一种驾驶评估方法及其系统技术方案

本发明专利技术公开了一种驾驶评估方法及其系统，该方法包括以下步骤：在VR驾驶环境下采集眼动数据和驾驶数据，利用眼动数据建立驾驶疲劳分析模型，利用眼动数据和驾驶数据建立驾驶分心分析模型、车辆驾驶分析模型和驾驶视觉分散分析模型，结合驾驶疲劳分析模型、驾驶分心分析模型、车辆驾驶分析模型和驾驶视觉分散分析模型，形成集驾驶视觉分散、驾驶分心、驾驶疲劳分析、车辆驾驶分析一体的驾驶评估，通过采用加权SVR，针对不同的驾驶员训练适宜的分析模型，对驾驶集视觉分散程度、注意力分散程度、疲劳程度、驾驶稳定程度分析结果进行量化，最后通过模糊综合评价法对驾驶安全进行评分。本发明专利技术从多方面对驾驶员驾驶状况进行分析，具有较高的分析准确性。的分析准确性。的分析准确性。

【技术实现步骤摘要】
一种驾驶评估方法及其系统


[0001]本专利技术涉及虚拟现实汽车驾驶
，具体涉及一种驾驶评估方法及其系统。

技术介绍

[0002]近年来我国汽车保有量不断激增,道路交通安全问题已成为严重的社会问题，其中，疲劳驾驶、分心驾驶是导致交通事故以及重大交通死亡事故的重要原因。据统计，我国2019年交通事故发生数量为24.8万起，直接造成财产损失13.46亿元，其中约20％的交通事故是由疲劳导致的，接近80％的交通事故是因驾驶分心导致的。可见，减少疲劳驾驶、分心驾驶对降低交通事故发生率、减少交通事故损失具有重大的意义，为尽早地发现驾驶人疲劳驾驶、分心驾驶，并及时给予提醒，防止悲剧的发生，唯有发展先进、有效的驾驶安全检测技术。
[0003]目前国内主流的疲劳状态检测指标主要有脑电信号指标、心电信号指标、驾驶行为指标和眼动指标。对于脑电信号指标和心电信号指标的收集，是通过侵入式的监测仪器，实时监测驾驶员的生理信号(如脑电图EEG、心电图ECG等)变化，通过分析生理状态的变化，进而获取驾驶员的驾驶状态，但在实际驾驶中，监测设备可能会引起驾驶员的不本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种驾驶评估方法，其特征在于，包括以下步骤：数据采集步骤：采集用户在当前驾驶行为中的第一眼动数据和驾驶数据，所述第一眼动数据包括时间标签、眼睛睁闭状态、瞳孔直径、视线落点、数据有效性标签，所述驾驶数据包括方向盘转角、转角速度、制动踏板幅度、油门踏板幅度、车速、车辆加速度；数据预处理步骤：根据数据有效性标签进行筛选第一眼动数据，当数据有效性标签为无效标识时，剔除数据，否则保留数据；对剔除数据后的第一眼动数据通过线性插值补全，对补全后的第一眼动数据进行滑动平均滤波处理得到第二眼动数据；基于第二眼动数据通过线性插值、滑动平均滤波、低通滤波、算术运算进行计算闭眼时间占比、瞳孔平均直径、单次眨眼时间、注视时间占比、眨眼频率、凝视时间比例、注视点的水平位置、扫视速度、横向位移；驾驶疲劳预测步骤：将闭眼时间占比、瞳孔平均直径、单次眨眼时间、注视时间占比作为第一输入特征向量，将所述第一输入特征向量输入至驾驶疲劳分析模型进行预测困倦程度，基于困倦程度与多组预设困倦阈值范围进行分类得到输出的疲劳程度；所述驾驶疲劳分析模型为使用多组第一训练数据通过机器学习训练得出，多组第一训练数据中的每组数据包括第一输入特征向量和标识该第一输入特征向量所对应的困倦程度标签，所述驾驶疲劳分析模型为通过引入加权高斯核函数建立SVR回归模型并通过机器学习训练找到回归超平面后得到；所述多组第一训练数据为基于VR驾驶环境下采集得到。2.根据权利要求1所述的驾驶评估方法，其特征在于，所述驾驶疲劳分析模型具体采用以下步骤进行训练得到：VR驾驶环境搭建步骤：利用VR头戴式装置和驾驶装置搭建虚拟驾驶环境；VR驾驶时数据采集步骤：采集用户在当前驾驶行为中的第三眼动数据，所述第三眼动数据包括时间标签、眼睛睁闭状态、瞳孔直径、视线落点、数据有效性标签；VR驾驶时数据预处理步骤：根据数据有效性标签进行筛选第三眼动数据，当数据有效性标签为无效标识时，剔除数据，否则保留数据；对剔除数据后的第三眼动数据通过线性插值补全，对补全后的第三眼动数据进行滑动平均滤波处理得到第四眼动数据；基于第四眼动数据通过线性插值、滑动平均滤波、低通滤波、算术运算进行计算闭眼时间占比、瞳孔平均直径、单次眨眼时间、注视时间占比；驾驶疲劳分析模型训练步骤：将闭眼时间占比、瞳孔平均直径、单次眨眼时间、注视时间占比作为第一输入特征向量，以标识对应第一输入特征向量的困倦程度作为标签，从而形成多组第一训练样本，将第一训练样本划分为第一训练集和第一测试集；对多组第一训练样本进行期望信息分类得到原始眼动特征信息，将多组第一训练样本分割为多个第一训练样本块并对每个第一训练样本块按时间点进行期望信息分类得到新
