CN103578227B - 基于gps定位信息的疲劳驾驶检测方法 - Google Patents
基于gps定位信息的疲劳驾驶检测方法 Download PDFInfo
- Publication number
- CN103578227B CN103578227B CN201310434763.2A CN201310434763A CN103578227B CN 103578227 B CN103578227 B CN 103578227B CN 201310434763 A CN201310434763 A CN 201310434763A CN 103578227 B CN103578227 B CN 103578227B
- Authority
- CN
- China
- Prior art keywords
- fatigue
- characteristic parameter
- under
- driving
- unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于GPS定位信息的疲劳驾驶检测方法,旨在克服现有技术没有消除道路曲率对驾驶行为检测的影响的问题,其步骤:1.构建疲劳模式分类器:传感器采集50名以上驾驶人在不同驾驶状态下的位于直道条件下的驾驶行为数据,构建直道条件下的疲劳模式分类器;2.采集车辆行进过程中的驾驶行为数据及车载GPS定位信息,利用车载GPS定位信息及数字地图,获取车辆所在位置的道路曲率信息,将不同弯道条件下驾驶行为数据换算到直道条件下,消除道路曲率对驾驶行为数据的影响;3.提取并融合各特征参数在其最优时间窗内的特征参数值,并将此特征参数输入直道条件下疲劳模式分类器实现对驾驶人疲劳状态的辨识。
Description
技术领域
本发明涉及一种汽车安全技术领域的检测方法,更确切地说,本发明涉及一种基于GPS定位信息的疲劳驾驶检测方法。
背景技术
疲劳驾驶是造成道路交通事故的主要因素,每年由于疲劳驾驶而引起的交通事故占事故总数的20%左右,占特大交通事故的40%以上。因此,需要对驾驶人驾驶状态进行实时检测,当出现疲劳状态时,给予有效的预警,避免道路交通事故的发生。
目前,疲劳驾驶检测方法主要分为基于主观评价的检测方法、基于驾驶人生理信号的检测方法、基于驾驶人生理反应的检测方法、基于驾驶行为的检测方法和基于信息融合的检测方法。其中,基于主观评价的检测方法存在评分主观、评分标准不统一、被测试者故意隐瞒真实情况去迎合主观期望等问题;基于驾驶人生理信号的检测方法侵入性强、易对驾驶人产生干扰;基于生理反应的检测方法主要是通过机器视觉检测驾驶人面部特征,易受光线、车辆振动、驾驶人配戴眼镜等因素影响;而基于驾驶行为的检测方法为非接触式检测,测量过程不会对驾驶人的正常驾驶行为造成干扰,且特征参数(车速、方向盘转角等)容易提取,因此该检测方法已成为国内外研究热点。
疲劳驾驶状态下,驾驶人对车辆控制能力明显下降,通过检测驾驶人当前的驾驶行为数据,能够实现对疲劳驾驶的检测,然而道路曲率变化同样是引发驾驶人操纵行为(方向盘转角、方向盘转角速度等)变化的重要因素。因此,如何消除道路曲率因素的影响是目前面临的一项重大挑战。基于此,本发明采用车载GPS终端获取当前位置信息,消除道路曲率对驾驶行为的影响。
发明内容
本发明所要解决的技术问题是克服现有技术存在的无法消除道路曲率变化影响对疲劳驾驶检测的问题,提供一种基于GPS定位信息的疲劳驾驶检测方法。
本发明目的是:提供一种疲劳驾驶实时检测方法,采用车载GPS终端获取车辆当前位置信息,消除道路曲率对驾驶行为数据的影响,将不同弯道条件下的驾驶行为数据换算到直道条件下,然后对疲劳状态进行检测,同时,采用滑移时间窗的方法实现各有效特征参数在其最优时间窗内的融合,提高检测***的准确率和鲁棒性。
本发明采用技术方案实现:
基于GPS定位信息的疲劳驾驶检测方法,采集车辆行进过程中的驾驶行为数据及车载GPS定位信息,利用车载GPS定位信息及数字地图,获取当前车辆所在位置的道路曲率信息,通过计算道路曲率的变化引起的驾驶行为差异,将不同弯道条件下的驾驶行为数据换算到直道条件下,消除道路曲率对驾驶行为数据的影响,然后,采用基于滑移时间窗的方法提取并融合各特征参数在其最优时间窗内的特征参数值并输入直道下疲劳模式分类器,实现对驾驶人疲劳状态的辨识,具体包括如下步骤:
1.构建疲劳模式分类器:采集N名驾驶人在不同驾驶状态(正常驾驶、疲劳驾驶)下的位于直道条件下的驾驶行为数据,其中,N≥50,筛选特征参数及其最优时间窗,构建直道条件下的疲劳模式分类器;
2.采集车辆行进过程中的驾驶行为数据及车载GPS定位信息,利用车载GPS定位信息及数字地图,获取当前车辆所在位置的道路曲率信息,通过计算道路曲率引起的驾驶行为差异,将不同弯道条件下的驾驶行为数据换算到直道条件下,消除道路曲率对驾驶行为数据的影响;
3.采用滑移时间窗的方法提取并融合各特征参数在其最优时间窗内的特征参数值,并将此特征参数值输入直道条件下疲劳模式分类器,实现对驾驶人疲劳状态的辨识。
技术方案中所述的构建疲劳模式分类器,采集N名驾驶人在不同驾驶状态(正常驾驶、疲劳驾驶)下的位于直道条件下的驾驶行为数据,其中,N≥50,筛选特征参数及其最优时间窗,搭建直道条件下的疲劳模式分类器,包括如下步骤:
