基于隨機森林的疲勞駕駛檢測

李碩 邵明凱

摘 要：疲勞駕駛監測系統的設立和研究，對于保證交通安全尤為重要。通過基于綜合疲勞駕駛特征信息的融合的檢測方式，結合隨機森林算法，監測駕駛員的駕駛狀態并進行特征參數訓練，然后通過自匹配特征算法再次對判定為正常駕駛狀態的特征信息進行審查，來提高和保證疲勞駕駛檢測的準確率。

關鍵詞：疲勞駕駛，隨機森林，自匹配特征算法

0引言

疲勞駕駛一直都是長途高速交通事故的劊子手。大眾汽車的MKE疲勞駕駛識別系統是通過對司機的駕車行為進行檢測，并結合周圍環境分析駕駛員是否處于疲勞駕駛狀態。奔馳通過監測駕駛員的注意力集中程度來判定駕駛員是否處于疲勞駕駛狀態。而我國疲勞駕駛監測系統主要都涉及在商用車車型。而像滴滴、出租等私家車疲勞駕駛監測系統的安置率較低。本文通過綜合駕駛人疲勞特征參數，結合RF、疲勞特征自匹配等智能預測算法來對駕駛人的駕駛狀態進行監測，通過隨機森林算法來提高疲勞駕駛監測的準確率，保證安全出行。

1疲勞駕駛檢測技術方法

通過對駕駛人生理指標的監測能對其駕駛狀態進行及時把控，在疲勞駕駛時能及時預警。通過對駕駛人生理反應特征來判斷駕駛人是否在疲勞駕駛的方法主要是對駕駛人的面部的變化來監測，對疲勞駕駛及時預警。通過對駕駛人操作行為的監測包括方向盤、剎車、油門。當然，基于不同人的駕駛習慣和駕駛水平，可能會對檢測結果產生一定的影響。通過車載攝像頭、傳感器以及陀螺儀來對車輛的行駛軌跡進行監測，判斷駕駛人是否處于疲勞駕駛的狀態。

2疲勞駕駛檢測數據庫的建立

研究從采集駕駛人特征信息、特征訓練是否疲勞、數據庫存儲三方面進行。需要采集的駕駛人特征信息有瞳孔閉合程度、頭部位置、嘴巴狀態、眨眼次數、方向盤轉動角度、踏板力度、車速、車輛橫向偏移量。確定疲勞駕駛監測系統的主要參數，并充分發掘和研究疲勞駕駛特征參數具體的判定方法和檢測技術，為疲勞駕駛監測系統的建立提供技術檢測和數據支持。

3疲勞駕駛監測系統模型

通過隨機森林算法和創新研究的疲勞特征自適應算法按規定的流程進行循環檢測，提高疲勞駕駛的準確率。

通過ID3算法獲得瞳孔閉合狀態特征參數的信息增益：

按瞳孔閉合狀態分類得到的信息增益：

同理可得：方向盤轉角標準差的信息增益0.034，車速標準差的信息增益為0.554。所以瞳孔閉合80%以上特征參數的分類優先于方向盤轉角標準差和車速標準差。

3.2疲勞駕駛自匹配特征模型算法建立

在輸出結果為正常駕駛的特征與自己的正常狀態特征再次進行對比，進行進一步精確的測量，來提高疲勞駕駛的準確率。駕駛人在疲勞駕駛時的特征參數除以駕駛在正常狀態下特征參數的均值得到Pm，公式為

P={瞳孔狀態T、眨眼頻率Z、頭部位置H、嘴部狀態M、方向盤轉角F、加速踏板開度、車速C、車輛橫向位置X}。Rm=駕駛人正常狀態下第m個特征參數均值，Pm為駕駛人疲勞狀態下第m個特征參數。

3.3疲勞駕駛監測系統模型的監測流程

系統對監測的疲勞特征參數按決策樹的判定順序進行判定，依次為生理行為、駕駛行為、車輛軌跡。

4結論

將隨機森林原理應用到疲勞駕駛監測中，通過監測駕駛員的九個特征參數，按照信息增益的原理決策出特征判別順序，建立多個疲勞駕駛判別的決策樹，綜合多種特征信息檢測數據來提高疲勞駕駛監測的準確性。構建疲勞特征自匹配算法，通過利用駕駛人存入數據庫中正常駕駛狀態信息與駕駛人行車過程中的信息進行匹配，來提高和保證疲勞駕駛檢測的準確率。由于水平有限，沒能對疲勞駕駛特征參數進行充分分析，通過進一步的分析和挖掘找到最能代表駕駛員駕駛狀態的特征參數，來結合算法進行更深一步的訓練研究。

參考文獻

[1]Gidel S，Checchin P，Blanc C，Chateau T et al.Pedestrian Detection and Tracking in an Urban Environment Using a Multilayer Laser Scanner.Intelligent Transportation Systems，IEEE Transactions on，2010，1（3）：579-588.

[2]P Fitzpatrick，A J Nicholson.Global Status Report on Road Safety-Time for Action.IRISH MEDICAL JOURNAL，2010，103（1）.

[3]毛須偉，景文博，王曉曼等.一種基于眼部狀態的疲勞駕駛檢測方法.長春理工大學學報（自然科學版），2016，2（39）：125-136.

[4] 張明明.基于方向盤握力的疲勞駕駛檢測研究：（碩士學位論文）.江蘇：江蘇大學，2016.