论文部分内容阅读
摘 要：疲劳驾驶监测系统的设立和研究，对于保证交通安全尤为重要。通过基于综合疲劳驾驶特征信息的融合的检测方式，结合随机森林算法，监测驾驶员的驾驶状态并进行特征参数训练，然后通过自匹配特征算法再次对判定为正常驾驶状态的特征信息进行审查，来提高和保证疲劳驾驶检测的准确率。
关键词：疲勞驾驶，随机森林，自匹配特征算法
0引言
疲劳驾驶一直都是长途高速交通事故的刽子手。大众汽车的MKE疲劳驾驶识别系统是通过对司机的驾车行为进行检测，并结合周围环境分析驾驶员是否处于疲劳驾驶状态。奔驰通过监测驾驶员的注意力集中程度来判定驾驶员是否处于疲劳驾驶状态。而我国疲劳驾驶监测系统主要都涉及在商用车车型。而像滴滴、出租等私家车疲劳驾驶监测系统的安置率较低。本文通过综合驾驶人疲劳特征参数，结合RF、疲劳特征自匹配等智能预测算法来对驾驶人的驾驶状态进行监测，通过随机森林算法来提高疲劳驾驶监测的准确率，保证安全出行。
1疲劳驾驶检测技术方法
通过对驾驶人生理指标的监测能对其驾驶状态进行及时把控，在疲劳驾驶时能及时预警。通过对驾驶人生理反应特征来判断驾驶人是否在疲劳驾驶的方法主要是对驾驶人的面部的变化来监测，对疲劳驾驶及时预警。通过对驾驶人操作行为的监测包括方向盘、刹车、油门。当然，基于不同人的驾驶习惯和驾驶水平，可能会对检测结果产生一定的影响。通过车载摄像头、传感器以及陀螺仪来对车辆的行驶轨迹进行监测，判断驾驶人是否处于疲劳驾驶的状态。
2疲劳驾驶检测数据库的建立
研究从采集驾驶人特征信息、特征训练是否疲劳、数据库存储三方面进行。需要采集的驾驶人特征信息有瞳孔闭合程度、头部位置、嘴巴状态、眨眼次数、方向盘转动角度、踏板力度、车速、车辆横向偏移量。确定疲劳驾驶监测系统的主要参数，并充分发掘和研究疲劳驾驶特征参数具体的判定方法和检测技术，为疲劳驾驶监测系统的建立提供技术检测和数据支持。
3疲劳驾驶监测系统模型
通过随机森林算法和创新研究的疲劳特征自适应算法按规定的流程进行循环检测，提高疲劳驾驶的准确率。
通过ID3算法获得瞳孔闭合状态特征参数的信息增益：
按瞳孔闭合状态分类得到的信息增益：
同理可得：方向盘转角标准差的信息增益0.034，车速标准差的信息增益为0.554。所以瞳孔闭合80%以上特征参数的分类优先于方向盘转角标准差和车速标准差。
3.2疲劳驾驶自匹配特征模型算法建立
在输出结果为正常驾驶的特征与自己的正常状态特征再次进行对比，进行进一步精确的测量，来提高疲劳驾驶的准确率。驾驶人在疲劳驾驶时的特征参数除以驾驶在正常状态下特征参数的均值得到Pm，公式为
P={瞳孔状态T、眨眼频率Z、头部位置H、嘴部状态M、方向盘转角F、加速踏板开度、车速C、车辆横向位置X}。Rm=驾驶人正常状态下第m个特征参数均值，Pm为驾驶人疲劳状态下第m个特征参数。
3.3疲劳驾驶监测系统模型的监测流程
系统对监测的疲劳特征参数按决策树的判定顺序进行判定，依次为生理行为、驾驶行为、车辆轨迹。
4结论
将随机森林原理应用到疲劳驾驶监测中，通过监测驾驶员的九个特征参数，按照信息增益的原理决策出特征判别顺序，建立多个疲劳驾驶判别的决策树，综合多种特征信息检测数据来提高疲劳驾驶监测的准确性。构建疲劳特征自匹配算法，通过利用驾驶人存入数据库中正常驾驶状态信息与驾驶人行车过程中的信息进行匹配，来提高和保证疲劳驾驶检测的准确率。由于水平有限，没能对疲劳驾驶特征参数进行充分分析，通过进一步的分析和挖掘找到最能代表驾驶员驾驶状态的特征参数，来结合算法进行更深一步的训练研究。
参考文献
[1]Gidel S，Checchin P，Blanc C，Chateau T et al.Pedestrian Detection and Tracking in an Urban Environment Using a Multilayer Laser Scanner.Intelligent Transportation Systems，IEEE Transactions on，2010，1（3）：579-588.
[2]P Fitzpatrick，A J Nicholson.Global Status Report on Road Safety-Time for Action.IRISH MEDICAL JOURNAL，2010，103（1）.
[3]毛须伟，景文博，王晓曼等.一种基于眼部状态的疲劳驾驶检测方法.长春理工大学学报（自然科学版），2016，2（39）：125-136.
