学位论文 > 优秀研究生学位论文题录展示

驾驶人警觉状态检测技术研究

作　者: 汪澎
导　师: 刘志强
学　校: 江苏大学
专　业: 车辆工程
关键词: 驾驶行为低警觉性机器视觉技术图像处理多智能体理论 Dempster-Shafer证据融合
分类号: TP274
类　型: 博士论文
年　份: 2010年
下　载: 324次
引　用: 0次
阅　读: 论文下载

内容摘要

道路交通事故是多年来困扰世界各国的社会问题,它直接关系到人民生命和财产的安全。随着经济的发展,车辆拥有量增加和非职业驾驶人人数增多,致使交通事故量大幅增加,已经成为当今社会第一公害,给人类社会造成的伤害大于任何一种自然与社会灾害。影响交通安全的因素有很多,其中驾驶人的人为影响因素是造成交通事故的主要原因。大量的统计分析结果表明,70%以上道路交通事故的发生都与驾驶人自身及其驾驶行为特性直接相关。其中,驾驶人低警觉性驾驶行为是影响交通安全的驾驶人为因素中最重要的组成部分,是引发恶性交通事故的重要原因之一。低警觉性驾驶行为的深入研究有助于提高驾驶人安全警惕能力,实现驾驶人安全驾驶的目的。目前国内外驾驶人行为特性的相关研究主要集中在驾驶人心理认知性、生理应激反应特性及驾驶适应性等方面。研究大多采用单因子分析法,以问卷数据调查或者实验室仿真模拟的方法进行分析,结合统计学理论分析驾驶行为的变化规律,从驾驶人心理与生理特性研究入手,挖掘引发危险驾驶行为的本质原因,为交通安全管理与行车安全保障研究提供科学依据。在特定实验室环境条件下进行的驾驶行为仿真模拟分析与实际驾驶时驾驶人身临其境条件下的心理特性、生理特性和行为特征有本质区别,在驾驶人警惕性和兴奋程度上有巨大的差异。基于既往驾驶人驾驶行为特征数据统计的研究虽然构建出很多驾驶行为数学表述模型,对驾驶行为的规范化和安全化起到了示范性指导作用,但是实际驾驶过程中驾驶人面临迥异的环境,心理和生理上的差异和驾驶行为具有突变性的特点,使得现有驾驶模型研究成果难以应用到驾驶个体安全保障的实际中去。目前,驾驶行为实时监测、分析和评价的工程实用性研究成果尚未见发表。警觉度是指人集中精力执行一项操作任务时所表现出的灵敏程度。许多人机交互系统需要操作人员保持一定的警觉度。驾驶警觉性是指驾驶人对车辆行驶刺激信息保持警惕并且能够作出适当应激反应的能力,这种能力必须贯穿于驾驶过程的始终。任何一个小小的疏忽都有可能导致交通事故的发生,这种疏忽性行为是本文研究对象——驾驶人低警觉性驾驶行为。本课题源于国家科技支撑计划课题“驾驶人安全驾驶行为分析平台与监测技术研究及示范”中的子项专题“驾驶人不安全驾驶状态监测与预警分析技术研究”,主要开展驾驶人低警觉性行为特征检测以及智能评价技术的研究。驾驶人在正常驾驶状态和警觉性降低状态时会表现出不同的行为特征,其中表征驾驶人驾驶性能的行为指标主要包括：车道安全保持的稳定性,相对车间距控制的安全性,驾驶人注视行为的安全性,车辆速度、方向控制能力,对外部事件的反应能力以及驾驶强度的高低等。目前相关研究大多基于驾驶人心电波、脑电波信息、脉搏血压和体内新陈代谢产物的监测进行车辆控速、对外部事件的反应能力以及驾驶强度的研究,该方法虽然准确直接,易于做出正确的评价和判断,但是接触式的测量且仪器复杂,难以进行车载实时在线检测应用。针对目前存在的问题,研究以驾驶人低警觉性不安全驾驶行为为研究对象,构建驾驶人驾驶行为实时监测分析平台,针对驾驶个体进行驾驶行为组织结构化和过程化的研究,由个体到群体,由表及里进行驾驶低警觉性行为因子的检测和融合评价。研究采用实车试验的方法,设定多种不安全驾驶工况,以驾驶人状态和车辆行驶状态表征为检测内容,实时对驾驶人个体进行测试,实现驾驶人低警觉性行为表征信息的提取,完善了驾驶行为检测分析技术。研究深化了对驾驶人因素引发事故机理的研究,把握不安全驾驶行为的规律、特点和深层次原因,拓宽驾驶人不安全驾驶行为机理研究的深度与广度。驾驶低警觉性驾驶行为表征信息具有多源性,除通过医学检验反映出的驾驶人反应能力和驾驶强度指标外,还包括不安全驾驶注视表征,车道偏离表征(含方向控制能力),以及危险车间距表征(含速度控制能力)等信息。研究应用机器视觉检测技术对驾驶人进行实时监测,信息主要包括两个部分：驾驶人注视特征信息和车辆行驶外在表征特征信息。通过实时获取车道偏离信息和相对车间距信息,实现车道偏离状态和危险车间距跟驰的检测。研究通过实时检测的驾驶人脸部特征信息进行驾驶人注视特征信息提取,实时提取驾驶人双眼间的横向宽度(瞳距)和嘴巴到双眼连线中点之间的纵向距离——人脸“T”型线信息,实现驾驶人不安全注视特征状态的检测。研究运用多智能体理论构建低警觉性驾驶行为监测体系,运用数据挖掘技术从大量检测数据中提取出低警觉性驾驶行为的特征信息。采用贝叶斯与神经网络技术进行特征模式分类,运用Dempster-Shafer证据推理技术进行信息融合,实现多智能体系统协商合作和策略规则匹配,实现低警觉性驾驶行为的智能决策,提高低警觉性驾驶行为表征信息甄别的自适应性、准确性和智能化水平。

