本发明涉及驾驶疲劳预警方法技术领域，尤其涉及一种基于道路标线的驾驶疲劳预警方法。
背景技术：
随着我国经济的发展和人民生活水平的提高，车辆保有量也急剧增加，这就造成了交通事故的频繁发生，而造成交通事故的主要原因便是人(主要是驾驶员)、车辆、道路以及交通环境等因素组成的系统协调性失衡，其中疲劳驾驶元素尤为突出。
所谓驾驶疲劳，是指驾驶员在长时间连续行车后，产生心理机能和生理机能的失调，出现视线模糊、反应迟钝、动作呆板，使驾驶机能下降的现象。驾驶疲劳是一个渐变的过程，会随着时间的延长与驾驶行为、周围景观的单调等因素的影响而逐渐显现出来，且驾驶疲劳将使驾驶员的注意、感觉、知觉、思维、判断、意志、决定和运动诸方面受到影响，从而导致交通事故的产生。因此，加强对疲劳驾驶的检测与预警已经成为道路安全研究中较为重要的工作之一。
目前，对驾驶疲劳的检测及预警研究，主要有以下四个方面：(1)基于驾驶人生理信号的检测方法。针对疲劳的研究最早始于生理学，有研究表明，驾驶人在疲劳状态下，生理指标会发生较大变化，一般会偏离正常生理指标，因此，可以通过测定驾驶员的生理指标来判断其精神状态，进而判定其是否进入疲劳状态。目前较为成熟的检测方法有驾驶人的脑电信号eeg、心电信号ecg等的测量。这种检测方法准确性较高，但其所需检测设备费用较为昂贵，测量方法较为复杂，大多数采用接触式测量，对个人依赖程度较大，难以应用于实际。(2)基于驾驶人生理反应特征的检测方法。该方法是利用驾驶人的眼动特性、头部运动特性等来推断驾驶人的疲劳状态，其中能够反映疲劳重要特征的是驾驶人的眼球运动和眨眼信息。目前基于眼动机理研究驾驶疲劳的广泛算法有perclos等，这种方法虽然可以实施、非接触的检测出疲劳状态，但其检测设备对驾驶员会产生一定的影响，造成驾驶员的心理负担，且在疲劳状态下，生理反应特征会依据个人而产生较大的差异，降低实际检测的准确性。(3)基于驾驶人操作行为的检测方法。该方法是通过驾驶人的操作行为(如方向盘操作等)来测定其疲劳状态，如yoshihirotakei利用fft对监测到的驾驶人的方向盘操作数据进行处理，研究结果在一定程度上揭示了驾驶人的方向盘操作与疲劳之间的关系。但影响驾驶人操作的因素不仅仅只有疲劳状态这一因素，还与道路环境、驾驶员的操作技能等因素有关，这就需要有更高的测量技术来提高驾驶人状态的推测精度，为以后的深入研究增加了不少难度。(4)基于隐马尔科夫模型的预测方法。该模型是一种基于参数表示的描述随机过程统计特性的概率模型，具有良好的数据建模能力，但此种模型是通过间接估计车辆的运行状态实现的，不能直接描述车辆的运行状态，这增加了状态预测的难度及误差，且只适用于比较小的数据集上，具有一定的局限性。此外，由于经过各种曲线半径的弯道时，车辆的行驶轨迹都是不同的，但是车辆的行驶状态可能都是安全的，目前使用的隐马尔科夫预测方法尚无法区别弯道上的车辆运行状态，不利于对车辆未来行驶状态的普遍预测。
综上所述，现有公开的疲劳检测方法大多会对驾驶人产生或多或少的干扰，且受限因素较多，因而对预测结果的准确性产生一定影响。因此，目前需要一种方法不仅可以有效利用大量实测数据实现对车辆运行状态的直接观预测，而且还可以实现模型状态的直接相关观测以及各种道路线形中车辆行驶状态的普遍预测，提高预测的准确性与普遍性，从而将未来预测数据与实测数据分别进行比较、分析，进而实现对疲劳驾驶的及时预警，减少交通事故的发生。
技术实现要素：
本发明的目的是为了解决现有技术中存在的缺点，而提出的一种基于道路标线的驾驶疲劳预警方法。
为了实现上述目的，本发明采用了如下技术方案：
一种基于道路标线的驾驶疲劳预警方法，利用正态分布的方法采用台阶式进行区域划分，并选取数据组成马尔科夫预测模型库，通过预测状态与实测数据的对比，最终实现驾驶疲劳预警的方法，包括以下几个步骤：
s1：选定时间研究对象和数据研究对象；
