logo资料库

基于GA-SVM的驾驶疲劳检测方法研究.pdf

发布时间：2022-05-29 发布人：admin 分类：说明书 资料大小：0.57M 资料格式：pdf 举报 版权申诉
第1页 / 共6页
第2页 / 共6页
第3页 / 共6页
第4页 / 共6页
第5页 / 共6页
第6页 / 共6页
资料共6页，全文预览结束
    中国科技论文在线 http://www.paper.edu.cn 基于 GA-SVM 的驾驶疲劳检测方法研究# 刘志强，宋雪松，汪澎，周桂良* （江苏大学汽车与交通工程学院） 5 摘要：为克服目前驾驶疲劳检测方法的缺点，提出一种基于 GA-SVM 的驾驶疲劳检测方法。 将转向盘转角作为驾驶疲劳的评判根据，采用 AR 模型对其进行时序分析并提取定阶模型的 参数作为输入向量，参考斯坦福睡眠尺度将驾驶疲劳状态分为三种程度作为输出向量，然后 采用 SVM 作为模型的分类器，并引入 GA 优化 SVM 参数，最后通过具体实例验证。结果 表明:该方法能有效地对驾驶疲劳进行检测，且检测率较高，具有较好适用性。 关键词：交通运输工程；驾驶疲劳；转向盘转角；AR 模型；SVM；GA 中图分类号：X941；U491.6 10 15 20 25 A Driver fatigue detection research based on GA-SVM LIU Zhiqiang, SONG Xuesong, WANG Peng, ZHOU Guiliang (School of Automotive and Transportation Engineering, Jiangsu University, Zhenjiang, 212013, China) Abstract: In order to overcome the drawbacks of the current methods of driving fatigue detection , this paper proposes a kind of driver fatigue detection method based on GA-SVM（GA, genetic algorithm;SVM, support vector machine）, which regards steering wheel angle as the driving fatigue evaluation , carries out an analysis carry out carry out using AR model on the time sequence and extracts the parameter of its fixed order model as the input vector. It takes a reference of the Standford sleep evaluation and divides the driving fatigue state into three different degrees as the output vector, then takes SVM as the classifier, and introduces GA to optimize the parameters of SVM, finally it makes an verification with specific example. The results reflects that this method is very effective to detect the driving fatigue, and the detection rate is high, which has qualities of a better application and promotion.. Key words: traffic transportiion engineering;driver fatigue；steering wheel angle；AR model； SVM；GA 30 0 引言 据有关统计[1]，疲劳驾驶造成的死亡类交通事故占全部事故的 57%。驾驶疲劳的监测与 预警对减少交通事故、改善交通环境已显得十分重要。目前国内外学者从分类特征与分类器 的角度，提出以心理信号为评判依据的驾驶疲劳检测方法。但由于参数获取困难以及接触式 的仪器不可避免地对驾驶员驾驶心理或行为造成干扰[2-3]，从而影响了实际的工程应用。 35 基于此，文章选取方向盘转角特性作为驾驶疲劳的评判依据。采用 SVM（Support Vec tor Machine, 支持向量机）作为分类器对其进行分类，并采用 GA（Genetic Algorithm，遗 传算法）方法对 SVM 参数进行优化[4-5]，以期提分类模型精度。该方法旨在为驾驶疲劳检测 提供一种新的思路。 1 基础理论介绍 1.1 支持向量机简介 40 其中在非线性可分问题中，采用支持向量机理论是基于一种统计学习理论的算法 [6]。 该算法能较好地实现结构风险最小化思想，即将样本的输入向量通过核函数方式映射到高维 基金项目：教育部 2011 年博士点基金（20113227110014）；交通运输科技项目（2014Y17）； 作者简介：刘志强，男，教授，主要研究方向：智能交通，交通安全. E-mail: zhqliu@ujs.edu.cn - 1 -
