[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

技術領域

本發明涉及一種基于眨眼次數的駕駛員疲勞駕駛預測方法，屬于駕駛員疲勞駕駛檢測技術領域。

背景技術

隨著現代交通運輸業的飛速發展，交通事故已成為當前全球所面臨的嚴重問題。據統計，全世界每年因交通事故導致的死亡人數達60萬，直接經濟損失約125億美元，這些事故中57％的災難性事故與駕駛員疲勞駕駛有關。疲勞雖然是一個很正常的生理現象，但每年導致的交通事故給世界各國造成巨大的經濟損失和人員傷亡，增加了社會的不安定因素。因此，針對疲勞駕駛預測的研究具有十分重要的現實意義。

目前駕駛員疲勞度的預測是通過生物學的方法來檢測駕駛員的生理參數，比如分析腦電圖(EEG)、心電圖(ECG)的信號變換等，繼而進行駕駛人員疲勞度的預測，但是這種基于駕駛員生理預測的方法需要將檢測設備與駕駛員身體相接觸，有一定的局限性。由此可見目前的駕駛員疲勞度預測方法上還存在一定的不足。

發明內容：

本發明基于眨眼次數的駕駛員疲勞駕駛預測方法。

本發明的具體技術方案如下：

本發明公開了基于眨眼次數的駕駛員疲勞駕駛預測方法，首先根據歷史眨眼次數分別建立卡爾曼濾波預測模型以及徑向基函數(RBF)神經網絡模型來進行下一時刻眨眼次數的預測，其次考慮眨眼次數之間的關聯度，根據灰熵分析計算預測眨眼次數與歷史眨眼次數的關聯度等級，并選取關聯度等級較高的歷史眨眼次數作為預測模型的輸入數據，根據輸入數據獲得每個預測模型的預測值，接著結合傳統貝葉斯融合的方法及最相關的歷史眨眼次數，計算每個預測模型在預測該時刻眨眼次數時的權重，獲得該時刻的預測眨眼次數，最后通過設定閾值，比較閾值與預測眨眼次數的大小，最終實現駕駛員是否為疲勞駕駛的判定。

本發明具有如下優點：

1、本發明所構建的預測模型能充分利用卡爾曼濾波預測模型和徑向基(RBF)神經網絡模型的優勢，能夠最大程度地適應復雜變化的疲勞度預測。卡爾曼濾波預測模型在眨眼次數變化不大的條件下預測較為準確，而徑向基(RBF)神經網絡模型在眨眼次數變化較大的條件下預測較為準確，比如下午的1點到4點，綜合二者的優點，本發明可以在眨眼次數復雜變化的條件下取得良好的疲勞程度預測效果。

2、本發明考慮歷史眨眼次數與預測眨眼次數的關聯度，選取最相關的歷史眨眼次數來作為輸入數據，克服了傳統貝葉斯融合中將所有歷史眨眼次數作為輸入數據的問題而導致的計算量過大和預測精確性不高的問題。

附圖說明:

圖1基于眨眼次數的駕駛員疲勞駕駛預測方法流程圖。

具體實施方式：

如圖1所示，本發明的基于眨眼次數的駕駛員疲勞駕駛預測方法，具體過程如下：

首先，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到前5分鐘之間的眨眼次數之和，一般情況下，t時刻的眨眼次數與之最近的幾個時間段內的眨眼次數關聯性較大，

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

將集合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

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t時刻的交通流量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