多特征融合的隨機(jī)森林疲勞駕駛識(shí)別算法

吳士力，唐振民 ，劉 永

1.南京理工大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院，南京 210094

2.南京交通職業(yè)技術(shù)學(xué)院 汽車工程學(xué)院 長安福特實(shí)驗(yàn)室，南京 211188

1 引言

疲勞駕駛是一種非常嚴(yán)重的危險(xiǎn)駕駛行為。據(jù)美國國家公路交通安全管理局估計(jì)，每年因疲勞駕駛導(dǎo)致的交通事故數(shù)占總體的20%，死亡率占總體的80%以上。疲勞駕駛識(shí)別方法主要有接觸式和非接觸式兩類。其中，基于腦電波等生理信息分析的接觸式方法雖然精度高，但應(yīng)用成本較高，對(duì)駕駛員約束大，目前難以大范圍推廣[1]。非接觸式方法也可以分為兩種，一種是對(duì)車輛的行駛特征（如加減速、方向盤操控狀況與軌跡等）進(jìn)行分析[2-5]。該類方法實(shí)現(xiàn)成本低，但復(fù)雜多變的交通環(huán)境會(huì)明顯影響其有效性。另一種是基于機(jī)器視覺技術(shù)對(duì)駕駛員頭部圖像進(jìn)行分析。得益于機(jī)器視覺等人工智能技術(shù)的快速發(fā)展，該類方法的進(jìn)步空間大、應(yīng)用成本相對(duì)較低，已經(jīng)成為該領(lǐng)域的研究熱點(diǎn)。Naz等根據(jù)人臉視頻中眼睛、嘴和頭部運(yùn)動(dòng)特征來識(shí)別駕駛員的疲勞狀態(tài)[6]。Mandal 等提出使用PERCLOS（單位時(shí)間內(nèi)眼睛閉合所占比例）指標(biāo)對(duì)駕駛員的眼睛狀態(tài)進(jìn)行跟蹤分析，使用自適應(yīng)整合算法評(píng)估疲勞駕駛的程度[7]。Omidyeganeh 等通過Viola-Jones 算法對(duì)視頻中駕駛員的人臉和嘴部進(jìn)行檢測(cè)，然后使用反投影理論對(duì)駕駛員嘴巴運(yùn)動(dòng)特征進(jìn)行提取分析來識(shí)別哈欠[8]。郭慧利等基于Adaboost算法對(duì)CCD攝像頭采集的圖像進(jìn)行人臉檢測(cè)，采用灰度積分投影定位駕駛員的眼和嘴，并對(duì)其局部狀態(tài)進(jìn)行監(jiān)測(cè)，基于改進(jìn)的D-S信息融合算法綜合判斷疲勞駕駛狀態(tài)[9]。劉明周等基于Adaboost 算法定位駕駛員面部和手部區(qū)域，通過尺度不變特征變換提取區(qū)域的SIFT特征點(diǎn)，將生成的特征向量輸入三層BP神經(jīng)網(wǎng)絡(luò)模型對(duì)疲勞駕駛狀態(tài)進(jìn)行分級(jí)[10]。上述方法具有較好的疲勞駕駛識(shí)別精度，但在實(shí)際運(yùn)用時(shí)會(huì)受到光線、穿戴物遮擋等因素的干擾[11]，影響其實(shí)際運(yùn)用效果。

綜上所述，車輛操控行為分析和視頻分析各有優(yōu)缺點(diǎn)，而如能將上述兩種方法進(jìn)行有效融合，彌補(bǔ)各自缺陷，對(duì)提高疲勞駕駛分析與識(shí)別效果有積極意義[12]。本文嘗試在現(xiàn)有技術(shù)基礎(chǔ)上對(duì)駕駛員臉部狀態(tài)和車輛行駛狀態(tài)進(jìn)行疲勞特征提取，通過改進(jìn)的隨機(jī)森林算法對(duì)兩類特征進(jìn)行融合建模，從而提高疲勞駕駛識(shí)別的準(zhǔn)確率，并在真實(shí)道路環(huán)境下進(jìn)行實(shí)驗(yàn)以驗(yàn)證其運(yùn)行效果。

