基于时域与时间间隔视角的疲劳驾驶检测研究

发布时间：2020-06-04 12:59

【摘要】：道路交通事故已经成为导致人员非正常伤亡的主要原因,而超过40%的重大交通事故与驾驶员疲劳驾驶有关。研究疲劳驾驶检测技术是减少因疲劳导致的交通事故发生的主要途径,对交通安全具有非常重要的意义。而高频交通数据已逐渐成为常态,因此本文分别从时域(现有研究视角)和时间间隔(基于交通数据的高频特性)的角度对实车驾驶实验数据进行疲劳驾驶的识别,通过量化模型客观分析驾驶行为特征的变化,结合随车观察员对驾驶员面部特征的主观判断来识别驾驶状态。本文主要工作如下:首先,对驾驶行为数据做描述性统计分析。本文运用描述性统计对正常和疲劳(随车观察员实时主观判断)两种状态下的驾驶行为指标进行对比分析,采用顺序浮动后向选择算法筛选具有代表性的特征构造样本特征集,以做疲劳驾驶行为识别研究。其次,从时域的视角出发基于信息融合方法和灰区间聚类方法对实车驾驶数据做疲劳驾驶行为识别研究。本文提出针对实车驾驶数据采用加权投票K-近邻(KNN)方法进行单特征决策层融合后的疲劳驾驶行为检测,同时采用朴素贝叶斯方法对多个驾驶行为特征进行特征层融合后的疲劳驾驶行为检测。针对数据有部分异常或缺失的样本,提出区间灰数填补技术对其进行填补,运用灰区间聚类方法做疲劳驾驶行为检测。分析表明贝叶斯方法比加权投票KNN算法的识别效果稍好,区间灰数填补后的灰区间聚类方法识别准确率也较高,能够有效的利用有缺失数据的信息。最后,从时间间隔的视角基于Grey-LogACD耦合模型研究车速变化持续期与疲劳程度的关系。本文提出车速变化持续期的概念来刻画车速变化状态,运用经典自回归条件持续期模型(ACD)来对车速变化持续期的波动进行拟合,将疲劳程度因子引入LogACD模型中,考虑到车速变化持续期的灰色特性,运用分数阶灰色模型对模型残差进行修正,建立Grey-LogACD耦合模型研究车速变化持续期与疲劳程度的关系。结果表明,Grey-LogACD耦合模型比LogACD模型对车速变化持续期的波动拟合效果更好,随着疲劳程度的提升,车速变化持续期的均值也会越来越大。
【图文】：

道路交通事故,道路交通安全,事故死亡,学者

第 1 章绪论1.1 研究背景与意义随着我国经济的快速发展、人民生活水平的提高，据统计全国机动车保有量在 2017 年第一季度已突破 3 亿辆，机动车的增加不仅使交通更加拥挤，还带来了交通事故发生率的增长[1]。交通安全问题日益严峻，人们开始密切关注道路交通安全问题。据相关机构统计，，2015 年有记录的道路交通事故我国共发生约 21万起，造成约 5.8 万人死亡以及 10.7 亿元的财产损失[2]。根据有关机构发布的信息，2016 年我国的道路交通事故丧生约 4.1 万人，图 1-1 为 2016 年我国各类非正常事故导致的死亡人数比例，道路交通导致的死亡人数达到 78.8%[3]。水上交通铁路路外民航农机其他

线图,实验路,线图

123( 1)/4( 1)/2 ,3( 1)/4Q NQ NQ N = + = + = + 四分位间距是上四分位数与下四分位数之差，用以表现数据的分散程度是不受大误差(离群点)的影响。其计算如下：3 1IQR = Q Q,式中，N 为采样点数。.3 驾驶行为特征提取本次试验共包括驾驶员 35 名，所挑选的驾驶员年龄段在 40 岁以上 55身体情况较好，无不良嗜好或身体或心理上的疾病。大部分实验人员有年的驾驶经历，眼部状况良好，基本无近视情况，且进行实验前未饮酒意识有作用的药物。
【学位授予单位】：武汉理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：C815

【相似文献】