1)采集N,N≥50名驾驶人在正常驾驶状态下的位于直道条件下的驾驶行为数据;
2)采集N,N≥50名驾驶人在疲劳驾驶状态下的位于直道条件下的驾驶行为数据;
3)利用特征提取方法提取疲劳驾驶特征参数,采用统计分析的方法检验在不同驾驶状态(正常驾驶、疲劳驾驶)下特征参数差异的显著性,进而筛选出直道条件下疲劳驾驶特征参数Pi,构成特征参数组P;
4)分别计算所述特征参数组P内各特征参数Pi对疲劳驾驶的区分能力,选取对疲劳驾驶状态区分能力最好的时间窗作为该特征参数Pi的最优时间窗Ti,单位:s;
5)分别计算正常驾驶条件下在同一时刻特征参数组P内各特征参数Pi在其最优时间窗Ti内的特征参数值,建立正常驾驶条件下特征参数值的数据库;
6)分别计算疲劳驾驶条件下在同一时刻特征参数组P内各特征参数Pi在其最优时间窗Ti内的特征参数值,建立疲劳驾驶条件下特征参数值的数据库;
7)将筛选出的直道条件下疲劳驾驶特征参数组P全部引入特征空间,基于建立的特征参数值数据库,利用机器学习的方法构建直道条件下疲劳模式分类器。
技术方案中所述的采集车辆行进过程中的驾驶行为数据及车载GPS定位信息,所述的利用车载GPS定位信息及数字地图,获取当前车辆所在位置的道路曲率信息,通过计算,将不同弯道条件下的驾驶行为数据换算到直道条件下,消除道路曲率对驾驶行为数据的影响包括如下步骤:
1)采集车辆行进过程中的驾驶行为数据DATA0包括:方向盘转角SA0,单位:rad,方向盘转角速度SV0,单位:rad/s,油门踏板开度TH0,单位:%,车速V0,单位:m/s,加速度A0,单位:m/s2,横摆角YA0,单位:rad,横摆角速度YV0,单位:rad/s和车道偏移量LP0,单位:m;
2)利用车载GPS终端获取车辆当前位置信息,利用数字地图得到车辆当前位置道路曲率ρ,单位:m-1;
3)计算由于曲率ρ而引起的方向盘转角的变化SAρ,单位:rad;
4)计算由于曲率ρ而引起的方向盘转角速度的变化SVρ,单位:rad/s;
5)计算由于曲率ρ而引起的横摆角的变化YAρ,单位:rad;
6)计算由于曲率ρ而引起的横摆角速度的变化YVρ,单位:rad/s;
7)将采集的驾驶行为数据DATA0换算为直道条件下的驾驶行为数据DATA,包括:方向盘转角SA、方向盘转角速度SV、油门踏板开度TH、车速V、加速度A、横摆角YA、横摆角速度YV和车道偏移量LP;其中,方向盘转角SA的计算公式为:SA=SA0-SAρ,单位:rad,方向盘转角速度SV的计算公式为:SV=SV0-SVρ,单位:rad/s,横摆角YA的计算公式为:YA=YA0-YAρ,单位:rad,横摆角速度YV的计算公式为:YV=YV0-YVρ,单位:rad/s,油门踏板开度TH=TH0,单位:%,车速V=V0,单位:m/s,加速度A=A0,单位:m/s2,车道偏移量LP=LP0,单位:m。
技术方案中所述的采用滑移时间窗的方法提取并融合各特征参数在其最优时间窗内的特征参数值,并输入直道条件下疲劳模式分类器,实现对驾驶人疲劳状态的辨识包括如下步骤:
1)计算当前时刻最优特征参数值判断驾驶人状态:对于特征参数Pi,保存从当前时刻开始前Ti时间段内计算Pi所需的驾驶行为数据DATA中的对应数据,利用保存的最优时间窗Ti内的数据计算特征参数Pi数值,并输入直道条件下疲劳模式分类器判断驾驶人疲劳状态;
2)若驾驶人处于疲劳驾驶状态,则预警,若驾驶人处于正常驾驶状态,则采用滑移时间窗方法进行下一周期计算;
3)采用滑移时间窗方法计算下一周期特征参数并判断驾驶人状态:疲劳模式分类器计算周期为T,读取下一周期的驾驶行为数据DATA,将特征参数Pi的最优时间窗Ti向前滑移T,本周期保存的对应驾驶行为数据为上一周期最优时间窗Ti内时间长度为[T,Ti]的数据和本周期读取的时间长度为T的数据,在新的时间窗Ti内计算本周期特征参数Pi,并将本周期特征参数输入直道条件下疲劳模式分类器判断驾驶人疲劳状态;
4)若驾驶人处于疲劳驾驶状态,则预警,若驾驶人处于正常驾驶状态,则重复步骤3)的采用滑移时间窗方法计算下一周期特征参数并判断驾驶人状态步骤。
本发明具有以下有益效果:
1.本发明基于GPS定位信息实现驾驶人疲劳状态实时检测,将不同弯道条件下驾驶行为数据换算到直道条件下,消除道路曲率对驾驶行为数据的影响。
2.本发明采用滑移时间窗的方法实现各有效特征参数在其最优时间窗内的融合,提高了检测***的准确率和鲁棒性。
3.本发明步骤简单,不受外界环境的影响,且益于推广应用,可大幅降低由于疲劳驾驶而导致恶***通事故的发生率。
附图说明
下面结合附图对本发明作进一步的说明:
图1为本发明所述的基于GPS定位信息的疲劳驾驶检测方法的流程图;
图2为本发明所述的基于GPS定位信息的疲劳驾驶检测方法中的滑移时间窗的示意图。
具体实施方式
下面结合附图,对本发明的技术方案做进一步介绍:
参见图1,本发明所述的基于GPS定位信息的疲劳驾驶检测方法,包括以下步骤:
1.构建疲劳模式分类器:
传感器采集N(N≥50)名驾驶人在不同驾驶状态(正常驾驶、疲劳驾驶)下的位于直道条件下的驾驶行为数据,筛选特征参数及其最优时间窗,构建直道条件下的疲劳模式分类器;