2 人臉疲勞特征

2.1 人臉輪廓特征點(diǎn)

基于人臉特征點(diǎn)對(duì)瞇眼和哈欠進(jìn)行檢測(cè)是識(shí)別疲勞狀態(tài)的有效手段[13-15]。機(jī)器學(xué)習(xí)工具箱軟件Dlib提供了常用的機(jī)器視覺分析開源庫函數(shù)（API）[16-17]。使用Dlib相關(guān)API可以實(shí)時(shí)提取人臉68個(gè)輪廓特征點(diǎn)（如圖1所示）及其坐標(biāo)值。

2.2 瞇眼行為特征

圖1 人臉輪廓特征點(diǎn)位置

瞇眼一般意義上是指眼部在一段時(shí)間內(nèi)保持閉眼狀態(tài)的行為。PERCLOS 值是識(shí)別瞇眼的常用指標(biāo)，但其準(zhǔn)確率對(duì)圖像的分辨率依賴性較強(qiáng)，其適用性還不夠理想[18]。Soukupová 提出了使用眼睛縱橫比值（EAR）來判斷眼睛的開閉狀態(tài)[19]。該方法基于眼部6個(gè)特征點(diǎn)的坐標(biāo)來實(shí)現(xiàn)，式（1）為圖1 中左眼EAR 值的計(jì)算過程。

該方法只依賴圖像中的眼睛輪廓信息，計(jì)算過程簡(jiǎn)潔。

由于疲勞時(shí)兩眼的動(dòng)作基本保持一致，所以取左右眼EAR值的均值作為人眼的EAR值。圖2所示的是某視頻樣本中EAR值（歸一化后）的變化情況。

圖2 眼部行為的EAR值

觀察圖2可知，人眼在各種狀態(tài)下的EAR值都存在明顯波動(dòng)，這是由人眼眼皮的生理特征導(dǎo)致的。樣本中睜眼時(shí)EAR 值大約在0.5～0.9 范圍內(nèi)波動(dòng)，瞇眼時(shí)EAR值大約在0～0.3 范圍內(nèi)波動(dòng)，其差別較為明顯。雖然眨眼時(shí)EAR值的波動(dòng)范圍（大約為0.1～0.4）和瞇眼時(shí)EAR均值的波動(dòng)范圍有部分重疊，但眨眼的持續(xù)時(shí)間（大約為2～3 個(gè)樣本點(diǎn)）明顯小于瞇眼時(shí)間（大約為50 個(gè)樣本點(diǎn)）。因此需要從EAR 值的幅值（縱向）和時(shí)間（橫向）兩個(gè)維度去分析眼部狀態(tài)。由于在駕駛過程中EAR值是以數(shù)據(jù)流的形式存在，為了簡(jiǎn)化計(jì)算過程，本文將單個(gè)時(shí)間窗內(nèi)所有EAR值的均值來表征相應(yīng)時(shí)域內(nèi)EAR值的大小情況。時(shí)間窗的長度一般根據(jù)經(jīng)驗(yàn)和分析要求來設(shè)定，如時(shí)間窗長度太小容易造成把正常眨眼誤識(shí)別為瞇眼；時(shí)間窗長度太大會(huì)降低瞇眼識(shí)別的敏感度和實(shí)時(shí)性。圖3 所示的是對(duì)圖2 中EAR 值取時(shí)間窗長度為20個(gè)樣本點(diǎn)時(shí)的EAR均值情況。

圖3 眼部行為的EAR均值

由圖3 可知，瞇眼狀態(tài)對(duì)應(yīng)的連續(xù)兩個(gè)時(shí)間窗（范圍為第81～120 個(gè)樣本點(diǎn)）內(nèi)的EAR 均值都低于0.3，而睜眼和眨眼時(shí)的EAR均值均遠(yuǎn)大于0.3。

2.3 哈欠行為特征

圖4 所示的是某視頻樣本中嘴部行為的MAR 值（歸一化后）變化情況。

哈欠最主要的外觀特征是嘴部保持一定時(shí)間的大幅度張開狀態(tài)[20]。鑒于嘴部和眼部輪廓運(yùn)動(dòng)狀態(tài)的相似性，本文嘗試將瞇眼識(shí)別方法用于哈欠行為識(shí)別，得到MAR值。

圖4 嘴部行為的MAR值

取20 個(gè)樣本點(diǎn)為滑動(dòng)時(shí)間窗長度，則圖4 中MAR值的均值情況如圖5所示。

圖5 嘴部行為的MAR均值

觀察圖5 可知，哈欠時(shí)MAR 均值在連續(xù)兩個(gè)時(shí)間窗內(nèi)（范圍為第241～280 個(gè)樣本點(diǎn)）大于0.9，明顯高于說話與唱歌時(shí)的MAR均值。

3 車輛駕駛行為特征

相關(guān)研究結(jié)果表明，駕駛員在疲勞駕駛狀態(tài)下的變速和轉(zhuǎn)向操控活躍程度會(huì)出現(xiàn)間斷性大幅下降的情況[21]，因此本文提取車輛加減速和轉(zhuǎn)向行為的活躍度作為疲勞駕駛行為特征值。為了降低正常駕駛狀態(tài)下車控?cái)?shù)據(jù)正常波動(dòng)產(chǎn)生的干擾，采用先求取車控?cái)?shù)據(jù)流的局部變化趨勢(shì)，再計(jì)算活躍度的辦法。實(shí)現(xiàn)思路是基于線性擬合提取數(shù)據(jù)流的變化趨勢(shì)，然后根據(jù)擬合線段的斜率變化情況以及各樣本點(diǎn)與擬合線段間的殘差和，計(jì)算相應(yīng)的車控行為活躍度值。

基于分段線性表示的殘差累計(jì)算法（Cumulative Sum of Errors，CUSUM）是數(shù)據(jù)流線性擬合的有效方法[22-23]，其基本思路是將數(shù)據(jù)流T={yt1,yt2,…,ytn}按時(shí)間順序分割成k(k＜n) 個(gè)彼此相連的子段Si={ytx,ytx+1,…,ytx+l},l＜n-x,i=1,2,…,k,即T={S1,S2,…,Sk},Si∩Sj=?,i≠j,i,j=1,2,…,k；然后使用最小二乘法對(duì)各子段進(jìn)行線性擬合，通過擬合過程中累積的殘差值來評(píng)估擬合線段的有效性，其過程如下。

設(shè)ti時(shí)刻信號(hào)yti的線性擬合值為：

其中，ks是當(dāng)前擬合線段的斜率，ts是該線段的起始時(shí)間，bs是ts時(shí)刻該線段在y軸上的截距，則ti時(shí)刻擬合分段的殘差為eti=yti'-yti，則ti時(shí)刻的累積殘差為在任意時(shí)刻ti，將累積殘差值cusumti和閾值th1 和th2（通常設(shè)th2=3th1）進(jìn)行比較：

若|cusumti|≤th1，則認(rèn)為當(dāng)前擬合分段合理；

若th1 ＜|cusumti|＜th2，則把ti時(shí)刻以后產(chǎn)生的數(shù)據(jù)存儲(chǔ)在緩存中；

若|cusumti|≥th2，則需要對(duì)緩存中的數(shù)據(jù)進(jìn)行重新擬合，然后將cusumti重置為0，并清空緩存。

基于所得擬合線段yt'，通過式（4）獲得數(shù)據(jù)流T在某時(shí)域內(nèi)（樣本點(diǎn)數(shù)量為p）的活躍度AT：

其中，c為時(shí)域內(nèi)擬合線段的個(gè)數(shù)，km為某擬合線段的斜率，為時(shí)域內(nèi)所有擬合線段斜率的均值。AT值越大表明時(shí)域內(nèi)數(shù)據(jù)流的活躍度越大，反之越小。將上述算法分別應(yīng)用于油門踏板位置信號(hào)與方向盤轉(zhuǎn)角信號(hào)數(shù)據(jù)流（其采用等間隔采樣方式生成，采樣頻率為10 Hz），由式（4）得到油門操控活躍度Aap和方向盤操控活躍度Asw。圖6所示的是某測(cè)試樣本的活躍度變化情況。

圖6 操控活躍度計(jì)算過程

觀察圖6（a）可知，駕駛員分別在樣本點(diǎn) 36～60 和85～165 區(qū)域內(nèi)進(jìn)行了加速操作，樣本點(diǎn)時(shí)域 30～50 和140～160 區(qū)域內(nèi)的活躍度值A(chǔ)ap分別達(dá)到了75.5 和93.6，而在樣本點(diǎn)區(qū)域60～80 內(nèi)駕駛員沒有任何油門動(dòng)作，所以活躍度值A(chǔ)ap為0。觀察圖6（b）可知，駕駛員在樣本點(diǎn)時(shí)域70～90范圍內(nèi)沒有明顯的轉(zhuǎn)向操作，活躍度值A(chǔ)sw為0.3，明顯低于轉(zhuǎn)向操作期的活躍度值。此外，由于車輛上普遍采用制動(dòng)開關(guān)來獲取駕駛員的制動(dòng)行為，而其信號(hào)類型為開關(guān)量，所以不需進(jìn)行線性擬合。

4 疲勞駕駛特征融合與識(shí)別算法

4.1 特征抽取與融合

基于上述工作生成表征駕駛員疲勞駕駛狀態(tài)的10維特征向量，其物理意義如表1所示。

表1 疲勞駕駛行為特征

表1 中的SWP（Sleep Wake Predictor）是衡量駕駛員生理疲勞狀態(tài)的重要特征之一，其值基于人在每天各時(shí)段的清醒狀態(tài)圖來計(jì)算[24]，具體的計(jì)算方法為：

為了降低交通環(huán)境對(duì)疲勞駕駛識(shí)別的干擾，并降低系統(tǒng)計(jì)算量，采用兩階段模式生成疲勞特征向量。第一階段只監(jiān)測(cè)駕駛員人臉疲勞部分特征，當(dāng)檢測(cè)到疑似疲勞時(shí)才進(jìn)入第二階段，該階段生成時(shí)域內(nèi)所有疲勞駕駛特征，并調(diào)用指定模型實(shí)現(xiàn)疲勞駕駛識(shí)別，整個(gè)算法過程為：

其中th_ear和th_mar分別為瞇眼和哈欠閾值。

4.2 隨機(jī)森林疲勞駕駛識(shí)別算法

疲勞駕駛是一種狀態(tài)的漸變過程，一般可以根據(jù)其程度分為清醒、輕度疲勞、重度疲勞三種狀態(tài)。因此，疲勞駕駛識(shí)別本質(zhì)上是一個(gè)分類問題。文獻(xiàn)[25]對(duì)現(xiàn)有主流分類器在疲勞駕駛領(lǐng)域的應(yīng)用性能進(jìn)行了研究，發(fā)現(xiàn)隨機(jī)森林算法的準(zhǔn)確率、魯棒性較好，計(jì)算效率高，且能夠適應(yīng)小樣本的訓(xùn)練環(huán)境。

隨機(jī)森林在結(jié)構(gòu)上由若干決策樹組成，決策樹的質(zhì)量和數(shù)量都對(duì)其性能有重要影響。決策樹的常用訓(xùn)練思路是采用Bootstrap算法生成樣本集，再隨機(jī)抽取出特征子集，然后基于信息熵對(duì)節(jié)點(diǎn)進(jìn)行分裂。應(yīng)用隨機(jī)策略雖提高了模型的泛化能力，但沒有考慮特征的重要性，使得重要性較小的特征也可能被優(yōu)先選中，從而會(huì)影響建模精度[26]。文獻(xiàn)[27]提出了通過增加重要特征被選中的機(jī)率來提高隨機(jī)森林性能的方法，但是該方法會(huì)減少待選特征的數(shù)量，不利于準(zhǔn)確率的提高。而對(duì)于隨機(jī)森林的規(guī)模問題，合適的決策樹數(shù)量能讓隨機(jī)森林在準(zhǔn)確率和計(jì)算效率間取得較好的平衡，樹的數(shù)量太少會(huì)降低隨機(jī)森林的分類精度，過多會(huì)影響識(shí)別效率，一般依賴經(jīng)驗(yàn)和反復(fù)實(shí)驗(yàn)來確定[28]。

