详情

原文传递一种考虑驾驶员情绪和驾驶倾向性的汽车行驶安全预警方法

专利名称：	一种考虑驾驶员情绪和驾驶倾向性的汽车行驶安全预警方法
摘要：	本发明公开了一种考虑驾驶员情绪和驾驶倾向性的汽车行驶安全预警方法，属于图像识别及智能交通领域，综合考虑了驾驶员的情绪和驾驶倾向性两方面因素，对汽车驾驶行为进行预警。一种考虑驾驶员情绪和驾驶倾向性的汽车行驶安全预警方法包括以下步骤：驾驶员驾驶倾向性数据采集、驾驶员面部数据采集及情绪识别、愤怒情绪判定、预警判定、车辆信息数据采集、车辆行驶状态阈值判定、报警判定。本发明提供的一种考虑驾驶员情绪和驾驶倾向性的汽车行驶安全预警方法，能够根据采集的数据对驾驶员的驾驶倾向性进行确认；在车辆运行过程中能够实时监控驾驶员的情绪变化以及驾驶车辆的行驶状态；当驾驶员出现愤怒情绪会出现预警提示，当车辆的行驶状态超过正常行驶状态阈值时会出现报警提示。通过上述预警和报警提示减少驾驶员不正当操作，降低事故发生的风险。
专利类型：	发明专利
国家地区组织代码：	山东;37
申请人：	山东理工大学
发明人：	张敬磊;于祥阁;王云;盖姣云
专利状态：	有效
申请日期：	2019-06-17T00:00:00+0800
发布日期：	2019-08-27T00:00:00+0800
申请号：	CN201910521885.2
公开号：	CN110171361A
分类号：	B60Q9/00(2006.01);B;B60;B60Q;B60Q9
申请人地址：	255086 山东省淄博市高新技术开发区高创园A座313室
主权项：	1.一种考虑驾驶员情绪和驾驶倾向性的汽车行驶安全预警方法，其特征在于，包括以下步骤： S1、驾驶员驾驶倾向性评测：车辆启动前，对车辆驾驶员进行一个问卷调查，通过对数据库的数据对比，判别驾驶员的驾驶倾向性； S2、激进型认证：根据步骤S1采集的数据及判定结果，判定驾驶员是否为激进型，若判断为“是”则进入步骤S3；若判断为“否”，则进入步骤S12； S3、驾驶员面部数据采集及情绪识别：车辆行驶过程中，对驾驶员面部数据进行实时采集，并根据采集到的数据进行驾驶员的情绪识别； S4、愤怒情绪认证：根据步骤S3采集的数据及判定结果，判定驾驶员的情绪是否为愤怒情绪，若判断为“是”则进入步骤S5；若判断为“否”，则进入步骤S12； S5、愤怒情绪预警：根据步骤S4的认证结果，驾驶员为愤怒情绪时，则自动播放缓解愤怒情绪的音乐，以图缓解驾驶员的愤怒情绪； S6、愤怒情绪再次认证：通过步骤S5的音乐播放完毕后，再次对驾驶员的情绪进行识别，判断驾驶员的愤怒情绪是否已经消失，若判断为“否”则进入步骤S7；若判断为“是”，则进入步骤S12； S7、车辆行驶信息采集：车辆行驶过程中，对车辆行驶信息进行实时数据采集； S8、车辆行驶状态一级报警判定：根据步骤S7采集的车辆行驶数据，判定车辆是否超过安全行驶阈值，若判断为“是”则进入步骤S9；若判断为“否”，则进入步骤S12； S9、一级报警：根据步骤S8的判定结果，对驾驶员进行一级报警； S10、车辆行驶状态二级报警判定：根据步骤S7采集的车辆行驶数据，判定车辆是否恢复到安全行驶阈值以内，若判断为“否”则进入步骤S11；若判断为“是”，则进入步骤S12； S11、二级报警：根据步骤S10的判定结果，对驾驶员进行二级报警，并在二级报警的情况下自动对行驶过程中的车辆进行减速等操作； S12、车辆正常运行。 2.根据权利要求1所述的驾驶员驾驶倾向性评测，其特征在于：以调查问卷的形式进行评测，问卷通过车载屏幕显示，驾驶员做完之后，系统会根据问卷调查的得分与数据库进行对比，进而得出驾驶员的驾驶倾向性。 3.根据权利要求1所述的驾驶员面部数据采集及情绪识别，其特征在于：所述的面部数据采集及情绪识别是一种基于卷积神经网络的算法，具体算法如下：步骤1：数据输入层，将图片解析成由像素值表示的多维矩阵；步骤2：卷积层，是卷积神经网络的核心，通过不同的卷积核，来获取图片的特征。卷积核相当于一个滤波器，不同的滤波器提取不同特征，计算图像的每一个像素以及其领域像素和滤波器矩阵对应元素的乘积和，卷积层的卷积公式为：式中，f(x)表示激活函数；L，W表示卷积核的长和宽；ωn,m是卷积核(n,m)位置对应的权值；u表示上一层的输出；激活函数就是对卷积层的输出进行非线性操作，激活函数一般有三种，分别为sigmoid、tanh、ReLU，实验表明：ReLU比sigmoid、tanh等函数收敛更快，为梯度下降训练节省大量时间，因此选用ReLU函数作为激活函数，ReLU函数数学表达式为： f(x)＝max(0,x) 步骤3：池化层，输入样本在经过卷积层后得到的特征维数较大，若直接使用这些特征值进行分类，会造成计算量大、过于复杂等后果。因此，每个卷积层后边都会接一个池化层，目的是为了降维。它通过对上一层输出的特征图上的不重叠部分进行函数变换来得到不变特征；步骤4：全连接层，一般连接在最后一层降采样层和分类器之间，可以感知全局的信息，将经过卷积层和降采样层学习得到的局部特征进行整合，从而得到全局特征，全连接层的数学表达式为： y＝g(Wh+b1) 式中，g(x)表示分类函数；W表示连接权值；h表示隐藏输出；b1表示偏置，分类函数选择Softmax函数，其函数表达式为：式中，fi表示最后一个全连接层输出的第i的样本的提取特征；Pi表示fi被正确分类的后验概率；N是训练样本的数量，K是类的数量；Wj表示全连接层权重矩阵的第j列；bj为偏置项；步骤5：输出层，一般采用RBF网络，每个RBF的中心为每个类别的标志，网络输出越大，代表越不相似，输出的最小值即为网络的判别结果。 4.根据权利要求1所述的车辆行驶信息采集，其特征在于：在车辆上安装360度全景摄像头，通过全景摄像头捕获的车辆位置信息，进而求出车辆的横向速度和纵向速度，其计算公式如下： v1＝v·cosθ v2＝v·sinθ 式中，v1表示车辆的纵向速度，v2表示车辆的横向速度，v表示车辆的行驶速度，θ表示车辆的行驶方向与道路方向的夹角。
所属类别：	发明专利