基于标签集相关性学习的驾驶员异常行为预警方法

摘要

目前研究的驾驶员异常行为预警方法,由于用户对于预警信号的理解能力较差,不能在短时间内迅速作出预警反应,导致安全风险较高。为了解决上述问题,提出基于标签集相关性学习的驾驶员异常行为预警方法。分别采用车辆颜色特征、纹理特征以及梯度特征作为车辆异常表征分析,通过梯度特征捕获到驾驶员的瞬时行为,研究颜色特征、纹理特征以及梯度特征之间存在的关联性,利用协方差描述因子对图像数据帧区域的信息进行获取,然后按照各个特征的特点,进行特征提取。应用标签集相关性学习方法,对驾驶员异常行为等级进行划分,设定三种异常行为等级,根据相关等级,给出不同的预警信号,采用语音、视觉以及感知三重叠加预警模式确保用户可以在短时间内发现异常行为。实验结果表明,基于标签集相关性学习的驾驶员异常行为预警方法能够帮助用户快速发现自己的异常行为,用户预警反应时间提高了50%以上,对于用户安全驾驶有重要意义。