[發(fā)明專利]基于眨眼次數(shù)的駕駛員疲勞駕駛預測方法

有效

• 申請?zhí)枺?/td>: 201510019089.0
• 申請日: 2015-01-14
• 公開（公告）號: CN104598993B
• 公開（公告）日: 2017-11-03
• 發(fā)明（設計）人: 孫偉;金炎;張小瑞;唐慧強;張小娜;陳剛;方世杰
• 申請（專利權(quán)）人: 南京信息工程大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06K9/64
• 代理公司: 南京匯盛專利商標事務所(普通合伙)32238
• 代理人: 張立榮

1.基于眨眼次數(shù)的駕駛員疲勞駕駛預測方法，其特征在于，通過對某時刻之前一段時間內(nèi)駕駛員連續(xù)幾次眨眼次數(shù)的預測來判斷該時刻駕駛員是否疲勞駕駛，規(guī)定t時刻的眨眼次數(shù)表示t時刻前5分鐘的眨眼次數(shù)之和，每隔5分鐘采集一次，則t-1時刻的眨眼次數(shù)表示t時刻前10分鐘到前5分鐘之間的眨眼次數(shù)之和；

步驟1：根據(jù)觀測得到的歷史數(shù)據(jù)，建立預測模型

第一，建立卡爾曼濾波預測模型進行預測

將V(t)＝[y_t,y_t-1,…,y_t-4]作為卡爾曼濾波預測模型的輸入數(shù)據(jù)，其中y_t表示t時刻的眨眼次數(shù)，y_t-1表示t-1時刻的眨眼次數(shù)，y_t-4表示t-4時刻的眨眼次數(shù)，

1)建立線性預測模型：其中，為卡爾曼濾波預測模型下計算所得的t+1時刻預測眨眼次數(shù)，為狀態(tài)向量，

2)利用卡爾曼濾波理論，計算狀態(tài)向量

J^(t)=B(t)J^(t-1)+K(t)[y(t)-V(t)B(t)J^(t-1)]K(t)=P(t|t-1)VT(t)[V(t)P(t|t-1)VT(t)+R]-1P(t|t-1)=B(t)P(t-1)BT(t)+WP(t)=[I-K(t)V(t)]P(t|t-1)]]>

其中，B(t)為狀態(tài)轉(zhuǎn)移矩陣，其初始值設為單位矩陣，R為測量噪聲的自相關(guān)矩陣，該矩陣中元素服從[0,1]之間的正態(tài)分布，W為過程噪聲的自相關(guān)矩陣，該矩陣中元素服從[0,1]之間的正態(tài)分布，其中，為t時刻的狀態(tài)向量，為t-1時刻的狀態(tài)向量，P(t|t-1)為V(t)在t時刻預測估計誤差的自相關(guān)矩陣，其初始值P(1|0)＝0，

第二，建立徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡模型進行預測

觀測得到駕駛員的眨眼次數(shù)，隨機選取7個時刻記錄下駕駛員的預測眨眼次數(shù)以及該時刻前5個時刻的歷史眨眼次數(shù)，這樣獲得預測眨眼次數(shù)集合Z＝{z(a),a＝1,2,3,4,5,6,7}，表示7個時刻的預測眨眼次數(shù)，與每個預測眨眼次數(shù)相對應的前5個時刻的歷史眨眼次數(shù)集合為X＝{X(a),a＝1,2,3,4,5,6,7},其中X(a)＝{x₁(a),x₂(a),x₃(a),x₄(a),x₅(a)}，表示預測眨眼次數(shù)z(a)之前5個時刻歷史眨眼次數(shù)，將觀測到的前5個時刻的歷史眨眼次數(shù)作為輸入數(shù)據(jù)，則RBF神經(jīng)網(wǎng)絡的輸入層由5個神經(jīng)元組成，每組歷史眨眼次數(shù)對應一個預測眨眼次數(shù)，則RBF神經(jīng)網(wǎng)絡的輸出層由1個神經(jīng)元組成，

1)根據(jù)K-均值聚類算法求取徑向基函數(shù)的中心，首先從歷史眨眼次數(shù)集合X中選取3個樣本數(shù)據(jù)作為RBF神經(jīng)網(wǎng)絡的初始聚類中心c_e，e＝1,2,3，其次把輸入數(shù)據(jù)X按照最鄰近原則分配給聚類中心c_e的聚類集合θ_e，e＝1,2,3，這種分配原則滿足以下條件：d_e＝min||X(a)-c_e||，a＝1,2,3,4,5,6,7，e＝1,2,3，d_e表示輸入數(shù)據(jù)與聚類中心的最小距離，接著計算每個聚類集合θ_e中數(shù)據(jù)的平均值作為新的聚類中心，其中c_e″表示新的聚類中心，M_e表示聚類集合θ_e中輸入數(shù)據(jù)X(a)的個數(shù)，最后根據(jù)c_e″的值是否變化來判斷聚類中心位置是否變化，如果聚類中心位置變化則繼續(xù)按照最近鄰原則分配輸入數(shù)據(jù)，計算新的聚類中心直至聚類中心位置不再發(fā)生變化，得到最終的聚類中心C＝(c₁,c₂,c₃)^T，

