一种基于驾驶员年龄和性别识别的车辆预警方法与流程

本发明涉及车辆预方法，具体涉及一种基于驾驶员年龄和性别识别的车辆预警方法。

背景技术

车辆预警能够有效地降低交通事故的产生，具有广泛的社会意义。车辆行驶最小安全距离不仅受到车速、路面状况等方面因素的影响，也受到驾驶员年龄和性别因素的影响。行驶状态中的车辆处于复杂的动态环境中，驾驶员的反应最小安全距离也各有不同，因此需要针对最小安全距离设计对应预警模式。国内外学者已经对车辆的预警做出大量的研究和尝试，例如文献[1]中的车辆预警与生物仿真、文献[2]中的防撞预警系统，文献[3]中的人脸识别技术，文献[4]提出了一种dex算法评估年龄，但没有对样本性别做出系统化评估；文献[5]利用改进cnn完成年龄和性别识别，但没有尝试与其他应用结合；文献[6]利用模糊逻辑分析了机器人的避障问题，但此系统忽略了驾驶员驾驶能力的差异；文献[7]采用鱼群算法较为合理的实现了动态环境下的路径规划，但是没有考虑实际情况下驾驶员的驾驶能力。

[1]张国鹏，张春.基于生物视觉的碰撞预警传感器[j].传感器与微系统，2016，35(3)：70-73.

[2]梁宗宇，郭建涛，刘涤非.基于激光测距的汽车防撞警示系统设计[j].电脑知识与技术，2016，12(7)：244-246.

[3]任腾跃.人脸识别在智能交通安全方面的应用研究[j].数字通信世界，2016(6).

[4]rother，timofter，goollv.dex：deepexpectationofapparentagefromasingleimage[c]//ieeeinternationalconferenceoncomputervisionworkshop.ieee，2016：252-257.

[5]陈济楠，李少波，高宗，等.基于改进cnn的年龄和性别识别，2017年8月29日[j].计算机工程与应用，2017.

[6]高鸣，宋爱国.基于模糊逻辑的移动机器人智能控制器设计(英文)[j].journalofsoutheastuniversity(englishedition)，2010，26(1)：62-67.

[7]徐晓晴，朱庆保.动态环境下基于多人工鱼群算法和避碰规则库的机器人路径规划[j].电子学报，2012，40(8)：1694-1700.

技术实现要素：

本发明的目的在于提供一种基于驾驶员年龄和性别识别的车辆预警方法，通过年龄识别技术，识别驾驶员年龄，根据驾驶员年龄和性别选择合理的预警模式，以克服现有的车辆预警方法中的不足。

为实现上述发明目的，本发明的技术方案如下：

一种基于驾驶员年龄和性别识别的车辆预警方法，包括步骤：

s1：根据城市交通事故数据库中的驾驶员的年龄和性别信息计算出各年龄段的安全驾驶距离；

s2：通过k-means算法，对最小安全距离进行聚类分析划分出驾驶员类型；

s3：通过ccd获取车辆驾驶员面部信息；

s4：通过dex算法处理步骤s3获得的面部信息，判断出车辆驾驶员的年龄和性别；

s5：将步骤s4获得的车辆驾驶员年龄和性别数据与步骤s1中的年龄段比对，计算出车辆与其他车辆或障碍物的最小安全距离作为预警阈值；

s6：将步骤s5中的预警阈值输入车辆防撞预警系统，当车辆与其他车辆或障碍物的安全驾驶距离车辆超过预警阈值，车辆防撞预警系统发出警告。

进一步的，步骤s1具体包括：

s11：从交通网站收集车辆信息，对车辆事故信息进行统计，建立城市交通事故数据库；

s12：设置四个一级指标量化驾驶员年龄和性别对最小安全距离的影响，四个一级指标分别为：驾驶员年龄、驾驶员性别、车速数据和其他因素，其他因素包括天气、交通信号和路况；

s13：采用专家评价法确定四个一级指标的对应权重

wt＝[0.3，0.3，0.3，0.1]，

s14：假设dj为数据归一化处理以后因素j的样本数据，得到样本最小安全距离x的计算公式，

并计算出各年龄段对应的最小安全距离，其中，wj是因素j的权重，m是一级指标数量。

进一步的，步骤s12具体包括：从交通网站收集车辆信息，对车辆事故信息进行统计，利用主成分分析法计算样本累计贡献率，筛选出累计贡献率大于85％的数据，建立城市交通事故数据库。

