基于駕駛模擬的疲勞識別與車載預(yù)警設(shè)備有效性研究＊

王雪松 胥 川

（同濟(jì)大學(xué)道路與交通工程教育部重點(diǎn)實(shí)驗(yàn)室 上海 201804）

0 引言

疲勞駕駛是造成嚴(yán)重交通事故的重要原因，由于疲勞駕駛行為而導(dǎo)致的重大交通事故數(shù)占到了20%［1］。2008年，我國直接由疲勞駕駛造成事故2 568起，死亡人數(shù)1 353人，平均每起直接由疲勞駕駛引起的事故造成約0.53人死亡［2］。美國交通部針對商用車輛的報告中指出，20%～40%的商用車輛交通事故是由于疲勞駕駛導(dǎo)致［3］。在紐約1次針對1 000名駕駛?cè)苏{(diào)查中，有55%的駕駛?cè)顺姓J(rèn)有過疲勞駕駛經(jīng)歷，更有23%的駕駛?cè)嗽?jīng)在行駛過程中睡著［4］。由于引起駕駛?cè)似诘囊蛩爻Ｒ娗冶姸?，因此疲勞駕駛是最為普遍和最危險的駕駛行為之一［5］。車載疲勞預(yù)警設(shè)備是防止疲勞駕駛的重要手段，它通過車載傳感器采集疲勞特征指標(biāo)，并在一定條件下觸發(fā)視覺、聲音等形式的疲勞預(yù)警信息提示，幫助駕駛?cè)伺袛嗍欠襁€能繼續(xù)駕駛。

眼閉合時間［6－8］與車輛偏移［6，9－10］（包含越線）是疲勞駕駛的典型特征指標(biāo)。鄭培研究了眼睛及其疲勞機(jī)理，討論了單位時間內(nèi)眼睛閉合時間所占的百分率（percentage of eye closed，PERCLOS）和其他眼睛活動測量方法的有效性，確認(rèn)測量機(jī)動車駕駛疲勞最好的方法是PERCLOS［11］。Takashi等［12］在對駕駛?cè)藪咭?、SEM（slow eye movement）、瞳孔直徑、眨眼和PERCLOS眼動指標(biāo)的警覺性對比分析發(fā)現(xiàn)，PERCLOS對駕駛?cè)司X性的檢測能力最強(qiáng)。PERCLOS檢測的可靠性和實(shí)時性都較高，但不同駕駛?cè)说腜ERCLOS 有很大不同（比如，有些人睡覺時眼睛不閉合），對于它的檢測（需要追蹤眼球）有一定的不可靠因素，因此，如果只用它來檢測疲勞駕駛，仍然存在誤判。駕駛?cè)说能嚨辣３帜芰﹄S疲勞程度的升高而降低是疲勞駕駛的重要特征，因此車道偏移也是疲勞檢測的研究熱點(diǎn)。美國Iteris公司研制的AutoVue系統(tǒng)，它通過1個朝向道路前方的CCD 攝像頭檢測駕駛?cè)说男熊囓壽E，在駕駛?cè)艘蚱诙鴮?dǎo)致無意識偏離車道時，可及時向駕駛?cè)税l(fā)出警告［13］；Chang等［14］利用機(jī)器視覺檢測技術(shù)對車道標(biāo)志線進(jìn)行實(shí)時檢測，當(dāng)發(fā)現(xiàn)車輛異常偏離中線位置時，系統(tǒng)會發(fā)出警報提醒駕駛?cè)?。車道偏離檢測其抗干擾性強(qiáng)、可靠性較高，但是靈敏度相對較低。

單一指標(biāo)檢測的缺陷顯而易見，因此，本研究結(jié)合閉眼時間和越線行為進(jìn)行疲勞預(yù)警，并利用駕駛模擬器實(shí)驗(yàn)來檢驗(yàn)預(yù)警的識別準(zhǔn)確性。

1 指標(biāo)提取

PERCLOS是指眼睛閉合時間所占的時間比例，其計(jì)算方法有P70，P80和EM 3種判定標(biāo)準(zhǔn)，分別表示瞳孔被眼瞼縱向遮住70%的時間比率、遮住80%的時間比率，以及眼瞼均方閉合率，其中P80與疲勞程度間具有最好的相關(guān)性［15］。閉眼眼瞼開度閾值是計(jì)算PERCLOS的關(guān)鍵指標(biāo)。P80方法中取睜眼眼瞼開度的20%作為閉眼眼瞼開度閾值Et，但由于眼動儀存在對眼瞼開度的測量存在誤差，導(dǎo)致眼完全閉合時的眼瞼開度值不為零，因此Et需要重新標(biāo)定。