1)传感器采集N(N≥50)名驾驶人正常驾驶状态下位于直道条件下的驾驶行为数据;
2)传感器采集N(N≥50)名驾驶人疲劳驾驶状态下位于直道条件下的驾驶行为数据;
3)利用特征提取方法提取疲劳驾驶特征参数,采用统计分析的方法分析在不同驾驶状态(正常驾驶状态、疲劳驾驶状态)下特征参数差异的显著性,进而筛选出直道条件下疲劳驾驶特征参数:方向盘转角均值(MEANSA)、方向盘转角标准差(STDSA)、方向盘转角熵(ENSA)、方向盘转角速度标准差(STDSV)、零速百分比(PNS)、车道偏移量标准差(SDLP)、油门开度变化次数(THV)、横摆角标准差(STDYA)与横摆角速度标准差(STDYV),由上述的直道条件下特征参数构成特征参数组P,P=[MEANSA,STDSA,ENSA,STDSV,PNS,SDLP,THV,STDYA,STDYV];
4)分别计算所述特征参数组P内各特征参数Pi对疲劳驾驶的区分能力,选取对疲劳驾驶状态区分能力最好的时间窗作为该特征参数Pi的最优时间窗Ti:方向盘转角均值(MEANSA)的最优时间窗TMEANSA=40s,方向盘转角标准差(STDSA)的最优时间窗TSTDSA=15s,方向盘转角熵(ENSA)的最优时间窗TENSA=60s,方向盘转角速度标准差(STDSV)的最优时间窗TSTDSV=40s,零速百分比(PNS)的最优时间窗TPNS=4s,车道偏移量标准差(SDLP)的最优时间窗TSDLP=40s,油门开度变化次数(THV)的最优时间窗TTHV=3000s,横摆角标准差(STDYA)的最优时间窗TSTDYA=15s,横摆角速度标准差(STDYV)的最优时间窗TSTDYV=40s;
5)分别计算正常驾驶条件下同一时刻特征参数组P内各特征参数Pi在其最优时间窗Ti内的特征参数值,建立正常驾驶条件下特征参数值的数据库;
6)分别计算疲劳驾驶条件下同一时刻特征参数组P内各特征参数Pi在其最优时间窗Ti内的特征参数值,建立疲劳驾驶条件下特征参数值的数据库;
7)将筛选出的直道条件下疲劳驾驶特征参数组P全部引入特征空间,基于建立的特征参数值数据库利用机器学习的方法构建直道条件下疲劳模式分类器。
2.采集车辆行进过程中的驾驶行为数据及车载GPS定位信息,利用车载GPS定位信息及数字地图,获取当前车辆所在位置的道路曲率信息,通过计算道路曲率引起的驾驶行为差异,将不同弯道条件下驾驶行为数据换算到直道条件下,消除道路曲率对驾驶行为数据的影响。
1)驾驶行为数据采集传感器采集车辆行进过程中的驾驶行为数据DATA0包括:方向盘转角SA0,单位:rad,方向盘转角速度SV0,单位:rad/s,油门踏板开度TH0,单位:%,车速V0,单位:m/s,加速度A0,单位:m/s2,横摆角YA0,单位:rad,横摆角速度YV0,单位:rad/s和车道偏移量LP0,单位:m;
2)利用车载GPS终端获取车辆当前位置信息,利用数字地图得到车辆当前位置道路曲率ρ,单位:m-1;
3)计算由于曲率ρ而引起的方向盘转角的变化SAρ,单位:rad;
4)计算由于曲率ρ而引起的方向盘转角速度的变化SVρ,单位:rad/s;
5)计算由于曲率ρ而引起的横摆角的变化YAρ,单位:rad;
6)计算由于曲率ρ而引起的横摆角速度的变化YVρ,单位:rad/s;
7)将采集的驾驶行为数据DATA0换算为直道条件下的驾驶行为数据DATA包括:方向盘转角SA、方向盘转角速度SV、油门踏板开度TH、车速V、加速度A、横摆角YA、横摆角速度YV和车道偏移量LP。其中方向盘转角SA的计算公式为:SA=SA0-SAρ,单位:rad,方向盘转角速度SV的计算公式为:SV=SV0-SVρ,单位:rad/s,横摆角YA的计算公式为:YA=YA0-YAρ,单位:rad,横摆角速度YV的计算公式为:YV=YV0-YVρ,单位:rad/s,其他数据保持不变,即:油门踏板开度TH=TH0,单位:%,车速V=V0,单位:m/s,加速度A=A0,单位:m/s2,车道偏移量LP=LP0,单位:m。
3.采用滑移时间窗的方法提取并融合特征参数在其最优时间窗内的特征参数值,并将此特征参数值输入直道条件下疲劳模式分类器,实现对驾驶人疲劳状态的辨识。
1)计算当前时刻最优特征参数值判断驾驶人状态:当前时刻为t,对于特征参数方向盘转角均值(MEANSA),保存从当前时刻t开始前40s内DATA中的方向盘转角SA,计算MEANSA;对于特征参数方向盘转角标准差(STDSA),保存从当前时刻t开始前15s内DATA中的方向盘转角SA,计算STDSA;对于特征参数方向盘转角熵(ENSA),保存从当前时刻t开始前60s内DATA中的方向盘转角SA,计算ENSA;对于特征参数方向盘转角速度标准差(STDSV),保存从当前时刻t开始前40s内DATA中的方向盘转角速度SV,计算STDSV;对于特征参数零速百分比(PNS),保存从当前时刻t开始前4s内DATA中的方向盘转角速度SV,计算PNS;对于特征参数车道偏移量标准差(SDLP),保存从当前时刻t开始前40s内DATA中的车道偏移量LP,计算SDLP;对于特征参数油门开度变化次数(THV),保存从当前时刻t开始前3000s内DATA中的油门踏板开度TH,计算THV;对于特征参数横摆角标准差(STDYA),保存从当前时刻t开始前15s内DATA中的横摆角YA,计算STDYA;对于特征参数横摆角速度标准差(STDYV),保存从当前时刻t开始前40s内DATA中的横摆角YV,计算STDYV;将当前t时刻计算的特征参数组P内特征参数值全部输入直道条件下疲劳模式分类器判断驾驶人疲劳状态;
