一种基于机器学习的车载疲劳驾驶监测预警系统技术方案

本发明专利技术涉及一种基于机器学习的车载疲劳驾驶监测预警系统，包括：驾驶员生理指标采样及特征向量提取模块，用于生理指标的提取并且通过数据处理成为能够供机器学习算法进行处理的有效特征向量数据；驾驶员疲劳驾驶监测模型模块，使用机器学习作为检测方法构建生理指标特征向量和驾驶员机体状态关系，用于监测驾驶过程中驾驶员机体是否疲劳；反馈预警及模型评价模块，用于疲劳缓解并且通过模型评价的反馈对驾驶员疲劳驾驶监测模型模块的模型进行优化和改进。本发明专利技术能够通过驾驶员某些生理指标的变化预测驾驶员的机体疲劳状态。

A vehicle fatigue driving monitoring and early warning system based on machine learning

The invention relates to an on-board fatigue driving monitoring and early warning system based on machine learning, which comprises a driver physiological index sampling and feature vector extraction module, which is used for extracting physiological indexes and can be processed by data processing into an effective feature vector data for machine learning algorithm, and a driver fatigue driving supervision module. Measurement model module uses machine learning as a detection method to construct the relationship between physiological index eigenvector and driver's body state, which is used to monitor whether the driver's body is fatigued during driving; feedback early warning and model evaluation module, which is used to alleviate fatigue and to monitor driver's fatigue driving through feedback of model evaluation. The module's model is optimized and improved. The invention can predict the fatigue state of a driver by changing certain physiological indexes of a driver.

