CN112308136B - 一种基于SVM-Adaboost的驾驶分心检测方法 - Google Patents
一种基于SVM-Adaboost的驾驶分心检测方法 Download PDFInfo
- Publication number
- CN112308136B CN112308136B CN202011184768.0A CN202011184768A CN112308136B CN 112308136 B CN112308136 B CN 112308136B CN 202011184768 A CN202011184768 A CN 202011184768A CN 112308136 B CN112308136 B CN 112308136B
- Authority
- CN
- China
- Prior art keywords
- driving
- svm
- distraction
- data
- training
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000002372 labelling Methods 0.000 claims abstract description 4
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 24
- 238000012706 support-vector machine Methods 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 23
- 239000013598 vector Substances 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 9
- 230000004424 eye movement Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000012847 principal component analysis method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000004399 eye closure Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000013145 classification model Methods 0.000 abstract description 2
- 206010039203 Road traffic accident Diseases 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 208000030533 eye disease Diseases 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/193—Preprocessing; Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/197—Matching; Classification
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Ophthalmology & Optometry (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于SVM‑Adaboost的驾驶分心检测方法,包括基于自然驾驶数据搭建模拟驾驶场景;采集驾驶人在模拟驾驶场景中的驾驶数据;析出最佳影响因子;将影响因子指标标签化,将标签集中70%做训练集,30%为测试集,训练集将用作驾驶分心判别模型的模型训练,测试集用作模型优化测试;构建基于SVM‑Adaboost的驾驶分心判别模型,输出驾驶分心判别结果。有益效果:本发明提出的SVM‑Adaboost是一种集成二分类模型能够进一步提升判别模型的准确性;此模型输入数据为驾驶人眼动数据和车辆运行数据的结合,能够更好的提升判别精度;同时,数据输入更加多维也能增加驾驶分心判别的准确性。
Description
技术领域
本发明涉及一种驾驶分心判别方法,特别涉及针对驾驶人员驾驶过程驾驶状态的监测的一种基于SVM-Adaboost的驾驶分心检测方法,属于车辆驾驶辅助监测技术领域。
背景技术
近些年,随着人们机动出行需求不断提高,我国的汽车市场潜力持续释放,机动车保有量保持快速增长。庞大的机动车保有量也带来了一个日益严重的社会问题—道路交通事故及其所造成的人员伤亡。交通部数据显示:中国道路交通事故中驾驶员因素所占比例在80%以上,驾驶分心导致的交通事故可占重大事故14%至33%。有驾驶研究表明,若能在事故发生前0.5秒对驾驶员发出有效的警报,则能避免有效避免交通事故的发生。因此,对分心驾驶行为进行判别并作警示能够很好地提升道路交通安全。
