一种基于D-S证据理论的疲劳驾驶检测方法技术

技术编号:29403404 阅读:57 留言:0更新日期:2021-07-23 22:41
本发明专利技术公开一种基于D‑S证据理论的疲劳驾驶检测方法。首先引入疲劳驾驶训练集,设置代价矩阵,引入训练集,选择不同的代价矩阵,由代价敏感极限学习机训练多个分类器,求得每个分类器最优参数,其次给定测试样本,采用训练集得到最优参数的代价敏感极限学习机,得到测试样本的预测结果,采用softmax函数将预测结果转换为概率向量,最后采用加权D‑S证据理论对基分类器进行融合,得到对疲劳驾驶测试样本鲁棒性好、准确度高的集成分类器。本发明专利技术一方面能够有效的应对类别不平衡的数据,另一方面能够提高分类器的鲁棒性和准确性。

【技术实现步骤摘要】
一种基于D-S证据理论的疲劳驾驶检测方法
本专利技术涉及一种基于D-S证据理论的疲劳驾驶检测方法,属于汽车安全驾驶领域。
技术介绍
近年来,疲劳驾驶成为汽车安全驾驶的严重威胁之一。疲劳驾驶会影响驾驶人的注意、感觉、知觉、思维、判断等诸方面,能够准确判断驾驶员是否疲劳显得越发重要,疲劳驾驶检测技术应运而生,疲劳驾驶检测技术成为汽车安全驾驶的重要保障之一。传统的接触式疲劳驾驶检测方法虽然检测准确率高,但是会影响驾驶员的活动,不利于汽车安全驾驶。非接触式疲劳驾驶检测方法通过记录心率、呼吸、眼睛变化、坐姿变化等,可以达到相应目的。对于相应的心率、呼吸等数据,能够准确判断是否疲劳显得越来越重要。将一个清醒的驾驶员误判为疲劳的驾驶员的代价远远小于将一个疲劳驾驶员误判为清醒的。采用代价敏感分类器,即对于清醒状态错判为疲劳状态、疲劳状态错判为清醒状态,分别设置不同的代价值,能够提高判断准确率。采用代价敏感极限学习机能够较好的应用于疲劳驾驶检测问题。但是,不同的代价矩阵对应的分类器准确度有高有低,采用加权D-S证据理论可以融合多个分类器,得到一个鲁棒性好,准确度高的疲劳驾驶集成分类器。
技术实现思路
本专利技术为了得到一种鲁棒性好,准确度高的疲劳驾驶检测方法,提出一种基于D-S证据理论的疲劳驾驶检测方法。通过融合多个基分类器,得到性能较好的集成分类器,用于疲劳驾驶检测。本专利技术公开一种基于D-S证据理论的疲劳驾驶检测方法。首先引入疲劳驾驶训练集,设置不同代价矩阵,得到每个代价敏感极限学习机的最优参数。引入测试集,采用训练好的代价敏感极限学习机得到测试的预测结果,采用softmax函数将每个代价敏感极限学习机的预测结果转换为概率矩阵,最后采用加权D-S证据理论对基分类器进行融合,得到对疲劳驾驶测试样本鲁棒性好、准确度高的集成分类器。一种基于加权D-S证据理论的疲劳驾驶检测方法,包括如下步骤:步骤一:数据采集;步骤二:设置不同的代价矩阵;步骤三:引入训练集,选择不同的代价矩阵,由代价敏感极限学习机训练多个分类器,求得每个分类器最优参数;步骤四:给定测试样本,采用步骤二得到最优参数的代价敏感极限学习机,得到测试样本的预测结果,采用softmax函数将预测结果转换为概率向量;步骤五:采用加权D-S证据理论对基分类器进行融合,得到对疲劳驾驶测试样本鲁棒性好、准确度高的集成分类器。本专利技术提出的方法利用加权D-S证据理论对多个代价敏感极限学习机进行融合得到一个集成分类器,对疲劳驾驶检测鲁棒性好,准确度高。附图说明图1为本专利技术具体实施流程图;具体实施方式结合说明书附图进一步阐明本专利技术,应理解这些实施案例仅用于说明本专利技术而不用于限制本专利技术的范围,在阅读了本专利技术之后,本领域技术人员对本专利技术的各种等价形式的修改均落于申请所附权利要求所限定的范围。如图1所示,本专利技术的实施主要包含五个步骤:(1)数据采集;(2)设置不同的代价矩阵;(3)引入训练集,选择不同的代价矩阵,由代价敏感极限学习机训练多个分类器,求得每个分类器最优参数;(4)给定测试样本,采用步骤二得到最优参数的代价敏感极限学习机,得到测试样本的预测结果,采用softmax函数将预测结果转换为概率向量;(5)采用加权D-S证据理论对基分类器进行融合,得到对疲劳驾驶测试样本鲁棒性好、准确度高的集成分类器。步骤一:数据采集通过雷达生理信号采集获取生理信号,从中提取心跳周期、呼吸周期及呼吸幅值三个特征;通过相机面部信息采集面部信息获取样本标签,得到疲劳驾驶数据集;将数据集分为测试集、训练集和验证集;步骤二:设置不同的代价矩阵;012300COICOICOI1cIO0CIICII2CIOCII0CII3CIOCIICII0表1代价矩阵表1为代价矩阵,其中:1、清醒状态:0;2、一级疲劳状态:1;3、二级疲劳状态:2;4、三级疲劳状态:3;CIO、COI、CII为代价值:1.疲劳状态判断为清醒状态:CIO;2.清醒状态判断为疲劳状态:COI;3.不同等级疲劳状态判断错误:CII.设CII=1,CIO/CII=2,COI/CII={0.02,0.1,0.2,0.3,0.4,0.5},得到不同的代价矩阵。步骤三:引入训练集,选择不同的代价矩阵,由代价敏感极限学习机训练多个分类器,求得每个分类器最优参数;代价敏感极限学习机的目标函数为:s.t.h(xi)β=ti-εi,i=1,2,...,N(1)其中,对于样本xi,ti表示真实标签向量,εi表示误差向量;B是代价信息向量,C表示惩罚因子,β表示隐含层到输出层的权值,N表示样本总数;Bi=∑j(WN×N·MN×N)ij(2)WN×N是为每个训练样本分配的权重对角矩阵,MN×N表示代价权重;其中,#Class表示训练集样本中类别为c的个数,Wcc表示权重对角矩阵中的元素;Mij表示将第i个样本误分为第j个样本的代价损失,其值由第i个样本和第j个样本所属的类别和代价矩阵决定;由于B是固定的,所以代价敏感极限学习机的目标函数是一个凸优化问题,引入拉格朗日算子αi,得到:上式分别对β,εi,αi求导并令其导数值为0得:β=HTα(5)αi=C·diag(B)·εi,i=1,...,N(6)h(xi)β=ti-εi(7)其中αi为α中的元素,H表示隐含层的输出矩阵;由此可得,当N<L时,表示目标函数的最优解;当N≥L时,其中,L为隐含层节点数;h·)为激活函数;步骤四:给定测试样本,采用步骤二得到最优参数的代价敏感极限学习机,得到测试样本的预测结果,采用softmax函数将预测结果转换为概率向量;其中,y是预测结果向量;y=[ytest1,…,ytestc](12)采用softmax函数将预测结果向量转为概率向量:p(ωk|xtest)表示测试样本xtest属于类别ωk的概率;步骤五:采用加权D-S证据理论对基分类器进行融合,得到对疲劳驾驶测试样本鲁棒性好、准确度高的集成分类器。对于识别框架θ上的有限个mass函数m1,m2,...,mn的D-S合成规则为:其中,另一种形式,为了解决冲突问题,对D-S证据理论进行改进,得到加权D-S证据理论。假本文档来自技高网...