本研究中的閉眼閾值標(biāo)定方法如下：在實(shí)驗(yàn)的初期，取一段明顯符合眼動周期變化規(guī)律（睜眼、閉眼規(guī)律）的駕駛?cè)搜鄄€開度數(shù)據(jù)，分別計(jì)算Eopen的平均值和Eclosed的平均值，如圖1所示。Et由下公式計(jì)算：Et＝（珚Eopen－珚Eclosed）×20%。一定時間內(nèi)，眼瞼開度值小于Et的樣本數(shù)為Nc，總樣本點(diǎn)數(shù)為N，則PERCLOS的計(jì)算公式為：PERCLOS＝Nc／N。

圖1 閉眼閾值計(jì)算示意圖Fig.1 Schematic of eyelid closure threshold calculation

越線是駕駛?cè)说?次車邊緣駛離車道線（侵占相鄰車道或駛離道路）到下1次車邊緣回到車道內(nèi)的過程。如圖2所示，圖中的曲線表示車輛重心（center of gravity，COG）的運(yùn)行軌跡；越線判別線與車道中心線的距離為1.022 m，即當(dāng)車輛中心超越此線時，其車輛邊緣即越過車道線。越線時空面積即為越線部分的軌跡與越線判別線之間所圍成的面積，如圖2中的陰影部分面積所示。越線時空面積可以反映一段時間內(nèi)駕駛?cè)说脑骄€的嚴(yán)重程度。越線時空面積的計(jì)算公式為

式中：LP為車道偏移值，｜LPi｜＞1.022；ti為抽樣間隔時間，本研究中為0.1s。

圖2 車道越線指標(biāo)示意圖Fig.2 Schematic of lane departure

2 預(yù)警邏輯

本研究的預(yù)警指標(biāo)閾值是通過疲勞特征研究的決策樹分類確定，將Perclos大于0.25，越線時空面積大于0 的劃分為嚴(yán)重疲勞；將Perclos大于0.1，越線時空面積大于0的劃分為一般疲勞；將Perclos小于0.1且越線時空面積為0的劃分為不疲勞。整個流程見圖3。

其中，T值是為了避免駕駛?cè)藢︻l繁提示反感而加入的延緩提示時間（也可以理解為提示后給駕駛?cè)祟A(yù)留的反應(yīng)窗口時間），本研究中取1min；檢測窗口Tw：取1min，即Perclos和越線時空面積都計(jì)算當(dāng)前1min的檢測步長Ts：本研究中取10s。疲勞預(yù)警設(shè)備提示圖標(biāo)和實(shí)物見圖4。

圖3 疲勞預(yù)警提示邏輯流程圖Fig.3 Fatigue warning prompts logic flowchart

圖4 疲勞預(yù)警提示設(shè)備Fig.4 Fatigue warning device

3 實(shí)驗(yàn)及數(shù)據(jù)分析

本研究利用同濟(jì)大學(xué)8 自由度駕駛模擬器（見圖5）進(jìn)行仿真實(shí)驗(yàn)來檢驗(yàn)疲勞預(yù)警設(shè)備的識別準(zhǔn)確性。4位駕駛?cè)酥形缬貌秃?，在單調(diào)的環(huán)形高速公路上以110～120km／h 的速度行駛6圈，全程約1h。為了讓受試人員在有限的實(shí)驗(yàn)時間內(nèi)達(dá)到較高的疲勞程度，每位駕駛?cè)吮灰笤趯?shí)驗(yàn)道路上連續(xù)駕駛6圈（約1h），車速需要保持在120km／h左右；駕駛期間不需要變換車道；實(shí)驗(yàn)車使用自動擋，駕駛?cè)藷o需變換檔位；實(shí)驗(yàn)期間不允許駕駛?cè)耸褂檬謾C(jī)、收音機(jī)、CD 機(jī)等設(shè)備；無環(huán)境干擾（例如道路橫風(fēng)）；不需要切換實(shí)驗(yàn)車的燈光（白天，無隧道，無天氣變化）；少量其他交通車輛，但不阻擋實(shí)驗(yàn)車所在車道。在實(shí)驗(yàn)過程中，駕駛模擬器記錄下車道偏移值，Smart Eye?眼動儀記錄下駕駛?cè)说难鄄€開度，駕駛?cè)嗣娌康囊曨l也通過紅外攝像頭記錄。

為了客觀的通過外部觀測的方式獲取駕駛?cè)薑SS疲勞等級，建立了外部觀測的標(biāo)準(zhǔn)。標(biāo)準(zhǔn)的建立主要通過眼瞼開度、眨眼速度、眨眼次數(shù)、眼球活動、注意力、對外部環(huán)境的關(guān)注度、反應(yīng)、抗疲勞動作和精神狀態(tài)進(jìn)行判別，該判別相關(guān)研究將另行發(fā)表。外部觀測的疲勞等級與主觀疲勞等級進(jìn)行對比校核發(fā)現(xiàn)，外觀觀測的疲勞等級與主觀獲取的KSS一致率達(dá)86.5%。每分鐘1次的外部觀測獲取的駕駛?cè)薑SS值被作為駕駛?cè)似诔潭鹊亩攘恐笜?biāo)。