目前,驾驶分心判别模型精确性的研究已成为当前预防交通事故领域的一大热点,并得到越来越多的重视。然而,相关内容的研究程度还不够,某些判别方法还需要进一步改善,采用单一模型不能高效精确的判别驾驶分心的状态。同时,在对多源驾驶绩效信息进行处理时,单一模型不能全面分析影响指标,判断精度不高。
Adaboost是一种迭代算法,其核心的思想就是针对同一个训练集训练不同的分类器,然后把这些弱分类器集合起来,构成一个更强的最终分类器。
SVM(Support Vector Machine)指的是支持向量机,是常见的一种判别方法。在机器学习的领域,是一个有监督的学习模型,通常用来进行模式识别、分类以及回归分析。
单纯的SVM算法虽然对小样本学习具有很强的适应性,但对于对于多维度数据处理能力不足。一般的adaboost需要确定弱分类器,确定了弱分类器才能进行迭代运算,确定的弱分类器不同,adaboost输出的结果就不同,如果使用单一弱分类器它输出的数据会不均衡,那么数据就不准确。
发明内容
发明目的:针对现有技术中存在不足,本发明提供了一种能够增加驾驶分心判别的准确性的基于SVM-Adaboost的驾驶分心检测方法。
技术方案:一种基于SVM-Adaboost的驾驶分心检测方法,包括以下步骤:
步骤一、基于自然驾驶数据搭建模拟驾驶场景;
步骤二、采集驾驶人在模拟驾驶场景中的驾驶数据,分别包括正常驾驶及分心驾驶状态下驾驶人生理特征、驾驶人心理特征、驾驶车辆运行特征及环境特征;
步骤三、基于主成分分析法对采集驾驶原始数据进行降维分析,提取表征因子特征根及特征向量,计算表征因子的贡献率,对表征因子方差贡献率进行排序,析出最佳影响因子;
步骤四、将最佳影响因子数据作显著性分析,将影响因子指标标签化,正常驾驶标签集为0,分心驾驶标签集为1,将标签集中70%做训练集,30%为测试集,训练集将用作驾驶分心判别模型的模型训练,测试集用作模型优化测试;
步骤五、将训练过程中输入训练集,每个特征用一个SVM弱分类器进行分类,计算每个SVM分类结果的错误率,每个SVM对应一个特征,一组SVM代表所有选取的特征组成一个基分类器,Adaboost将多个基分类器组合,利用SVM和Adaboost各自的优势构建基于SVM-Adaboost的驾驶分心判别模型,输出驾驶分心判别结果,标签0为正常驾驶,标签1为分心驾驶。
所述步骤一中搭建模拟驾驶场景采用联合仿真软件进行仿真,驾驶场景包括道路场景和车辆的驾驶场景,所述驾驶场景包括跟车、换道、转向、超车、会车的场景。
所述步骤二中采集驾驶人在模拟驾驶场景中的驾驶数据,在模拟驾驶场景中设置分心次任务,次任务分别设置在道路的不同区域和不同的驾驶环境中,采集驾驶人的眼动数据,同时导出车辆横向速度、纵向速度、横向加速度、纵向加速度、方向盘转角、油门开度、刹车制动力数据。
所述步骤三基于主成分分析法对采集驾驶原始数据进行降维分析,提取表征因子特征根及特征向量,计算表征因子的贡献率,对表征因子方差贡献率进行排序,析出最佳影响因子计算如下:
在进行主成分分析之前需要对所采集样本数据进行标准化前期处理得到标准化的矩阵X,使处理后的样本数据满足E(X)=0、D(X)=1,计算公式为:
其中
式中m为维度的数量,Xij、Yij为数据的向量矩阵;
计算标准化后的每两个指标间的相关系数,得到相关系数矩R,计算公式为:
其中X′为X的转置矩阵;
计算相关系数矩阵R的特征根及相应的特征向量并可以得到特征向量矩阵V,计算公式为:
|R-λi|=0
式中λi为特征向量矩阵元素;
计算第k个主成分的主成分贡献率,并得到特征值向量K,计算公式为:
式μk是第k个主成分的主成分贡献率,λk是第k个主成分中的矩阵元素;
依据各主成分贡献率由大到小选取前p个主成分,使其累计贡献率大于90%:
计算各个原始参数指标对原始信息的贡献率矩阵F:
F=abs(V)*abs(K)
其中abs(V)和abs(K)函数是对数组元素进行绝对值处理的函数;
将指标贡献值降序排序,选取排序在前的4个主成分进行分析,分别是正常区域注视时间比、眼闭合时间比例、车速及加速度。、
所述步骤四中将最佳影响因子数据作显著性分析,将影响因子指标标签化,在每次训练过程中选取70%的样本量作为训练集,其余为测试集,保证训练集中包括正常和分心两种驾驶状态,根据实验眼动仪视频对训练集中驾驶人驾驶分心状态进行标定。
所述步骤五中在训练过程中输入训练集,每个特征用一个SVM弱分类器进行分类,计算每个SVM分类结果的错误率,所有特征对应的多个SVM组成一个基分类器,并由这些SVM中最小的错误率作为基分类器的错误率,计算基分类器的权重δk,由δk更新数据集权重,经过多次迭代得到最终分类器GMk指第K个基分类器;在测试过程中输入测试集,遍历各基分类器,在遍历过程中由各基分类器中的弱分类器SVM进行预测分类,统计分类结果并对结果进行投票,选投票最高的作为基分类器的预测分类,对各分类器的分类结果进行加权累加,得到最终的分类判断,SVM-Adaboost模型的训练过程如下:
输入训练集T={(x1,y1),(x2,y2),…,(xn,yn)},其中xn,yn∈(-1,+1);
初始化训练样本的权重为:
对于k=1,2,…,K:每个特征用一个SVM进行分类,SVM看做弱分类器Rs(x1),共有n个Rs(x1),计算每个Rs(x1)的错误率得到最小错误率ekmin;
更新训练数据集权重:
其中,归一化因子zk为将样本权重带入出求弱分类器的错误率及基分类器权重;
得到最终的SVM-Adaboost分类器
式中Gk(x)指第k轮训练出的基分类器模型;
将训练集输入最终的分类器,标签0为正常驾驶,标签1为分心驾驶。
有益效果:本发明提出的SVM-Adaboost是一种集成二分类模型,该模型采用迭代思想,每次迭代只训练一个弱分类器,训练好的弱分类器将在下一次迭代中使用;采用SVM-Adaboost能够进一步提升判别模型的准确性,尤其是面对多维数据集,该模型优势更加突出;此模型输入数据为驾驶人眼动数据和车辆运行数据的结合,该数据集相较单一数据集更加多维,数据集更加复杂,因此,采用复合模型能够更好的提升判别精度;同时,数据输入更加多维也能增加驾驶分心判别的准确性。
附图说明
图1为本发明基于SVM-Adaboost驾驶分心判别流程图;
图2为本发明提出的SVM-Adaboost集成模型示意图。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明,但本发明的保护范围并不限于此。
如图1和2所示,一种基于SVM-Adaboost的驾驶分心检测方法,包括以下步骤:
步骤一、基于自然驾驶数据搭建模拟驾驶场景;
基于prescan和simulink软件构建驾驶场景,实验设计的道路场景为停止标识控制的城市交叉道路网,道路为双向双车道,符合中国道路交通规则,设定单车道宽3.75m。自车在车道上跟车驾驶,依次进行无次任务状态驾驶、参与视觉次任务驾驶、参与认知次任务驾驶,实验过程分别经历换道、转向、超车、会车的道路环境变化。车速由被试者控制,保持在40km/h上下,以保证进入交叉口的初始车速一致性。一个交叉口事件定义为车辆进入交叉口停止线前130m到离开交叉口中心30m,当车辆距离停止线为60m±5m时,触发横向优先通行道路车流,车流设计为4辆车以40km/h车速行驶,彼此车距为1~3s车头时距,随机分布,被试车辆等待横向车辆通过后驶离交叉口。一圈有4个停止标识控制的交叉口,每个交叉口随机设置实验条件。
步骤二、采集驾驶人在模拟驾驶场景中的驾驶数据,分别包括正常驾驶及分心驾驶状态下驾驶人生理特征、驾驶人心理特征、驾驶车辆运行特征及环境特征;
招募的实验人员性别和职业比例均为1:1,人数30人,招募方式为在以往实验建立的实验人员数据库中定向联系实验人员以及微信平台招募。所选驾驶人均持有C1驾照;驾龄不低于3年;驾驶里程不低于5000KM裸眼或矫正视力达到对数视力表4.9以上,无眼部疾病,身体状况良好。实验开始前进行场地准备,于实验场地搭建驾驶模拟平台,配备所有必要硬件和软件的完整***,可针对各种驾驶面部眼动信息实时采集捕捉及信息处理和分析。驾驶场景构建及车辆运行状态采集软件为PreScan 8.5.0,可以对驾驶场景进行模拟及通过PreScan与simulink的联合仿真导出车辆横向速度、纵向速度、横向加速度、纵向加速度、方向盘转角、油门开度、刹车制动力等数据
步骤三、基于主成分分析法对采集驾驶原始数据进行降维分析,提取表征因子特征根及特征向量,计算表征因子的贡献率,对表征因子方差贡献率进行排序,析出最佳影响因子;
样本处理:为了消除各样本数据不同量纲的影响,使各样本数据具有可比性,在进行主成分分析之前需要对所采集样本数据进行标准化前期处理得到标准化的矩阵X,使处理后的样本数据满足E(X)=0、D(X)=1,计算公式为:
其中:
式中m为维度的数量,Xij、Yij为数据的向量矩阵;
计算标准化后的每两个指标间的相关系数,得到相关系数矩R,计算公式为:
其中X′为X的转置矩阵;
计算相关系数矩阵R的特征根及相应的特征向量并可以得到特征向量矩阵V,计算公式为:
|R-λi|=0
计算第k个主成分的主成分贡献率,并得到特征值向量K,计算公式为:
式μk是第k个主成分的主成分贡献率,λk是第k个主成分中的矩阵元素;
依据各主成分贡献率由大到小选取前p个主成分,使其累计贡献率大于90%:
通过实验获取原始数据样本后进行主成分分析,选取方差的累计贡献率大于90%的前k个主成分;以各主成分的方差贡献率作为权重,通过线性加权的方法求各个原始参数指标对原始信息的贡献率矩阵F:
F=abs(V)*abs(K)
其中abs(V)和abs(K)函数是对数组元素进行绝对值处理的函数;
将指标贡献值降序排序,选取排序在前的4个主成分进行分析,分别是正常区域注视时间比、眼闭合时间比例、车速及加速度。
步骤四、将最佳影响因子数据作显著性分析,将影响因子指标标签化,正常驾驶标签集为0,分心驾驶标签集为1,将标签集中70%做训练集,30%为测试集,训练集将用作驾驶分心判别模型的模型训练,测试集用作模型优化测试;在每次训练过程中选取70%的样本量作为训练集,其余为测试集,保证训练集中包括正常和分心两种驾驶状态,根据实验眼动仪视频对训练集中驾驶人驾驶分心状态进行标定。
步骤五、在训练过程中输入训练集,每个特征用一个SVM弱分类器进行分类,计算每个SVM分类结果的错误率,所有特征对应的多个SVM组成一个基分类器,并由这些SVM中最小的错误率作为基分类器的错误率,计算基分类器的权重δk,由δk更新数据集权重,经过多次迭代得到最终分类器在测试过程中输入测试集,遍历各基分类器,在遍历过程中由各基分类器中的弱分类器SVM进行预测分类,统计分类结果并对结果进行投票,选投票最高的作为基分类器的预测分类,对各分类器的分类结果进行加权累加,得到最终的分类判断,SVM-Adaboost模型的训练过程如下:
输入训练集T={(x1,y1),(x2,y2),…,(xn,yn)},其中xn,yn∈(-1,+1)。
初始化训练样本的权重为:
对于k=1,2,…,K:每个特征用一个SVM进行分类,SVM看做弱分类器Rs(x1),共有n个Rs(x1),计算每个Rs(x1)的错误率得到最小错误率ekmin。
更新训练数据集权重:
其中,归一化因子zk为将样本权重带入出求弱分类器的错误率及基分类器权重。
得到最终的SVM-Adaboost分类器
将训练集输入最终的分类器,标签0为正常驾驶,标签1为分心驾驶。
所述实施例为本发明的优选的实施方式,但本发明并不限于上述实施方式,在不背离本发明的实质内容的情况下,本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
Claims (3)
1.一种基于SVM-Adaboost的驾驶分心检测方法,其特征在于,包括以下步骤:
步骤一、基于自然驾驶数据搭建模拟驾驶场景;
步骤二、采集驾驶人在模拟驾驶场景中的驾驶数据,分别包括正常驾驶及分心驾驶状态下驾驶人生理特征、驾驶人心理特征、驾驶车辆运行特征及环境特征;
步骤三、基于主成分分析法对采集驾驶原始数据进行降维分析,提取表征因子特征根及特征向量,计算表征因子的贡献率,对表征因子方差贡献率进行排序,析出最佳影响因子;
步骤四、将最佳影响因子数据作显著性分析,将影响因子指标标签化,正常驾驶标签集为0,分心驾驶标签集为1,将标签集中70%做训练集,30%为测试集,训练集将用作驾驶分心判别模型的模型训练,测试集用作模型优化测试;
步骤五、将训练过程中输入训练集,每个特征用一个SVM弱分类器进行分类,计算每个SVM分类结果的错误率,每个SVM对应一个特征,一组SVM代表所有选取的特征组成一个基分类器,Adaboost将多个基分类器组合,利用SVM和Adaboost各自的优势构建基于SVM-Adaboost的驾驶分心判别模型,输出驾驶分心判别结果,标签0为正常驾驶,标签1为分心驾驶;
所述步骤一中搭建模拟驾驶场景采用联合仿真软件进行仿真,驾驶场景包括道路场景和车辆的驾驶场景,所述驾驶场景包括跟车、换道、转向、超车、会车的场景;
所述步骤二中采集驾驶人在模拟驾驶场景中的驾驶数据,在模拟驾驶场景中设置分心次任务,次任务分别设置在道路的不同区域和不同的驾驶环境中,采集驾驶人的眼动数据,同时导出车辆横向速度、纵向速度、横向加速度、纵向加速度、方向盘转角、油门开度、刹车制动力数据;
所述步骤三基于主成分分析法对采集驾驶原始数据进行降维分析,提取表征因子特征根及特征向量,计算表征因子的贡献率,对表征因子方差贡献率进行排序,析出最佳影响因子计算如下:
在进行主成分分析之前需要对所采集样本数据进行标准化前期处理得到标准化的矩阵X,使处理后的样本数据满足E(X)=0、D(X)=1,计算公式为:
其中
式中m为维度的数量,Xij、Yij为数据的向量矩阵;
计算标准化后的每两个指标间的相关系数,得到相关系数矩R,计算公式为:
其中X′为X的转置矩阵;
计算相关系数矩阵R的特征根及相应的特征向量并可以得到特征向量矩阵V,计算公式为:
|R-λi|=0
式中λi为特征向量矩阵元素;
计算第k个主成分的主成分贡献率,并得到特征值向量K,计算公式为:
式μk是第k个主成分的主成分贡献率,λk是第k个主成分中的矩阵元素;
依据各主成分贡献率由大到小选取前p个主成分,使其累计贡献率大于90%:
计算各个原始参数指标对原始信息的贡献率矩阵F:
F=abs(V)*abs(K)
其中abs(V)和abs(K)函数是对数组元素进行绝对值处理的函数;
