基于层次分析法的智能驾驶行为评判方法.pdf

本发明涉及一种基于层次分析法的智能驾驶行为评判方法，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。与现有技术相比，本发明用于对驾驶员的驾驶行为习惯进行评分，具有评分准确，参考价值高等优点。

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＝(aij)k×k，其中aij＝f(xi，xj)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(xi/xj)
含义
1
表示指标xi与xj相比，具有同样的重要性
3
表示指标xi与xj相比，指标xi比xj稍微重要
5
表示指标xi与xj相比，指标xi比xj明显重要
7
表示指标xi与xj相比，指标xi比xj强烈重要
9
表示指标xi与xj相比，指标xi比xj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xi与xj比较得aij，则指标xj与xi比较有aji＝1/aij(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
1
9
2
9
2
9
疲劳驾驶
1/9
1
1/9
1/2
1/9
1/2
正常转弯
1/2
9
1
9
2
9
紧急转弯
1/9
2
1/9
1
1/9
1/2
正常变道
1/2
9
1/2
9
1
9
频繁变道
1/9
2
1/9
2
1/9
1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λmax＝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
1
8
2
8
2
8
疲劳驾驶
1/8
1
1/8
1/2
1/8
1/2
正常转弯
1/2
8
1
8
2
8
紧急转弯
1/8
2
1/8
1
1/8
1/2
正常变道
1/2
8
1/2
8
1
8
频繁变道
1/8
2
1/8
2
1/8
1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λmax＝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
1
6
2
6
2
6
疲劳驾驶
1/6
1
1/6
1/2
1/6
1/2
正常转弯
1/2
6
1
6
2
6
紧急转弯
1/6
2
1/6
1
1/6
1/2
正常变道
1/2
6
1/2
6
1
6
频繁变道
1/6
2
1/6
2
1/6
1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λmax＝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
1
1/2
1/2
1/3
1/2
1/3
疲劳驾驶
2
1
3
2
3
2
正常转弯
2
1/3
1
1/3
1/2
1/3
紧急转弯
3
1/2
3
1
3
2
正常变道
2
1/3
2
1/3
1
1/3
频繁变道
3
1/2
3
1/2
3
1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λmax＝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
1
1/4
1/2
1/4
1/2
1/4
疲劳驾驶
4
1
4
2
4
2
正常转弯
2
1/4
1
1/4
1/2
1/4
紧急转弯
4
1/2
4
1
4
2
正常变道
2
1/4
2
1/4
1
1/4
频繁变道
4
1/2
4
1/2
4
1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λmax＝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
1
1/6
1/2
1/6
1/2
1/6
疲劳驾驶
6
1
6
2
6
2
正常转弯
2
1/6
1
1/6
1/2
1/6
紧急转弯
6
1/2
6
1
6
2
正常变道
2
1/6
2
1/6
1
1/6
频繁变道
6
1/2
6
1/2
6
1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λmax＝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Y
100～90
[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。

基于层次分析法的智能驾驶行为评判方法

技术领域

本发明涉及一种驾驶行为评判方法。，尤其是涉及一种基于层次分析法的智能驾
驶行为评判方法。

背景技术

据统计，国内总有82.5％的不出险车主在为17.5％的常出险客户买单。在车险费
率市场化出台之际，用驾驶习惯冲抵保费，让有良好驾驶习惯的车主享受低保费，让总爱
“危险驾驶”的车主为自己的驾驶行为“买单”的车联网产品，成了最近市场上火热的话题。
比如：腾讯公司推出的路宝等产品，可以通过数据为车主的驾驶行为打分。驾驶行为习惯评
判系统，将能够对驾驶员的驾驶行为进行量化评判。把评判系统给出的评分作为驾驶员车
险保费的一个主要参考依据，可以有效地增强驾驶员的安全驾驶意识，规范驾驶员的驾驶
行为，减少生命财产的损失。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种评分准确，参考
价值高的基于层次分析法的智能驾驶行为评判方法。

本发明的目的可以通过以下技术方案来实现：

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；打分等级包括：100～90，90～80，80～60，60～40，40～20，20～0。

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。

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。

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。

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＝(aij)k×k，其中aij＝f(xi，xj)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(xi/xj)
含义
1
表示指标xi与xj相比，具有同样的重要性
3
表示指标xi与xj相比，指标xi比xj稍微重要
5
表示指标xi与xj相比，指标xi比xj明显重要
7
表示指标xi与xj相比，指标xi比xj强烈重要
9
表示指标xi与xj相比，指标xi比xj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xi与xj比较得aij，则指标xj与xi比较有aji＝1/aij

(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
1
9
2
9
2
9
疲劳驾驶
1/9
1
1/9
1/2
1/9
1/2
正常转弯
1/2
9
1
9
2
9
紧急转弯
1/9
2
1/9
1
1/9
1/2
正常变道
1/2
9
1/2
9
1
9
频繁变道
1/9
2
1/9
2
1/9
1

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，

计算可得，矩阵A1的最大特征根为λmax＝6.27，对应的特征向量为：

针对矩阵A1，它的一致性检验指标：

RI＝1.24；

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

由表3可以得到相应的判断矩阵A2，

它的最大特征根λmax＝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
1
6
2
6
2
6
疲劳驾驶
1/6
1
1/6
1/2
1/6
1/2
正常转弯
1/2
6
1
6
2
6
紧急转弯
1/6
2
1/6
1
1/6
1/2
正常变道
1/2
6
1/2
6
1
6
频繁变道
1/6
2
1/6
2
1/6
1

由表4可以得到相应的判断矩阵A3，

其最大特征根为λmax＝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
1
1/2
1/2
1/3
1/2
1/3
疲劳驾驶
2
1
3
2
3
2
正常转弯
2
1/3
1
1/3
1/2
1/3
紧急转弯
3
1/2
3
1
3
2
正常变道
2
1/3
2
1/3
1
1/3
频繁变道
3
1/2
3
1/2
3
1

由表5可以得到相应的判断矩阵A4，

其最大特征根为λmax＝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
1
1/4
1/2
1/4
1/2
1/4
疲劳驾驶
4
1
4
2
4
2
正常转弯
2
1/4
1
1/4
1/2
1/4
紧急转弯
4
1/2
4
1
4
2
正常变道
2
1/4
2
1/4
1
1/4
频繁变道
4
1/2
4
1/2
4
1

由表6可以得到相应的判断矩阵A5，

它的最大特征根为λmax＝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
1
1/6
1/2
1/6
1/2
1/6
疲劳驾驶
6
1
6
2
6
2
正常转弯
2
1/6
1
1/6
1/2
1/6
紧急转弯
6
1/2
6
1
6
2
正常变道
2
1/6
2
1/6
1
1/6
频繁变道
6
1/2
6
1/2
6
1

由表7可以得到相应的判断矩阵A6，

其最大特征根为λmax＝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：

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

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。

与现有技术相比，本发明用于对驾驶员的驾驶行为习惯进行评分，保险公司可以
把本评判方法给出的评分作为计算驾驶员车险保费的一个依据，从而，促进车险市场的健
康发展。

附图说明

图1为人眼位置跟踪流程图；

图2为驾驶人注意力侦测流程图；

图3为驾驶行为判别分析层次图；

图4为BP神经网络误差曲线图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

一种基于层次分析法的智能驾驶行为评判方法，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；打分等级包括：100～90，90
～80，80～60，60～40，40～20，20～0。

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。

1、驾驶员疲劳度侦测：

相关文献资料表明，一般情况下，人眼闭合时间在0.2～0.3s之间；如果驾驶员在
驾车过程中眼睛闭合时间达到0.5～3s，则容易出现交通事故。因此，需要在这个时间内完
成对驾驶员疲劳度的分析和判断。本专利评判方法，通过内置摄像头和Open CV方法捕捉驾
驶员的脸部与眼睛，判断眼睛的状态，例如睁眼、闭眼、眼睛眨眼的频率，然后计算驾驶员的
疲劳度。

1.1人眼初步定位

人眼初步定位，是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，在这里把人脸的宽度分为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。

1.2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。

首先，采用OpenCV提供的cvCaptureFromCAM(0)视频流采集函数，对现场视频采
集，接着加载人脸分类器调用函数来检测人脸，人脸检测出后，对人脸目标的定位，然后根
据人眼在人脸中的几何位置分布等经验知识对眼睛位置进行提取，实现对人眼的初步定
位，最终显示出人眼的位置，这样就实现了对当前帧人眼的位置跟踪。其设计流程图如图1
所示。

2.驾驶员注意力侦测

对驾驶员注意力侦测的方法步骤：

Step1：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

Step2：利用临界值法脸部影响中较黑的区域，也就是眼睛区域，以k-means群众演
算法找出眼睛的位置

Step3：通过脸部侦测、眼睛侦测、三个节点，然后设计一个判定准测来判断驾驶员
的行为以及行为是否构成危险行为。

驾驶人注意力侦测流程图如图2所示。

3、基于层次分析法的驾驶行为评判主因子分析

针对采集到人—车—路等多种信息，引入层次分析法对多信息的相对重要性进行
比较，根据专家经验确定两者的重要性关系，采用1～9的比率标度，比较判断、定量化、构成
判断矩阵。对于驾驶行为识别所采集到的各种信号，由专家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＝(aij)k×k，其中aij＝f(xi，xj)为对比
函数，对比函数取值如表，从而可根据一定的准则来确定权重向量W。

项目对采集处理得到的人-车的各种信息，利用AHP分析多种信息对驾驶行为判别
识别决策权重，主要涉及的信息有正常驾驶、疲劳驾驶、正常转弯、紧急转弯、正常变道、频
繁变道等，如下图所示的分析层次图3所示。

(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，如表2所示。

(2)对90～80打分的两两比较表如表3所示。

(3)对80～60打分的两两比较表如表4所示。

(4)对60～40打分的两两比较表如下表5所示。

(5)对40～20打分的两两比较表如下表6所示。

(6)对20～0打分的两两比较表如下表7所示。

(7)驾驶行为评判的特征向量矩阵

根据前面的(1)～(6)，可以得到关于正常驾驶、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：

4、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。利用MATLAB来实现BP神经网络的训练，并将训练结果借助于MATLAB
强大的图形显示功能动态显示出来。设置神经网络系统的总误差为0.01，得出神经网络选
连误差性能曲线如图4所示：

从图4中可以看出，经过14步左右的训练，网络系统达到稳定，且误差达到了
0.0077984<0.01，符合预期训练要求。