基于AdaBoost与改进CNN的驾驶员愤怒情绪识别

针对驾驶员愤怒驾驶引发的道路交通安全问题,提出一种基于AdaBoost与改进卷积神经网络(convolutional neural networks,CNN)的驾驶员愤怒情绪识别模型。利用AdaBoost算法检测驾驶员人脸并采集面部表情数据,建立基于驾驶员情绪的表情数据集。针对CNN中LeNet模型的不足,提出改进方案,搭建改进LeNet模型。利用数据集对LeNet模型和改进LeNet模型进行训练,并对二者的辨识结果进行对比分析。结果表明,改进LeNet模型的正确率为95.83%,F1-Score为0.8837,损失值为0.0745,相较于LeNet模型而言,该模型对于驾驶员表情的识别性能更高。改进LeNet模型的高识别率能够在一定程度上降低愤怒情绪所带来的交通安全隐患,为辅助安全驾驶提供理论依据,进一步提高人机共驾的安全性。

基于行程时间的驾驶风格贝叶斯决策树动态识别

驾驶风格是驾驶员对实际交通状况的态度和决策偏好,反映了驾驶员在车辆操作和运行期间的行为表现,驾驶员行为风格直接影响汽车安全预警系统的报警准确率。本文从汽车安全预警系统的研究角度出发,以驾驶风格为研究对象,利用GPS实时捕获的行程时间作为特征参数,建立基于贝叶斯决策树的汽车驾驶风格动态辨识模型;通过心理测试、实车实验以及模拟驾驶实验分别获取相应的数据,对模型进行验证。结果表明,该模型具有较高的可行性。

情绪影响下驾驶员换道行为研究进展

研究驾驶员的换道行为对交通安全有重要的意义,而不良情绪下的换道行为很容易造成交通事故的发生,深入研究情绪影响下驾驶员换道行为对进行交通系统微观仿真,及建立“以人为中心”的个性化汽车安全驾驶预警系统有着重要意义。本文通过总结一般情绪心理、驾驶员情绪、驾驶员换道决策行为和驾驶安全预警系统等相关研究现状,并指出已有研究成果的不足,给出关于驾驶员换道行为研究的发展方向。

基于二源异构数据特征融合的驾驶人愤怒识别

为准确识别出驾驶员的愤怒情绪,降低道路交通安全隐患,首先设计了试验,在模拟驾驶仿真试验室搭建模拟驾驶环境,利用驾驶模拟器同步采集了车辆行驶数据和驾驶人表情数据,进而建立了车辆行驶数据集和驾驶人面部表情数据集。通过主成分分析法对车辆行驶数据集进行了特征提取,利用连续卷积的思想搭建了卷积神经网络对驾驶人表情进行特征提取,通过不断的卷积池化操作降低人脸表情的数据维数,保留表情特征。然后利用集成学习中stacking方法的思想,运用于特征融合,提出了一种新的特征级融合算法。该算法利用多分类器对提取的车辆行驶数据特征和人脸表情数据特征进行5折交叉验证预测得到融合特征,并将新特征用于搭建深度神经网络模型。模型验证表明:基于特征拼接融合的识别模型的正确率为95.17%,F1-Score为0.868 2,损失值为0.045 3;基于集成学习特征融合的识别模型的正确率为98.17%,F1-Score为0.947 4,损失值为0.027 3。所提出的基于集成学习的特征融合算法能够更加深入地融合车辆行驶数据和驾驶员面部表情数据,进而提高模型的正确率和F1-Score,降低模型的损失值。对比传统特征拼接融合方法,本模型在驾驶人愤怒情绪识别方面更具有优势。

基于PCA与改进ANN的驾驶员愤怒情绪识别

为能够准确识别出驾驶员的愤怒情绪,降低道路交通安全隐患,以驾驶员愤怒情绪为研究对象,利用车辆行驶数据建立数据集,构建PCA与改进ANN组合辨识模型,将数据集输入到组合辨识模型中,进行驾驶员愤怒情绪识别,并与单独的改进ANN辨识模型进行对比.结果表明,PCA与改进ANN组合辨识模型的正确率为94.67%,F1-Score为0.8552.相比较于单独的改进ANN辨识模型而言,该模型具有更高的正确率和F1-Score.通过模型的高识别率能够在一定程度上减小甚至避免愤怒情绪所带来的安全隐患问题,为辅助安全驾驶提供了理论依据,进一步提高人机共驾的安全性.

基于FCM-GRNN的驾驶倾向性识别方法

为提高对驾驶倾向性的辨识准确率,进行驾驶倾向性问卷表调查、模拟驾驶、人因工程测试,考虑了驾驶员的心理、生理信息,以及环境、车辆和操作信息的基础上,提出用广义神经网络确定聚类中心,优化模糊c均值聚类算法,实现目标识别级信息融合的方法,对驾驶倾向性进行预测.利用实验数据对识别方法进行验证,结果表明,该算法对驾驶倾向性的预测准确率达到了85.83%,为进一步研究驾驶员倾向的动态特性提供了依据.

不同行为风格下路段行人与机动车行为博弈分析

针对路段过街行人与机动车的博弈决策行为,考虑不同交通行为风格下行人的过街特征和驾驶人的驾驶行为习惯等影响因素,开展路段行人交通行为风格调查,掌握不同交通行为风格下路段行人的过街特征,构建非合作动态人车博弈模型.通过分析不同策略下行人与驾驶人的收益,求解纳什均衡,得到不同策略下行人与驾驶人的最优策略.为解决路段行人与机动车冲突提供新的思路.