将指标贡献值降序排序,选取排序在前的4个主成分进行分析,分别是正常区域注视时间比、眼闭合时间比例、车速及加速度。
2.根据权利要求1所述的基于SVM-Adaboost的驾驶分心检测方法,其特征在于:所述步骤四中将最佳影响因子数据作显著性分析,将影响因子指标标签化,在每次训练过程中选取70%的样本量作为训练集,其余为测试集,保证训练集中包括正常和分心两种驾驶状态,根据实验眼动仪视频对训练集中驾驶人驾驶分心状态进行标定。
3.根据权利要求2所述的基于SVM-Adaboost的驾驶分心检测方法,其特征在于:所述步骤五中在训练过程中输入训练集,每个特征用一个SVM弱分类器进行分类,计算每个SVM分类结果的错误率,所有特征对应的多个SVM组成一个基分类器,并由这些SVM中最小的错误率作为基分类器的错误率,计算基分类器的权重δk,由δk更新数据集权重,经过多次迭代得到最终分类器GMk指第K个基分类器;在测试过程中输入测试集,遍历各基分类器,在遍历过程中由各基分类器中的弱分类器SVM进行预测分类,统计分类结果并对结果进行投票,选投票最高的作为基分类器的预测分类,对各分类器的分类结果进行加权累加,得到最终的分类判断,SVM-Adaboost模型的训练过程如下:
输入训练集T={(x1,y1),(x2,y2),…,(xn,yn)},其中xn,yn∈(-1,+1);
初始化训练样本的权重为:
对于k=1,2,…,K:每个特征用一个SVM进行分类,SVM看做弱分类器Rs(x1),共有n个Rs(x1),计算每个Rs(x1)的错误率得到最小错误率ekmin;
更新训练数据集权重:
其中,归一化因子zk为将样本权重带入出求弱分类器的错误率及基分类器权重;
得到最终的SVM-Adaboost分类器
式中Gk(x)指第k轮训练出的基分类器模型;
将训练集输入最终的分类器,标签0为正常驾驶,标签1为分心驾驶。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011184768.0A CN112308136B (zh) | 2020-10-29 | 2020-10-29 | 一种基于SVM-Adaboost的驾驶分心检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011184768.0A CN112308136B (zh) | 2020-10-29 | 2020-10-29 | 一种基于SVM-Adaboost的驾驶分心检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112308136A CN112308136A (zh) | 2021-02-02 |
CN112308136B true CN112308136B (zh) | 2024-06-11 |
Family
ID=74331868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011184768.0A Active CN112308136B (zh) | 2020-10-29 | 2020-10-29 | 一种基于SVM-Adaboost的驾驶分心检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112308136B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183466B (zh) * | 2020-10-26 | 2022-12-16 | 同济大学 | 一种基于道路场景识别的分心驾驶识别方法 |
CN113326971A (zh) * | 2021-04-30 | 2021-08-31 | 东南大学 | 一种基于PCA和Adaboost的隧道交通事故持续时间预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103462618A (zh) * | 2013-09-04 | 2013-12-25 | 江苏大学 | 一种基于转向盘转角特性的汽车驾驶员疲劳检测方法 |
CN110949398A (zh) * | 2019-11-28 | 2020-04-03 | 同济大学 | 一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法 |
WO2020079066A1 (en) * | 2018-10-16 | 2020-04-23 | Five AI Limited | Autonomous vehicle planning and prediction |
-
2020
