多源信息融合在驾驶疲劳检测中的应用

发布时间：2017-08-20 21:19

  本文关键词：多源信息融合在驾驶疲劳检测中的应用

  更多相关文章： 疲劳检测 Adaboost算法 PERCLOS算法 信息融合 粗糙集理论

【摘要】：随着全球经济的飞速发展,加快了汽车行业的前进步伐,使得汽车的数量迅猛增加,而驾驶汽车时的人身安全相当重要,因此汽车的安全性能也日益受到人们的重视。现代车辆制造技术的快速发展,车辆本身的安全因素造成的交通事故所占比重越来越小,驾驶员的个人因素已成为交通事故发生的主要原因。因而,对驾驶员进入疲劳驾驶时的状态进行实时监测和有效预防,能够大大降低因驾驶员疲劳而导致的交通事故发生概率,进而保护人身财产安全。由此可见,本文的研究具有很大的社会和经济意义。 首先,本文对国内外驾驶疲劳检测技术的研究现状、研究成果以及发展趋势进行了研究和总结。论文主要研究了如何在驾驶疲劳的检测中根据多种疲劳特征进行综合判断。 其次,对生理信号进行了详细介绍,通过对各生理指标在疲劳与非疲劳状态下的变化,对能够有效表示疲劳过程和程度的心电信号和脑电信号特征值进行了初步的明确。本文在对驾驶员的面部特征进行详细研究的基础上,介绍了Adaboost算法这种经典的人脸识别算法,利用此种方法检测人脸并结合三庭五眼的人脸标准结构,对人眼的大致区域进行了初步定位,然后进一步使用此种算法进行大致区域范围的人眼检测。在人眼成功定位的基础上,将眼睛轮廓近似看作为椭圆数学模型,根据椭圆模型的长短轴计算眼睛睁开百分比,进而通过该模型计算PERCLOS值与眨眼时间、频率等参数。对正常状态和驾驶疲劳状态下方向盘运动变化特征对比分析,得出判断驾驶员是否处在驾驶疲劳状态下的两个主要特征——方向盘修正频度和修正幅度。 接下来,本文对信息融合技术的基本原理、功能结构模型以及其他相关方面进行了研究和总结,在分析和比较信息融合常用算法的基础上,提出了在实际应用中融合算法选择需要考虑的问题。 最后,本文对粗糙集理论进行了深入的研究,对粗糙及理论的具体应用方法进行了分析。分析条件属性离散归一化的方法与策略,得出检测特征信息和驾驶员疲劳程度的关系。由数据约简建立决策规则,通过这个决策规则判断驾驶员的疲劳程度。在多源数据融合的基础上,根据驾驶疲劳检测的特殊性,采用合适的信息融合结构,及粗糙集理论,融合多种疲劳特征信息,对驾驶疲劳进行综合判断。
【关键词】：疲劳检测 Adaboost算法 PERCLOS算法 信息融合 粗糙集理论
【学位授予单位】：安徽理工大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：U463.6;U492.8;TP18
【目录】：

• 摘要5-7
• Abstract7-9
• 目录9-11
• Contents11-13
• 插图和附表清单13-15
• 1 绪论15-23
• 1.1 研究背景和意义15-16
• 1.1.1 研究背景15-16
• 1.1.2 研究目的及意义16
• 1.2 研究现状16-21
• 1.2.1 主观检测技术16-17
• 1.2.2 客观检测技术17-21
• 1.3 发展趋势21-22
• 1.5 论文研究的主要内容22
• 1.6 论文组织结构22-23
• 2 驾驶疲劳特征研究23-37
• 2.1 驾驶疲劳相关概述23-24
• 2.1.1 驾驶疲劳的特征表现23
• 2.1.2 驾驶疲劳的形成原因23-24
• 2.2 驾驶员生理信号研究24-26
• 2.2.1 生理信号的介绍24-25
• 2.2.2 生理信号在驾驶疲劳状态下的特征25-26
• 2.3 驾驶员面部特征研究26-34
• 2.3.1 人脸检测26-27
• 2.3.2 Adaboost算法介绍27-31
• 2.3.3 人眼定位31-32
• 2.3.4 面部特征在驾驶疲劳状态下的特征32-34
• 2.4 方向盘运动特征研究34-35
• 2.5 本章小结35-37
• 3 多源信息融合技术的研究37-49
• 3.1 多源信息融合概念37
• 3.2 信息融合的原理与优势37-39
• 3.2.1 信息融合原理37-38
• 3.2.2 信息融合优势38-39
• 3.3 信息融合技术应用领域39-40
• 3.4 信息融合系统的模型和结构40-46
• 3.4.1 信息融合系统的功能模型41-42
• 3.4.2 信息融合系统的结构模型42-46
• 3.5 信息融合的主要技术和方法46-48
• 3.6 本章小结48-49
• 4 基于多源信息融合的驾驶疲劳检测49-63
• 4.1 粗糙集理论49-51
• 4.1.1 知识与决策系统49-50
• 4.1.2 粗糙集50
• 4.1.3 属性的依赖性和重要性50
• 4.1.4 决策表约简与求核50-51
• 4.2 基于粗糙集理论的驾驶疲劳检测51-58
• 4.2.1 多种驾驶疲劳特征的检测51-56
• 4.2.2 多源信息融合下的疲劳程度判断56
• 4.2.3 检测数据离散化56-57
• 4.2.4 决策表57-58
• 4.3 实验分析58-61
• 4.4 本章小结61-63
• 结论63-65
• 参考文献65-71
• 致谢71-73
• 作者简介及读研期间主要科研成果73

【参考文献】

中国期刊全文数据库 前10条

1 彭军强;吴平东;殷罡;;疲劳驾驶的脑电特性探索[J];北京理工大学学报;2007年07期

2 王荣本,郭克友,储江伟,初秀民;适用驾驶员疲劳状态监测的人眼定位方法研究[J];公路交通科技;2003年05期

3 周建芳;罗晓曙;胡叶容;;脑电信号的样本熵分析[J];广西物理;2007年02期

4 廖传锦,秦小虎,黄席樾;以人为中心的汽车主动安全技术综述[J];计算机仿真;2004年09期

5 杨海燕;蒋新华;聂作先;;驾驶员疲劳检测技术研究综述[J];计算机应用研究;2010年05期

6 杨渝书,姚振强,李增勇,焦昆;心电图时频域指标在驾驶疲劳评价中的有效性研究[J];机械设计与制造;2002年05期

7 吴福保,李奇,宋文忠;基于粗集理论知识表达系统的一种归纳学习方法[J];控制与决策;1999年03期

8 郑培,宋正河,周一鸣;机动车驾驶员驾驶疲劳测评方法的研究状况及发展趋势[J];中国农业大学学报;2001年06期

9 马添翼;成波;;基于面部表情特征的驾驶员疲劳状态识别[J];汽车安全与节能学报;2010年03期

10 张希波;成波;冯睿嘉;;基于方向盘操作的驾驶人疲劳状态实时检测方法[J];清华大学学报(自然科学版);2010年07期

，

本文编号：708939