2)若驾驶人处于疲劳驾驶状态,则预警,若驾驶人处于正常驾驶状态,则执行采用滑移时间窗方法进行下一周期计算;
3)采用滑移时间窗计算下一周期特征参数并判断驾驶人状态:疲劳模式分类器计算周期为T=2s,读取下一周期的驾驶行为数据DATA,计算特征参数方向盘转角均值(MEANSA)时,提取上一周期MEANSA的最优时间窗内SA的[2s,40s]部分和本周期的数据中的方向盘转角SA;计算特征参数方向盘转角标准差(STDSA)时,提取上一周期STDSA的最优时间窗内SA的[2s,15s]部分和本周期的数据中的方向盘转角SA;计算特征参数方向盘转角熵(ENSA)时,提取上一周期ENSA的最优时间窗内SA的[2s,60s]部分和本周期的数据中的方向盘转角SA;计算特征参数方向盘转角速度标准差(STDSV)时,提取上一周期STDSV的最优时间窗内SV的[2s,40s]部分和本周期的数据中的方向盘转角速度SV;计算特征参数零速百分比(PNS)时,提取上一周期PNS的最优时间窗内SV的[2s,4s]部分和本周期的数据中的方向盘转角速度SV;计算特征参数车道偏移量标准差(SDLP)时,提取上一周期SDLP的最优时间窗内LP的[2s,40s]部分和本周期的数据中的方向盘转角速度LP;计算特征参数油门开度变化次数(THV)时,提取上一周期THV的最优时间窗内TH的[2s,3000s]部分和本周期的数据中的方向盘转角速度TH;计算特征参数横摆角标准差(STDYA)时,提取上一周期STDYA的最优时间窗内YA的[2s,15s]部分和本周期的数据中的方向盘转角速度YA;计算特征参数横摆角速度标准差(STDYV)时,提取上一周期STDYV的最优时间窗内YV的[2s,40s]部分和本周期的数据中的方向盘转角速度YV;在新的时间窗Ti内计算本周期特征参数Pi,并输入疲劳模式分类器判断驾驶人疲劳状态;
4)若驾驶人处于疲劳驾驶状态,则预警,若驾驶人处于正常驾驶状态,则执行采用滑移时间窗计算下一周期特征参数并判断驾驶人状态步骤。
具体实施范例:
1.构建疲劳模式分类器:采集50名驾驶人在不同驾驶状态(正常驾驶、疲劳驾驶)下的位于直道条件下的驾驶行为数据,筛选特征参数及其最优时间窗,搭建直道条件下的疲劳模式分类器;
1)传感器采集50名驾驶人正常驾驶状态下位于直道条件下的驾驶行为数据;
2)传感器采集50名驾驶人疲劳驾驶状态下位于直道条件下的驾驶行为数据;
3)利用特征提取方法提取疲劳驾驶特征参数,采用统计分析的方法检验在不同驾驶状态(正常驾驶、疲劳驾驶)下特征参数差异的显著性,进而筛选出直道条件下特征参数:方向盘转角均值(MEANSA)、方向盘转角标准差(STDSA)、方向盘转角熵(ENSA)、方向盘转角速度标准差(STDSV)、零速百分比(PNS)、车道偏移量标准差(SDLP)、油门开度变化次数(THV)、横摆角标准差(STDYA)、横摆角速度标准差(STDYV)构成特征参数组P,P=[MEANSA,STDSA,ENSA,STDSV,PNS,SDLP,THV,STDYA,STDYV];
4)通过分别计算所述特征参数组P内各特征参数Pi对疲劳驾驶的区分能力,选取对疲劳驾驶状态区分能力最好的时间窗作为该特征参数Pi的最优时间窗Ti,方向盘转角均值(MEANSA)的最优时间窗TMEANSA=40s,方向盘转角标准差(STDSA)的最优时间窗TSTDSA=15s,方向盘转角熵(ENSA)的最优时间窗TENSA=60s,方向盘转角速度标准差(STDSV)的最优时间窗TSTDSV=40s,零速百分比(PNS)的最优时间窗TPNS=4s,车道偏移量标准差(SDLP)的最优时间窗TSDLP=40s,油门开度变化次数(THV)的最优时间窗TTHV=3000s,横摆角标准差(STDYA)的最优时间窗TSTDYA=15s,横摆角速度标准差(STDYV)的最优时间窗TSTDYV=40s;
5)分别计算正常驾驶条件下同一时刻特征参数组P内各特征参数Pi在其最优时间窗Ti内的特征参数值,建立正常驾驶条件下特征参数值的数据库;
6)分别计算疲劳驾驶条件下同一时刻特征参数组P内各特征参数Pi在其最优时间窗Ti内的特征参数值,建立疲劳驾驶条件下特征参数值的数据库;
7)将筛选出的直道条件下疲劳驾驶特征参数组P全部引入特征空间,基于建立的特征参数值数据库利用支持向量机构建直道条件下疲劳模式分类器。
2.驾驶数据采集传感器采集车辆行进过程中的驾驶行为数据及车载GPS定位信息,利用车载GPS定位信息及数字地图,获取当前车辆所在位置的道路曲率信息,通过计算道路曲率引起的驾驶行为差异,将不同弯道条件下驾驶行为数据换算到直道条件下,消除道路曲率对驾驶行为数据的影响。