    中国科技论文在线 http://www.paper.edu.cn 45 的特征空间，实现线性分类样本的功能 [6,7]。支持向量机理论已成为当前研究热点并广泛地 应用于工程领域[8-9]。 1.2 遗传算法简介 遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化的 搜索算法[8]。遗传算法将计算机科学与进化论思想有机结合起来，借助于生物进化机制和遗 传学原理，根据优胜劣汰、适者生存的原则，通过模拟自然界生物种群由低级、简单到高级、 50 复杂的生物进化过程，使所要解决的问题从初始解逐渐逼近最优解或准最优解。目前在机械 设计、计算机科学、生物工程、自动控制、人工智能和社会科学等领域都有广泛应用 [9,10,11]。 遗传算法的基本流程可以概括为：从任一初始群体出发，通过随机选择、交叉和变异操作， 产生一群更适应环境个体，使群体进化到搜索空间中越来越好的区域，通过一代一代地不断 55 繁衍进化，最后收敛到一群最适合环境的个体，即问题的最优解。 2 疲劳检测模型的建立 2.1 驾驶疲劳状态的分类 知识获取：将驾驶员的主观疲劳作为驾驶疲劳状态分类的参考依据，参考斯坦福睡眠尺度 [12]将驾驶疲劳程度分为正常驾驶状态、准疲劳驾驶状态、疲劳驾驶状态。表 1 为斯坦福睡 眠尺度表具体内容，对应 1～2 为正常驾驶状态、3～4 为准疲劳状态、5～7 为疲劳驾驶状态。 60 表 1 主观疲劳尺度表 Table 1 Subjective fatigue scale 等级 主观疲劳感受 1 2 3 4 5 6 7 完全清醒 比较清醒，注意力能够中 注意力开始下降，不能够安全集 中 有点疲劳 比较疲劳 非常疲劳，视线模糊 极度疲劳，不能继续 2.2 转向盘转角时序分析 转向盘转角数据随时间的变化如图 1 所示,数据来源于具体的道路试验。图 1(a)为正常 驾驶状态，图 1(b)为准疲劳驾驶状态，图 1(c)为疲劳驾驶状态。由图 1 可知，很难从它外部 65 变化观察出它与驾驶疲劳之间的内部变化规律。所以，必须采用信息处理技术对其进行特征 分析、提取，以便找到其内部变化规律。 - 2 -
    中国科技论文在线 http://www.paper.edu.cn 图 1(a) 正常驾驶状态下的转向盘转角时序图 70 图 1(b) 准疲劳驾驶状态下的转向盘转角时序图 (c) 图 1(c) 疲劳驾驶状态下的转向盘转角时序图 图 1 3 种驾驶疲劳状态下的转向盘转角时序图 75 Fig.1 Three kinds of driving fatigue state of the steering wheel angle timing diagram 2.3 驾驶疲劳检测模型的建立 2.3.1 输入和输出向量的设计 将应用 AR 模型(Auto Regressive Model)提取的转向盘转角的 14 维特征向量作为检测模 型的输入向量；将驾驶疲劳的分类状态分别标识，正常驾驶状态标识为 1，准疲劳驾驶状态 80 标识为 2、疲劳驾驶状态标识为 3 作为输出向量。 采用 AR 模型[13]对三种状态的转向盘转角进行时序分析。并以上述正常驾驶状态、准疲 劳驾驶状态、疲劳驾驶状态三种状态下 14 个 AR 模型参数作为转向盘转角的特征向量，并 以此作为基于转向盘转角特性检测驾驶疲劳的模式向量。具体可表为： 式中： Xi 为第 i 个信号的特征向量；ψ ij 为第 i 种状态对应的特征向量第 j(j=1,2, ∧,14)个参数。其中 AR 模型 14 阶由 FPE 准则[14] 85 - 3 - 1413121110987654321,,,,,,,,,,,,,iiiiiiiiiiiiiiiX，
