详情

原文传递基于信息融合的车载疲劳驾驶预警系统设计与研究

论文题名：	基于信息融合的车载疲劳驾驶预警系统设计与研究
关键词：	疲劳驾驶预警;车载系统;特征提取;D-S证据理论;树莓派;图像识别
摘要：	随着我国交通运输领域不断发展，汽车和司机数量快速增加，因疲劳驾驶原因导致的机动车事故也出现了井喷式的增长。为降低因司机驾驶疲劳导致的机动车事故发生比例，深入探索司机疲劳驾驶检测领域具有重要的社会意义。由于现有的驾驶疲劳检测系统采集装置及判决算法仍存在较大缺陷，无法高效减少此类交通事故的发生。　　本文以此为背景，通过实现并分析三种基于同类特征判定的疲劳检测方案，得知同类特征检测方案易受驾驶环境和司机个体差异影响，且检测精度不高。针对这些缺点，本文以D-S证据理论为基础，将检测方法进行改进，设计出一种融合驾驶员脸部特征与驾驶操作特征的疲劳检测模型，有效的增强了抗外界干扰的能力，并提高了状态识别的准确率。　　论文主要研究内容如下：　　（1）研究并实现了基于68个脸部特征点识别眼睛和嘴巴疲劳特征的检测模型。首先用梯度方向直方图（HOG，HistogramsofOrientedGradients）和分类器检测出人脸位置，然后基于回归树将人脸真实状态和初始状态进行对齐（ERT，EnsembleofRegressionTrees），并使用特征点进行标注，之后再根据眼睛和嘴巴的疲劳特征进行判定。同时还研究并实现了基于SSD（SingleShotMultiBoxDetector）网络的检测方法，通过Pytorch设计SSD网络疲劳检测模型，将实车采集的图像数据进行人眼与嘴巴状态标注，并通过标注好的数据集训练SSD网络模型，最后通过该模型来识别眼睛和嘴巴的当前状态，从而判定司机是否为疲劳驾驶。　　通过两个检测方案的测试结果能够证明，通过优化图像识别算法可以提高检测模型对司机驾驶习惯和姿态差异的鲁棒性，但在实车驾驶时，摄像头采集图像过程中总会出现脸部成像不佳、被大面积遮挡、脱离采集范围等问题，导致算法不能准确识别疲劳特征进而出现漏检误检等现象。　　（2）提取司机驾驶时的转向角度绝对值均值、标准差和转向角速度绝对值均值、标准差四个疲劳特征，并构建数据集，由此来训练基于高斯核SVM（SupportVectorMachine）的疲劳分类模型。使用数据集对该模型进行验证，结果显示检测模型的准确率相对较低，对不同驾驶员操作差异的适应性较差，容易受驾驶习惯和道路环境的影响。　　（3）针对基于同类特征的检测模型抗干扰能力不足这一缺点，本文使用了改进的D-S证据理论将图像特征和行为特征在决策层进行融合。将SSD网络模型和SVM分类模型的检测结果再进行软分类，得到的识别概率作为改进D-S证据理论的基本概率分配来源，再利用改进D-S证据合成规则进行融合，建立疲劳检测模型。使用实车采集数据集进行测试，基于图像特征的检测模型识别准确率为88%，基于方向盘特征的检测模型识别准确率为81.6%，基于D-S证据理论融合特征的疲劳检测模型识别准确率为92.3%，并且针对驾驶环境的干扰因素鲁棒性更好，综合性能得到提升。
作者：	朱贤瑛
专业：	集成电路工程
导师：	项颖
授予学位：	硕士
授予学位单位：	广东工业大学
学位年度：	2022