機(jī)動(dòng)車(chē)疲勞駕駛行為識(shí)別方法研究.pdf

1、疲勞駕駛是造成重大道路交通事故的重要原因之一。疲勞駕駛時(shí)駕駛員對(duì)車(chē)輛的操控能力下降導(dǎo)致其操控車(chē)輛的動(dòng)作如轉(zhuǎn)向、檔位、油門(mén)等以及車(chē)輛的行駛狀態(tài)如車(chē)速、車(chē)輛在車(chē)道中的位置等發(fā)生變化，這些變化統(tǒng)稱(chēng)為駕駛行為的變化。利用疲勞駕駛時(shí)駕駛行為的變化特征，可實(shí)現(xiàn)對(duì)駕駛疲勞狀態(tài)的實(shí)時(shí)檢測(cè)。通過(guò)駕駛模擬試驗(yàn)分析研究了疲勞駕駛時(shí)的駕駛行為特征，并在這些特征的基礎(chǔ)上開(kāi)展了疲勞駕駛的識(shí)別算法研究。
　　 首先，構(gòu)建了疲勞駕駛時(shí)的駕駛行為信息采集試驗(yàn)系統(tǒng)

2、，并設(shè)計(jì)開(kāi)展駕駛模擬器的校驗(yàn)試驗(yàn)，驗(yàn)證了模擬試驗(yàn)數(shù)據(jù)采集的有效性。在對(duì)疲勞駕駛時(shí)駕駛行為變化特征的分析及相關(guān)問(wèn)卷調(diào)查的基礎(chǔ)上，開(kāi)展疲勞駕駛時(shí)的駕駛行為采集試驗(yàn)方法研究，包括試驗(yàn)場(chǎng)景及道路設(shè)計(jì)、被試駕駛員招募、試驗(yàn)過(guò)程與組織以及試驗(yàn)數(shù)據(jù)采集等，并開(kāi)展了14組模擬駕駛試驗(yàn)。根據(jù)被試駕駛員的簡(jiǎn)單反應(yīng)時(shí)變化特征，將試驗(yàn)過(guò)程中被試駕駛員狀態(tài)劃分為正常和疲勞兩種，截取了14名被試駕駛員在5個(gè)不同線形路段上各行駛7圈的駕駛行為數(shù)據(jù)，其中1～4圈為正常

3、狀態(tài)，5～7圈為疲勞駕駛狀態(tài)。
　　 其次，分析疲勞駕駛時(shí)被試駕駛員的縱向、橫向操作行為特征。采用時(shí)域數(shù)掘統(tǒng)計(jì)特征、傅里葉頻譜分析以及基于haar小波分解的時(shí)頻分析等方法分析了車(chē)速、加速度、轉(zhuǎn)向角和轉(zhuǎn)向加速度4項(xiàng)駕駛行為變化特征，發(fā)現(xiàn)疲勞駕駛時(shí)發(fā)生變化的駕駛行為指標(biāo)有：①車(chē)速標(biāo)準(zhǔn)差；②加速度的絕對(duì)均值、標(biāo)準(zhǔn)差及極差；③加速度能量值；④加速度小波分解的cdl尺度上的歸一化能量；⑤加速度小波熵；⑥轉(zhuǎn)向角絕對(duì)均值和標(biāo)準(zhǔn)差；⑦轉(zhuǎn)向角能量

4、值；⑧轉(zhuǎn)向角小波分解的cdl和ca5尺度的歸一化能量；⑨轉(zhuǎn)向角小波熵；⑩轉(zhuǎn)向角速度絕對(duì)均值和標(biāo)準(zhǔn)差；[11]轉(zhuǎn)向角速度能量；[12]轉(zhuǎn)向角速度小波分析的cdl尺度歸一化能量，通過(guò)方差分析得到在不同道路線形上變化差異不顯著的7項(xiàng)指標(biāo)作為疲勞駕駛識(shí)別的原始特征指標(biāo)，它們是：轉(zhuǎn)向角小波分解的ca5尺度歸一化能量、轉(zhuǎn)向角小波熵、轉(zhuǎn)向角速度能量、轉(zhuǎn)向角速度標(biāo)準(zhǔn)差、車(chē)速標(biāo)準(zhǔn)差、加速度小波分解的cdl尺度歸一化能量和加速度熵。
　　 第三，采

5、用主成分分析方法實(shí)現(xiàn)了疲勞駕駛行為特征提取，并設(shè)計(jì)了針對(duì)特征主成分和不同特征向量組合的疲勞駕駛模糊聚類(lèi)和神經(jīng)網(wǎng)絡(luò)算法，分析不同算法對(duì)疲勞駕駛的識(shí)別準(zhǔn)確率發(fā)現(xiàn)：①基于PCA第一主成分的模糊聚類(lèi)算法的識(shí)別效果好于其它特征組合的模糊聚類(lèi)識(shí)別效果，識(shí)別準(zhǔn)確率達(dá)到了80％以上；②BP神經(jīng)網(wǎng)絡(luò)的識(shí)別效果在所有算法中最好，但由于算法收斂速度慢且訓(xùn)練過(guò)程中時(shí)有未收斂情況發(fā)生，所以不適合疲勞駕駛的實(shí)時(shí)檢測(cè)要求；③RBF神經(jīng)網(wǎng)絡(luò)的收斂速度較快，但網(wǎng)絡(luò)輸出誤

6、差大，模式分類(lèi)效果差，識(shí)別準(zhǔn)確率僅為70％左右，而引入競(jìng)爭(zhēng)單元的概率神經(jīng)網(wǎng)絡(luò)(PNN)有效彌補(bǔ)了RBF模式分類(lèi)效果差的缺點(diǎn)，基于PCA特征的PNN神經(jīng)網(wǎng)絡(luò)識(shí)別準(zhǔn)確率達(dá)到了90％左右。通過(guò)對(duì)比分析得知，基于PCA特征的模糊聚類(lèi)和PNN神經(jīng)網(wǎng)絡(luò)算法識(shí)別效果都較好，特別是PNN的識(shí)別準(zhǔn)確了達(dá)到了90％。
　　 最后，通過(guò)試驗(yàn)驗(yàn)證了兩種識(shí)別算法的識(shí)別效果，基于PCA特征的模糊聚類(lèi)算法準(zhǔn)確率達(dá)到81％，而PNN神經(jīng)網(wǎng)絡(luò)算法識(shí)別準(zhǔn)確率達(dá)到了