圖5 同濟(jì)大學(xué)8自由度駕駛模擬器和Smart Eye?眼動儀Fig.5 Tongji 8DOF advanced driving simulator and Smart Eye?eye tracker

為了分析預(yù)警的有效性定義了3個報警率指標(biāo)：一般疲勞報警率（WRF）為一般疲勞報警次數(shù)與對應(yīng)KSS值總時間（以分鐘為單位）的比值；嚴(yán)重疲勞報警率（WRSF）為嚴(yán)重疲勞報警次數(shù)與對應(yīng)KSS值總時間（以分鐘為單位）的比值；總報警率（TWR）為總報警次數(shù)與對于KSS 值總時間（以分鐘為單位）的比值。4位駕駛?cè)说膶?shí)驗(yàn)結(jié)果分別如下。

駕駛?cè)?的3圈駕駛中，其外部觀測KSS值取值為7，8，9。KSS為7級時，疲勞預(yù)警系統(tǒng)無報警；KSS為8時的總報警率為0.9；KSS為9時的總報警率為0.89，且駕駛?cè)诉M(jìn)入9 級后，所有報警均為嚴(yán)重疲勞報警。見表1。

表1 駕駛?cè)?的報警次數(shù)與KSSTab.1 Warning count and KSS of Driver 1

駕駛?cè)?的3圈駕駛中，其外部觀測KSS取值為6，7，8，9。KSS為6時，無報警；KSS為7時，總報警率為0.25；KSS為8時，總報警率為1；KSS為9時總報警率為0.9。見表2。

駕駛?cè)?的6圈駕駛中，其外部觀測KSS值的取值范圍為6，7，8。KSS為6級時，無一般疲勞報警和嚴(yán)重疲勞報警；KSS為7級時有1次一般疲勞報警，總報警率為0.06；而KSS為8級時，有3次一般疲勞報警和1次嚴(yán)重疲勞報警，總報警率為0.31。見表3。

表2 駕駛?cè)?的報警次數(shù)與KSSTab.2 Warning count and KSS of Driver 2

表3 駕駛?cè)?的報警次數(shù)與KSSTab.3 Warning count and KSS of Driver 3

駕駛?cè)?的6圈駕駛中，其外部觀測KSS值的取值為8和9，對不同KSS的報警次數(shù)進(jìn)行統(tǒng)計(jì)發(fā)現(xiàn)，KSS 為8 級時，總報警率為0.41，而當(dāng)KSS為9級時，總報警率為0.86。見表4。

表4 駕駛?cè)?的報警次數(shù)與KSSTab.4 Warning count and KSS of Driver 4

從4位駕駛?cè)说钠陬A(yù)警的變化趨勢來看嚴(yán)重疲勞報警率、總報警率隨KSS的升高而升高，一般疲勞報警率在KSS 小于等于8 時，隨KSS的升高而升高，KSS 由8 變?yōu)? 時，一般疲勞報警率降低。從具體的每個KSS等級的報警情況來看，KSS在7級以下的報警率為0，當(dāng)KSS為7級時，存在較低的一般疲勞報警率，但未出現(xiàn)嚴(yán)重疲勞報警；當(dāng)KSS 為8 級時，2 位駕駛?cè)说囊话闫趫缶矢哂趪?yán)重疲勞報警率，2 位駕駛?cè)说慕Y(jié)果相反；當(dāng)KSS為9時，嚴(yán)重疲勞報警率高于一般疲勞報警率，且總報警率在0.85以上。

4 結(jié)束語

筆者以PERCLOS 和越線時空面積為疲勞檢測依據(jù)，開發(fā)了疲勞預(yù)警設(shè)備，并通過8自由度駕駛模擬器的實(shí)驗(yàn)檢驗(yàn)了該設(shè)備的疲勞識別準(zhǔn)確性。以每分鐘1次的外部觀測的KSS值作為駕駛?cè)说钠诔潭龋瑢Ρ确治隽瞬煌琄SS值下疲勞預(yù)警設(shè)備的提示情況。結(jié)果發(fā)現(xiàn)：嚴(yán)重疲勞報警率、總報警率與KSS正相關(guān)，一般疲勞報警率在KSS小于等于8時，隨KSS的升高而升高，KSS由8變?yōu)?時，一般疲勞報警率降低，嚴(yán)重疲勞報警率大幅升高。KSS在7級以下的報警率為0，當(dāng)KSS為7級時，2位駕駛出現(xiàn)較低的一般疲勞報警率（分別為0.09和0.25），但未出現(xiàn)嚴(yán)重疲勞報警；當(dāng)KSS為8級時，總報警率的平均值為0.45；當(dāng)KSS為9時，嚴(yán)重疲勞報警率高于一般疲勞報警率，且總報警率在0.85以上。該報警設(shè)備對KSS為9級的識別準(zhǔn)確性較好，而對于KSS為8級的疲勞識別仍然需要提高才能滿足實(shí)際檢測的需要。

受到時間和實(shí)驗(yàn)規(guī)模的限制，本研究的樣本量較少，因此需要進(jìn)一步擴(kuò)大樣本進(jìn)行檢驗(yàn)。此外，本研究中的疲勞程度是以視頻觀測獲取，帶有主觀性，后續(xù)研究中需要考慮如何更加客觀的獲取駕駛?cè)似诔潭取?/p>

［1］嚴(yán)新平，張 暉，吳超仲，等.道路交通駕駛行為研究進(jìn)展及其展望［J］.交通信息與安全，2013（1）：45－51.Yan Xinping，Zhang Hui，Wu Chaozhong，et al.Research progress and prospect of road traffic driving behavior［J］.Journal of Transport Information and Safety，2013（1）：45－51.（in Chinese）.

［2］公安部交通管理局.中華人民共和國道路交通事故統(tǒng)計(jì)資料匯編2001—2008［Z］.北京：公安部交通管理局，2009.The Ministry of Public Security of the People’s Republic of China，Road and Transport Authority，Road Traffic Crash Statistics 2001－2008［R］.Beijing：The Ministry of Public Security of the People’s Republic of China 2009.（in Chinese）.

［3］US.Department of Transportation.Research and special programs administration.Commercial Transportation Operator Fatigue Management Reference［R］.Washington，DC：US.Department of Transportation，2003.7

［4］McCartt A T，Ribner S A，Pack A I，et al.The scope and nature of the drowsy driving problem in New York State［J］.Accident Analysis ＆Prevention，1996，28（4）：511－517.

［5］毛 喆.機(jī)動車疲勞駕駛行為識別方法研究［D］.武漢：武漢理工大學(xué)，2009.Mao Zhe.Research on identification of fatigue driving behavior［D］.Wuhan：Wuhan University ofTechnology，2009.（in Chinese）.

［6］Ingre M，Akerstedt T，Peters B，et al.Subjective sleepiness，simulated driving performance and blink duration：examining individual differences［J］.Journal of Sleep Research，2006（15）：47－53.

［7］Jo J，Lee S J，Park K R，et al.Detecting driver drowsiness using feature－level fusion and user－specific classification［J］.Expert Systems with Applications，2014，41（4）：1139－1152.

［8］Hu S，Zheng G.Driver drowsiness detection with eyelid related parameters by support vector machine［J］.Expert Systems with Applications，2009，36（4）：7651－7658.

［9］Davenne D，Lericollais R，Sagaspe P，et al.Reliability of simulator driving tool for evaluation of sleepiness，fatigue and driving performance［J］.Accident Analysis ＆ Prevention，2012，45（3）：677－682.

［10］Forsman P M，Vila B J，Short R.A，et al.Efficient driver drowsiness detection at moderate levels of drowsiness［J］.Accident Analysis ＆ Prevention，2013，50（1）：341－350.

［11］鄭 培，機(jī)動車駕駛員駕駛疲勞測評方法的研究［D］.北京：中國農(nóng)業(yè)大學(xué)，2002.Zheng Pei，Study on detecting and evaluating technique of motor driver fatigue［D］.Beijing：China Agriculture University，2002.（in Chinese）.

［12］Takashi Abe，Tomohide Nonomura，Yoko Komada，et al.Detecting deteriorated vigilance using percentage of eyelid closure time during behavioral maintenance of wakefulness tests［J］.International Journal of Psychophysiology，2011，82（3）：269－274.

［13］Weng M，Chen C，Kao H.Remote surveillance system for driver drowsiness in real－time using low－cost embedded platform［C］∥Vehicular Electronics and Safety，2008.ICVES 2008.IEEE International Conference on.Columbus ohio：IEEE，2008：288－292.

［14］Chang T H，Hsu C S，Wang C，et a1.Onboard measurement and warning module for irregular vehicle behavior［C］∥Hongkong：IEEE Transaction on Intelligence Transportation and System.Hongkong：IEEE 2008：501－513.

［15］Dinges D F，Grace R.Perclos：A valid psychophysiological measure of alertness as assessed by psychomotor vigilance［R］.Washington，DC：Federal Highway Administration，1998.