基于驾驶行为特征与眼动特征的疲劳驾驶辨识方法研究

发布时间：2017-05-03 08:08

  本文关键词：基于驾驶行为特征与眼动特征的疲劳驾驶辨识方法研究，由笔耕文化传播整理发布。

【摘要】：随着道路运输事业的快速发展,各国机动车保有量迅速增加,道路交通事故数量与日俱增,恶性交通事故越来越多。研究表明疲劳驾驶是导致道路交通事故的主要原因之一,因此,对疲劳驾驶辨识方法进行研究,选择可靠有效的检测指标,搭建准确及时的检测模型,对改善道路交通安全状况,降低交通事故发生频率具有重大意义。论文基于不同疲劳状态下驾驶员的眼动及驾驶行为规律分析,提取驾驶行为及眼动特征参数,并基于信息融合理论,搭建驾驶疲劳辨识模型,并对驾驶员的疲劳状态实现了较高的识别精度。主要研究内容如下：(1)设计了疲劳驾驶模拟实验方案,并招募了10名驾驶员在西南交通大学自主研发的大型驾驶模拟器上进行连续的疲劳驾驶实验,同步记录了10名驾驶人不同疲劳状态下的驾驶行为数据和眼动数据,并根据驾驶员的KSS得分和“三级疲劳评价法”对实验数据进行切分,然后对数据进行预处理,建立了疲劳驾驶样本数据库。(2)运用统计学方法研究了不同疲劳状态下驾驶员的驾驶行为和眼动特征的变化规律,重点分析了方向盘转角数据、方向盘转角速度、车速以及车辆加速度的特征；眼动方面分析了不同疲劳状态下驾驶员的眨眼、注视、扫视以及瞳孔直径变化等眼动特征。在不同时间窗下提取特征参数,并运用单因素方差分析量化了各特征参数在不同疲劳状态下的差异显著性水平。最终筛选出的驾驶行为特征参数包括：方向盘转角绝对均值SAM、转角标准差SASTD、方向盘角速度绝对均值SWM、角速度标准差SWSTD、速度标准差Vstd、加速度均值Am和标准差Astd;眼动特征参数包括：眨眼频率BF、注视持续时间均值FIXT_mean口标准差FIXT_std、扫视平均速度标准差SACV_std以及瞳孔直径变异系数CVPLD。(3)对常见的信息融合方法进行了梳理,分析了各融合方法的优缺点,确定BP神经网络作为疲劳驾驶辨识模型的融合算法。随后详细论述了基于BP神经网络的疲劳驾驶辨识模型的建立过程,利用神经网络工具箱函数编写程序,随机选取训练样本集和测试样本集对模型进行训练和验证,结果表明该模型对驾驶员的清醒、疲劳、非常疲劳三种状态分别达到了83%、69.6%和79.6%的平均识别准确率,因此,该模型可以用于驾驶员疲劳状态的辨识,为疲劳驾驶检测提供了一种思路。
【关键词】：疲劳驾驶 疲劳辨识 驾驶行为特征 眼动特征 BP神经网络
【学位授予单位】：西南交通大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：U492.8
【目录】：

