[发明专利]基于眨眼次数的驾驶员疲劳驾驶预测方法

摘要

本发明公开了基于眨眼次数的驾驶员疲劳驾驶预测方法，首先根据历史眨眼次数分别建立卡尔曼滤波预测模型以及径向基函数（RBF）神经网络模型来进行下一时刻眨眼次数的预测，其次考虑眨眼次数之间的关联度，根据灰熵分析计算预测眨眼次数与历史眨眼次数的关联度等级，并选取关联度等级较高的历史眨眼次数作为预测模型的输入数据，根据输入数据获得每个预测模型的预测值，接着结合贝叶斯融合的方法及最相关的历史眨眼次数，计算每个预测模型在预测该时刻眨眼次数时的权重，获得该时刻的预测眨眼次数，最后通过设定阈值，比较阈值与预测眨眼次数的大小，最终实现驾驶员是否为疲劳驾驶的判定。

主权项

基于眨眼次数的驾驶员疲劳驾驶预测方法，其特征在于，通过对某时刻之前一段时间内驾驶员连续几次眨眼次数的预测来判断该时刻驾驶员是否疲劳驾驶，规定t时刻的眨眼次数表示t时刻前5分钟的眨眼次数之和，每隔5分钟采集一次，则t‑1时刻的眨眼次数表示t时刻前10分钟到前5分钟之间的眨眼次数之和；步骤1：根据观测得到的历史数据，建立预测模型第一，建立卡尔曼滤波预测模型进行预测将V(t)＝[yt,yt‑1,…,yt‑4]作为卡尔曼滤波预测模型的输入数据，其中yt表示t时刻的眨眼次数，yt‑1表示t‑1时刻的眨眼次数，yt‑4表示t‑4时刻的眨眼次数，1)建立线性预测模型：其中，为卡尔曼滤波预测模型下计算所得的t+1时刻预测眨眼次数，为状态向量，2)利用卡尔曼滤波理论，计算状态向量J^(t)=B(t)J^(t-1)+K(t)[y(t)-V(t)B(t)J^(t-1)]K(t)=P(t|t-1)VT(t)[V(t)P(t|t-1)VT(t)+R]-1P(t|t-1)=B(t)P(t-1)BT(t)+WP(t)=[I-K(t)V(t)]P(t|t-1)]]>其中，B(t)为状态转移矩阵，其初始值设为单位矩阵，R为测量噪声的自相关矩阵，该矩阵中元素服从[0,1]之间的正态分布，W为过程噪声的自相关矩阵，该矩阵中元素服从[0,1]之间的正态分布，其中，为t时刻的状态向量，为t‑1时刻的状态向量，P(t|t‑1)为V(t)在t时刻预测估计误差的自相关矩阵，其初始值P(1|0)＝0，第二，建立径向基函数(RBF)神经网络模型进行预测观测得到驾驶员的眨眼次数，随机选取7个时刻记录下驾驶员的预测眨眼次数以及该时刻前5个时刻的历史眨眼次数，这样获得预测眨眼次数集合Z＝{z(a),a＝1,2,3,4,5,6,7}，表示7个时刻的预测眨眼次数，与每个预测眨眼次数相对应的前5个时刻的历史眨眼次数集合为X＝{X(a),a＝1,2,3,4,5,6,7},其中X(a)＝{x1(a),x2(a),x3(a),x4(a),x5(a)}，表示预测眨眼次数z(a)之前5个时刻历史眨眼次数，将观测到的前5个时刻的历史眨眼次数作为输入数据，则RBF神经网络的输入层由5个神经元组成，每组历史眨眼次数对应一个预测眨眼次数，则RBF神经网络的输出层由1个神经元组成，1)根据K‑均值聚类算法求取径向基函数的中心，首先从历史眨眼次数集合X中选取3个样本数据作为RBF神经网络的初始聚类中心ce，e＝1,2,3，其次把输入数据X按照最邻近原则分配给聚类中心ce的聚类集合θe，e＝1,2,3，这种分配原则满足以下条件：de＝min||X(a)‑ce||，a＝1,2,3,4,5,6,7，e＝1,2,3，de表示输入数据与聚类中心的最小距离，接着计算每个聚类集合θe中数据的平均值作为新的聚类中心，其中ce″表示新的聚类中心，Me表示聚类集合θe中输入数据X(a)的个数，最后根据ce″的值是否变化来判断聚类中心位置是否变化，如果聚类中心位置变化则继续按照最近邻原则分配输入数据，计算新的聚类中心直至聚类中心位置不再发生变化，得到最终的聚类中心C＝(c1,c2,c3)T，2)根据平均距离法计算RBF网络的径向基函数的宽度向量F＝(f1,f2,f3)T，其中f1＝min{||c1‑c2||,||c1‑c3||}，表示第1类聚类中心与其最近邻聚类中心的距离，f2＝min{||c2‑c1||,||c2‑c3||}，表示第2类聚类中心与其最近邻聚类中心的距离，f3＝min{||c3‑c1||,||c3‑c2||}，表示第3类聚类中心与其最近邻聚类中心的距离，3)计算RBF神经网络隐含层的径向基向量H＝(h1,h2,h3)T，其中，e＝1,2,3，||·||表示欧式范数，X(a)表示输入数据，ce表示径向基函数的中心，fe表示径向基函数的宽度，4)通过最小二乘法计算RBF网络的权值向量W，W＝(HTH)‑1HTz(a)，其中H表示RBF神经网络隐含层的径向基向量，z(a)表示与输入数据相对应的输出数据，即与历史眨眼次数X(a)相对应的预测眨眼次数，步骤2：计算预测眨眼次数与历史眨