[发明专利]基于层次分析法的智能驾驶行为评判方法

权利要求书

1.一种基于层次分析法的智能驾驶行为评判方法，其特征在于，包括：

步骤1)通过使用Open CV来追踪人脸和人的眼睛，获得对驾驶员的疲劳侦测和注意力侦测；

步骤2)基于层次分析法和BP神经网络训练从六个方面来对驾驶员的驾驶行为进行综合打分，其中六个方面分别为正常驾驶、疲劳驾驶、正常转弯、紧急转弯、正常变道和频繁变道。

2.根据权利要求1所述的一种基于层次分析法的智能驾驶行为评判方法，其特征在于，所述的步骤1)具体为：

通过驾驶室中的内置摄像头和Open CV技术捕捉驾驶员的脸部与眼睛，判断眼睛的状态，计算驾驶员疲劳度和判断驾驶员注意力是否集中，所述的眼睛的状态包括睁眼、闭眼以及眼睛眨眼的频率。

3.根据权利要求2所述的一种基于层次分析法的智能驾驶行为评判方法，其特征在于，所述的驾驶员疲劳度侦测具体如下：

(101)人眼初步定位，根据人眼在人脸中的位置分布的先验知识，在人脸识别的基础上，假设采集到的人脸宽度w，高度为H，设人脸矩形框的起点坐标为(X,Y)，根据人眼的几何位置关系，把人脸的宽度分为6份均等长度，高度分为4份均等长度，框选出的人眼位置的起点坐标为终点位置的坐标为则由该矩形两端决定的位置就是人眼睛所在的部位；

(102)人眼追踪，结合OpenCV提供的视觉库函数接口和外接的摄像头，首先对现场视频采集，对正常采集的画面，通过加载人脸分类器，检测识别出人脸，在识别出的人脸基础上，根据经验知识和人眼的几何位置特征，选择出感兴趣的区域初步定位出人眼的大致位置，然后采集下一帧图像，做相同处理，实现对人眼的跟踪；

(103)判断眼睛的状态，计算驾驶员的疲劳度。

4.根据权利要求2所述的一种基于层次分析法的智能驾驶行为评判方法，其特征在于，所述的驾驶员注意力侦测具体如下：

(201)取得车内影像后，首先是脸部侦测，在侦测时使用Open CV，截取图像中人脸部分，接着利用色彩分布及统计的方式取追踪人脸；

(202)利用临界值法查找脸部影响中较黑的区域，即眼睛区域，让后以k-means群众演算法找出眼睛的位置；

(203)判断眼睛闭合时间是否超过0.3秒，若超过，则判定驾驶员的行为构成危险行为。

5.根据权利要求2所述的一种基于层次分析法的智能驾驶行为评判方法，其特征在于，所述的步骤2)具体为：

31)对于驾驶行为识别所采集到的各种信号，由根据各信号参数意义，对全部因素进行两两对比构造因素相对重要性的比对判断矩A＝(a_ij)_k×k，其中a_ij＝f(x_i，x_j)为对比函数，对比函数取值如表，从而可根据设定的准则来确定权重向量W

分级比例标度参考表如表1所示：

表1

赋值(x_i/x_j)含义1表示指标x_i与x_j相比，具有同样的重要性3表示指标x_i与x_j相比，指标x_i比x_j稍微重要5表示指标x_i与x_j相比，指标x_i比x_j明显重要7表示指标x_i与x_j相比，指标x_i比x_j强烈重要9表示指标x_i与x_j相比，指标x_i比x_j极端重要2、4、6、8对应以上两相邻判断的中间情况倒数指标x_i与x_j比较得a_ij，则指标x_j与x_i比较有a_ji＝1/a_ij

(1)根据表1的层次分析法分级比例标度表，构造系统采集处理得到的六种信息对100～90打分的两两比较表，如下表2所示。

表2

正常驾驶疲劳驾驶正常转弯紧急转弯正常变道频繁变道正常驾驶192929疲劳驾驶1/911/91/21/91/2正常转弯1/291929紧急转弯1/921/911/91/2正常变道1/291/2919频繁变道1/921/921/91

然后，将通过比例标度参考表构建的两两信息综合评价表，转化为相应的判断矩阵A1，

$A1=\left[\begin{array}{cccccc}1& 9& 2& 9& 2& 9\\ 0.11& 1& 0.11& 0.5& 0.11& 0.5\\ 0.5& 9& 1& 9& 2& 9\\ 0.11& 2& 0.11& 1& 0.11& 0.5\\ 0.5& 9& 0.5& 9& 1& 9\\ 0.11& 2& 0.11& 2& 0.11& 1\end{array}\right]$

计算可得，矩阵A1的最大特征根为λ_max＝6.27，对应的特征向量为：

$\stackrel{\→}{W}={\left[\begin{array}{cccccc}0.37& 0.03& 0.29& 0.03& 0.24& 0.04\end{array}\right]}^T$

针对矩阵A1，它的一致性检验指标：

RI＝1.24；

$CR=\frac{0.054}{1.24}=0.044\<0.1;$

由CR＜0.1可知，判断矩阵A1满足一致性要求；

(2)对90～80打分的两两比较表如下表3：

表3

正常驾驶疲劳驾驶正常转弯紧急转弯正常变道频繁变道正常驾驶182828疲劳驾驶1/811/81/21/81/2正常转弯1/281828紧急转弯1/821/811/81/2正常变道1/281/2818频繁变道1/821/821/81

由表3可以得到相应的判断矩阵A2，

$A2=\left[\begin{array}{cccccc}1& 8& 2& 8& 2& 8\\ 0.13& 1& 0.13& 0.5& 0.13& 0.5\\ 0.5& 8& 1& 8& 2& 8\\ 0.13& 2& 0.13& 1& 0.13& 0.5\\ 0.5& 8& 0.5& 8& 1& 8\\ 0.13& 2& 0.13& 2& 0.13& 1\end{array}\right]$

它的最大特征根λ_max＝6.27，相应的特征向量为

(3)对80～60打分的两两比较表如下表4：

表4

正常驾驶疲劳驾驶正常转弯紧急转弯正常变道频繁变道正常驾驶162626疲劳驾驶1/611/61/21/61/2正常转弯1/261626紧急转弯1/621/611/61/2正常变道1/261/2616频繁变道1/621/621/61

由表4可以得到相应的判断矩阵A3，

$A3=\left[\begin{array}{cccccc}1& 6& 2& 6& 2& 6\\ 0.17& 1& 0.17& 0.5& 0.17& 0.5\\ 0.5& 6& 1& 6& 2& 6\\ 0.17& 2& 0.17& 1& 0.17& 0.5\\ 0.5& 6& 0.5& 6& 1& 6\\ 0.17& 2& 0.17& 2& 0.17& 1\end{array}\right]$

其最大特征根为λ_max＝6.27，相应特征向量为

(4)对60～40打分的两两比较表如下表5：

表5

正常驾驶疲劳驾驶正常转弯紧急转弯正常变道频繁变道正常驾驶11/21/21/31/21/3疲劳驾驶213232正常转弯21/311/31/21/3紧急转弯31/23132正常变道21/321/311/3频繁变道31/231/231

由表5可以得到相应的判断矩阵A4，

$A4=\left[\begin{array}{cccccc}1& 0.5& 0.5& 0.33& 0.5& 0.33\\ 2& 1& 3& 2& 3& 2\\ 2& 0.33& 1& 0.33& 0.5& 0.33\\ 3& 0.5& 3& 1& 3& 2\\ 2& 0.33& 2& 0.33& 1& 0.33\\ 3& 0.5& 3& 0.5& 3& 1\end{array}\right]$

其最大特征根为λ_max＝6.36，相应特征向量为

(5)对40～20打分的两两比较表如下表6：

表6

正常驾驶疲劳驾驶正常转弯紧急转弯正常变道频繁变道正常驾驶11/41/21/41/21/4疲劳驾驶414242正常转弯21/411/41/21/4紧急转弯41/24142正常变道21/421/411/4频繁变道41/241/241

由表6可以得到相应的判断矩阵A5，

$A5=\left[\begin{array}{cccccc}1& 0.25& 0.5& 0.25& 0.5& 0.25\\ 4& 1& 4& 2& 4& 2\\ 2& 0.25& 1& 0.25& 0.5& 0.25\\ 4& 0.5& 4& 1& 4& 2\\ 2& 0.25& 2& 0.25& 1& 0.25\\ 4& 0.5& 4& 0.5& 4& 1\end{array}\right]$

它的最大特征根为λ_max＝6.27，相应特征向量为：

(6)对20～0打分的两两比较表如下表7：

表7

正常驾驶疲劳驾驶正常转弯紧急转弯正常变道频繁变道正常驾驶11/61/21/61/21/6疲劳驾驶616262正常转弯21/611/61/21/6紧急转弯61/26162正常变道21/621/611/6频繁变道61/261/261

