基于神經網絡的疲勞駕駛識別系統

王艷玲

（長安大學汽車學院，陜西 西安 710064）

前言

預防疲勞駕駛及檢測方面有很多方法，一般通過圖像分析對駕駛員臉部與眼睛特征進行疲勞評估，并采集駕駛員的生物行為信息，如心電、腦電等推斷駕駛員的疲勞狀態，或分析駕駛員轉動方向盤、踩剎車等行為特征，判別駕駛員是否疲勞，但這些檢測方法都存在問題。通過 BP神經網絡針對疲勞參數進行深度分析，提取相應參數，運用Matlab進行數據處理，對駕駛過程進行實時監控，及時預警。

1 駕駛疲勞識別系統

車內安裝眼動儀，計算并記錄眼瞼閉合比例，判斷駕駛員疲勞等級。車內安裝各種傳感器，通過平臺采集到所需的車輛數據，由計算機處理。

圖1 疲勞識別流程圖

記錄駕駛員各項駕駛行為參數，直至駕駛員重度疲勞狀態，記錄駕駛員不同疲勞程度下的駕駛行為參數，劃分疲勞等級，駕駛疲勞的等級標準不同，當駕駛參數達到某一標準或者參數在某一范圍內波動，或此參數以及標準差呈現相應的疲勞駕駛變化趨勢，則神經網絡接收此參數劃分到相應的疲勞等級下，進行下一時間段的預測，并及時地進行預警提示。

2 基于BP神經網絡的疲勞識別

建立BP神經網絡，對駕駛員的疲勞參數進行深度分析，研究駕駛人行為特征，進一步分析駕駛人的疲勞等級，掌握不同疲勞水平下駕駛行為變化特征，并在人眼信息及駕駛行為特征的基礎上進行疲勞判斷，針對疲勞算法原理進行疲勞識別，提取相應的特征參數作為輸入，疲勞程度作為輸出，建立識別模型。

2.1 神經網絡模型

構建BP神經網絡模型，通過大量的試驗獲得樣本數據，選取不同駕齡的駕駛員，在模擬駕駛器的操作平臺進行數據參數收集試驗，得到疲勞參數數據樣本作為輸入數據，用處理后后的樣本集訓練網絡，得到下一時間段預測的數據，進而評判數據屬于疲勞駕駛的哪一等級，輸出等級，進行疲勞識別[1]。

2.2 疲勞參數選取

確定與駕駛疲勞相關的駕駛行為，采集能夠通過傳感器提取的疲勞參數。包括車速傳感器，方向盤轉角傳感器，減速傳感器等。通過疲勞算法計算 f，確定駕駛員疲勞程度，研究不同疲勞程度下的駕駛行為特征[2]。我們以五秒作為數據處理間隔時間，輸入參數與疲勞等級參數對比，輸出預測，進行預警。我們僅研究參數為f、方向盤轉角SA、方向盤轉角速度SW、車速V、時間T。

2.3 數據處理

2.3.1 疲勞程度判斷方法

在通過相應的車載預警儀器或者眼動儀捕捉臉部圖像，進一步進行人眼識別，提取對應信息，利用圖像幀數百分比也可來表示PERCLOS值f[3]。

公式所示：

其中：N為固定時間內所采集的視頻圖像有效頓數，K為眼睛處于閉合大于狀態的幀數。

2.3.2 方向盤轉角數據處理

方向盤轉角的變化影響駕駛員的操作穩定性。當方向盤轉角開始出現某一時間段的參數恒定時，開始出現駕駛員疲勞，此間隔較短暫，并且少量出現。但當轉角出現長時間的持續不動時，并且轉角不變出現多次，則駕駛員可能處在非常疲勞的狀態下[4]。由于設置時間五秒為計算數據更新時間，也就是當超過五秒轉角不變則中度疲勞，若多個時間大于五秒甚至十秒轉角參數不變，則疲勞程度加深。判斷轉角持續不斷的話，輸入的參數進行處理。

識別中度疲勞，時間間隔為5秒。

識別重度疲勞，時間間隔為10秒。

2.3.3 方向盤角速度數據處理

方向盤角速度影響車輛行駛的橫向穩定性，也反映疲勞水平。當駕駛員處在疲勞狀態時，會減少對方向盤的修正，方向盤轉角速度幅值增加，駕駛員對車輛的控制穩定性減弱，會出現大幅修正；駕駛員疲勞程度繼續增加，操作穩定性變弱[5]。

角速度公式：

其中：SA（i）為轉角幅值。

清醒狀態下，方向盤角速度大致在-50°/s～50°/s。當方向盤角速度在某一時刻的輸入參數大于50時，開始出現駕駛員疲勞狀態，所以當方向盤角速度即當輸入數據在[50，60]范圍內，識別中度疲勞，當輸入數據在[60，100]范圍內，識別重度疲勞。

2.3.4 加速度數據處理

加速度反映車速變化程度，體現駕駛員對車輛控制能力。

加速度計算公式：

其中：Vi為車速，Ai為加速度

隨著疲勞程度的增加，加速度變化幅度逐漸變小，頻率變高。判斷不同等級下的參數特征，利用多項式擬合函數實現，求輸入的加速度參數的斜率。

調用格式P=polyfit（T，Ai，1），當P介于P＜-1或P>1之間，則正常狀態；當P介于[-1，1]之間，且出現為0時，則中度疲勞狀態；當P介于[-0.5，0.5]之間，且基本為0，則重度疲勞狀態。

對參數進行處理，對數據進行量化級的轉化，在[0,10]范圍內，減少預處理的工作量。

2.4 BP神經網絡結構

確定影響因素，提取出疲勞特征參數，輸入層5個節點，分別代表數據f、△SAi、△SWi、Ai、T；中間隱藏層進行數據處理，該層節點數為5；最后輸出疲勞等級，有3個節點，代表清醒、中度、重度疲勞，就代表了下一時間段的疲勞識別[6]。

3 結論

通過平臺試驗，找到影響駕駛員疲勞駕駛的因素，確定疲勞駕駛行為特征參數，結合眼部特征參數判斷駕駛疲勞的等級的影響參數，從而確定特征值的輸入，并利用Matlab進行數據預處理，使輸入數據更加精確。訓練神經網絡，進而預測下一時間段的參數變化范圍，設置疲勞等級，識別參數的變化范圍，最后輸出疲勞等級，進行相應的駕駛提示，達到提前預警的效果，提高駕駛安全性。

但是駕駛員的駕駛行為存在差異，導致駕駛參數呈現多樣性，復雜性，疲勞等級的劃分也存在差異，鑒于此，可以建立不同影響因素下的基于 BP神經網絡的疲勞駕駛模型，進而優化模型，提高精確度，并對輸入參數的處理也可以通過最小二乘法進行精確處理。