《表2 3种不同方法的疲劳识别率》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于云模型的驾驶疲劳检测方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

虽然对于同一例输入值，云模型方法每次得到的输出值都具有不确定性，但整体上保持了相同的变化趋势，还是比较稳定的。最后为了比较云模型疲劳检测模型的检测效果，本文在该实验样本数据上分别使用常用的KNN和SVM分类方法进行检测。同样采用perclos、眨眼时间均值作为眼动特征参数。其中KNN算法对训练样本数据进行分类获得优化参数，取得K=8，SVM算法通过二维网格搜索取得c=3和g=-6。3种算法的平均检测率结果比较如表2所示。从表2可以看出，云模型平均识别率比其他两种方法的识别率都高。且在后续增加受试者人数的情况下，通过云模型检测疲劳的识别率效果更好。