基于HMM的駕駛員疲勞評估模型研究.pdf

1、駕駛員疲勞駕駛在道路交通事故發(fā)生的原因中占有絕大部分比例。鑒于視覺特征信息直觀明顯，易于檢測，并可實現(xiàn)非接觸性測量，因此基于視覺特征檢測駕駛員疲勞狀態(tài)已經(jīng)成為學(xué)者們研究的熱點和主流。以往研究大多采用一種或幾種駕駛員疲勞時的表現(xiàn)特征運(yùn)用貝葉斯網(wǎng)絡(luò)、模糊推理、人工神經(jīng)網(wǎng)絡(luò)、機(jī)器視覺等開展研究，其局限性在于忽略了駕駛員精神狀態(tài)的變化是一個隨時間變化的過程。本文所建立的隱馬爾科夫模型合理地反應(yīng)了駕駛員精神狀態(tài)變化與自身特征信息變化過程，它可以描

2、述駕駛員疲勞狀態(tài)的在時間上的整體非平穩(wěn)性和局部平穩(wěn)性，是一種較為理想的駕駛員疲勞評估模型。本文選取了20位實驗對象利用駕駛模擬器模擬高速公路工況。實驗過程中運(yùn)用SMI-HED頭盔式眼動儀采集實驗中駕駛員的眼部特征信息，攝像機(jī)記錄實驗中駕駛員面部視頻圖像，利用生理參數(shù)測試儀采集駕駛員的生理信號。具體工作如下:
　　1.在各種駕駛員疲勞評估模型中，本文重點分析了隱馬爾科夫模型(Hidden MarkovModels，簡稱為HMM)的駕

3、駛員疲勞評估模型。選取參數(shù)PERCLOS、AECS、PERLVO作為評估駕駛員疲勞狀態(tài)的參數(shù)變量，并建立對應(yīng)的HMM駕駛員疲勞評估模型。利用實驗數(shù)據(jù)對所建立的模型進(jìn)行了訓(xùn)練，利用Baum-Welch算法（也稱前、后向算法）和基于樣本數(shù)據(jù)得到的HMM模型參數(shù)訓(xùn)練得到HMM駕駛員疲勞評估模型的最終參數(shù)λ=[(A)，(B)，π]，使Pr[O/λ]達(dá)到最大。
　　2.本文以生理參數(shù)儀獲得的數(shù)據(jù)為基礎(chǔ)，通過與所建立的HMM駕駛員疲勞評估模型

4、疲勞概率及HMM經(jīng)典算法Viterbi算法推斷駕駛員產(chǎn)生觀察值序列時間段內(nèi)最可能的精神狀態(tài)對比，驗證了所建模型的合理性、準(zhǔn)確性。
　　3.基于實驗數(shù)據(jù)，本文對所建立的駕駛員疲勞評估模型進(jìn)行了詳細(xì)的對比分析，并獲得了相應(yīng)的分析結(jié)論。結(jié)果表明，基于單參數(shù)和多參數(shù)所建立的HMM駕駛員疲勞評估模型能反應(yīng)駕駛員疲勞是一個隨時間變化的過程，這說明所建立的模型可以準(zhǔn)確反映駕駛員疲勞形成的時變特征。相應(yīng)模型的對比分析結(jié)果表明，基于多參數(shù)PERCL