一种用于疲劳状态识别的方向盘转角统计特征融合方法与流程

本发明涉及智能驾驶技术领域，尤其涉及一种用于疲劳状态识别的方向盘转角统计特征融合方法。

背景技术：

疲劳驾驶是导致交通事故的重要诱因。方向盘转角数据能实时、直接反应驾驶人的转向操作特性，是客观准确反映驾驶人操作规律的重要数据。基于方向盘转角信息的驾驶人疲劳状态检测已成为汽车主动安全领域的热点研究内容和主要技术之一。

实车工况下，由于长时间的驾驶操作，驾驶人心理和生理都将处于疲劳状态，导致驾驶人对道路环境感知能力、形势判断能力和车辆操控能力下降，从而，使得驾驶人对车辆的容忍误差变大、控制精度降低，驾驶人对方向盘的转向操作统计特性变得异常。然而，由于道路随机性和驾驶人个体差异性的影响，使得车辆方向盘转向角序列的统计指标具有极强的不稳定性，现有基于方向盘统计特征的疲劳状态识别技术通常是直接采用某一种或多种固定的统计特性作为系统输入，使得基于方向盘转角统计特征的疲劳状态识别方法泛化能力较差，系统稳定性也欠佳。

技术实现要素：

本发明提供一种用于疲劳状态识别的方向盘转角统计特征融合方法，解决的技术问题在于：现有基于方向盘转角统计特征的疲劳状态识别方法直接采用某一种或多种固定的统计特性作为系统输入，泛化能力较差，系统稳定性也欠佳。

为解决以上技术问题，本发明提供一种用于疲劳状态识别的方向盘转角统计特征融合方法，包括步骤：

s1.按照设定的采样频率实时采集方向盘转角时间序列和车速时间序列；

s2.按照设定的转向角度绝对值阈值和速度阈值对所述方向盘转角时间序列进行滤波处理，得到速度高于所述速度阈值、转向角度低于所述转向角度绝对值阈值的方向盘转角序列样本；

s3.按照设定的时间窗大小，对固定长度的所述方向盘转角序列样本计算其统计特征；

s4.将所述统计特征形成统计特征矩阵；

s5.计算所述统计特征矩阵的特征根，抽取特征根作为驾驶人方向盘转角统计特征的融合指标向量。

进一步地，在所述步骤s3中，方向盘转角序列的固定长度为t，设定的时间窗大小为mt，m≥10，t≥100。

进一步地，在所述步骤s3中，所述统计特征包括方差t1、有效值t2、极差t3、波形系数t4、峭度t5、偏度t6、变异系数t7、大幅度百分比t8、小幅度百分比t9、大幅均值t10；

