本发明涉及一种适用于车载短距离通信网络的疲劳驾驶识别方法，属于通信与信息领域，尤其是车载通信技术领域。
背景技术：
疲劳驾驶是引发交通事故的一个重要原因,通过对疲劳驾驶行为的特性进行研究并进行预测和告警是解决疲劳驾驶的重要方法。现有驾驶疲劳行为研究主要通过生理特征的提取进行识别。例如提取驾驶员的生理指标、面部特征识别等方法。提取驾驶员的生理特征采取非接触式获取比较困难，采取接触式会给驾驶员带来较大的干扰。面部特征提取通过驾驶员眼部、嘴部和脸部的图像识别获得，可以实现非接触式识别，但是容易受车内光线和驾驶员脸部位置的变化，以及帽子和眼镜等穿戴物的干扰而影响识别的成功率。
另外一类研究方法是通过驾驶员操纵汽车的行驶特征来进行判断。但这种方式易受道路变化和周围的车辆情况等外部环境的影响，很难对某些驾驶特征进行准确的判断，因此，准确获得道路和周围车辆的信息，对提高这类以驾驶行为为主进行疲劳驾驶预测的算法的准确性，起到重要的作用。
车载短距离通信(Vehicle to X：V2X)网络是通过无线通信、GPS/GIS、传感等短距离通信技术实现的车内(CAN-Controller Area Network)、车路(Vehicle-2-RSU)、车间(Vehicle-2-Vehicle)、车外(vehicle-2-Infrastructure)、人车(Vehicle-2-Person)之间的通信。
V2X中的车载节点配备有GPS或者北斗等设备，车载节点按照设定的时间间隔定期向周围广播本节点的地理位置等信息(称为心跳信息)，同时也接收周围节点发送的心跳信息，从而获得周围车载节点同本车的距离，从而计算出同本车的相对距离信息。
本发明实施例利用车载设备获取车辆自身的位置信息，配合电子地图，从而获得加减速特性、车道偏离特性和行车方向特征，另外，通过接收周围车辆广播的心跳信息获得周围车辆同本车的距离，对驾驶行为特征进行矫正，从而提高了单纯通过驾驶行为进行疲劳驾驶识别的局限性，提高了识别的准确性。
技术实现要素：
本发明公开了一种适用于车载短距离通信网络的疲劳驾驶识别方法，主要实现方式是首先确立用于疲劳驾驶识别的贝叶斯网络结构和算法，采用加减速特性、车道偏离特征、行车方向特征作为疲劳驾驶的依据，通过确定贝叶斯结构和算法来进行综合识别。为克服由于周围车辆而造成的主动加减速和行驶方向改变对疲劳驾驶识别的影响，通过获得周围车辆同本车辆的距离信息进行矫正，然后利用获得的数据，采用贝叶斯网络进行后验概率的计算，通过概率是否高于门限值对疲劳驾驶进行识别。本发明中，通过车载短距离通信的设备获得车辆自身的地理位置，配合电子地图获得车辆的加减速特性、车道偏离特性和行车方向特性，通过接收周围车载短距通信设备定期广播的包含车辆位置的信息获得周围车辆的信息，计算出同本车距离的信息，对进行疲劳驾驶的三个特性依据进行矫正，从而使得识别更加可靠。
附图说明
图1是本发明的主要处理步骤。
图2是贝叶斯网络拓扑结构。
具体实施方式
本实施例实现了一种适用于车载短距离通信网络的疲劳驾驶识别方法，目的是通过车载短距离通信的车载设备获得车辆自身的地理位置信息，获得驾驶员的驾驶特征。另外，通过接收周围车辆定期发送的包含地理位置坐标的消息(以下称为心跳信息)，对驾驶员的驾驶特性进行矫正，然后利用贝叶斯网络模型，综合对驾驶员的疲劳驾驶特性进行识别，从而有效减少疲劳驾驶造成的危害。