2)根據(jù)平均距離法計算RBF網(wǎng)絡的徑向基函數(shù)的寬度向量F＝(f₁,f₂,f₃)^T，其中f₁＝min{||c₁-c₂||,||c₁-c₃||}，表示第1類聚類中心與其最近鄰聚類中心的距離，f₂＝min{||c₂-c₁||,||c₂-c₃||}，表示第2類聚類中心與其最近鄰聚類中心的距離，f₃＝min{||c₃-c₁||,||c₃-c₂||}，表示第3類聚類中心與其最近鄰聚類中心的距離，

3)計算RBF神經(jīng)網(wǎng)絡隱含層的徑向基向量H＝(h₁,h₂,h₃)^T，其中，e＝1,2,3，||·||表示歐式范數(shù)，X(a)表示輸入數(shù)據(jù)，c_e表示徑向基函數(shù)的中心，f_e表示徑向基函數(shù)的寬度，

4)通過最小二乘法計算RBF網(wǎng)絡的權(quán)值向量W，W＝(H^TH)^-1H^Tz(a)，其中H表示RBF神經(jīng)網(wǎng)絡隱含層的徑向基向量，z(a)表示與輸入數(shù)據(jù)相對應的輸出數(shù)據(jù)，即與歷史眨眼次數(shù)X(a)相對應的預測眨眼次數(shù)，

步驟2：計算預測眨眼次數(shù)與歷史眨眼次數(shù)的灰關(guān)聯(lián)度

規(guī)定t時刻的眨眼次數(shù)y_t為預測眨眼次數(shù)，其前10個時刻的歷史眨眼次數(shù)集合為{y_t-1,y_t-2,…,y_t-10}，根據(jù)灰熵分析理論，構(gòu)建參考序列Y_t和比較序列{Y_t-1,…,Y_t-i,…,Y_t-10}，參考序列為預測眨眼次數(shù)，Y_t＝[y_t(1),y_t(2),y_t(3),y_t(4),y_t(5),y_t(6),y_t(7)]，定義為t時刻之前7個時刻的眨眼次數(shù)，比較序列為t時刻前10個歷史眨眼次數(shù)，{Y_t-1,…,Y_t-i,…,Y_t-10}，i＝1,2,3,4,5,6,7,8,9,10，其中，Y_t-1＝[y_t-1(1),y_t-1(2),…,y_t-1(7)]，表示t-1時刻之前7個時刻的眨眼次數(shù)，Y_t-i＝[y_t-i(1),y_t-i(2),…,y_t-i(7)]，表示t-i時刻之前7個時刻的眨眼次數(shù)，Y_t-10＝[y_t-10(1),y_t-10(2),…,y_t-10(7)]，表示t-10時刻之前7個時刻的眨眼次數(shù)，

第一，計算預測眨眼次數(shù)集合Y_t與相關(guān)歷史眨眼次數(shù)集合Y_t-i的灰關(guān)聯(lián)系數(shù)γ(y_t(j),y_t-i(j))，

γ(yt(j),yt-i(j))=miniminj|yt(j)-yt-i(j)|+ζmaximaxj|yt(j)-yt-i(j)||yt(j)-yt-i(j)|+ζmaximaxj|yt(j)-yt-i(j)|,]]>

其中分辨系數(shù)ζ＝0.5，i＝1,2,3,4,5,6,7,8,9,10，j＝1,2,3,4,5,6,7；

第二，對灰關(guān)聯(lián)系數(shù)進行映射處理，將灰關(guān)聯(lián)系數(shù)γ(y_t(j),y_t-i(j))轉(zhuǎn)換為灰關(guān)聯(lián)密度p(i,j)，其中i＝1,2,3,4,5,6,7,8,9,10，j＝1,2,3,4,5,6,7；

第三，根據(jù)灰熵的概念灰關(guān)聯(lián)密度，計算由p(i,j)為屬性信息的灰關(guān)聯(lián)熵E(t-i)，其中i＝1,2,3,4,5,6,7,8,9,10，j＝1,2,3,4,5,6,7；

第四，計算灰關(guān)聯(lián)度等級B(t-i),其中i＝1,2,3,4,5,6,7,8,9,10，j＝1,2,3,4,5,6,7，將灰關(guān)聯(lián)度等級B(t-i)降序排列，選擇與預測眨眼次數(shù)y_t灰關(guān)聯(lián)度等級最大的5個時刻的歷史眨眼次數(shù)其中{w₁,w₂,…,w₅}∈i，i＝1,2,3,4,5,6,7,8,9,10，