【技术实现步骤摘要】
一种基于机器学习的车载疲劳驾驶监测预警系统
本专利技术涉及疲劳驾驶检测技术，特别是涉及一种基于机器学习的车载疲劳驾驶监测预警系统。
技术介绍
酒后驾驶、超速驾驶、疲劳驾驶是当今诱发交通事故三大主要因素。针对酒后驾驶和超速驾驶国家已经从法律上进行了规定和治理。但是对于疲劳驾驶至今却没有一个有效的预防和整治措施。疲劳驾驶危害极为严重，根据调查当今有超过57％的驾驶人员有过疲劳驾驶的经历，20％的驾驶员在驾驶中有过瞌睡或者打盹的经历。据统计，因疲劳驾车造成的交通事故占总数的20％到30％，占特大交通事故总数的40％以上。所以针对疲劳驾驶的预防工作成为近年来国内外各学者的研究重点。早期的疲劳驾驶研究工作主要是借助医疗设备从医学角度研究的，直到20世纪80年代，逐渐成熟形成两大研究方向：一为研究疲劳瞌睡产生的机理和诱发因素,寻找能够降低这种危险的方法；二为开发车辆智能报警系统,防止驾驶员在疲劳状态下驾驶。前者继续从医学角度出发，而疲劳驾驶检测系统，则随着计算机技术及微型机技术的成熟，为其实现提供了技术保障，监测驾驶员驾驶过程中的机体状态，疲劳状态下做出预警，从根源杜绝疲劳驾驶行为的发生。由于国外计算机及相关技术发展较早，目前，较成熟的疲劳驾驶检测预警系统和方法大多属于国外某些知名公司，例如美国AssistWareTechnology公司的SafeTRAC系统利用前置视频头对车道线进行识别，当车辆开始偏离车道时进行报警，该产品也可通过车道保持状态结合驾驶人的方向盘操作特性判断驾驶人的疲劳状态；英国的ASTiD(AdvisorySystemforTiredDrivers)DriverAlert装置则综合考虑驾驶员的睡眠信息、已完成的驾驶时长和类型，以及驾驶员的方向盘操作等各种因素判断驾驶人疲劳状态，装置运行前需要驾驶员输入自己过去24小时的睡眠信息，当视觉保持到一定程度时，触发声音报警，建议驾驶员停车并休息；欧盟的AWAKE项目是对人眼生理反应信息、方向盘操作转角信息、方向盘转向力信息以及车道线信息进行了检测和记录，通过研究这些信息与疲劳之间的关系，利用信息融合技术实现驾驶人疲劳分级评价，采用声音、光照闪烁以及安全带振动等方式对驾驶员疲劳行为实现预警。国内的疲劳驾驶预防检测探索起步相对较晚，目前比较成型的疲劳驾驶预警系统是由清华大学和东南大学的几位博士组建的中国单片机公共实验室南京研发中心联合南京远驱科技有限公司研究出来的gogo850系统，其原理是主要检测驾驶员的眼睛开合情况，尤其增加了对瞳孔的识别，基于红外图像的处理使得产品在日间和夜间都有良好表现，系统还能对戴眼镜(除墨镜)的驾驶员进行识别。但是由于价格高昂，成品体积庞大安装不便，在实际商业推广中受到限制。总体来看，尽管疲劳驾驶方向的探究已经很多，但是真正应用实际中有效的成果却少之又少，一方面由于研究的不透彻，有待进一步的探究改进，一方面由于实际实现的困难，目前市面上的都比较昂贵，普通驾驶员很难投入使用,且在研究中普遍存识别度低，实时性差，和检测方式固定不适用于实现等方面的问题。而国内在疲劳驾驶检测预防领域的研究主要集中在基于视频信号的驾驶人面部生理特征的研究方面，目前各种算法在识别精度、可靠性、实时性等基础性能方面尚存在问题，与国外相关研究相比存在较大差距。在疲劳驾驶检测的前沿技术方向，由于近年来机器学习的兴起，将机器学习与以往的疲劳驾驶方法进行结合，对以往的研究方法进行结合和改进，进一步探索研究，期望探寻精确度更高，适应于多种环境下，检测效果稳定，成本节约，方便简易的方法。更有学者提出针对特定驾驶员进行可定制的训练学习算法，以求达到更加准确的检测效果。针对于疲劳驾驶的检测提出多模态深度学习方法，主要针对驾驶员的脑电波检测和头部行为分析，通过传感器进行低频采集脑电波信号，和摄像机采集头部运动的信息，经过降噪，预处理，变换后得到可操作的矩阵向量集，通过限制型玻尔兹曼机器(RBM)来进行处理得到RBM矩阵，采用多模态特征深度自学方法对其进行处理后得到精确的判断结果。在基于图像处理技术的方向，人脸识别在检测驾驶员疲劳驾驶方面有着一定研究，例如将肤色分割，边缘检测技术，应用于传统的图像中处理中，通过高斯模型和椭圆聚类模型，得到更加高效行为特征提取的研究方法。更有提出基于侧面图像的疲劳驾驶检测技术，以改进正面检测中人脸识别度低，实时性差的缺点。而且在决策树方向，即阈值的选择方面，有学者提出多阈值决策标准，和自适应阈值判断思路；同时在消除噪音方面，也由传统的单一滤波到结合频域滤波器，多步骤分阶段降噪的方式；在模型分析方向有颜色空间划分模型，模糊学习模型，自适应模型等。而且在实时性方向更是要求算法的时间消耗较少，以求更加实时的得到判断。
技术实现思路
本专利技术所要解决的技术问题是提供一种基于机器学习的车载疲劳驾驶监测预警系统，能够通过驾驶员某些生理指标的变化预测驾驶员的机体疲劳状态。本专利技术解决其技术问题所采用的技术方案是：提供一种基于机器学习的车载疲劳驾驶监测预警系统，包括：驾驶员生理指标采样及特征向量提取模块，用于生理指标的提取并且通过数据处理成为能够供机器学习算法进行处理的有效特征向量数据；驾驶员疲劳驾驶监测模型模块，使用机器学习作为检测方法构建生理指标特征向量和驾驶员机体状态关系，用于监测驾驶过程中驾驶员机体是否疲劳；反馈预警及模型评价模块，用于疲劳缓解并且通过模型评价的反馈对驾驶员疲劳驾驶监测模型模块的模型进行优化和改进。所述驾驶员生理指标采样及特征向量提取模块首先通过抽样将传感器采集的驾驶员生理指标信息转换为数字信号，然后采用变异数分析ANVOA方法对特征向量进行提取，最后进行F分布校验检测特征向量的显著性，要求被提取的特征向量是原始数据的线性组合并且两两相互正交，能够充分不重叠解释原始数据的特征。所述驾驶员疲劳驾驶监测模型模块构建生理指标和机体疲劳模型，并使用随机森林算法进行训练，以生理指标信息作为自变量，以驾驶员机体疲劳与否作为因变量，依据自变量来生成因变量从而达到对疲劳驾驶的检测。所述驾驶员疲劳驾驶监测模型模块还将生理指标还作为一种预测手段，通过连续的生理指标变化，依据此刻输入信号对下一时刻的驾驶员机体状态进行预测。所述随机森林算法包括以下步骤：(1)初始化粒子个体和种群位置，并对参数L、x、N、m、θl赋于初值；(2)采用CART方式构建L棵决策树；并且运用bootstarp算法采样，随机生成L个训练集，每个训练集中选取数量为x的预测样本用于校验训练；(3)随机向量θl决定决策树生长，并在生长过程中，随机从决策属性M中随机抽取m个属性进行分类；(4)计算每棵决策树的OOB误差，并且用平均误差作为阈值误差δi，如果大于阈值误差则修剪该树；(5)将分类结果作为适应值，若未达到最优参数，采用PSO算法进行迭代，更新粒子群的最优位置直到达到最优参数停止；最后使用最优参数建立模型，训练完成后，输入驾驶员生理信息测试样本进行分类检测，对驾驶员下一时刻的疲劳状态进行预测。所述反馈预警及模型评价模块通过声音、灯光、和/或震动对驾驶员的疲劳进行缓解。所述反馈预警及模型评价模块通过对疲劳驾驶监测预警系统的性能进行评价，将评价结果作为评判标准反馈给系统，并且据此来改进参数本文档来自技高网...

