非接触式车载疲劳驾驶实时报警系统

疲劳驾驶是行车交通事故的主要原因之一。本项目是为了研制一种嵌入式实时驾驶员疲劳报警系统。该装置实时跟踪驾驶员的驾驶状态，获取其眨眼频率和持续驾驶时间等数据，用以判断驾驶员是否疲劳或是否集中注意力。一旦驾驶员出现疲劳状态或者注意力不集中的情况，该装置将给出声光报警和语音提示。     

基于无线体域网中多生理信号驾驶疲劳检测

利用生理信号的无线测量设备实现了对驾驶员在驾驶过程中的脑电信号、肌电信号和呼吸信号的采集,并对其进行分析处理,从而实现驾驶员的疲劳检测.首先分别计算三个生理信号的近似熵并将其作为疲劳检测的特征参数,然后使用主成分分析对特征参数进行降维优化处理,同时对原始特征参数和分析后的主成分分别进行统计分析,基于优化处理后的特征参数利用回归方程建立驾驶疲劳估计模型.最后通过交叉验证对本方法进行评价,并使用数据融合方法给出了综合的评价结果.评价结果表明提出的方法对驾驶员疲劳状态的检测正确率达到90%以上.     

基于人眼识别的防疲劳驾驶系统设计与研究

为了避免日常生活中因疲劳造成的交通事故, 利用人眼图像识别技术对驾驶进行疲劳监测。设计并提出了一套基于图像信息判断驾驶员疲劳状态的流程。首先使用Viola-Jones 算法, 在图像中直接进行人眼定位,再对人眼图像进行处理, 得到人眼长宽比值Q, 最后建立了Q 值和疲劳状态的关联模型。实验证明, 该定位方 式比传统方式检测速度提高了50%以上, 同时能适应头部不同姿态; 建立的“眼部相对长宽比-睁眼程度冶模型具有良好的线性。模拟实际驾驶环境进行测试结果表明, 监测系统能适应不同受试者并在1 s 内对疲劳状态的驾驶员发出警报, 在防疲劳安全驾驶领域有一定的应用前景。     

基于DSP人脸特征识别的司机疲劳驾驶预警系统研究

疲劳驾驶是造成交通事故的一个重要原因。为实时有效地检测驾驶员的疲劳状态,设计了一种融合眼睛和嘴巴两种疲劳特征进行疲劳状态判定的检测算法,并构建了基于DSP人脸特征识别的司机疲劳驾驶预警系统。该算法采用"Harr特征值+Ada Boost"的方法进行人脸识别,然后根据人脸图像的灰度分布定位眼睛和嘴巴的位置,利用Hough变换,以及模板匹配技术判断出人眼的开闭状态,计算PERCOLS值作为司机疲劳驾驶的一个判断指标。除此之外,本系统还利用嘴巴的宽高比及打哈欠的持续时间来综合判定司机的疲劳状态。通过仿真测试结果表明该系统的算法准确、可行、实时性强。     

基于SSA-BP极端高温天气驾驶疲劳的检测

摘 要：疲劳驾驶是引起道路交通事故的主要因素之一，提高驾驶疲劳检测精度是预防交通事故的有效措施。为研究驾驶员在极端高温天气下驾驶过程中疲劳程度情况，基于生理反馈仪和卡罗林斯卡嗜睡表（Karolinska Sleepiness Scale, KSS）主观疲劳调查方法，采集了本地和外地2类驾驶员在正常天气（35℃以下）、高温天气（35℃~39℃）及极端高温天气（40℃及以上）等3种气温环境下主观疲劳值和生理指标（心电信号与表皮温度）。通过应用皮尔逊相关性分析方法、非参数检验（曼-惠特尼U检验）及配对检验针对各项生理指标进行特征分析。结果表明，在极端高温天气下2类驾驶员主观疲劳值与各项生理指标之间存在相关性；2类驾驶员主观疲劳值和各项生理指标在3种天气下变化存在显著差异；相比于本地驾驶员，在极端天气下外地驾驶员疲劳程度的增加较快。在此基础上，选用麻雀搜索算法(Sparrow Search Algorithm, SSA)优化了BP（Back Propagation ）神经网络预测模型，建立基于SSA-BP驾驶疲劳检测模型，对样本数据进行预测与分类，验证了该模型的有效性。结果表明，标准BP神经网络和SSA-BP疲劳检测精度分别为88.5%、95%，建立的SSA-BP驾驶疲劳检测模型预测效果良好，可为极端高温道路交通安全提供参考与借鉴。     

基于颈腰部肌电及脑电信号的疲劳驾驶检测

为了有效判别驾驶员的疲劳状态,结合生物力学分析提取了驾驶过程中的颈腰部肌电信号EMG和头部脑电信号EEG,并分析其特征参数在驾驶过程中的变化规律.结果表明:颈肌样本熵、颈肌复杂度、腰肌样本熵、腰肌复杂度、脑电样本熵、脑电复杂度这6个生理信号的特征参数值都随着驾驶时间的延长而逐渐降低,通过主成分分析可实现特征参数间的合理组合.基于多元回归理论,建立了能够有效预测疲劳驾驶的数学模型.状态验证结果表明,该模型对疲劳状态判别的正确率可达95%以上.     