对驾驶员的驾驶疲劳行为判定中，本实施例选择三种特征明显，容易获取的驾驶行为特征，分别是加减速特征、车道偏离特征、行车方向特征，通过贝叶斯网络进行综合判定。
普通驾驶状态驾驶员会根据道路情况和周围的车辆灵敏进行加减速，疲劳驾驶的加减速特征主要体现在：疲劳状态的加减速缓慢或突然加减速，瞌睡状态的加减速不变化等特征。车道偏离特征是疲劳驾驶的另外一个显著特征，疲劳驾驶导致驾驶员对车辆控制能力的下降,易发生车道偏离事故和碰撞事故。但是在周围有车辆时，驾驶员为变换车道，也会发生车道偏离，因此，需要结合周围车辆的情况进行判别。
行车方向特征是另外一个疲劳驾驶的显著特征，驾驶员清醒时,驾驶人会通过连续小幅修正方向盘实现车辆控制，驾驶员瞌睡时,会不间断出现长时间方向盘静止和突然的大幅度调整交替出现的特征，但是这个特征也需要同周围的车辆情况配合才能进行正确的识别。
贝叶斯网络模型可以用于表达和分析不确定性和概率性的事件,可以从不完全、不精确或不确定的知识或信息中做出推理,是不确定知识和推理领域中有效的理论模型。驾驶疲劳作为一个不可直接观测的研究对象，其影响因素多且难以定量，判断驾驶疲劳程度是一个非常复杂的系统问题。因此，使用概率论的方法具有较好的可行性。
在贝叶斯网络模型中，通过可获得的随机变量推断不可获得的随机变量，进行概率推理。因此，利用贝叶斯网络求解疲劳驾驶判别可以表述为：在现有疲劳度量指标测定经验数据的情况下，求解在判别因素条件下，疲劳状态处于各种程度(清醒、轻度疲劳、重度疲劳)的概率。
贝叶斯网络用二元组BN＝＜G,Θ＞表述的概率不确定性推理网络，G是节点与离散随机变量{X1,X2,...,Xn}一一对应的有向无环图，有向边则表示变量之间由条件概率决定的依赖关系；Θ是描述BN局部条件概率分布参数的集合表示节点Xi在其父节点集Yi某一取值组合状态yi下的条件概率分布。BN可通过条件概率量化随机事件之间的因果关系，因此用于疲劳驾驶的识别。
本实施例的实施包括三个部分，流程如图1所示。
第一部分、确立疲劳识别的贝叶斯网络结构和算法。
1.1、以有向无环图构造贝叶斯网络，其中的节点对应疲劳识别的变量，有向边代表变量的条件依赖关系。
1.2、本实施例的贝叶斯网络拓扑结构如图2所示。本实施例的疲劳识别采用加减速特性、车道偏离特性、行车方向特性三个特性，以下简称疲劳识别三特性。父节点(Fd)表示疲劳驾驶状态，子节点(Vc)表示加减速特性，子节点(Ld)表示车道偏离特性，子节点(Td)表示行车方向特性。父节点(Fd)与子节点(Vc)、子节点(Ld)、子节点(Td)之间的连线表示疲劳驾驶状态与3种疲劳表现特性的条件概率p(V|F)、p(L|F)和p(T|F)。
1.3、基于V2X的疲劳驾驶的贝叶斯网络算法。疲劳驾驶特性采用概率p(Fd|Vc,Ld,Td)表示，根据贝叶斯公式，
本实施例中，首先根据专家经验确定贝叶斯网络中父节点与子节点之间连线的条件概率后，然后获得3个节点的先验概率，就可以获得疲劳驾驶的后验概率p(Fd|Vc,Ld,Td)。
由于p(Vc,Ld,Td)计算时，子节点(Vc)、(Ld)、(Td)可以认为相互独立，可以采用简化为：
p(Vc,Ld,Td|Fd)＝p(Vc|Fd)p(Ld|Fd)p(Td|Fd) (2)
为简化运算，疲劳驾驶状态分为有和无，分别对应0和1，则：
第二部分、获得车辆自身和周围车辆的状态，对贝叶斯网络各节点状态进行校正。
2.1、获得周围车辆的状态信息。通过V2X网络的心跳信息，可以获得周围车辆的位置、距离、速度信息。
2.2、通过周围车辆的状态信息，对贝叶斯网络的各个节点的概率进行校正。为了避免前后车对加减速特性、车道偏离特性、行车方向特性的判断影响，通过V2X获得周围车辆的状态，
本实施例中采用前车距离(V0)、后车距离(V1)、侧车距离(V2)的数据，然后分别对Vc、Ld、Td进行校正。校正的方法采用第一部分类似的贝叶斯网络进行。本实施例为了简化计算，设定前车距离(V0)、后车距离(V1)、侧车距离(V2)分别对疲劳识别三特性的影响，取有影响和无影响两个值，分别对应0和1。对于前车当前车距离、后车距离和侧车距离在设定的距离以内，相应降低三个特性的概率，从而避免由于车辆根据周围车辆的状态主动采取的加减速、车道变换和行车方向改变对疲劳识别三特性的误判。校正后的数据分别用Vc'、Ld'、Td'表示，概率用式(4)(5)(6)计算：
第三部分、进行疲劳驾驶识别并进行数据更新。
3.1、由于V2X车载设备可以获得车辆自身的位置信息，通过位置信息的变化，可以获得前后速度、左右位置的变化，配合电子地图，可以获得车道偏离状态，从而分别获得车辆自身的疲劳识别三特性Vc、Ld、Td的数值，本实施例采用有(0)和无(1)的方式按照时间间隔计数的方式进行计算，相应的概率采用式(7)计算：
其中，CVc是处于加减速特性为“是(0)”状态的时间，CLd是处于车道偏离特性为“是(0)”状态的时间，CTd是处于行车方向特性为“是(0)”状态的时间，C是识别区段的总时间。
3.2、V2X车载设备通过接收周围车辆的定期发送的心跳信息，获得周围车辆同本车的距离，本实施例取前车距离、后车距离和侧车距离，三个距离分别取在设定的范围内(0)和范围外(1)。设定的范围内，降低疲劳识别三特性的计数值，获得p(Vc')、p(Ld')和p(Td')，降低倍数可以由系统根据经验值设定。
3.3、通过3.1获得疲劳驾驶三特性的数据Vc、Ld、Td并通过3.2的数据进行校验后，获得Vc'、Ld'、Td'。然后采用式(8)计算疲劳驾驶的后验概率：
3.4、疲劳驾驶的概率超过门限值后，对驾驶员进行声光提醒。
3.5、当疲劳驾驶的概率超过门限值后，如果前后车距离在设定的范围内，进行紧急告警。
3.5、将此时的后验概率p(Fd|Vc',Ld',Td')作为下一个计算周期的先验概率p(Fd)，使预测能更符合当前的驾驶员状态。
3.6、采用时间迭代，在系统设定的周期内，重复3.1到3.5步骤进行不间断的疲劳驾驶状态识别和状态更新学习。
通过本实施例，利用V2X车载设备获得车辆自身的位置，通过接收周围车载设备定期广播的心跳信息获得周围车辆的位置信息，从而获得加减速特性、车道偏离特性、行车方向特性，并且利用周围车辆的信息对上述特性进行矫正，避免车辆由于周围车辆，进行的主动的车辆加减速和行车方向改变对疲劳驾驶识别的影响。在获得这些信息后，通过贝叶斯网络对疲劳驾驶概率的大小进行计算，从而实现疲劳驾驶的识别。
以上所述是本发明的较佳实施例及其所运用的技术原理，对于本领域的技术人员来说，在不背离本发明的精神和范围的情况下，任何基于本发明技术方案基础上的等效变换、简单替换等显而易见的改变，均属于本发明保护范围之内。