申请/专利权人：江苏大学

申请日：2020-10-29

公开（公告）日：2024-06-11

公开（公告）号：CN112308136B

主分类号：G06F18/2411

分类号：G06F18/2411;G06F18/214;G06F18/2135;G06N20/10;G06N20/20;G07C5/08;G06V20/59;G06V40/18

优先权：

专利状态码：有效-授权

法律状态：2024.06.11#授权;2021.02.23#实质审查的生效;2021.02.02#公开

摘要：本发明公开了一种基于SVM‑Adaboost的驾驶分心检测方法，包括基于自然驾驶数据搭建模拟驾驶场景；采集驾驶人在模拟驾驶场景中的驾驶数据；析出最佳影响因子；将影响因子指标标签化，将标签集中70％做训练集，30％为测试集，训练集将用作驾驶分心判别模型的模型训练，测试集用作模型优化测试；构建基于SVM‑Adaboost的驾驶分心判别模型，输出驾驶分心判别结果。有益效果：本发明提出的SVM‑Adaboost是一种集成二分类模型能够进一步提升判别模型的准确性；此模型输入数据为驾驶人眼动数据和车辆运行数据的结合，能够更好的提升判别精度；同时，数据输入更加多维也能增加驾驶分心判别的准确性。

主权项：1.一种基于SVM-Adaboost的驾驶分心检测方法，其特征在于，包括以下步骤：步骤一、基于自然驾驶数据搭建模拟驾驶场景；步骤二、采集驾驶人在模拟驾驶场景中的驾驶数据，分别包括正常驾驶及分心驾驶状态下驾驶人生理特征、驾驶人心理特征、驾驶车辆运行特征及环境特征；步骤三、基于主成分分析法对采集驾驶原始数据进行降维分析，提取表征因子特征根及特征向量，计算表征因子的贡献率，对表征因子方差贡献率进行排序，析出最佳影响因子；步骤四、将最佳影响因子数据作显著性分析，将影响因子指标标签化，正常驾驶标签集为0，分心驾驶标签集为1，将标签集中70％做训练集，30％为测试集，训练集将用作驾驶分心判别模型的模型训练，测试集用作模型优化测试；步骤五、将训练过程中输入训练集，每个特征用一个SVM弱分类器进行分类，计算每个SVM分类结果的错误率，每个SVM对应一个特征，一组SVM代表所有选取的特征组成一个基分类器，Adaboost将多个基分类器组合,利用SVM和Adaboost各自的优势构建基于SVM-Adaboost的驾驶分心判别模型，输出驾驶分心判别结果，标签0为正常驾驶，标签1为分心驾驶；所述步骤一中搭建模拟驾驶场景采用联合仿真软件进行仿真，驾驶场景包括道路场景和车辆的驾驶场景，所述驾驶场景包括跟车、换道、转向、超车、会车的场景；所述步骤二中采集驾驶人在模拟驾驶场景中的驾驶数据，在模拟驾驶场景中设置分心次任务，次任务分别设置在道路的不同区域和不同的驾驶环境中，采集驾驶人的眼动数据，同时导出车辆横向速度、纵向速度、横向加速度、纵向加速度、方向盘转角、油门开度、刹车制动力数据；所述步骤三基于主成分分析法对采集驾驶原始数据进行降维分析，提取表征因子特征根及特征向量，计算表征因子的贡献率，对表征因子方差贡献率进行排序，析出最佳影响因子计算如下：在进行主成分分析之前需要对所采集样本数据进行标准化前期处理得到标准化的矩阵X，使处理后的样本数据满足EX＝0、DX＝1，计算公式为： 其中 式中m为维度的数量，Xij、Yij为数据的向量矩阵；计算标准化后的每两个指标间的相关系数，得到相关系数矩R，计算公式为： 其中X′为X的转置矩阵；计算相关系数矩阵R的特征根及相应的特征向量并可以得到特征向量矩阵V，计算公式为：|R-λi|＝0式中λi为特征向量矩阵元素；计算第k个主成分的主成分贡献率，并得到特征值向量K，计算公式为： 式μk是第k个主成分的主成分贡献率，λk是第k个主成分中的矩阵元素；依据各主成分贡献率由大到小选取前p个主成分，使其累计贡献率大于90％： 计算各个原始参数指标对原始信息的贡献率矩阵F：F＝absV*absK其中absV和absK函数是对数组元素进行绝对值处理的函数；将指标贡献值降序排序，选取排序在前的4个主成分进行分析，分别是正常区域注视时间比、眼闭合时间比例、车速及加速度。

全文数据：

权利要求：

百度查询： 江苏大学 一种基于SVM-Adaboost的驾驶分心检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD