一种基于多源信息融合的驾驶员认知分心监测方法技术

本发明专利技术涉及一种基于多源信息融合的驾驶员认知分心监测方法，属于汽车主动安全技术领域，该方法包括：实时采集方向盘转角、车速和驾驶员头部朝向、注视点位置坐标信息；将实时采集到的数据按时间先后排列成数据序列；根据在计算时间窗长度范围内计算得到的方向盘转角、车速以及驾驶员头部朝向、注视点位置坐标的时域统计指标集合(认知分心特征集合)，采用基于支持向量机的特征级多源信息融合的认知分心监测算法对驾驶员认知分心状态进行实时监测，从而达到提升驾驶安全，减少道路交通事故的目的。

【技术实现步骤摘要】

本专利技术属于汽车主动安全
，特别涉及基于驾驶员操作信息和眼动信息的驾驶员认知分心状态监测技术。
技术介绍
在人员、机动车、道路环境三者构成的道路交通系统中，机动车驾驶员是系统的一个薄弱环节，驾驶过程复杂，包含情景感知、决策和执行等多个环节，难免发生分心失误、判断错误等突发异常，直接导致行车风险。引发驾驶员失误的原因很多，注意力低下是其中最重要的一种。驾驶员注意力监测系统是一种先进汽车驾驶辅助系统，它对驾驶员的注意力状态进行实时监测，当驾驶员注意力低下时，直接给予警报提示，并为其它驾驶辅助系统提供驾驶员注意力状态，提升系统对驾驶员状态的适应性，增强系统功效。现有的注意力监测系统多针对变化过程缓慢的由疲劳引起的注意力低下，而分心时变性强，监测实时性要求高，现有驾驶员注意力监测无法应对分心的这一特点；现有的注意力监测系统多以视觉分心为监测目标，而认知分心表现复杂，结论一致性差，难以挖掘不同驾驶场景下的共性特征，监测难度大。因此，有必要基于驾驶员认知分心的关键表现特征，采用多源信息融合的方法建立可靠、快速的驾驶认知分心在线监测算法。为实现对驾驶员认知分心状态的有效监测，首先需寻求能反映分心驾驶的关键特征，其次是采用合理的技术手段融合不同关键特征信息并给出相应的状态决策结果。驾驶员分心状态驾驶与常态驾驶在生理信号、眼动信息、驾驶绩效三个方面的表现有显著的特征差异，基于生理信号的监测方法受限于设备笨重，侵入性过强，难以实际运用，现有的分心监测方法在指标选取上有两类方法，第一个是实用导向型——基于驾驶绩效，数据来源简单，成本低，第二个是信息融合型——综合眼动信息和驾驶绩效，随着自动驾驶技术的发展，基于驾驶操作、驾驶绩效的简单监测方法将不再适用，基于机器视觉的驾驶员注意力状态监测属于半自动、自动驾驶时代，且考虑到认知分心无明显的外部表现特征，特征级的信息融合有助于提高监测性能。
技术实现思路
本专利技术克服已有技术的不足之处，提出一种基于多源信息融合的驾驶员认知分心监测方法，该方法通过CAN总线采集方向盘转角和车速信息，通过非接触式眼动仪获取驾驶员头部朝向、注视点位置坐标信息，可实时监测驾驶员认知分心状态，从而达到提升驾驶安全，减少道路交通事故的目的。为达到以上目的，本专利技术所采用的解决方案是：提出的一种基于多源信息融合的驾驶员认知分心监测方法，主要利用方向盘转角、车速信号和驾驶员头部朝向、注视点位置坐标的时域统计特征组成认知分心特征集合，对驾驶员认知分心状态进行监测，适应不同复杂度场景；该方法包括以下步骤：1)驾驶员认知注意状态模型的建立及认知分心监测参数的标定：11)采集多源驾驶信息训练样本数据：将某特定驾驶场景采集得到的多源驾驶信息数据作为训练样本按照驾驶员认知分心状态进行标记，将样本集合分为认知分心和常态两类；12)对采集的数据进行认知分心特征集合D计算：根据步骤11)采集的训练样本数据计算每个计算时间窗内的认知分心特征信号d，并以此组成认知分心特征集合D，第i个时间窗计算得到1个特征集合D(Tw1,i),D(Tw1,i)＝[d1i，d2i，…，dni]，该认知分心特征信号包含驾驶绩效指标与眼动信息指标两部分，用于进行认知分心监测，特征信号包括方向盘转角、车速和头部朝向、注视点位置坐标；13)对特征集合D(Tw1,i),进行标准化处理：采用最小-最大标准化对特征集合D(Tw1,i)进行线性变换，将特征集合D(Tw1,i)中每一个特征信号di映射到di′∈[d′i，new_min,d′i,new_max]，如式(1.1)：di′=(di-di,min)(di,new_max′-di,new_min′)di,max-di,min+di,new_min′---(1.1)]]>且其中d′i,new_min和表示集合D(Tw1,i)中指标样本经过映射后的最小值和最大值；14)根据标准化处理后的特征集合D(Tw1,i)进行驾驶员认知注意状态模型的建立：对每个计算时间窗，基于支持向量机模型建立驾驶员认知注意状态模型，该模型采用高斯径向基核函数表示，如式(1.3)：k(X,Y)=exp{|X-Y|22σ2本文档来自技高网...

