CN112660141A - 一种通过驾驶行为数据的驾驶员驾驶分心行为识别方法 - Google Patents
一种通过驾驶行为数据的驾驶员驾驶分心行为识别方法 Download PDFInfo
- Publication number
- CN112660141A CN112660141A CN202011602600.7A CN202011602600A CN112660141A CN 112660141 A CN112660141 A CN 112660141A CN 202011602600 A CN202011602600 A CN 202011602600A CN 112660141 A CN112660141 A CN 112660141A
- Authority
- CN
- China
- Prior art keywords
- distraction
- driver
- visual
- driving
- behavior
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000000007 visual effect Effects 0.000 claims abstract description 65
- 230000006399 behavior Effects 0.000 claims description 71
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 230000001133 acceleration Effects 0.000 claims description 12
- 238000013145 classification model Methods 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 16
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000004424 eye movement Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 230000004434 saccadic eye movement Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012729 kappa analysis Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000003945 visual behavior Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种通过驾驶行为数据的驾驶员驾驶分心行为识别方法，本发明通过非接触式眼动行为检测设备获取驾驶人眼动行为信息，驾驶模拟器采取驾驶行为数据，将驾驶行为数据与视觉特征相结合，通过运用AttenD驾驶分心视觉识别算法与支持向量机分类算法，提出了新的驾驶分心识别方法。本方法告别了传统的视觉检测方式，可用于实现低成本的实车驾驶分心行为实时监测与预警，提高道路安全性。
Description
技术领域
本发明属于驾驶状态检测领域，具体涉及一种通过驾驶行为数据的驾驶员驾驶分心行为识别方法。
背景技术
据美国国家公路交通安全管理局(NationalHighwayTrafficSafetyAdministration，NHTSA)统计，有25％-30％的道路交通事故归因于驾驶人分心，接近80％的碰撞以及65％的临近碰撞是由于分心而导致的。驾驶分心大大增加了事故风险，不仅危害自身生命财产安全，而且对其他道路使用者造成了巨大的潜在危险。因此，如何实时、有效检测和识别驾驶人分心状态是目前解决驾驶分心问题的一个关键点。
驾驶分心检测通常分为两种检测方式，一种是基于驾驶员操作与车辆运行数据(驾驶行为数据)，另一种是基于驾驶员视觉检测数据，分类问题是分心检测过程中的关键问题。基于驾驶行为数据，Kutila等人使用支持向量机(SVM)方法实现驾驶员实车驾驶时分心的检测与分类，其识别准确率在65％-80之间。Yang等人运用高斯混合模型(GMM)来获取驾驶员驾驶行为特征序列分类正常驾驶或驾驶分心状态，其准确率高于70％。Liang等人运用贝叶斯网络(BNs)检测驾驶员认知分心，结果表明贝叶斯网络能够可靠识别驾驶员分心状态，其平均准确率为80.1％。基于视觉数据，Lee和Kircher等人提出了一种精确的多重分心检测算法和AttenD算法，两种算法均使用了离开路面注视时间及注视频次等指标检测分心状态。
