李泰國，張?zhí)觳?，李超，張英志，王?/p>

(1.蘭州交通大學，自動化與電氣工程學院，蘭州 730070；2.陜西省康復醫(yī)院，運動療法一科，西安 710065）

0 引言

世界衛(wèi)生組織(WHO)2017年發(fā)布的《Road Safety》強調(diào)，全球道路交通死亡人數(shù)繼續(xù)上升[1]。其中，疲勞駕駛是發(fā)生道路交通安全事故的重要原因之一[2]。因此，設計一種準確率高，魯棒性強的駕駛員疲勞檢測系統(tǒng)，可以在駕駛員處于疲勞狀態(tài)時進行干預，對預防道路交通事故具有重要意義。

當駕駛員處于疲勞狀態(tài)時，其腦電圖(EEG)、心電圖(ECG)和皮膚電導等神經(jīng)生理學信號的波動均會與正常駕駛狀態(tài)有著較大區(qū)別[3]。因此，基于駕駛員生理信號的疲勞檢測方法被廣泛研究。但生理信號是通過穿戴在駕駛員身體上的電極或傳感器進行采集，長時間使用會使駕駛員產(chǎn)生排斥情緒，從而影響正常駕駛[4]。

非侵入式疲勞檢測方法包括基于車輛運行狀態(tài)的方法和基于計算機視覺的方法。基于車輛運行狀態(tài)檢測駕駛員疲勞時，其檢測信號包括車輛轉(zhuǎn)角，車速變化等，這種方法的局限性在于很難及時反應駕駛員實際狀態(tài)，實時性不足[5]?；谟嬎銠C視覺的疲勞檢測方法通過提取駕駛員的面部行為特征進行疲勞預測[6]，包括眼動特征、嘴部特征，頭部特征等。此方法不僅是非侵入式檢測，而且檢測的實時性也有保證[7]。但是，在駕駛過程中，如果駕駛員面部被遮擋或者頭部姿態(tài)變化較大時，會因丟失面部關(guān)鍵點造成無法提取疲勞特征，使疲勞檢測的準確率和魯棒性受到限制[8]。為克服面部遮擋以及頭部姿態(tài)變化對疲勞特征提取的影響，本文引入人體姿態(tài)變化作為駕駛員疲勞特征提取的依據(jù)，通過分析駕駛員在駕駛過程中的姿態(tài)變化對駕駛員的疲勞狀態(tài)進行預測。

3.城鎮(zhèn)住房分配體制由原來的實物分配制度轉(zhuǎn)變?yōu)樨泿欧峙渲贫??？v觀改革開放40年中國城鎮(zhèn)住房分配形式的改革，由原來職工獲得國家單位的實物分房，逐步轉(zhuǎn)變?yōu)楦鶕?jù)自己的經(jīng)濟支付能力向市場購買或租賃住房，形成了以高收入家庭為對象的商品房供應體系。與此同時，國家為中低收入家庭提供具有社會保障性質(zhì)的經(jīng)濟適用住房及廉租住房，形成了保障房供應體系。然而，商品房供應體系過度發(fā)達并且占比太高，保障房供應體系嚴重不足并且占比太低，成為這一時期住房分配上的結(jié)構(gòu)性缺陷。這表明，新時代中國城鎮(zhèn)住房分配體制深化改革的思路和理念要基于克服當前的住房分配結(jié)構(gòu)性缺陷。

調(diào)查研究國內(nèi)外人體姿態(tài)應用發(fā)現(xiàn)，人們進行各種活動時，身體姿態(tài)變化的數(shù)據(jù)中包含很多反映人們當前狀態(tài)的信息[9]，并且在安全監(jiān)管[10]、人機交互等領域[11]已有廣泛的應用。受人體姿態(tài)信息在相關(guān)領域應用的啟發(fā)，本文研究疲勞檢測的方法中引入人體姿態(tài)的變化作為駕駛員疲勞特征提取的依據(jù)。

1 方案描述

MobileNet-V1網(wǎng)絡模型為減小參數(shù)，降低計算量，將常規(guī)卷積分成兩部分：深度卷積和1×1 的卷積。利用深度可分離卷積搭建輕量級神經(jīng)網(wǎng)絡，在網(wǎng)絡中利用結(jié)合逐點卷積的方式，降低網(wǎng)絡權(quán)值參數(shù)量，最終降低了模型大小。1×1卷積則不需要內(nèi)存的重新排序，能直接用通用矩陣乘(General Matrix Multiplication)對卷積優(yōu)化，大幅度提升了計算效率?；谶@種少計算量的特點，將其作為Simple Baselines 的骨干網(wǎng)絡，之后再進行反卷積處理。

圖1 駕駛員疲勞檢測模型框圖Fig.1 Driver fatigue detection model block diagram

2 人體骨架關(guān)鍵點識別

Simple Baselines是基于Top-Down的二維人體姿態(tài)估計算法，以ResNet 為骨干網(wǎng)絡提取特征，輸出特征經(jīng)過3組反卷積處理后將特征圖尺寸放大，最后通過人體姿態(tài)熱力圖得到人體骨架關(guān)鍵點坐標信息。為進一步減少人體姿態(tài)關(guān)鍵點提取的計算量，使其容易部署在移動端，對Simple Baselines網(wǎng)絡結(jié)構(gòu)中的骨干網(wǎng)絡——ResNet 網(wǎng)絡改進為Mobilenet-V1網(wǎng)絡[13]。

在成熟穩(wěn)定的白酒行業(yè)，企業(yè)要想獲得新的增長機會需要進行創(chuàng)新。品類創(chuàng)新是中小企業(yè)運用較為普遍的創(chuàng)新策略。采用品類創(chuàng)新，以消費者需求中重要但目前滿意程度低的需求為突破口，將有可能為企業(yè)開創(chuàng)一個全新的市場，成為該品類市場的領先者，并由此改變市場的競爭格局。

本文的檢測方案中，疲勞檢測模型框圖如圖1所示。首先將視頻輸入并依據(jù)改進后的Simple Baselines網(wǎng)絡[12]提取人體姿態(tài)關(guān)鍵點坐標，通過關(guān)鍵點坐標建立多組疲勞特征，即圖1中的S,σL,σθ；隨后通過滑動窗口計算疲勞特征的離散程度DF，最后將DF輸入長短期記憶網(wǎng)絡(LSTM)進行分類訓練后預測駕駛員的疲勞狀態(tài)。

改進后的人體骨架關(guān)鍵點提取框架的網(wǎng)絡結(jié)構(gòu)如圖2所示，在該模型中，輸入為圖像P，P∈R224×224×3，即圖像R的像素為224 pixel×224 pixel，層數(shù)為3；改進后的網(wǎng)絡通過MobileNet-V1網(wǎng)絡提取特征圖X，X∈R7×7×1024；隨后通過3層反卷積層，使得到的特征圖輸出為高分辨率特征U，U∈R56×56×256；得到高分辨率特征U后，基于1×1卷積得到人體骨架關(guān)鍵點的熱力圖，然后預測輸出關(guān)鍵點的坐標，圖3為提取的關(guān)鍵點信息結(jié)果。改進后的網(wǎng)絡既可以準確地提取出人體骨架關(guān)鍵點，也因其輕量化的模型為移動平臺的部署提供基礎。

圖2 改進后的人體骨架關(guān)鍵點提取網(wǎng)絡Fig.2 Improved human skeleton key point extraction network

圖3 人體骨架關(guān)鍵點示意圖Fig.3 Schematic diagram of key points of human skeleton

3 基于人體姿態(tài)的疲勞特征提取

通常，駕駛員需要在正常駕駛過程中不斷調(diào)整方向，即使在筆直的道路上行駛也需要對方向盤進行調(diào)整[14]。當駕駛員處于疲勞駕駛狀態(tài)時，則會出現(xiàn)操縱遲緩甚至停頓等現(xiàn)象。因此，通過定位駕駛員人體骨架關(guān)鍵點，并依據(jù)產(chǎn)生的關(guān)鍵點坐標建立相應的疲勞特征，便可對駕駛員的駕駛狀態(tài)做出反應。

3.1 人體姿態(tài)關(guān)鍵點的分組模塊化

在車輛行駛過程中，駕駛員會不停觀察道路情況并做出相應修正方向的動作。通過分析駕駛員人體姿態(tài)關(guān)鍵點變化的相互關(guān)聯(lián)情況，依據(jù)“高內(nèi)聚、低耦合”原則建立可以反應駕駛動作幅度范圍的3 個模塊(頭部(Head)模塊，肩部(Body shoulder)模塊，手臂(Arm)模塊)，從而有效地反映駕駛員的駕駛姿態(tài)運動情況。具體建立方式如圖4所示。

圖4 模塊示意圖Fig.4 Module diagram

不同模塊之間的運動規(guī)律有較低的耦合性，但模塊內(nèi)部各關(guān)鍵點的語義信息具有高度的內(nèi)聚性，其中心點的運動與所在模塊的整體保持高度一致，故結(jié)合模塊的中心點建立疲勞特征可使選取的特征更好地反應駕駛員的精神狀態(tài)。根據(jù)圖4的分組方式計算出每一個模塊的中心點，即頭部模塊中心點(Hx,Hy)，肩部模塊中心點(Bx,By)，手臂模塊中心點(Ax,Ay)，計算公式為

人生在世，誰都有可能遇到困難。至于臨時經(jīng)濟短缺，更是難免的事情，所以，親朋鄰里之間相互借個錢，乃是再尋常不過的事情了。有借有還，人之常情，正當交往，無可非議。但是，對于官員尤其是手握一定權(quán)力者的借錢，那可就要另當別論了。首先要打個問號，有所警惕。我不是說，當官的都富有，不會碰到囊中羞澀的時候。問題是，有些官員玩的是明“借”實“訛”的把戲。在現(xiàn)實社會中，這已經(jīng)成為貪官的一種斂財手段。

式中：(Cx,Cy)為每一個模塊的中心點，C∈{A,B,H} ；Xi，Yi為圖4相應模塊中的第i個點的關(guān)鍵點坐標(Xi,Yi)；N為模塊中包含關(guān)鍵點的個數(shù)。借助駕駛員正常駕駛時模塊之間的變化關(guān)系，結(jié)合模塊中心點與人體骨架關(guān)鍵點建立基于人體姿態(tài)的疲勞特征。

3.2 模塊中心面積S

結(jié)果表明，基于MobileNet-V1 的改進網(wǎng)絡和Resnet 的運行速度相比，MobileNet-V1 在驍龍855移動平臺反而有著更快的處理幀速，每秒可處理53 frame?？紤]其在移動平臺中的表現(xiàn)，改進網(wǎng)絡易于在平臺部署的特點更適用于本方案提出的疲勞檢測方法。

3.3 手臂投影距離組標準差σL

考慮到駕駛員操作方向盤時的動作變化，將提取的手臂骨架關(guān)鍵點結(jié)合相應模塊中心點按照圖5的方式，構(gòu)建投影歐氏距離并計算，生成距離組L=[L1,L2,L3,L4]。

很不巧，敦煌接連下了一個禮拜的雨，他們只能窩在客棧里，林露白看書發(fā)呆，魏舟玩手機打游戲，坐得很近，但一天下來都沒什么話可說。

圖5 離組L 示意圖Fig.5 Schematic diagram of distance group L

為比較非疲勞和疲勞狀態(tài)下疲勞特征的差異，實驗中提取駕駛員人體姿態(tài)關(guān)鍵點后，計算駕駛員的疲勞特征F=[S,σL,σθ]。與疲勞駕駛狀態(tài)相比，非疲勞狀態(tài)下的疲勞特征更具發(fā)散性和混沌性。獲得疲勞特征值后，在考慮疲勞特征時間特性的基礎上，結(jié)合滑動窗口的方式計算疲勞特征的離散程度DF=[DS,DL,Dθ]，充分地考慮了疲勞特征隨時間變化的特性。圖9為3個疲勞特征在疲勞與非疲勞狀態(tài)下的離散程度計算結(jié)果。

式中：Lj為投影歐氏距離，j=[1,2,3,4]；(Xji,Yji)分別為圖5中投影歐氏距離Lj所使用的人體骨架關(guān)鍵點坐標。

2.企業(yè)文化對傳統(tǒng)文化的傳承與應用不夠，與現(xiàn)代文化氣息的結(jié)合不足，也未能夠形成系統(tǒng)化和持續(xù)性的模式。以往多數(shù)企業(yè)在進行管理的時候，都是從制度角度和指令角度出發(fā)的，關(guān)于文化建設，更多的也是當前學習和借鑒西方先進企業(yè)的經(jīng)驗，所以很多企業(yè)都沒有對自身發(fā)展以來的各種歷史資料進行保存和建設。企業(yè)文化也是一種文化，穩(wěn)定性和持續(xù)性才能使其具有更高的信服力。很多企業(yè)在當前的企業(yè)文化建設時，也沒有利用當前文化的各種新特點來提高創(chuàng)新力。比如，當今各種文化之間都在全面、深度地融合。因此，企業(yè)文化得適應這一新的時代特點。

2.2.2 移栽后田間管理：西瓜移栽后正值春季多風的季節(jié)，拱棚一定要用土壓實，防止被風刮壞，威脅幼苗的安全。在晴朗無風的天氣，把部分拱棚揭開，通風換氣，同時避免強光對葉片造成灼傷。及時澆水，保證苗期生長的需要。

3.4 向量夾角標準差σθ

駕駛過程中的視角會由于觀察道路而不停變化，基于這種情況選擇相關(guān)關(guān)鍵點與模塊中心點，按圖6所示的方法計算向量與向量之間的夾角θ，之后對夾角θ與駕駛員的精神狀態(tài)結(jié)合并分析。

圖6 角度組θ 示意圖Fig.6 Schematic diagram of angle group θ

首先提取圍成夾角的向量，如圖6中的，結(jié)合向量計算夾角θ余弦值為

近年來，致密油開發(fā)已成為國內(nèi)外石油開發(fā)的熱點。北美巴肯致密油的成功開發(fā)，對全球的油氣市場產(chǎn)生了深遠的影響［1-2］。勝利油田致密砂巖油藏儲量規(guī)模大，后備資源豐富［3］，但油藏埋藏深，儲層物性差，直井壓后產(chǎn)量遞減快，采出程度低［4］。為了解決這一難題，勝利油田優(yōu)選渤南油田義123塊為實驗區(qū)塊，采用非常規(guī)多級壓裂水平井開發(fā)技術(shù)［5-8］對其進行有效開發(fā)。

將余弦值定義為人體姿態(tài)角度組cosθ。參照式(4)計算出角度組的標準差σθ。

3.5 疲勞特征離散程度

分析疲勞特征結(jié)果F=[S,σL,σθ]，其結(jié)果數(shù)值的大小會受到駕駛員的姿態(tài)移動影響。根據(jù)這種變化，計算疲勞特征的離散程度(Degree of Dispersion)，即DS,DL,Dθ，使其更利于反映駕駛員疲勞狀態(tài)的變化。離散程度的計算通過固定滑動窗口區(qū)間長度Δ對疲勞特征進行等分，其中Δ=500，每滑動一次的滑動步長為50，依據(jù)每一個窗口內(nèi)的數(shù)據(jù)，計算該窗口內(nèi)數(shù)據(jù)離散度為

在新農(nóng)村建設時期，為了確保農(nóng)村財務管理人員有更高的財務管理水平，需要嚴格培養(yǎng)農(nóng)村財務管理人員的專業(yè)化管理能力，不僅需要確保管理人員具備足夠的財務專業(yè)知識，同時還需要有一定的管理能力，只有這樣才能促進我國農(nóng)村地區(qū)經(jīng)濟水平的持續(xù)提升。而在對農(nóng)村財務管理人員進行培養(yǎng)的過程中，需要設立專門的培訓機制，并且將新型的培訓措施運用其中，確保農(nóng)村財務管理人員對于培訓工作的開展擁有興趣，并且能積極地投入培訓中，有利于管理人員及時掌握最新的財務管理知識與技能，對于農(nóng)村財務管理人員綜合素質(zhì)的提升有著顯著效果［3］。

式中：F=[ ]S,σL,σθ為不同的疲勞特征(即模塊中心面積S，手臂投影距離組標準差σL，向量夾角標準差的離散程度σθ)；DF為不同特征下的離散程度；Δ為滑動窗口長度；在數(shù)據(jù)長度為Δ的滑動窗口內(nèi)，dFi、分別為不同疲勞特征(S,σL,σθ)的單個值和一個Δ的平均值。

由于駕駛員的駕駛狀態(tài)變化是一個連續(xù)性的過程，故該步驟中結(jié)合滑動窗口計算疲勞特征的離散程度，相比單幀或固定幀的計算方法，借助滑動窗口可以將用于分類的數(shù)據(jù)更加符合疲勞發(fā)生的過程。

4 LSTM分類方法

LSTM 神經(jīng)網(wǎng)絡是一種改進的遞歸神經(jīng)網(wǎng)絡(RNN)[15]，通過在隱藏單元中加入自連通“門”來解決梯度消失問題。如圖7所示，LSTM 網(wǎng)絡的計算節(jié)點包括輸入門、輸出門、遺忘門和記憶細胞Cell。

圖7 LSTM網(wǎng)絡結(jié)構(gòu)Fig.7 LSTM network structure

LSTM的核心思想在于圖7中兩條水平線所代表的信息流，以及當前時間(Xt)的輸入和之前時間(ht-1)輸出的組合。圖中：ft為遺忘函數(shù)；tanh為雙曲正切函數(shù)，確保輸出值在[-1,1]；σ為Sigmoid 激活函數(shù)。本文通過LSTM網(wǎng)絡可以利用疲勞特征之間的時序記憶信息，使分類預測的結(jié)果結(jié)合了時間特性，更有利于挖掘駕駛員的疲勞狀態(tài)信息。

5 實驗驗證

5.1 數(shù)據(jù)采集與實驗環(huán)境

COCO (The Microsoft Common Objects in Context)數(shù)據(jù)集是一個可用于圖像檢測，語義分割和圖像標題生成的大規(guī)模數(shù)據(jù)集，在其用于人體姿態(tài)識別的圖像集中，包含有足夠多的個人樣本并與圖像一一對應的17個骨架關(guān)鍵點的標注。使用該數(shù)據(jù)集訓練改進后的Simple Baselines網(wǎng)絡，訓練后的模型可以實現(xiàn)駕駛員人體骨架關(guān)鍵點的提取。

此外，基于駕駛員人體姿態(tài)的疲勞檢測缺乏公用測試數(shù)據(jù)集，為了驗證所提檢測模型的有效性，本文通過搭建的模擬駕駛平臺采集了13名(9名男性和4名女性)，年齡在20～50歲志愿者的駕駛數(shù)據(jù)樣本?；谲浖癊uro Truck 2”搭載羅技方向盤套件作為駕駛平臺。攝像機位于駕駛員的左上角，高度固定。拍攝視頻分辨率為1280×720，幀速30 frame·s-1。收集數(shù)據(jù)之前，被試者先學習卡羅琳斯卡嗜睡量表(KSS)的評價標準[16]，將KSS的9個級別劃分為兩大類(疲勞和非疲勞)。第1輪數(shù)據(jù)收集在8:00-9:00 進行，受試者在前一天晚上獲得足夠的睡眠，在自我評估為非疲勞狀態(tài)下駕駛并收集5 min 的駕駛數(shù)據(jù)；第2 輪數(shù)據(jù)收集時間在凌晨3:00-4:00，從第1輪結(jié)束到第2輪開始，受試者不允許睡眠，當自我評估疲勞時，開始模擬駕駛并收集疲勞狀態(tài)下的駕駛數(shù)據(jù)。

在最大功率640 kW、0～120 km/h速度下仿照實際動車組加速的過程，得到DC/DC變換器電池側(cè)電流Ibat和直流側(cè)電壓Udc的仿真波形如圖4所示。

其中V3表示的山塘承載能力較弱，山塘的水資源開發(fā)潛力較小，在水資源限制的情況下，若繼續(xù)發(fā)展下去，當?shù)氐霓r(nóng)業(yè)發(fā)展將受到限制，需采用科學合理的方法降低水資源的用量、提高水資源利用率。V1表示的山塘承載能力較好，水資源豐富，對以后的發(fā)展有較大的支撐作用，當?shù)氐乃Y源狀況是比較樂觀。V2表示的山塘水資源承載能力情況介于以上兩者之間，表明當?shù)氐乃Y源具有一定的承載能力，對于未來水資源的開發(fā)利用有一定的潛力。

自建數(shù)據(jù)集包含26 個視頻片段，其中20 個視頻片段作為訓練集，6 個視頻片段作為測試集。訓練集分為10 個正樣本視頻片段(非疲勞狀態(tài))和10個負樣本視頻片段(疲勞狀態(tài))。測試集分為3個正樣本視頻片段(非疲勞狀態(tài))和3個負樣本視頻片段(疲勞狀態(tài))。

5.2 駕駛員人體姿態(tài)定位

基于MobileNet-V1 改進的人體關(guān)鍵點識別網(wǎng)絡在COCO 關(guān)鍵點檢測數(shù)據(jù)集上進行實驗。單批次訓練樣本數(shù)量(batch_size)為50，共訓練100 個epoch。與原始的網(wǎng)絡相比，改進后的網(wǎng)絡模型運算量小，識別速度得到了進一步的提高。使用改進后的網(wǎng)絡以及原始網(wǎng)絡進行性能和運算量的對比結(jié)果如表1所示。

表1 不同網(wǎng)絡的性能和運算量的對比Table 1 Comparison of performance and computation of different networks

3個模塊中心點圍成的模塊中心面積在駕駛時不停變化，計算出S并將其作為疲勞特征之一，利用S的變化可以反應駕駛員不同精神狀態(tài)下的肢體運動情況。

王陽明(1472—1529)，名守仁，字伯安，別號陽明子、陽明山人，世稱陽明先生。其父王華是明憲宗成化十七年(1481年)的狀元。王陽明生于明成化八年(1472年)，于孝宗弘治十二年(1499年)登進士第，武宗正德元年(1506年)冬，因上疏援救戴銑等而得罪大太監(jiān)劉瑾，貶為貴州龍場驛驛丞。在龍場驛任上，王陽明致力于主觀唯心主義思想的研究，并形成了著名的“心學”體系。后官至南京兵部尚書，嘉靖七年(1529年)卒，歸葬浙江山陰洪溪鄉(xiāng)(今屬紹興縣蘭亭鎮(zhèn))。卒后三十八年，即隆慶元年，追贈新建侯，謚文成。

基于MobileNet-V1 的改進網(wǎng)絡對駕駛狀態(tài)數(shù)據(jù)集進行關(guān)鍵點檢測，檢測結(jié)果如圖8所示。

圖8 人體姿態(tài)關(guān)鍵點檢測結(jié)果Fig.8 Detection results of human pose key points

5.3 疲勞特征離散程度計算

L1,L2,L3,L4的計算方式為

圖9 離散程度結(jié)果Fig.9 Dispersion degree results

通過圖9的結(jié)果可以看出駕駛員在不同精神狀態(tài)下疲勞特征取值的發(fā)散程度。具體到實例數(shù)據(jù)中，當駕駛員處于非疲勞駕駛狀態(tài)時，由于不停做出修正駕駛方向等操作，引起駕駛姿態(tài)的變化，從而導致離散程度DF的取值處于相對較高的范圍，如圖9中的實線所示。同時從圖中還可以看出，駕駛員非疲勞駕駛時離散程度的取值波動頻繁且幅度較大，而其整體始終處于相對較高狀態(tài)，其原因是駕駛員在清醒時可以根據(jù)實際路況做出及時有效的駕駛動作。相比之下，疲勞狀態(tài)下駕駛員的動作變化遲鈍，疲勞特征在疲勞時處于波動較小的狀態(tài)，對應的DF幾乎維持在很小的一個范圍內(nèi)，離散程度值相對較低。

距離值會隨著駕駛員的人體姿態(tài)變化而導致L頻繁變化，根據(jù)L的變化程度計算距離組標準差σL，可以反映L的變化大小與幅度，即駕駛員雙臂移動情況。計算方式為

因此，通過兩種狀態(tài)下DF的較大差異建立駕駛員疲勞特征離散程度與駕駛員精神狀態(tài)之間的相關(guān)性。非疲勞駕駛會引起離散程度處于比較高的范圍；而駕駛員越疲勞，其疲勞特征的DF越低，并且比較平穩(wěn)。

5.4 分類預測方法對比

在提取到不同疲勞特征的離散程度后，將離散程度DF作為分類預測的數(shù)據(jù)輸入至分類網(wǎng)絡進行訓練預測，為進一步區(qū)分不同特征下對疲勞檢測的影響，設計對比實驗，將單個離散程度DS,DL,Dθ與整體離散程度DF=[DS,DL,Dθ]分別進行疲勞預測，比較不同的特征離散程度對輸出準確率的影響。 實驗中同時使用LSTM，Support Vector Machines (SVM) 和Multilayer Perceptron (MLP)做分類預測，選擇Accuracy 作為統(tǒng)一的度量標準，根據(jù)產(chǎn)生的預測結(jié)果選擇適合本方法的最優(yōu)分類器。提取數(shù)據(jù)集輸出的離散程度，即訓練集3200組(1600正樣本，1600負樣本)，測試集950組(480正樣本，470負樣本)對駕駛員的疲勞程度進行初步訓練預測。分類基于不同特征與分類方法對離散程度的分類結(jié)果如圖10所示。

圖10 不同分類器檢測性能對比Fig.10 Comparison of detection performance of different classifiers

實驗驗證了結(jié)合所有疲勞特征的離散程度進行分類，與僅使用單個離散程度DS,DL,Dθ的分類結(jié)果相比，使用DF進行分類有著更好的準確率，其原因分析如下：

(1)不同的疲勞特征在不同道路情況的變化幅度不同，如果只依靠單個離散程度進行檢測，會使檢測結(jié)果發(fā)生較大的誤差。然而通過多個離散程度結(jié)合的方式進行檢測，則可以有效地彌補這一缺陷，從而提高疲勞檢測的準確率和魯棒性。

鄉(xiāng)土文化自信在鄉(xiāng)村振興過程中具有十分重要的作用，是鄉(xiāng)村振興發(fā)展的精神支撐，是制約鄉(xiāng)村振興發(fā)展的重要因素之一。一個不可否認的事實是，隨著城市化的不斷發(fā)展，越來越多的年輕人選擇走出鄉(xiāng)村進城務工，農(nóng)村出現(xiàn)了更多的留守老人和留守兒童。這種現(xiàn)象導致鄉(xiāng)土文化后繼無人，逐漸走向衰敗，鄉(xiāng)民的文化自信隨之減弱。如何改變這種局面，切實提升鄉(xiāng)土文化自信，對于重構(gòu)鄉(xiāng)民的精神自信、推進鄉(xiāng)村振興戰(zhàn)略的順利實施具有積極的意義。

(2)不同疲勞特征對駕駛員精神狀態(tài)的敏感程度不同，在對DL的分類預測中，3 種分類方法的準確率分別為93.1%，91.5%，90.1%，產(chǎn)生預測的差別較小，但是對DS進行分類預測時，準確率分別為94.5%，91.6%，85.6%，差別較大。采用多個疲勞特征離散程度結(jié)合的方式，可以消除疲勞特征敏感程度不同所帶來的對分類預測的影響。

此外，為了深入驗證不同分類網(wǎng)絡的預測效果，本文將LSTM網(wǎng)絡的分類結(jié)果與SVM、MLP進行了比較。LSTM 網(wǎng)絡識別駕駛員疲勞情況的準確率為96.55%，比SVM 的準確率93.4%和MLP 的91.7%效果好。其主要原因是LSTM網(wǎng)絡進行訓練時輸入的不是單個數(shù)據(jù)，而是將計算出的一段時間的離散程度數(shù)據(jù)(Δ=500)輸入LSTM 網(wǎng)絡進行訓練，這種過程可以解決訓練過程中梯度消失和梯度爆炸問題。SVM和MLP缺乏LSTM網(wǎng)絡對長時間序列建模的能力，實驗結(jié)果表明，LSTM 網(wǎng)絡識別駕駛員疲勞狀態(tài)的性能優(yōu)于其他兩種方法。

5.5 基于LSTM的疲勞檢測

本文分析了駕駛姿態(tài)與精神狀態(tài)之間的關(guān)系，提取人體姿態(tài)建立疲勞特征，通過離散程度表示不同狀態(tài)下疲勞特征的發(fā)散性，并將此作為疲勞檢測的輸入。在分類實驗中將全部數(shù)據(jù)集按照8∶2 劃分訓練集和測試集，確定參數(shù)使訓練兼顧精度與實效，設置迭代次數(shù)為100次，此外每迭代1次進行一次準確率輸出，結(jié)果如圖11所示。

圖11 損失函數(shù)與準確率的變化趨勢圖Fig.11 Variation trend of loss function and accuracy

訓練結(jié)果表明，該模型在本方案的預測方面表現(xiàn)良好。從圖11可以看出，每一輪整體訓練損失函數(shù)值始終保持下降趨勢，表明該模型的學習效果良好。

選取疲勞特征的離散程度訓練LSTM網(wǎng)絡后，得到分類模型對測試集進行分類預測，在評價實驗結(jié)果所采用的指標中除了準確率(Accuracy)以外，也使用了精確率(Precision)和召回率(Recall)來進一步對實驗結(jié)果進行評價。進行駕駛員的疲勞狀態(tài)預測結(jié)果顯示，Recall與Precision分別為98.95%和97.73%，表明用于評估疲勞狀態(tài)的分類網(wǎng)絡對檢測目標覆蓋率與檢測成功基礎上的正確率有很好的表現(xiàn)。最終檢測準確率為98.31%，結(jié)果表明本方案具有較好的可行性和實用性。

6 結(jié)論

本文提取駕駛員人體姿態(tài)后，結(jié)合空-時特征對疲勞狀態(tài)進行預測判定，通過對實驗數(shù)據(jù)的分析，并對模型進行有效性驗證，得到結(jié)論：基于MobileNet-V1改進人體骨架關(guān)鍵點識別網(wǎng)絡，使得模型保持了較高預測精度的同時減少了模型的計算量、提高了檢測效率；分析人體骨架在駕駛時的變化信息，提取關(guān)鍵點并建立多個疲勞特征，計算其離散程度用于比較不同狀態(tài)下疲勞特征的發(fā)散性；對比了使用不同疲勞特征與分類方法產(chǎn)生的預測結(jié)果，最終確定了可以達到最優(yōu)預測效果的分類方法；通過LSTM網(wǎng)絡對疲勞特征的離散程度進行分類預測，使分類預測結(jié)果結(jié)合時間特性，更符合疲勞發(fā)生的過程。實驗表明，本方法的預測準確率達到98.35%，能夠很好地預測駕駛員的疲勞狀態(tài)。

雖然本方案可以較好地預測駕駛員的疲勞狀態(tài)，但仍存在一定的局限性：實驗中在提取駕駛員特征的過程中，會受到光照條件和駕駛員駕駛動作幅度個性化差異的干擾，從而影響人體姿態(tài)關(guān)鍵點的提取，會使本方案的準確率受到一定程度的限制。后續(xù)值得對此作進一步研究以提高駕駛員疲勞檢測的性能及魯棒性。