全文目录

摘要  6-8
ABSTRACT  8-13
第一章绪论  13-29
  1.1 研究背景  13-14
  1.2 研究意义  14-16
  1.3 国内外驾驶行为检测技术研究现状与存在问题  16-23
    1.3.1 国内外驾驶行为研究的现状  16-18
    1.3.2 国外驾驶行为检测技术研究的主要成果  18-20
    1.3.3 国内驾驶行为检测技术研究的主要成果  20-21
    1.3.4 研究中存在问题  21-23
  1.4 研究的主要内容  23-26
  1.5 研究技术路线  26-29
第二章驾驶人警觉性与行车安全性研究  29-41
  2.1 驾驶人驾驶行为分析  29-31
    2.1.1 驾驶行为的过程性分析  29-30
    2.1.2 驾驶行为的特征性分析  30-31
  2.2 驾驶人低警觉性行为分析  31-39
    2.2.1 驾驶人低警觉行为因素对交通安全影响性分析  31-32
    2.2.2 低警觉驾驶行为的研究分析  32-33
    2.2.3 低警觉驾驶行为形成机理  33-37
    2.2.4 低警觉型驾驶行为表现特征  37-39
  2.3 小结  39-41
第三章多智能体并行多特征检测系统构建  41-51
  3.1 智能体理论概述  41-42
  3.2 多智能体系统理论概述  42-44
  3.3 多智能体系统与驾驶警觉性检测体系的相似性比较  44-46
  3.4 低警觉性驾驶行为监测体系结构  46-47
  3.5 低警觉行为信息特征的提取  47-49
  3.6 本章小结  49-51
第四章车辆运行状态表征检测与信息挖掘  51-73
  4.1 图像处理技术概述  51-56
  4.2 车道检测智能体  56-59
    4.2.1 基于灰度阈值的车道线确定  57-58
    4.2.2 车道边缘检测  58
    4.2.3 车道图像二值化  58-59
  4.3 车辆检测智能体  59-66
    4.3.1 车辆检测流程  59-60
    4.3.2 车辆底部阴影特征分析  60
    4.3.3 车辆的阴影检测  60-62
    4.3.4 基于卡尔曼滤波的车辆跟踪  62-66
  4.4 车道偏离信息与车间距检测智能体获取的信息特征挖掘  66-72
    4.4.1 路面有效区域划定  66-68
    4.4.2 车道偏离表征信息挖掘  68-71
    4.4.3 车间距信息挖掘  71-72
  4.5 本章小结  72-73
第五章驾驶不安全注视状态特征检测与信息挖掘  73-95
  5.1 驾驶人不安全注视特征威胁行车安全  73
  5.2 驾驶人注视特征检测  73-78
    5.2.1 基于Adaboost算法的人脸检测  74-77
    5.2.2 AdaBoost检测结果  77
    5.2.3 基于光流算法检测  77-78
  5.3 驾驶人注视特征信息获取  78-85
    5.3.1 基于几何特征的人脸各部位区域定位  78-79
    5.3.2 面部特征中的眼睛、嘴巴区域结构的关系  79-81
    5.3.3 眼睛的检测与定位  81-84
    5.3.4 嘴巴检测与定位  84
