CN103489010A - 基于驾驶行为的疲劳驾驶检测方法 - Google Patents

Abstract

本发明公开了一种基于驾驶行为的疲劳驾驶检测方法，解决现有技术所存在的道路曲率因素会影响基于驾驶行为进行疲劳驾驶检测方法的准确率的问题，其构建了道路线形分类器及对应的疲劳模式分类器，在车辆行驶过程中实时采集车辆的道路视频和驾驶行为信息，分别提取不同的道路曲率（直道和弯道）下驾驶人的驾驶行为特征参数，根据道路线形分类器输出结果确定当前道路线形，并调用对应的疲劳模式分类器，即可实现对驾驶人疲劳状态的辨识，本方法实现了疲劳驾驶的实时准确检测。

Description

基于驾驶行为的疲劳驾驶检测方法

技术领域

本发明涉及汽车安全技术领域的一种检测方法，具体地说，本发明涉及一种基于驾驶行为的疲劳驾驶检测方法。

背景技术

疲劳驾驶是造成道路交通事故的主要因素之一，每年由于疲劳驾驶而引起的交通事故占事故总数的20%左右，占特大交通事故的40%以上。因此，需要对驾驶人驾驶状态进行实时检测，当出现疲劳状态时，给予有效的预警，避免道路交通事故的发生。

目前，疲劳驾驶检测方法主要分为基于主观评价的检测方法、基于驾驶人生理信号的检测方法、基于驾驶人生理反应的检测方法、基于驾驶行为的检测方法和基于信息融合的检测方法。其中，基于主观评价的检测方法存在评分主观，评分标准不统一、被测试者故意隐瞒真实情况、迎合主观期望等问题。基于驾驶人生理信号的检测方法，侵入性强，易对驾驶人产生干扰，不易被接受。基于生理反应的检测方法主要是通过机器视觉检测驾驶人面部特征，易受光线、车辆振动、驾驶人配戴眼镜等因素影响。基于驾驶行为的检测方法为非接触式检测，测量过程不会对驾驶人的正常驾驶行为造成干扰，特征参数（车速、方向盘转角等）容易提取，已成为国内外研究热点。

疲劳驾驶状态下，驾驶人对车辆控制能力明显下降，因此通过驾驶人当前的驾驶行为信息，能够实现对疲劳驾驶的检测。然而道路曲率变化同样是引发驾驶人操纵行为（方向盘转角、方向盘转角速度等）变化的一项重要因素，因此，道路曲率因素会影响基于驾驶行为进行疲劳驾驶检测方法的准确率。

发明内容

为解决现有技术所存在的道路曲率因素会影响基于驾驶行为进行疲劳驾驶检测方法的准确率的问题，本发明提供一种改进的基于驾驶行为的疲劳驾驶检测方法，分别提取不同的道路曲率（直道和弯道）下驾驶人的驾驶行为特征参数，建立了道路线形分类器及对应的疲劳模式分类器，根据道路线形分类器输出结果确定当前道路线形，并选择对应的疲劳模式分类器，实现对驾驶人疲劳状态的辨识，能够消除道路曲率因素对基于驾驶行为的疲劳驾驶检测准确度的影响，实现了疲劳驾驶的实时准确检测。

