持续性注意水平予以有效识别,基于脑电( EEG)信号特征指标构建了一种持续性注意水平识别方法. 以驾驶行为绩效为客观测评指标,提出了一种驾驶持续性注意水平等级划分方法. 在此基础上,选取驾驶员EEG波段 (θ(4~8 Hz)、α(8~13 Hz)、β(13~30 Hz))的频谱幅值及其组合指标(α+β)/β、α/β、(θ+α)/(α+β)、θ/β、(α+β)/θ作为特征指标,将粒子群优化( PSO)算法与支持向量机( SVM)相结合,构建了驾驶持续性注意水平识别算法. 最后,基于驾驶模拟器实验数据对该模型予以试算. 结果表明模型识别平均正确率可达93. 02℅.该方法可用于对驾驶员持续性注意水平的识别.     

基于转向盘特征值的汽车疲劳驾驶系统的应用研究

疲劳驾驶是导致货车事故的主要因素之一,文章通过转向盘转向特征值和方向盘握力特征值对货车驾驶员在驾驶过程中的疲劳状态进行界定,研究了疲劳预警方法。经过5名货车驾驶员实车测试,基于转向盘特征值的汽车三级疲劳预警系统正确率可达90%以上。在行车过程中,驾驶员驾车舒适度未受到影响。     

基于函数型数据分析的疲劳驾驶状态识别

针对目前常用于脑电信号特征提取的方法存在不能很好地反映信号的连续性、内部动态变化,导致基于脑电信号的疲劳驾驶识别的准确性不理想的状况,一种基于函数型数据分析进行脑电信号特征提取的方法被提出。所提出的方法是通过计算人体在静息状态和疲劳状态的函数性差异来表示特征和进行特征的提取。基于所提出的脑电信号特征提取方法构建了1个疲劳驾驶状态识别模型,并通过使用5种常见分类器在采集的疲劳驾驶脑电信号数据上进行测试,结果表明所提出的基于函数型数据分析的脑电信号特征提取方法有效,所构建疲劳驾驶状态识别模型能获得好的识别效果,最好的识别准确率达到94.82%。     

一种疲劳驾驶检测方法

使用YOLOv3-tiny卷积神经网络进行驾驶环境识别,利用dlib人脸检测算法进行检测,实现人脸特征点的精确提取.采用眼特征向量(EFV)和口特征向量(M FV)作为驾驶员眼状态和口态的评价参数.通过离线训练构建驾驶员身份信息库模型,使用相应算法进行判定,完成疲劳驾驶检测.     

基于深度相机的疲劳预警检测算法研究

为解决复杂环境下传统彩色图像对危险驾驶行为无法正确识别的难点,本文提出一种基于深度相机的疲劳预警检测方法。首先通过深度相机获取驾驶员的红外图像与深度图像,对获取的红外图像使用局部二值模式(local binary pattern,LBP)特征算子检测定位人脸区域;在人脸区域使用随机森林和全局线性回归相结合的方法训练出模型,并检测定位人脸的68个特征点,进而确定眼睛和嘴巴的闭合状态。为了增强疲劳检测的准确性,判断驾驶员佩戴眼镜情况,采用改进的疲劳检测算法判定驾驶员的疲劳状态,同时采用图像处理方法对眼部状态与嘴部状态进行疲劳检测。检测结果表明,本算法能够有效识别白天和夜间眼睛与嘴部的疲劳状态,具有较强的实用性。     

基于单目摄像头的主动式驾驶行为分析算法

为了预防事故发生,提出一种以人体三维姿态估计对驾驶员行为进行识别监测的算法。利用单目摄像头获取运动中驾驶员的视频流,提取每帧图像的二维轮廓特征,与预先建立的三维人体模型的二维投影进行匹配,实时估计驾驶员上半身的姿态。根据获取驾驶员的8个骨骼节点的三维坐标,对驾驶员的行为识别分析。试验模拟驾驶员正常、单手、接听电话和疲劳/醉酒驾驶4种驾驶状态,通过骨骼节点的坐标变化,实现检测和识别驾驶员的姿态行为并给予提醒。在光线较好的情况下,与PRECLOSE(percent eye closure)算法相比,该算法的误检率降低了24.24%。     

驾驶员疲劳检测技术的算法设计与硬件实现

为了减少由疲劳驾驶而引起的交通事故,提出了一种基于非接触式的驾驶员疲劳驾驶检测方法.利用摄像头对驾驶员的面部图像进行采集,经过图像前处理,采用在线识别的方法对驾驶员的面部特征进行识别,获取其疲劳状态;硬件采用DSP系列的TMS320DM642作为核心处理器,在判定驾驶员疲劳之后发出报警.实验结果表明,使用脉冲耦合神经网络方法对图像进行增强与在线识别,可以有效地确定人脸与人眼区域,主控芯片TMS320DM642的运算处理能力满足系统的要求,摄像头焦距为8 mm时,系统有效检测距离为30～150 cm.脉冲耦合神经网络方法对于驾驶员疲劳状态检测可靠性较高,合理地选择硬件平台以及系统的安装位置对检测效果有重要的影响.     

