[發明專利]基于貝葉斯網絡和HMM的駕駛員疲勞檢測方法和裝置

有效

• 申請號: 202010550212.2
• 申請日: 2020-06-16
• 公開（公告）號: CN111738126B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 方斌;楊降勇;王巖;胡鵬
• 申請（專利權）人: 湖南警察學院
• 主分類號: G06V20/59
• 分類號: G06V20/59;G06V10/84
• 代理公司: 長沙國科天河知識產權代理有限公司 43225
• 代理人: 董惠文

1.一種基于貝葉斯網絡和HMM的駕駛員疲勞檢測方法，所述方法包括：

利用GPIO端口獲取駕駛員所處駕駛環境中傳感器反饋的環境參數：駕駛時段信息、連續駕駛時間、駕駛室溫度以及駕駛室亮度，將所述環境參數設置為第一貝葉斯模型中的節點，以及設置所述節點的疲勞狀態，根據每個節點的先驗概率以及對應的環境參數，計算得到每個節點的后驗概率，將每個節點的后驗概率聯合，得到環境狀態信息；

利用GPIO端口獲取駕駛員所處駕駛環境中圖像傳感器反饋的駕駛員面部的圖像信息，設置獨立線程對所述圖像信息進行處理，得到面部狀態信息，將所述面部狀態信息輸入預先設置的第二貝葉斯模型進行歸一化，得到視覺狀態信息；

根據所述環境狀態信息和所述視覺狀態信息，構建疲勞狀態序列；將所述疲勞狀態序列作為觀測序列輸入HMM中，輸出所述疲勞狀態序列對應的疲勞等級；所述HMM的狀態包括：良好、輕度疲勞以及重度疲勞；所述狀態與所述疲勞等級對應；

根據所述疲勞等級，確定是否進行預警；

其中，第一貝葉斯網絡工作的具體步驟如下：

(1)貝葉斯網絡疲勞狀態節點設定：每個節點的離散狀態分別為為疲勞，為良好，t為駕駛時間段；

(2)計算事件的條件概率：每個節點處于該狀態的先驗概率為類條件概率密度k為疲勞或良好狀態，后驗概率的計算為：其中x為駕駛員駕駛時間，c為溫度或者光照；

(3)計算駕駛員環境狀態的聯合概率：其中p(Env)為駕駛員環境狀態輸出概率，Te為溫度、Lu為亮度；

(4)動態貝葉斯網絡：構建以溫度、光照為底端的自下而上的動態貝葉斯網絡結構，網絡的中間層為連續駕駛時間，頂端為駕駛時段，最后輸出駕駛員環境狀態S_en＝p(Env)；

其中，HMM可以用λ＝{π，A，B}表示，3個參數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時刻下各個狀態的概率分布，由于駕駛員一般一開始的精神狀態良好，因此選擇π＝[1.0，0.0，0.0]；

A：狀態轉移概率矩陣A＝[a_ij]_3*3，其中a_ij＝P(q_i+1＝S_j|q_i＝S_i)，當前狀態S_i轉移到下一時刻處于的狀態S_j，同樣滿足

B：觀測序列的概率矩陣，即混淆矩陣B＝[b_ij]_3*M，其中M為每個狀態對應的可能觀測值數目，觀測值為駕駛員環境狀態、駕駛員視覺檢測狀態2種，因此M有9種可能，B為觀測序列O中的任意觀察值，它是隨機變量或隨機矢量在各狀態的觀察概率空間分布，其中其初值的選取會對最終模型準確度產生影響；

HMM主要是估計λ＝{π，A，B}中A、B的值，定義駕駛員的觀察值序列長度為N，狀態基準序列為Q，利用數理統計方法統計出該時段內基準狀態為j的個數Q_j，觀測值狀態為i的個數M_i，則矩陣B中的各元素取值為：

A同樣利用數理統計方法獲得。