1)采集车辆行进过程中的驾驶行为数据DATA0包括:方向盘转角SA0,单位:rad,方向盘转角速度SV0,单位:rad/s,油门踏板开度TH0,单位:%,车速V0,单位:m/s,加速度A0,单位:m/s2,横摆角YA0,单位:rad,横摆角速度YV0,单位:rad/s和车道偏移量LP0,单位:m;
2)利用车载GPS终端获取车辆当前位置信息,利用数字地图得到车辆当前位置道路曲率ρ,单位:m-1;
3)计算由于曲率ρ而引起的方向盘转角的变化SAρ,单位:rad;
4)计算由于曲率ρ而引起的方向盘转角速度的变化SVρ,单位:rad/s;
5)计算由于曲率ρ而引起的横摆角的变化YAρ,单位:rad;
6)计算由于曲率ρ而引起的横摆角速度的变化YVρ,单位:rad/s;
7)将采集的驾驶行为数据DATA0换算为直道条件下的驾驶行为数据DATA包括:方向盘转角SA、方向盘转角速度SV、油门踏板开度TH、车速V、加速度A、横摆角YA、横摆角速度YV和车道偏移量LP。其中方向盘转角SA的计算公式为:SA=SA0-SAρ,单位:rad,方向盘转角速度SV的计算公式为:SV=SV0-SVρ,单位:rad/s,横摆角YA的计算公式为:YA=YA0-YAρ,单位:rad,横摆角速度YV的计算公式为:YV=YV0-YVρ,单位:rad/s,其他数据保持不变,即:油门踏板开度TH=TH0,单位:%,车速V=V0,单位:m/s,加速度A=A0,单位:m/s2,车道偏移量LP=LP0,单位:m。
3.采用滑移时间窗的方法提取并融合特征参数在其最优时间窗内的特征参数值,并将此特征参数值输入直道条件下疲劳模式分类器,实现对驾驶人疲劳状态的辨识。
1)计算当前时刻最优特征参数值判断驾驶人状态:当前时刻为t,对于特征参数方向盘转角均值(MEANSA),保存从当前时刻t开始前40s内DATA中的方向盘转角SA,计算MEANSA;对于特征参数方向盘转角标准差(STDSA),保存从当前时刻t开始前15s内DATA中的方向盘转角SA,计算STDSA;对于特征参数方向盘转角熵(ENSA),保存从当前时刻t开始前60s内DATA中的方向盘转角SA,计算ENSA;对于特征参数方向盘转角速度标准差(STDSV),保存从当前时刻t开始前40s内DATA中的方向盘转角速度SV,计算STDSV;对于特征参数零速百分比(PNS),保存从当前时刻t开始前4s内DATA中的方向盘转角速度SV,计算PNS;对于特征参数车道偏移量标准差(SDLP),保存从当前时刻t开始前40s内DATA中的车道偏移量LP,计算SDLP;对于特征参数油门开度变化次数(THV),保存从当前时刻t开始前3000s内DATA中的油门踏板开度TH,计算THV;对于特征参数横摆角标准差(STDYA),保存从当前时刻t开始前15s内DATA中的横摆角YA,计算STDYA;对于特征参数横摆角速度标准差(STDYV),保存从当前时刻t开始前40s内DATA中的横摆角YV,计算STDYV;将当前t时刻计算的特征参数组P内特征参数值全部输入直道条件下基于支持向量机搭建的疲劳模式分类器,输出驾驶人疲劳状态;
2)若驾驶人处于疲劳驾驶状态,则预警,若驾驶人处于正常驾驶状态,则采用滑移时间窗方法进行下一周期计算;
3)采用滑移时间窗计算下一周期特征参数并判断驾驶人状态:疲劳模式分类器计算周期为T=2s,读取下一周期的驾驶行为数据DATA,计算特征参数方向盘转角均值(MEANSA)时,提取上一周期MEANSA的最优时间窗内SA的[2s,40s]部分和本周期的数据中的方向盘转角SA;计算特征参数方向盘转角标准差(STDSA)时,需要提取上一周期STDSA的最优时间窗内SA的[2s,15s]部分和本周期的数据中的方向盘转角SA;计算特征参数方向盘转角熵(ENSA)时,提取上一周期ENSA的最优时间窗内SA的[2s,60s]部分和本周期的数据中的方向盘转角SA;计算特征参数方向盘转角速度标准差(STDSV)时,提取上一周期STDSV的最优时间窗内SV的[2s,40s]部分和本周期的数据中的方向盘转角速度SV;计算特征参数零速百分比(PNS)时,提取上一周期PNS的最优时间窗内SV的[2s,4s]部分和本周期的数据中的方向盘转角速度SV;计算特征参数车道偏移量标准差(SDLP)时,提取上一周期SDLP的最优时间窗内LP的[2s,40s]部分和本周期的数据中的方向盘转角速度LP;计算特征参数油门开度变化次数(THV)时,提取上一周期THV的最优时间窗内TH的[2s,3000s]部分和本周期的数据中的方向盘转角速度TH;计算特征参数横摆角标准差(STDYA)时,需要提取上一周期STDYA的最优时间窗内YA的[2s,15s]部分和本周期的数据中的方向盘转角速度YA;计算特征参数横摆角速度标准差(STDYV)时,提取上一周期STDYV的最优时间窗内YV的[2s,40s]部分和本周期的数据中的方向盘转角速度YV;在新的时间窗Ti内计算本周期特征参数Pi,并输入疲劳模式分类器判断驾驶人疲劳状态;
4)若驾驶人处于疲劳驾驶状态,则预警,若驾驶人处于正常驾驶状态,则执行采用滑移时间窗计算下一周期特征参数并判断驾驶人状态步骤。
以上具体实施范例中,分别采集50名驾驶人在正常驾驶和疲劳驾驶状态下的位于直道条件下的驾驶行为数据和位于弯道条件下的驾驶行为数据,但要实现本发明所提供的方法,对驾驶人驾驶行为数据的采集范围不限于只抽样50人,基于公知常识,前期数据采集量越大,后期数据处理的准确度越高,故本实施例中只给出端值,即最小值的范例。
