【技术实现步骤摘要】
本专利技术涉及智能驾驶辅助系统，尤其涉及一种基于多源异构数据融合的驾驶人认知分心行为识别方法与系统。
技术介绍
1、
2、分心驾驶可分为三种主要类型：视觉分心、手动分心和认知分心。视觉分心是指驾驶人将视线从道路上移开，如查看手机或车内显示屏；手动分心是指驾驶人将手从方向盘上移开，如调整收音机或进食；认知分心则是指驾驶人的注意力从驾驶任务中分散开，如与乘客交谈或思考其他问题。
3、相较于视觉分心和手动分心，认知分心更为隐蔽且难以检测。认知分心并不会表现出明显的外部特征，例如驾驶人的视线或手的动作变化，而是涉及驾驶人内在的思维和注意力状态。这使得传统基于外部特征的分心检测方法难以有效识别认知分心。此外，认知分心对驾驶行为的影响可能更加严重，因为驾驶人在注意力分散时，可能无法及时反应和处理突发的交通情况，增加了发生交通事故的风险。因此，针对认知分心驾驶的研究具有重要的实际意义和迫切性。
4、当前，许多研究和技术开发都集中在检测和减少分心驾驶行为上。然而，现有技术在检测驾驶人分心行为方面仍存在诸多局限性。大多数现有的分心检测系统主要依赖单一类型的数据源，如视觉数据或车辆运行数据。这些系统在面对复杂的驾驶环境(如光线变化、遮挡物等)时，其检测准确性和鲁棒性常常不足。此外，认知分心由于缺乏明显的外部特征，更难以被检测和量化。
5、为了提高分心驾驶行为识别的准确性和可靠性，多源异构数据融合的方法应运而生。通过融合来自不同传感器的数据(如车辆运行数据、驾驶人生理数据和图像数据等)，可以更全面地反映
6、深度学习技术在图像处理和行为识别方面取得了显著进展，成为分心驾驶行为检测的一个重要工具。通过构建深度神经网络(dnn)和卷积神经网络(cnn)模型，可以对大量复杂的驾驶数据进行分析和处理，从而实现高效的分心行为识别。例如，一些研究已经利用深度学习模型对驾驶人的面部表情和头部运动进行分析，以识别其是否处于分心状态。
7、为了应对分心驾驶问题，各国政府和相关机构也采取了一系列措施。例如，美国国家运输安全委员会(ntsb)建议各州禁止驾驶人使用手持设备，同时，许多新型汽车中也集成了车道偏离预警、自动紧急制动等先进驾驶辅助系统(adas)，以减少因分心驾驶导致的事故。然而，仅靠政策和单一技术手段并不足以彻底解决这一问题，结合多源数据融合和深度学习技术的智能系统有望成为未来分心驾驶行为识别的重要方向。
8、综上所述，提出一种基于多源异构数据融合的驾驶人认知分心行为识别方法与系统，不仅具有重要的理论意义，还能为提高道路交通安全提供有效的技术支持。这种方法通过综合利用车辆运行数据、图像数据和其他生理数据，结合深度学习技术，实现对驾驶人分心行为的高效识别，从而为减少交通事故、提升驾驶安全性提供了新的解决方案。
技术实现思路
1、为解决上述技术问题，本专利技术提出了一种基于多源异构数据融合的驾驶人认知分心行为识别方法与系统，通过融合数值型数据和图像型数据，利用深度神经网络模型，实现对驾驶人认知分心行为的高效识别，从而提高驾驶安全性。
2、一方面，为实现上述目的，本专利技术提供了一种基于多源异构数据融合的驾驶人认知分心行为识别方法，包括：
3、采集车辆行驶数据和驾驶人人因信息，并对所述车辆行驶数据和驾驶人人因信息进行预处理，基于预处理后的数据进行特征级融合，生成融合特征向量；
4、构建初始驾驶人认知分心识别模型，基于所述融合特征向量以及深度神经网络对所述初始驾驶人认知分心识别模型进行训练，获得驾驶人认知分心识别模型；
5、将实时采集的车辆行驶数据和驾驶人人因信息经过处理后输入至所述驾驶人认知分心识别模型，输出识别结果，并将所述识别结果上传至云端服务器。
6、优选地，采集车辆行驶数据和驾驶人人因信息，包括：
7、通过速度传感装置、加速度传感装置和方向传感装置分别采集车辆的行驶速度、加速度以及车辆的行驶方向；
8、通过心率传感装置、皮肤电反应传感装置分别采集驾驶人的心率数据和皮肤电位反应数据；
9、通过摄像装置实时采集所述驾驶人的面部图像；
10、其中，各装置通过can总线与车载中央处理单元相连，用于数据的实时传输和处理。
11、优选地，对所述车辆行驶数据和驾驶人人因信息进行预处理，包括对数值型数据进行预处理和对图像型数据进行预处理；
12、其中，对所述数值型数据进行预处理为：
13、采用箱型图方法进行数据清洗，剔除异常值，将清洗后的数据进行标准化处理，消除不同量纲之间的差异，并采用因子分析法提取关键特征；进行标准化处理的方法包括最小最大值标准化、z值标准化或pca白化方法；
14、对图像型数据进行预处理为：
