基于车辆运行数据的疲劳驾驶状态检测

交通运输系统工程与信息 ›› 2020, Vol. 20 ›› Issue (4): 77-82.

• 智能交通系统与信息技术 • 上一篇下一篇

基于车辆运行数据的疲劳驾驶状态检测

蔡素贤¹ ，杜超坎¹ ，周思毅¹，王雅斐^*2

1. 汉纳森(厦门)数据股份有限公司, 福建厦门 361000：2. 上海财经大学信息管理与工程学院, 上海 200433

收稿日期:2020-02-28 修回日期:2020-05-12 出版日期:2020-08-25 发布日期:2020-08-25
作者简介:蔡素贤(1988-)，女，福建厦门人，工程师.
基金资助:
国家自然科学基金/National Natural Science Foundation of China(61773248)；国家社科基金重大项目/ Major Program of the National Social Science Foundation of China(18ZDA088).

Fatigue Driving State Detection Based on Vehicle Running Data

CAI Su-xian¹, DU Chao-kan¹ , ZHOU Si-yi¹ , WANG Ya-fei²

1. Honorsun(Xiamen) Data Company Limited by Shares, Xiamen 361000, Fujian, China; 2. School of Information Management & Engineering, Shanghai University of Finance and Economics, Shanghai 200433, China

Received:2020-02-28 Revised:2020-05-12 Online:2020-08-25 Published:2020-08-25

摘要/Abstract

摘要：

疲劳驾驶是导致交通事故的主要原因之一，及时检测疲劳驾驶，并提醒驾驶员集中注意力，对保证安全行车具有重要意义.本文基于CAN(Controller Area Network)总线采集的车辆运行状态数据，提取了18项与驾驶行为相关的特征，并采用随机森林算法对疲劳驾驶进行识别，结果表明整体的识别准确率为0.785，其中召回率为0.61，即61%的疲劳驾驶状态可被识别出来.实验表明，基于车辆运行状态的疲劳驾驶检测具有一定的效果，且与其他客观的疲劳驾驶检测方法(基于驾驶员生理指标和图像面部特征)相比，具有简单方便，不影响驾驶，且成本低的优势.

关键词: 智能交通, 疲劳检测, 随机森林, CAN数据

Abstract:

Fatigue driving is one of the main causes of traffic accidents. It is of great importance to detect fatigue driving dynamically and remind drivers to concentrate on driving safely. Based on the vehicle running data collected by Controller Area Network (CAN) bus, this paper extracts 18 features relevant to driving behaviors and uses random forest algorithm to identify fatigue driving. The results show that the overall recognition accuracy is 0.785, and the recall rate is 0.61 which means 61% of fatigue driving conditions can be successfully identified. Experiments show that fatigue driving detection based on vehicle running data is effective. Compared with other fatigue driving detection methods (for example, based on driver physiological indicators and image facial features), the proposed method is simple and convenient, without affecting driver's operations and the cost is relatively low

Key words: intelligent transportation, fatigue detection, random forest, CAN data

中图分类号:

V355.2

蔡素贤，杜超坎，周思毅，王雅斐. 基于车辆运行数据的疲劳驾驶状态检测[J]. 交通运输系统工程与信息, 2020, 20(4): 77-82.

CAI Su-xian, DU Chao-kan, ZHOU Si-yi, WANG Ya-fei. Fatigue Driving State Detection Based on Vehicle Running Data[J]. Journal of Transportation Systems Engineering and Information Technology, 2020, 20(4): 77-82.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.tseit.org.cn/CN/abstract/abstract20083.shtml

http://www.tseit.org.cn/CN/Y2020/V20/I4/77

参考文献

[1] 彭明, 杨雪峰, 应江婷, 等. 疲劳驾驶警示系统在公交车的应用探讨[J]. 公路交通科技(应用技术版), 2011, 7(6): 291- 293. [PENG M, YANG X F, YING J T, et al. Discussion on the application of fatigue driving warning system in bus[J]. Highway Traffic Technology (Applied Technology Edition), 2011, 7(6): 291-293.]

[2] 李都厚, 刘群, 袁伟, 等. 疲劳驾驶与交通事故关系[J]. 交通运输工程学报, 2010, 10(2): 104-109. [LI D H, LIU Q, YUAN W, et al. Relationship between fatigue driving and traffic accident[J]. Journal of Transportation Engineering, 2010, 10(2): 104-109.]