驾驶分心检测的两种方式均存在一定局限性。基于驾驶行为数据的研究表明，其准确性在60-85％左右，分心状态识别精度不高；基于视觉检测研究表明，尽管视觉检测的准确率很高，但其所需设备成本较高，眼动仪的安装与校准也很困难，容易受复杂光照环境的影响，同时驾驶员是否戴眼镜也是驾驶分心视觉检测面临的较大问题。
发明内容
本发明的目的在于克服上述不足，提供一种通过驾驶行为数据的驾驶员驾驶分心行为识别方法，该方法告别了传统的视觉检测方式，可用于实现低成本的实车驾驶分心行为实时监测与预警，提高道路安全性。
为了达到上述目的，本发明包括以下步骤：
步骤一，获取驾驶员视觉及驾驶员操作与车辆运动状态指标数据；
步骤二，对采集视觉特征数据进行预处理，并进行不同分心任务间的分心视觉特征多变量方差分析；
步骤三，基于AttenD算法观测驾驶员实时视觉特性；
步骤四，总结不同分心任务下车辆运行状态数据与驾驶员操作行为的结果，并进行不同分心任务下驾驶行为的显著性分析；
步骤五，将所有驾驶员的视觉特征依据AttenD算法进行视觉分心水平分类；
步骤六，基于AttenD算法将不同视觉分心水平类别下对应的驾驶员行为数据进行匹配并观察其特征，建立驾驶行为与视觉特征的关联，进行不同分心任务下与不同分心水平下的驾驶行为指标显著性分析；
步骤七，基于AttenD视觉特征分类结果，与驾驶行为进行时间匹配，截取分心任务在分心水平下的驾驶行为数据；
步骤八，确定驾驶行为分类指标和分类标签；
步骤九，选取训练数据和测试数据，建立支持向量机分类模型；
步骤十，对支持向量机分类模型进行训练，得到最终模型。
步骤一中，获取驾驶员视觉通过非接触式眼动仪采集，狐裘驾驶员操作与车辆运动状态数据通过驾驶模拟器采集。
步骤一中，视觉数据包括平均注视时长、离开路面注视时间、长时注视比例、垂直方向视觉搜索广度；
车辆运行状态数据包括车辆速度、横向加速度、纵向加速度、方向盘转角和车辆横向位移。
步骤三中，基于AttenD算法观测驾驶员实时视觉特征的具体方法如下：
汇总所有驾驶员的AttenD算法结果，并按时间变化将所有驾驶员视觉缓冲区数值求均值；驾驶员在不同分心任务下视觉分心过程具有差异，表现为不同任务下视觉分心的集中时间段不同。
步骤五中，将所有驾驶员的视觉特征依据AttenD算法进行视觉分心水平分类的具体划分方法如下：
“分心”代表视觉缓冲区为0时的情况，“不完全分心”代表视觉缓冲区为0-2s之间的情况，“不分心”代表视觉缓冲区为2时的情况。
步骤八中，驾驶行为分类指标包括车辆速度、横向加速度、纵向加速度、方向盘转角和车辆横向位移，分类标签包括三个分心水平。
与现有技术相比，本发明通过非接触式眼动行为检测设备获取驾驶人眼动行为信息，驾驶模拟器采取驾驶行为数据，将驾驶行为数据与视觉特征相结合，通过运用AttenD驾驶分心视觉识别算法与支持向量机分类算法，提出了新的驾驶分心识别方法。本方法告别了传统的视觉检测方式，可用于实现低成本的实车驾驶分心行为实时监测与预警，提高道路安全性。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图对本发明做进一步说明。
驾驶人的视觉兴趣区域划分，这是研究驾驶分心的前提。驾驶人分心的眼动行为主要针对注视行为和扫视行为，驾驶过程中驾驶人的眼动行为是一个动态变化的过程，因此本发明界定眼动速度大于100°/s时为扫视，小于100°/s时为注视。根据驾驶人分心的视觉行为和分布特点，将驾驶人的视觉区域划分为①路面区域、②左后视镜区域、③仪表盘区域、④分心区域；⑤其他区域。
过驾驶行为数据的驾驶员驾驶分心行为识别方法，运用AttenD驾驶分心视觉检测方法，将眼动数据划分为三个分心水平，同时与驾驶行为相匹配，实现了分心行为数据划分。其次，运用支持向量机建立驾驶分心行为分类模型，并通过三个分类模型评价指标评价其准确性。结果显示在5种不同等级的分心任务其模型准确性均超过90％，Kappa系数均大于0.8，且AUC值大部分大于或接近至0.9。
本发明的具体步骤如下：
步骤一、基于驾驶模拟器和非接触式眼动仪获取驾驶员视觉及行为数据：
基于模拟驾驶实验平台和非接触式眼动仪，搭建模拟驾驶实验场景，设计5种不同类型的分心任务，并招募驾驶员进行实验，搭建驾驶行为数据采集平台，实现数据的实时采集与动态展示；
步骤二、对采集视觉特征数据进行预处理；并进行不同分心任务间的分心视觉特征多变量方差分析：
显著性分析结果可见，不同分心任务间的视觉分心指标均有显著性差异，说明不同分心任务造成的驾驶员视觉负荷存在差异；
步骤三、基于AttenD算法观测驾驶员实时视觉特征：
汇总所有驾驶员的AttenD算法结果，并按时间变化将所有驾驶员视觉缓冲区数值求均值；驾驶员在不同分心任务下视觉分心过程具有差异，表现为不同任务下视觉分心的集中时间段不同；
步骤四、总结不同分心任务下车辆运行状态数据与驾驶员操作行为的结果，并进行不同分心任务下驾驶行为的显著性分析：
车辆速度、横向加速度、纵向加速度、方向盘转角和车辆横向位移在不同分心任务下均具有显著性差异(p<0.05)，因此可运用以下驾驶行为指标实现不同分心任务或不同分心等级的划分；
步骤五、将所有驾驶员的视觉特征依据AttenD算法划分为三种类型：分心、不完全分心与不分心：
“分心”代表视觉缓冲区为0时的情况，“不完全分心”代表视觉缓冲区为0-2s之间的情况，“不分心”代表视觉缓冲区为2时的情况；
步骤六、运用步骤3所提到的方法，将三种视觉分心水平下的对应的驾驶员行为数据进行匹配并观察其特征，建立驾驶行为与视觉特征的关联：并进行不同分心任务下与不同分心水平下的驾驶行为指标显著性分析：
不同分心任务下与不同分心水平下的驾驶行为指标均具有显著性差异(p<0.05)，结果表明这些指标可以用来实现不同分心任务下的分心水平分类；
步骤七、基于AttenD视觉特征分类结果，与驾驶行为进行时间匹配，截取五种分心任务在三个分心水平下的驾驶行为数据；
步骤八、将车辆速度、横向加速度、纵向加速度、方向盘转角和车辆横向位移作为驾驶行为分类指标，三个分心水平作为分类标签；
步骤九、随机选取70％的数据集作为训练数据，建立支持向量机分类模型，并选取另外30％数据集作为测试数据(不包括训练数据)用于预测分心水平；
步骤十、对比测试集的驾驶行为分类结果与视觉划分结果，验证模型的准确性：
采用三个常用的分类评估指标来评估此模型，三项指标分别为准确率、kappa统计值及ROC曲线下方面积；
用混淆矩阵评价分类模型准确性，混淆矩阵通过矩阵的形式来呈现算法性能的可视化效果。公式如下：
其中，TP定义为真实正样本被正确分类为正样本的数目，FN代表真实正样本被错误分类为负样本的数目，TN表示真实负样本被正确分类为负样本的数目，而FP表示真实负样本被错误分类为正样本的数目；
用Kappa统计指标评判分类结果的差异度；公式如下：
其中，P(A)为实际一致率；P(E)为理论一致率
用ROC曲线下方面积(AUC)作为最后一个评价指标
先用用ECOC方法将多类分类问题转化为二分类问题；通过运用以下转换矩阵将5种分心任务三个分心水平转化为二分类结果。
5种分心任务的模型分类结果的准确率均大于90％，Kappa系数均高于0.8，AUC在0.9以上或接近0.9，表明分类结果具有较高的一致性，模型具有良好的可靠性。
Claims (6)
1.一种通过驾驶行为数据的驾驶员驾驶分心行为识别方法，其特征在于，包括以下步骤：
步骤一，获取驾驶员视觉及驾驶员操作与车辆运动状态数据；
步骤二，对采集视觉特征数据进行预处理，并进行不同分心任务间的分心视觉特征多变量方差分析；
步骤三，基于AttenD算法观测驾驶员实时视觉特性；
步骤四，总结不同分心任务下车辆运行状态数据与驾驶员操作行为的结果，并进行不同分心任务下驾驶行为的显著性分析；
步骤五，将所有驾驶员的视觉特征依据AttenD算法进行视觉分心水平分类；
步骤六，基于AttenD算法将不同视觉分心水平类别下对应的驾驶员行为数据进行匹配并观察其特征，建立驾驶行为与视觉特征的关联，进行不同分心任务下与不同分心水平下的驾驶行为指标显著性分析；
步骤七，基于AttenD视觉特征分类结果，与驾驶行为进行时间匹配，截取分心任务在分心水平下的驾驶行为数据；
步骤八，确定驾驶行为分类指标和分类标签；
步骤九，选取训练数据和测试数据，建立支持向量机分类模型；
步骤十，对支持向量机分类模型进行训练，得到最终模型。
2.根据权利要求1所述的一种通过驾驶行为数据的驾驶员驾驶分心行为识别方法，其特征在于，步骤一中，获取驾驶员视觉通过非接触式眼动仪采集，狐裘驾驶人操作与车辆运动状态数据通过驾驶模拟器采集。
3.根据权利要求1所述的一种通过驾驶行为数据的驾驶员驾驶分心行为识别方法，其特征在于，步骤一中，视觉数据包括平均注视时长、离开路面注视时间、长时注视比例、垂直方向视觉搜索广度；
驾驶人操作与车辆运动状态指标包括车辆速度、横向加速度、纵向加速度、方向盘转角和车辆横向位移。
4.根据权利要求1所述的一种通过驾驶行为数据的驾驶员驾驶分心行为识别方法，其特征在于，步骤三中，基于AttenD算法观测驾驶员实时视觉特征的具体方法如下：
汇总所有驾驶员的AttenD算法结果，并按时间变化将所有驾驶员视觉缓冲区数值求均值；驾驶员在不同分心任务下视觉分心过程具有差异，表现为不同任务下视觉分心的集中时间段不同。
5.根据权利要求1所述的一种通过驾驶行为数据的驾驶员驾驶分心行为识别方法，其特征在于，步骤五中，将所有驾驶员的视觉特征依据AttenD算法进行视觉分心水平分类的具体划分方法如下：
“分心”代表视觉缓冲区为0时的情况，“不完全分心”代表视觉缓冲区为0-2s之间的情况，“不分心”代表视觉缓冲区为2时的情况。
6.根据权利要求1所述的一种通过驾驶行为数据的驾驶员驾驶分心行为识别方法，其特征在于，步骤八中，驾驶行为分类指标包括车辆速度、横向加速度、纵向加速度、方向盘转角和车辆横向位移，分类标签包括三个分心水平。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011602600.7A CN112660141A (zh) | 2020-12-29 | 2020-12-29 | 一种通过驾驶行为数据的驾驶员驾驶分心行为识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011602600.7A CN112660141A (zh) | 2020-12-29 | 2020-12-29 | 一种通过驾驶行为数据的驾驶员驾驶分心行为识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112660141A true CN112660141A (zh) | 2021-04-16 |
Family
ID=75410576
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011602600.7A Pending CN112660141A (zh) | 2020-12-29 | 2020-12-29 | 一种通过驾驶行为数据的驾驶员驾驶分心行为识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112660141A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113094930A (zh) * | 2021-05-06 | 2021-07-09 | 吉林大学 | 一种驾驶人行为状态数据采集装置和检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103770733A (zh) * | 2014-01-15 | 2014-05-07 | 中国人民解放军国防科学技术大学 | 一种驾驶员安全驾驶状态检测方法及装置 |
| WO2019028798A1 (zh) * | 2017-08-10 | 2019-02-14 | 北京市商汤科技开发有限公司 | 驾驶状态监控方法、装置和电子设备 |
| CN109949438A (zh) * | 2019-03-20 | 2019-06-28 | 深圳市赛梅斯凯科技有限公司 | 异常驾驶监测模型建立方法、装置及存储介质 |
| CN111832503A (zh) * | 2020-07-20 | 2020-10-27 | 中国人民武装警察部队工程大学 | 一种基于联邦学习的分心驾驶识别方法 |
-
2020
- 2020-12-29 CN CN202011602600.7A patent/CN112660141A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103770733A (zh) * | 2014-01-15 | 2014-05-07 | 中国人民解放军国防科学技术大学 | 一种驾驶员安全驾驶状态检测方法及装置 |
| WO2019028798A1 (zh) * | 2017-08-10 | 2019-02-14 | 北京市商汤科技开发有限公司 | 驾驶状态监控方法、装置和电子设备 |
