一种基于模型长短时记忆神经网络LSTM-NN检测驾驶人驾驶分心的方法技术

本发明专利技术公开了一种基于模型长短时记忆神经网络LSTM

【技术实现步骤摘要】
一种基于模型长短时记忆神经网络LSTM
‑
NN检测驾驶人驾驶分心的方法


[0001]本专利技术涉及驾驶人注意力检测和主动安全
，特别是设计一种基于LSTM
‑
NN检测驾驶人驾驶分心的方法。

技术介绍

[0002]在驾驶人、机动车和道路组成的人
‑
车
‑
路闭环系统中，机动车驾驶人是其中的薄弱环节。据统计，美国和日本道路交通事故中驾驶人因素所占的比例均在90％以上，而中国也超过了80％。驾驶车辆是一个复杂的过程，主要包括环境感知、决策和执行等多个环节，在此期间难免发生分心失误、判断错误等突发异常，导致行车风险。其中，由于驾驶员主动参与次任务，分心驾驶导致交通事故占27％
‑
35％。分心驾驶本质上是驾驶人注意力的短暂转移，驾驶人的注意力部分从驾驶主任务转移到了与驾驶无关的事情上，例如，与乘客聊天、抽烟和调整车内设施等。分心状态下驾驶人的安全驾驶意识下降，容易造成交通事故。因此，快速准确的检测驾驶人注意力的状态，在其分心时进行及时提醒，对保护驾驶人的生命财产安全，保障道路顺畅具有重要的研究意义。
[0003]为避免驾驶员分心驾驶，许多国家和地区颁布了相关的法律法规和处理办法。例如，在英国开车时打电话最高可判入狱2年，如因发短信造成致死车祸，肇事司机面临最高14年的监禁；在美国驾驶人开车时打电话、操作GPS导航、发送接收短信电子邮件被定义为危害公共安全罪，每次罚款120美元。在我国，根据相应法规：驾驶机动车不得有下列行为，拨打接听手持电话的行为，违者罚款200，扣2分。可以说，在法律层面上，分心驾驶也是被禁止的。尽管如此，分心驾驶的监管还是较为不足，一方面是分心驾驶时间短，表现状态各异。另一方面是车载地图、娱乐系统等的大力发展对驾驶人注意力的需求不断上升，伴随着这类需求的增长，分心驾驶已经成为了当前道路安全上的严重威胁。
[0004]驾驶员注意力监测系统(Driving Monitoring System,DMS)是先进辅助驾驶系统(Advance Driving Asistance System,ADAS)中的一块内容，这类系统通过摄像头捕捉驾驶人面部图像，采集车辆状态和操作数据等对驾驶人的注意力异常进行监测。如瑞典萨博驾驶人注意力监测系统和融合了驾驶人注意力信息的日本丰田驾驶辅助系统。目前针对驾驶人注意力多是通过驾驶人眼动信息、车辆状态信息等进行检测。至于驾驶人的心率、脑电、皮电等信息，则由于采集设备的庞大、笨重且昂贵，难以大规模在车辆上安装，因此应用并不广泛，偶尔的应用也是在实验室用来验证数据准确性。
[0005]基于车辆状态信息则由于成本低，数据来源简单可靠，应用较为普遍。例如德国梅赛德斯
‑
奔驰公司(Mercedes
‑
Benz)开发的驾驶员注意力辅助系统，该系统主要使用的操作信号为转向盘角度，并融合了踏板信号、车辆速度、纵向加速度等信号。除此之外，系统还将连续驾驶时间、车辆外部环境和车载信息系统(In
‑
Vehicle Information System,IVIS)使用情况等信息综合起来，综合评价驾驶员注意力状态。
[0006]随着智能交通系统(Intelligent Transportation System,ITS)的发展，驾驶员
能够取得并利用的信息量越来越多且复杂。“人－辅助驾驶系统－车－路”各环节之间存在着复杂、频繁的信息交互。注意力监测研究的发展趋势是将道路场景信息、驾驶员眼动和操作信号、车辆状态信息综合考虑。然而，目前市场上的驾驶人注意力检测多针对于疲劳驾驶，这是一个长时间累积的过程，但驾驶分心时间短，特征多，类型复杂和结论一致性差。因此，快速识别驾驶人注意力状态，保障驾驶人的生命财产安全，具有一定的意义。