[3] 游俊. 驾驶员疲劳驾驶检测系统研究[D]. 哈尔滨：哈尔滨工程大学, 2016. [YOU J. Research on driver fatigue driving detection system[D]. Harbin：Harbin Engineering University, 2016.]

[4] 王斐, 吴仕超, 刘少林, 等. 基于脑电信号深度迁移学习的驾驶疲劳检测[J]. 电子与信息学报, 2019, 41(9): 2264-2272. [WANG F, WU S C, LIU S L, et al. Driver fatigue detection through deep transfer learning in an electroencephalogram- based system[J]. Journal of Electronics and Information Technology, 2019, 41(9): 2264-2272.]

[5] JEONG I C, LEE D H, PARK S W, et al. Automobile driver's stress index provision system that utilizes electrocardiogram[C]. 2007 Ieee Intelligent Vehicles Symposium, Istanbul, 2007: 652-656.

[6] 牛清宁, 周志强, 金立生, 等. 基于眼动特征的疲劳驾驶检测方法[J]. 哈尔滨工程大学学报, 2015, 36(3): 394- 398. [NIU Q N, ZHOU Z Q, JIN L S, et al. Detection of driver fatigue based on eye movements[J]. Journal of Harbin Engineering University, 2015, 36(3): 394-398.]

[7] 沙春发, 李瑞, 张明明. 基于方向盘握力的疲劳驾驶检测研究[J]. 科学技术与工程, 2016, 16(30): 299-304. [SHA C F, LI R, ZHANG M M. Detecting fatigue driving based on steering wheel grip force[J]. Science Technology and Engineering, 2016, 16(30): 299-304.]

[8] 李作进, 李仁杰, 李升波, 等. 基于方向盘转角近似熵与复杂度的驾驶人疲劳状态识别[J]. 汽车安全与节能学报, 2016, 7(3): 279-284. [LI Z J, LI R J, LI S B, et al. Driver fatigue recognition based on approximated entropy and complexity of steering wheel angle[J]. Journal of Automotive Safety and Energy, 2016, 7(3): 279-284.]

[9] 薛春杰. 驾驶员疲劳驾驶的生理信号研究[J]. 纳税, 2017(17): 197. [XUE C J. Research on physiological signal of driver fatigue driving[J]. Ratepaying，2017 (17): 197.]

[10] 柳龙飞, 伍世虔, 徐望明. 基于人脸特征点分析的疲劳驾驶实时检测方法[J]. 电视技术, 2018(12): 27-30. [LIU L F, WU S Q, XU W M. Real-time fatigue driving detection based on analysis of facial landmarks[J]. TV Technology, 2018(12): 27-30.]

[11] 万蔚, 王振华, 王保菊. 基于驾驶行为的疲劳驾驶判别算法研究 [J]. 道路交通与安全, 2016(6): 21- 24. [WANG W, WANG Z H, WANG B J. Research on detection of fatigue driving based on driving behaviors [J]. Road Traffic and Safety, 2016(6): 21-24.]

[12] 陈志勇, 杨佩, 彭力, 等. 基于BP神经网络的驾驶员疲劳监测研究[J]. 计算机科学, 2015 (s1): 67-69, 93. [CHEN Z Y, YANG P, PENG L, et al. Fatigue driving monitoring based on BP neural network[J]. Journal of Computer Science, 2015 (s1): 67-69, 93.]

[13] 毛喆, 严新平, 吴超仲, 等. 疲劳驾驶时的车速变化特征[J]. 北京工业大学学报, 2011, 37(8): 1175-1183. [MAO J, YAN X P, WU C Z, et al. Analysis of velocity changing rules under driving fatigue[J]. Journal of Beijing University of Technology, 2011, 37(8): 1175- 1183.]

[14] 徐维超. 相关系数研究综述[J]. 广东工业大学学报, 2012, 29(3): 12-17. [XU W C. A review on correlation coefficients[J]. Journal of Guangdong University of Technology, 2012, 29(3): 12-17.]

[15] CUTLER A, CUTLER D R, STEVENS J R. Random forests[M]. Ensemble Machine Learning. Springer, Boston, MA, 2012: 157-175.