s2：通过对行车记录仪的视频分析获得当前车辆开始行驶第一小时内与行车道左侧标线的距离，根据所得数据并利用正态分布的特点确定当前车辆的横向位置分布范围；
s3：将s2中确定的车辆的横向位置分布范围按照台阶式进行划分，并将其作为状态划分的标准，总共分为m种状态，同时通过对数据的选取组成马尔可夫模型库；
s4：计算初始概率pi：利用上述状态划分计算初始概率pi(i＝1，2，3，…，m)，从而也就得到了本模型的初始概率矩阵p(0)；
s5：确定车辆状态的转移概率pij(其中i，j＝1，2，…，m)：pij表示车辆从i状态跳跃到j状态的概率，通过对基础数据进行整理、分析，得到状态转移概率矩阵p；
s6：在车辆连续行进一个小时以后，驾驶人可能开始进入疲劳状态，此时对车辆的未来运行状态进行预测，并将预测数据与其对应的实测数据按照多种设定标准进行比较、分析，其中，车辆的预测概率公式如下：p(n)＝p(n-1)×p＝p(0)×pn(n∈n)；
s7：利用上述预测方法对车辆进行固定多段特定时间的连续预测，如果预测结果与实测结果差距较大，则认为驾驶人开始进入疲劳状态。
优选的，所述s1中选用的选定时间研究对象和数据研究对象为车辆开始上路行驶后固定时间间隔车辆距当前行车道左侧标线距离的连续观测数据。
优选的，所述s7中的多段特定时间采用的时间段为3s，即每段进行60次的连续预测，将最后得到的预测概率p(n)与经整理后得到的实测概率p′(n)按照多种标准进行比较，进而判断车辆运行是否正常。
本发明有益效果：本发明提出的一种基于道路标线的驾驶疲劳预警方法，包括数据统计分析、预测和检验三个阶段，数据统计分析可以直接获得驾驶人状态饱满时的正常行驶状态，预测阶段可以估计未来车辆的正常运行状态，检验阶段可以分析疲劳初期车辆状态的微小变化，能够提前预警提醒驾驶人提高注意力，保障驾驶人财产安全和提供交通安全监测的能力。
附图说明
图1为本发明的预测方法模块图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
参照图1，一种基于道路标线的驾驶疲劳预警方法，利用正态分布的方法采用台阶式进行区域划分，并选取数据组成马尔科夫预测模型库，最终实现驾驶疲劳预警的方法，包括以下几个步骤：
s1：选定时间研究对象和数据研究对象；
s2：通过对行车记录仪的视频分析获得当前车辆开始行驶第一小时内与行车道左侧标线的距离，根据所得数据并利用正态分布的特点确定当前车辆的横向位置分布范围；
s3：将s2中确定的车辆的横向位置分布范围按照台阶式进行划分，并将其作为状态划分的标准，总共分为m种状态，同时通过对数据的选取组成马尔可夫模型库；
s4：计算初始概率pi：利用上述状态划分计算初始概率pi(i＝1，2，3，…，m)，从而也就得到了本模型的初始概率矩阵p(0)；
s5：确定车辆状态的转移概率pij(其中i，j＝1，2，…，m)：pij表示车辆从i状态跳跃到j状态的概率，通过对基础数据进行整理、分析，得到状态转移概率矩阵p；
s6：在车辆连续行进一个小时以后，驾驶人可能开始进入疲劳状态，此时对车辆的未来运行状态进行预测，并将预测数据与其对应的实测数据按照多种设定标准进行比较、分析，其中，车辆的预测概率公式如下：p(n)＝p(n-1)×p＝p(0)×pn(n∈n)；
s7：利用上述预测方法对车辆进行固定多段特定时间的连续预测，如果预测结果与实测结果差距较大，则认为驾驶人开始进入疲劳状态。
所述s1中选用的选定时间研究对象和数据研究对象为车辆开始上路行驶后固定时间间隔车辆距当前行车道左侧标线距离的连续观测数据。
所述s7中的多段特定时间采用的时间段为3s，即每段进行60次的连续预测，将最后得到的预测概率p(n)与经整理后得到的实测概率p′(n)按照多种标准进行比较，进而判断车辆运行是否正常。
