發(fā)布時間：2017-09-16 11:31

  本文關鍵詞：基于駕駛操作及車輛狀態(tài)的疲勞駕駛行為檢測研究

  更多相關文章： 疲勞檢測 駕駛操作 車輛狀態(tài) 聚類分析 神經(jīng)網(wǎng)絡

【摘要】：疲勞駕駛是造成交通事故的重要原因之一,因此研究一個可以實時檢測駕駛員狀態(tài)的識別系統(tǒng)有很大意義。一個高效實時地疲勞駕駛狀態(tài)檢測系統(tǒng)可以很大程度上避免駕駛員進行疲勞駕駛,進而避免交通事故的發(fā)生。而檢測系統(tǒng)的核心就是一個可以準確判斷駕駛員狀態(tài)的識別算法。由于生理檢測法對駕駛員有嚴重的侵入性,而基于外部特征變化檢測的方法又很受光線環(huán)境影響。因此,本文采用的是基于駕駛操作及車輛狀態(tài)的疲勞駕駛行為檢測算法。通過駕駛模擬器開展疲勞駕駛實驗獲取駕駛員正常狀態(tài)和疲勞駕駛時的操作特征以及車輛狀態(tài),以此為基礎開展了疲勞駕駛狀態(tài)識別的算法研究。首先,使用駕駛模擬器搭建了模擬駕駛場景,并根據(jù)需要確定要獲取的數(shù)據(jù),包括方向盤轉(zhuǎn)向角、車輛橫擺角、車輛橫向位置等。招募共14名駕駛員開展模擬駕駛實驗,實驗包括正常狀態(tài)和疲勞狀態(tài)兩類模擬駕駛。其中12名駕駛員的數(shù)據(jù)樣本作為算法訓練的輸入,2名駕駛員的數(shù)據(jù)樣本作為算法檢驗的輸入。根據(jù)SSS自主評估法,確定實驗過程中駕駛員的狀態(tài),建立疲勞樣本的數(shù)據(jù)庫。其次,處理分析實驗采集的數(shù)據(jù),發(fā)現(xiàn)隱含在各指標中能夠區(qū)分正常狀態(tài)和疲勞狀態(tài)的特性。隨后根據(jù)以往研究經(jīng)驗,提出117個特征指標選項并采用因素方差分析法對這117個特征指標變量的有效性進行分析。最后根據(jù)分析結(jié)果,提取出7個特征指標變量構(gòu)成后續(xù)疲勞駕駛狀態(tài)識別算法的輸入集。最后利用主成分分析法實現(xiàn)了疲勞駕駛特征的進一步提取,設計了疲勞駕駛狀態(tài)識別的模糊聚類和神經(jīng)網(wǎng)絡算法并比較各算法的識別效果。隨后用2名駕駛員的實驗數(shù)據(jù)對建立的識別算法進行檢驗,檢驗了算法的適用性。
【關鍵詞】：疲勞檢測 駕駛操作 車輛狀態(tài) 聚類分析 神經(jīng)網(wǎng)絡
【學位授予單位】：東南大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：U491.254
【目錄】：