- 2020-10-29 CN CN202011184768.0A patent/CN112308136B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103462618A (zh) * | 2013-09-04 | 2013-12-25 | 江苏大学 | 一种基于转向盘转角特性的汽车驾驶员疲劳检测方法 |
WO2020079066A1 (en) * | 2018-10-16 | 2020-04-23 | Five AI Limited | Autonomous vehicle planning and prediction |
CN110949398A (zh) * | 2019-11-28 | 2020-04-03 | 同济大学 | 一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112308136A (zh) | 2021-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | Driving style recognition and comparisons among driving tasks based on driver behavior in the online car-hailing industry | |
CN112508392B (zh) | 一种山区双车道公路隐患路段交通冲突风险动态评估方法 | |
US6879969B2 (en) | System and method for real-time recognition of driving patterns | |
CN111460919B (zh) | 一种基于改进YOLOv3的单目视觉道路目标检测及距离估计方法 | |
CN113743471B (zh) | 一种驾驶评估方法及其*** | |
Lyu et al. | Using naturalistic driving data to identify driving style based on longitudinal driving operation conditions | |
CN109671274B (zh) | 一种基于特征构造和融合的公路风险自动评估方法 | |
CN112308136B (zh) | 一种基于SVM-Adaboost的驾驶分心检测方法 | |
CN105809193B (zh) | 一种基于kmeans算法的非法运营车辆的识别方法 | |
CN108769104B (zh) | 一种基于车载诊断***数据的路况分析预警方法 | |
CN114169444B (zh) | 车辆跟驰工况下考虑风险势场分布的驾驶风格分类方法 | |
CN111563555A (zh) | 一种司机驾驶行为分析方法及*** | |
CN110858312A (zh) | 基于模糊c均值聚类算法的驾驶员驾驶风格分类方法 | |
CN116028884A (zh) | 一种小样本下基于原型网络的车辆换道风险评估方法 | |
CN114169682A (zh) | 一种驾驶能力过程性评价方法和*** | |
Wei et al. | Driver's mental workload classification using physiological, traffic flow and environmental factors | |
Chen et al. | Feature selection for driving style and skill clustering using naturalistic driving data and driving behavior questionnaire | |
CN117238126A (zh) | 一种连续流道路场景下的交通事故风险评估方法 | |
CN113642114A (zh) | 可犯错的拟人化随机跟车驾驶行为建模方法 | |
CN116946183A (zh) | 一种考虑驾驶能力的商用车驾驶行为预测方法及车用设备 | |
CN110555425A (zh) | 一种视频流实时行人检测方法 | |
CN115860461A (zh) | 一种平面交叉口下非机动车交通冲突的风险因子评估方法 | |
CN113591780A (zh) | 一种驾驶员行车风险鉴定方法及*** | |
Zhang et al. | Shareable Driving Style Learning and Analysis With a Hierarchical Latent Model | |
Xing et al. | Research on qualitative classification method of drivers' driving style |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |