基于改進(jìn)HMM的駕駛疲勞狀態(tài)辨識(shí)方法研究.pdf

1、駕駛疲勞是造成道路交通事故特別是高速公路重大交通事故的主要因素。在交通事故發(fā)生前，若能及時(shí)檢測(cè)出駕駛?cè)说鸟{車(chē)狀態(tài)并給予預(yù)警，將會(huì)極大減少相關(guān)交通事故的發(fā)生率，因此針對(duì)駕駛?cè)似跔顟B(tài)的研究具有重要理論研究意義和實(shí)用價(jià)值。近年來(lái)，基于機(jī)器視覺(jué)的駕駛疲勞研究方法以其顯著優(yōu)點(diǎn)逐漸成為該領(lǐng)域的研究熱點(diǎn)。然而，由于駕駛疲勞的生成是一隨駕駛時(shí)間延長(zhǎng)而動(dòng)態(tài)生成的隨機(jī)過(guò)程，且基于視覺(jué)的疲勞狀態(tài)辨識(shí)其本質(zhì)是利用相關(guān)監(jiān)測(cè)信息對(duì)駕駛?cè)藸顟B(tài)進(jìn)行間接推斷的結(jié)果。因

2、此，駕駛疲勞狀態(tài)的有效檢測(cè)需充分考慮上述特性。基于此，考慮到隱馬爾科夫模型（Hidden Markov Model，HMM）的雙重隨機(jī)特性能夠合理反應(yīng)疲勞狀態(tài)與觀測(cè)變量間的動(dòng)態(tài)對(duì)應(yīng)關(guān)系，本文基于隱馬爾科夫理論開(kāi)展駕駛疲勞狀態(tài)動(dòng)態(tài)辨識(shí)方法的相關(guān)研究。本文具體研究工作如下：
　　1.基于 PSO（Particle Swarm Optimization）算法的 HMM訓(xùn)練過(guò)程改進(jìn)。在傳統(tǒng)HMM訓(xùn)練過(guò)程中，BW（Baum-Welch）算法

3、易使模型陷入局部最優(yōu)而導(dǎo)致模型不穩(wěn)定和準(zhǔn)確性較差。本文在利用BW算法進(jìn)行模型訓(xùn)練過(guò)程中通過(guò)合理引入PSO算法有效解決了HMM模型訓(xùn)練結(jié)果對(duì)訓(xùn)練初值的依賴(lài)性；
　　2.基于二狀態(tài)、單表征指標(biāo)的HMM辨識(shí)模型研究。本文首先基于清醒和疲勞兩種疲勞水平分級(jí)，利用PERCLOS（Percentage of eyelid closure over the pupil over time）表征指標(biāo)特征參數(shù)作為觀測(cè)值構(gòu)建了HMM辨識(shí)模型框架，并在

4、此基礎(chǔ)上針對(duì)傳統(tǒng)BW算法和改進(jìn)算法進(jìn)行了模型理論研究；
　　3.基于三狀態(tài)、二表征指標(biāo)的HMM辨識(shí)模型研究?？紤]到上述模型的局限性，本文進(jìn)一步將疲勞水平擴(kuò)展為清醒、疲勞和重度疲勞三種狀態(tài)，利用PERCLOS和PERLVO（Percentage of mouth large vertical open over time）兩個(gè)表征指標(biāo)觀測(cè)參數(shù)在數(shù)據(jù)模糊聚類(lèi)基礎(chǔ)上進(jìn)行了相關(guān)模型的構(gòu)建；
　　4.試驗(yàn)驗(yàn)證及結(jié)果對(duì)比分析?；谏鲜隼?/p>