【技术保护点】
一种基于多源信息融合的驾驶员认知分心监测方法，其特征在于，该方法包括以下步骤：1)驾驶员认知注意状态模型的建立及认知分心监测参数的标定：11)采集多源驾驶信息训练样本数据：将某特定驾驶场景采集得到的多源驾驶信息数据作为训练样本按照驾驶员认知分心状态进行标记，将样本集合分为认知分心和常态两类；12)对采集的数据进行认知分心特征集合D计算：根据步骤11)采集的训练样本数据计算每个计算时间窗内的认知分心特征信号d，并以此组成认知分心特征集合D，第i个时间窗计算得到1个特征集合D(Tw1,i),D(Tw1,i)＝[d1i，d2i，…，dni]，该认知分心特征信号包含驾驶绩效指标与眼动信息指标两部分，用于进行认知分心监测，特征信号包括方向盘转角、车速和头部朝向、注视点位置坐标；13)对特征集合D(Tw1,i),进行标准化处理：采用最小‑最大标准化对特征集合D(Tw1,i)进行线性变换，将特征集合D(Tw1,i)中每一个特征信号di映射到d′i∈[d′i,new_min,d′i,new_max]，如式(1.1)：且其中d′i,new_min和表示集合D(Tw1,i)中指标样本经过映射后的最小值和最大值；14)根据标准化处理后的特征集合D(Tw1,i)进行驾驶员认知注意状态模型的建立：对每个计算时间窗，基于支持向量机模型建立驾驶员认知注意状态模型，该模型采用高斯径向基核函数表示，如式(1.3)：其中，|X‑Y|为两个特征集合之间的距离，σ为常数；用每个计算时间窗内的特征集合D(Tw1,i)进行模型训练，用于训练的特征集合D(Tw1,i)中一半样本特征信号为认知分心，一半样本特征信号为常态；根据采集到的训练样本数据，按照设定的计算时间窗长度TW和重叠度Op进行特征集合计算与建模，得到一系列按照时间窗序列编号的驾驶员认知注意状态子模型SVM(i)，该子模型构成设定时间长度内覆盖的训练样本数据的驾驶员认知注意状态模型，取需要覆盖 的训练样本数据长度为Tt，认知注意状态子模型数量n可由式(1.4)求得：其中，floor()函数表示括号内实数向小取整；15)对连续时间窗计算得到的已知特征集合D(Tw1,i)进行认知分心状态判别，i＝1,2,…,i,…,n：采用留一法将训练集样本留取一个样本进行测试，输入到剩余样本训练得到的驾驶员认知注意状态模型中进行认知分心状态的判定结果。每次留取一个样本进行测试，其余样本集作为训练，遍历全部训练集样本：16)采用一致性检验对认知分心监测参数进行标定：标定的参数包括计算时间窗长度Tw1、计算时间窗重叠度Op和缓冲区长度Lb，性能以识别率CR，以及快速性S为衡量目标；2)对驾驶员认知分心的监测：21)对驾驶员多源驾驶信息测试样本数据采集：采用步骤1)的方法获得的通过一致性检验的最优参数组合(Tw1o，Opo，Lbo)作为对驾驶员认知分心的判断模型采用的参数；取计算时间窗的窗宽为Tw1o，时间窗的终点为当前时刻t0，起始点为时刻(t0‑Tw1o)，两个相邻计算时间窗的数据重叠度为Opo％；22)对采集的数据进行认知分心特征集合D计算：根据步骤21)采集的数据计算每个计算时间窗内的认知分心特征信号d，并以此组成认知分心特征集合D，第i个时间窗计算得到1个特征集合D(Tw1o,i),D(Tw1o,i)＝[d1i，d2i，…，dni]，该认知分心特征信号包含驾驶绩效指标与眼动信息指标两部分，用于进行认知分心监测，特征信号来自方向盘转角、车速和头部朝向、注视点位置坐标；23)对特征集合D(Tw1o,i),进行标准化处理：采用最小‑最大标准化对特征集合D(Tw1o,i)进行线性变换，将特征集合D(Tw1o,i)中每一个特征信号di映射到d′i∈[d′i,new_min,d′i,new_max]，如式(1.1)，其中d′i,new_min和表示集合D(Tw1o,i)中指标样本经过映射后的最小值和最大值，且如式(1.2)；24)对连续时间窗计算得到的未知特征集合D(Tw1o,i)进行认知分心状态判别：将未知样本输入到步骤14)得到的驾驶员认知注意状态模型中，得到最终判定结果。...