本发明是通过如下技术方案实现的：所述的基于驾驶行为的疲劳驾驶检测方法，其包括如下步骤：

1.构建道路线形分类器；

2.构建疲劳模式分类器；

3.采集车辆行进过程中的道路视频，利用道路线形分类器判断当前道路线形；

4.采集驾驶人驾驶行为信息，并根据道路线形分类器的输出结果，选择对应的疲劳模式分类器，实现对驾驶人疲劳状态的辨识。

技术方案中所述的构建道路线形分类器包括如下具体步骤：

1）采集N张不同道路曲率的道路图像，其中包括N1张直道图像和N2张弯道图像，其中，N1≥1000，N2≥2000，建立道路线形分类器的训练库；

2）利用特征提取方法提取不同类型道路图像特征参数，采用统计分析的方法检验在不同道路线形（直道、弯道）下特征参数差异的显著性，进而筛选出有效特征参数组；

3）将筛选出的有效特征参数组全部引入特征空间，利用机器学习的方法构建道路线形分类器。

技术方案中所述的构建疲劳模式分类器包括如下具体步骤：

1）分别采集m，m≥50名驾驶人在不同驾驶状态（正常驾驶、疲劳驾驶）下的位于直道条件下的驾驶行为数据和位于弯道条件下的驾驶行为数据；

2）分别提取直道条件下的疲劳驾驶有效特征参数组和弯道条件下的疲劳驾驶有效特征参数组；

3）分别构建直道条件下的疲劳模式分类器和弯道条件下的疲劳模式分类器。

技术方案中所述的分别采集m，m≥50名驾驶人在不同驾驶状态（正常驾驶、疲劳驾驶）下的位于直道条件下的驾驶行为数据和位于弯道条件下的驾驶行为数据包括如下具体步骤：

（1）采集m，m≥50名驾驶人在正常驾驶条件下的驾驶行为数据和道路视频，依据道路视频信息，将驾驶行为数据划分为直道条件下驾驶行为数据和弯道条件下驾驶行为数据；

（2）采集m，m≥50名驾驶人在疲劳驾驶条件下的驾驶行为数据和道路视频，依据道路视频信息，将驾驶行为数据划分为直道条件下驾驶行为数据和弯道条件下驾驶行为数据；

技术方案中所述的分别提取直道条件下的疲劳驾驶有效特征参数组和弯道条件下的疲劳驾驶有效特征参数组包括如下具体步骤：

（1）利用特征提取方法提取直道条件下的疲劳驾驶特征参数，采用统计分析的方法检验在不同驾驶状态（正常驾驶、疲劳驾驶）下的特征参数差异的显著性，进而筛选出直道条件下疲劳驾驶有效特征参数组；

（2）利用特征提取方法提取弯道条件下的疲劳驾驶特征参数，采用统计分析的方法检验在不同驾驶状态（正常驾驶、疲劳驾驶）下特征参数差异的显著性，进而筛选出弯道条件下疲劳驾驶有效特征参数组；

技术方案中所述的分别构建直道条件下的疲劳模式分类器和弯道条件下的疲劳模式分类器包括如下具体步骤：

（1）将筛选出的直道条件下的疲劳驾驶有效特征参数组全部引入特征空间，利用机器学习的方法构建直道下疲劳模式分类器；

（2）将筛选出的弯道条件下的疲劳驾驶有效特征参数组全部引入特征空间，利用机器学习的方法构建弯道下疲劳模式分类器。

技术方案中所述的采集车辆行进过程中的道路视频，利用道路线形分类器判断当前道路线形包括如下具体步骤：

1）通过车载摄像头实时采集道路图像信息；

2）提取道路图像信息的特征参数，输入道路线形分类器，判断当前道路线形。

技术方案中所述的采集驾驶人驾驶行为信息，并根据道路线形分类器的输出结果，选择对应的疲劳模式分类器，实现对驾驶人疲劳状态的辨识包括如下具体步骤：

1）利用驾驶行为采集设备实时采集驾驶人当前驾驶行为数据；

2）若道路线形分类器输出结果为直道，则依据直道条件下的疲劳驾驶有效特征参数组处理并计算驾驶行为数据，并将该数据输入到直道条件下的疲劳模式分类器中，判断当前驾驶人的疲劳状态；

3）若道路线形分类器输出结果为弯道，则依据弯道条件下的疲劳驾驶有效特征参数组处理并计算驾驶行为数据，并将该数据输入到弯道条件下的疲劳模式分类器中，判断当前驾驶人的疲劳状态。

