论文部分内容阅读
随着社会经济的平稳高速发展,我国机动车数量逐步快速增长,交通事故数量也随之增多。疲劳驾驶作为交通事故的重要诱发因素之一,对人民群众的生命和财产安全造成巨大威胁,因此对疲劳驾驶状态进行检测并预警具有巨大的经济和社会价值。现有的疲劳状态检测方法主要有三类:基于生理信号的检测、基于面部特征的检测和基于车辆状态的检测。基于生理信号的检测常见的是基于脑电、心电等信号的检测,信号精度高但传感器容易对驾驶员的操作产生影响;基于面部特征的检测较为方便、不会对驾驶员操作产生影响,但容易受到背景噪声的干扰,稳定性稍弱;基于车辆状态的检测常见的是基于方向盘转动、车辆行驶轨迹等的检测,结构简单、实时性好,但抗干扰能力不足,驾驶员的驾驶方式对最终结果的判断会产生较大影响。本文使用生理信号处理技术和图像处理技术,结合机器学习,针对上述单一信号源检测稳定性差、实用性不强等问题,研究驾驶员驾驶疲劳状态检测问题,提出了基于脉搏和眼动特征的驾驶疲劳状态检测识别模型,以对驾驶员可能出现的驾驶疲劳状态进行有效的监测和预警。从脉搏信号中提取时域和频域特征,基于极端随机树进行特征筛选,从图像信息中提取眼动特征,基于多层阈值构建提取眼动特征;使用Adaboost算法实现驾驶疲劳状态的检测与识别。本文主要内容如下:为取得准确有效的实验数据,在保证实验安全性的前提下,搭建了较为真实的模拟驾驶环境,被试者在模拟驾驶环境中模拟真实的驾驶状态,主试者分别采集被试者在清醒状态下和疲劳状态下的脉搏信号和面部图像信号。使用可靠的数据采集设备,选择健康无重大病史的被试者,采用有效的疲劳激发方法,在信号采集部分和实验检测部分相独立的实验环境中进行实验。基于小波变换对脉搏信号进行预处理。基于Sym8小波去除脉搏信号的噪声和基线漂移,根据脉搏信号获得单个脉搏周期时间跨度、单个周期脉搏波下面积等多个时间序列,计算这些时间序列的均值、均方差、高频、低频等多种时、频域特征。基于集成回归树进行人脸对齐,获得人脸区域,建立人眼特征点索引,基于多层阈值在人眼区域中提取眼动特征。使用图像分割、图像放缩、灰度化、二值化、像素色彩检测等多种图像处理方法,提取多种眼动特征,包含上眼睑高度、眼部区域面积、特定区域像素色彩比例等。基于极端随机树和Adaboost进行特征筛选和疲劳状态的检测与识别。使用极端随机树筛选出脉搏关键特征;基于Adaboost算法构建分类器,构建疲劳识别监测模型,利用脉搏和眼动特征进行疲劳状态的检测与识别。