鐵路機(jī)車(chē)司機(jī)駕駛疲勞評(píng)測(cè)方法與在線(xiàn)檢測(cè)技術(shù)的研究.pdf

1、鐵路運(yùn)輸生產(chǎn)力的高速發(fā)展，對(duì)鐵路行車(chē)的安全保障提出了更高要求。由于機(jī)車(chē)司機(jī)的駕駛疲勞是引發(fā)鐵路行車(chē)安全事故的主要原因之一，機(jī)務(wù)管理部門(mén)迫切需求防范機(jī)車(chē)司機(jī)駕駛疲勞的相關(guān)先進(jìn)技術(shù)和設(shè)備，期望以此減少由機(jī)車(chē)司機(jī)駕駛疲勞所導(dǎo)致的人因事故發(fā)生。本文以鐵路機(jī)車(chē)司機(jī)這一特殊駕駛領(lǐng)域的作業(yè)人員為研究對(duì)象，圍繞其駕駛疲勞的形成機(jī)理、駕駛疲勞的影響因素與風(fēng)險(xiǎn)評(píng)價(jià)、駕駛疲勞相關(guān)音視頻表現(xiàn)特征參數(shù)的提取與分析、以及多信息融合檢測(cè)技術(shù)等核心問(wèn)題展開(kāi)全面深入的理

2、論和實(shí)驗(yàn)研究，并以此設(shè)計(jì)和實(shí)現(xiàn)了一個(gè)實(shí)時(shí)、準(zhǔn)確、魯棒的機(jī)車(chē)司機(jī)駕駛疲勞在線(xiàn)檢測(cè)及預(yù)警系統(tǒng)。具體的研究?jī)?nèi)容如下:
　　(1)針對(duì)鐵路機(jī)車(chē)駕駛作業(yè)的特殊性，通過(guò)對(duì)機(jī)車(chē)司機(jī)作業(yè)行為、值乘制度以及工作條件等方面的調(diào)查研究，系統(tǒng)分析了機(jī)車(chē)司機(jī)駕駛疲勞的形成過(guò)程和產(chǎn)生機(jī)理。由此，總結(jié)了機(jī)車(chē)司機(jī)工作負(fù)荷、輪班方式、職業(yè)素質(zhì)和作業(yè)環(huán)境等方面的多種疲勞影響因素，為機(jī)車(chē)司機(jī)駕駛疲勞的風(fēng)險(xiǎn)評(píng)價(jià)提供了依據(jù)。同時(shí)，討論了司機(jī)處于駕駛疲勞狀態(tài)下，在行為、生理

3、和心理上所可能產(chǎn)生的各種表現(xiàn)特征，以及這些表現(xiàn)特征在駕駛疲勞檢測(cè)應(yīng)用方面的適用性和可行性。
　　(2)機(jī)車(chē)司機(jī)的工作負(fù)荷計(jì)算與駕駛疲勞風(fēng)險(xiǎn)分析。首先，通過(guò)對(duì)機(jī)車(chē)司機(jī)具體作業(yè)任務(wù)的層次分解以及各作業(yè)任務(wù)的需量估計(jì)，提出了一種機(jī)車(chē)司機(jī)工作負(fù)荷計(jì)算方法。該方法以具體機(jī)車(chē)駕駛?cè)蝿?wù)對(duì)人體的需量為研究對(duì)象，可以客觀準(zhǔn)確地反映出司機(jī)在執(zhí)行不同作業(yè)任務(wù)下的工作負(fù)荷指標(biāo)。隨后，采用改進(jìn)的模糊層次分析法將工作負(fù)荷指標(biāo)與輪班方式、職業(yè)素質(zhì)和線(xiàn)路環(huán)境等方