15、对采集的驾驶人面部图像数据进行灰度化处理，并对灰度图像进行直方图均衡化处理，最后采用haar级联分类器检测驾驶人的面部区域，并提取面部特征；
16、将处理后的图像划分为非认知分心驾驶图像和认知分心驾驶图像。
17、优选地，所述初始驾驶人认知分心识别模型，包括：输入层、隐藏层和输出层，其中，所述输入层设置为1层，包含24个节点；所述隐藏层设置为15层，每层包含若干神经元，并采用elu激活函数；所述输出层包含1个节点；
18、训练所述初始驾驶人认知分心识别模型时采用adam优化器优化模型参数，并采用dropout机制防止过拟合。
19、优选地，所述识别结果包括驾驶人的认知分心行为和严重程度，其中，所述严重程度通过图像化界面进行展示。
20、优选地，所述方法还能根据所述识别结果进行安全预警，预警方式包括：
21、视觉警告：在车内显示屏上显示警告信息，包括闪烁的警告标志或醒目的文本提示；
22、声音警告：通过车内音响系统播放警告音；
23、振动提醒：在方向盘或座椅中嵌入振动装置，当检测到分心行为时，通过设备震动引起驾驶人的注意。
24、优选地，将所述识别结果上传至云端服务器，包括：
25、通过内置的无线通信模块，将所述识别结果及数据上传至云端服务器，并定期或实时同步本地存储的数据至云端，在上传过程中，同时对数据进行格式转换。
26、另一方面，为了实现上述目的，本专利技术还提供了一种基于多源异构数据融合的驾驶人认知分心行为识别系统，包括：
27、数据采集模块：用于采集车辆行驶数据和驾驶人人因信息；
28、数据预处理模块：用于对所述车辆行驶数据和驾驶人人因信息进行预处理，包括对数值型数据进行预处理和对图像型数据进行预处理；
29、数据融合模块：用于融合预处理后的数值型数据和图像型数据，生成融合特征向量本文档来自技高网...
【技术保护点】
1.一种基于多源异构数据融合的驾驶人认知分心行为识别方法，其特征在于，包括：
2.根据权利要求1所述的基于多源异构数据融合的驾驶人认知分心行为识别方法，其特征在于，采集车辆行驶数据和驾驶人人因信息，包括：
3.根据权利要求1所述的基于多源异构数据融合的驾驶人认知分心行为识别方法，其特征在于，对所述车辆行驶数据和驾驶人人因信息进行预处理，包括对数值型数据进行预处理和对图像型数据进行预处理；
4.根据权利要求3所述的基于多源异构数据融合的驾驶人认知分心行为识别方法，其特征在于，所述初始驾驶人认知分心识别模型，包括：输入层、隐藏层和输出层，其中，所述输入层设置为1层，包含24个节点；所述隐藏层设置为15层，每层包含若干神经元，并采用ELU激活函数；所述输出层包含1个节点；
5.根据权利要求1所述的基于多源异构数据融合的驾驶人认知分心行为识别方法，其特征在于，所述识别结果包括驾驶人的认知分心行为和严重程度，其中，所述严重程度通过图像化界面进行展示。
6.根据权利要求5所述的基于多源异构数据融合的驾驶人认知分心行为识别方法，其特征
7.根据权利要求6所述的基于多源异构数据融合的驾驶人认知分心行为识别方法，其特征在于，将所述识别结果上传至云端服务器，包括：
8.一种基于多源异构数据融合的驾驶人认知分心行为识别系统，其特征在于，包括：
9.根据权利要求8所述的基于多源异构数据融合的驾驶人认知分心行为识别系统，其特征在于，所述数据采集模块包括：
10.根据权利要求8所述的基于多源异构数据融合的驾驶人认知分心行为识别系统，其特征在于，所述数据预处理模块包括：
...【技术特征摘要】
1.一种基于多源异构数据融合的驾驶人认知分心行为识别方法，其特征在于，包括：
2.根据权利要求1所述的基于多源异构数据融合的驾驶人认知分心行为识别方法，其特征在于，采集车辆行驶数据和驾驶人人因信息，包括：
3.根据权利要求1所述的基于多源异构数据融合的驾驶人认知分心行为识别方法，其特征在于，对所述车辆行驶数据和驾驶人人因信息进行预处理，包括对数值型数据进行预处理和对图像型数据进行预处理；
4.根据权利要求3所述的基于多源异构数据融合的驾驶人认知分心行为识别方法，其特征在于，所述初始驾驶人认知分心识别模型，包括：输入层、隐藏层和输出层，其中，所述输入层设置为1层，包含24个节点；所述隐藏层设置为15层，每层包含若干神经元，并采用elu激活函数；所述输出层包含1个节点；
5.根据权利要求1所述的基于多源异构数据融...
【专利技术属性】
技术研发人员：张敬磊，王恺丽，张一达，魏元璋，
申请(专利权)人：山东理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。