    中国科技论文在线 定阶所得。 2.3.2 基于 GA-SVM 模型的建立 http://www.paper.edu.cn 选择 SVM 作为检测模型的分类器，SVM 采用不同的核函数将得出不同的 SVM 算法[6]。 目前在实际问题中应用最多的核函数线性核函数、多项式核函数、高斯径向基函数、Sigmo 90 id 核函数。采用何种形式的核函数，由具体仿真实验的结果确定。 如上所述，采用 GA 对 SVM 进行优化。其基本步骤是：①确定需优化的支持向量机参 数的范围，即惩罚参数和核函数参数的取值范围；②初始化种群，按某种编码方式随机产生 染色体生成遗传算法初始群体；③根据每个变量的取值范围进行解码，解码后的染色体即为 惩罚参数和核参数两个值；④将解码后的参数用于 CV（交叉验证方法）意义下分类器，最 95 终的分类准确率作为遗传算法的适应度函数值；⑤执行选择算子、交叉算子和变异算子，形 成下一代新的子种群，并将每一代最优染色体遗传到下一代。⑥满足迭代终止条件则停止迭 代；否则进行重组操作转至步骤 5，将变异后的染色体解码并计算个体染色体的平均适应度 和适应度，直至满足迭代终止条件。⑦解码，输出结果，得到最优惩罚参数和核函数参数组 100 合。 3 应用实例 3.1 试验设计 本次试验的试验人员包括驾驶员 1 名和助理人员 3 名，驾驶员有 10 年以上的驾龄，驾 驶经验丰富，身体状况良好；实验时间选为上午 9 点到 12 点，下午 13 点到 17 点，中间间 隔 1 小时。试验分为 A、B 两组。A 组实验中 12 点至 13 点的间隔时间，驾驶可以进行睡眠 105 休息，而 B 组实验中的间隔时间中驾驶员虽然不进行行车驾驶，但是不允许进行睡眠休息。 3.2 样本制作 表 2 部分样本数据示例 Table 2 Part of sample data 编号 1 2 3 4 5 6 0.0332 0.0435 0.0929 0.0410 0.0544 0.0343 0.0295 0.0446 0.0945 0.0478 0.0056 0.0044 0.0223 0.0542 0.0055 0.0201 0.0553 0.0147 0.0456 0.0285 0.0527 0.0159 0.0150 0.1017 0.0415 0.1220 0.0187 0.0389 0.0148 0.1097 0.0839 0.0622 0.0256 0.1514 0.0562 0.0153 0.0354 0.0151 0.0212 0.0041 0.0523 0.0748 输入 0.0706 0.0189 0.1327 0.0158 0.0051 0.0518 0.0980 0.0679 0.0326 0.0868 0.1022 0.0557 0.0194 0.0226 0.0461 0.0369 0.0971 0.0632 0.0994 0.0461 0.0692 0.1265 0.0387 0.0296 0.0754 0.0311 0.0042 0.1721 0.0241 0.0507 0.0686 0.0411 0.0929 0.0410 0.0544 0.0343 0.0561 0.0030 0.0945 0.0478 0.0056 0.0044 输出 1 1 2 2 3 3 如上所述样本的预处理指的是 PCA 方法的降维处理。分别对样本数据进行主成分百分 110 比 85%～99%的降维，当主成分百分比在 95%时，模型的准确性最高为 70.00%。主成分百 分比 95%的累积贡献变化如图 2 所示。 - 4 -
    中国科技论文在线 http://www.paper.edu.cn 图 2 主成分百分比 95%时累积贡献变化 Fig.2 Cumulative contribution of 95% main component 115 3.3 仿真结果和分析 利用 MATLAB 软件编制程序实现 SVM 分类器，通过具体的样本仿真选择高斯径向基核 函数。遗传算法中有以下运行参数需要预先确定，分别为种群大小 Nind、染色体长度 Lind、 终止代数 T、代沟 GGAP、交叉概率 Pc 和变异概率 Pm。通过大量的实验，确定上述参数的 最终取值，分别为种群大小为 20，染色体长度为 20，终止代数为 100，代沟为 0.9，交叉概 120 率为 0.7，变异概率为 0.035。另外，确定惩罚参数和核函数参数为 0～100，选取 CV 意义 下分类器的准确率为自适应度函数值，交叉折数为 5。然后将样本数据输入遗传算法优化后 的检测模型中，进行仿真实验，遗传算法的适应度变化过程如图 3 所示,得到最优惩罚参数 b estc=3.9243，最优核函数参数 bestg=0.42267，CV 意义下分类器的分类准确性为 67.5%。 125 图 3 遗传算法适应度值变化曲线 Fig.3 Change curve of genetic algorithm fitness 图 4 最佳参数组合的模型检测结果 - 5 - 010203040506070809010040455055606570适应度进化代数 最佳适应度 平均适应度010203040506001234 实际疲劳状态 检测疲劳状态驾驶疲劳状态测试集样本