基于MSR的疲劳驾驶安全检测技术应用研究

随着我国交通日渐繁忙,交通事故数量不断增多,其中疲劳驾驶是发生率比较高的。针对这种情况,在传统的疲劳驾驶监测系统上进行改进,采用MSR图像增强算法,针对复杂环境下捕捉到的图像进行增强,并通过视觉定位,更准确地分析驾驶员眼睛所处状态,利用分阶段轮廓活动模型方法,分析驾驶员眼睛疲劳参数,对眼睛眨眼频率、闭合时间、PERCLOS等参数分析,构建疲劳驾驶安全识别系统。     

基于面部特征分析的疲劳驾驶检测方法

为避免疲劳驾驶,通过提取面部疲劳特征参数的方法研究了驾驶员疲劳检测技术.对SSD(single shot multi box de-tector)目标检测算法及连续自适应均值漂移跟踪算法(continuously adaptive MeanShift,CamShift)进行优化,以检测人脸区域.利用特征点定位提取面部疲劳特征参数,并基于眼睛闭合时间百分比(percentage of eyelid closure over the pupil over time,PERCLOS)设定疲劳阈值和疲劳检测策略.在实车样本集上进行试验,结果表明:优化的人脸区域定位方法对光线变化、类肤色干扰的鲁棒性更强;所提取的疲劳特征参数能有效反映驾驶员疲劳状态,平均识别准确率达到了92.2％.改进后的算法系统在基于视觉特征的疲劳驾驶检测技术中达到了较高水平,对于预防交通安全事故具有重大意义.     

基于脑电信号的驾驶疲劳检测研究

研究利用脑电信号(EEG)判断驾驶员的疲劳程度. 基于疲劳驾驶实验平台进行模拟驾驶实验,综合实验视频图像和驾驶员自我评价进行主观疲劳评测. 利用生理检测仪采集驾驶员的脑电波,对比分析脑电信号不同频带信号功率谱值和驾驶员的主观疲劳评测之间的关系. 结果表明:主观疲劳评测与脑电信号中功率谱值的变化相对应,脑电功率谱的比值(α+θ)/β越大,疲劳等级越高.     

车辆跟驰情景下酒后驾驶行为动态特征参数提取

酒驾是导致重大交通事故的原因之一,酒驾辨识已成为交通安全研究中的重要问题。因此,提取不同驾驶倾向性驾驶员在跟驰状态下的酒驾特征参数对实现酒驾的准确辨识有重要意义。由问卷调查确定驾驶员驾驶倾向性;通过人因工程实验、驾驶模拟实验,采集不同类型驾驶员的生理、操作行为、车辆运行、驾驶环境等动态信息;采用神经网络分类器,获得备选特征集合的分类正确率估计,运用离散粒子群算法提取不同驾驶倾向性驾驶员的酒驾特征参数。验证结果表明提取的特征参数能有效辨识不同驾驶倾向性驾驶员是否酒驾。     

疲劳驾驶状态数据融合技术研究

疲劳驾驶已成为造成交通事故的主要原因之一,研究有效检测驾驶员疲劳的方法已刻不容缓。现研究集中在单一信号的采集,容易出现误操作,本文基于两个科研项目和七大专利进行多信号融合的研究与设计。用Kalman滤波算法、Welch算法和Adaboost与CamShift相结合的算法分别来分析通过车速、加速度、侧向位移、脉搏和CCD图像传感器采集进来的信号。最后应用D-S证据理论实行二级信息融合,综合判断驾驶员的疲劳程度并作出相应的措施控制机动车。     

如何预防驾驶员疲劳驾驶及其危害

驾驶员疲劳驾驶是造成交通事故的重要因素。本文分析了产生疲劳驾驶的主要原因,表现形式以危害后果并提出了有效预防疲劳驾驶的相关措施。     

基于头部状态的司机疲劳综合检测系统

为了减少由于驾驶员疲劳驾驶引起的交通事故,针对司机的驾驶状态,设计驾驶员疲劳状态检测系统的方案。系统采用多状态检测方式,系统中结合连续驾驶时间和司机面部状态,判断司机疲劳程度。面部状态首先使用3x3中值滤波去除噪声和光照对图像的影响,然后通过肤色模型快速检测,确定人脸区域。再通过积分灰度投影对人眼进行准确定位;最后通过PERCLOS、眼睛闭合时间、眼睛眨眼频率、嘴巴张开程度、头部运动以及连续驾驶时间的计算,进行驾驶员疲劳程度的综合判定。实验结果表明,该方法准确率高,兼具了良好的实时性和鲁棒性。     

