1.一种基于机器学习的驾驶员路怒情绪检测方法,其特征在于,包括采样模块、人脸识别模块、特征点定位模块、路怒情绪检测模块和警示模块;
所述采样模块,使用布置在车内仪表盘之上的940nm红外摄像头作为驾驶员人脸采样设备;使用安装在主驾驶座位的头枕左侧的麦克风作为驾驶员声音采样设备;使用布置在加速踏板和制动踏板上的压力传感器、布置在方向盘上的握力传感器作为驾驶员用力状态采样设备;
所述人脸识别模块,采用AdaBoost算法和Haar-Cascade算法对所述人脸采样模块中采集到的图像进行人脸检测,识别到人脸位置,并且对局部器官进行初步定位,所述局部器官包括眉毛、眼睛、鼻子和嘴巴,具体步骤如下所示:S1:数据准备:获取人脸采样模块中采集到的图像,并将其转化为灰度图像;
S2:Haar-like特征提取:对每个灰度图像进行Haar-like特征提取,提取出多个不同大小、不同位置的特征;
S3:AdaBoost分类器训练:将提取的Haar-like特征作为输入,对训练集进行训练,得到多个AdaBoost分类器;
S4:级联分类器构建:将训练好的AdaBoost分类器级联起来,形成一个级联分类器;
S5:图像扫描:在待检测的图像上使用滑动窗口技术,对图像中的每一个位置进行扫描,并对每个窗口使用级联分类器进行分类判断,得到该窗口是否包含人脸;
S6:人脸定位:如果一个窗口被分类为包含人脸,则可以认为该窗口中心处存在一个人脸,根据窗口的位置和大小,可以初步定位人脸的位置;
S7:局部器官定位:根据人脸位置和大小,对眉毛、眼睛、鼻子和嘴巴进行初步定位;
所述特征点定位跟踪模块,以所述人脸识别模块的初步定位结果为基础,采用受约束的局部神经域模型进行人脸特征点的定位,建立包含n个特征点的受约束的局部神经域模型;具体步骤如下所示:S1:根据所述人脸识别模块中得到的眉毛、眼睛、鼻子和嘴巴的初步定位位置,将其作为受约束的局部神经域模型的初始位置,即假设初始的人脸特征点位置为x0=[x1,y1,...,xn,yn]T;
S2:对每个特征点进行偏移量的估计,得到偏移量矩阵w,偏移量矩阵的每个元素wij表示特征点i在x方向上的偏移量和在y方向上的偏移量的组合,即wij=[Δxi,Δyi];
S3:根据偏移量矩阵和初始位置x0,得到估计的特征点位置x=[x1+Δx1,y1+Δy1,...,xn+Δxn,yn+Δyn]T;
S4:通过条件随机场模型来对特征点位置进行优化,将优化后的特征点位置记为x*,条件随机场模型可以定义为:其中,I为输入的人脸图像,Z是归一化因子,E(x|I)是CRF的能量函数,包括全局能量项Eglobal(x)和局部能量项Eloc(x*,x)两个部分:E(x|I)=Eglobal(x)+Eloc(x*,x)
其中,μ和Σ分别是训练数据集上所有特征点的均值和协方差矩阵,λi、ai和bi分别表示第i个特征点的权重、长轴和短轴,x*表示经过全局约束后的特征点位置,通过梯度下降优化算法来最小化CRF能量函数,得到优化后的特征点位置x*;
S5:重复执行S3至S5,直到特征点位置收敛或达到最大迭代次数为止,最终得到的特征点位置即为人脸的关键点位置;
所述路怒情绪检测模块,基于泛化能力较强的支持向量机模型搭建驾驶员路怒情绪检测模型,利用粒子群优化算法对其参数进行优化;具体步骤如下所示:S1:建立训练样本库,包含超过200分钟的驾驶视频,其中包括不少于40位驾驶员的驾驶视频,每个驾驶员的驾驶视频时长不超过5分钟,然后使用人脸识别模块和特征点定位模块进行解析,人工给不同帧的人脸图像的路怒情绪进行评分,评分范围为[0,10],丝毫没有路怒情绪为0分,充满路怒情绪为10分,最小分数刻度为0.1分;
