[發(fā)明專利]一種駕駛評(píng)估方法及其系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202110896194.8
• 申請(qǐng)日: 2021-08-05
• 公開(kāi)（公告）號(hào): CN113743471B
• 公開(kāi)（公告）日: 2023-06-09
• 發(fā)明（設(shè)計(jì)）人: 馬向東;閆勉;高暢;陳炳贊;郭柏淇;廖錦鴻;賈夢(mèng)婷;賈宇擎
• 申請(qǐng)（專利權(quán)）人: 暨南大學(xué)
• 主分類號(hào): G06F18/24
• 分類號(hào): G06F18/24;G06F18/214;G06N20/00
• 代理公司: 廣州市華學(xué)知識(shí)產(chǎn)權(quán)代理有限公司 44245
• 代理人: 鄭秋松

1.一種駕駛評(píng)估方法，其特征在于，包括以下步驟：

數(shù)據(jù)采集步驟：

采集用戶在當(dāng)前駕駛行為中的第一眼動(dòng)數(shù)據(jù)和駕駛數(shù)據(jù)，所述第一眼動(dòng)數(shù)據(jù)包括時(shí)間標(biāo)簽、眼睛睜閉狀態(tài)、瞳孔直徑、視線落點(diǎn)、數(shù)據(jù)有效性標(biāo)簽，所述駕駛數(shù)據(jù)包括方向盤(pán)轉(zhuǎn)角、轉(zhuǎn)角速度、制動(dòng)踏板幅度、油門(mén)踏板幅度、車速、車輛加速度；

數(shù)據(jù)預(yù)處理步驟：

根據(jù)數(shù)據(jù)有效性標(biāo)簽進(jìn)行篩選第一眼動(dòng)數(shù)據(jù)，當(dāng)數(shù)據(jù)有效性標(biāo)簽為無(wú)效標(biāo)識(shí)時(shí)，剔除數(shù)據(jù)，否則保留數(shù)據(jù)；

對(duì)剔除數(shù)據(jù)后的第一眼動(dòng)數(shù)據(jù)通過(guò)線性插值補(bǔ)全，對(duì)補(bǔ)全后的第一眼動(dòng)數(shù)據(jù)進(jìn)行滑動(dòng)平均濾波處理得到第二眼動(dòng)數(shù)據(jù)；

基于第二眼動(dòng)數(shù)據(jù)通過(guò)線性插值、滑動(dòng)平均濾波、低通濾波、算術(shù)運(yùn)算進(jìn)行計(jì)算閉眼時(shí)間占比、瞳孔平均直徑、單次眨眼時(shí)間、注視時(shí)間占比、眨眼頻率、凝視時(shí)間比例、注視點(diǎn)的水平位置、掃視速度、橫向位移；

駕駛疲勞預(yù)測(cè)步驟：

將閉眼時(shí)間占比、瞳孔平均直徑、單次眨眼時(shí)間、注視時(shí)間占比作為第一輸入特征向量，將所述第一輸入特征向量輸入至駕駛疲勞分析模型進(jìn)行預(yù)測(cè)困倦程度，基于困倦程度與多組預(yù)設(shè)困倦閾值范圍進(jìn)行分類得到輸出的疲勞程度；

所述駕駛疲勞分析模型為使用多組第一訓(xùn)練數(shù)據(jù)通過(guò)機(jī)器學(xué)習(xí)訓(xùn)練得出，多組第一訓(xùn)練數(shù)據(jù)中的每組數(shù)據(jù)包括第一輸入特征向量和標(biāo)識(shí)該第一輸入特征向量所對(duì)應(yīng)的困倦程度標(biāo)簽，所述駕駛疲勞分析模型為通過(guò)引入加權(quán)高斯核函數(shù)建立SVR回歸模型并通過(guò)機(jī)器學(xué)習(xí)訓(xùn)練找到回歸超平面后得到；

所述多組第一訓(xùn)練數(shù)據(jù)為基于VR駕駛環(huán)境下采集得到；

利用駕駛視覺(jué)分散分析模型進(jìn)行評(píng)價(jià)搜索廣度，所述駕駛視覺(jué)分散分析模型用于預(yù)測(cè)行車過(guò)程中駕駛的視角分布的離散程度；

利用駕駛分心分析模型基于第二輸入特征向量進(jìn)行預(yù)測(cè)注意力分散程度；

所述第二輸入特征向量為通過(guò)以下處理方式得到：對(duì)眨眼頻率、凝視時(shí)間比例、瞳孔平均直徑、注視點(diǎn)的水平位置、掃視速度、橫向位移、方向盤(pán)轉(zhuǎn)角、車速、車輛加速度采用min-max歸一法進(jìn)行歸一化，分別計(jì)算均值、標(biāo)準(zhǔn)差，采用SVM-RFE對(duì)指標(biāo)特征進(jìn)行重要度排序，選取第一預(yù)設(shè)數(shù)量的指標(biāo)特征作為第二輸入特征向量；

所述駕駛分心分析模型為使用多組第二訓(xùn)練數(shù)據(jù)通過(guò)機(jī)器學(xué)習(xí)訓(xùn)練得出，多組第二訓(xùn)練數(shù)據(jù)中的每組數(shù)據(jù)包括第二輸入特征向量和標(biāo)識(shí)該第二輸入特征向量所對(duì)應(yīng)的注意力分散程度標(biāo)簽，所述多組第二訓(xùn)練數(shù)據(jù)為基于VR駕駛環(huán)境下采集得到；

利用車輛駕駛分析模型基于第三輸入特征向量進(jìn)行預(yù)測(cè)駕駛穩(wěn)定程度；

所述第三輸入特征向量為通過(guò)以下處理方式得到：將轉(zhuǎn)角速度、制動(dòng)踏板幅度、油門(mén)踏板幅度、車速、車輛加速度采用min-max歸一法進(jìn)行歸一化，分別計(jì)算均值、標(biāo)準(zhǔn)差、最大值、最小值進(jìn)行計(jì)算，采用SVM-RFE對(duì)指標(biāo)特征進(jìn)行重要度排序，選取第三預(yù)設(shè)數(shù)量的指標(biāo)特征作為第三輸入特征向量；

所述車輛駕駛分析模型為使用多組第三訓(xùn)練數(shù)據(jù)通過(guò)機(jī)器學(xué)習(xí)訓(xùn)練得出，多組第三訓(xùn)練數(shù)據(jù)中的每組數(shù)據(jù)包括第三輸入特征向量和標(biāo)識(shí)該第三輸入特征向量所對(duì)應(yīng)的駕駛穩(wěn)定程度標(biāo)簽，所述多組第三訓(xùn)練數(shù)據(jù)為基于VR駕駛環(huán)境下采集得到；

構(gòu)造模糊關(guān)系矩陣對(duì)駕駛疲勞程度、視覺(jué)分散程度、駕駛分心程度、駕駛穩(wěn)定程度進(jìn)行綜合評(píng)價(jià)，進(jìn)而量化得到駕駛安全評(píng)分。