【技术特征摘要】
1.一种基于多源信息融合的驾驶员认知分心监测方法，其特征在于，该方法包括以下
步骤：
1)驾驶员认知注意状态模型的建立及认知分心监测参数的标定：
11)采集多源驾驶信息训练样本数据：
将某特定驾驶场景采集得到的多源驾驶信息数据作为训练样本按照驾驶员认知分心
状态进行标记，将样本集合分为认知分心和常态两类；
12)对采集的数据进行认知分心特征集合D计算：
根据步骤11)采集的训练样本数据计算每个计算时间窗内的认知分心特征信号d，并以
此组成认知分心特征集合D，第i个时间窗计算得到1个特征集合D(Tw1,i),D(Tw1,i)＝[d1i，
d2i，…，dni]，该认知分心特征信号包含驾驶绩效指标与眼动信息指标两部分，用于进行认
知分心监测，特征信号包括方向盘转角、车速和头部朝向、注视点位置坐标；
13)对特征集合D(Tw1,i),进行标准化处理：
采用最小-最大标准化对特征集合D(Tw1,i)进行线性变换，将特征集合D(Tw1,i)中每一
个特征信号di映射到d′i∈[d′i,new_min,d′i,new_max]，如式(1.1)：
且其中d′i,new_min和表示集合D(Tw1,i)中指标样本经过映射后的最小值和最大
值；
14)根据标准化处理后的特征集合D(Tw1,i)进行驾驶员认知注意状态模型的建立：
对每个计算时间窗，基于支持向量机模型建立驾驶员认知注意状态模型，该模型采用
高斯径向基核函数表示，如式(1.3)：
其中，|X-Y|为两个特征集合之间的距离，σ为常数；用每个计算时间窗内的特征集合D
(Tw1,i)进行模型训练，用于训练的特征集合D(Tw1,i)中一半样本特征信号为认知分心，一
半样本特征信号为常态；
根据采集到的训练样本数据，按照设定的计算时间窗长度TW和重叠度Op进行特征集合
计算与建模，得到一系列按照时间窗序列编号的驾驶员认知注意状态子模型SVM(i)，该子
模型构成设定时间长度内覆盖的训练样本数据的驾驶员认知注意状态模型，取需要覆盖
的训练样本数据长度为Tt，认知注意状态子模型数量n可由式(1.4)求得：
其中，floor()函数表示括号内实数向小取整；
15)对连续时间窗计算得到的已知特征集合D(Tw1,i)进行认知分心状态判别，i＝1,
2,…,i,…,n：
采用留一法将训练集样本留取一个样本进行测试，输入到剩余样本训练得到的驾驶员
认知注意状态模型中进行认知分心状态的判定结果。每次留取一个样本进行测试，其余样
本集作为训练，遍历全部训练集样本：
16)采用一致性检验对认知分心监测参数进行标定：
标定的参数包括计算时间窗长度Tw1、计算时间窗重叠度Op和缓冲区长度Lb，性能以识别
率CR，以及快速性S为衡量目标；
2)对驾驶员认知分心的监测：
21)对驾驶员多源驾驶信息测试样本数据采集：
采用步骤1)的方法获得的通过一致性检验的最优参数组合(Tw1o，Opo，Lbo)作为对驾驶员
认知分心的判断模型采用的参数；取计算时间窗的窗宽为Tw1o，时间窗的终点为当前时刻
t0，起始点为时刻(t0-Tw1o)，两个相邻计算时间窗的数据重叠度为Opo％；
22)对采集的数据进行认知分心特征集合D计算：
根据步骤21)采集的数据计算每个计算时间窗内的认知分心特征信号d，并以此组成认
知分心特征集合D，第i个时间窗计算得到1个特征集合D(Tw1o,i),D(Tw1o,i)＝[d1i，d2i，…，
dni]，该认知分心特征信号包含驾驶绩效指标与眼动信息指标两部分，用于进行认知分心监
测，特征信号来自方向盘转角、车速和头部朝向、注视点位置坐标；
23)对特征集合D(Tw1o,i),进行标准化处理：
采用最小-最大标准化对特征集合D(Tw1o,i)进行线性变换，将特征集合D(Tw1o,i)中每
一个特征信号di映射到d′i∈[d′i,new_min,d′i,new_max]，如式(1.1)，其中d′i,new_min和表示集合D(Tw1o,i)中指标样本经过映射后的最小值和最大值，且如式(1.2)；
24)对连续时间窗计算得到的未知特征集合D(Tw1o,i)进行认知分心状态判别：将未知
样本输入到步骤14)得到的驾驶员认知注意状态模型中，得到最终判定结果。
2.如权利要求1所述基于多源信息融合的驾驶员认知分心监测方法，其特征在于，所述
步骤15)具体包括：
151)单个计算时间窗内的训练集样本的认知状态判定：
根据步骤12)和13)的计算方法将步骤11)采集到的多源驾驶信息数据中i个计算时间
窗计算...

【专利技术属性】
技术研发人员：成波，王文军，李升波，廖源，李国法，贾丽娟，李仁杰，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11