S2:数据预处理:为了提高模型的收敛速度和精度,对样本数据,即驾驶员路怒情绪参数,按以下公式进行归一化处理:其中,Xmin和Xmax分别为样本数据的最小值和最大值;X为样本数据,X'为归一化后的数据,归一化到范围[0,1];
S3:模型训练:基于支持向量机SVM算法搭建驾驶员路怒情绪检测模型,其优化目标是找到一个最优的超平面,将不同类别的数据分隔开来,训练过程可以表示为以下公式:其中,w表示超平面的法向量,b表示偏置项,ξi表示松弛变量,C表示正则化参数,n表示样本数量;
S4:参数优化:使用粒子群优化算法PSO对SVM模型的参数进行优化,其优化过程可以表示为以下公式:xi(t+1)=xi(t)+vi(t+1)
vi(t+1)=wvi(t)+c1r1(pi-xi)+c2r2(g-xi)其中,xi表示粒子的位置向量,vi表示粒子的速度向量,w表示惯性权重,c1和c2表示加速因子,r1和r2表示随机数向量,pi表示粒子历史上最好的位置向量,g表示全局最好的位置向量,t表示当前迭代次数;
S5:模型测试:将优化后的模型应用于路怒情绪的识别任务,通过对测试数据集的预测结果进行评估和分析;
所述警示模块,在所述路怒情绪检测模块检测到驾驶员的路怒情绪超过预设值时,采取相应措施。
2.如权利要求1所述的基于机器学习的驾驶员路怒情绪检测方法,其特征在于,所述驾驶员路怒情绪参数包括眼睛开度、眉间距、眉眼间距、鼻孔张大幅度、嘴角下撇幅度、嘴巴开合状态、脏话出现频率、驾驶员说话的分贝与语调、加速踏板压力、制动踏板压力和方向盘握力;
所述眉间距为两个眉头特征点之间的距离;
所述鼻孔张大幅度为当前帧驾驶员左右鼻翼最外侧特征点之间的距离与上一帧的该距离的比值;
所述嘴角下撇幅度,为左右嘴角特征点的连线与其经过上嘴唇中点特征点的平行线之间的距离;
所述嘴巴开合状态,为单位时间内上下嘴唇中点特征点的距离与左右嘴角特征点的距离的比值超过一定值的频率。
3.如权利要求1所述的基于机器学习的驾驶员路怒情绪检测方法,其特征在于,所述警示模块,在所述路怒情绪检测模块检测到驾驶员的路怒情绪超过6分时,采取以下措施中的1项或多项:措施1:自动播放舒缓心情的音乐;
措施2:语音提示驾驶员心平气和,注意驾驶安全;
措施3:启动车内香氛装置,喷洒有助于舒缓驾驶员心情的香氛;
措施4:智能调节座椅的温度和按摩功能;
措施5:改变空调的出风温度和风量;
措施6:启动氛围灯光,通过柔和的灯光调节车内光线,创造更加舒适的驾驶环境;
检测到驾驶员的路怒情绪超过8分时,采取以下措施:
措施1:启动主动降噪系统,通过反向声波抵消车内噪音,有效降低驾驶员的噪声干扰和压力感;
措施2:启动鸣笛控制系统,如果驾驶员按喇叭时长thonk超过3秒,则控制喇叭不发声,否则喇叭正常发声,将喇叭的输出信号y设定为:其中,ymax表示喇叭的最大输出信号,即正常情况下的喇叭声音。
4.如权利要求3所述的基于机器学习的驾驶员路怒情绪检测方法,其特征在于,所述主动降噪系统,具体步骤如下所示:S1:检测噪声干扰水平:使用车载噪声传感器或麦克风来检测车内噪声水平,并将其表示为噪声干扰强度In;
S2:计算反向声波:根据检测到的噪声干扰水平,使用反向声波技术计算反向声波信号,即与噪声干扰相反的声波信号Santi,使用以下公式计算反向声波信号:Santi(t)=-αInS(t-τ)
其中,S(t)是原始声波信号,α是反向声波的增益系数,τ是反向声波的延迟时间;
S3:输出反向声波:将计算得到的反向声波信号输出到车内扬声器或耳机中,以抵消车内的噪声干扰;
S4:实时调整反向声波参数:根据车内噪声干扰的实时变化,使用反馈控制技术实时调整反向声波的增益系数和延迟时间,以保持反向声波的最佳抵消效果。