以上仅是本发明的具体应用范例,对本发明的保护范围不构成任何限制。除上述实施例外,本发明还可以有其它实施方式。凡采用等同替换或等效变换形成的技术方案,均落在本发明所要求保护的范围之内。
Claims (4)
1.一种基于GPS定位信息的疲劳驾驶检测方法,其特征在于,该方法包括如下步骤:
1)构建疲劳模式分类器:传感器采集N名驾驶人在正常驾驶状态下和疲劳驾驶状态下的位于直道条件下的驾驶行为数据,其中N≥50,筛选特征参数及其最优时间窗,构建直道条件下的疲劳模式分类器;
2)采集车辆行进过程中的驾驶行为数据及车载GPS定位信息,利用车载GPS定位信息及数字地图,获取当前车辆所在位置的道路曲率信息,通过计算道路曲率引起的驾驶行为差异,将不同弯道条件下驾驶行为数据换算到直道条件下,消除道路曲率对驾驶行为数据的影响;
3)采用滑移时间窗的方法提取并融合各特征参数在其最优时间窗内的特征参数值,并将此特征参数输入直道条件下疲劳模式分类器,实现对驾驶人疲劳状态的辨识。
2.按照权利要求1所述的一种基于GPS定位信息的疲劳驾驶检测方法,其特征在于,所述的构建直道条件下的疲劳模式分类器的具体步骤如下:
(1)采集N,N≥50名驾驶人在正常驾驶状态下的位于直道条件下的驾驶行为数据;
(2)采集N,N≥50名驾驶人在疲劳驾驶状态下的位于直道条件下的驾驶行为数据;
(3)利用特征提取方法提取疲劳驾驶特征参数,采用统计分析的方法检验在不同驾驶状态下特征参数差异的显著性,进而筛选出直道条件下疲劳驾驶特征参数Pi,构成特征参数组P;
(4)分别计算所述特征参数组P内各特征参数Pi对疲劳驾驶的区分能力,选取对疲劳驾驶状态区分能力最好的时间窗作为该特征参数Pi的最优时间窗Ti,单位:s;
(5)分别计算正常驾驶条件下在同一时刻特征参数组P内各特征参数Pi在其最优时间窗Ti内的特征参数值,建立正常驾驶条件下特征参数值的数据库;
(6)分别计算疲劳驾驶条件下在同一时刻特征参数组P内各特征参数Pi在其最优时间窗Ti内的特征参数值,建立疲劳驾驶条件下特征参数值的数据库;
(7)将筛选出的直道条件下疲劳驾驶特征参数组P全部引入特征空间,基于建立的特征参数值数据库,利用机器学习的方法构建直道条件下疲劳模式分类器。
3.按照权利要求1所述的一种基于GPS定位信息的疲劳驾驶检测方法,其特征在于,所述的采集车辆行进过程中的驾驶行为数据及车载GPS定位信息,利用车载GPS定位信息及数字地图,获取当前车辆所在位置的道路曲率信息,通过计算,将不同弯道条件下驾驶行为数据换算到直道条件下,消除道路曲率对驾驶行为数据的影响,具体步骤如下:
(1)驾驶行为数据采集传感器采集车辆行进过程中的驾驶行为数据DATA0,包括:方向盘转角SA0,单位:rad,方向盘转角速度SV0,单位:rad/s,油门踏板开度TH0,单位:%,车速V0,单位:m/s,加速度A0,单位:m/s2,横摆角YA0,单位:rad,横摆角速度YV0,单位:rad/s和车道偏移量LP0,单位:m;
(2)利用车载GPS终端获取车辆当前位置信息,利用数字地图得到车辆当前位置道路曲率ρ,单位:m-1;
(3)计算由于曲率ρ而引起的方向盘转角的变化SAρ,单位:rad;
(4)计算由于曲率ρ而引起的方向盘转角速度的变化SVρ,单位:rad/s;
(5)计算由于曲率ρ而引起的横摆角的变化YAρ,单位:rad;
(6)计算由于曲率ρ而引起的横摆角速度的变化YVρ:rad/s;
(7)将采集的驾驶行为数据DATA0换算为直道条件下的驾驶行为数据DATA,包括:方向盘转角SA、方向盘转角速度SV、油门踏板开度TH、车速V、加速度A、横摆角YA、横摆角速度YV和车道偏移量LP;其中方向盘转角SA的计算公式为:SA=SA0-SAρ,单位:rad,方向盘转角速度SV的计算公式为:SV=SV0-SVρ,单位:rad/s,横摆角YA的计算公式为:YA=YA0-YAρ,单位:rad,横摆角速度YV的计算公式为:YV=YV0-YVρ,单位:rad/s,其他数据保持不变,即:油门踏板开度TH=TH0,单位:%,车速V=V0,单位:m/s,加速度A=A0,单位:m/s2,车道偏移量LP=LP0,单位:m。
4.按照权利要求1所述的一种基于GPS定位信息的疲劳驾驶检测方法,其特征在于,所述的采用滑移时间窗的方法提取并融合特征参数在其最优时间窗内的特征参数值,并输入直道条件下疲劳模式分类器,实现对驾驶人疲劳状态的辨识,具体步骤如下:
(1)计算当前时刻最优特征参数值判断驾驶人状态:对于特征参数Pi,保存从当前时刻开始前Ti时间段内计算Pi所需的驾驶行为数据DATA中的对应数据,利用保存的最优时间窗Ti内的数据计算特征参数Pi数值,并输入直道条件下疲劳模式分类器判断驾驶人疲劳状态;
(2)若驾驶人处于疲劳驾驶状态,则预警,若驾驶人处于正常驾驶状态,则采用滑移时间窗方法进行下一周期计算;
(3)采用滑移时间窗的方法计算下一周期特征参数并判断驾驶人状态:疲劳模式分类器计算周期为T,读取下一周期的驾驶行为数据DATA,将特征参数Pi的最优时间窗Ti向前滑移T,本周期保存的对应驾驶行为数据为上一周期最优时间窗Ti内时间长度为[T,Ti]的数据和本周期读取的时间长度为T的数据,在新的时间窗Ti内计算本周期特征参数Pi,并将本周期特征参数输入直道条件下疲劳模式分类器判断驾驶人疲劳状态;
(4)若驾驶人处于疲劳驾驶状态,则预警,若驾驶人处于正常驾驶状态,则重复步骤(3)的采用滑移时间窗的方法计算下一周期特征参数并判断驾驶人状态步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310434763.2A CN103578227B (zh) | 2013-09-23 | 2013-09-23 | 基于gps定位信息的疲劳驾驶检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310434763.2A CN103578227B (zh) | 2013-09-23 | 2013-09-23 | 基于gps定位信息的疲劳驾驶检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103578227A CN103578227A (zh) | 2014-02-12 |
CN103578227B true CN103578227B (zh) | 2015-10-07 |
Family
ID=50049933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310434763.2A Expired - Fee Related CN103578227B (zh) | 2013-09-23 | 2013-09-23 | 基于gps定位信息的疲劳驾驶检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103578227B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203437B (zh) * | 2015-05-07 | 2017-11-24 | 平安科技(深圳)有限公司 | 个体驾驶行为特征识别方法和装置 |
DE102015220360A1 (de) * | 2015-10-20 | 2017-04-20 | Robert Bosch Gmbh | Verfahren zur Auswahl einer optimierten Trajektorie |
DE102015016442A1 (de) * | 2015-12-17 | 2017-06-22 | Daimler Ag | Verfahren zum Steuern wenigstens einer Komponente eines Kraftfahrzeugs |
CN105708479A (zh) * | 2016-01-15 | 2016-06-29 | 安徽科技学院 | 基于动态阀值的驾驶员疲劳状态检测装置及检测方法 |
CN105844257B (zh) * | 2016-04-11 | 2019-03-01 | 吉林大学 | 基于机器视觉雾天行车错失道路标志牌的预警***及方法 |
CN105976567B (zh) * | 2016-06-06 | 2019-01-29 | 清华大学 | 基于车辆踏板和跟车行为的驾驶员疲劳检测方法 |
CN107172123B (zh) * | 2017-04-11 | 2020-09-18 | 中国第一汽车股份有限公司 | 用于商用车车队管理***的车辆信息上传方法 |
CN107845258B (zh) * | 2017-10-23 | 2021-09-14 | 惠州Tcl移动通信有限公司 | 一种疲劳驾驶的智能识别方法、装置及存储介质 |
CN109493566B (zh) * | 2018-12-18 | 2020-09-08 | 长安大学 | 一种基于gps数据的疲劳驾驶预测方法 |
CN110393531A (zh) * | 2019-05-23 | 2019-11-01 | 重庆大学 | 一种基于智能设备的疲劳驾驶检测方法及*** |
CN111862533B (zh) * | 2020-07-15 | 2021-11-12 | 广东卡仕达电子科技有限公司 | 一种基于大数据的车辆联合导航设备及导航方法 |
CN112233276B (zh) * | 2020-10-13 | 2022-04-29 | 重庆科技学院 | 一种用于疲劳状态识别的方向盘转角统计特征融合方法 |
CN115810253A (zh) * | 2022-11-25 | 2023-03-17 | 同济大学 | 一种驾驶员微入睡事件短临预测的方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101375796A (zh) * | 2008-09-18 | 2009-03-04 | 浙江工业大学 | 疲劳驾驶实时检测*** |
CN101840632A (zh) * | 2009-03-18 | 2010-09-22 | 深圳先进技术研究院 | 一种对车内驾驶行为异常监控方法和*** |
