基于分层网络模型的驾驶员消极驾驶状态在线感知方法技术

本发明专利技术公开了一种基于分层网络模型的驾驶员消极驾驶状态在线感知方法，是对驾驶员消极驾驶状态进行分级，选取能够表征驾驶员消极驾驶状态的特征参数，构建分层网络模型进行训练，直至其满足系统误差要求；通过实时获取当前行车过程中行车信息，操作信息和面部信息，提取行车信息中的行车特征信息、操作信息中的操作特征信息以及面部信息中的面部特征信息；然后将提取的特征信息输入分层网络模型进行计算，得到当前驾驶员的消极驾驶程度。本发明专利技术通过提取到的特征能够在线的识别出驾驶员消极驾驶状态，可以有效的提高消极驾驶状态检测的精度，为提高驾驶安全性奠定基础，并且具有良好的实时性和迁移性，具有广阔的应用前景。

【技术实现步骤摘要】
基于分层网络模型的驾驶员消极驾驶状态在线感知方法
本专利技术属于人工智能领域，主要涉及一种基于分层网络模型的驾驶员消极驾驶状态在线感知方法。
技术介绍
近年来随着中国汽车保有量的迅速增加，道路交通安全问题已经成为社会焦点。据不完全统计，我国每年都有近10万人因车辆交通事故失去生命，交通事故成为全国各项事故中伤亡人数最多的一项，其中由于消极驾驶状态驾驶造成的交通安全事故占比很大一部分，严重威胁着广大社会群体的生命财产安全。因此，对影响驾驶行为的驾驶员消极驾驶状态进行监测和调节，可以更好的减少危险驾驶行为，保障交通安全。目前，国内外对驾驶员消极驾驶状态的研究主要包括驾驶员消极驾驶状态的产生机理和影响因素、驾驶员带有消极驾驶状态时的行为表现、驾驶员消极驾驶对交通安全的影响以及驾驶员驾驶过程中的消极驾驶状态的感知等。其中对消极驾驶状态的产生机理、消极驾驶状态的行为表现和不良影响的研究相对成熟，但对消极驾驶状态感知方面的研究较少，且主要采用主观调查法，即通过访谈、问卷调查以及观察等形式对驾驶员的消极驾驶状态进行判别。主观调查法虽然具有直接、简单的特点，但易受到驾驶员主观因素的影响且具有时间滞后性，无法对驾驶员进行及时有效的帮助和驾驶安全等消极状态的预警。因此，基于现代数据采集与信息融合技术、数据挖掘与分层智能网络模型等算法，探究基于多源信息融合的消极驾驶状态感知方法，对准确识别驾驶员的消极驾驶状态，从而尽可能地减小乃至避免驾驶员因消极驾驶状态对道路交通安全等产生的不良影响，具有重要的理论意义和应用价值。
技术实现思路
本专利技术是为了解决上述现有技术存在的不足之处，提出一种基于分层网络模型的驾驶员消极驾驶状态在线感知方法，以期能提高驾驶员消极驾驶状态感知的效率和准确度，从而为后续智能驾驶相关策略的制定提供重要依据。本专利技术为解决技术问题采用如下技术方案：本专利技术一种基于分层网络模型的驾驶员消极驾驶状态在线感知方法的特点是按如下步骤进行：步骤1、对驾驶员消极驾驶状态分级；根据驾驶员消极驾驶状态程度的不同，将驾驶员的消极程度划分为P个级别，并构成消极程度集合D＝{D1,D2,…,Dr,…DP}，其中Dr表示第r个级别的消极程度，1≤r≤P；步骤2、选取特征参数来表征驾驶员消极驾驶状态的特征；将驾驶员消极驾驶状态的特征分为：行车特征、操作特征和面部信息特征；定义每种特征分别含有R个特征参数，从而构成3×R个特征参数的特征矩阵集合x＝[x1,x2,…,xs,…,xS]，其中，xs表示第s个特征参数，且所述特征矩阵集合x中前R个特征参数为行车特征参数、第R+1个特征参数到第2R个特征参数为操作特征参数、第2R+1个特征参数到第3R个特征参数为面部信息特征参数；s＝1,2,…S，S＝3×R；步骤3、构建分层网络模型；定义所述分层网络模型由起始层、优化层和输出层构成；定义所述分层网络模型的起始层含有S个起始节点；定义所述分层网络模型的优化层含有C个优化节点；定义所述分层网络模型的输出层含有1个节点；步骤4、利用标准样本对分层网络模型中的每个优化系数和优化偏置项进行训练，直至其满足误差要求，从而得到在线感知的分层网络模型；步骤4.1、利用式(1)计算优化层的节点个数