    中国科技论文在线 http://www.paper.edu.cn 130 将在最佳参数组合下的驾驶疲劳检测模型进行仿真实验，得到驾驶员驾驶疲劳状态的检 Fig.4 Cecking results for optimal parameter combinations model 测结果如图 4 所示。具体各个状态下的检测结果如表 3 所示，结果显示对正常驾驶状态下检 出率为 90.00%，对准疲劳驾驶状态检出率为 100.00%，对疲劳驾驶状态的检出率为 85.00%， 对驾驶疲劳状态总的检出率为 91.67%。 135 Table 3 Dtection results for driving fatigue 表 3 驾驶疲劳的检测结果 … 样本容量 检出数量 遗漏数量 检出率 正常 驾驶 轻度疲 劳驾驶 疲劳 驾驶 状态 状态 状态 20 18 2 20 20 0 20 17 3 驾驶 疲劳 状态 60 55 5 90% 100% 85% 91.67% 4 结论 针对驾驶疲劳检测问题，将转向盘转角特性作为评判依据，SVM 作为分类器应用于驾 驶疲劳检测之中。首先通过时序的方法提出转向盘转角特征向量作为输入向量，根据斯坦福 睡眠尺度将驾驶疲劳状态分为三种不同的程度作为输出向量。其次，根据支持向量机工具箱， 140 利用 MATLAB 软件编制程序，在合理选取核函数形式和降维程度后，采用 GA 方法对支持 向量机的参数进行最佳选择，然后对最佳参数组合下的模型进行仿真实验，结果表明检测模 型检测率较高，从而证明了该驾驶疲劳检测模型能够对驾驶员进行有效地疲劳检测，具有较 好的工程应用价值。 145 150 155 160 165 [参考文献] (References) [1] 孙伟，张为公，张小瑞，等. 疲劳驾驶预警系统的研究进展[J]. 汽车电器， 2009，1（1）：4-8. [2] 颜松，魏建勤，吴永红. 汽车驾驶员瞌睡状态脑电波特征提取的研究[J]. 中国生物医学工程学报，2005， 24 （1）：110-113. [3] 房瑞雪.基于生理信号的驾驶疲劳预警对策有效性的实验研究[D]. 北京：北京工业大学，2010. [4] 张德丰. MATLAB 神经网络应用设计[M]. 北京：机械工业出版社，2008. [5] 关玉萍，宋立新. 基于支持向量机决策树的驾驶员眼睛状态检测[J]. 哈尔滨理工大学学报，2010，15（6）： 5-8. [6] Vapnik V. Statistical learning theory [M].Wiley, New York, NY, 1998. [7] Hsu C W, Lin C J. A comparison of methods for multi-class support vector machine[J]. IEEE Transactions on Neural Network, 2002, 13(2):415-425. [8] 谭孝贤. 支持向量机在小波包去噪方法中的应用[D]. 上海：上海交通大学，2009. [9] 黄静华. 支持向量机算法研究及在气象数据挖掘中的应用[D]. 北京：中国矿业大学, 2011. [10] 祝诗平，王一鸣，张小超，等. 基于遗传算法的近红外光谱谱区选择方法[J]. 农业机械学报，2004， 35（5）：152-156. [11] 孙志田，张建梅，闫常丽. 基于遗传算法公交线路网优化模型仿真研究[J]. 计算机仿真，2011，28（11）： 335-338. [12] T Chalder, G Berelowitz, T Pawlikowska, et al. Development of a fatigue scale[J].Journal of Psychosomatic Research, 1993, 37(2):147-153. [13] 杨叔子. 时间序列分析的工程应用(上册)[M]. 第 2 版. 武汉：华中科技大学出版社，2007. [14] 尹安东. 汽车变速箱齿轮故障模糊聚类诊断技术的应用研究[D]. 合肥：合肥工业大学，2002. - 6 -
    分享到：
    赞 收藏

    相关推荐

    资料库

    开发技术

    共收录19306份资料，累计14个分类，关注成员有19位，主要包括：Actionscript,Javascript,PHP,VB,Perl,Delphi,Python,C#,C,Java,C++,Web开发,硬件开发,其它

    热门标签

    Actionscript Javascript PHP VB Perl Delphi Python C# C Java C++ Web开发 硬件开发 其它

    最新资料