论文部分内容阅读
疲劳驾驶是交通事故的关键诱因,尤其是在高速公路条件下,单调的驾驶环境使驾驶员疲劳加剧,最终造成车毁人亡的悲剧。因此,开发面向实车应用的驾驶员疲劳检测技术对于安全驾驶具有重要意义。由于实车实验的危险性,以往的研究多是基于驾驶模拟器进行研究。本课题组前期在模拟器上的研究为本文进行实车疲劳检测研究提供了实验经验及数据分析方法。本文开展实车疲劳实验,获取实车实验数据,把握实车实验条件下的疲劳驾驶现象、分析疲劳驾驶的操作特征,提取样本在时域和频域上的疲劳指标,并在候选指标集的基础上,筛选出最优特征指标集,设计SVM分类器,开发面向实车应用的驾驶员疲劳检测算法。本文首先依托实验车golf7在快速路上开展了基于实车的疲劳驾驶实验。采集方向盘转角、车速等实验数据以及驾驶员面部视频。采用基于面部视频的专家主观评分法对样本数据打分,构建了驾驶员状态数据样本集。当前研究普遍基于驾驶行为变量的时域特征进行疲劳辨识,缺乏对操作行为参数频域特征的分析,因此本文分别从时域和频域两个方面分析实车实验中疲劳驾驶特征。在疲劳驾驶特征分析的基础上,对快速路和驾驶模拟器实验数据分别从时域和频域中提取了77个定量化的疲劳指标。为了避免所选指标与疲劳相关度较低或指标间相互依赖会降低分类器性能,本文采用前向序列浮动选择算法(sequential forward floating selection,SFFS)对指标全集进行优选,并分别以Fisher和支持向量机(support vector machine,SVM)分类器的交叉验证准确率为指标优选准则,得到不同指标筛选条件下的10轮10倍交叉验证准确率。结果表明SVM分类器的检测精度对样本的依赖性较低,且准确率较高。为了进一步提高疲劳检测的精度,采用联合优化的方法对分类器参数与指标集进行优化,得到不同SVM参数下的最优指标子集和最高准确率。对于快速路疲劳实验数据,对SVM参数和指标集联合优化后,得到最佳惩罚权重C为8,最佳RBF(radial basis function)核函数的参数?为4,最高疲劳检测准确率达到了89.27%。最后,为了验证以上算法的有效性,基于golf7实验车在高速公路上进行了疲劳驾驶实验,对高速公路数据进行样本疲劳评分、指标提取及优选、参数联合优化后,得到了81.82%的交叉验证准确率,表明该算法可以对疲劳状态进行有效检测。