技术实现思路

[0007]本
技术实现思路
为一种基于LSTM
‑
NN检测驾驶人驾驶分心的方法，以实现对驾驶人注意力状态的快速识别。
[0008]为达到上述目的，本专利技术所采用的技术方案为：
[0009]一种基于模型长短时记忆神经网络LSTM
‑
NN检测驾驶人驾驶分心的方法，包括以下步骤：
[0010]步骤1，通过信号采集模块采集车辆的纵向与横向参数；其中，纵向采集参数为：纵向速度，纵向加速度，跟车距离，与前车相对速度；横向采集参数为：横向加速度，方向盘转角；
[0011]步骤2，数据处理模块主要由驾驶分心信号检测单元和驾驶分心行为判别单元两部分组成，通过驾驶分心信号检测单元对于信号采集单元采集到的各类指标数据进行预处理，包括数据标准化和差异化分析，若某类指标与驾驶分心之间存在显著性差异，则把该指标作为判别驾驶分心的指标之一并传输至驾驶分心行为判别单元，由驾驶分心行为判别单元对传输过来的多类指标进行分析判断，得出驾驶员注意力状态并将结果传送到分心预警模块；
[0012]步骤3，分心预警模块根据驾驶分心的行为特征，通过内置单片机来确定是否接通该条支路，进行提示驾驶人注意力状态。
[0013]进一步，信号采集模块包括毫米波雷达、三轴加速仪、GPS定位系统和高清摄像头四部分。
[0014]进一步，所述毫米波雷达采集试验车辆两侧车道、当前车道前车之间的车距及相对速度，测量范围为车辆前方横向40m，纵向150m内区域，数据采集频率10Hz；三轴加速仪采集车辆三个方面的横向、纵向加减速度、方位角信息，用于确定车辆运动状态，数据采集频率10Hz；GPS定位系统提供车辆定位信息、数据采集频率1Hz；4个高清摄像头拍摄车辆前视、后视、驾驶人面部、手部的驾驶行为。
[0015]进一步，所述步骤2的具体过程为：
[0016]步骤2.1：通过驾驶分心信号检测单元对于信号采集单元采集到的各类指标数据进行预处理，使用Min
‑
max归一化方法来减少不同尺度特征之间的差异；
[0017][0018]其中，x
i
为第i个x指标的值，x
min
为x指标的最小值，x
max
为x指标的最大值，x
i
*为数据x
i
标准化之后的值；
[0019]步骤2.2：使用皮尔逊相关系数法检验特征间的线性相关性，并删除相关系数绝对值大于0.8的特征：
[0020][0021]其中，X
i
为指标X的第i个值，为指标X的均值，Y
i
为指标Y的第i个值，为指标Y的均值，i＝1，2，
…
，n，r为指标X与指标Y的相关系数；
[0022]对于剩余特征，通过梯度提升决策树
‑
递归特征消除算法GBDT
‑
RFE进行分析指标的重要性，得到指标的重要度排序，进而通过递归特征消除RFE方法遍历选择重要度高的特征；其中梯度提升决策树GBDT采用Boosting算法，能根据基学习器的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于模型长短时记忆神经网络LSTM
‑
NN检测驾驶人驾驶分心的方法，其特征在于：包括以下步骤：步骤1，通过信号采集模块采集车辆的纵向与横向参数；其中，纵向采集参数为：纵向速度，纵向加速度，跟车距离，与前车相对速度；横向采集参数为：横向加速度，方向盘转角；步骤2，数据处理模块主要由驾驶分心信号检测单元和驾驶分心行为判别单元两部分组成，通过驾驶分心信号检测单元对于信号采集单元采集到的各类指标数据进行预处理，包括数据标准化和差异化分析，若某类指标与驾驶分心之间存在显著性差异，则把该指标作为判别驾驶分心的指标之一并传输至驾驶分心行为判别单元，由驾驶分心行为判别单元对传输过来的多类指标进行分析判断，得出驾驶员注意力状态并将结果传送到分心预警模块；步骤3，分心预警模块根据驾驶分心的行为特征，通过内置单片机来确定是否接通该条支路，进行提示驾驶人注意力状态。2.根据权利要求1所述的一种基于模型长短时记忆神经网络LSTM
‑
NN检测驾驶人驾驶分心的方法，其特征在于：信号采集模块包括毫米波雷达、三轴加速仪、GPS定位系统和高清摄像头四部分。3.根据权利要求2所述的一种基于模型长短时记忆神经网络LSTM
‑
NN检测驾驶人驾驶分心的方法，其特征在于：所述毫米波雷达采集试验车辆两侧车道、当前车道前车之间的车距及相对速度，测量范围为车辆前方横向40m，纵向150m内区域，数据采集频率10Hz；三轴加速仪采集车辆三个方面的横向、纵向加减速度、方位角信息，用于确定车辆运动状态，数据采集频率10Hz；GPS定位系统提供车辆定位信息、数据采集频率1Hz；4个高清摄像头拍摄车辆前视、后视、驾驶人面部、手部的驾驶行为。4.根据权利要求1所述的一种基于模型长短时记忆神经网络LSTM
‑
NN检测驾驶人驾驶分心的方法，其特征在于：所述步骤2的具体过程为：步骤2.1：通过驾驶分心信号检测单元对于信号采集单元采集到的各类指标数据进行预处理，使用Min
‑
max归一化方法来减少不同尺度特征之间的差异；其中，x
i
为第i个x指标的值，x
min
为x指标的最小值，x
max
为x指标的最大值，x
i
*为数据x
i
标准化之后的值；步骤2.2：使用皮尔逊相关系数法检验特征间的线性相关性，并删除相关系数绝对值大于0.8的特征：其中，X
i
为指标X的第i个值，为指标X的均值，Y
i
为指标Y的第i个值，为指标Y的均值，i＝1，2，
…
，n，r为指标X与指标Y的相关系数；对于剩余特征，通过梯度提升决策树
‑
递归特征消除算法GBDT
‑
...

【专利技术属性】
技术研发人员：刘志强，彭满才，
申请(专利权)人：江苏大学，
类型：发明
国别省市：