機動車疲勞駕駛行為識別方法研究.pdf

1、疲勞駕駛是造成重大道路交通事故的重要原因之一。疲勞駕駛時駕駛員對車輛的操控能力下降導致其操控車輛的動作如轉(zhuǎn)向、檔位、油門等以及車輛的行駛狀態(tài)如車速、車輛在車道中的位置等發(fā)生變化，這些變化統(tǒng)稱為駕駛行為的變化。利用疲勞駕駛時駕駛行為的變化特征，可實現(xiàn)對駕駛疲勞狀態(tài)的實時檢測。通過駕駛模擬試驗分析研究了疲勞駕駛時的駕駛行為特征，并在這些特征的基礎(chǔ)上開展了疲勞駕駛的識別算法研究。
　　 首先，構(gòu)建了疲勞駕駛時的駕駛行為信息采集試驗系統(tǒng)

2、，并設(shè)計開展駕駛模擬器的校驗試驗，驗證了模擬試驗數(shù)據(jù)采集的有效性。在對疲勞駕駛時駕駛行為變化特征的分析及相關(guān)問卷調(diào)查的基礎(chǔ)上，開展疲勞駕駛時的駕駛行為采集試驗方法研究，包括試驗場景及道路設(shè)計、被試駕駛員招募、試驗過程與組織以及試驗數(shù)據(jù)采集等，并開展了14組模擬駕駛試驗。根據(jù)被試駕駛員的簡單反應時變化特征，將試驗過程中被試駕駛員狀態(tài)劃分為正常和疲勞兩種，截取了14名被試駕駛員在5個不同線形路段上各行駛7圈的駕駛行為數(shù)據(jù)，其中1～4圈為正常

3、狀態(tài)，5～7圈為疲勞駕駛狀態(tài)。
　　 其次，分析疲勞駕駛時被試駕駛員的縱向、橫向操作行為特征。采用時域數(shù)掘統(tǒng)計特征、傅里葉頻譜分析以及基于haar小波分解的時頻分析等方法分析了車速、加速度、轉(zhuǎn)向角和轉(zhuǎn)向加速度4項駕駛行為變化特征，發(fā)現(xiàn)疲勞駕駛時發(fā)生變化的駕駛行為指標有：①車速標準差；②加速度的絕對均值、標準差及極差；③加速度能量值；④加速度小波分解的cdl尺度上的歸一化能量；⑤加速度小波熵；⑥轉(zhuǎn)向角絕對均值和標準差；⑦轉(zhuǎn)向角能量

4、值；⑧轉(zhuǎn)向角小波分解的cdl和ca5尺度的歸一化能量；⑨轉(zhuǎn)向角小波熵；⑩轉(zhuǎn)向角速度絕對均值和標準差；[11]轉(zhuǎn)向角速度能量；[12]轉(zhuǎn)向角速度小波分析的cdl尺度歸一化能量，通過方差分析得到在不同道路線形上變化差異不顯著的7項指標作為疲勞駕駛識別的原始特征指標，它們是：轉(zhuǎn)向角小波分解的ca5尺度歸一化能量、轉(zhuǎn)向角小波熵、轉(zhuǎn)向角速度能量、轉(zhuǎn)向角速度標準差、車速標準差、加速度小波分解的cdl尺度歸一化能量和加速度熵。
　　 第三，采

5、用主成分分析方法實現(xiàn)了疲勞駕駛行為特征提取，并設(shè)計了針對特征主成分和不同特征向量組合的疲勞駕駛模糊聚類和神經(jīng)網(wǎng)絡(luò)算法，分析不同算法對疲勞駕駛的識別準確率發(fā)現(xiàn)：①基于PCA第一主成分的模糊聚類算法的識別效果好于其它特征組合的模糊聚類識別效果，識別準確率達到了80％以上；②BP神經(jīng)網(wǎng)絡(luò)的識別效果在所有算法中最好，但由于算法收斂速度慢且訓練過程中時有未收斂情況發(fā)生，所以不適合疲勞駕駛的實時檢測要求；③RBF神經(jīng)網(wǎng)絡(luò)的收斂速度較快，但網(wǎng)絡(luò)輸出誤

6、差大，模式分類效果差，識別準確率僅為70％左右，而引入競爭單元的概率神經(jīng)網(wǎng)絡(luò)(PNN)有效彌補了RBF模式分類效果差的缺點，基于PCA特征的PNN神經(jīng)網(wǎng)絡(luò)識別準確率達到了90％左右。通過對比分析得知，基于PCA特征的模糊聚類和PNN神經(jīng)網(wǎng)絡(luò)算法識別效果都較好，特別是PNN的識別準確了達到了90％。
　　 最后，通過試驗驗證了兩種識別算法的識別效果，基于PCA特征的模糊聚類算法準確率達到81％，而PNN神經(jīng)網(wǎng)絡(luò)算法識別準確率達到了