【技术保护点】
1.一种基于机器学习的车载疲劳驾驶监测预警系统，其特征在于，包括：驾驶员生理指标采样及特征向量提取模块，用于生理指标的提取并且通过数据处理成为能够供机器学习算法进行处理的有效特征向量数据；驾驶员疲劳驾驶监测模型模块，使用机器学习作为检测方法构建生理指标特征向量和驾驶员机体状态关系，用于监测驾驶过程中驾驶员机体是否疲劳；反馈预警及模型评价模块，用于疲劳缓解并且通过模型评价的反馈对驾驶员疲劳驾驶监测模型模块的模型进行优化和改进。

【技术特征摘要】
1.一种基于机器学习的车载疲劳驾驶监测预警系统，其特征在于，包括：驾驶员生理指标采样及特征向量提取模块，用于生理指标的提取并且通过数据处理成为能够供机器学习算法进行处理的有效特征向量数据；驾驶员疲劳驾驶监测模型模块，使用机器学习作为检测方法构建生理指标特征向量和驾驶员机体状态关系，用于监测驾驶过程中驾驶员机体是否疲劳；反馈预警及模型评价模块，用于疲劳缓解并且通过模型评价的反馈对驾驶员疲劳驾驶监测模型模块的模型进行优化和改进。2.根据权利要求1所述的基于机器学习的车载疲劳驾驶监测预警系统，其特征在于，所述驾驶员生理指标采样及特征向量提取模块首先通过抽样将传感器采集的驾驶员生理指标信息转换为数字信号，然后采用变异数分析ANVOA方法对特征向量进行提取，最后进行F分布校验检测特征向量的显著性，要求被提取的特征向量是原始数据的线性组合并且两两相互正交，能够充分不重叠解释原始数据的特征。3.根据权利要求1所述的基于机器学习的车载疲劳驾驶监测预警系统，其特征在于，所述驾驶员疲劳驾驶监测模型模块构建生理指标和机体疲劳模型，并使用随机森林算法进行训练，以生理指标信息作为自变量，以驾驶员机体疲劳与否作为因变量，依据自变量来生成因变量从而达到对疲劳驾驶的检测。4.根据权利要求3所述的基于机器学习的车载疲劳驾驶监测预警系统，其特征在于，所述驾驶员疲劳驾驶监测模型模块还将生理指标还作为一种...

【专利技术属性】
技术研发人员：刘强，叶建芳，董琳，李雪莹，张洁，
申请(专利权)人：东华大学，
类型：发明
国别省市：上海,31