与现有技术相比，本发明具有以下有益效果：

1.本发明基于驾驶行为特征实现驾驶人疲劳状态实时检测，构建了道路线形分类器和对应的疲劳模式分类器，在实际行车过程中，采集车辆行进过程中的道路视频，实时判断当前道路线形，调用对应的疲劳模型分类器，即实现对驾驶人疲劳状态的辨识，消除了道路曲率对检测准确率的影响。

2.本发明提高了疲劳驾驶检测准确率，有益于推广应用，可大幅降低由于疲劳驾驶而导致恶性交通事故的发生率。

附图说明

图1为基于驾驶行为的疲劳驾驶检测方法的流程图。

具体实施方式

下面结合附图和具体实施范例，对本发明的技术方案做进一步说明：

本发明提供了一种基于驾驶行为的疲劳驾驶检测方法，而道路曲率因素会影响基于驾驶行为进行疲劳驾驶检测方法的准确率。于是，如何消除道路曲率因素对基于驾驶行为进行疲劳驾驶检测方法的影响已成为目前面临的一项重大挑战。基于此，本发明采集车辆行进过程中的道路视频和驾驶行为信息，分别提取不同的道路曲率（直道和弯道）下的有效特征参数组，根据道路线形分类器输出结果确定当前道路线形，建立了对应的疲劳模式分类器，实现了对疲劳驾驶的实时准确检测。本方法具体步骤如下：

1.构建道路线形分类器：

1）采集N张不同道路曲率的道路图像，其中包括N1张（实施例中选1000张）直道图像和N2张（实施例中选2000张）弯道图像，建立道路线形分类器的训练库，其中：N≥3000，N1≥1000，N2≥2000；

2）基于类Haar-like方法对训练库的图像进行特征提取，采用方差分析的方法对提取有效的类Haar-like特征进行差异性检验，进而筛选出直道图像和弯道图像上存在显著性差异的类Haar-like特征作为有效特征参数组；

3）将筛选出的有效特征参数组全部引入特征空间，采用AdaBoost算法构建道路线形分类器。

2.构建疲劳模式分类器：

分别采集m（m≥50）名驾驶人在不同驾驶状态下的位于直道条件下和弯道条件下的驾驶行为数据，搭建不同道路线形条件下的疲劳模式分类器：

1）分别采集m（m≥50）名驾驶人在正常驾驶和疲劳驾驶状态下的位于直道条件下的驾驶行为数据和位于弯道条件下的驾驶行为数据：

（1）采集50名驾驶人在正常驾驶条件下的驾驶行为数据和道路视频，依据道路视频信息，将驾驶行为数据划分为直道条件下驾驶行为数据和弯道条件下驾驶行为数据；

（2）采集50名驾驶人在疲劳驾驶条件下的驾驶行为数据和道路视频，依据道路视频信息，将驾驶行为数据划分为直道条件下驾驶行为数据和弯道下条件驾驶行为数据；

2）分别提取直道条件下的疲劳驾驶有效特征参数组和弯道条件下的疲劳驾驶有效特征参数组：

（1）利用特征提取方法提取直道条件下的疲劳驾驶特征参数，采用方差分析的方法检验在不同驾驶状态（正常驾驶、疲劳驾驶）下特征参数差异的显著性，筛选出存在显著性差异的特征参数作为直道条件下疲劳驾驶有效特征参数组，记为P_s：P_s=[meansa，stdsa，ensa，stdsv，pns，sdlp]，式中，meansa为方向盘转角均值、stdsa为方向盘转角标准差、ensa为方向盘转角熵、stdsv为方向盘转角速度标准差、pns为零速百分比、sdlp为车道偏移量；

（2）利用特征提取方法提取弯道条件下的疲劳驾驶特征参数，采用方差分析的方法检验在不同驾驶状态（正常驾驶、疲劳驾驶）下特征参数差异的显著性，筛选出存在显著性差异的特征参数作为弯道条件下疲劳驾驶有效特征参数组，记为P_c：P_c=[cvsa，ensa，cvsv，maxsv，pns，sdlp]，式中，cvsa为方向盘转角变异系数、ensa为方向盘转角熵、cvsv为方向盘转角速度变异系数、maxsv为方向盘转角速度幅值、pns为零速百分比、sdlp为车道偏移量；