本发明中特殊的驾驶疲劳预警方法具体步骤如下：
s1:由于驾驶人的疲劳时间一般出现在连续驾驶2h以后，因此选定驾驶人驾驶的初始1h的正常状态作为时间研究对象。根据实际调查数据得，车辆在行驶时，一般偏向道路左侧，因此只考虑车道单侧距离，为克服车辆在直线和曲线行驶状态的不同，以车辆与行车道左侧标线的距离变化进行数据分析保证数据的可靠性及普遍性。
s2:对行车记录议视频每隔50ms进行一次分析、计算，进而获得车辆与行车道左侧标线的距离，具体方法如下：
①由于车辆的行车记录仪的摄像头的拍摄角度可以调整，本发明中采用的拍摄角度为90度；
②行车记录议的拍摄角度为90度，由于单车道的宽度和标线的宽度已知，故可以对每50ms所获得视频画面进行相似三角形几何处理，即使用相似三角形原理利用已知数据求未知数据，进而获得所需数据。
s3:通过上述计算最终得到7.2×104个数据，通过对这些数据的分析，可知车辆与行车道左侧标线的距离与其出现频率的关系呈正态分布，并得出μ和σ的值，以曲线下部95％的面积作为参考值，从而利用相应公式μ+1.96σ计算得到该面积对应的左、右边界，即车辆距左侧标线的横向位置分布范围。
s4:预测对象状态划分：将s3所得范围等分为m个区域，从左到右依次为z1、z2、z3、z4、…、zm，即将车辆状态从左到右依次分为1～n的八种状态。每个区域看做一个台阶，台阶高度为每个区域右侧分界线距行车道左侧标线的距离，而台阶的划分以以保证车辆在每50ms所跨越台阶数尽可能不超过2个为原则。
s5:计算初始概率pi：通过对s4的基础数据的整理得到落在每个台阶上的数据个数即a1，a2，a3，…，am，总数记为m，从而计算得到初始概率
s6:计算不同状态下的转移概率pij：由于上一步骤中得到了每个台阶上的数据个数即a1，a2，a3，…，am，且通过对基础数据的分析得到由台阶i转移到台阶j的数据个数dij，从而得到不同状态下的转移概率
s7:根据s5、s6中得到的初始概率与状态转移概率对车辆的未来运行状态进行预测，即p(n)＝p(n-1)×p＝p(0)×pn(n∈n)。
s8:在连续行驶一个小时后，一般驾驶人开始逐渐进入疲劳状态，利用上述预测方法对车辆进行多段特定时间的连续预测，并与其对应的实测数据进行比较，本发明中采用的时间段为3s，其多种设定标准及具体操作如下：
方法一：
①对车辆进行连续60次的预测，最终得到p(60)，时间t60＝3s，同时通过记录仪视频分析、计算，也得出在3s内的所有数据，对其进行整理，得到实测概率p′(60)；
②在p(60)中找出概率总和等于或超过且接近50％所对应的区域，如：当z5、z7、z8的和等于或超过但接近50％时，实测数据p′(60)中对应的z5、z7、z8三个区域的概率总和若小于50％，则说明驾驶人可能开始进入疲劳状态；
③在上述数据基础上，继续进行多次连续60次的预测，本发明中继续进行了7次，得到p(120)，p(180)，…，p(480)，时间均为3s，同时也得到7组实测数据，经整理后分别为p′(120)，p′(180)，…，p′(480)，若实测数据与预测数据相差较多，则说明驾驶人已开始进入疲劳状态。
方法二：
将方法一中的实测数据与预测数据通过比较，观察实测数据数值台阶的跳跃性及其跳跃程度的变化，同时也可以在比较中观察在数据出现概率小的区域其值是否突然增大，进而在方法一的基础上进一步验证驾驶人是否进入疲劳状态。
经过上述方法的验证得到，当预测数据的几个区域概率和为50％或超过但接近50％时，实测数据的对应区域概率和小于50％，且实测数据跳跃性加大并频繁出现在小概率区域时，便可判定驾驶人开始出现疲劳，这时就要进行预警，提醒驾驶人休息或小心驾驶，从而防止交通事故的发生。
以上，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。