基于改進HMM的駕駛疲勞狀態(tài)辨識方法研究.pdf

1、駕駛疲勞是造成道路交通事故特別是高速公路重大交通事故的主要因素。在交通事故發(fā)生前，若能及時檢測出駕駛人的駕車狀態(tài)并給予預警，將會極大減少相關交通事故的發(fā)生率，因此針對駕駛人疲勞狀態(tài)的研究具有重要理論研究意義和實用價值。近年來，基于機器視覺的駕駛疲勞研究方法以其顯著優(yōu)點逐漸成為該領域的研究熱點。然而，由于駕駛疲勞的生成是一隨駕駛時間延長而動態(tài)生成的隨機過程，且基于視覺的疲勞狀態(tài)辨識其本質是利用相關監(jiān)測信息對駕駛人狀態(tài)進行間接推斷的結果。因

2、此，駕駛疲勞狀態(tài)的有效檢測需充分考慮上述特性?；诖耍紤]到隱馬爾科夫模型（Hidden Markov Model，HMM）的雙重隨機特性能夠合理反應疲勞狀態(tài)與觀測變量間的動態(tài)對應關系，本文基于隱馬爾科夫理論開展駕駛疲勞狀態(tài)動態(tài)辨識方法的相關研究。本文具體研究工作如下：
　　1.基于 PSO（Particle Swarm Optimization）算法的 HMM訓練過程改進。在傳統(tǒng)HMM訓練過程中，BW（Baum-Welch）算法

3、易使模型陷入局部最優(yōu)而導致模型不穩(wěn)定和準確性較差。本文在利用BW算法進行模型訓練過程中通過合理引入PSO算法有效解決了HMM模型訓練結果對訓練初值的依賴性；
　　2.基于二狀態(tài)、單表征指標的HMM辨識模型研究。本文首先基于清醒和疲勞兩種疲勞水平分級，利用PERCLOS（Percentage of eyelid closure over the pupil over time）表征指標特征參數(shù)作為觀測值構建了HMM辨識模型框架，并在

4、此基礎上針對傳統(tǒng)BW算法和改進算法進行了模型理論研究；
　　3.基于三狀態(tài)、二表征指標的HMM辨識模型研究?？紤]到上述模型的局限性，本文進一步將疲勞水平擴展為清醒、疲勞和重度疲勞三種狀態(tài)，利用PERCLOS和PERLVO（Percentage of mouth large vertical open over time）兩個表征指標觀測參數(shù)在數(shù)據模糊聚類基礎上進行了相關模型的構建；
　　4.試驗驗證及結果對比分析?；谏鲜隼?/p>