其中：

n＝t，x(i)表示固定长度为t的方向盘转角序列，i表示时间采样点序号，i＝1，2…n-1，n；

t3＝xmax-xmin，xmax、xmin分别表示序列x(i)的最大值和最小值；

c1为大幅度阈值，n代表样本个数；

c2为小幅度阈值；

进一步地，c1的设定范围为2.5±0.25，c2的设定范围为0.5±0.25。

进一步地，在所述步骤s4中，所述统计特征矩阵表示为p，则：

其中，lt(t＝1，2…m-1，m)＝(x1，x2…x199，x200)t，t表示一个时间窗内方向盘转角序列的切片分段序号。

进一步地，在所述步骤s5中，计算所述统计特征矩阵的特征根具体包括步骤：

s51.按照对每个时间窗内的方向盘转角序列进行标准化处理，pst表示统计特征矩阵p中第s行第t列的元素，

s52.计算统计特征矩阵p的相关系数矩阵r：

其中，q＝1，2，…，9，10；x，y＝1，2，…，m-1，m；

s53.采用雅可比方法求出相关系数矩阵r的特征根λ(λ1，λ2，…，λm-1，λm)。

进一步地，在所述步骤s5中，抽取特征根作为驾驶人方向盘转角统计特征的融合指标向量，具体是指：

假设融合指标向量为f，其融合指标向量的向量元素f通过如下设置条件获取：

w＝1，2…m-1，m，ρset的设定范围为0.85±0.1。

优选的，所述采样频率的设定范围为[20，200]hz，所述转向角度绝对值阈值的设定范围为20±2°，速度阈值的设定范围为70±5km/h。

优选的，10≤m≤50，100≤t≤500。

优选的，采样频率＝100hz，转向角度绝对值阈值＝20°，速度阈值＝70km/h，m＝30，t＝200，ρset＝0.85。

本发明提供的一种用于疲劳状态识别的方向盘转角统计特征融合方法，首先实时采集方向盘转角时间序列和车速时间序列(步骤s1)，并按照设定的阈值对方向盘转角时间序列进行滤波处理，得到有效的样本数据(步骤s2)，使其重点针对车辆高速、方向盘小范围转动情况下的驾驶人疲劳检测，有助于提高疲劳状态识别的准确性；

然后按照设定的时间窗大小，计算固定长度样本的统计特征(步骤s3)，使得每一样本数据段有相同数量的采样点，便于序列统计特征提取和数据分析；

最后将计算的统计特征形成统计特征矩阵(步骤s4)，并计算该统计特征矩阵的特征根，最后抽取满足条件的特征根作为驾驶人方向盘转角统计特征的融合指标向量(步骤s5)。

整体上，本发明不直接将驾驶人方向盘转角序列的统计特征作为疲劳状态辨识系统的输入，而是将方向盘转角的多统计特征进行融合，抽取融合多统计特征的疲劳辨识指标，提高统计性能指标对驾驶人疲劳状态识别的稳定贡献率。本发明对方向盘转角序列常见统计特征的融合表达，克服了现有技术直接采用某一项或多项统计指标带来的不稳定性，该方法能有效提取实车工况下方向盘转角的疲劳特征统计指标，在实车工况下能有效支撑驾驶人疲劳状态的稳定识别，同时便于工程实现，对不同驾驶者表现出了较高的工程泛化能力。

附图说明

图1是本发明实施例提供的一种用于疲劳状态识别的方向盘转角统计特征融合方法的步骤流程图；

图2是本发明实施例提供的一种用于疲劳状态识别的方向盘转角统计特征融合方法的应用案例示图。

具体实施方式

下面结合附图具体阐明本发明的实施方式，实施例的给出仅仅是为了说明目的，并不能理解为对本发明的限定，包括附图仅供参考和说明使用，不构成对本发明专利保护范围的限制，因为在不脱离本发明精神和范围基础上，可以对本发明进行许多改变。

为克服现有技术直接采用某一项或多项统计指标带来的不稳定性和较差的泛化能力，本发明实施例提供一种用于疲劳状态识别的方向盘转角统计特征融合方法，如图1所示，包括步骤：

s1.按照设定的采样频率实时采集方向盘转角时间序列和车速时间序列；

s2.按照设定的转向角度绝对值阈值和速度阈值对方向盘转角时间序列进行滤波处理，得到速度高于速度阈值、转向角度低于转向角度绝对值阈值的方向盘转角序列样本；

s3.按照设定的时间窗大小，对固定长度的方向盘转角序列样本计算其统计特征；

s4.将统计特征形成统计特征矩阵；

s5.计算统计特征矩阵的特征根，抽取特征根作为驾驶人方向盘转角统计特征的融合指标向量。

进一步地，在步骤s1中，采样频率的设定范围为[20,200]hz，本实施例优选为100hz，也即每秒有100个采样点。

进一步地，在步骤s2中，转向角度绝对值阈值的设定范围为20±2°，本实施例优选为20°；速度阈值的设定范围为70±5km/h，本实施例优选为70km/h。本步骤按照设定的阈值对方向盘转角时间序列进行滤波处理，得到有效的样本数据，使其重点针对车辆高速、方向盘小范围转动情况下的驾驶人疲劳检测，有助于提高疲劳状态识别的准确性。