眼次数的灰关联度规定t时刻的眨眼次数yt为预测眨眼次数，其前10个时刻的历史眨眼次数集合为{yt‑1,yt‑2,…,yt‑10}，根据灰熵分析理论，构建参考序列Yt和比较序列{Yt‑1,…,Yt‑i,…,Yt‑10}，参考序列为预测眨眼次数，Yt＝[yt(1),yt(2),yt(3),yt(4),yt(5),yt(6),yt(7)]，定义为t时刻之前7个时刻的眨眼次数，比较序列为t时刻前10个历史眨眼次数，{Yt‑1,…,Yt‑i,…,Yt‑10}，i＝1,2,3,4,5,6,7,8,9,10，其中，Yt‑1＝[yt‑1(1),yt‑1(2),…,yt‑1(7)]，表示t‑1时刻之前7个时刻的眨眼次数，Yt‑i＝[yt‑i(1),yt‑i(2),…,yt‑i(7)]，表示t‑i时刻之前7个时刻的眨眼次数，Yt‑10＝[yt‑10(1),yt‑10(2),…,yt‑10(7)]，表示t‑10时刻之前7个时刻的眨眼次数，第一，计算预测眨眼次数集合Yt与相关历史眨眼次数集合Yt‑i的灰关联系数γ(yt(j),yt‑i(j))，其中分辨系数ζ＝0.5，i＝1,2,3,4,5,6,7,8,9,10，j＝1,2,3,4,5,6,7；第二，对灰关联系数进行映射处理，将灰关联系数γ(yt(j),yt‑i(j))转换为灰关联密度p(i,j)，其中i＝1,2,3,4,5,6,7,8,9,10，j＝1,2,3,4,5,6,7；第三，根据灰熵的概念灰关联密度，计算由p(i,j)为属性信息的灰关联熵E(t‑i)，其中i＝1,2,3,4,5,6,7,8,9,10，j＝1,2,3,4,5,6,7；第四，计算灰关联度等级B(t‑i),其中i＝1,2,3,4,5,6,7,8,9,10，j＝1,2,3,4,5,6,7，将灰关联度等级B(t‑i)降序排列，选择与预测眨眼次数yt灰关联度等级最大的5个时刻的历史眨眼次数其中{w1,w2,…,w5}∈i，i＝1,2,3,4,5,6,7,8,9,10，步骤3：分别计算卡尔曼滤波预测模型以及径向基(RBF)预测模型下的预测眨眼次数第一，根据建立的卡尔曼滤波预测模型以及5组灰关联度等级最大的历史眨眼次数计算t时刻卡尔曼滤波预测模型下的预测眨眼次数其中，表示卡尔曼滤波预测模型下t时刻的预测眨眼次数，第二，根据建立的RBF神经网络模型以及5组灰关联度等级最大的历史眨眼次数计算RBF神经网络模型下的预测眨眼次数其中，H＝(h1,h2,h3)T，W为RBF神经网络的权值向量，表示RBF神经网络模型下t时刻的预测眨眼次数，第三，根据建立的卡尔曼滤波预测模型以及t‑wm时刻前5组历史眨眼次数其中，m＝1,2,3,4,5，计算卡尔曼滤波预测模型下t‑wm时刻预测眨眼次数其中，表示卡尔曼滤波预测模型下t‑wm时刻的预测眨眼次数，计算得到与t时刻预测眨眼次数灰关联度等级最大的5个时刻的眨眼次数在卡尔曼滤波预测模型下的预测值第四，根据建立的RBF神经网络模型以及t‑wm时刻前5组历史眨眼次数其中，m＝1,2,3,4,5，计算RBF神经网络模型下t‑wm时刻预测眨眼次数其中，H＝(h1,h2,h3)T，表示RBF神经网络模型下t‑wm时刻的预测眨眼次数，计算得到与t时刻预测眨眼次数灰关联度等级最大的5个时刻的眨眼次数在RBF神经网络模型下的预测值步骤4：贝叶斯融合预测根据传统的贝叶斯理论可知，计算某一预测模型在某时刻的权重，需要该时刻之前的所有的历史眨眼次数作为已知条件，我们在传统贝叶斯理论的基础上，考虑预测眨眼次数与历史眨眼次数之间的关联度，根据步骤2中灰关联度等级的计算，得到与预测眨眼次数灰关联度等级最大的5组历史眨眼次数将这5组历史眨眼次数作为已知条件，计算卡尔曼滤波预测模型在t时刻预测时的权重其中，服从均值为0，标准差为σn的高斯白噪声分布，表示t‑wm时刻的观测到的实际眨眼次数，表示t‑wm时刻的在卡尔曼滤波预测模型下计算的预测眨眼次数，其次，根据步骤2中灰关联度等级的计算，得到与预测眨眼次数灰关联度等级最大的5组历史眨眼次数将这5组历史眨眼次数作为已知条件，结合贝叶斯理论，计算RBF神经网络模型在t时刻预测时的权重其中，服从均值为0，标准差为σn的高斯白噪声分布，表示t‑wm时刻观测的眨眼次数，表示t‑wm时刻的在RBF神经网络模型下计算的预测眨眼次数，最后计算出t时刻的预测眨眼次数其中表示卡尔曼滤波预测模型在t时刻预测时的权重，表示RBF神经网络模型在t时刻预测时的权重，表示卡尔曼滤波预测模型下t时刻的预测眨眼次数，表示RBF神经网络模型下t时刻的预测眨眼次数；步骤5基于眨眼次数的驾驶员疲劳驾驶预测将贝叶斯融合预测的眨眼次数同实现设定的眨眼次数阈值Tth＝75进行比较，当时，驾驶员可能存在疲劳；当在时间Tb内连续测得的次数超过Nb＝3时，可判定驾驶员存在疲劳驾驶现象，实现对驾驶员疲劳驾驶的提前预测。