驾驶员疲劳状态检测方法研究

为解决由于疲劳驾驶导致交通事故的问题,采用视频图像分析技术处理疲劳的相关特征,运用基于训练的 Adaboost 人脸检测算法精确定位司机脸部和眼睛区域,实时采集眼睛二值化区域面积,采用阈值比较法进行眨眼判断,并提取眼皮疲劳参数 AECS( Average Eyelid Closing Speed) 和 PEＲCLOS( Percent Eyelid Closure over the Pupil Time) ,进行综合疲劳状态分析,最终确定是否疲劳驾驶。实验结果显示,人脸和人眼检测的精度都有较大程度提高,设计的软件可实时监测驾驶员疲劳状态,有效防止疲劳驾驶。     

基于汽车操纵信号的驾驶员疲劳状态检测

将驾驶方向盘运动信息及道路偏移值作为驾驶员疲劳表征信息,通过模拟器的模拟驾驶实验,采集10名驾驶员疲劳表征数据,建立神经网络模型对驾驶员疲劳状态进行检测.基于PVT（Psychomotor Vigilance Task）测试结果及驾驶录像,采集清醒状态与疲劳状态的实验数据,并进行分析;然后对数据进行离散化和归一化,作为神经网络模型的输入.采用BP算法对神经网络模型进行训练,直至满足误差要求.实验结果表明,该方法检测驾驶员疲劳状态的准确率较高,实用性较强.     

模糊神经网络在驾驶员疲劳检测中的应用

针对驾驶员疲劳检测算法中数据量大、高速传输、复杂运算的实际需要,以DSP器件TMS320DM642为核心处理器,开发了嵌入式的驾驶员疲劳驾驶状况实时监测系统;为解决因疲劳/瞌睡驾驶而造成的交通事故,针对国内各种疲劳检测方法大都采用单一的疲劳特征进行疲劳识别的现状,运用模糊神经网络方法,将多个疲劳特征参数:眼睛闭合时间占某特定时间的百分率(PERCLOS)、眼皮的平均闭合速度(AECS)、点头频率(NodFreq)、哈欠频率(YawnFreq)结合起来对驾驶员疲劳状况进行识别,准确率达88.7%.试验结果表明,算法对疲劳检测问题有较好的效果,系统的开发对降低因驾驶疲劳引发交通事故发生率的研究具有重要意义.     

基于方向盘握力的疲劳驾驶检测研究

选取6位普通驾驶员参加实际道路驾驶实验,在实验中同步检测驾驶员对方向盘的握力信号和驾驶员的脑电信号。通过独立样本T检验,从时域和时频域两方面筛选出5个与疲劳驾驶密切相关的握力信号特征,将它们作为输入信息;提取脑电功率谱比值作为衡量疲劳驾驶的信号特征,将其作为输出信息;通过BP神经网络方法,以输入信息和输出信息建立基于方向盘握力的疲劳驾驶检测模型。使用部分驾驶数据对检测模型进行验证,结果显示此数学模型对疲劳驾驶的识别率达到87.0%,说明方向盘握力信号可作为检测疲劳驾驶的有效数据。     

基于脑电的实时疲劳监测算法的研究

疲劳驾驶是造成交通事故的一个重要因素。基于脑电波传感器采集到的脑电(EEG)信号,提出了一种基于特征节律波样本空间距离的实时驾驶疲劳监测算法。该算法通过提取脑电特征信号并建立相应的特征样本空间,然后通过将实时采集的脑电信号与样本空间之间的距离来判别驾驶员是否处于疲劳状态;并结合多次实验结果,使用ROC曲线分析方法获得确定疲劳判别的阈值,由此实现对驾驶者疲劳状态的实时监测。实验结果显示,该算法能有效地、实时地对疲劳进行监测,且具有较好的鲁棒性和准确性。     

基于决策树的驾驶疲劳等级分析与判定

为了提高疲劳检测的精度,通过驾驶模拟试验采集了15位中青年有经验驾驶员的车辆横向位置、方向盘操控、眼动等多源数据并计算疲劳特征指标,同时采集驾驶员主观疲劳程度并通过视频回放进行校核,在此基础上建立疲劳等级与特征指标的决策树模型,结果表明,对于区别疲劳等级最显著的变量有闭眼时间比例(percentage of eye closure,PERCLOS)、车道偏移标准差、越线时空面积、方向盘反转率,且上述变量与疲劳等级呈正相关;PERCLOS为最优的疲劳等级划分变量,并获取了2个重要阈值:当PERCLOS小于2.8%时,驾驶员处于严重疲劳状态的比例为零;当PERCLOS大于21.9%时,驾驶员处于未疲劳状态的比例为零;该模型预测的总正确率为64.31%.为了校验模型,从15位驾驶员中随机选取了4位进行模型校验试验.校核结果表明该模型的正确率达63.22%.模型在2次试验中都未发现将严重疲劳识别为未疲劳的情况.     

基于面部综合信息的疲劳驾驶判别研究

目前疲劳驾驶是导致交通事故的主要原因之一,对防疲劳驾驶预防方法的研究是十分必要的。根据驾驶人面部综合信息,可以对驾驶人进行是否处于疲劳驾驶状态的判断。提出一种根据驾驶人眼部状态、嘴部状态、鼻部状态三者的信息相结合来判断的疲劳状态判定方法。实验表明,这种方法可以在多种情况下对驾驶人进行疲劳的检测。