[4] 张明明.基于方向盘握力的疲劳驾驶检测研究：（硕士学位论文）.江苏：江苏大学，2016.
关键词：疲勞驾驶，随机森林，自匹配特征算法
0引言
疲劳驾驶一直都是长途高速交通事故的刽子手。大众汽车的MKE疲劳驾驶识别系统是通过对司机的驾车行为进行检测，并结合周围环境分析驾驶员是否处于疲劳驾驶状态。奔驰通过监测驾驶员的注意力集中程度来判定驾驶员是否处于疲劳驾驶状态。而我国疲劳驾驶监测系统主要都涉及在商用车车型。而像滴滴、出租等私家车疲劳驾驶监测系统的安置率较低。本文通过综合驾驶人疲劳特征参数，结合RF、疲劳特征自匹配等智能预测算法来对驾驶人的驾驶状态进行监测，通过随机森林算法来提高疲劳驾驶监测的准确率，保证安全出行。
1疲劳驾驶检测技术方法
通过对驾驶人生理指标的监测能对其驾驶状态进行及时把控，在疲劳驾驶时能及时预警。通过对驾驶人生理反应特征来判断驾驶人是否在疲劳驾驶的方法主要是对驾驶人的面部的变化来监测，对疲劳驾驶及时预警。通过对驾驶人操作行为的监测包括方向盘、刹车、油门。当然，基于不同人的驾驶习惯和驾驶水平，可能会对检测结果产生一定的影响。通过车载摄像头、传感器以及陀螺仪来对车辆的行驶轨迹进行监测，判断驾驶人是否处于疲劳驾驶的状态。
2疲劳驾驶检测数据库的建立
研究从采集驾驶人特征信息、特征训练是否疲劳、数据库存储三方面进行。需要采集的驾驶人特征信息有瞳孔闭合程度、头部位置、嘴巴状态、眨眼次数、方向盘转动角度、踏板力度、车速、车辆横向偏移量。确定疲劳驾驶监测系统的主要参数，并充分发掘和研究疲劳驾驶特征参数具体的判定方法和检测技术，为疲劳驾驶监测系统的建立提供技术检测和数据支持。
3疲劳驾驶监测系统模型
通过随机森林算法和创新研究的疲劳特征自适应算法按规定的流程进行循环检测，提高疲劳驾驶的准确率。
通过ID3算法获得瞳孔闭合状态特征参数的信息增益：
按瞳孔闭合状态分类得到的信息增益：
同理可得：方向盘转角标准差的信息增益0.034，车速标准差的信息增益为0.554。所以瞳孔闭合80%以上特征参数的分类优先于方向盘转角标准差和车速标准差。
3.2疲劳驾驶自匹配特征模型算法建立
在输出结果为正常驾驶的特征与自己的正常状态特征再次进行对比，进行进一步精确的测量，来提高疲劳驾驶的准确率。驾驶人在疲劳驾驶时的特征参数除以驾驶在正常状态下特征参数的均值得到Pm，公式为
P={瞳孔状态T、眨眼频率Z、头部位置H、嘴部状态M、方向盘转角F、加速踏板开度、车速C、车辆横向位置X}。Rm=驾驶人正常状态下第m个特征参数均值，Pm为驾驶人疲劳状态下第m个特征参数。
3.3疲劳驾驶监测系统模型的监测流程
系统对监测的疲劳特征参数按决策树的判定顺序进行判定，依次为生理行为、驾驶行为、车辆轨迹。
4结论
将随机森林原理应用到疲劳驾驶监测中，通过监测驾驶员的九个特征参数，按照信息增益的原理决策出特征判别顺序，建立多个疲劳驾驶判别的决策树，综合多种特征信息检测数据来提高疲劳驾驶监测的准确性。构建疲劳特征自匹配算法，通过利用驾驶人存入数据库中正常驾驶状态信息与驾驶人行车过程中的信息进行匹配，来提高和保证疲劳驾驶检测的准确率。由于水平有限，没能对疲劳驾驶特征参数进行充分分析，通过进一步的分析和挖掘找到最能代表驾驶员驾驶状态的特征参数，来结合算法进行更深一步的训练研究。
参考文献
[1]Gidel S，Checchin P，Blanc C，Chateau T et al.Pedestrian Detection and Tracking in an Urban Environment Using a Multilayer Laser Scanner.Intelligent Transportation Systems，IEEE Transactions on，2010，1（3）：579-588.
[2]P Fitzpatrick，A J Nicholson.Global Status Report on Road Safety-Time for Action.IRISH MEDICAL JOURNAL，2010，103（1）.
[3]毛须伟，景文博，王晓曼等.一种基于眼部状态的疲劳驾驶检测方法.长春理工大学学报（自然科学版），2016，2（39）：125-136.
[4] 张明明.基于方向盘握力的疲劳驾驶检测研究：（硕士学位论文）.江苏：江苏大学，2016.