[發(fā)明專利]基于貝葉斯網(wǎng)絡(luò)和HMM的駕駛員疲勞檢測(cè)方法和裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 202010550212.2
• 申請(qǐng)日: 2020-06-16
• 公開(kāi)（公告）號(hào): CN111738126B
• 公開(kāi)（公告）日: 2023-04-07
• 發(fā)明（設(shè)計(jì)）人: 方斌;楊降勇;王巖;胡鵬
• 申請(qǐng)（專利權(quán)）人: 湖南警察學(xué)院
• 主分類(lèi)號(hào): G06V20/59
• 分類(lèi)號(hào): G06V20/59;G06V10/84
• 代理公司: 長(zhǎng)沙國(guó)科天河知識(shí)產(chǎn)權(quán)代理有限公司 43225
• 代理人: 董惠文

1.一種基于貝葉斯網(wǎng)絡(luò)和HMM的駕駛員疲勞檢測(cè)方法，所述方法包括：

利用GPIO端口獲取駕駛員所處駕駛環(huán)境中傳感器反饋的環(huán)境參數(shù)：駕駛時(shí)段信息、連續(xù)駕駛時(shí)間、駕駛室溫度以及駕駛室亮度，將所述環(huán)境參數(shù)設(shè)置為第一貝葉斯模型中的節(jié)點(diǎn)，以及設(shè)置所述節(jié)點(diǎn)的疲勞狀態(tài)，根據(jù)每個(gè)節(jié)點(diǎn)的先驗(yàn)概率以及對(duì)應(yīng)的環(huán)境參數(shù)，計(jì)算得到每個(gè)節(jié)點(diǎn)的后驗(yàn)概率，將每個(gè)節(jié)點(diǎn)的后驗(yàn)概率聯(lián)合，得到環(huán)境狀態(tài)信息；

利用GPIO端口獲取駕駛員所處駕駛環(huán)境中圖像傳感器反饋的駕駛員面部的圖像信息，設(shè)置獨(dú)立線程對(duì)所述圖像信息進(jìn)行處理，得到面部狀態(tài)信息，將所述面部狀態(tài)信息輸入預(yù)先設(shè)置的第二貝葉斯模型進(jìn)行歸一化，得到視覺(jué)狀態(tài)信息；

根據(jù)所述環(huán)境狀態(tài)信息和所述視覺(jué)狀態(tài)信息，構(gòu)建疲勞狀態(tài)序列；將所述疲勞狀態(tài)序列作為觀測(cè)序列輸入HMM中，輸出所述疲勞狀態(tài)序列對(duì)應(yīng)的疲勞等級(jí)；所述HMM的狀態(tài)包括：良好、輕度疲勞以及重度疲勞；所述狀態(tài)與所述疲勞等級(jí)對(duì)應(yīng)；

根據(jù)所述疲勞等級(jí)，確定是否進(jìn)行預(yù)警；

其中，第一貝葉斯網(wǎng)絡(luò)工作的具體步驟如下：

(1)貝葉斯網(wǎng)絡(luò)疲勞狀態(tài)節(jié)點(diǎn)設(shè)定：每個(gè)節(jié)點(diǎn)的離散狀態(tài)分別為為疲勞，為良好，t為駕駛時(shí)間段；

(2)計(jì)算事件的條件概率：每個(gè)節(jié)點(diǎn)處于該狀態(tài)的先驗(yàn)概率為類(lèi)條件概率密度k為疲勞或良好狀態(tài)，后驗(yàn)概率的計(jì)算為：其中x為駕駛員駕駛時(shí)間，c為溫度或者光照；

(3)計(jì)算駕駛員環(huán)境狀態(tài)的聯(lián)合概率：其中p(Env)為駕駛員環(huán)境狀態(tài)輸出概率，Te為溫度、Lu為亮度；

(4)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)：構(gòu)建以溫度、光照為底端的自下而上的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)的中間層為連續(xù)駕駛時(shí)間，頂端為駕駛時(shí)段，最后輸出駕駛員環(huán)境狀態(tài)S_en＝p(Env)；

其中，HMM可以用λ＝{π，A，B}表示，3個(gè)參數(shù)概率含義如下圖所示：

π：初始概率矢量π＝[π₁,π₂,π₃]，給定的觀察序列O＝O₁，O₂，...，O_r在t＝1時(shí)刻下各個(gè)狀態(tài)的概率分布，由于駕駛員一般一開(kāi)始的精神狀態(tài)良好，因此選擇π＝[1.0，0.0，0.0]；

A：狀態(tài)轉(zhuǎn)移概率矩陣A＝[a_ij]_3*3，其中a_ij＝P(q_i+1＝S_j|q_i＝S_i)，當(dāng)前狀態(tài)S_i轉(zhuǎn)移到下一時(shí)刻處于的狀態(tài)S_j，同樣滿足

B：觀測(cè)序列的概率矩陣，即混淆矩陣B＝[b_ij]_3*M，其中M為每個(gè)狀態(tài)對(duì)應(yīng)的可能觀測(cè)值數(shù)目，觀測(cè)值為駕駛員環(huán)境狀態(tài)、駕駛員視覺(jué)檢測(cè)狀態(tài)2種，因此M有9種可能，B為觀測(cè)序列O中的任意觀察值，它是隨機(jī)變量或隨機(jī)矢量在各狀態(tài)的觀察概率空間分布，其中其初值的選取會(huì)對(duì)最終模型準(zhǔn)確度產(chǎn)生影響；

HMM主要是估計(jì)λ＝{π，A，B}中A、B的值，定義駕駛員的觀察值序列長(zhǎng)度為N，狀態(tài)基準(zhǔn)序列為Q，利用數(shù)理統(tǒng)計(jì)方法統(tǒng)計(jì)出該時(shí)段內(nèi)基準(zhǔn)狀態(tài)為j的個(gè)數(shù)Q_j，觀測(cè)值狀態(tài)為i的個(gè)數(shù)M_i，則矩陣B中的各元素取值為：

A同樣利用數(shù)理統(tǒng)計(jì)方法獲得。