一種基於道路標線的駕駛疲勞預警方法與流程
2023-10-05 21:21:59 1
本發明涉及駕駛疲勞預警方法技術領域，尤其涉及一種基於道路標線的駕駛疲勞預警方法。
背景技術：
隨著我國經濟的發展和人民生活水平的提高，車輛保有量也急劇增加，這就造成了交通事故的頻繁發生，而造成交通事故的主要原因便是人(主要是駕駛員)、車輛、道路以及交通環境等因素組成的系統協調性失衡，其中疲勞駕駛元素尤為突出。
所謂駕駛疲勞，是指駕駛員在長時間連續行車後，產生心理機能和生理機能的失調，出現視線模糊、反應遲鈍、動作呆板，使駕駛機能下降的現象。駕駛疲勞是一個漸變的過程，會隨著時間的延長與駕駛行為、周圍景觀的單調等因素的影響而逐漸顯現出來，且駕駛疲勞將使駕駛員的注意、感覺、知覺、思維、判斷、意志、決定和運動諸方面受到影響，從而導致交通事故的產生。因此，加強對疲勞駕駛的檢測與預警已經成為道路安全研究中較為重要的工作之一。
目前，對駕駛疲勞的檢測及預警研究，主要有以下四個方面：(1)基於駕駛人生理信號的檢測方法。針對疲勞的研究最早始於生理學，有研究表明，駕駛人在疲勞狀態下，生理指標會發生較大變化，一般會偏離正常生理指標，因此，可以通過測定駕駛員的生理指標來判斷其精神狀態，進而判定其是否進入疲勞狀態。目前較為成熟的檢測方法有駕駛人的腦電信號eeg、心電信號ecg等的測量。這種檢測方法準確性較高，但其所需檢測設備費用較為昂貴，測量方法較為複雜，大多數採用接觸式測量，對個人依賴程度較大，難以應用於實際。(2)基於駕駛人生理反應特徵的檢測方法。該方法是利用駕駛人的眼動特性、頭部運動特性等來推斷駕駛人的疲勞狀態，其中能夠反映疲勞重要特徵的是駕駛人的眼球運動和眨眼信息。目前基於眼動機理研究駕駛疲勞的廣泛算法有perclos等，這種方法雖然可以實施、非接觸的檢測出疲勞狀態，但其檢測設備對駕駛員會產生一定的影響，造成駕駛員的心理負擔，且在疲勞狀態下，生理反應特徵會依據個人而產生較大的差異，降低實際檢測的準確性。(3)基於駕駛人操作行為的檢測方法。該方法是通過駕駛人的操作行為(如方向盤操作等)來測定其疲勞狀態，如yoshihirotakei利用fft對監測到的駕駛人的方向盤操作數據進行處理，研究結果在一定程度上揭示了駕駛人的方向盤操作與疲勞之間的關係。但影響駕駛人操作的因素不僅僅只有疲勞狀態這一因素，還與道路環境、駕駛員的操作技能等因素有關，這就需要有更高的測量技術來提高駕駛人狀態的推測精度，為以後的深入研究增加了不少難度。(4)基於隱馬爾科夫模型的預測方法。該模型是一種基於參數表示的描述隨機過程統計特性的概率模型，具有良好的數據建模能力，但此種模型是通過間接估計車輛的運行狀態實現的，不能直接描述車輛的運行狀態，這增加了狀態預測的難度及誤差，且只適用於比較小的數據集上，具有一定的局限性。此外，由於經過各種曲線半徑的彎道時，車輛的行駛軌跡都是不同的，但是車輛的行駛狀態可能都是安全的，目前使用的隱馬爾科夫預測方法尚無法區別彎道上的車輛運行狀態，不利於對車輛未來行駛狀態的普遍預測。
綜上所述，現有公開的疲勞檢測方法大多會對駕駛人產生或多或少的幹擾，且受限因素較多，因而對預測結果的準確性產生一定影響。因此，目前需要一種方法不僅可以有效利用大量實測數據實現對車輛運行狀態的直接觀預測，而且還可以實現模型狀態的直接相關觀測以及各種道路線形中車輛行駛狀態的普遍預測，提高預測的準確性與普遍性，從而將未來預測數據與實測數據分別進行比較、分析，進而實現對疲勞駕駛的及時預警，減少交通事故的發生。
技術實現要素：
本發明的目的是為了解決現有技術中存在的缺點，而提出的一種基於道路標線的駕駛疲勞預警方法。
為了實現上述目的，本發明採用了如下技術方案：
一種基於道路標線的駕駛疲勞預警方法，利用正態分布的方法採用臺階式進行區域劃分，並選取數據組成馬爾科夫預測模型庫，通過預測狀態與實測數據的對比，最終實現駕駛疲勞預警的方法，包括以下幾個步驟：
s1：選定時間研究對象和數據研究對象；
s2：通過對行車記錄儀的視頻分析獲得當前車輛開始行駛第一小時內與行車道左側標線的距離，根據所得數據並利用正態分布的特點確定當前車輛的橫向位置分布範圍；
s3：將s2中確定的車輛的橫向位置分布範圍按照臺階式進行劃分，並將其作為狀態劃分的標準，總共分為m種狀態，同時通過對數據的選取組成馬爾可夫模型庫；
s4：計算初始概率pi：利用上述狀態劃分計算初始概率pi(i＝1，2，3，…，m)，從而也就得到了本模型的初始概率矩陣p(0)；
s5：確定車輛狀態的轉移概率pij(其中i，j＝1，2，…，m)：pij表示車輛從i狀態跳躍到j狀態的概率，通過對基礎數據進行整理、分析，得到狀態轉移概率矩陣p；
s6：在車輛連續行進一個小時以後，駕駛人可能開始進入疲勞狀態，此時對車輛的未來運行狀態進行預測，並將預測數據與其對應的實測數據按照多種設定標準進行比較、分析，其中，車輛的預測概率公式如下：p(n)＝p(n-1)×p＝p(0)×pn(n∈n)；
s7：利用上述預測方法對車輛進行固定多段特定時間的連續預測，如果預測結果與實測結果差距較大，則認為駕駛人開始進入疲勞狀態。
優選的，所述s1中選用的選定時間研究對象和數據研究對象為車輛開始上路行駛後固定時間間隔車輛距當前行車道左側標線距離的連續觀測數據。
優選的，所述s7中的多段特定時間採用的時間段為3s，即每段進行60次的連續預測，將最後得到的預測概率p(n)與經整理後得到的實測概率p′(n)按照多種標準進行比較，進而判斷車輛運行是否正常。
本發明有益效果：本發明提出的一種基於道路標線的駕駛疲勞預警方法，包括數據統計分析、預測和檢驗三個階段，數據統計分析可以直接獲得駕駛人狀態飽滿時的正常行駛狀態，預測階段可以估計未來車輛的正常運行狀態，檢驗階段可以分析疲勞初期車輛狀態的微小變化，能夠提前預警提醒駕駛人提高注意力，保障駕駛人財產安全和提供交通安全監測的能力。
附圖說明
圖1為本發明的預測方法模塊圖。
具體實施方式
下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。
參照圖1，一種基於道路標線的駕駛疲勞預警方法，利用正態分布的方法採用臺階式進行區域劃分，並選取數據組成馬爾科夫預測模型庫，最終實現駕駛疲勞預警的方法，包括以下幾個步驟：
s1：選定時間研究對象和數據研究對象；
s2：通過對行車記錄儀的視頻分析獲得當前車輛開始行駛第一小時內與行車道左側標線的距離，根據所得數據並利用正態分布的特點確定當前車輛的橫向位置分布範圍；
s3：將s2中確定的車輛的橫向位置分布範圍按照臺階式進行劃分，並將其作為狀態劃分的標準，總共分為m種狀態，同時通過對數據的選取組成馬爾可夫模型庫；
s4：計算初始概率pi：利用上述狀態劃分計算初始概率pi(i＝1，2，3，…，m)，從而也就得到了本模型的初始概率矩陣p(0)；
s5：確定車輛狀態的轉移概率pij(其中i，j＝1，2，…，m)：pij表示車輛從i狀態跳躍到j狀態的概率，通過對基礎數據進行整理、分析，得到狀態轉移概率矩陣p；
s6：在車輛連續行進一個小時以後，駕駛人可能開始進入疲勞狀態，此時對車輛的未來運行狀態進行預測，並將預測數據與其對應的實測數據按照多種設定標準進行比較、分析，其中，車輛的預測概率公式如下：p(n)＝p(n-1)×p＝p(0)×pn(n∈n)；
s7：利用上述預測方法對車輛進行固定多段特定時間的連續預測，如果預測結果與實測結果差距較大，則認為駕駛人開始進入疲勞狀態。
所述s1中選用的選定時間研究對象和數據研究對象為車輛開始上路行駛後固定時間間隔車輛距當前行車道左側標線距離的連續觀測數據。
所述s7中的多段特定時間採用的時間段為3s，即每段進行60次的連續預測，將最後得到的預測概率p(n)與經整理後得到的實測概率p′(n)按照多種標準進行比較，進而判斷車輛運行是否正常。
本發明中特殊的駕駛疲勞預警方法具體步驟如下：
s1:由於駕駛人的疲勞時間一般出現在連續駕駛2h以後，因此選定駕駛人駕駛的初始1h的正常狀態作為時間研究對象。根據實際調查數據得，車輛在行駛時，一般偏向道路左側，因此只考慮車道單側距離，為克服車輛在直線和曲線行駛狀態的不同，以車輛與行車道左側標線的距離變化進行數據分析保證數據的可靠性及普遍性。
s2:對行車記錄議視頻每隔50ms進行一次分析、計算，進而獲得車輛與行車道左側標線的距離，具體方法如下：
①由於車輛的行車記錄儀的攝像頭的拍攝角度可以調整，本發明中採用的拍攝角度為90度；
②行車記錄議的拍攝角度為90度，由於單車道的寬度和標線的寬度已知，故可以對每50ms所獲得視頻畫面進行相似三角形幾何處理，即使用相似三角形原理利用已知數據求未知數據，進而獲得所需數據。
s3:通過上述計算最終得到7.2×104個數據，通過對這些數據的分析，可知車輛與行車道左側標線的距離與其出現頻率的關係呈正態分布，並得出μ和σ的值，以曲線下部95％的面積作為參考值，從而利用相應公式μ+1.96σ計算得到該面積對應的左、右邊界，即車輛距左側標線的橫向位置分布範圍。
s4:預測對象狀態劃分：將s3所得範圍等分為m個區域，從左到右依次為z1、z2、z3、z4、…、zm，即將車輛狀態從左到右依次分為1～n的八種狀態。每個區域看做一個臺階，臺階高度為每個區域右側分界線距行車道左側標線的距離，而臺階的劃分以以保證車輛在每50ms所跨越臺階數儘可能不超過2個為原則。
s5:計算初始概率pi：通過對s4的基礎數據的整理得到落在每個臺階上的數據個數即a1，a2，a3，…，am，總數記為m，從而計算得到初始概率最終得到本模型的初始概率矩陣，即p(0)＝(p1，p2，p3，…，pm)。
s6:計算不同狀態下的轉移概率pij：由於上一步驟中得到了每個臺階上的數據個數即a1，a2，a3，…，am，且通過對基礎數據的分析得到由臺階i轉移到臺階j的數據個數dij，從而得到不同狀態下的轉移概率(|i-j|≤3且i，j＝1，2，…，m)。因此，最終得到相應的轉移概率矩陣
s7:根據s5、s6中得到的初始概率與狀態轉移概率對車輛的未來運行狀態進行預測，即p(n)＝p(n-1)×p＝p(0)×pn(n∈n)。
s8:在連續行駛一個小時後，一般駕駛人開始逐漸進入疲勞狀態，利用上述預測方法對車輛進行多段特定時間的連續預測，並與其對應的實測數據進行比較，本發明中採用的時間段為3s，其多種設定標準及具體操作如下：
方法一：
①對車輛進行連續60次的預測，最終得到p(60)，時間t60＝3s，同時通過記錄儀視頻分析、計算，也得出在3s內的所有數據，對其進行整理，得到實測概率p′(60)；
②在p(60)中找出概率總和等於或超過且接近50％所對應的區域，如：當z5、z7、z8的和等於或超過但接近50％時，實測數據p′(60)中對應的z5、z7、z8三個區域的概率總和若小於50％，則說明駕駛人可能開始進入疲勞狀態；
③在上述數據基礎上，繼續進行多次連續60次的預測，本發明中繼續進行了7次，得到p(120)，p(180)，…，p(480)，時間均為3s，同時也得到7組實測數據，經整理後分別為p′(120)，p′(180)，…，p′(480)，若實測數據與預測數據相差較多，則說明駕駛人已開始進入疲勞狀態。
方法二：
將方法一中的實測數據與預測數據通過比較，觀察實測數據數值臺階的跳躍性及其跳躍程度的變化，同時也可以在比較中觀察在數據出現概率小的區域其值是否突然增大，進而在方法一的基礎上進一步驗證駕駛人是否進入疲勞狀態。
經過上述方法的驗證得到，當預測數據的幾個區域概率和為50％或超過但接近50％時，實測數據的對應區域概率和小於50％，且實測數據跳躍性加大並頻繁出現在小概率區域時，便可判定駕駛人開始出現疲勞，這時就要進行預警，提醒駕駛人休息或小心駕駛，從而防止交通事故的發生。
以上，僅為本發明較佳的具體實施方式，但本發明的保護範圍並不局限於此，任何熟悉本技術領域的技術人員在本發明揭露的技術範圍內，根據本發明的技術方案及其發明構思加以等同替換或改變，都應涵蓋在本發明的保護範圍之內。