步驟3：分別計算卡爾曼濾波預測模型以及徑向基(RBF)預測模型下的預測眨眼次數(shù)

第一，根據(jù)建立的卡爾曼濾波預測模型以及5組灰關(guān)聯(lián)度等級最大的歷史眨眼次數(shù)計算t時刻卡爾曼濾波預測模型下的預測眨眼次數(shù)其中，表示卡爾曼濾波預測模型下t時刻的預測眨眼次數(shù)，

第二，根據(jù)建立的RBF神經(jīng)網(wǎng)絡模型以及5組灰關(guān)聯(lián)度等級最大的歷史眨眼次數(shù)計算RBF神經(jīng)網(wǎng)絡模型下的預測眨眼次數(shù)其中，H＝(h₁,h₂,h₃)^T，W為RBF神經(jīng)網(wǎng)絡的權(quán)值向量，表示RBF神經(jīng)網(wǎng)絡模型下t時刻的預測眨眼次數(shù)，

第三，根據(jù)建立的卡爾曼濾波預測模型以及t-w_m時刻前5組歷史眨眼次數(shù)其中，m＝1,2,3,4,5，計算卡爾曼濾波預測模型下t-w_m時刻預測眨眼次數(shù)其中，表示卡爾曼濾波預測模型下t-w_m時刻的預測眨眼次數(shù)，計算得到與t時刻預測眨眼次數(shù)灰關(guān)聯(lián)度等級最大的5個時刻的眨眼次數(shù)在卡爾曼濾波預測模型下的預測值

第四，根據(jù)建立的RBF神經(jīng)網(wǎng)絡模型以及t-w_m時刻前5組歷史眨眼次數(shù)其中，m＝1,2,3,4,5，計算RBF神經(jīng)網(wǎng)絡模型下t-w_m時刻預測眨眼次數(shù)其中，H＝(h₁,h₂,h₃)^T，表示RBF神經(jīng)網(wǎng)絡模型下t-w_m時刻的預測眨眼次數(shù)，計算得到與t時刻預測眨眼次數(shù)灰關(guān)聯(lián)度等級最大的5個時刻的眨眼次數(shù)在RBF神經(jīng)網(wǎng)絡模型下的預測值

步驟4：貝葉斯融合預測

根據(jù)傳統(tǒng)的貝葉斯理論可知，計算某一預測模型在某時刻的權(quán)重，需要該時刻之前的所有的歷史眨眼次數(shù)作為已知條件，我們在傳統(tǒng)貝葉斯理論的基礎上，考慮預測眨眼次數(shù)與歷史眨眼次數(shù)之間的關(guān)聯(lián)度，根據(jù)步驟2中灰關(guān)聯(lián)度等級的計算，得到與預測眨眼次數(shù)灰關(guān)聯(lián)度等級最大的5組歷史眨眼次數(shù)將這5組歷史眨眼次數(shù)作為已知條件，計算卡爾曼濾波預測模型在t時刻預測時的權(quán)重其中，服從均值為0，標準差為σ_n的高斯白噪聲分布，表示t-w_m時刻的觀測到的實際眨眼次數(shù)，表示t-w_m時刻的在卡爾曼濾波預測模型下計算的預測眨眼次數(shù)，其次，根據(jù)步驟2中灰關(guān)聯(lián)度等級的計算，得到與預測眨眼次數(shù)灰關(guān)聯(lián)度等級最大的5組歷史眨眼次數(shù)將這5組歷史眨眼次數(shù)作為已知條件，結(jié)合貝葉斯理論，計算RBF神經(jīng)網(wǎng)絡模型在t時刻預測時的權(quán)重其中，服從均值為0，標準差為σ_n的高斯白噪聲分布，表示t-w_m時刻觀測的眨眼次數(shù)，表示t-w_m時刻的在RBF神經(jīng)網(wǎng)絡模型下計算的預測眨眼次數(shù)，最后計算出t時刻的預測眨眼次數(shù)其中表示卡爾曼濾波預測模型在t時刻預測時的權(quán)重，表示RBF神經(jīng)網(wǎng)絡模型在t時刻預測時的權(quán)重，表示卡爾曼濾波預測模型下t時刻的預測眨眼次數(shù)，表示RBF神經(jīng)網(wǎng)絡模型下t時刻的預測眨眼次數(shù)；

步驟5基于眨眼次數(shù)的駕駛員疲勞駕駛預測

將貝葉斯融合預測的眨眼次數(shù)同實現(xiàn)設定的眨眼次數(shù)閾值T_th＝75進行比較，當時，駕駛員可能存在疲勞；當在時間T_b內(nèi)連續(xù)測得的次數(shù)超過N_b＝3時，可判定駕駛員存在疲勞駕駛現(xiàn)象，實現(xiàn)對駕駛員疲勞駕駛的提前預測。