基于粒子群优化与支持向量机的驾驶员疲劳等级判别

为客观、准确地判别驾驶员的疲劳程度,采用多项驾驶员生理指标、基于粒子群与支持向量机（ SVM）算法建立驾驶疲劳等级判别模型,首先将驾驶员疲劳状态分为清醒、轻度疲劳、重度疲劳和睡意4个等级,然后将驾驶员的心电RR间期标准差、心率均值、呼吸潮气量、脑电的α波、β波和δ波功率谱密度积分等作为SVM的输入变量,驾驶疲劳等级作为输出变量,引入粒子群算法优化SVM的惩罚系数和核函数参数对判别模型进行标定,采用吉珲高速公路上的实车实验数据对模型有效性进行验证。结果表明：本模型对4项疲劳等级的判别准确率均高于85％,对于驾驶员疲劳预警具有重要意义。通过对模型各个输入变量的敏感性分析,证明基于多项生理指标的疲劳判别较基于单生理指标的疲劳判别更加有效。     

驾驶行为多重分形特征在驾驶疲劳检测中的应用

本文旨在分析驾驶行为多重分形特征对驾驶疲劳检测模型的提升作用.利用UC-win/Road驾驶模拟软件采集行驶速度、加速度、方向盘转角和方向盘角速度等数据,并计算数据的均值、标准差和多重分形特征,比较不同特征的使用是否会对支持向量机(SVM)驾驶疲劳检测模型的精度造成影响.研究表明:在多重分形特征指标中,加速度的奇异强度与驾驶员疲劳状态相关性显著,且受时间窗宽度影响较小;加速度的奇异强度能帮助提高驾驶疲劳检测模型的精度,具有一定的应用价值.     

基于Viola-Jones框架人脸检测算法的汽车疲劳驾驶检测

疲劳驾驶导致汽车交通事故逐年增加,为了提升驾车的安全性,需对驾驶员疲劳状态实时监测并及时提醒.为了提高疲劳驾驶判断效率及准确率,本文运用Viola-Jones框架特征矩阵进行人脸预判断;预判断过程中为了减少Haar值计算量并提高人脸识别速度,采用Adaboost算法和级联分析,剔除非人脸的Haar特征值,实现快速人脸识别;根据色彩空间转化实现眼部分割处理,根据PERCLOS值评估驾驶员是否处于疲劳状态并提前予以警示;通过MATLAB仿真软件实现疲劳驾驶检测算法的仿真分析.在多个样本的测试过程中,该方法有效识别出人脸,并能够准确监测驾驶员的疲劳状态.     

不同天气状况下驾驶员驾驶工作负荷分析

为有效提高驾驶员在不良天气条件下的运行安全,针对晴天、中雨、中雨+雾(能见度100 m)和中雨+雾(能见度50 m)4种不同驾驶条件,利用心率变异性(HRV)指标,对驾驶员驾驶工作负荷特性进行研究.通过随机抽取3名驾驶员,在室内进行对于高速公路不同天气场景的仿真实验,对获得的数据进行统计分析发现,驾驶员在不同天气条件下驾驶工作负荷是有差异的,驾驶工作负荷随天气条件的恶劣程度增加,驾驶环境的能见度对驾驶员驾驶工作负荷影响最大.     

基于模糊识别的驾驶员疲劳检测

汽车驾驶员疲劳驾驶是导致交通事故的重要原因之一,通过监测驾驶员的眼睛可以判别驾驶员的疲劳程度。对驾驶员眼睛的张开程度、眨眼频率、闭眼持续时间占空比等状态量进行检测和运算分析,提出利用模糊识别算法判别驾驶员眼睛疲劳状态。实验结果表明,该方法能有效识别驾驶员的疲劳状态,实时性好,准确率高。     

驾驶员生理状态对驾驶行为差错的影响

根据驾驶行为的生理机制,建立了驾驶行为运动系统,并依据人的行为差错理论分析了驾驶行为过程中驾驶员的各种生理状态,以及生理状态导致的各种驾驶行为差错。通过分组调查470名驾驶员的生理状态导致的驾驶行为差错,应用主成份分析原理,得出驾驶员的生理状态对驾驶行为差错的影响。     

疲劳对驾驶员感知判断及操作特性的影响

在分析疲劳对行车安全影响的基础上,采用实验心理学测试与主观疲劳调查的方式,研究了不同疲劳程度下驾驶员的感知、判断及操作特性。分析了不同疲劳程度下驾驶特性测评指标的变化规律,确定了不同疲劳程度下的驾驶特性测评指标阈值。提出了基于驾驶员驾驶特性的最大连续驾驶时间建议,可为相关部门制定或修订驾驶服务时间提供参考依据。     

基于卷积神经网络的驾驶员不安全行为识别

提出了一种基于卷积神经网络的驾驶员违规行为识别方法。首先，利用特定卷积神经网络对驾驶员的实时图像提取特征，然后并行对多种行为分别进行二分类。建立了一个真实场景下的驾驶员违规数据集，在此数据集上的测试说明了该方法的高效和良好的泛化能力。实验结果表明，该方法在约10万张图像的数据集中对打电话、吸烟、不系安全带3种行为分别达到了99.85%、99.62%、98.68%的识别率，同时使用当前较先进的Inception-v3和Xception模型测试，也获得了类似的识别效果。     

驾驶疲劳声音对策有效性的驾驶模拟

采用驾驶模拟实验,验证了声音刺激作为驾驶疲劳对策的有效性。通过声强、声频、持续时间和持续间隔4个因素合成不同类型的声音刺激源。选择容易出现驾驶疲劳的单调性场景和中午时分进行实验,采用眼动和驾驶员的面部特征作为驾驶疲劳的评价标准,当疲劳现象出现后启动声音刺激,分析不同类型的声音刺激前、后的脑电、心电、眼动等生理指标和驾驶操作水平的变化规律。结果表明:驾驶员在疲劳状态下,对单一声音刺激存在警觉反应,但刺激的效果不能持久,在声音刺激之后仅仅能够维持几分钟。同时发现声音类型对刺激的效果有显著影响。因此,需要进一步分析声音的各个因素对驾驶疲劳指标的影响程度,构建持续警觉的组合声音作为有效的驾驶疲劳对策。