[發明專利]基于眨眼次數的駕駛員疲勞駕駛預測方法

有效

• 申請號: 201510019089.0
• 申請日: 2015-01-14
• 公開（公告）號: CN104598993B
• 公開（公告）日: 2017-11-03
• 發明（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）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駕駛員連續幾次眨眼次數的預測來判斷該時刻駕駛員是否疲勞駕駛，規定t時刻的眨眼次數表示t時刻前5分鐘的眨眼次數之和，每隔5分鐘采集一次，則t-1時刻的眨眼次數表示t時刻前10分鐘到前5分鐘之間的眨眼次數之和；

步驟1：根據觀測得到的歷史數據，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據，其中y_t表示t時刻的眨眼次數，y_t-1表示t-1時刻的眨眼次數，y_t-4表示t-4時刻的眨眼次數，

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，為狀態向量，

2)利用卡爾曼濾波理論，計算狀態向量

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

第二，建立徑向基函數(RBF)神經網絡模型進行預測

觀測得到駕駛員的眨眼次數，隨機選取7個時刻記錄下駕駛員的預測眨眼次數以及該時刻前5個時刻的歷史眨眼次數，這樣獲得預測眨眼次數集合Z＝{z(a),a＝1,2,3,4,5,6,7}，表示7個時刻的預測眨眼次數，與每個預測眨眼次數相對應的前5個時刻的歷史眨眼次數集合為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z(a)之前5個時刻歷史眨眼次數，將觀測到的前5個時刻的歷史眨眼次數作為輸入數據，則RBF神經網絡的輸入層由5個神經元組成，每組歷史眨眼次數對應一個預測眨眼次數，則RBF神經網絡的輸出層由1個神經元組成，

1)根據K-均值聚類算法求取徑向基函數的中心，首先從歷史眨眼次數集合X中選取3個樣本數據作為RBF神經網絡的初始聚類中心c_e，e＝1,2,3，其次把輸入數據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表示輸入數據與聚類中心的最小距離，接著計算每個聚類集合θ_e中數據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中輸入數據X(a)的個數，最后根據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按照最近鄰原則分配輸入數據，計算新的聚類中心直至聚類中心位置不再發生變化，得到最終的聚類中心C＝(c₁,c₂,c₃)^T，

2)根據平均距離法計算RBF網絡的徑向基函數的寬度向量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神經網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，X(a)表示輸入數據，c_e表示徑向基函數的中心，f_e表示徑向基函數的寬度，

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

步驟2：計算預測眨眼次數與歷史眨眼次數的灰關聯度

規定t時刻的眨眼次數y_t為預測眨眼次數，其前10個時刻的歷史眨眼次數集合為{y_t-1,y_t-2,…,y_t-10}，根據灰熵分析理論，構建參考序列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，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，比較序列為t時刻前10個歷史眨眼次數，{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，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，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，

第一，計算預測眨眼次數集合Y_t與相關歷史眨眼次數集合Y_t-i的灰關聯系數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，對灰關聯系數進行映射處理，將灰關聯系數γ(y_t(j),y_t-i(j))轉換為灰關聯密度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，根據灰熵的概念灰關聯密度，計算由p(i,j)為屬性信息的灰關聯熵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，計算灰關聯度等級B(t-i),其中i＝1,2,3,4,5,6,7,8,9,10，j＝1,2,3,4,5,6,7，將灰關聯度等級B(t-i)降序排列，選擇與預測眨眼次數y_t灰關聯度等級最大的5個時刻的歷史眨眼次數其中{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

第一，根據建立的卡爾曼濾波預測模型以及5組灰關聯度等級最大的歷史眨眼次數計算t時刻卡爾曼濾波預測模型下的預測眨眼次數其中，表示卡爾曼濾波預測模型下t時刻的預測眨眼次數，

第二，根據建立的RBF神經網絡模型以及5組灰關聯度等級最大的歷史眨眼次數計算RBF神經網絡模型下的預測眨眼次數其中，H＝(h₁,h₂,h₃)^T，W為RBF神經網絡的權值向量，表示RBF神經網絡模型下t時刻的預測眨眼次數，

第三，根據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，計算得到與t時刻預測眨眼次數灰關聯度等級最大的5個時刻的眨眼次數在卡爾曼濾波預測模型下的預測值

第四，根據建立的RBF神經網絡模型以及t-w_m時刻前5組歷史眨眼次數其中，m＝1,2,3,4,5，計算RBF神經網絡模型下t-w_m時刻預測眨眼次數其中，H＝(h₁,h₂,h₃)^T，表示RBF神經網絡模型下t-w_m時刻的預測眨眼次數，計算得到與t時刻預測眨眼次數灰關聯度等級最大的5個時刻的眨眼次數在RBF神經網絡模型下的預測值

步驟4：貝葉斯融合預測

根據傳統的貝葉斯理論可知，計算某一預測模型在某時刻的權重，需要該時刻之前的所有的歷史眨眼次數作為已知條件，我們在傳統貝葉斯理論的基礎上，考慮預測眨眼次數與歷史眨眼次數之間的關聯度，根據步驟2中灰關聯度等級的計算，得到與預測眨眼次數灰關聯度等級最大的5組歷史眨眼次數將這5組歷史眨眼次數作為已知條件，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，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，其次，根據步驟2中灰關聯度等級的計算，得到與預測眨眼次數灰關聯度等級最大的5組歷史眨眼次數將這5組歷史眨眼次數作為已知條件，結合貝葉斯理論，計算RBF神經網絡模型在t時刻預測時的權重其中，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，表示t-w_m時刻的在RBF神經網絡模型下計算的預測眨眼次數，最后計算出t時刻的預測眨眼次數其中表示卡爾曼濾波預測模型在t時刻預測時的權重，表示RBF神經網絡模型在t時刻預測時的權重，表示卡爾曼濾波預測模型下t時刻的預測眨眼次數，表示RBF神經網絡模型下t時刻的預測眨眼次數；

步驟5基于眨眼次數的駕駛員疲勞駕駛預測

將貝葉斯融合預測的眨眼次數同實現設定的眨眼次數閾值T_th＝75進行比較，當時，駕駛員可能存在疲勞；當在時間T_b內連續測得的次數超過N_b＝3時，可判定駕駛員存在疲勞駕駛現象，實現對駕駛員疲勞駕駛的提前預測。