基于轉(zhuǎn)向盤轉(zhuǎn)角特性的駕駛疲勞檢測(cè)方法研究.pdf

1、近些年來(lái),隨著我國(guó)道路基礎(chǔ)設(shè)施的快速發(fā)展和汽車保有量的急劇增加,道路交通事故發(fā)生率呈現(xiàn)出顯著上升的趨勢(shì),道路交通安全已然成為影響社會(huì)經(jīng)濟(jì)發(fā)展的重要問(wèn)題。而這些交通事故中與疲勞駕駛有關(guān)的事故超過(guò)半數(shù)以上,因而開展對(duì)駕駛疲勞檢測(cè)方法的研究具有重大的現(xiàn)實(shí)意義。本文為了有效地檢測(cè)出駕駛員駕駛疲勞狀態(tài)和減少因疲勞駕駛而引發(fā)的交通事故,提出了一種基于轉(zhuǎn)向盤轉(zhuǎn)角特性的駕駛疲勞檢測(cè)方法,并在該方法的基礎(chǔ)上開發(fā)出基于MATLABG的駕駛疲勞檢測(cè)軟件。

2、r>　　 首先,本文在綜述了國(guó)內(nèi)外疲勞檢測(cè)技術(shù)方法和原理的基礎(chǔ)上,針對(duì)于目前大多數(shù)檢測(cè)方法的研究環(huán)境只限于室內(nèi)虛擬駕駛環(huán)境的缺陷,設(shè)計(jì)實(shí)施了真實(shí)道路環(huán)境下的汽車行駛實(shí)驗(yàn),得到了不同主觀疲勞評(píng)價(jià)等級(jí)下的轉(zhuǎn)向盤轉(zhuǎn)角數(shù)據(jù)。并對(duì)典型時(shí)段下的轉(zhuǎn)向盤轉(zhuǎn)角數(shù)據(jù)進(jìn)行簡(jiǎn)明分析,得出了在不同疲勞狀態(tài)下轉(zhuǎn)向盤轉(zhuǎn)角特性表現(xiàn)出明顯差異的結(jié)論,從而也就證明了轉(zhuǎn)向盤轉(zhuǎn)角特性能夠應(yīng)用于駕駛疲勞檢測(cè)問(wèn)題之中。
　　 其次,本文在時(shí)序分析方法的基礎(chǔ)上,選取AR模

3、型提取正常駕駛狀態(tài)、準(zhǔn)疲勞駕駛狀態(tài)、疲勞駕駛狀態(tài)三種不同狀態(tài)下的轉(zhuǎn)向盤轉(zhuǎn)角信息的特征向量。將該特征向量和對(duì)應(yīng)的駕駛疲勞狀態(tài)作為樣本數(shù)據(jù),應(yīng)用支持向量機(jī)算法建立起基于SVM的駕駛疲勞檢測(cè)模型,并對(duì)該模型進(jìn)行仿真實(shí)驗(yàn),結(jié)果顯示該模型對(duì)測(cè)試樣本的檢出率為86.67%,這表明該模型能夠有效地檢測(cè)出駕駛員駕駛疲勞狀態(tài)。
　　 再次,為了改善模型精度,提高駕駛疲勞檢出率,本文將遺傳算法與支持向量機(jī)結(jié)合起來(lái),利用遺傳算法全局搜索的優(yōu)點(diǎn),將其應(yīng)

4、用于支持向量機(jī)懲罰參數(shù)c和核函數(shù)參數(shù)g優(yōu)化問(wèn)題中,從而建立起基于GA-SVM的駕駛疲勞檢測(cè)模型,并對(duì)該模型進(jìn)行仿真實(shí)驗(yàn),結(jié)果顯示該模型的檢出率為90.00%,相比優(yōu)化參數(shù)前的模型,檢出率提高了3.33%,這表明應(yīng)用遺傳算法優(yōu)化支持向量機(jī)參數(shù)后,基于GA-SVM檢測(cè)模型能夠更加準(zhǔn)確的檢測(cè)出駕駛員駕駛疲勞狀態(tài)。
　　 然后,為了進(jìn)一步的提高檢測(cè)模型的檢出率,本文在已有GA-SVM的檢測(cè)模型的基礎(chǔ)上,應(yīng)用Adaboost算法對(duì)其進(jìn)行外

5、部結(jié)構(gòu)加強(qiáng),將弱分類器提升為強(qiáng)分類器,從而建立起基于GA-SVM-Adaboost的駕駛疲勞檢測(cè)模型,并對(duì)該模型進(jìn)行仿真實(shí)驗(yàn),結(jié)果顯示該模型的檢出率為91.67%,相比結(jié)構(gòu)加強(qiáng)前的模型,檢出率提高了1.67%,這表明基于GA-SVM-Adaboost的檢測(cè)模型能夠進(jìn)一步的提高駕駛員駕駛疲勞狀態(tài)檢出率。
　　 最后,為了基于轉(zhuǎn)向盤轉(zhuǎn)角特性的駕駛疲勞檢測(cè)方法能夠更好的應(yīng)用于實(shí)踐,本文采用MATLAB GUI編寫出具有良好人機(jī)交互界面