CN101872171A (zh) * | 2009-04-24 | 2010-10-27 | 中国农业大学 | 基于信息融合的驾驶员疲劳状态识别方法和*** |
CN202995971U (zh) * | 2012-11-21 | 2013-06-12 | 长安大学 | 一种基于车辆轨迹的驾驶疲劳状态预警装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102005026456B4 (de) * | 2005-06-09 | 2017-04-20 | Daimler Ag | Verfahren zur Müdigkeitserkennung |
-
2013
- 2013-09-23 CN CN201310434763.2A patent/CN103578227B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101375796A (zh) * | 2008-09-18 | 2009-03-04 | 浙江工业大学 | 疲劳驾驶实时检测*** |
CN101840632A (zh) * | 2009-03-18 | 2010-09-22 | 深圳先进技术研究院 | 一种对车内驾驶行为异常监控方法和*** |
CN101872171A (zh) * | 2009-04-24 | 2010-10-27 | 中国农业大学 | 基于信息融合的驾驶员疲劳状态识别方法和*** |
CN202995971U (zh) * | 2012-11-21 | 2013-06-12 | 长安大学 | 一种基于车辆轨迹的驾驶疲劳状态预警装置 |
Non-Patent Citations (2)
Title |
---|
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.《清华大学学报(自然科学版)》.2010,第50卷(第7期), * |
李伟,何其昌,范秀敏.基于汽车操纵信号的驾驶员疲劳状态检测.《上海交通大学学报》.2010,第44卷(第2期), * |
Also Published As
Publication number | Publication date |
---|---|
CN103578227A (zh) | 2014-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103578227B (zh) | 基于gps定位信息的疲劳驾驶检测方法 | |
CN103489010B (zh) | 基于驾驶行为的疲劳驾驶检测方法 | |
CN102167041B (zh) | 一种基于加速度传感器的车辆行驶状态的判定方法 | |
CN104802737B (zh) | 一种基于手机的车辆异常驾驶行为检测方法 | |
CN101002239B (zh) | 监控驾驶的***和方法 | |
CN103502075B (zh) | 道路倾斜度的估计 | |
CN107389168A (zh) | 一种用于桥梁的车辆移动载荷的识别方法 | |
CN105030257B (zh) | 驾驶员异常检测 | |
CN105564436A (zh) | 一种高级驾驶辅助*** | |
CN102800136A (zh) | 驾驶评价***、驾驶评价用程序及驾驶评价方法 | |
CN104887253B (zh) | 驾驶员疲劳检测 | |
CN105303830A (zh) | 一种驾驶行为分析***及分析方法 | |
CN103129385A (zh) | 驾驶行为分析警示***与方法 | |
CN106875510A (zh) | 一种车辆侧翻预警方法和*** | |
CN103946715B (zh) | 声源检测*** | |
KR20010105309A (ko) | 이동체의 조작 경향 해석 방법, 운행 관리 시스템 및 그구성 장치, 기록 매체 | |
CN106777776A (zh) | 一种基于支持向量机模型的车辆换道决策方法 | |
CN105261151A (zh) | 基于操作行为特征的高等级公路驾驶人疲劳状态检测方法 | |
WO2021238136A1 (zh) | 一种基于hmm-rf混合模型的重型车辆侧翻预警方法和*** | |
JP2022532100A (ja) | 道路舗装の凹凸を認識する方法及びシステム | |
CN104794856A (zh) | 驾驶员注意力综合测评*** | |
CN110411766A (zh) | 列车转向架蛇形失稳检测方法、装置、***和存储介质 | |
CN103991474B (zh) | 车辆的转向控制装置 | |
CN106408032A (zh) | 基于转向盘转角的疲劳驾驶检测方法 | |
CN112356849A (zh) | 一种危险驾驶的预警方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20151007 Termination date: 20160923 |