C：式(1)中，1为输出层的节点个数，M为调节常数，且0≤M≤100，为向下取整函数；步骤4.2、从数据库中获取包含行车特征参数、操作特征参数和面部信息特征参数的N组输入样本X＝[X1,X2,…Xn,…,XN]及其对应的期望输出结果U＝[U1,U2,…Un,…,UN]，其中，Xn为第n组输入样本，且第n组输入样本Xn包含R个行车特征参数、R个操作特征参数和R个面部信息特征参数，记为为第n组输入样本的第s个输入样本，Un为第n组输入样本Xn的期望输出结果，1≤n≤N；步骤4.3、令n为训练次数，并初始化n＝1；将第n组输入样本Xn作为第n次训练的输入样本；步骤4.4、利用式(2)得到第n次训练的第i个优化层节点的预转化值式(2)中，为第n次训练的第i个优化层节点的优化偏置项，ωi为第n次训练的第i个优化层节点分别与起始层中S个起始节点之间的化系数矩阵，且表示第n次训练的第j个起始层节点与第i个优化层节点之间的优化系数，T为矩阵转置；步骤4.5、利用式(3)计算第n次训练的第i个优化层节点的优化转化值从而得到第n次训练的优化转化值矩阵步骤4.6、利用式(4)计算第n次训练的输出层节点输出的驾驶消极状态值U′n：式(4)中，μn为第n次训练的优化层各节点与输出层节点之间的优化系数矩阵，且为第n次训练的第i个优化层节点与输出层节点之间的优化系数，L为优化层节点与输出层节点之间的优化偏置项；步骤4.7、利用式(5)计算第n次训练的输出层节点的输出结果与第n组输入样本Xn的样本期望输出结果之间的误差En：En＝(U′n-Un)2(5)步骤4.8、若En＜ε，则保持各优化系数以及优化偏置项值不变，并执行步骤4.11；若En＞ε，则顺序执行步骤4.9；其中，ε为给定的误差精度；步骤4.9、利用式(6)进行修正，得到第n次训练的修正后的第j个起始层节点与第i个优化层节点之间的优化系数第n次训练的修正后的第i个优化层节点的优化偏置项第n次训练的修正后的第i个优化层节点与输出层节点之间的优化系数式(6)中α、β、γ为训练系数；步骤4.10、将赋值给将赋值给将赋值给步骤4.11、将n+1赋值给n后，判断n＞N是否成立，若成立，则表示得到第N次训练的第j个起始层节点与第i个优化层节点之间的优化系数第N次训练的第i个优化层节点的优化偏置项第N次训练的第i个优化层节点与输出层节点之间的优化系数并分别作为最优的优化系数ωij*和μi*以及优化偏置项λi*；否则返回步骤4.4执行；步骤4.12、将所述最优的优化系数ωij*和μk*以及优化偏置项λi*代入式(2)、式(3)和式(4)中，从而得到在线感知的分层网络模型；步骤5、在驾驶员行驶过程中实时获取R个行车特征参数、R个操作特征参数和R个面部信息特征参数并组成待识别特征矩阵集合并将所述待识别特征矩阵集合输入所述在线感知的分层网络模型，得到驾驶消极状态值步骤6、利用式(7)得到所述驾驶消极状态值在所述消极程度集合D中所对应的驾驶消极状态等级以实现驾驶员消极驾驶状态的在线感知：与已有技术相比，本专利技术的有益效果在：1、本专利技术设计了一种基于分层网络模型的驾驶员消极驾驶状态在线感知方法，能够在线感知出驾驶员的消极驾驶状态程度，实现了消极状态感知；设计了能够通过一定数量样本进行训练的分层网络模型，通过不断地模拟训练，逐步降低了模型的系统误差，直至其满足精度要求；根据采集的行车信息、操作信息、面部信息实时地对驾驶员情绪状态进行感知，得出消极驾驶状态等级，从而为后续智能驾驶相关策略的制定提供重要依据。2、本专利技术通过传感器获取车辆行驶信息和驾驶员操作信息；通过摄像头获取驾驶员面部信息，并对图像去噪，对图像中的人脸区域进行识别与分割，提取了面部特征信息；各类特征参数信息识别准确；融合了行车信息、驾驶员操作信息和驾驶员面部信息综合评价驾驶员的情绪，强调了决策信息的全面性；同时，在连接层设置了曲化函数，能够增加分层智能网络模型的非线性；极大地提高了驾驶员消极驾驶状态评价的准本文档来自技高网...

【技术保护点】
1.一种基于分层网络模型的驾驶员消极驾驶状态在线感知方法，其特征是按如下步骤进行：步骤1、对驾驶员消极驾驶状态分级；根据驾驶员消极驾驶状态程度的不同，将驾驶员的消极程度划分为P个级别，并构成消极程度集合D＝{D1,D2,…,Dr,…DP}，其中Dr表示第r个级别的消极程度，1≤r≤P；步骤2、选取特征参数来表征驾驶员消极驾驶状态的特征；将驾驶员消极驾驶状态的特征分为：行车特征、操作特征和面部信息特征；定义每种特征分别含有R个特征参数，从而构成3×R个特征参数的特征矩阵集合x＝[x1,x2,…,xs,…,xS]，其中，xs表示第s个特征参数，且所述特征矩阵集合x中前R个特征参数为行车特征参数、第R+1个特征参数到第2R个特征参数为操作特征参数、第2R+1个特征参数到第3R个特征参数为面部信息特征参数；s＝1,2,…S，S＝3×R；步骤3、构建分层网络模型；定义所述分层网络模型由起始层、优化层和输出层构成；定义所述分层网络模型的起始层含有S个起始节点；定义所述分层网络模型的优化层含有C个优化节点；定义所述分层网络模型的输出层含有1个节点；步骤4、利用标准样本对分层网络模型中的每个优化系数和优化偏置项进行训练，直至其满足误差要求，从而得到在线感知的分层网络模型；步骤4.1、利用式(1)计算优化层的节点个数C：...

【技术特征摘要】
1.一种基于分层网络模型的驾驶员消极驾驶状态在线感知方法，其特征是按如下步骤进行：步骤1、对驾驶员消极驾驶状态分级；根据驾驶员消极驾驶状态程度的不同，将驾驶员的消极程度划分为P个级别，并构成消极程度集合D＝{D1,D2,…,Dr,…DP}，其中Dr表示第r个级别的消极程度，1≤r≤P；步骤2、选取特征参数来表征驾驶员消极驾驶状态的特征；将驾驶员消极驾驶状态的特征分为：行车特征、操作特征和面部信息特征；定义每种特征分别含有R个特征参数，从而构成3×R个特征参数的特征矩阵集合x＝[x1,x2,…,xs,…,xS]，其中，xs表示第s个特征参数，且所述特征矩阵集合x中前R个特征参数为行车特征参数、第R+1个特征参数到第2R个特征参数为操作特征参数、第2R+1个特征参数到第3R个特征参数为面部信息特征参数；s＝1,2,…S，S＝3×R；步骤3、构建分层网络模型；定义所述分层网络模型由起始层、优化层和输出层构成；定义所述分层网络模型的起始层含有S个起始节点；定义所述分层网络模型的优化层含有C个优化节点；定义所述分层网络模型的输出层含有1个节点；步骤4、利用标准样本对分层网络模型中的每个优化系数和优化偏置项进行训练，直至其满足误差要求，从而得到在线感知的分层网络模型；步骤4.1、利用式(1)计算优化层的节点个数C：式(1)中，1为输出层的节点个数，M为调节常数，且0≤M≤100，为向下取整函数；步骤4.2、从数据库中获取包含行车特征参数、操作特征参数和面部信息特征参数的N组输入样本X＝[X1,X2,…Xn,…,XN]及其对应的期望输出结果U＝[U1,U2,…Un,…,UN]，其中，Xn为第n组输入样本，且第n组输入样本Xn包含R个行车特征参数、R个操作特征参数和R个面部信息特征参数，记为为第n组输入样本的第s个输入样本，Un为第n组输入样本Xn的期望输出结果，1≤n≤N；步骤4.3、令n为训练次数，并初始化n＝1；将第n组输入样本Xn作为第n次训练的输入样本；步骤4.4、利用式(2)得到第n次训练的第i个优化层节点的预转化值y′in：式(2)中，为第n次训练的第i个优化层节点的优化偏置项，ωi为第n次训练的第i...

【专利技术属性】
技术研发人员：王跃飞，王文康，李洋，黄飞，潘斌，刘白隽，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽,34