一种基于兴奋分析的车辆驾驶参数控制方法及系统技术方案

本发明专利技术属于驾驶人情绪识别技术和道路车辆驾驶系统控制技术领域，尤其涉及一种基于兴奋分析的车辆驾驶参数控制方法及系统，包括图像采集模块、图像预处理模块、兴奋识别与分析模块、油门控制模块、制动控制模块、方向盘控制模块和主控模块，通过获取驾驶人面部原始图像构建初始样本数据集；对初始样本数据集进行预处理；通过对预处理后增强图像的输入构建CNN

【技术实现步骤摘要】
一种基于兴奋分析的车辆驾驶参数控制方法及系统


[0001]本专利技术属于驾驶人情绪识别技术和道路车辆驾驶系统控制
，尤其涉及一种基于兴奋分析的车辆驾驶参数控制方法及系统。

技术介绍

[0002]近年来，我国智能驾驶发展迅速，车辆控制系统能考虑多种交通安全影响因素以调整驾驶参数。例如中国专利CN 109859465 B公开了一种基于交通流特性的自动驾驶纵向控制参数调整系统，利用交通流信息采集模块提取道路交通流参数并上传到交通云平台，云平台依据车辆当前所处路况实现相应的驱动与制动控制策略。中国专利CN 110568758 B公开了一种自动驾驶汽车的参数自适应横向运动LQR控制方法，通过实时采集车辆信息、车辆状态信息以及目标路径信息，按制定的基于路径跟踪误差和车
‑
路位置关系的LQR控制参数调整策略确定当前状态下的控制器参数。
[0003]但现阶段大多车辆控制系统都是基于车辆和外部环境信息来控制车辆运行防控事故风险，根据驾驶人兴奋情绪变化调整车辆驾驶参数的方法及系统却没有。外文文献《The effects of positive emotion priming on self
‑
reported reckless driving》一文中的研究成果表明，兴奋情绪比中性情绪更容易导致驾驶人的鲁莽驾驶，进而导致事故的发生。
[0004]目前，有一些探讨情绪的获取与分类的研究，但是没有关于兴奋情绪获取与识别技术的研究。例如中国专利CN 114504331 A中提出了一种融合卷积神经网络与长短期记忆网络对情绪进行识别与分类的方法，通过对脑电信号的收集与处理，构建情绪分类模型。现有研究只关注了瞬时的情绪状态，但兴奋情绪具有累加增强特性，不同程度兴奋情绪下的驾驶参数稳定性及驾驶安全系数不同，因此需要对兴奋情绪进行等级划分；更没有进一步将兴奋情绪监测结果应用到车辆驾驶参数调整系统上的相关研究。
[0005]因此，在国家重点研发计划项目《营运车船驾驶人员适岗状态智能监测预警技术及示范》（2021YFC3001500）的支撑下，本专利技术提出一种基于驾驶人兴奋情绪状态分析控制车辆驾驶参数的方法及系统，以填补国内空白，并为后续相关研究做铺垫。

