基于随机森林与多源信息融合的疲劳驾驶检测方法研究.pdfVIP

摘要

世卫组织统计报告称全球范围每年大约有135万人死于道路安全事故。在这些重大的道路

安全事故中，由于疲劳驾驶导致的交通事故占了极高的比例。需要设计一款能够便捷安装在车

辆中，对驾驶员的疲劳状态进行实时检测的系统，当驾驶员出现疲劳状态时，发出警报，及时

提醒驾驶员停车，避免疲劳驾驶引发生命财产损失。

现有的疲劳驾驶检测方法，大多只采用了单一的信号来判断驾驶员的疲劳状态，容易受到

干扰，当实际检测环境不那么理想时，无法采集到足够准确的数据，会导致检测系统出现较大

的误差，出现误报等情况。本文设计多源信息融合的检测方式，通过搭建信号采集平台，电路

设计采用多个精确度高的微型传感器同步采集驾驶员的呼吸、心跳以及脉搏、握力等信号，当

某一个信号的采集有所偏差时，另一个信号的采集不受干扰，然后将这些信息进行滤波、傅里

叶变换等处理，建立一个多源融合的疲劳驾驶状态数据集作为检测依据，避免了单一信号抗干

扰性差的缺陷，大大提升了疲劳驾驶检测准确率。相较于SVM（supportvectormachines）、

GBDT（GradientBoostingDecisionTree）等分类算法，随机森林能够平衡数据集的误差，对于

缺失值不敏感，能并行运算，分类速度很高，满足疲劳驾驶检测中信号采集存在一定误差且对

实时性要求高的需求。通过设计模型RF（RandomForest）对建立的多源融合数据集进行学习

训练，不断调参得到最佳的疲劳驾驶状态检测模型，分别在单一数据集和多源信息融合数据集

上进行实验，同时对比了GBDT和SVM模型在多源信息融合数据集的性能。

实验结果验证了基于随机森林与多源信息融合的算法模型能精确地实现对疲劳驾驶状态

的检测，多源信息融合后的随机森林算法模型最佳检测精度达到了89.16%，相较单一数据集

提高了15%左右，与GBDT和SVM相比，其训练速度更快，准确度更高，符合预期对于疲劳

驾驶检测实时性高精度的要求。

关键词：疲劳驾驶检测，多源信息融合，SVM，GBDT，随机森林

ABSTRACT

TheWHOstatisticalreportstatesthatapproximately1.35millionpeoplediefromroadsafety

accidentsworldwideeachyear.Amongthesemajorroadsafetyaccidents,trafficaccidentscausedby

fatiguedrivingaccountforanextremelyhighproportion.Itisnecessarytodesignasystemthatcanbe

easilyinstalledinthevehicletodetectthefatiguestateofthedriverinrealtime.Whenthedriver

becomesfatigued,analarmisissuedtopromptthedrivertostopintimetoavoidthelossoflifeand

propertycausedbyfatiguedriving.

Mostoftheexistingfatiguedrivingdetectionmethodsonlyuseasinglesignaltodetectthe

driver’sfatiguestate,whichissusceptibletointerference.Whentheactualdetectionenvironmentis

notsoideal,sufficientaccuratedatacannotbecollected,whichwillcauselargeerrorsinthedetection

systemandfalsealarms.Thispaperdesignsamulti-sourceinfor