《武汉工程大学学报》 2016年05期
505-510
出版日期：2016-11-02
ISSN:1674-2869
CN:42-1779/TQ
基于数据融合的疲劳驾驶检测算法
1 引 言国内外交通管理机构对交通事故数据进行统计分析，得出疲劳驾驶、超速驾驶等危险驾驶行为是导致交通事故的重要原因. 为了缓解危险驾驶行为引发的道路交通事故，各国普遍以法律法规的形式对营运车辆驾驶员作息时间进行了严格规定. 然而，由于驾驶员安全意识薄弱、运输企业监管不到位、危险驾驶行为不易判别等原因，限制了政策法规在预防危险驾驶行为中所起的作用. 因此，如果能利用技术手段对危险驾驶行为和车辆行驶状态实行有效的监测和预警，及时发现驾驶员疲劳驾驶、超速行驶等违法行为，一方面能从根源上有效避免交通运输事故发生，另一方面也有利于对驾驶员安全驾驶进行更为有效的管理，规范驾驶员行车驾驶习惯，减少交通事故率. 目前，疲劳驾驶行为与车辆跟踪的相关研究主要是从眼部特征、脑电波特征、驾驶行为特征等方面数据的数据融合研究，其中采用D-S证据理论的数据融合模型［2］，采用贝叶斯理论的数据融合模型［3］，采用SVM算法的数据融合模型［7］，本文主要采用眼部状态特征和车道偏离驾驶行为特征，利用SVM数据融合算法整合基于人眼的疲劳判别、基于车道偏离的疲劳判别的数据，研究建立基于数据融合的疲劳判别模型. 2 基于数据融合的疲劳检测模型数据采集为货车驾驶过程中产生的车载数据，结合眼部特征数据和车道偏离驾驶行为数据，提出采用支持向量机算法对两种数据源进行数据融合，进而解决单个数据源疲劳检测不准确的问题. 算法具体流程如图1所示. 2.1 眼部特征参数采用PERCLOS算法关键是能够精准的判断出驾驶员眼睛的闭合状态. 具体流程如图2所示.2.1.1 人脸检测定位算法 在进行数据预处理的基础上，选择AdaBoost分类器算法，根据人脸的特征完成检测定位. 算法步骤如下：1）人脸分类器的训练：每一个人脸特征训练弱分类器[hi]，其构造函数为[hx=1Pjfjx