基于HMM的驾驶员疲劳评估模型研究

摘要

驾驶员疲劳驾驶在道路交通事故发生的原因中占有绝大部分比例。鉴于视觉特征信息直观明显，易于检测，并可实现非接触性测量，因此基于视觉特征检测驾驶员疲劳状态已经成为学者们研究的热点和主流。以往研究大多采用一种或几种驾驶员疲劳时的表现特征运用贝叶斯网络、模糊推理、人工神经网络、机器视觉等开展研究，其局限性在于忽略了驾驶员精神状态的变化是一个随时间变化的过程。本文所建立的隐马尔科夫模型合理地反应了驾驶员精神状态变化与自身特征信息变化过程，它可以描述驾驶员疲劳状态的在时间上的整体非平稳性和局部平稳性，是一种较为理想的驾驶员疲劳评估模型。本文选取了20位实验对象利用驾驶模拟器模拟高速公路工况。实验过程中运用SMI-HED头盔式眼动仪采集实验中驾驶员的眼部特征信息，摄像机记录实验中驾驶员面部视频图像，利用生理参数测试仪采集驾驶员的生理信号。具体工作如下:
　　1.在各种驾驶员疲劳评估模型中，本文重点分析了隐马尔科夫模型(Hidden MarkovModels，简称为HMM)的驾驶员疲劳评估模型。选取参数PERCLOS、AECS、PERLVO作为评估驾驶员疲劳状态的参数变量，并建立对应的HMM驾驶员疲劳评估模型。利用实验数据对所建立的模型进行了训练，利用Baum-Welch算法（也称前、后向算法）和基于样本数据得到的HMM模型参数训练得到HMM驾驶员疲劳评估模型的最终参数λ=[(A)，(B)，π]，使Pr[O/λ]达到最大。
　　2.本文以生理参数仪获得的数据为基础，通过与所建立的HMM驾驶员疲劳评估模型疲劳概率及HMM经典算法Viterbi算法推断驾驶员产生观察值序列时间段内最可能的精神状态对比，验证了所建模型的合理性、准确性。
　　3.基于实验数据，本文对所建立的驾驶员疲劳评估模型进行了详细的对比分析，并获得了相应的分析结论。结果表明，基于单参数和多参数所建立的HMM驾驶员疲劳评估模型能反应驾驶员疲劳是一个随时间变化的过程，这说明所建立的模型可以准确反映驾驶员疲劳形成的时变特征。相应模型的对比分析结果表明，基于多参数PERCLOS、AECS、PERLVO的HMM的驾驶员疲劳评估模型更符合驾驶员真实的精神状态变化过程，且根据观察值序列得到的最可能隐藏的驾驶员精神状态序列与驾驶员真实的精神状态序列更加吻合。

目录

声明

摘要

1 引言

1．1 课题研究背景和意义

1．2 疲劳驾驶概念、成因及表现

1．2．1 疲劳驾驶的定义

1．2．2 疲劳驾驶的成因

1．2．3 疲劳驾驶的表现

1．3 疲劳驾驶检测技术的研究现状及存在的问题

1．3．1 主观评价方法

1．3．2 客观评价方法及应用现状

1．4 驾驶疲劳检测技术研究中存在的问题及发展方向

1．5 论文的主要研究内容和结构安排

1．5．1 论文的主要研究内容

1．5．2 论文的结构安排

2 HMM的基本理论

2．1 HMM的基本思想

2．1．1 Markov链(马尔科夫链)

2．1．2 HMM的基本概念

2．1．3 HMM的定义

2．2 HMM类型

2．3 HMM解决的三种问题

3 基于HMM的驾驶员疲劳评估模型的建立

3．1 特征参数介绍

3．2 确定Markov链的形状

3．3 确定基于HMM的驾驶员疲劳状态评估模型的观察值

3．4 隐马尔科夫的参数估计

3．4．1 Baum-Welch算法

3．4．2 初始模型选取

3．5 基于HMM的疲劳评估模型的训练

3．6 本章小结

4 驾驶疲劳模型的推理

4．1 后验概率

4．2 Viterbi算法

4．3 基于HMM的驾驶员疲劳评估模型推理

4．4 基于HMM的驾驶员疲劳评估模型的疲劳状态预测

4．5 本章小结

5 基于驾驶员疲劳评估模型的实验与分析

5．1 实验目的

5．2 实验方案

5．2．1 实验测评指标

5．2．2 实验与分析系统构建

5．2．3 实验环境

5．2．4 实验内容

5．2．5 实验流程

5．3 实验数据处理及分析

5．3．1 实验数据分析

5．3．2 HMM模型推测最可能隐藏状态序列及分析

5．3．3 网络模型分析

5．4 本章小结

结论

参考文献

附录

攻读硕士学位期间发表学术论文情况

致谢