进一步的，步骤s2具体包括：

s21：从交通事故数据库中的n个车辆事故数据对象中任选k个对象作为初始聚类中心；

s22：根据步骤s21中剩下的车辆事故数据对象与聚类中心的相似度，分别将步骤s21中剩下的车辆事故数据对象分配给与其最相似的聚类；

s23：计算每个所获新聚类的聚类中心。

s24：不断重复步骤s22和步骤s23，直到标准测度函数开始收敛为止，将驾驶员划分为六种类型：男青年谨慎型，女青年谨慎型，男青年普通型，男中年普通型和男老年谨慎型，男其它型，女其它型，并计算出六种驾驶员类型对应的最小安全距离。

进一步的，步骤s4具体包括：

s41：输入s3中提取的图像；

s42：基于步骤s41中的图像检测人脸；

s43：为步骤s42中检测到的人脸划分信息块；

s44：特征抽取；

s45：对于步骤s44中抽取的特征预测年龄softmax值；

其中，o＝{0，1，l，100}代表的是101个输出层，oi∈o代表softmax输出概率，yi是每个类对应的年龄；

s46：对于步骤s44中抽取的特征预测性别softmax值；

a＝{0，1}代表两个输出层，ai∈a代表softmax输出概率，xj是每个类对应的性别；

s47：基于步骤s45和s46的预测值，结合cnn识别出驾驶员的年龄和性别。

进一步的，步骤s6具体包括：

s61：将步骤s5中的预警阈值输入车辆防撞预警系统；

s62：车辆防撞预警系统根据输入的预警阈值进行判断，当车辆与其他车辆或障碍物的距离车辆超过预警阈值，车辆防撞预警系统发出警告。。

与现有技术相比，本发明的有益效果：本发明提供的一种基于驾驶员年龄和性别识别的车辆预警方法，根据不同年龄、性别驾驶员的最小安全反应距离进行预警提示，克服因预警后反应时间不足造成的事故问题，从而有效地减少意外事故的产生。

附图说明

图1为本发明实施例1中的驾驶员的性别和年龄识别流程；

图2为本发明实施例1中的预警流程图；

图3为本发明实施例2中的测试路径；

图4为本发明实施例2中的部分样本示例照片；

图5为本发明实施例2中的预警功能测试结果；

图6为本发明实施例1中预警模式的划分图。

具体实施方式：

下面参照附图对本发明做进一步描述。

实施例1

(1)收集某市近五年来交通事故数据，包括车速、驾驶员年龄和性别、路面数据等，共计800m。这些数据过于冗长，严重影响到计算结果的精确度和计算效率。利用主成分分析法(pca)计算样本累计贡献率，筛选出累计贡献率大于85％的数据，最后将数据总量削减到100m。为了量化驾驶员年龄和性别对最小安全距离的影响，设置四个一级指标：驾驶员年龄、驾驶员性别、车速数据和其他因素(天气、交通信号、路况等)。利用专家评价法，计算出与四个一级指标对应的权重wt＝[0.3，0.3，0.3，0.1]。假设dj为数据归一化处理以后因素j的样本数据，得到样本最小安全距离x。

进而，计算出各年龄段对应的最小安全距离如表所示。

表1各年龄段最小安全距离

利用k-means算法，结合样本性别信息，根据最小安全距离进行聚类分析，最终可以划分为六种驾驶员类型：男青年谨慎型，女青年谨慎型，男青年普通型，男中年普通型和男老年谨慎型，男其它型，女其它型。其对应最小安全距离如表2所示。