进一步地，在步骤s3中，方向盘转角序列的固定长度为t，设定的时间窗大小为mt，一般10≤m≤50，100≤t≤500，本实施例优选m＝30，t＝200，也即在每一段序列样本中，有30*200＝6000个采样点，便于序列统计特征提取和数据分析。

在本实施例的步骤s3中，统计特征包括方差t1、有效值t2、极差t3、波形系数t4、峭度t5、偏度t6、变异系数t7、大幅度百分比t8、小幅度百分比t9、大幅均值t10；

其中：

n＝t＝200，x(i)表示固定长度为t的方向盘转角序列，i表示时间采样点序号，i＝1，2…n-1，n；

t3＝xmax-xmin，xmax、xmin分别表示序列x(i)的最大值和最小值；

c1为大幅度阈值，n代表样本个数，c1的设定范围为2.5±0.25，本实施例优选为2.5；

c2为小幅度阈值，c2的设定范围为0.5±0.25，本实施例优选为0.5；

进一步地，在步骤s4中，统计特征矩阵表示为p，则：

其中，lt(t＝1，2…m-1，m)＝(x1，x2…x199，x200)t，t表示一个时间窗内方向盘转角序列的切片分段序号。

进一步地，在步骤s5中，计算统计特征矩阵的特征根具体包括步骤：

s51.按照对每个时间窗内的方向盘转角序列进行标准化处理，pst表示统计特征矩阵p中第s行第t列的元素，

s52.计算统计特征矩阵p的相关系数矩阵r：

其中，q＝1，2，…，9，10；x，y＝1，2，…，m-1，m；

s53.采用雅可比方法求出相关系数矩阵r的特征根λ(λ1，λ2，…，λm-1，λm)。

进一步地，在步骤s5中，抽取特征根作为驾驶人方向盘转角统计特征的融合指标向量，具体是指：

假设融合指标向量为f，其融合指标向量的向量元素f通过如下设置条件获取：

w＝1，2…m-1，m，ρset的设定范围为0.85±0.1，本实施例优选为0.85。

本发明实施例不直接将驾驶人方向盘转角序列的统计特征作为疲劳状态辨识系统的输入，而是将方向盘转角的多统计特征进行融合，抽取融合多统计特征的疲劳辨识指标，提高统计性能指标对驾驶人疲劳状态识别的稳定贡献率。本发明对方向盘转角序列常见统计特征的融合表达，克服了现有技术直接采用某一项或多项统计指标带来的不稳定性，该方法能有效提取实车工况下方向盘转角的疲劳特征统计指标，在实车工况下能有效支撑驾驶人疲劳状态的稳定识别，同时便于工程实现，对不同驾驶者表现出了较高的工程泛化能力。

作为具体实施，如图2所示，本发明通常用于驾驶人疲劳识别系统的特征提取环节。该案例将驾驶人方向盘转角的统计特征送入基于支持向量机(supportvectormachine，图中简写为svm分类器)的预测模型进行训练与疲劳状态预测。在驾驶人二级疲劳状态识别的测试中，对384例测试样本的疲劳正确检测率为86.32％，十次交叉检验的方差为0.0078；在驾驶人三级疲劳识别的测试中，对296例测试样本的疲劳正确检测率为84.13％，十次交叉检验的方差为0.0082；进一步，为对比直接采用统计特征的疲劳状态识别效果，根据上述应用案例，采用同一分类器，直接将本发明专利的步骤s3提取的10项统计指标作为分类器的输入，在同一测试样本上，驾驶人二级疲劳识别的平均正确率为79.82％，十次交叉检验的方差为0.0098；驾驶人三级疲劳识别的平均正确率为75.09％，十次随机交叉检验的方差为0.0106。结果表明，本发明专利融合的统计特征对疲劳状态识别率的具有较高的贡献度，在分类识别系统中表现出更好的稳定性。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。