[發(fā)明專利]一種基于眼動(dòng)指標(biāo)數(shù)據(jù)的駕駛疲勞檢測系統(tǒng)及識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201710147497.3
• 申請(qǐng)日: 2017-03-13
• 公開（公告）號(hào): CN106934368A
• 公開（公告）日: 2017-07-07
• 發(fā)明（設(shè)計(jì)）人: 王永崗;馬成喜;李巖輝;馬景峰;常旭;張興雨;朱浩
• 申請(qǐng)（專利權(quán)）人: 長安大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62
• 代理公司: 西安通大專利代理有限責(zé)任公司61200
• 代理人: 徐文權(quán)

技術(shù)領(lǐng)域

本發(fā)明屬于智能交通領(lǐng)域，涉及機(jī)器學(xué)習(xí)領(lǐng)域，具體為利用隨機(jī)森林算法挖掘駕駛?cè)说难蹌?dòng)行為數(shù)據(jù)而快速識(shí)別駕駛?cè)笋{駛疲勞狀態(tài)的系統(tǒng)及識(shí)別方法。

背景技術(shù)

近年來，機(jī)動(dòng)車的保有量逐年增加，道路交通安全問題也日益嚴(yán)峻。在駕駛過程中，當(dāng)駕駛?cè)碎L時(shí)間從事駕駛活動(dòng)時(shí)，易進(jìn)入疲勞狀態(tài)，影響其感知判斷及駕駛操作，極端情況下甚至?xí)l(fā)交通事故。

在中國，2014發(fā)生在136386起機(jī)動(dòng)車事故，并造成42847人死亡、141718人受傷，其中約14.3％由駕駛?cè)说鸟{駛疲勞所引發(fā)。盡管駕駛疲勞產(chǎn)生的后果極其嚴(yán)重，相關(guān)理論研究亦較多，但現(xiàn)實(shí)中卻缺乏一種簡單易操作且精確可靠的裝備或方法能準(zhǔn)確監(jiān)測/檢測駕駛?cè)说钠谇闆r。

目前來說，針對(duì)駕駛?cè)耸欠裉幱隈{駛疲勞狀態(tài)的檢測方法主要有以下兩類：

一、檢測車輛的狀態(tài)，如轉(zhuǎn)向角、車輛橫向位置、橫擺率、車輛速度等。然而，這些參數(shù)可能因不同的車型、司機(jī)的經(jīng)驗(yàn)、道路的幾何特征與狀態(tài)的不同而有所變化，往往會(huì)導(dǎo)致較高的誤警率。

二、檢測人體的相關(guān)指標(biāo)，如血壓、心率、心電、身體行為、生理變化等。但由于腦電、心率數(shù)據(jù)的采集對(duì)駕駛?cè)藖碚f有較強(qiáng)的侵入性，因此在實(shí)際駕駛環(huán)境中往往不易被駕駛?cè)私邮埽送獠煌能囕v狀態(tài)所造成的差別較大。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題在于針對(duì)上述現(xiàn)有技術(shù)中的不足，提供一種基于眼動(dòng)行為數(shù)據(jù)的駕駛疲勞快速檢測系統(tǒng)及識(shí)別方法。眼動(dòng)行為指標(biāo)與疲勞程度相關(guān)性強(qiáng)，數(shù)據(jù)獲取相對(duì)容易，同時(shí)疲勞最直接的反應(yīng)便是在駕駛?cè)搜劬Φ淖兓?/p>

本發(fā)明采用以下技術(shù)方案：

一種基于眼動(dòng)指標(biāo)數(shù)據(jù)的駕駛疲勞識(shí)別方法，包括以下步驟：

S1、數(shù)據(jù)采集模塊按200Hz的頻率采集閉眼時(shí)間、眨眼頻率、眨眼時(shí)間和瞳孔直徑四種眼動(dòng)數(shù)據(jù)；

S2、數(shù)據(jù)分析處理模塊接收步驟S1所述眼動(dòng)數(shù)據(jù)，并將所述眼動(dòng)數(shù)據(jù)傳入計(jì)算程序，程序?qū)?shù)據(jù)進(jìn)行預(yù)處理，對(duì)缺省、數(shù)據(jù)為空的數(shù)據(jù)棄置；

S3、采集駕駛?cè)说难蹌?dòng)指標(biāo)數(shù)據(jù)以及每一條數(shù)據(jù)對(duì)應(yīng)駕駛?cè)似诔潭茸鳛樵紨?shù)據(jù)建立隨機(jī)森林模型。通過隨機(jī)森林模型對(duì)采集的駕駛?cè)藢?shí)時(shí)眼動(dòng)數(shù)據(jù)進(jìn)行處理，隨機(jī)森林模型中每一棵決策樹對(duì)駕駛?cè)说难蹌?dòng)數(shù)據(jù)進(jìn)行分類判斷，給出結(jié)果；

S4、綜合步驟S3中各個(gè)決策樹給出的分類結(jié)果，利用所述隨機(jī)森林模型進(jìn)行投票，綜合投票概率高的一類即為本次分類的最終結(jié)果。

優(yōu)選的，步驟S3中，建立所述隨機(jī)森林模型的步驟如下：

S31、取原始數(shù)據(jù)中80％作為原始訓(xùn)練數(shù)據(jù)，利用通過自助法從訓(xùn)練樣本集S中通過放回地重復(fù)隨機(jī)地抽取N個(gè)樣本組合成一個(gè)新的訓(xùn)練樣本集合，重復(fù)此流程以生成K個(gè)子樣本集，S₁，S₂……S_K；

S32、對(duì)于步驟S1中每個(gè)所述子樣本集，從所有的特征變量M中隨機(jī)選出m個(gè)特征作為子特征向量集，即每個(gè)樣本集對(duì)應(yīng)一個(gè)子特征向量集M₁，M₂……M_K，其中m<M；

S33、根據(jù)步驟S1選擇的所述子樣本集及其對(duì)應(yīng)的子特征向量，生成K棵決策樹Tree₁，Tree₂……Tree_k；

S34、所有的決策樹組合在一起成為隨機(jī)森林，其對(duì)數(shù)據(jù)的判定為所有決策樹的投票結(jié)果，最終的分類結(jié)果為綜合決策樹分類器的投票概率高的一類決定；

S35、利用原始數(shù)據(jù)剩余的20％作為模型的測試集，利用建立好的隨機(jī)森林模型對(duì)這部分?jǐn)?shù)據(jù)測試，并將測試結(jié)果與真實(shí)結(jié)果對(duì)比，確定模型的分類性能；

S36、根據(jù)評(píng)價(jià)結(jié)果對(duì)步驟S5所述隨機(jī)森林模型進(jìn)行參數(shù)調(diào)優(yōu)，提高準(zhǔn)確率，所述參數(shù)包括樹的最大深度max_depth、根據(jù)屬性劃分節(jié)點(diǎn)時(shí)，設(shè)置每個(gè)劃分最少的樣本數(shù)min_samples_split、葉子節(jié)點(diǎn)最少的樣本數(shù)min_samples_leaf、葉子樹的最大樣本數(shù)max_leaf_nodes和選擇最適屬性時(shí)劃分的特征數(shù)不能超過此值max_features。

優(yōu)選的，步驟S33中，所述決策樹的純度度量采用Gini指數(shù)，Gini指數(shù)越大表示純度越低，集合K_i包括n類樣本記錄，每一類的概率為p₁，p₂，……p_n，則Gini指數(shù)為：