基于极限学习机的非接触式疲劳驾驶检测方法研究.pdfVIP

摘要

伴随着全球汽车行业的发展，道路上的汽车数量逐年攀升，导致交通事故也频繁发生。相

关统计结果表明，驾驶员在疲劳状态下持续驾驶汽车是造成大多数交通事故的主要原因。因此，

在行车过程中，对驾驶员进行疲劳状态检测很有必要，能帮助减少甚至避免此类交通事故的发

生。目前对于疲劳驾驶检测信号的研究中生理信息最为可靠，最能真实反映驾驶员的疲劳状态，

但是获取该信息可能会对驾驶员造成干扰。获取完上述信息之后也需要设计相关算法对信息进

行处理，才能有效检测驾驶员疲劳状态。

极限学习机（ExtremeLearningMachine，ELM）是一种单隐层前馈神经网络，具有结构简

单、训练速度快等特点。然而，传统ELM也有一些缺点，比如由于其输入层和隐藏层之间的

权重和偏置是随机生成的，可能会影响网络的分类性能，无法获得最优的网络结构模型。因此，

对ELM算法的改进很有必要。本文提出基于几种改进ELM算法的非接触式疲劳驾驶检测模

型。首先通过多普勒雷达无接触地采集驾驶员在行车过程中的雷达信号，并通过摄像头同步采

集视频信号，然后通过零相位IIR滤波器对信号进行滤波处理，提取分离出呼吸和心跳信号，

选取合适的特征值，并采用面部视频专家评判法对信号进行标签分类，建立数据集。最后使用

本文设计的正则极限学习机（RegularizedELM，RELM）、粒子群正则极限学习机（ParticleSwarm

OptimizationRELM，PSO-RELM）、自适应差分进化正则极限学习机（AdaptiveDifferential

EvolutionRELM，ADE-RELM）等优化ELM算法对数据集进行训练分类，判定驾驶员的疲劳

状态等级。为了比较极限学习机改进算法的优势，同时设计了传统分类算法支持向量机

（SupportVectorMachine，SVM）进行对比。

实验结果表明，在本实验所建立的疲劳驾驶数据集上，ELM相关优化算法相比于SVM分

类表现更好，其中ADE-RELM相较于其它三种算法对于每种疲劳状态都有较高的识别率，最

终在疲劳测试集上实现了最高的93.98%的分类准确率，能更好地判定驾驶员的疲劳等级。

关键词:疲劳驾驶检测，多普勒雷达，支持向量机，自适应差分进化，极限学习机

ABSTRACT

Astheglobalautomobileindustryisgrowingmarkedly,thenumberofvehiclesontheroadhas

beenincreasingrapidlyyearbyyear,leadingtofrequentoccurrenceoftrafficaccidents.Statistical

analysisshowsthatdrowsydrivingcausesmostofthetrafficaccidents.Therefore,itisnecessaryto

detectthefatiguestateofdrivers,asthiscanhelpreduceorevenavoidtheoccurrenceoftraffic

accidents.Collectionofdrivers’physiologicaldataisthemostreliablemethodforfatigueddriving

signaldetection,asitcanmosttrulyreflectthefatiguestateofdrivers.However,theprocessofdata

collectionmayaffectthedriverscontrolofvehicle.Inaddition,designofpost-datacollection

algorithmsisrequiredfordataprocessing.

ExtremeLearningMachine(ELM)isasingle-hiddenlayerfeedforw