基于HMM的駕駛員疲勞評(píng)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(cè)，并可實(shí)現(xiàn)非接觸性測(cè)量，因此基于視覺特征檢測(cè)駕駛員疲勞狀態(tài)已經(jīng)成為學(xué)者們研究的熱點(diǎn)和主流。以往研究大多采用一種或幾種駕駛員疲勞時(shí)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(gè)隨時(shí)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(shí)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(píng)估模型。本文選取了20位實(shí)驗(yàn)對(duì)象利用駕駛模擬器模擬高速公路工況。實(shí)驗(yàn)過程中運(yùn)用SMI-HED頭盔式眼動(dòng)儀采集實(shí)驗(yàn)中駕駛員的眼部特征信息，攝像機(jī)記錄實(shí)驗(yàn)中駕駛員面部視頻圖像，利用生理參數(shù)測(cè)試儀采集駕駛員的生理信號(hào)。具體工作如下:
　　1.在各種駕駛員疲勞評(píng)估模型中，本文重點(diǎn)分析了隱馬爾科夫模型(Hidden MarkovModels，簡(jiǎn)稱為HMM)的駕

3、駛員疲勞評(píng)估模型。選取參數(shù)PERCLOS、AECS、PERLVO作為評(píng)估駕駛員疲勞狀態(tài)的參數(shù)變量，并建立對(duì)應(yīng)的HMM駕駛員疲勞評(píng)估模型。利用實(shí)驗(yàn)數(shù)據(jù)對(duì)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(píng)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(píng)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(shí)間段內(nèi)最可能的精神狀態(tài)對(duì)比，驗(yàn)證了所建模型的合理性、準(zhǔn)確性。
　　3.基于實(shí)驗(yàn)數(shù)據(jù)，本文對(duì)所建立的駕駛員疲勞評(píng)估模型進(jìn)行了詳細(xì)的對(duì)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(píng)估模型能反應(yīng)駕駛員疲勞是一個(gè)隨時(shí)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(shí)變特征。相應(yīng)模型的對(duì)比分析結(jié)果表明，基于多參數(shù)PERCL