【技术保护点】
1.一种基于D-S证据理论的疲劳驾驶检测方法,其特征在于,该方法具体包括以下步骤:/n步骤一:数据采集/n通过雷达生理信号采集获取生理信号,从中提取心跳周期、呼吸周期及呼吸幅值三个特征;通过相机面部信息采集面部信息获取样本标签,得到疲劳驾驶数据集;将数据集分为测试集、训练集和验证集;/n步骤二:设置不同的代价矩阵;/n

【技术特征摘要】
1.一种基于D-S证据理论的疲劳驾驶检测方法,其特征在于,该方法具体包括以下步骤:
步骤一:数据采集
通过雷达生理信号采集获取生理信号,从中提取心跳周期、呼吸周期及呼吸幅值三个特征;通过相机面部信息采集面部信息获取样本标签,得到疲劳驾驶数据集;将数据集分为测试集、训练集和验证集;
步骤二:设置不同的代价矩阵;












0
1
2
3


0
0
COI
COI
COI


1
CIO
0
CII
CII


2
CIO
CII
0
CII


3
CIO
CII
CII
0






表1
表1为代价矩阵,其中:
1、清醒状态:0;
2、一级疲劳状态:1;
3、二级疲劳状态:2;
4、三级疲劳状态:3;
CIO、CoI、CII为代价值:
1.疲劳状态判断为清醒状态:CIO;
2.清醒状态判断为疲劳状态:COI;
3.不同等级疲劳状态判断错误:CII.
设CII=1,CIO/CII=2,COI/CII={0.02,0.1,0.2,0.3,0.4,0.5},得到不同的代价矩阵;
步骤三:引入训练集,选择不同的代价矩阵,由代价敏感极限学习机训练多个分类器,求得每个分类器最优参数;
代价敏感极限学习机的目标函数为:



s.t.h(xi)β=ti-εi,i=1,2,...,N(1)
其中,对于样本xi,ti表示真实标签向量,εi表示误差向量;B是代价信息向量,C表示惩罚因子,β表示隐含层到输出层的权值,N表示样本总数;
Bi=∑j(WN×N·MN×N)ij(2)
WN×N是为每个训练样本分配的权重对角矩阵,MN×N表示代价权重;



其中,#Class表示训练集样本中类别为c的个数,Wcc表示权重对角矩阵中的元素;
Mij表示将第i个样本误分为第j个样本的代价损失,其值由第i个样本和第j个样本所属的类别和代价矩阵决定;
由于B是固定的,所以代价敏感极限学习机的目标函数是一个凸优化问题,引入拉格朗日算子αi,得到:



上式分别对β,εi,αi求导并令其导数值为0得:
β=HTα(5)
αi=C·diag(B)·εi,i=1,.....

【专利技术属性】
技术研发人员:孟明张肖辉甘海涛庄栋杨策丞
申请(专利权)人:杭州电子科技大学
类型:发明
国别省市:浙江;33

网友询问留言 已有0条评论
  • 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。

1