首页 > 论文范文 > 工程工业论文 > 重工业论文 > 汽车工业 > 基于遗传优化算法的疲劳驾驶状态辨识方法

基于遗传优化算法的疲劳驾驶状态辨识方法

2023-09-05 169 上传者：管理员

摘要：为了准确辨识驾驶人疲劳驾驶状态并提供及时的主动安全预警，提出了一种低成本、高效的基于遗传优化算法的疲劳驾驶状态辨识方法。改进了YOLOv3-tiny网络结构并应用于人脸检测。融合驾驶人眼部、嘴部及头部多特征参数基础上，利用因子分析算法提取原始数据中的主因子，并构建遗传算法(GA)优化广义回归神经网络(GRNN)疲劳驾驶辨识模型。实验结果表明：GA-GRNN模型疲劳驾驶状态检测准确率高达94.2%,召回率为92.5%,精确率为93.2%。本文研究是机器视觉在辅助驾驶系统中的实际应用，可为驾驶人早期疲劳驾驶预警的研究提供理论与技术支持。

关键词：
主动安全预警
广义回归神经网络
汽车工业
疲劳驾驶辨识
遗传算法
加入收藏

引言

如何快速、有效地检测驾驶人疲劳状态对于预防交通事故具有重要意义。目前，疲劳驾驶的检测方法主要分为基于生理特征、基于驾驶人行为及车辆特征和基于驾驶人面部特征的检测方法[1,2,3]。基于驾驶人面部特征检测方法通常提取眼部、嘴部、表情等特征构建疲劳驾驶状态辨识模型。相比于其他2种检测方法，该方法具有非侵入性，实时性好等优点。但目前大多数学者采用美国卡内基梅隆研究所提出的PERCLOS等单一评价准则进行判断，最优特征参数矩阵利用率不高，未考虑疲劳驾驶状态在时间和空间上的累积，很少考虑结合头部特征来建立疲劳驾驶状态辨识模型等问题。

本文提出了一种基于遗传优化算法的疲劳驾驶状态辨识方法。改进了YOLOv3-tiny网络[4]结构并应用于人脸检测。利用因子分析提取眼部、嘴部及头部参数公因子。结合融合后的多特征参数构建遗传算法(genetic algorithm, GA)优化广义回归神经网络(generalized regression neural network, GRNN)(GA-GRNN)辨识模型。

1、特征提取

1.1改进的YOLOv3-tiny人脸检测模型

本文改进了YOLOv3-tiny网络结构，借鉴MobileNetV3_small[5]网络架构的设计思想，利用深度可分离卷积特征提取块替换DarknetBlock模块作为骨干网络特征提取单元，并将多目标回归转化为单目标回归问题。在保证模型轻量化的同时，提高了网络的特征提取能力。图1为改进后的YOLOv3-tiny网络结构。损失函数计算公式如下

图1改进的YOLOv3-tiny网络结构

1.2同构特征参数提取

通过Dlib人脸关键点提取驾驶人眼部及嘴部特征是辨识疲劳状态的有限手段。该库通过集成回归树算法[6],利用式(2)建立级联梯度提升树模型使人脸特征点逐步回归到真实位置。该算法耗时少，精度高，可实时定位人脸关键点，如图2所示。

图2眼睛与嘴部关键点定位

1.2.1眼部特征提取

在Dlib人脸关键点定位基础上，本文提取人眼张开角度、眼睛闭合面积比特征参数表征驾驶人疲劳驾驶状态。

图3眼部特征参数

1.2.2嘴部特征提取

在打哈欠的过程中，嘴角会发生显著变化，如图4所示。

图4嘴部特征参数

1.2.3头部姿态估计

疲劳状态下，驾驶人会出现无意识的点头、歪头[7]等异常姿态。由于红外摄像头的位置相对固定，因此本文根据2D关键点坐标与3D人脸模型的映射关系，求解出欧拉角特征参数。世界坐标系与图像平面的转换关系如图5所示。

图5坐标系转换原理

图6 2D关键点与3D人脸模型

本文选取疲劳状态下点头、斜颈，与非疲劳状态下低头、转头干扰特征数据进行分析，结果如图7所示。驾驶人转头时，Yaw和Roll呈正相关的增长趋势；歪头时Yaw和Roll呈负增长趋势。驾驶人点头状态下，头部快速上下浮动，相比于低头时，Pitch相邻数据间的差值较大。综上，本文提出的头部姿态估计算法可以区分异常头部姿态。

图7异常头部姿态

2、模型构建

2.1因子分析

本文通过因子分析[9]提取最大程度反映疲劳辨识模型的主因子，以实现降维目的。

用SPSS软件对提取的9个特征参数进行因子分析如表1。其中，KMO值为0.575>0.5,巴利特球度检验值为0.000<0.1。结果表明，该数据适合作因子分析。前5个因子累积方差贡献率达93.48 %。因此，提取5个公因子是合理的。

表1总方差解释

2.2 GRNN

GRNN是由输入层、模式层、求和层及输出层4层网络构成的一种径向基函数(radial basis function, RBF)神经网络模型。模式层是径向基层，输出输入层和模式层中神经元之间的相似度。求和层使用算数求和与加权求和对神经元进行求和。输出层取求和层中最大值作为输出的识别结果