4、面的多種疲勞影響因素指標(biāo)相結(jié)合，建立了機(jī)車(chē)司機(jī)駕駛疲勞風(fēng)險(xiǎn)的多指標(biāo)評(píng)價(jià)模型。最終，通過(guò)對(duì)不同車(chē)次不同時(shí)段下的機(jī)車(chē)司機(jī)駕駛疲勞風(fēng)險(xiǎn)評(píng)價(jià)實(shí)例，驗(yàn)證了該模型在實(shí)際應(yīng)用時(shí)的準(zhǔn)確性和有效性。這部分研究所得的駕駛疲勞風(fēng)險(xiǎn)評(píng)價(jià)結(jié)果，不僅能夠?yàn)樗緳C(jī)輪班工作的編排管理上避免駕駛疲勞提供依據(jù);還為多信息融合的駕駛疲勞檢測(cè)系統(tǒng)提供了概率推理所需的疲勞先驗(yàn)知識(shí)。
　　(3)確立了一種基于語(yǔ)音與視頻多傳感器信息融合的機(jī)車(chē)司機(jī)駕駛疲勞在線(xiàn)檢測(cè)方案，并對(duì)相關(guān)的

5、疲勞特征參數(shù)進(jìn)行了提取分析。首先，根據(jù)駕駛疲勞對(duì)人體發(fā)音器官的影響，提取分析了基音頻率、共振峰和Mel頻標(biāo)倒譜系數(shù)等傳統(tǒng)語(yǔ)音特征，以及語(yǔ)音混沌非線(xiàn)性動(dòng)力學(xué)模型下的最大Lyapunov指數(shù)、分形維數(shù)和近似熵等語(yǔ)音非線(xiàn)性特征與人體疲勞的變化規(guī)律，并通過(guò)實(shí)驗(yàn)驗(yàn)證了這些語(yǔ)音特征與機(jī)車(chē)司機(jī)駕駛疲勞的相關(guān)性。其次，為了能夠從視頻數(shù)據(jù)中快速、準(zhǔn)確、魯棒地提取司機(jī)眼部及面部等多種疲勞特征參數(shù)，針對(duì)實(shí)際機(jī)車(chē)場(chǎng)景下的光照條件變化以及司機(jī)頭部?jī)A斜旋轉(zhuǎn)等具體問(wèn)

6、題，提出了:基于膚色自適應(yīng)更新模型的圖像膚色分割算法，基于Haar特征與Adaboost分類(lèi)器的人臉識(shí)別算法，以及基于Zernike矩特征的人眼定位及開(kāi)合度識(shí)別方法等，一系列逐步縮小特征提取范圍的圖像處理與識(shí)別算法。并在此基礎(chǔ)上，提取分析了機(jī)車(chē)司機(jī)的眼部閉合時(shí)間百分比、平均閉眼速度、最大持續(xù)閉眼時(shí)間、平均睜眼程度和眨眼頻率等眼部特征，以及哈欠頻率和點(diǎn)頭頻率等司機(jī)面部特征在不同疲勞狀態(tài)下的統(tǒng)計(jì)規(guī)律。
　　(4)提出一種特征層融合與決

7、策層融合相結(jié)合的多信息融合檢測(cè)方法，將駕駛疲勞風(fēng)險(xiǎn)評(píng)價(jià)結(jié)果以及所提取的多種特征參數(shù)綜合應(yīng)用于駕駛疲勞的在線(xiàn)檢測(cè)。首先在特征層融合部分，采用模糊支持向量機(jī)算法設(shè)計(jì)了多特征駕駛疲勞分類(lèi)器，并對(duì)算法中的樣本模糊隸屬度函數(shù)做了相應(yīng)改進(jìn)。隨后在決策層融合部分，通過(guò)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)融合算法，將語(yǔ)音多特征、眼部多特征、哈欠頻率和點(diǎn)頭頻率等四種特征層分類(lèi)器的初步判決結(jié)果與駕駛疲勞風(fēng)險(xiǎn)評(píng)價(jià)所得的先驗(yàn)知識(shí)相結(jié)合，以因果概率推理的方式融合得到最終的一致性駕駛疲