• 摘要5-6
• Abstract6-9
• 第1章 緒論9-20
• 1.1 選題背景和研究意義9-10
• 1.2 疲勞駕駛10-12
• 1.2.1 疲勞駕駛的定義10-11
• 1.2.2 疲勞駕駛的成因11
• 1.2.3 疲勞駕駛的特征11-12
• 1.3 疲勞檢測的方法12-17
• 1.3.1 主觀評價12-13
• 1.3.2 客觀方法13-17
• 1.4 研究目標與主要內(nèi)容17-20
• 1.4.1 研究目標17
• 1.4.2 研究內(nèi)容17-18
• 1.4.3 論文章節(jié)安排18-20
• 第2章 疲勞駕駛模擬實驗及研究理論基礎20-30
• 2.1 疲勞駕駛模擬實驗20-22
• 2.1.1 實驗平臺介紹20-21
• 2.1.2 模擬駕駛場景介紹21-22
• 2.1.3 實驗方案22
• 2.1.4 實驗數(shù)據(jù)采集22
• 2.2 研究理論基礎22-29
• 2.2.1 模式識別22-25
• 2.2.2 模式識別方法25-29
• 2.3 本章小結(jié)29-30
• 第3章 疲勞駕駛操作特性分析及指標提取30-40
• 3.1 特征分析30-32
• 3.1.1 方向盤轉(zhuǎn)向角數(shù)據(jù)說明30-31
• 3.1.2 方向盤轉(zhuǎn)向角波形分析31
• 3.1.3 方向盤轉(zhuǎn)向角幅值分析31-32
• 3.2 疲勞判別指標選取32-37
• 3.2.1 統(tǒng)計類指標32-33
• 3.2.2 經(jīng)驗類指標33-37
• 3.2.3 拓展類指標37
• 3.3 疲勞判別指標的篩選37-39
• 3.3.1 方差分析法37-39
• 3.3.2 方差分析結(jié)果39
• 3.4 本章小結(jié)39-40
• 第4章 疲勞駕駛狀態(tài)識別40-54
• 4.1 基于主成分分析的特征提取40-42
• 4.2 基于聚類分析的駕駛狀態(tài)識別42-45
• 4.2.1 單特征指標聚類分析43
• 4.2.2 特征指標全組合聚類分析43-44
• 4.2.3 特征指標兩兩組合聚類分析44
• 4.2.4 基于PCA主成分的聚類分析44-45
• 4.3 基于神經(jīng)網(wǎng)絡算法的狀態(tài)識別45-51
• 4.3.1 基于BP神經(jīng)網(wǎng)絡的駕駛狀態(tài)識別45-49
• 4.3.2 基于RBF神經(jīng)網(wǎng)絡的駕駛狀態(tài)識別49-51
• 4.4 幾種疲勞駕駛識別算法分析51-52
• 4.5 疲勞駕駛狀態(tài)識別算法檢驗52-53
• 4.6 本章小結(jié)53-54
• 第5章 結(jié)論與展望54-57
• 5.1 主要研究成果54-55
• 5.2 主要創(chuàng)新點55
• 5.3 研究展望55-57
• 致謝57-58
• 參考文獻58-60

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前6條

1 趙林輝;劉志遠;陳虹;;一種車輛狀態(tài)的非線性估計方法研究[J];系統(tǒng)仿真學報;2009年06期

2 郭文強;付菊;張玉杰;侯勇嚴;;貝葉斯網(wǎng)絡在車輛狀態(tài)遠程故障診斷系統(tǒng)中的應用[J];陜西科技大學學報(自然科學版);2013年01期

3 王建鋒;李平;;基于多信息融合的車輛狀態(tài)參數(shù)估計[J];計算機仿真;2013年11期

4 趙林輝;劉志遠;陳虹;;一種車輛狀態(tài)滑模觀測器的設計方法[J];電機與控制學報;2009年04期

5 楊志強;譚_g;;車道保持系統(tǒng)的車輛狀態(tài)預測模型[J];農(nóng)業(yè)機械學報;2008年10期

6 ;[J];;年期

中國碩士學位論文全文數(shù)據(jù)庫 前4條

1 黃皓;基于駕駛操作及車輛狀態(tài)的疲勞駕駛行為檢測研究[D];東南大學;2016年

2 金未平;獨立分量分析在車輛狀態(tài)監(jiān)測中的應用研究[D];合肥工業(yè)大學;2010年

3 屈肖蕾;基于轉(zhuǎn)向操作和車輛狀態(tài)的疲勞駕駛檢測方法研究[D];清華大學;2012年

4 黃巍;基于CAN總線的車輛狀態(tài)信息顯示處理系統(tǒng)[D];大連理工大學;2005年

，

本文編號：862784