GRNN的核心参数仅为隐含层激活函数中的光滑因子σ。当σ越大，函数的逼近误差随之增大；相反，σ越小的时，函数的平滑程度越低，网络的泛化能力越差[10]。

2.3 GA优化GRNN过程

本文将GA与GRNN相结合，通过GA在搜索空间中寻找最优适应度值和GRNN隐含层光滑因子σ。

优化过程如图8所示。1)初始化基本参数：种群的染色体数量为40,交叉概率为0.6,变异概率为0.2,进化次数最大值为200,σ∈[0,2];2)定义适应度函数：将GA-GRNN输出值和数据实际值的均方误差定义为种群适应度函数，计算如式(13);3)训练GRNN:考虑到疲劳驾驶状态的时序性，本文结合滑动窗口对模型进行训练，算法窗口大小和滑动步长设置为900和150,计算每一条染色体的适应度值；4)判断是否满足适应度值条件：依据前人的研究成果[11],本文设定适应度值为0.03为判断条件，判断是否满足目标函数收敛与达到最大迭代次数；5)种群进化：通过交叉、变异、复制的方式更新染色体或基因；6)输出模型：保存训练好的GA-GRNN辨识模型，输出最佳光滑因子。

图8 GA优化GRNN网络训练流程

3、实验验证

3.1实验设计

3.1.1实验设备与对象

招募有规律生理作息习惯的29名男性和14名女性作为实验对象，年龄分布在22～51岁之间，平均年龄为34.14周岁。驾驶年龄分布在1～15年之间，平均驾驶年龄为3.8年。本文采用模拟驾驶实验采集实验数据。本文采用红外摄像头采集实验过程视频，实验设备如图9所示。

图9模拟驾驶系统

3.1.2实验过程

下午12︰30～16︰00和凌晨1︰00～5︰00时间段进行实验[12],共进行约4 h的模拟驾驶实验。本文通过专家评分法并依据卡罗林斯卡嗜睡量(Karolinska sleepiness scale,KSS)表确定驾驶人疲劳状态，如表2。3名专家每隔3 min进行疲劳程度的评分。

表2 KSS量

取专家们评分的平均值作为疲劳数据的类别标注。共采集2 063组疲劳样本，3 931组非疲劳样本数用于模型训练。

3.2人脸检测模型训练结果

WINDE FACE[13]是香港中文大学制作专门用于人脸检测研究的数据集，数据集中包含32 203张图片，共有393 703张人脸被标注，本文利用该数据集训练YOLOv3-tiny人脸检测模型。

图10为模型进行300轮迭代的训练结果。可以看出，随着训练epochs的增加，准确率、召回率和精确率不断提高。

图10人脸检测模型训练结果

3.3 GA-GRNN模型训练

如图11所示，当GA迭代到124次时，种群不再进行更新，此时，平均适应度值为0.121,最佳适应度值为0.023 9,最佳光滑因子为0.872。通过10轮5折交叉验证方法验证GA优化后的GRNN辨识模型。训练结果表明，相比GRNN辨识模型优化前，准确率提升了5.9 %。

图11 GA优化结果

本文利用训练好的GA-GRNN模型实时计算主因子，并判断驾驶人是否处于疲劳驾驶状态，规避了阈值检测法鲁棒性低等问题，疲劳驾驶状态识别结果如图12所示。

图12疲劳驾驶状态辨识结果示例

3.4模型评估与分析

为了验证GA-GRNN辨识模型的稳定性，重新招募21名实验对象(男性16名，女性5名),平均年龄为32.16周岁，平均驾龄为3.4年，并按照3.1.2节实验过程完成测试数据集采集。

ROC曲线是敏感性和特异性的复合指标，ROC曲线越靠近左上角，模型性能越好。引入准确率、精确率、召回率及检测速度4个指标评估模型表现：Acc=(TP+TN)/(TP+FN+FP+TN)×100%,Pre=TP/(TP+FP)×100%,Rec=TP/(TP+FN)×100%。其中，TP,TN,FP,FN分别为真阳性、真阴性、假阳性和假阴性样本的数量。

由表3可知：Hog+GRNN辨识准确率最低，泛化能力差。MTCNN+BP虽然辨识准确率较高，但模型实时性差，学习速度慢，容易陷入局部最优解。YOLOv3-tiny+SVM辨识准确率为91.4 %,精确率为89.4 %、召回率为91.3 %,模型性能相对稳定，但模型的泛化能力不如GA-GRNN。

表3不同算法对比结果

4、结论

本文提出了一种基于遗传优化算法的疲劳驾驶状态检测模型。实验结果表明，GA优化GRNN模型后，准确率提升5.6 %,召回率提升7.1 %,精确率提升6.5 %。然而。该研究仍存在一些不完善之处。没有考虑GA初始参数对检测模型的影响，该研究有望进一步提升辨识模型的精度。

参考文献:

[1] 王晓原,宿宝臣,孟昭为.微观交通仿真跟驰模型影响因子选择研究[J].软科学,2004(2):16-19.

[2] 周景润.模式识别与人工智能:基于MATLAB[M].北京:清华大学出版社,2018.

基金资助:山东省自然科学基金资助项目(ZR2020MF082);青岛市创新创业领军人才计划资助项目(19—3—2—8—zhc);山东省智能绿色制造技术与装备协同创新中心开放基金资助项目(IGSD—2020—012);国家重点研发计划资助项目(2018YFB1601500);

文章来源:张杨,王晓原,刘士杰等.基于遗传优化算法的疲劳驾驶状态辨识方法[J].传感器与微系统,2023,42(09):157-161+168.