眼动特征信息；计算眼动特征信息增益，具体为原始眼动特征信息与新眼动特征信息相减后差值的平方根，所述眼动特征信息增益用于表示对应眼动特征对分类的贡献程度；基于眼动特征信息增益的眼动特征加权矩阵:其中，InfoGain(A
i
)表示第i个眼动特征A
i
的眼动特征信息增益权重值；引入加权高斯核函数建立并训练加权支持SVR模型，具体为：引入加权高斯核函数设置眼动特征的加权核函数，建立困倦程度的回归超平面方程，基于第一训练集对加权支持SVR模型进行训练以对超平面分类，基于第一测试集对加权支持SVR模型进行测试，当测试分类准确率达到预设准确度阈值时，停止模型训练，将加权支持SVR模型作为驾驶疲劳分析模型，否则继续训练模型。3.根据权利要求2所述的驾驶评估方法，其特征在于，所述眼动特征的加权核函数具体为：K
P
(x
i
,x
j
)＝exp(
‑
γ||x
i
P
‑
x
j
P||2)＝exp(
‑
γ((x
i
P
‑
x
j
P)P
‑
P
T
(x
i
P
‑
x
j
P)
T
)),γ＞0式中K
P
(x
i
,x
j
)为眼动特征的加权核函数，x
i
为第i个眼动特征，x
j
为第j个眼动特征，P为眼动特征加权矩阵，P
T
为眼动特征加权矩阵的转置形式，γ为支持向量的宽度。4.根据权利要求2所述的驾驶评估方法，其特征在于，所述困倦程度的回归超平面方程表示为：式中f(x)为困倦程度的回归超平面方程，y
i
为第i个样本对应的困倦程度标签值，为第i个样本输入，ω为期望输出回归超平面，b为超平面系数。5.根据权利要求1所述的驾驶评估方法，其特征在于，还包括驾驶视觉分散预测步骤：基于第二眼动数据中的视线落点计算垂直和水平方向的视角标准差，将垂直和水平方向的视角标准差作为视觉分散程度，驾驶视觉分散分析模型基于视觉分散程度进行评价搜索广度；所述驾驶视觉分散分析模型用于预测行车过程中驾驶的视角分布的离散程度。6.根据权利要求5所述的驾驶评估方法，其特征在于，还包括驾驶分心预测步骤：对眨眼频率、凝视时间比例、瞳孔平均直径、注视点的水平位置、扫视速度、横向位移、方向盘转角、车速、车辆加速度采用min
‑
max归一法进行归一化，分别计算均值、标准差，采用SVM
‑
RFE对指标特征进行重要度排序，选取第一预设数量的指标特征作为第二输入特征向量；将所述第二输入特征向量输入至驾驶分心分析模型进行预测注意力分散程度，所述驾驶分心分析模型为使用多组第二训练数据通过机器学习训练得出，多组第二训练数据中的每组数据包括第二输入特征向量和标识该第二输入特征向量所对应的注意力分散程度标
签；所述多组第二训练数据为基于VR驾驶环境下采集得到；所述驾驶分心分析模型为通过机器学习训练得出，具体为：计算第二输入特征向量中的每个特征的信息增益，构造特征加权矩阵，构造特征加权核函数，使用加权SVR对模型进行训练。7.根据权利要求6所述的驾驶评估方法，其特征在于，所述驾驶分心分析模型具体采用以下步骤进行训练：VR驾驶环境搭建步骤：利用VR头戴式装置和驾驶装置搭建虚拟驾驶环境；VR驾驶时数据采集步骤：采集用户在当前驾驶行为中的第五眼动数据和驾驶数据，所述第五眼动数据包括时间标签、眼睛睁闭状态、瞳孔直径、视线落点、数据有效性标签；VR驾驶时数据预处理步骤：根据数据有效性标签进行筛选第五眼动数据，当数据有效性标签为无效标识时，剔除数据，否则保留数据；对剔除数据后的第五眼动数据通过线性插值补全，对补全后的第五眼...

【专利技术属性】
技术研发人员：马向东，闫勉，高畅，陈炳赞，郭柏淇，廖锦鸿，贾梦婷，贾宇擎，
申请(专利权)人：暨南大学，
类型：发明
国别省市：