3）将筛选出的有效特征参数组全部引入特征空间，采用支持向量机分别构建直道条件下的疲劳模式分类器和弯道条件下的疲劳模式分类器：

（1）将筛选出的直道条件下的疲劳驾驶有效特征参数组P_s全部引入特征空间，利用支持向量机的方法构建直道下疲劳模式分类器；

（2）将筛选出的弯道条件下的疲劳驾驶有效特征参数组P_c全部引入特征空间，利用支持向量机的方法构建弯道下疲劳模式分类器。

3.通过车载摄像头实时采集车辆行进过程中的道路视频，利用道路线形分类器判断当前道路线形：

1）通过车载摄像头实时采集道路图像信息；

2）提取道路图像信息的有效类Haar-like特征，输入道路线形分类器，判断当前道路线形。

4.采集驾驶人驾驶行为信息，根据道路线形分类器的输出结果，选择对应的疲劳模式分类器，实现对驾驶人疲劳状态的辨识：

1）通过车载摄像头采集图像计算车道偏移量，通过车辆的CAN总线读取方向盘转角和方向盘转角速度；

2）若道路线形分类器输出结果为直道，则提取直道条件下的疲劳驾驶有效特征参数组P_s，并将其输入到直道条件下的疲劳模式分类器中，判断当前驾驶人疲劳状态；3）若道路线形分类器输出结果为弯道，则提取弯道条件下的疲劳驾驶有效特征参数组P_c，并将其输入到弯道条件下的疲劳模式分类器中，判断当前驾驶人疲劳状态。

下面给出本方法的一个具体实施例：

1.构建道路线形分类器：

1）通过车载摄像头采集3000张不同道路曲率的道路图像，其中包括1000张直道图像和2000张弯道图像，建立道路线形分类器的训练库；

2）基于类Haar-like方法对训练库的图像进行特征提取，采用方差分析的方法对提取有效的类Haar-like特征进行差异性检验，进而筛选出直道图像和弯道图像上存在显著性差异的类Haar-like特征作为有效特征参数组；

3）将筛选出的有效特征参数组全部引入特征空间，采用AdaBoost算法构建道路线形分类器。

2.构建疲劳模式分类器：

分别采集50名驾驶人在不同驾驶状态下的位于直道条件下和弯道条件下的驾驶行为数据，搭建不同道路线形条件下的疲劳模式分类器：

1）驾驶行为采集设备分别采集50名驾驶人在正常驾驶和疲劳驾驶状态下的位于直道条件下的驾驶行为数据和位于弯道条件下的驾驶行为数据：

（1）采集50名驾驶人在正常驾驶条件下的驾驶行为数据和道路视频，依据道路视频信息，将驾驶行为数据划分为直道条件下驾驶行为数据和弯道条件下驾驶行为数据；

（2）采集50名驾驶人在疲劳驾驶条件下的驾驶行为数据和道路视频，依据道路视频信息，将驾驶行为数据划分为直道下驾驶行为数据和弯道下驾驶行为数据；

2）分别提取直道条件下的疲劳驾驶有效特征参数组和弯道条件下的疲劳驾驶有效特征参数组：

（1）利用特征提取方法提取直道条件下的疲劳驾驶特征参数，采用方差分析的方法检验在不同驾驶状态（正常驾驶、疲劳驾驶）下特征参数差异的显著性，筛选出存在显著性差异的特征参数作为直道条件下疲劳驾驶有效特征参数组，记为P_s：P_s=[meansa，stdsa，ensa，stdsv，pns，sdlp]，式中，meansa为方向盘转角均值、stdsa为方向盘转角标准差、ensa为方向盘转角熵、stdsv为方向盘转角速度标准差、pns为零速百分比、sdlp为车道偏移量；