由表7可以得到相应的判断矩阵A6，

$A6=\left[\begin{array}{cccccc}1& 0.17& 0.5& 0.17& 0.5& 0.17\\ 6& 1& 6& 2& 6& 2\\ 2& 0.17& 1& 0.17& 0.5& 0.17\\ 6& 0.5& 6& 1& 6& 2\\ 2& 0.17& 2& 0.17& 1& 0.17\\ 6& 0.5& 6& 0.5& 6& 1\end{array}\right]$

其最大特征根为λ_max＝6.27，相应特征向量为

(7)驾驶行为评判的特征向量矩阵

根据前面的(1)～(6)，可得到关于正常驾驶、疲劳驾驶、正常转弯、紧急转弯、正常变道、频繁变道因素的六个驾驶行为评判等级的矩阵，驾驶行为评判的对应向量为：

T＝{正常驾驶，疲劳驾驶，正常转弯，紧急转弯，正常变道，频繁变道｝^T，

对应特征值构成的向量为：

λ＝[6.27 6.27 6.27 6.36 6.27 6.27]^T，

对应特征向量构成的矩阵为：

$W=\left[\begin{array}{cccccc}0.37& 0.37& 0.35& 0.07& 0.05& 0.05\\ 0.03& 0.03& 0.04& 0.30& 0.33& 0.35\\ 0.29& 0.29& 0.28& 0.08& 0.07& 0.04\\ 0.03& 0.04& 0.05& 0.25& 0.26& 0.28\\ 0.24& 0.22& 0.22& 0.10& 0.08& 0.06\\ 0.04& 0.05& 0.06& 0.20& 0.21& 0.22\end{array}\right];$

32)BP神经网络训练

利用驾驶行为等级的层析分析法得到的各个信息关于不同驾驶行为评判等级的决策权重系数，结合专家评估，设计相关驾驶行为识别向量初步设计BP神经网络训练样本。

输入信息向量表示为：

S＝[正常驾驶 疲劳驾驶 正常转弯 紧急转弯 正常变道 频繁变道]

输出向量表示为：

T＝[100～90 90～80 80～60 60～40 40～20 20～0]

对应位置为1，则表示识别结果就是此位置代表的驾驶行为评判等级；

BP神经网络的训练样本如表8所示：

表8

驾驶行为评判输入向量X理想输出向量Y100～90[0.37 0.03 0.29 0.03 0.24 0.04][1 0 0 0 0 0]100～90[0.38 0.04 0.28 0.04 0.23 0.03][1 0 0 0 0 0]100～90[0.36 0.03 0.31 0.03 0.23 0.04][1 0 0 0 0 0]100～90[0.40 0.02 0.30 0.02 0.21 0.05][1 0 0 0 0 0]90～80[0.37 0.03 0.29 0.04 0.22 0.05][0 1 0 0 0 0]90～80[0.36 0.04 0.28 0.05 0.24 0.03][0 1 0 0 0 0]90～80[0.38 0.05 0.27 0.05 0.21 0.06][0 1 0 0 0 0]90～80[0.36 0.04 0.30 0.04 0.23 0.03][0 1 0 0 0 0]80～60[0.35 0.04 0.28 0.05 0.22 0.06][0 0 1 0 0 0]80～60[0.36 0.05 0.26 0.06 0.23 0.04][0 0 1 0 0 0]80～60[0.34 0.03 0.30 0.04 0.21 0.08][0 0 1 0 0 0]80～60[0.35 0.05 0.29 0.06 0.21 0.04][0 0 1 0 0 0]60～40[0.07 0.30 0.08 0.25 0.10 0.20][0 0 0 1 0 0]60～40[0.08 0.31 0.09 0.23 0.09 0.20][0 0 0 1 0 0]60～40[0.06 0.29 0.07 0.27 0.10 0.21][0 0 0 1 0 0]60～40[0.07 0.29 0.09 0.24 0.11 0.20][0 0 0 1 0 0]40～20[0.05 0.33 0.07 0.26 0.08 0.21][0 0 0 0 1 0]40～20[0.06 0.34 0.08 0.24 0.08 0.20][0 0 0 0 1 0]40～20[0.04 0.32 0.06 0.27 0.10 0.21][0 0 0 0 1 0]40～20[0.05 0.34 0.08 0.25 0.09 0.19][0 0 0 0 1 0]20～0[0.05 0.35 0.04 0.28 0.06 0.22][0 0 0 0 0 1]20～0[0.06 0.36 0.05 0.26 0.07 0.20][0 0 0 0 0 1]20～0[0.05 0.34 0.05 0.27 0.05 0.24][0 0 0 0 0 1]20～0[0.04 0.36 0.05 0.26 0.07 0.22][0 0 0 0 0 1]

利用MATLAB来实现BP神经网络的训练，并将训练结果借助于MATLAB的图形显示功能动态显示出来。