| CN109949438A (zh) * | 2019-03-20 | 2019-06-28 | 深圳市赛梅斯凯科技有限公司 | 异常驾驶监测模型建立方法、装置及存储介质 |
| CN111832503A (zh) * | 2020-07-20 | 2020-10-27 | 中国人民武装警察部队工程大学 | 一种基于联邦学习的分心驾驶识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 姚莹: "基于视觉特征的驾驶员分心驾驶行为甄别方法研究", 《工程科技Ⅱ辑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113094930A (zh) * | 2021-05-06 | 2021-07-09 | 吉林大学 | 一种驾驶人行为状态数据采集装置和检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112241658B (zh) | 一种基于深度相机的疲劳驾驶预警方法 | |
| CN108875642A (zh) | 一种多指标融合的驾驶员疲劳检测的方法 | |
| CN111753674A (zh) | 一种基于深度学习的疲劳驾驶的检测识别方法 | |
| CN113743471B (zh) | 一种驾驶评估方法及其*** | |
| CN108769104B (zh) | 一种基于车载诊断***数据的路况分析预警方法 | |
| CN109649091A (zh) | 基于计算机视觉的汽车轮胎监测*** | |
| CN202568277U (zh) | 疲劳检测装置 | |
| CN113635897B (zh) | 一种基于风险场的安全驾驶预警方法 | |
| CN112617835A (zh) | 一种基于迁移学习的多特征融合疲劳检测方法 | |
| CN113753059B (zh) | 一种自动驾驶***下的驾驶人接管能力预测方法 | |
| CN112016429A (zh) | 基于火车驾驶室场景下疲劳驾驶检测方法 | |
| CN112644506A (zh) | 一种基于模型长短时记忆神经网络lstm-nn检测驾驶人驾驶分心的方法 | |
| CN115476861B (zh) | 智能网联汽车的安全评价*** | |
| 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 | |
| CN113627740A (zh) | 一种驾驶负荷评价模型构建***及构建方法 | |
| Chen | Research on driver fatigue detection strategy based on human eye state | |
| CN112660141A (zh) | 一种通过驾驶行为数据的驾驶员驾驶分心行为识别方法 | |
| CN108537161A (zh) | 一种基于视觉特性的驾驶分心检测方法 | |
| Zardosht et al. | Identifying Driver Behavior in Preturning Maneuvers Using In‐Vehicle CANbus Signals | |
| CN112308136B (zh) | 一种基于SVM-Adaboost的驾驶分心检测方法 | |
| Shirpour et al. | A probabilistic model for visual driver gaze approximation from head pose estimation | |
| CN116682264B (zh) | 一种港口车辆主动安全防控*** | |
| CN117765684A (zh) | 一种疲劳驾驶检测方法 | |
| CN116955943A (zh) | 基于眼动序列时空语义特征分析的驾驶分心状态识别方法 | |
| Wu et al. | Fuzzy logic based driving behavior monitoring using hidden markov models |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210416 |
|
| RJ01 | Rejection of invention patent application after publication |