CN103578227B - 基于gps定位信息的疲劳驾驶检测方法 - Google Patents

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

基于GPS定位信息的疲劳驾驶检测方法

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P_i，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P_i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P_i的最优时间窗T_i，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P_i在其最优时间窗T_i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P_i在其最优时间窗T_i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SA_ρ，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SV_ρ，单位：rad/s；

5）计算由于曲率ρ而引起的横摆角的变化YA_ρ，单位：rad；

6）计算由于曲率ρ而引起的横摆角速度的变化YV_ρ，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-SA_ρ，单位：rad，方向盘转角速度SV的计算公式为：SV＝SV₀-SV_ρ，单位：rad/s，横摆角YA的计算公式为：YA＝YA₀-YA_ρ，单位：rad，横摆角速度YV的计算公式为：YV＝YV₀-YV_ρ，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P_i，保存从当前时刻开始前T_i时间段内计算P_i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T_i内的数据计算特征参数P_i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P_i的最优时间窗T_i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T_i内时间长度为[T,T_i]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T_i内计算本周期特征参数P_i，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P_i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P_i的最优时间窗T_i：方向盘转角均值(MEANSA)的最优时间窗T_MEANSA＝40s，方向盘转角标准差(STDSA)的最优时间窗T_STDSA＝15s，方向盘转角熵(ENSA)的最优时间窗T_ENSA＝60s，方向盘转角速度标准差(STDSV)的最优时间窗T_STDSV＝40s，零速百分比(PNS)的最优时间窗T_PNS＝4s，车道偏移量标准差(SDLP)的最优时间窗T_SDLP＝40s，油门开度变化次数(THV)的最优时间窗T_THV＝3000s，横摆角标准差(STDYA)的最优时间窗T_STDYA＝15s，横摆角速度标准差(STDYV)的最优时间窗T_STDYV＝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P_i在其最优时间窗T_i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P_i在其最优时间窗T_i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SA_ρ，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SV_ρ，单位：rad/s；

5）计算由于曲率ρ而引起的横摆角的变化YA_ρ，单位：rad；

6）计算由于曲率ρ而引起的横摆角速度的变化YV_ρ，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-SA_ρ，单位：rad，方向盘转角速度SV的计算公式为：SV＝SV₀-SV_ρ，单位：rad/s，横摆角YA的计算公式为：YA＝YA₀-YA_ρ，单位：rad，横摆角速度YV的计算公式为：YV＝YV₀-YV_ρ，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T_i内计算本周期特征参数P_i，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P_i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P_i的最优时间窗T_i，方向盘转角均值(MEANSA)的最优时间窗T_MEANSA＝40s，方向盘转角标准差(STDSA)的最优时间窗T_STDSA＝15s，方向盘转角熵(ENSA)的最优时间窗T_ENSA＝60s，方向盘转角速度标准差(STDSV)的最优时间窗T_STDSV＝40s，零速百分比(PNS)的最优时间窗T_PNS＝4s，车道偏移量标准差(SDLP)的最优时间窗T_SDLP＝40s，油门开度变化次数(THV)的最优时间窗T_THV＝3000s，横摆角标准差(STDYA)的最优时间窗T_STDYA＝15s，横摆角速度标准差(STDYV)的最优时间窗T_STDYV＝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P_i在其最优时间窗T_i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P_i在其最优时间窗T_i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SA_ρ，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SV_ρ，单位：rad/s；

5）计算由于曲率ρ而引起的横摆角的变化YA_ρ，单位：rad；

6）计算由于曲率ρ而引起的横摆角速度的变化YV_ρ，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-SA_ρ，单位：rad，方向盘转角速度SV的计算公式为：SV＝SV₀-SV_ρ，单位：rad/s，横摆角YA的计算公式为：YA＝YA₀-YA_ρ，单位：rad，横摆角速度YV的计算公式为：YV＝YV₀-YV_ρ，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T_i内计算本周期特征参数P_i，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P_i，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P_i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P_i的最优时间窗T_i，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P_i在其最优时间窗T_i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P_i在其最优时间窗T_i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SA_ρ，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SV_ρ，单位：rad/s；

(5)计算由于曲率ρ而引起的横摆角的变化YA_ρ，单位：rad；

(6)计算由于曲率ρ而引起的横摆角速度的变化YV_ρ：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-SA_ρ，单位：rad，方向盘转角速度SV的计算公式为：SV＝SV₀-SV_ρ，单位：rad/s，横摆角YA的计算公式为：YA＝YA₀-YA_ρ，单位：rad，横摆角速度YV的计算公式为：YV＝YV₀-YV_ρ，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P_i，保存从当前时刻开始前T_i时间段内计算P_i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T_i内的数据计算特征参数P_i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P_i的最优时间窗T_i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T_i内时间长度为[T,T_i]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T_i内计算本周期特征参数P_i，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。