[16] 杜续, 冯景瑜, 吕少卿, 等. 基于随机森林回归分析的 PM2.5 浓度预测模型 [J]. 电信科学, 2017(7): 20172111-201721110. [DU X, FENG J Y, LV S Q, et al. PM2.5 concentration prediction model based on random forest regression analysis[J]. Telecom Science, 2017(7): 20172111-201721110.]

[17] 毛树华, 王先朋, 文江辉, 等. 基于自回归条件持续期模型的疲劳驾驶研究[J]. 交通运输系统工程与信息, 2018, 18(3): 85- 91, 111. [MAO S H, WANG X P, WEN J H, et al. Fatigue driving detection based on autoregressive conditional duration model[J]. Journal of Transportation Systems Engineering and Information Technology, 2018, 18(3): 85-91, 111.]

[18] LIUZ K, HWARD D. Bondell. Binormal precision-recall curves for optimal classification of imbalanced data[J]. Statistics in Biosciences, 2019, 11 (1): 141-161

[19] RAND W M. Objective criteria for the evaluation of clustering methods[J]. Journal of the American Statistical Association, 1971, 66(336): 846-850.

基于车辆运行数据的疲劳驾驶状态检测

Fatigue Driving State Detection Based on Vehicle Running Data

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	郭烈, 胥林立, 秦增科, 王旭. 自动驾驶接管影响因素分析与研究进展[J]. 交通运输系统工程与信息, 2022, 22(2): 72-90.
[2]	徐猛, 刘涛, 钟绍鹏, 姜宇. 城市智慧公交研究综述与展望[J]. 交通运输系统工程与信息, 2022, 22(2): 91-108.
[3]	程君, 张立炎, 陈启宏. 一种基于地图辅助的自动驾驶视-惯融合定位方法[J]. 交通运输系统工程与信息, 2022, 22(2): 117-126.
[4]	王国栋, 刘立, 孟宇, 马智萍, 郑淏清, 顾青, 白国星. 一体式车辆避撞轨迹规划与跟踪控制[J]. 交通运输系统工程与信息, 2022, 22(2): 127-136.
[5]	马东方, 陈曦, 吴晓东, 金盛. 基于强化学习的干线信号混合协同优化方法[J]. 交通运输系统工程与信息, 2022, 22(2): 145-153.
[6]	许波桅, 王玲玲, 李军军. 自动化码头多级作业超网络延误传导特性研究[J]. 交通运输系统工程与信息, 2022, 22(2): 280-289.
[7]	田会娟, 刘嘉伟, 翟佳豪, 邓琳琳. 基于多入侵线的视频车速检测方法[J]. 交通运输系统工程与信息, 2022, 22(1): 49-56.
[8]	贾彦峰, 曲大义, 赵梓旭, 王韬, 宋慧. 基于安全势场的网联自主车辆跟驰行为决策及模型[J]. 交通运输系统工程与信息, 2022, 22(1): 85-97.
[9]	刘文, 汪文博. 基于秩最小化矩阵去噪的船舶轨迹重构方法[J]. 交通运输系统工程与信息, 2022, 22(1): 106-114.
[10]	赵建东, 陈溱, 焦彦利, 张凯丽, 韩明敏. 重点营运车辆的异常驾驶行为识别研究[J]. 交通运输系统工程与信息, 2022, 22(1): 282-291.
[11]	徐东伟, 彭航, 商学天, 魏臣臣, 杨艳芳. 基于图自编码-生成对抗网络的路网数据修复[J]. 交通运输系统工程与信息, 2021, 21(6): 33-41.
[12]	游峰, 梁健中, 曹水金, 肖智豪, 吴镇江, 王海玮. 面向多目标跟踪的密集行人群轨迹提取和运动语义感知[J]. 交通运输系统工程与信息, 2021, 21(6): 42-54.
[13]	王福建, 俞佳浩, 赵锦焕, 梅振宇. 基于站点实时关联度的短时公交客流预测方法[J]. 交通运输系统工程与信息, 2021, 21(6): 131-144.
[14]	陈丰, 张婷, 黄雅迪, 陈慈河, 张曙光, 吕明. 越江越海隧道入口段追尾事故风险预测模型研究[J]. 交通运输系统工程与信息, 2021, 21(6): 167-175.
[15]	张毅, 姚丹亚, 李力, 裴华鑫, 晏松, 葛经纬. 智能车路协同系统关键技术与应用[J]. 交通运输系统工程与信息, 2021, 21(5): 40-51.