[发明专利]一种基于驾驶员疲劳状态的主动限速方法

权利要求书

1.一种基于驾驶员疲劳状态的主动限速方法，其特征在于，所述方法包括：

实时监测驾驶员疲劳等级，所述疲劳等级包括非疲劳驾驶、轻度疲劳驾驶和深度疲劳驾驶；

当驾驶员疲劳等级为轻度疲劳驾驶时，发出声光报警信号，以提醒驾驶员正处于疲劳驾驶状态；

当驾驶员疲劳等级为深度疲劳驾驶时，实时拦截加速踏板位置传感器发送给车载电脑ECU的油门开度值信号，并采集车辆实时速度；

当车辆实时速度小于等于预设的限制速度时，向车载电脑ECU实时转发拦截到的油门开度值信号；当车辆实时速度大于预设的限制速度时，向车载电脑ECU发送所述限制速度对应的油门开度值信号给车载电脑ECU；

其中，实时监测驾驶员疲劳等级具体为：

采集驾驶员的人脸动态图像；

从采集的所述人脸动态图像中识别眼部闭合特征和嘴部张合特征；

从车辆CAN总线获取并解析车辆运行信息，通过车辆运行信息计算出驾驶行为特征；

通过眼部闭合特征、嘴部张合特征以及驾驶行为特征融合分析驾驶员疲劳等级；

通过眼部闭合特征、嘴部张合特征以及驾驶行为特征融合分析驾驶员疲劳等级具体为：

通过眼部闭合特征、嘴部张合特征以及驾驶行为特征融合形成融合特征向量集，表示为X，X={x1，x2，…，x15}，其中，x1为最长闭眼时间，x2为眨眼频率，x3为闭眼时间百分比，x4为最长嘴部张开时间，x5为打哈欠时间，x6为嘴部张开时间百分比，x7为方向盘转角绝对均值SAMEAN，x8为方向盘转角标准差SASTD，x9为方向盘转角下四分位值均值SAQ1MEAN，x10为方向盘转角上四分位值均值SAQ3MEAN，x11为方向盘转角熵SE，x12为方向盘转角速度绝对值均值SAVMEAN，x13为方向盘转角速度标准差SAVSTD，x14为零速百分比PNS，x15为累计行驶时长；

构建疲劳预测神经网络模型，所述疲劳预测神经网络模型使用一个全连接层进行疲劳驾驶概率判断，模型的输入为一个融合窗口内的融合特征向量集，所述融合特征向量集与所述全连接层的一个权重向量w进行向量积运算，并将向量积输入给一个Sigmoid激活函数，通过所述Sigmoid激活函数输出0到1之间的疲劳概率值y，具体公式如下：

；

所述方法还包括对疲劳预测神经网络模型的训练，具体如下：

所述疲劳预测神经网络模型的训练过程中，采用交叉熵（cross-entropy）函数作为损失函数Em，令训练集是N个样本对X_i,O_i的集合，其中X_i是第i个窗口样本的融合特征向量集，O_i是第i个窗口样本的融合特征向量集对应的标签，O_i取值为1或0，1表示疲劳驾驶，0表示非疲劳驾驶，当第i个窗口样本的融合特征向量集对应为疲劳驾驶时，O_i取值为1，当第i个窗口样本的融合特征向量集对应为非疲劳驾驶时，O_i取值为0，损失函数Em的计算公式如下：

；

将训练集划分为小批量作为训练过程中每次迭代的输入，通过多次迭代，利用随机梯度下降优化算法进行模型训练，直到损失函数收敛为止，得到的就是已训练好的疲劳预测神经网络模型。

2.根据权利要求1所述的基于驾驶员疲劳状态的主动限速方法，其特征在于，所述人脸动态图像为可见光图像或红外图像。

3.根据权利要求1所述的基于驾驶员疲劳状态的主动限速方法，其特征在于，所述眼部闭合特征包括一个时间窗内的最长闭眼时间、一个时间窗内的眨眼频率和一个时间窗内的闭眼时间百分比，所述嘴部张合特征包括一个时间窗内的最长嘴部张开时间 、一个时间窗内的打哈欠频率和一个时间窗内的嘴部张开时间百分比。

4.根据权利要求3所述的基于驾驶员疲劳状态的主动限速方法，其特征在于，所述最长闭眼时间、所述闭眼时间百分比、所述最长嘴部张开时间和所述嘴部张开时间百分比对应的时间窗为10秒，所述眨眼频率和打哈欠频率对应的时间窗为60秒。