（2）利用特征提取方法提取弯道条件下的疲劳驾驶特征参数，采用方差分析的方法检验在不同驾驶状态（正常驾驶、疲劳驾驶）下特征参数差异的显著性，筛选出存在显著性差异的特征参数作为弯道条件下疲劳驾驶有效特征参数组，记为P_c：P_c=[cvsa，ensa，cvsv，maxsv，pns，sdlp]，式中，cvsa为方向盘转角变异系数、ensa为方向盘转角熵、cvsv为方向盘转角速度变异系数、maxsv为方向盘转角速度幅值、pns为零速百分比、sdlp为车道偏移量；

3）将筛选出的有效特征参数组全部引入特征空间，采用支持向量机分别构建直道条件下的疲劳模式分类器和弯道条件下的疲劳模式分类器：

（1）将筛选出的直道条件下的疲劳驾驶有效特征参数组P_s全部引入特征空间，利用支持向量机的方法构建直道下疲劳模式分类器；

（2）将筛选出的弯道条件下的疲劳驾驶有效特征参数组P_c全部引入特征空间，利用支持向量机的方法构建弯道下疲劳模式分类器。

3.通过车载摄像头实时采集车辆行进过程中的道路视频，利用道路线形分类器判断当前道路线形：

1）通过车载摄像头实时采集道路图像信息；

2）提取道路图像信息的有效类Haar-like特征，输入道路线形分类器，判断当前道路线形。

4.采集驾驶人驾驶行为信息，根据道路线形分类器的输出结果，选择对应的疲劳模式分类器，实现对驾驶人疲劳状态的辨识：

1）通过车载摄像头采集图像计算车道偏移量，通过车辆的CAN总线读取方向盘转角和方向盘转角速度；

2）若道路线形分类器输出结果为直道，则提取直道条件下的疲劳驾驶有效特征参数组P_s，并将其输入到直道条件下的疲劳模式分类器中，判断当前驾驶人疲劳状态；

3）若道路线形分类器输出结果为弯道，则提取弯道条件下的疲劳驾驶有效特征参数组P_c，并将其输入到弯道条件下的疲劳模式分类器中，判断当前驾驶人疲劳状态。

以上具体实施范例中，采集不同道路曲率的道路图像的张数为3000张，其中包括1000张直道图像和2000张弯道图像，但本发明对道路图像采集张数的范围不限于本实施例，基于公知常识，前期数据采集量越大，后期数据处理的准确度越高，故本实施例中只给出端值，即最小值的范例；同理，本具体实施范例中分别采集50名驾驶人在正常驾驶和疲劳驾驶状态下的位于直道条件下的驾驶行为数据和位于弯道条件下的驾驶行为数据，该驾驶人数也不限于50名，本实施例中只给出端值，即最小值的范例。

以上仅是本发明的具体应用范例，对本发明的保护范围不构成任何限制。除上述实施例外，本发明还可以有其它实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明所要求保护的范围之内。

Claims (6)