• 摘要6-7
• Abstract7-12
• 第1章 绪论12-21
• 1.1 研究背景及意义12-14
• 1.2 国内外研究现状14-19
• 1.2.1 基于主观评定的检测方法14-15
• 1.2.2 基于生理参数特征的检测15-16
• 1.2.3 基于眼动特征的检测16-17
• 1.2.4 基于驾驶行为特征的检测17-18
• 1.2.5 基于信息融合的检测方法18
• 1.2.6 国内外研究现状综述18-19
• 1.3 研究内容及技术路线19-21
• 第2章 驾驶疲劳概述21-26
• 2.1 驾驶疲劳的定义21
• 2.2 驾驶疲劳的分类21-22
• 2.2.1 心理疲劳21-22
• 2.2.2 生理疲劳22
• 2.3 驾驶疲劳的影响因素22-24
• 2.3.1 内部因素23-24
• 2.3.2 外部因素24
• 2.4 疲劳驾驶的危害24-25
• 2.5 疲劳驾驶预防对策25-26
• 第3章 基于驾驶模拟器的疲劳驾驶实验26-34
• 3.1 实验目的26
• 3.2 实验条件26-29
• 3.2.1 实验设备26-28
• 3.2.2 实验场景28
• 3.2.3 实验人员28-29
• 3.3 实验方案设计29-30
• 3.4 疲劳驾驶样本数据库30-33
• 3.4.1 疲劳状态评价方法选取30-32
• 3.4.2 疲劳驾驶实验数据32
• 3.4.3 建立疲劳驾驶样本数据库32-33
• 3.5 本章小结33-34
• 第4章 疲劳驾驶特征数据分析34-58
• 4.1 数据分析方法34-36
• 4.1.1 数据分析软件34
• 4.1.2 方差分析的原理及步骤34-36
• 4.2 疲劳驾驶驾驶行为特征分析36-49
• 4.2.1 方向盘转角数据分析36-40
• 4.2.2 方向盘角速度分析40-43
• 4.2.3 车速变化分析43-46
• 4.2.4 加速度分析46-49
• 4.3 疲劳状态驾驶员眼动特征分析49-56
• 4.3.1 驾驶人眨眼特征分析49-50
• 4.3.2 驾驶人注视特征分析50-52
• 4.3.3 驾驶人扫视特征分析52-55
• 4.3.4 驾驶人瞳孔直径分析55-56
• 4.4 疲劳驾驶特征参数多重比较56-57
• 4.5 本章小结57-58
• 第5章 基于眼动及驾驶行为特征的疲劳状态辨识58-69
• 5.1 疲劳驾驶特征参数选择58-59
• 5.2 疲劳驾驶状态辨识方法选择59-61
• 5.2.1 信息融合方法的概念59-60
• 5.2.2 常用信息融合算法介绍60-61
• 5.2.3 疲劳驾驶辨识方法的确定61
• 5.3 疲劳驾驶BP神经网络辨识模型61-65
• 5.3.1 BP神经网络学习的过程及算法61-63
• 5.3.2 疲劳驾驶BP神经网络辨识模型的设计63-65
• 5.4 疲劳驾驶辨识模型的仿真验证65-68
• 5.5 本章小结68-69
• 结论与展望69-71
• 致谢71-72
• 参考文献72-77
• 攻读硕士学位期间发表的论文及科研情况77

【参考文献】

中国期刊全文数据库 前10条

1 石京;肖遥;;驾驶心理对交通安全的影响[J];交通信息与安全;2014年05期

2 郭孜政;谭永刚;马国忠;潘毅润;陈崇双;;基于BP神经网络的驾驶精神疲劳识别方法[J];哈尔滨工业大学学报;2014年08期

3 王连震;裴玉龙;;基于贝叶斯网络的驾驶疲劳程度识别模型[J];城市交通;2014年03期

4 马锦飞;常若松;高远;;瞳孔直径大小检测驾驶员疲劳的实证效度分析[J];辽宁师范大学学报(社会科学版);2014年01期

5 张宁宁;王宏;付荣荣;;基于小波熵的驾驶疲劳脑电信号特征提取[J];汽车工程;2013年12期

6 傅莉;;多传感器信息融合技术研究[J];科技广场;2013年09期

7 谢承玲;陈彩明;刘堂宇;;一种车载疲劳驾驶监测仪[J];现代电子技术;2013年12期

8 薄纯娟;徐国凯;宋鹏;李忠楠;;疲劳驾驶检测方法研究综述[J];大连民族学院学报;2013年03期

9 李薛媛;;疲劳驾驶预防措施的研究[J];交通世界(运输.车辆);2012年06期

10 杨永旭;陈旭辉;;模糊集理论在多传感器信息融合中的应用[J];计算机应用与软件;2011年11期

中国博士学位论文全文数据库 前6条

1 牛清宁;基于信息融合的疲劳驾驶检测方法研究[D];吉林大学;2014年

2 肖献强;基于信息融合的驾驶行为识别关键技术研究[D];合肥工业大学;2011年

3 谢晓莉;驾驶疲劳生成机理研究[D];北京工业大学;2010年

4 毛U，

本文编号：342651