    5.3.5 检测结果  84-85
  5.4 驾驶人注视检测智能体获取的信息特征挖掘  85-93
    5.4.1 驾驶人注视区域划分  85
    5.4.2 驾驶人注视特征提取与分析  85-90
    5.4.3 驾驶人"T"型注视特征提取  90-91
    5.4.4 驾驶人注视"T"型表征检测结果  91-92
    5.4.5 驾驶人不安全注视行为判断  92-93
  5.5 本章小结  93-95
第六章基于多智能体模式分类与证据理论融合分析的低警觉性驾驶行为捕捉  95-115
  6.1 模式识别分类  95-96
    6.1.1 句法模式识别  95
    6.1.2 模糊模式识别  95-96
    6.1.3 统计模式识别  96
    6.1.4 人工神经网络法  96
  6.2 冲突证据的消解  96-101
  6.3 基于BP神经网络的驾驶人注视特征分类器设计  101-107
    6.3.1 输入层设计  102
    6.3.2 隐层设计  102-104
    6.3.3 输出层设计  104-107
  6.4 Dempster-Shafer证据理论融合分析  107-111
    6.4.1 D-S证据理论的基本概念  107-109
    6.4.2 Dempster-Shafer组合规则  109-110
    6.4.3 多证据源的构造  110
    6.4.4 D-S证据理论决策级融合效果分析  110-111
  6.5 试验分析  111-114
  6.6 本章小结  114-115
第七章结论与展望  115-119
  7.1 结论  115-116
  7.2 研究创新之处  116
  7.3 今后研究的设想  116-119
参考文献  119-126
致谢  126-127
在学期间发表的文章及参加的科研项目  127

相似论文

基于CCD图像传感器的温度测量技术研究,TH811
基于FPGA的数字图像处理基本算法研究与实现,TP391.41
雾天或背光条件下图像清晰化算法研究及硬件实现,TP391.41
基于嵌入式图像处理单元的运动目标跟踪系统研究,TP391.41
机械臂视觉伺服系统的研究,TP242.6
数字图像处理在集装箱检测中的应用研究,TP274.4
半成型结构在休闲女装中的应用,TS941.2
基于视觉的番木瓜外观品质检测技术研究,S667.9
基于机器视觉的光纤几何参数检测研究,TN253
羊绒与羊毛纤维鉴别系统的研究,TS101.921
基于计算机视觉对“次郎”甜柿外部品质检测与分级的研究,S665.2
基于图像处理技术的两相流动特性描述,TP391.41
车牌识别系统中车牌定位算法的研究,TP391.41
基于FPGA高清视频车辆检测系统的设计与实现,TP391.41
群控电梯客流密度实时识别技术研究,TP391.41
基于神经树的人脸识别方法研究,TP391.41
数字型仪表自动识读系统研究,TP391.41
智能清分机的管理和应用软件设计,TP391.41
沉积物岩心灰度图像处理技术及其在东海内陆架高分辨沉积记录中的应用,P736.21
车载路面裂缝检测图像处理系统的设计与实现,TP391.41
基于3G网络的智能交通视频监控系统的设计与实现,TP391.41