1.一种基于驾驶行为的疲劳驾驶检测方法，其特征在于，该方法包括以下步骤：

1）构建道路线形分类器；

2）构建疲劳模式分类器；

3）采集车辆行进过程中的道路视频，利用道路线形分类器判断当前道路线形；

4）采集驾驶人驾驶行为信息，并根据道路线形分类器的输出结果，选择对应的疲劳模式分类器，实现对驾驶人疲劳状态的辨识。

2.如权利要求1所述的一种基于驾驶行为的疲劳驾驶检测方法，其特征在于，所述构建道路线形分类器包括以下步骤：

1）采集N张不同道路曲率的道路图像，其中包括N1张直道图像和N2张弯道图像，其中，N1≥1000，N2≥2000，建立道路线形分类器的训练库；

2）利用特征提取方法提取不同类型道路图像特征参数，采用统计分析的方法检验在不同道路线形下特征参数差异的显著性，进而筛选出有效特征参数组；

3）将筛选出的有效特征参数组全部引入特征空间，利用机器学习的方法构建道路线形分类器。

3.如权利要求1所述的一种基于驾驶行为的疲劳驾驶检测方法，其特征在于，所述构建疲劳模式分类器包括以下步骤：

1）分别采集m，m≥50名驾驶人在正常驾驶和疲劳驾驶状态下的位于直道条件下的驾驶行为数据和位于弯道条件下的驾驶行为数据；

2）分别提取直道条件下的疲劳驾驶有效特征参数组和弯道条件下的疲劳驾驶有效特征参数组；

3）分别构建直道条件下的疲劳模式分类器和弯道条件下的疲劳模式分类器。

4.如权利要求3所述的一种基于驾驶行为的疲劳驾驶检测方法，其特征在于，所述分别采集m，m≥50名驾驶人在正常驾驶和疲劳驾驶状态下的位于直道条件下的驾驶行为数据和位于弯道条件下的驾驶行为数据包括以下步骤：

（1）采集m，m≥50名驾驶人在正常驾驶条件下的驾驶行为数据和道路视频，依据道路视频信息，将驾驶行为数据划分为直道条件下驾驶行为数据和弯道条件下驾驶行为数据；

（2）采集m，m≥50名驾驶人在疲劳驾驶条件下的驾驶行为数据和道路视频，依据道路视频信息，将驾驶行为数据划分为直道下驾驶行为数据和弯道下驾驶行为数据；

所述分别提取直道条件下的疲劳驾驶有效特征参数组和弯道条件下的疲劳驾驶有效特征参数组包括以下步骤：

（1）利用特征提取方法提取直道条件下的疲劳驾驶特征参数，采用统计分析的方法检验在正常驾驶和疲劳驾驶状态下的特征参数差异的显著性，进而筛选出直道条件下疲劳驾驶有效特征参数组；

（2）利用特征提取方法提取弯道条件下的疲劳驾驶特征参数，采用统计分析的方法检验在正常驾驶和疲劳驾驶状态下特征参数差异的显著性，进而筛选出弯道条件下疲劳驾驶有效特征参数组；

所述分别构建直道条件下的疲劳模式分类器和弯道条件下的疲劳模式分类器包括以下步骤：

（1）将筛选出的直道条件下的疲劳驾驶有效特征参数组全部引入特征空间，利用机器学习的方法构建直道下疲劳模式分类器；

（2）将筛选出的弯道条件下的疲劳驾驶有效特征参数组全部引入特征空间，利用机器学习的方法构建弯道下疲劳模式分类器。

5.如权利要求1所述的一种基于驾驶行为的疲劳驾驶检测方法，其特征在于，所述采集车辆行进过程中的道路视频，利用道路线形分类器判断当前道路线形包括以下步骤：

1）通过车载摄像头实时采集道路图像信息；

2）提取道路图像信息的特征参数，输入道路线形分类器，判断当前道路线形。

6.如权利要求1所述的一种基于驾驶行为的疲劳驾驶检测方法，其特征在于，所述采集驾驶人驾驶行为信息，并根据道路线形分类器的输出结果，选择对应的疲劳模式分类器，实现对驾驶人疲劳状态的辨识包括以下步骤：

1）利用驾驶行为采集设备实时采集驾驶人当前驾驶行为数据；

2）若道路线形分类器输出结果为直道，则依据直道条件下的疲劳驾驶有效特征参数组处理并计算驾驶行为数据，并将该数据输入到直道条件下的疲劳模式分类器中，判断当前驾驶人的疲劳状态；

3）若道路线形分类器输出结果为弯道，则依据弯道条件下的疲劳驾驶有效特征参数组处理并计算驾驶行为数据，并将该数据输入到弯道条件下的疲劳模式分类器中，判断当前驾驶人的疲劳状态。

Images