技术实现思路

[0006]为解决
技术介绍
中存在的问题，本专利技术的第一个目的是提供一种基于兴奋分析的车辆驾驶参数控制方法，本专利技术的技术方案如下：一种基于兴奋分析的车辆驾驶参数控制方法，包括以下步骤：步骤S1：获取驾驶人面部的原始图像，构建初始样本数据集；步骤S2：对初始样本数据集进行预处理，即分别对原始图像数据进行归一化处理和增强处理；步骤S3：通过对预处理后增强图像的输入构建CNN
‑
LSTM模型，以输出兴奋情绪累加分值；
步骤S4：通过对预处理后增强图像的学习训练CNN
‑
LSTM模型，并制定兴奋情绪的干扰区间；步骤S5：根据实时更新的兴奋情绪所处的干扰区间，匹配相应的调整车辆驾驶参数的方案，调用相应的车辆控制模块调整驾驶车辆。
[0007]作为本专利技术的优选，步骤S2中，原始图像数据归一化处理的表达式为：x
*
=式中为原始图像数据；原始图像数据的均值；为原始图像数据的标准差。
[0008]作为本专利技术的优选，步骤S2中，原始图像数据的增强处理包括以下步骤：步骤A1：采用误差扩散颜色抖动的方法实现用较低的颜色位深度来获取更为丰富的视觉效果，将当前的像素误差以一定权重分配到邻近像素，使得相邻的像素点集合整体的误差变小；步骤A2：采用随机裁剪的方法对原始图像中的特征区域进行裁剪步骤A21：为解决后续由于裁剪区过大引起混入非特征信息的问题，首先对原始图像中反应驾驶人兴奋情绪特征的区域进行检测，特征区检测表达式为：T
vp
=f(T
p
)式中T
vp
∈R
W
×
H
表示为输入原始图像的特征区，f(
·
)表示特征区检测算法；所述特征区检测性算法f(
·
)最优解用矩阵表示为：f(
·
)=（I
‑
αS）
‑1y（2）式中：I表示单位矩阵，α=；S表示归一化的拉普拉斯矩阵，且有S=D
‑
0.5
WD
‑
0.5
，其中D为单位矩阵，W为相似度矩阵；步骤A22：在检测到的特征区中找到强度值最大的像素点的中心点坐标，其中x
max
(i)、y
max
(j)表示具有强度值最大像素点的轴、轴坐标；步骤A23：在获得中心点坐标后，生成裁剪区边界，初始生成裁剪区的宽度与高度分别为：r
w
=Wr
h
=H式中W为输入原始图像的宽度；H为输入原始图像的高度；λ为从均匀分布（0,1）中随机采样；步骤A24：为了改善裁剪区过大混入过多非特征信息，使得卷积神经网络识别特征计算量变大这一问题，加入一个缩放因子ρ，适当缩小裁剪边界，其表达式为：ρ=1
‑
μ2式中ρ为缩放因子；μ为裁剪区面积比率，；
步骤A25：对初始生成裁剪区的宽度与高度进行调整，得到最终的裁剪区宽度与高度分别为：r
w1
= ρWr
h1 =ρH；步骤A3：按照最终的裁剪区宽度与高度对原始图像进行裁剪，得到最终图像；步骤A4：将裁剪得到的最终图像放大到与原始图像大小一致，并与经归一化处理的图像一起输入到卷积神经网络中，获得增强图像。
[0009]作为本专利技术的优选，步骤S3中，构建CNN
‑
LSTM模型的方法包括以下步骤：步骤B1：向卷积神经网络输入RGB三通道的像素为3
×
224
×
224的经过预处理后的增强图像，在输入图像边缘添加4行填充，此时输入变成具有3
×
228
×
228个像素点的图像；步骤B2：为了高效计算，设置垂直步幅s
h
、水平步幅s
w
，各层输入通道数为c
i
，输出通道为c
o
，卷积核的形状为c
o
×
c
i
×
k
h
×
k
w
，网络模型结构包括4个卷积层，4个最大池化层和1个全连接层，具体为：步骤B21：第一个卷积层有64个大小为3
×8×
8的卷积核，步长为4，输出图像的像素为56
×
56
×
64，经过池化核为2
×
2，步长为2的最大池化层，输出图像的像素为28
×
28
×
64；接下来经过128个大小为64
×5×
5的卷积核，步长为1的卷积层，输出图像的像素为24
×
24
×
