【技术实现步骤摘要】
一种面向特种车辆的驾驶员疲劳检测方法
[0001]本专利技术涉及汽车安全驾驶领域,具体涉及一种面向特种车辆的驾驶员疲劳检测方法。
技术介绍
[0002]疲劳驾驶会影响行车安全,是引起车辆交通事故的主要原因之一。驾驶员由于长时间行车或未充分休息下都会形成疲劳状态,在此状态下身体反应能力会降低,对车辆的控制能力减弱,直观表现为驾驶员出现注意力不集中,无法准确判断并处理突发的异常状况,这会产生驾驶隐患,危害交通安全。
[0003]驾驶员的疲劳检测技术主要围绕接触式和非接触式两大类进行研究,接触式需要驾驶员额外佩戴传感设备来获取生理数据,通过分析采集到的诸如心率、血氧浓度、脉搏、呼吸频率、肌电、脑电波等参数来判断驾驶员的疲劳状态。非接触式主要通过摄像头采集驾驶员图像分析行为特征或者统计车辆行驶信息来判断驾驶员的疲劳状态,其中行为特征主要利用驾驶员面部图像来判断闭眼、打哈欠等行为,车辆行驶信息主要包括行驶速度、刹车踏板踩踏力度、方向盘握力、行车总累积时长等。一般而言,接触式类技术的检测准确率高于非接触类技术,但是该类技术所需要的生理数据采集设备价格普遍较高,且会影响驾驶员的驾驶习惯,因此并不适合实际应用。
[0004]目前由于车辆行驶信息较难获取得到,普通车辆中使用最为广泛的是基于驾驶员面部图像特征的非接触式疲劳检测方法,将驾驶员闭眼和打哈欠的行为作为疲劳最关键的指标被纳入到疲劳检测中。但是该方法存在明显的短板,尤其面向特种车辆时,一方面特种车辆由于其自身的特殊性,驾驶员需佩戴头盔、面罩等装备,导致驾驶员的面部 ...
【技术保护点】
【技术特征摘要】
1.一种面向特种车辆的驾驶员疲劳检测方法,其特征在于包括:A)进行驾驶员疲劳预警;B)进行驾驶员疲劳识别,其中:所述的步骤A包括:A1)获取前方道路图像和车身周围环境图像,包括利用安装在驾驶室挡风玻璃上侧中部位置处的摄像头采集前方道路图像,利用安装在车身左侧、右侧和尾部的摄像头采集周围环境图像;A2)根据基于深度学习预先训练好的异常事件检测模型进行异常事件的检测,包括:构建异常事件检测模型,完成对障碍物、车道偏移等异常事件的检测;记录异常事件检测模型工作时长;A3)循环记录异常事件处理响应时间周期,包括:从检测到异常事件至异常事件结束记为一个异常事件处理响应时间周期T
AEC
;循环记录异常事件处理响应时间周期满足其数量达到预设值N
AEC
或异常事件检测模型持续工作达到阈值T
AEW
。;A4)生成驾驶员响应周期表并构建行为响应时间预测模型和得到疲劳预警阈值,包括:生成驾驶员响应周期表S
AE
;根据所述驾驶员响应周期表,利用BP反向传播神经网络构建行为响应时间预测模型,表示为:其中,BP神经网络采用三层模型,x
i
为网络输入,O
k
为网络输出,g(x)为激励函数,w
ij
为输入层到隐含层权重,w
jk
为隐含层到输出层权重,a
j
为输入层到隐含层偏置,b
k
为隐含层到输出层偏置,l为隐含层节点数,n为输入层节点数,i为输入层节点标号,j为隐含层节点标号;利用密度聚类算法DBSCAN对该表进行聚类,以数量最多簇的最大边界作为疲劳预警阈值Th:A5)预测下一异常事件响应周期,并进行疲劳预警,包括:根据行为响应时间预测模型估计下一异常事件响应周期T
AEP
;与疲劳预警阈值Th进行比较来进行疲劳预警,表示为:|T
AEP
‑
Th|>ξ其中,ξ为一个临界波动值,超过该值时认为驾驶员即将疲劳,进行语音提醒;A6)更新行为响应时间预测模型,包括:检测得到下一异常事件处理响应时间周期T
AER
;判断与预测得到的异常事件响应周期T
AEP
的差值与预设差异阈值Td的关系,表示为:|T
AER
‑
T
AEP
|<Td其中,若T
AER
与T
AEP
的差值大于Td,则认为行为响应时间预测模型预测有误,将T
AER
加入到驾驶员响应周期表S
AE
,更新行为响应时间预测模型,所述步骤B包括:
B1)获取驾驶员的面部图像、姿态图像和语音信息,包括:利用安装在驾驶室内正前方摄像头实时采集驾驶员面部图像;利用安装在驾驶室内侧方摄像头获取驾驶员时序姿态图像;利用安装在驾驶员正上方的语音采集器获取驾驶员的语音信息,B2)根据预先训练的基于深度学习的人脸属性识别模型进行人脸属性的识别,包括:基于深度学习构建人脸属性识别模型,评价指标表示为:其中,L为属性的数量,N为样本数量,i为属性标号,TP
i
和TN
i
分别为正确分类的正样本和负样本数量,P
i
和N
i
分别为正负样本的总数量;完成对驾驶员是否遮挡嘴部和眼部的属性识...
【专利技术属性】
技术研发人员:胡海苗,叶灵枫,龚轩,李明竹,郑彪,
申请(专利权)人:北京航空航天大学杭州创新研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。