摘 要

随着城市交通的发展，疲劳驾驶已经成为交通事故的主要导致原因之一。因此对驾驶员驾驶疲劳状态进行实时检测的系统可以很好地减少交通事故发生的概率。本文介绍了一种根据车辆数据对驾驶员当前疲劳状态进行检测的系统。该系统使用LSTM神经网络对一组驾驶员连续驾驶数据进行训练，根据驾驶员驾驶疲劳状态对获取的车辆各项数据进行分类，根据驾驶员不同疲劳状态下的车辆数据特征实现对驾驶员驾驶疲劳状态的检测。本文主要研究内容如下：

（1）详细介绍了可用于疲劳检测的RNN神经网络、LSTM神经网络以及HMM模型。对其原理及特点进行分析，详细介绍了其运算过程以及网络结构。由于LSTM神经网络具有较好的时序性，可以很好地解决长期依赖问题确定了系统使用的算法为LSTM神经网络算法。

（2）对该组驾驶员数据中的各项车辆数据及驾驶员疲劳数据进行分析，对不同时间下的车辆数据及驾驶员状态数据进行分析，判断驾驶员的驾驶状态，并选择在疲劳检测中使用的训练数据及标签数据，完成对于数据的处理。

（3）介绍了使用python语言进行的系统代码实现过程，及系统中使用的各项算法原理。对神经网络的各项参数对于系统的影响进行分析。通过调试，实现了使用单数据及多数据对驾驶员疲劳状态的检测，可以较好地在数据中检测出具有疲劳驾驶倾向的车辆数据。

关键词：LSTM；驾驶状态；车辆数据；机器学习

Abstract

With the development of urban traffic, fatigue driving has become one of the main causes of traffic accidents. Therefore, the real-time detection system of driver's fatigue state can well reduce the probability of traffic accidents. This paper introduces a system to detect the driver's current fatigue state according to the vehicle data. This system uses LSTM neural network to train a group of drivers' continuous driving data, classifies the acquired vehicle data according to the driver's fatigue state, and detects the driver's fatigue state according to the vehicle data characteristics under different fatigue states.

(1) The RNN neural network, LSTM neural network and HMM model that can be used for fatigue detection are introduced in detail. Its principle and characteristics are analyzed, and its operation process and network structure are introduced in detail. Since LSTM neural network has good timing, it can solve the long-term dependence problem well, and the algorithm used by the system is determined as LSTM neural network algorithm.

(2) Analyze the vehicle data and driver fatigue data in this group of driver data, analyze the vehicle data and driver state data at different times, judge the driver's driving state, and select the training data and label data used in fatigue detection to complete the processing of the data.

(3) Introduced the system code implementation process using Python language and the principles of various algorithms used in the system. The influence of various parameters of the neural network on the system is analyzed. Through debugging, the fatigue state of drivers can be detected by using single data and multiple data, and the vehicle data with fatigue driving tendency can be detected in the data.

Keywords: LSTM;Fatigue driving;Vehicle data;Machine learning

目录

第1章 绪论 1

1.1研究背景及意义 1

1.2国内外研究现状 2

1.3 当前研究存在的主要问题 4

1.4本项目的研究价值与应用前景 4

1.5．项目的研究内容、目标，拟解决的关键科学问题 4

1.5.1研究内容 4

1.5.2研究目标 5

1.5.3待解决的关键科学问题 6

1.6本章小结 6

第2章 疲劳状态检测算法 7

2.1 RNN神经网络 7

2.1.1 RNN的前向传播过程 8

2.1.2 BPTT训练算法 8

2.2 LSTM神经网络 11

2.2.1 LSTM结构 11

2.2.2 LSTM学习过程 12

2.3 隐马尔可夫模型 13

2.4 本章小结 14

第3章 车辆数据及驾驶状态分析 15

3.1车辆行驶状态 15

3.1.1车辆行驶速度 15

3.1.2车辆刹车情况 17

3.1.3方向盘数据 18

3.1.4车辆行驶状态判断 19

3.2 驾驶员疲劳状态 20

3.2.1眨眼疲劳检测数据 20

3.2.2瞳孔特征疲劳检测数据 21

3.2.3驾驶员疲劳状态调查问卷 22

3.2.4驾驶员疲劳状态判断 24

3.3 车辆数据分析 24

3.3.1 方向盘数据 24

3.3.2 车辆行驶角度 26

3.4 本章小结 27

第4章 驾驶员疲劳检测代码实现 28

4.1 第三方库引用 28

4.2 数据处理及导入 29

4.2.1 数据预处理 29

4.2.2 项目主程序数据处理 30

4.2.3 序列输入函数 32

4.3 神经网络搭建 33

4.3.1 参数及变量设置 33

4.3.2 定义LSTM分类模型 34

4.4 损失定义及训练代码 35

4.4神经网络训练代码 36

4.5 模型性能测试 37

4.6 本章小结 38

第5章 参数分析及检测结果 39

5.1 参数分析调整 39

5.1.1 学习率 39

5.1.2 神经网络运行步数 41

5.1.3 batch内序列数量 41

5.1.4神经网络隐层节点数 42

5.2 神经网络检测结果分析 43

5.5 本章小结 47

第6章 总结与展望 48

参考文献 49

致谢 52

第1章 绪论

1.1研究背景及意义

据中国汽车工业协会发布的数据^[1]，2013年，中国汽车年产销量双超 2000万辆，保有量达到1.37亿辆。2018年，保有量达到了3.27亿辆。产销量高达2780.8万台和2808.1万辆，连续十年蝉联全球第一。随着汽车工业的迅速发展，除了各项优点，也导致了交通安全问题日益严峻。中国公安部交管局所提供的数据显示^[2]，2018年全国发生交通事故244937起，死亡人数为63194人；造成直接财产损失为138455.9万元。根据各项数据发现20%的交通事故都与疲劳驾驶相关，各项道路交通事故中约25%由疲劳驾驶引起^[3]。由此可见，驾驶员的疲劳驾驶是造成交通事故的重大原因。

为了减少疲劳驾驶导致的交通事故，《中华人民共和国道路交通安全法实施条例》第六十二条规定，驾驶员不得“连续驾驶机动车超过4小时未停车休息或者停车休息时间少于20分钟”^[5]。但由于驾驶情况的不同，驾驶员可能在清晨或午餐后的一段时间处于困倦状态，或者受到作息习惯及身体状态的影响。这些不同的影响因素无法以驾驶时间较好地对驾驶员疲劳驾驶进行限制，驾驶员在未超过规定时间时即进入了疲劳状态。其驾驶时间较短，但仍处于易产生驾驶事故的状态。

东南大学马永锋等人利用实车实验对大型货运车辆驾驶人的疲劳驾驶进行研究^[4]，收集了驾驶过程中车辆的各项数据以探究驾驶人发生交通事故的风险。研究结果表明，车辆行驶过程中的各项数据可以作为判断驾驶人疲劳状态的判断依据。随着驾驶人疲劳状态逐渐加深，车辆的车速的均值及幅值都会增加，且由于驾驶员注意力的下降，车速的波动变得更加剧烈。当驾驶员疲劳状态较深时继续保持较长时间的驾驶，其交通事故的概率将大大增加。此外，随着疲劳程度的增加，车辆的加速度会有所减小，加速度的变化频率也将有所降低，但加速度的变化范围也会有所增加。表明驾驶人在疲劳程度较深时更易做出剧烈的驾驶操作，且疲劳将使驾驶员的反应速度降低。