表2六种种驾驶员类型

六种驾驶员类型对应的最小安全距离与已经证实的最小安全距离相比较，误差在3％以内，属于可接受范围内的误差。如图6所示，针对六种驾驶员类型，将预警模式划分为六种级别：i，ii，iii，iv，v，vi。i代表驾驶能力强，能够在较短的距离内做出正确的反应；ii代表反应速度较快，最小安全距离较短；iii代表驾驶能力尽管有一定下降，但是反应最小安全距离仍然在可以接受的范围内；iv代表驾驶员所需最小安全距离相对较长，需要谨慎驾驶；v代表驾驶员所需最小安全距离进一步加长；vi代表驾驶员所需最小安全距离长，需要认真观察路况。

将六种驾驶员类型对应的最小安全距离输入车辆的防撞预警系统作为预警阈值，当车辆与其他车辆或障碍物的安全驾驶距离车辆超过预警阈值时，车辆防撞预警系统发出警告。

(2)如图1所示，用具有较高精确度、受其他因素影响较小的dex算法完成年龄和性别识别。

利用公式(1)计算出一个年龄softmax值e(o)。

通过实验发现将年龄划分为[0，100]较为合理，数据更为精准。公式(1)中o＝{0，1，l，100}代表的是101个输出层，oi∈o代表softmax输出概率，yi是每个类对应的年龄。

将性别划分为[0，1]两个输出层，可以求出一个性别softmax值e(a)。

进而，结合cnn进一步评估出驾驶员的具体年龄和性别。

(3)如图2所示，将识别的驾驶员年龄和性别数据与驾驶员类型匹配，设定出车辆与其他车辆或障碍物的最小安全驾驶距离输入车辆防撞预警系统，当车辆与其他车辆或障碍物的安全驾驶距离车辆超过预警阈值，车辆防撞预警系统发出警告。

(4)利用模糊函数计算驾驶员的最小安全距离，将六种预警模式的安全距离分别定义为sl(很近)、l(近)，m(中等距离)，h(远)，s(很远)，ss(非常远)。

如表3所示，系统由三个模糊输入和一个模糊输出组成，驾驶员类型有四个隶属函数。

表3.模糊输入和模糊输出变量

隶属函数中模糊变量的真值区间为[0，1]，模糊变量值越靠近1，隶属函数值越接近相邻阈值。隶属函数的宽度和中心能够根据不同的车速改变，同时也受到道路状况的影响。例如，当道路前方出现交通事故时，“h”集中的数量就会增加。在该模糊函数中，模糊集合之间不存在跳跃性。模糊集合之间交替过程中会出现集合重合，若不存在重合，则证明该系统属于二阶控制。反之，则过于模糊。为确保不出现因驾驶员反应时间不足产生的隐患，对于不同驾驶员类型输入不同的最小安全距离x，车辆防撞预警系统将在设计时间内做出判断。

实施例2

以智能小车在行驶轨道上预警的准确性和避障精准性判断系统的可行性，通过栅格法将行驶路径分为若干栅格。图3所示为简化后的测试路径，其中深色代表障碍物，智能小车从初始点a行驶到终点b。所需的传感器主要包括激光测距传感器和ccd。激光测距传感器利用光学三角法判断障碍物距离和运动状况。ccd用于输入操作者面部信息，判断操作者年龄和性别。

实验主要分为两个步骤：

(1)驾驶员类型判断功能测试：随机在adience数据库中选取200个样本照片输入系统，部分样本示例如图4所示。记录智能小车发出预警时与障碍物之间的距离，得到如表4所示数据。将表4与表1对比，驾驶员年龄和性别识别误差率不超过2％，可见，信息采集及识别较为准确，与理论数据比较相差在合理范围内。

表4.测试数据

(2)预警功能测试：在小车行驶轨道中设置20个采样点，启动初始点处智能小车，统计采样点处的预警误差情况。以男青年谨慎型为例，测试结果如图5所示。从图5中可以看出，预警误差不超过2.5％，表明在本系统的处理下，智能小车可以实现识别操作者年龄和性别，判断操作者类型，并能够及时发出警告。