128，然后经过池化核为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于兴奋分析的车辆驾驶参数控制方法，其特征在于，包括以下步骤：步骤S1：获取驾驶人面部的原始图像，构建初始样本数据集；步骤S2：对初始样本数据集进行预处理，即分别对原始图像数据进行归一化处理和增强处理；步骤S3：通过对预处理后增强图像的输入构建CNN
‑
LSTM模型，以输出兴奋情绪累加分值；步骤S4：通过对预处理后增强图像的学习训练CNN
‑
LSTM模型，并制定兴奋情绪的干扰区间；步骤S5：根据实时更新的兴奋情绪所处的干扰区间，匹配相应的调整车辆驾驶参数的方案，调用相应的车辆控制模块调整驾驶车辆。2.根据权利要求1所述的一种基于兴奋分析的车辆驾驶参数控制方法，其特征在于：步骤S2中，原始图像数据归一化处理的表达式为：x
*
=式中为原始图像数据；原始图像数据的均值；为原始图像数据的标准差。3.根据权利要求2所述的一种基于兴奋分析的车辆驾驶参数控制方法，其特征在于，步骤S2中，原始图像数据的增强处理包括以下步骤：步骤A1：采用误差扩散颜色抖动的方法实现用较低的颜色位深度来获取更为丰富的视觉效果，将当前的像素误差以一定权重分配到邻近像素，使得相邻的像素点集合整体的误差变小；步骤A2：采用随机裁剪的方法对原始图像中的特征区域进行裁剪步骤A21：为解决后续由于裁剪区过大引起混入非特征信息的问题，首先对原始图像中反应驾驶人兴奋情绪特征的区域进行检测，特征区检测表达式为：T
vp
=f(T
p
)式中T
vp
∈R
W
×
H
表示为输入原始图像的特征区，f(
·
)表示特征区检测算法；所述特征区检测性算法f(
·
)最优解用矩阵表示为：f(
·
)=（I
‑
αS）
‑1y（2）式中：I表示单位矩阵，α=；S表示归一化的拉普拉斯矩阵，且有S=D
‑
0.5
WD
‑
0.5
，其中D为单位矩阵，W为相似度矩阵；步骤A22：在检测到的特征区中找到强度值最大的像素点的中心点坐标，其中x
max
(i)、y
max
(j)表示具有强度值最大像素点的轴、轴坐标；步骤A23：在获得中心点坐标后，生成裁剪区边界，初始生成裁剪区的宽度与高度分别为：r
w
=W
r
h
=H式中W为输入原始图像的宽度；H为输入原始图像的高度；λ为从均匀分布（0,1）中随机采样；步骤A24：为了改善裁剪区过大混入过多非特征信息，使得卷积神经网络识别特征计算量变大这一问题，加入一个缩放因子ρ，适当缩小裁剪边界，其表达式为：ρ= 1
‑
μ2式中ρ为缩放因子；μ为裁剪区面积比率，；步骤A25：对初始生成裁剪区的宽度与高度进行调整，得到最终的裁剪区宽度与高度分别为：r
w1
= ρWr
h1 =ρH；步骤A3：按照最终的裁剪区宽度与高度对原始图像进行裁剪，得到最终图像；步骤A4：将裁剪得到的最终图像放大到与原始图像大小一致，并与经归一化处理的图像一起输入到卷积神经网络中，获得增强图像。4.根据权利要求3所述的一种基于兴奋分析的车辆驾驶参数控制方法，其特征在于，步骤S3中，构建CNN
‑
LSTM模型的方法包括以下步骤：步骤B1：向卷积神经网络输入RGB三通道的像素为3
×
224
×
224的经过预处理后的增强图像，在输入图像边缘添加4行填充，此时输入变成具有3
×
228
×
228个像素点的图像；步骤B2：为了高效计算，设置垂直步幅s
h
、水平步幅s
w
，各层输入通道数为c
i
，输出通道为c
o
，卷积核的形状为c
o
×
c
i
×
k
h
×
k
w
，网络模型结构包括4个卷积层，4个最大池化层和1个全连接层，具体为：步骤B21：第一个卷积层有64个大小为3
×8×
8的卷积核，步长为4，输出图像的像素为56
×
56
×
64，经过池化核为2
×
2，步长为2的最大池化层，输出图像的像素为28
×
28
×
64；接下来经过128个大小为64
×5×
5的卷积核，步长为1的卷积层，输出图像的像素为24
×
24
×
128，然后经过池化核为3
×
3，步长为3的最大池化层，输出...

【专利技术属性】
技术研发人员：丁同强，佟强，孙健，王汝鑫，席建锋，郑黎黎，张连欣，刘梓伟，李铸鹏，董龙威，袁蕾，张克鑫，李敏，冯婷，
申请(专利权)人：吉林大学，
类型：发明
国别省市：