本文提出一種基于特征權(quán)重的隨機(jī)森林構(gòu)建方法（Random Forest based Weights of Features，RFWF），該方法基于特征在森林中的權(quán)重來控制樹的構(gòu)建和數(shù)量，以此提高疲勞駕駛狀態(tài)識(shí)別的有效性。

設(shè)疲勞駕駛特征向量ti=(tij),j=1,2,…,w，由表1取w=10 。其組成的樣本集T={(ti,ci)},i=1,2,…,m,ci為ti對(duì)應(yīng)的疲勞駕駛狀態(tài)類別，用tij對(duì)應(yīng)隨機(jī)森林中樹τ上的節(jié)點(diǎn)nj，則是該節(jié)點(diǎn)相對(duì)于疲勞駕駛狀態(tài)類別c的先驗(yàn)概率。其中Nc是類別為c的樣本總數(shù)，Nd為符合tij＞Tha的疲勞樣本數(shù)量，Tha為閾值?；趐i(c)可得節(jié)點(diǎn)ni的熵為：

若用tij分裂節(jié)點(diǎn)nk，其左右孩子的熵分別為El和Er。定義Q(i,k)=e-(El+Er)描述特征tij分裂節(jié)點(diǎn)nk的可行性（Q(i,k)值越大則可行性越大）。定義特征tij的初始權(quán)重為：

其中，Nt是樹τ中的節(jié)點(diǎn)數(shù)量。顯然，wτ(tij)值越大則表明用特征j進(jìn)行分裂的效果越好。設(shè)δτ為用袋外數(shù)據(jù)（Out of Bag，OOB）在樹τ上的分類錯(cuò)誤率，通過：

來衡量樹τ的分類效果，γτ值越大表示樹τ的分類錯(cuò)誤越少。疲勞駕駛特征tij在隨機(jī)森林中的全局權(quán)重為：

基于ω(tij)對(duì)特征tij的重要性進(jìn)行評(píng)估。通過閾值Thω將所有特征分為重要特征集合和非重要特征集合兩部分，別為其基數(shù)。在構(gòu)建樹的迭代過程中對(duì)兩個(gè)集合進(jìn)行更新，第n次迭代后可得特征集合其基數(shù)分別為則認(rèn)為tj對(duì)節(jié)點(diǎn)的分裂是合適的。易知，獲得該合適分裂的最小概率就是從中挑選出至少一個(gè)特征的概率，并將其記為q，則r=1-q為中不包含特征的概率。由于在樹的構(gòu)建過程中中也可能包含非重要特征，所以r的最大值為對(duì)于一個(gè)包含B棵樹的隨機(jī)森林F，令，則有：

設(shè)一棵有Nav個(gè)節(jié)點(diǎn)的樹τ，其所有節(jié)點(diǎn)都被合適分裂的概率為，定義：

來表征F中至少一棵樹τ中所有節(jié)點(diǎn)都被合適分裂的概率。則F中任一樹對(duì)(τx,τy)所有的Nav對(duì)節(jié)點(diǎn)中至少有一個(gè)疲勞駕駛特征tij在中的概率為：中隨機(jī)選擇的特征集合，如滿足特征

顯然ρ?1，則可得樹對(duì)(τx,τy)中至少有一對(duì)節(jié)點(diǎn)特征在中的概率為：

鑒于樹τ中節(jié)點(diǎn)被有效分裂的概率越高（即φF值越大），且非重要特征被分類的概率越低（即φp值越大），則森林F的分類精度越高。定義隨機(jī)森林F對(duì)疲勞駕駛狀態(tài)分類的準(zhǔn)確率為：

其中ε為常數(shù)因子。

記 ΔB為隨機(jī)森林F中B的變化量，有 dφ≈由上述分析可知qu＞0，qv＜0，l＞0，Δv＜0，則只需使Δu≥0 ，且滿足成立，從而保證隨機(jī)森林F的分類正確率在訓(xùn)練中不斷提高。

基于上述分析，RFWF算法的基本流程如下：

上述算法生成的隨機(jī)森林可以對(duì)采集的疲勞駕駛樣本進(jìn)行狀態(tài)識(shí)別。

5 實(shí)驗(yàn)

5.1 實(shí)驗(yàn)平臺(tái)與樣本設(shè)計(jì)

實(shí)驗(yàn)平臺(tái)主要由中央控制單元、攝像頭和CAN 總線電纜等設(shè)備組成，其在實(shí)驗(yàn)車上的安裝位置如圖7所示。

圖7 實(shí)驗(yàn)平臺(tái)安裝位置

圖7 中，中央控制單元采用了英偉達(dá)Tx2 開發(fā)板平臺(tái)，攝像頭采用了500 萬像素紅外單目攝像頭，CAN 總線電纜與OBD接口相連。Tx2開發(fā)板通過USB接收攝像頭采集的駕駛員頭部圖像，采樣速率為10 幀/s；通過CAN總線讀取相關(guān)車輛行駛數(shù)據(jù)（如車速、油門踏板角度、方向盤轉(zhuǎn)角、制動(dòng)狀態(tài)、行車時(shí)間等），采樣速率為10 Hz。為了便于測(cè)試和監(jiān)控系統(tǒng)的疲勞駕駛識(shí)別效果，設(shè)計(jì)了圖形界面來展示系統(tǒng)工作過程，如圖8所示。

圖8 系統(tǒng)運(yùn)行狀態(tài)顯示界面

圖8 中分別顯示了人臉特征點(diǎn)的實(shí)時(shí)提取效果以及車速、轉(zhuǎn)向角度和制動(dòng)狀態(tài)（綠色表示無制動(dòng)操作，紅色表示制動(dòng)操作）共三種車輛行駛狀態(tài)信息。

招募了62 名駕駛員志愿者（男43 名，女19 名），年齡范圍為21～45 歲。實(shí)驗(yàn)地點(diǎn)位于南京市江寧大學(xué)城福英路部分空曠路段?？紤]到安全性，疲勞狀態(tài)采用人為模擬方式，共采集了900個(gè)清醒駕駛樣本（含450個(gè)干擾樣本，其中包含了唱歌、交談、揉眼睛等場(chǎng)景）、650個(gè)輕度和550 個(gè)重度疲勞駕駛樣本（參數(shù)如表2 所示），單個(gè)疲勞樣本的持續(xù)時(shí)間范圍為3～8 min。，可使 dφ＞0

表2 疲勞樣本參數(shù)

閾值th_ear 和th_mar 取所有疲勞樣本中瞇眼狀態(tài)和哈欠狀態(tài)下的均值。分別用數(shù)字“0”“1”“2”作為清醒、輕度疲勞和重度疲勞三類樣本的標(biāo)簽值。

5.2 實(shí)驗(yàn)分析

按5∶1 比例隨機(jī)生成訓(xùn)練樣本集和測(cè)試樣本集。圖9所示是某次訓(xùn)練生成的任一單棵決策樹的結(jié)構(gòu)，其中顯示了每個(gè)節(jié)點(diǎn)對(duì)應(yīng)的特征及其閾值范圍。

圖9 決策樹結(jié)構(gòu)

觀察圖9可知，人臉疲勞特征的重要性高于車輛操控行為特征，導(dǎo)致其對(duì)應(yīng)節(jié)點(diǎn)先于后者分裂。

將RFWF 的準(zhǔn)確率和樹的數(shù)量之間的對(duì)應(yīng)情況與傳統(tǒng)隨機(jī)森林（RF）進(jìn)行比較。為了便于分析多特征融合對(duì)疲勞駕駛識(shí)別的影響，使RF 中樹的數(shù)量與RFWF保持一致，將基于10維疲勞駕駛行為特征向量（見表1）生成的樣本輸入RFWF 和RF，得到的準(zhǔn)確率值分別記為RFWF（10）和RF（10）；從上述樣本中去除特征Aap、Asw、BS和SWP后得到6維駕駛行為特征向量樣本，輸入RFWF 和RF 后得到的準(zhǔn)確率值分別記為RFWF（6）和RF（6），實(shí)驗(yàn)結(jié)果如圖10所示。

圖10 RFWF與RF比較結(jié)果

觀察圖10 可知，基于10 維特征向量的疲勞駕駛識(shí)別精度明顯高于基于6維人臉疲勞特征的識(shí)別精度，這表明了多特征融合策略在疲勞駕駛識(shí)別領(lǐng)域的有效性。在10維特征向量樣本集上，RFWF的準(zhǔn)確率隨著樹的數(shù)量的增加而提高，當(dāng)樹的數(shù)量為74棵時(shí)，準(zhǔn)確率達(dá)到最高值（91.7%）。RF 的準(zhǔn)確率雖然也隨著樹的數(shù)量的增加而提高，但在達(dá)到90.1%后（65 棵）出現(xiàn)了下降，這主要是因?yàn)樘卣鞯碾S機(jī)選取以及樹的數(shù)量的不確定性影響了其準(zhǔn)確率。

按五折交叉法將RFWF 的運(yùn)行性能和傳統(tǒng)隨機(jī)森林（RF）、SVM、徑向基神經(jīng)網(wǎng)絡(luò)（RBF）、貝葉斯分類（BC）等模型進(jìn)行比較。其中，RF模型采用的是融合SVM的隨機(jī)森林算法[29]，SVM模型采用的是PSO-SVM算法[30]，RBF模型采用的是SOM算法[31]，BC模型采用的是基于PCA 的貝葉斯模型[32]?？紤]到疲勞駕駛系統(tǒng)的實(shí)時(shí)性要求，除了準(zhǔn)確率外還有必要考察其運(yùn)行時(shí)模型的單次識(shí)別過程（即第二階段中do_fatigue_analysis 函數(shù)的運(yùn)行時(shí)間）的耗時(shí)情況。測(cè)試結(jié)果如表3 所示（A0 為清醒狀態(tài)的平均識(shí)別準(zhǔn)確率、A1 為輕度疲勞狀態(tài)的平均識(shí)別準(zhǔn)確率、A2為重度疲勞狀態(tài)的平均識(shí)別準(zhǔn)確率、Av為上述三種狀態(tài)的平均識(shí)別準(zhǔn)確率）。

表3 各模型的疲勞駕駛識(shí)別結(jié)果

從測(cè)試結(jié)果看，基于隨機(jī)森林算法的疲勞駕駛識(shí)別平均準(zhǔn)確率要高于其他幾種分類模型1 個(gè)百分點(diǎn)左右。得益于特征選取和樹的數(shù)量控制兩方面的優(yōu)化，RFWF的平均準(zhǔn)確率又比RF高出1.53個(gè)百分點(diǎn)。同時(shí)注意到，各模型對(duì)于清醒和輕度疲勞狀態(tài)的識(shí)別準(zhǔn)確率明顯低于重度疲勞的準(zhǔn)確率，這主要是因?yàn)橹囟绕谔卣鬏^為明顯，而其余兩種狀態(tài)容易受到各種環(huán)境和事件因素干擾。從模型的運(yùn)行耗時(shí)看，RFWF的運(yùn)行耗時(shí)和其他分類器相比也處于較低水平，有利于疲勞駕駛識(shí)別系統(tǒng)的實(shí)時(shí)性。

6 結(jié)束語

本文提出一種融合了駕駛員臉部疲勞特征和車輛操控疲勞特征的疲勞駕駛識(shí)別算法。該方法對(duì)傳統(tǒng)隨機(jī)森林進(jìn)行了優(yōu)化，改進(jìn)了其特征選取策略和樹的數(shù)量的評(píng)估方法，提高了模型的識(shí)別效果。在實(shí)車上采集的2 100 個(gè)樣本上的平均準(zhǔn)確率均值達(dá)到92.06%，高于其他分類模型。基于所提算法設(shè)計(jì)的車載疲勞駕駛系統(tǒng)能夠以較低的成本安裝在實(shí)車上，具有較好的應(yīng)用前景。